CN118190943A - 基于视觉检测的玉米缺陷检测装置及检测方法 - Google Patents
基于视觉检测的玉米缺陷检测装置及检测方法 Download PDFInfo
- Publication number
- CN118190943A CN118190943A CN202410270942.5A CN202410270942A CN118190943A CN 118190943 A CN118190943 A CN 118190943A CN 202410270942 A CN202410270942 A CN 202410270942A CN 118190943 A CN118190943 A CN 118190943A
- Authority
- CN
- China
- Prior art keywords
- corn
- defect
- detection
- photographing
- defective
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 172
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 172
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 171
- 235000005822 corn Nutrition 0.000 title claims abstract description 171
- 230000007547 defect Effects 0.000 title claims abstract description 164
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 230000000007 visual effect Effects 0.000 title claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 56
- 230000002950 deficient Effects 0.000 claims abstract description 39
- 230000007306 turnover Effects 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 208000003643 Callosities Diseases 0.000 claims description 7
- 206010020649 Hyperkeratosis Diseases 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012800 visualization Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于视觉检测的玉米缺陷检测装置及检测方法,该装置包括外壳、翻转平台、推送滑台和拍照机构;通过翻转平台使上面的玉米进行翻转;上位机获取拍照机构的视野信息,对待测玉米进行定位,对滚筒带动翻转的待测玉米进行拍照,对拍照检测得到的待测玉米检测图像通过预设缺陷识别模型进行识别,确定缺陷面积进行玉米缺陷评级,根据玉米缺陷级别以及玉米定位信息发送信号给主控制系统,主控制系统发送信号给对应的推送滑台将缺陷玉米进行分级筛除。本发明方便对玉米的多个面进行检测,能够更加全面的拍摄到缺陷细节,无需工作人员手动操作,检测速度提高,检测精度高,可视化及使用范围广,自动化效果好,减少处理时间,从而节省人力。
Description
技术领域
本发明涉及一种基于视觉检测的玉米缺陷检测装置及检测方法,属于视觉检测领域。
背景技术
