CN210775265U - 一种人造板表面缺陷检测系统 - Google Patents
一种人造板表面缺陷检测系统 Download PDFInfo
- Publication number
- CN210775265U CN210775265U CN201921706752.4U CN201921706752U CN210775265U CN 210775265 U CN210775265 U CN 210775265U CN 201921706752 U CN201921706752 U CN 201921706752U CN 210775265 U CN210775265 U CN 210775265U
- Authority
- CN
- China
- Prior art keywords
- board
- camera
- artificial
- surface defect
- neural network
- 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.)
- Expired - Fee Related
Links
- 230000007547 defect Effects 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 239000002023 wood Substances 0.000 abstract description 9
- 238000000034 method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003703 image analysis method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000012188 paraffin wax Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000011094 fiberboard Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011120 plywood Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本实用新型公开了一种人造板表面缺陷检测系统，涉及应用机器视觉进行表面缺陷检测领域，本实用新型通过摄像头高速采集图片，利用多目标多尺度表面缺陷识别神经网络实现了人造板在线连续自动双面表面缺陷检测和评级，完全取代人工检板，减轻了工人的劳动强度。多目标多尺度表面缺陷识别神经网络比其他现有算法有更好的鲁棒性和稳定性，提高了人造板表面缺陷自动检测准确率，经测试目前的表面缺陷识别准确率已达到90％以上。
Description
技术领域
本实用新型涉及神经网络深度学习技术领域，尤其涉及一种人造板表面缺陷检测系统。
背景技术
人造板是以木材或其他非木材植物为原料，经一定机械加工分离成各种单元材料后，施加或不施加胶粘剂和其他添加剂胶合而成的板材或模压制品。人造板主要包括胶合板、刨花(碎料)板和纤维板等三大类产品，其延伸产品和深加工产品达上百种。因为后续加工的要求，人造板需要经过严格的质量检测。关于人造板质量检测，国家出台了一系列国家标准：GB/T 2828逐批检查计数抽样程序及抽样表(适用于连续批的检查)，GB/T 4897-2015刨花板标准，GB/T 17657－2013人造板及饰面人造板理化性能试验方法，GB 18580室内装饰装修材料――人造板及其制品中甲醛释放限量。每个人造板生产厂也制定自己的检测标准。人造板的检测，特别是表面质量检测，都是用人工来完成的。因为人造板的表面面积大，且质量也大，因此人工翻板需要消耗巨大的体力，人工检板的劳动强度非常大，而且效率低下。
目前，针对人造板表面缺陷的自动检测有很多的研究和专利。在早期，表面缺陷检测多用传统的图像分析方法，申请号CN201711153444.9，一种板材表面缺陷双面检测装置及其检测方法，提出通过对人造板图像进行滤波和图像亮度特征提取来识别表面缺陷，这些算法存在对不同人造板纹理和光照敏感，需要人为设定很多阈值等缺点。随着神经网络在机器学习算法中的崛起，也有研究者尝试在人造板缺陷识别中使用简单的神经网络。申请号CN201811079391.5,一种木板表面缺陷检测装置及检测方法，使用的方法是，首先，对采集图像进行单个缺陷分割，并提取22个特征，再用一个三层的BP网络进行分类。这类方法还是需要人工提取图像特征，并且提取特征较多，与传统的图像分析方法一样，其鲁棒性较差。最近，随着深度学习算法的普及，也有人把深度学习应用到人造板表面缺陷识别，CN201811496896.1，一种基于深度学习算法的缺陷检测识别装置和方法，使用神经网络模型Inception和MobileNet，但这种神经网络只适合单目标的识别，无法独立完成对人造板表面存在的多个缺陷的同时识别。
实用新型内容
针对现有技术的以上缺陷和改进需求，本实用新型提供了一种人造板表面缺陷的检测系统，其采用了多目标多尺度识别神经网络系统。这种神经网络既不需要像传统图像分析方法那样人工提取特征，也不需要像单目标识别神经网络那样需要先进行单个缺陷的像素分割，实现了输入图像。同时，本实用新型方法及其系统还能兼顾识别人造板不同尺度的缺陷。