玉米具有较高的营养价值,是一种优良的农作物。玉米作为我国高产农作物,随着人们生活水平的提高,食用加工对品质保证非常重要。在传统的玉米缺陷检测中都是由人工进行肉眼判断,不仅耗费体力而且效率低下。目前使用的检测装置通常仅能够对待测玉米的一个面进行检测,当需要检测其它面的缺陷情况时需要工作人员手动翻转,因此研发一种基于视觉检测的玉米缺陷检测装置及方法是很有必要的。
发明内容
本发明的第一个目的是为了克服现有技术的不足之处,提供了一种基于视觉检测的玉米缺陷检测装置,该装置方便对玉米的多个面进行检测,无需工作人员手动操作,检测速度提高,检测精度高,可视化及使用范围广,自动化效果好,节省人力。
本发明的第二个目的在于提供一种玉米缺陷检测方法,该方法基于上述的玉米缺陷检测装置实现。
本发明的第一个目的可以通过采取如下技术方案达到:
一种基于视觉检测的玉米缺陷检测装置,包括外壳、翻转平台、推送滑台和拍照机构,所述翻转平台和推送滑台均设置在外壳内,翻转平台的两端设置有支撑架,其中一端的支撑架设置有出料口,所述推送滑台位于翻转平台的下方,并与外壳的底板贴合,所述拍照机构位于翻转平台的上方,并与外壳的顶盖贴合,拍照机构的镜头朝向翻转平台。
进一步的,所述翻转平台包括滚筒和第一驱动机构,所述滚筒为多个,所述滚筒的两端设置有支撑架,两端的支撑架平行放置组成两列,其中一端的支撑架设置有出料口,所述第一驱动机构带动多个滚筒以相同速度转动。
进一步的,所述第一驱动机构包括双排链轮、链条和第一驱动电机,每两个滚筒之间由链条交错连接在双排链轮上,所述双排链轮和链条靠近另一端的支撑架,所述第一驱动电机通过链条驱动双排链轮,从而使多个滚筒以相同速度转动。
进一步的,所述推送滑台包括滑台、推杆和第二驱动机构,所述滑台与外壳的底板贴合,所述推杆位于翻转平台的相邻滚筒之间,所述第二驱动机构带动推杆沿滑台水平往复运动。
进一步的,所述第二驱动机构包括螺杆和第二驱动电机,所述滑台的两端上方设置有固定块,所述螺杆的两端分别固定在两端的固定块上,螺杆的其中一端穿过对应的固定块与第二驱动电机连接,所述第二驱动电机通过驱动螺杆,从而使推杆产生水平往复运动。
进一步的,所述外壳呈矩形体,外壳包括底板、顶盖、第一挡板和第二挡板,所述底板的两端分别通过第一挡板、第二挡板与顶盖的两端连接,所述第二挡板与出料口位于同一侧,第二挡板上设置有开口,所述开口与出料口相通。
进一步的,所述拍照机构由CCD相机组成。
本发明的第二个目的可以通过采取如下技术方案达到:
一种玉米缺陷检测方法,基于上述的玉米缺陷检测装置实现,所述方法包括:
放置玉米于翻转平台上;
翻转平台开始工作,使玉米进行翻转;
上位机获取拍照机构的视野信息;
上位机根据拍照机构的视野信息对待测玉米进行定位;
上位机根据翻转平台上的滚筒转速以及结合玉米的物理特性确定拍照频率,对滚筒带动翻转的待测玉米进行拍照;
上位机对拍照得到的待测玉米检测图像通过预设缺陷识别模型进行识别,根据识别结果确定缺陷面积进行玉米缺陷评级;
上位机根据玉米缺陷级别以及玉米定位信息发送信号给主控制系统;
主控制系统发送信号给对应的推送滑台将缺陷玉米进行分级筛除。
进一步的,所述上位机对拍照检测得到的待测玉米检测图像通过预设缺陷识别模型进行识别,根据识别结果确定缺陷面积进行玉米缺陷评级,包括:
将拍照得到的待测玉米检测图像导入预设缺陷识别模型,得到缺陷检测结果;
根据缺陷检测结果,计算缺陷面积在当前位置面的玉米面积的占比,根据缺陷玉米缺陷面积占比进行评级,要求缺陷玉米表面缺陷面积占比大于5%,否则不被视为缺陷玉米。
进一步的,所述根据拍照得到的待测玉米检测图像导入预设缺陷识别模型,得到缺陷面积之前,还包括:
构建缺陷玉米表面缺陷训练数据集,在拍照机构的视野信息中同一场景对不同空间位姿下的缺陷玉米表面进行表面缺陷图像样本采集;
构建缺陷玉米表面缺陷图像数据集,采用图像增强技术对数据集进行扩充,完成表面缺陷图像的手动标注;
利用表面缺陷训练数据集为输入,搭建应用于物体表面缺陷检测的深度学习语义分割缺陷检测模型;
进行深度学习语义分割缺陷检测模型的训练,将训练好的深度学习语义分割缺陷检测模型作为预设缺陷识别模型。
进一步的,所述深度学习语义分割缺陷检测模型包括卷积层、池化层、激活函数、下采样层和上采样层;
所述将拍照得到的待测玉米检测图像导入预设缺陷识别模型,得到缺陷检测结果,包括:基于预设缺陷识别模型,进行待测玉米表面缺陷检测,得到对应输出的具有缺陷种类标签图像,从而获得缺陷检测结果。
本发明相对于现有技术具有如下的有益效果:
1、本发明采用翻转平台实现玉米的翻转,配合拍照机构采集玉米表面的缺陷情况以及检测平台进行检测,能够实现连续自动的视觉检测,方便对玉米的多个面进行检测,并且采用推送滑台可以使玉米从翻转平台推送到出料口,提高检测效率。
2、本发明设置了翻转平台,使用时将玉米放置滚轴上,驱动电机通过链条连接链轮从而带动多跟滚筒以同一速度转动,使得玉米在滚筒上翻转,翻转平台上方的拍照机构通过拍照机构根据玉米转动的速度进行定时的拍照,从而可以监测到玉米的多个检测面,仅需通过控制翻转平台的驱动电机即可自动控制玉米的翻转检测,方便对玉米的多个面进行检测,无需工作人员手动操作,自动化效果好,节省人力。
3、本发明设置了推送滑台,当拍照机构检测完成后,推送滑台的驱动电机驱动推杆使玉米从翻转平台推送到出料口,从而完成一次玉米缺陷检测,并且衔接下一批玉米经行检测,这大大的提高检测效率,不需要工作人员筛除,大幅度的提升了自动化水平。
4、本发明使用的玉米缺陷检测方法,放置玉米于翻转平台上;翻转平台开始工作,玉米进行翻转;上位机获取视觉检测系统的拍照机构CCD相机的视野信息;上位机根据拍照机构里的视野信息对待测玉米进行定位;上位机根据翻转平台上的滚筒转速以及结合玉米的物理特性确定拍照频率,对滚筒带动翻转的待测玉米进行拍照;上位机对拍照检测得到的检测图像通过预设缺陷识别模型进行识别,根据识别结果确定缺陷面积进行玉米缺陷评级;上位机根据玉米缺陷级别以及玉米定位信息发送信号给对应的推送滑台将缺陷玉米进行分级筛除,通过这种方式,实现了玉米的多个面进行检测,能够更加全面的拍摄到缺陷细节,检测速度提高,检测精度高,可视化及使用范围广,自动化效果好,节省人力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例的基于视觉检测的玉米缺陷检测装置的结构示意图。
图2为本发明实施例的基于视觉检测的玉米缺陷检测装置中翻转平台结构示意图。
图3为本发明实施例的基于视觉检测的玉米缺陷检测装置中推送滑台结构示意图。
图4为本发明实施例的基于视觉检测的玉米缺陷检测装置的控制图。
图5为本发明实施例的基于视觉检测的玉米缺陷检测方法的流程示意图。
图6为本发明实施例的基于视觉检测的玉米缺陷检测方法的预设缺陷识别模型具体流程图。
图7为本发明实施例的玉米表面缺陷检测的深度学习语义分割缺陷检测模型结构图。
图8为本发明实施例的玉米表面缺陷检测的深度学习语义分割缺陷检测模型的检测结果图。
其中,1-外壳,101-底板,102-顶盖,103-第一挡板,104-第二挡板,105-开口,2-翻转平台,201-支撑架,202-出料口,203-滚筒,204-双排链轮,205-链条,206-第一驱动电机,3-推送滑台,301-滑台,302-推杆,303-螺杆,304-第二驱动电机,305-固定块,4-拍照机构,5-上位机,6-主控制系统。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
如图1所示,本实施例提供了一种基于视觉检测的玉米缺陷检测装置,该装置包括外壳1、翻转平台2、推送滑台3和拍照机构4,翻转平台2和推送滑台3均设置在外壳1内,翻转平台2的两端设置有支撑架201,其中一端的支撑架201设置有出料口202,推送滑台3位于翻转平台2的下方,并与外壳1的底板101贴合,拍照机构4位于翻转平台2的上方,并与外壳1的顶盖102贴合,拍照机构4的镜头朝向翻转平台2。
进一步地,外壳1呈矩形体,外壳包括底板101、顶盖102、第一挡板103和第二挡板104,底板101的两端分别通过第一挡板103、第二挡板104与顶盖102的两端连接,第二挡板104与出料口202位于同一侧,第二挡板103上设置有开口105,开口105与出料口202相通;拍照机构4由CCD(charge coupled device,电荷耦合器件)相机组成。