本实用新型提供了一种人造板表面缺陷的检测系统，其包括检测平台模块、图像采集模块、图像分析模块；检测平台模块包括传送机构，控制台，安装支架，图像采集模块包括线光源、光电传感器、编码器和摄像头，图像分析模块包括上位计算机、多目标多尺度识别神经网络系统、人造板综合评级系统。传送机构用于在一定的方向上传送待检测板，控制台上配置有多目标多尺度识别神经网络系统、人造板综合评级系统；光电传感器配置为当待检测板到达目的地时，光电传感器给摄像头传递信号，摄像头开始拍摄待检测板，编码器控制摄像头拍摄的速度与传送机构的速度同步；摄像头将拍摄到的图片经过一定的处理后将数据发送给多目标多尺度识别神经网络系统，多目标多尺度识别神经网络系统用于对所述数据的识别，并得到待检测板的缺陷结果
优选地，光源优选为线光源，可以保证木板上的多种缺陷被摄像头所捕获。
优选地，摄像头为线阵摄像头，便于快速地获取尺寸较大的人造板图像。
优选地，摄像头为多个，例如在人造板的上下方均设置一个或多个摄像头，用于同时获取人造板上下表面的图像，大大提高了检测效率。
优先地，安装支架还用于固定光源，为配合摄像头捕捉待检测板的图像。
本实用新型的技术效果如下：
(1)、通过高分辨率线阵摄像头高速采集图片，实现了人造板在线连续自动双面表面缺陷检测和评级，完全取代人工检板，减轻了工人的劳动强度；
(2)、多目标多尺度表面缺陷识别神经网络比其他现有算法有更好的鲁棒性和稳定性，将多目标多尺度表面缺陷识别神经网络运用到人造板表面缺陷检测中，提高了人造板表面缺陷自动检测准确率，经测试目前的表面缺陷识别准确率已达到90％以上，大大提高了人造板表面缺陷检测行业的效率。
以下将结合附图对本实用新型的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本实用新型的目的、特征和效果。
附图说明
图1是本实用新型一实施例方法流程示意图；
图2是本实用新型一实施例系统结构示意图；
图3是本实用新型一实施例多目标多尺度识别深度学习模型示意图；
在所有附图中，相同的附图标记是用来表示相同的结构，其中101，传送机构；102，控制台；103，安装支架；201、光源；202，光电传感器；203，编码器；204，摄像头；301，上位计算机。
具体实施方式
为了使本实用新型的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本实用新型进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本实用新型，并不用于限定本实用新型。此外，下面所描述的本实用新型各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1示出了本实用新型实施例提供的一种人造板表面缺陷的检测方法，为了便于说明，仅示出了与本实用新型实施例相关的部分，详述如下：
其包括以下步骤：
S101，采集多张人造板各种表面缺陷样本图片，并由人工标注缺陷参数，将所述参数保存在数据库中。
在步骤S101中，表面缺陷参数包括缺陷的类型、位置、面积、数量的至少一项。
具体而言，人造板的表面缺陷属于外观质量类型，一般通过肉眼是能够察觉。其中，所述表面缺陷包括但不限于胶斑、石腊斑、油渍、砂痕、振纹、裂纹、软松点、分层鼓泡、粗刨花等不同的种类。应理解的是，覆盖在人造板表面的胶斑、石腊斑、油渍等可以统称为污染点，而杂物是人造板本身所含有的且能够被肉眼看见的颗粒。
在实例性实施例中，在步骤S101之前，摄像头采集带有表面缺陷的人造板之前需要对摄像头的位置进行校准，使得摄像头采集的区域能够覆盖到完整的一块人造板。可选地，摄像头优选为线阵摄像头。
S102，将所述数据库中的数据用于多目标多尺度识别深度学习模型的训练，得到对应的多目标多尺度识别深度学习模型。
在一个实施例中，图3为多目标多尺度识别深度学习模型示意图，所述多目标多尺度识别深度学习模型是基于残差网络、特征金字塔网络、区域候选网络的学习模型。应理解地是，残差网络(ResNet)、特征金字塔网络(feature pyramid networks，FPN)、区域候选网络(Region Proposal Network，RPN)是本领域技术人员应当知晓的神经网络模型。
具体地，残差网络用于对人造板图像的特征提取。对于图像特征提出来说，目前最常用的是“卷积神经网络(Convolutional Neural Networks，CNN)”，但随着网络层数的增加，在网络训练过程中存在梯度消失的现象，影响网络的训练质量。ResNet通过增加一个简单的快捷连接(shortcut connection)，有效地解决了梯度下降地问题。
具体地，特征金字塔网络用于对ResNet提取的特征的实现不同尺度缺陷的检测，这种方法的优点是不仅能够表达不同尺度的特征，同时占用较少内存和计算资源。
具体地，区域候选网络用于对不同尺度的特征图上采用滑动窗口机制，每个滑动窗口都会提取一个特征向量，这些特征向量会被分别馈送到回归层和softmax层，分别预测多个边界框的坐标和每个所述框中目标对象的概率，即RPN通过预先设置候选区域的策略，以实现多目标同时检测类型、位置和大小。
实验人员用训练好的所述目标多目标多尺度识别深度学习模型对新拍摄的122张分辨率为1824×2736像素的图片进行测试，具体测试结果如表1所示。所述模型对5种缺陷类型的平均检测率为90％以上，每张图的平均检测时间为256ms。
表1模型测试结果
S103，将图像传感器实时获取的待检测板图片作为所述目标多目标多尺度识别深度学习模型的输入，得到多个缺陷识别结果；
S104，将所述多个缺陷识别结果输入人造板综合评级模块，得到该待检测板的定级。