如图1和图2所示,翻转平台2包括滚筒203和第一驱动机构,滚筒203为四个,滚筒203的两端设置有支撑架201,两端的支撑架201平行放置组成两列,两端的支撑架201下方具有支撑脚,本实施例的两端支撑架201各有两个支撑脚;其中一端的支撑架201设置有出料口202,第一驱动机构带动四个滚筒203以相同速度转动。
进一步地,第一驱动机构包括双排链轮204、链条205和第一驱动电机206,每两个滚筒203之间由链条205交错连接在双排链轮204上,双排链轮204和链条205靠近另一端的支撑架201,第一驱动电机206通过链条205驱动双排链轮204,从而使四个滚筒203以相同速度转动,与玉米配合并能使玉米进行多个面的翻转;翻转平台2工作时,拍照机构4会以相对的频率进行拍照检测,从而达到检测玉米多个面的缺陷情况。
如图1~图3所示,推送滑台3包括滑台301、推杆302和第二驱动机构,滑台301与外壳1的底板101贴合,推杆302为三个,每个推杆302位于相邻滚筒203之间,第二驱动机构带动推杆302沿滑台301水平往复运动。
进一步地,第二驱动机构包括螺杆303和第二驱动电机304,滑台301的两端上方设置有固定块305,螺杆303的两端分别固定在两端的固定块305上,螺杆303的其中一端穿过对应的固定块305与第二驱动电机304连接,第二驱动电机304通过驱动螺杆303,从而使推杆302产生水平往复运动;拍照机构4完成玉米多个面缺陷检测,发现玉米缺陷时,推送滑台3开始工作,第二驱动电机304驱动螺杆303转动,从而带动推杆302往出料口202的方向运动,推杆302推动缺陷玉米在相邻滚筒203中运动,使缺陷玉米从出料口202被推出。
本实施例的玉米缺陷检测装置工作原理为:先将玉米放入翻转平台2上,无需区分哪面朝上,随着第一驱动电机206的驱动,滚筒203开始转动,带动玉米进行翻转,通过上方的拍照机构4配合玉米的转速进行一定频率的拍照,将拍照得到的图片上传至上位机5进行检测,完成了玉米多个面的缺陷检测,同时配合推送滑台2能够连续进行,极大的提高了检测效率;上位机5根据拍照机构4的拍照以及上位机5对拍照得到的图片进行检测,确定好哪个滚筒13之间的玉米有缺陷,发送信号至主控制系统6,然后主控制系统6通过第二驱动电机304带动螺杆303转动,从而使推杆302开始往复的水平运动,推动缺陷玉米在滚筒203上水平运动,使缺陷玉米从出料口202推出;
翻转平台2工作时,第一驱动电机206通过链条驱动双排链轮,从而使四个滚筒203以相同速度转动,玉米在相邻滚筒203之间以一定的速度进行翻转;推送滑台3工作时,第二驱动电机304驱动螺杆303转动,从而带动推杆302往出料口202的方向运动,推杆推动缺陷玉米在相邻滚筒203中运动,使缺陷玉米从出料口202被推出、
如图1~图8所示,本实施例还提供了一种玉米缺陷检测方法,该方法基于上述的玉米缺陷检测装置实现,具体包括以下步骤:
S501、放置玉米于翻转平台上。
S502、翻转平台开始工作,使玉米进行翻转。
S503、上位机获取拍照机构的视野信息。
S504、上位机根据拍照机构的视野信息对待测玉米进行定位。
本实施例中,上位机获取预设的翻转平台布局在拍照机构CCD相机的视野信息,通过对拍照机构的待测玉米在翻转平台上的视野信息处理,对待测玉米进行定位,确定待测玉米位于翻转平台的具体工作区域,即哪两个相邻滚筒之间。
S505、上位机根据翻转平台上的滚筒转速以及结合玉米的物理特性确定拍照频率,对滚筒带动翻转的待测玉米进行拍照。
本实施例中,上位机根据主控制系统给定翻转平台中的第一驱动电机206驱动滚筒203的转速,待测玉米翻转的角速度,以及需要拍摄待测玉米位于0°、90°、180°、270°面的待检测缺陷照片来计算拍照频率,上位机按照计算好的拍照频率控制拍照机构进行拍照。
S506、上位机对拍照得到的待测玉米检测图像通过预设缺陷识别模型进行识别,根据识别结果确定缺陷面积进行玉米缺陷评级。
本实施例中,上位机将拍照得到的待测玉米检测图像导入预设缺陷识别模型,得到缺陷检测结果;根据缺陷检测结果,计算缺陷面积在当前位置面的玉米面积的占比,根据缺陷玉米缺陷面积占比进行评级,要求缺陷玉米表面缺陷面积占比大于5%,否则不被视为缺陷玉米
进一步地,将拍照得到的待测玉米检测图像导入预设缺陷识别模型,得到缺陷检测结果,如图6所示,具体流程包括:
(1)构建缺陷玉米表面缺陷训练数据集,在拍照机构的视野信息中同一场景对不同空间位姿下的缺陷玉米表面进行表面缺陷图像样本采集。
本实施例中,用于训练模型的图像数据集是通过在拍照机构CCD相机的视野信息中同一场景对不同空间位姿下的缺陷玉米表面进行表面缺陷图像样本进行采集,采集图像数量为N幅,N≥2000。
具体地,构建缺陷玉米表面缺陷训练数据集,采用人工的方式完成表面缺陷图像的标注,其中针对缺陷图像集采用手动标注软件Labelme像素分割软件划分出缺陷图像训练集中每幅缺陷图像中的缺陷区域,并标记对应缺陷种类,形成缺陷标注图像集合;完成缺陷图像集的标注工作后,将对应输入图像和标签文本转换为标注图片格式,形成缺陷标注图像数据集。
(2)构建缺陷玉米表面缺陷图像数据集,采用图像增强技术对数据集进行扩充,完成表面缺陷图像的手动标注。
本实施例中,为了增加缺陷玉米表面缺陷图像数据集样本的多样性,采用图像增强技术对数据集进行扩充,其中图像增强技术包括图像翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动以及旋转变换/反射变换中的至少一种。
(3)利用表面缺陷训练数据集为输入,搭建应用于物体表面缺陷检测的深度学习语义分割缺陷检测模型。
如图7所示,应用于玉米表面缺陷检测的深度学习语义分割缺陷检测模型结构主要包含五个主要组成部分,包括卷积层、池化层、激活函数、下采样层和上采样层。
具体地,利用标注好的表面缺陷训练图像数据集为输入,搭建应用于物体表面缺陷检测的深度学习语义分割缺陷检测模型,其中深度学习语义分割缺陷检测模型设置为对图像中每个像素进行分类理解,针对物体表面缺陷区域对应像素进行图像分割,按照不同缺陷种类以及面积进行分类。
(4)进行深度学习语义分割缺陷检测模型的训练,将训练好的深度学习语义分割缺陷检测模型作为预设缺陷识别模型。
(5)基于预设缺陷识别模型,进行待测玉米表面缺陷检测,得到对应输出的具有缺陷种类标签图像,从而获得缺陷检测结果,如图8所示。
具体地,将训练效果良好的深度学习语义分割缺陷检测模型进行保存,即生成模型权重pt文件;针对保存后深度学习语义分割缺陷检测模型进行部署应用,输入缺陷图像数据,获得对应输出的具有缺陷种类标签图像,获得缺陷检测结果。
S507、上位机根据玉米缺陷级别以及玉米定位信息发送信号给主控制系统。
S508、主控制系统发送信号给对应的推送滑台将缺陷玉米进行分级筛除,将缺陷玉米从出料口推出。
综上所述,本发明采用翻转平台实现玉米的翻转,配合拍照机构采集玉米表面的缺陷情况以及检测平台进行检测,能够实现连续自动的视觉检测,方便对玉米的多个面进行检测,并且采用推送滑台可以使玉米从翻转平台推送到出料口,提高检测效率;本发明实现了玉米的多个面进行检测,能够更加全面的拍摄到缺陷细节,检测速度提高,检测精度高,可视化及使用范围广,自动化效果好,节省人力。
在本发明的描述中,需要说明的是,除非另有明确的规定和约定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义,所使用的术语“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式;术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述,仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其它场合的,均应视为本发明的保护范围。
Claims (10)