具体地，所述多个缺陷识别结果输入人造板综合评级模块，得到该待检测板的定级的步骤包括：根据检测出的缺陷的类型、位置、面积、数量的至少一项，比照客户自定义的标准，将待检测板判定为等外品、合格品或优等品。
图3示出了本实用新型实施例提供的一种人造板表面缺陷的检测系统，包括检测平台模块、图像采集模块、图像分析模块。检测平台模块包括传送机构101，控制台102，安装支架103，图像采集模块包括光源201、光电传感器202、编码器203和摄像头204，图像分析模块包括上位计算机301、多目标多尺度识别神经网络系统、人造板综合评级系统。传送机构101用于在一定的方向上传送待检测板，控制台102上配置有多目标多尺度识别神经网络系统、人造板综合评级系统。安装支架103用于固定摄像头204，并用于调节摄像头204的位置，以实现摄像头204的校准。光电传感器202配置为当待检测板到达目的地时，光电传感器202给摄像头204传递信号，摄像头204开始拍摄待检测板，编码器203控制摄像头拍摄204的速度与传送机构101的速度同步。摄像头204将拍摄到的图片经过一定的处理后将数据发送给多目标多尺度识别神经网络系统，多目标多尺度识别神经网络系统用于对所述数据的识别，并得到待检测板的缺陷结果。其中。人造板综合评级系统用于将所述缺陷结果进行评级。
优选地，光源优选为线光源，可以保证木板上的多种缺陷被摄像头所捕获。
优选地，摄像头为线阵摄像头，便于快速地获取尺寸较大的人造板图像。
优选地，摄像头为多个，例如在人造板的上下方均设置一个或多个摄像头，用于同时获取人造板上下表面的图像，大大提高了检测效率。
优先地，安装支架还用于固定光源，为配合摄像头捕捉待检测板的图像。
本实用新型的技术效果如下：
(1)、通过高分辨率线阵摄像头高速采集图片，实现了人造板在线连续自动双面表面缺陷检测和评级，完全取代人工检板，减轻了工人的劳动强度；
(2)、多目标多尺度表面缺陷识别神经网络比其他现有算法有更好的鲁棒性和稳定性，将多目标多尺度表面缺陷识别神经网络运用到人造板表面缺陷检测中，提高了人造板表面缺陷自动检测准确率，经测试目前的表面缺陷识别准确率已达到90％以上，大大提高了人造板表面缺陷检测行业的效率。
本实用新型的方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本实用新型实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本实用新型实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only，Memory ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，仅为本实用新型实施例的具体实施方式，但本实用新型实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本实用新型实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本实用新型实施例的保护范围之内。因此，本实用新型实施例的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种人造板表面缺陷检测系统，包括检测平台模块、图像采集模块、图像分析模块，其特征在于：
所述检测平台模块包括传送机构，控制台，安装支架；
所述图像采集模块包括光源、光电传感器、编码器和摄像头；
所述图像分析模块包括上位计算机、多目标多尺度识别神经网络系统、人造板综合评级系统；
所述传送机构用于在一定的方向上传送待检测板，控制台上配置有多目标多尺度识别神经网络系统、人造板综合评级系统；
所述光电传感器配置为当所述待检测板到达目的地时，所述光电传感器给所述摄像头传递信号，所述摄像头开始拍摄待检测板，所述编码器控制所述摄像头拍摄的速度与传送机构的速度同步；
所述摄像头将拍摄到的图片经过一定的处理后将数据发送给所述多目标多尺度识别神经网络系统，所述多目标多尺度识别神经网络系统用于对所述数据的识别，并得到所述待检测板的缺陷结果；
所述人造板综合评级系统根据所述缺陷结果对所述待检测板进行定级。
2.如权利要求1所述的一种人造板表面缺陷检测系统，其特征在于：所述多目标多尺度识别神经网络系统是基于残差网络、特征金字塔网络、区域候选网络的深度学习模型。
3.如权利要求1或2所述的一种人造板表面缺陷检测系统，其特征在于：在所述待检测板的上下方均设置一个或多个摄像头，用于同时获取人造板上下表面的图像。
4.如权利要求1或2所述的一种人造板表面缺陷检测系统，其特征在于：所述安装支架用于固定所述摄像头，并用于调节所述摄像头的位置，以实现摄像头的校准。
5.如权利要求1或2所述的一种人造板表面缺陷检测系统，其特征在于：所述摄像头为线阵摄像头。
6.如权利要求1或2所述的一种人造板表面缺陷检测系统，其特征在于：所述光源为线光源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201921706752.4U CN210775265U (zh) | 2019-10-12 | 2019-10-12 | 一种人造板表面缺陷检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201921706752.4U CN210775265U (zh) | 2019-10-12 | 2019-10-12 | 一种人造板表面缺陷检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN210775265U true CN210775265U (zh) | 2020-06-16 |