1.一种基于视觉检测的玉米缺陷检测装置,其特征在于,包括外壳、翻转平台、推送滑台和拍照机构,所述翻转平台和推送滑台均设置在外壳内,翻转平台的两端设置有支撑架,其中一端的支撑架设置有出料口,所述推送滑台位于翻转平台的下方,并与外壳的底板贴合,所述拍照机构位于翻转平台的上方,并与外壳的顶盖贴合,拍照机构的镜头朝向翻转平台。
2.根据权利要求1所述的玉米缺陷检测装置,其特征在于,所述翻转平台包括滚筒和第一驱动机构,所述滚筒为多个,所述滚筒的两端设置有支撑架,两端的支撑架平行放置组成两列,其中一端的支撑架设置有出料口,所述第一驱动机构带动多个滚筒以相同速度转动。
3.根据权利要求2所述的玉米缺陷检测装置,其特征在于,所述第一驱动机构包括双排链轮、链条和第一驱动电机,每两个滚筒之间由链条交错连接在双排链轮上,所述双排链轮和链条靠近另一端的支撑架,所述第一驱动电机通过链条驱动双排链轮,从而使多个滚筒以相同速度转动。
4.根据权利要求1所述的玉米缺陷检测装置,其特征在于,所述推送滑台包括滑台、推杆和第二驱动机构,所述滑台与外壳的底板贴合,所述推杆位于翻转平台的相邻滚筒之间,所述第二驱动机构带动推杆沿滑台水平往复运动。
5.根据权利要求4所述的玉米缺陷检测装置,其特征在于,所述第二驱动机构包括螺杆和第二驱动电机,所述滑台的两端上方设置有固定块,所述螺杆的两端分别固定在两端的固定块上,螺杆的其中一端穿过对应的固定块与第二驱动电机连接,所述第二驱动电机通过驱动螺杆,从而使推杆产生水平往复运动。
6.根据权利要求1-5任一项所述的玉米缺陷检测装置,其特征在于,所述外壳呈矩形体,外壳包括底板、顶盖、第一挡板和第二挡板,所述底板的两端分别通过第一挡板、第二挡板与顶盖的两端连接,所述第二挡板与出料口位于同一侧,第二挡板上设置有开口,所述开口与出料口相通。
7.一种玉米缺陷检测方法,基于权利要求1-6任一项所述的玉米缺陷检测装置实现,其特征在于,所述方法包括:
放置玉米于翻转平台上;
翻转平台开始工作,使玉米进行翻转;
上位机获取拍照机构的视野信息;
上位机根据拍照机构的视野信息对待测玉米进行定位;
上位机根据翻转平台上的滚筒转速以及结合玉米的物理特性确定拍照频率,对滚筒带动翻转的待测玉米进行拍照;
上位机对拍照得到的待测玉米检测图像通过预设缺陷识别模型进行识别,根据识别结果确定缺陷面积进行玉米缺陷评级;
上位机根据玉米缺陷级别以及玉米定位信息发送信号给主控制系统;
主控制系统发送信号给对应的推送滑台将缺陷玉米进行分级筛除。
8.根据权利要求7所述的玉米缺陷检测方法,其特征在于,所述对拍照检测得到的待测玉米检测图像通过预设缺陷识别模型进行识别,根据识别结果确定缺陷面积进行玉米缺陷评级,包括:
将拍照得到的待测玉米检测图像导入预设缺陷识别模型,得到缺陷检测结果;
根据缺陷检测结果,计算缺陷面积在当前位置面的玉米面积的占比,根据缺陷玉米缺陷面积占比进行评级,要求缺陷玉米表面缺陷面积占比大于5%,否则不被视为缺陷玉米。
9.根据权利要求8所述的玉米缺陷检测方法,其特征在于,所述根据拍照得到的待测玉米检测图像导入预设缺陷识别模型,得到缺陷面积之前,还包括:
构建缺陷玉米表面缺陷训练数据集,在拍照机构的视野信息中同一场景对不同空间位姿下的缺陷玉米表面进行表面缺陷图像样本采集;
构建缺陷玉米表面缺陷图像数据集,采用图像增强技术对数据集进行扩充,完成表面缺陷图像的手动标注;
利用表面缺陷训练数据集为输入,搭建应用于物体表面缺陷检测的深度学习语义分割缺陷检测模型;
进行深度学习语义分割缺陷检测模型的训练,将训练好的深度学习语义分割缺陷检测模型作为预设缺陷识别模型。
10.根据权利要求9所述的玉米缺陷检测方法,其特征在于,所述深度学习语义分割缺陷检测模型包括卷积层、池化层、激活函数、下采样层和上采样层;