Family
ID=71043635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201921706752.4U Expired - Fee Related CN210775265U (zh) | 2019-10-12 | 2019-10-12 | 一种人造板表面缺陷检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN210775265U (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110554052A (zh) * | 2019-10-12 | 2019-12-10 | 南宁市威锐康商贸有限公司 | 一种人造板表面缺陷检测方法及其系统 |
| CN113935415A (zh) * | 2021-10-14 | 2022-01-14 | 上海上实龙创智能科技股份有限公司 | 质量检测模型训练方法、装置、电子设备及存储介质 |
| CN114113106A (zh) * | 2021-11-12 | 2022-03-01 | 中冶赛迪技术研究中心有限公司 | 一种对连铸坯低倍结构质量进行自动评级的方法及系统 |
-
2019
- 2019-10-12 CN CN201921706752.4U patent/CN210775265U/zh not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110554052A (zh) * | 2019-10-12 | 2019-12-10 | 南宁市威锐康商贸有限公司 | 一种人造板表面缺陷检测方法及其系统 |
| CN113935415A (zh) * | 2021-10-14 | 2022-01-14 | 上海上实龙创智能科技股份有限公司 | 质量检测模型训练方法、装置、电子设备及存储介质 |
| CN114113106A (zh) * | 2021-11-12 | 2022-03-01 | 中冶赛迪技术研究中心有限公司 | 一种对连铸坯低倍结构质量进行自动评级的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
| CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
| CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
| CN210775265U (zh) | 一种人造板表面缺陷检测系统 | |
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN109724984B (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
| CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 | |
| CN102854192B (zh) | 一种基于苹果表面缺陷检测系统的苹果表面缺陷检测方法 | |
| CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
| CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
| CN106409711A (zh) | 一种太阳能硅晶片缺陷检测系统及方法 | |
| CN110246122A (zh) | 基于机器视觉的小型轴承质量检测方法、装置及系统 | |
| CN110403232B (zh) | 一种基于二级算法的烟支质量检测方法 | |
| CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
| CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN113222938A (zh) | 芯片缺陷检测方法及系统与计算机可读存储介质 | |
| CN104952754B (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
| CN102901735B (zh) | 利用计算机对工件缺损、裂变、变形进行自动检测的系统 | |
| CN202133624U (zh) | 磁环不合格品自动检测装置 | |
| CN110096980A (zh) | 字符检测识别系统 | |
| WO2023168984A1 (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 | |
| CN113158969A (zh) | 一种苹果外观缺陷识别系统及方法 | |
| CN118014933A (zh) | 一种基于图像检测的缺陷检测识别方法和装置 | |
| KR20080060851A (ko) | 목재표면의 결함검출방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200616 |