所述将拍照得到的待测玉米检测图像导入预设缺陷识别模型,得到缺陷检测结果,包括:基于预设缺陷识别模型,进行待测玉米表面缺陷检测,得到对应输出的具有缺陷种类标签图像,从而获得缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410270942.5A CN118190943A (zh) | 2024-03-11 | 2024-03-11 | 基于视觉检测的玉米缺陷检测装置及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410270942.5A CN118190943A (zh) | 2024-03-11 | 2024-03-11 | 基于视觉检测的玉米缺陷检测装置及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118190943A true CN118190943A (zh) | 2024-06-14 |
Family
ID=91397515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410270942.5A Pending CN118190943A (zh) | 2024-03-11 | 2024-03-11 | 基于视觉检测的玉米缺陷检测装置及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118190943A (zh) |
-
2024
- 2024-03-11 CN CN202410270942.5A patent/CN118190943A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127780B (zh) | 一种曲面表面缺陷自动检测方法及其装置 | |
CN109724984A (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CN109307675A (zh) | 一种产品外观检测方法和系统 | |
CN104239852B (zh) | 一种基于运动平台的红外行人检测方法 | |
CN110618134A (zh) | 钢板表面质量缺陷检测评级系统及方法 | |
CN107220643A (zh) | 基于紧凑型神经网络的深度学习模型的交通标志识别系统 | |
CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
CN106442553A (zh) | 一种铜环柱面喷码检测识别装置及方法 | |
CN111986145B (zh) | 一种基于Faster-RCNN的轴承滚子瑕疵检测方法 | |
CN111062938A (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN114462646A (zh) | 一种基于接触网安全巡检的杆号牌识别方法及系统 | |
CN215416732U (zh) | 陶瓷基板的视觉检测系统 | |
CN110596118A (zh) | 印刷图案检测方法及印刷图案检测装置 | |
CN118190943A (zh) | 基于视觉检测的玉米缺陷检测装置及检测方法 | |
CN103091332B (zh) | 一种基于机器视觉的u型粉管的检测方法及其检测系统 | |
CN103605973B (zh) | 一种图像字符检测鉴别方法 | |
CN116229856B (zh) | 一种计算机用自动控制的屏幕检测系统及方法 | |
CN113145473A (zh) | 一种水果智能分拣系统及方法 | |
CN114943988B (zh) | 一种基于实例分割和深度卷积神经网络的平面目标监测方法 | |
CN114627119B (zh) | 基于视觉神经网络的外观缺陷智能识别系统及识别方法 | |
CN112819824B (zh) | 视觉检测系统的神经网络、及包含它的检测系统和方法 | |
CN104112271A (zh) | 移动终端外壳侧面缺陷检测方法和系统 | |
CN109558791B (zh) | 一种基于图像识别的寻笋装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |