CN216955775U - 一种基于机器视觉的金属表面缺陷检测系统 - Google Patents

Abstract

本实用新型公开了一种基于机器视觉的金属表面缺陷检测系统，属于金属机械加工制造技术领域。该系统包括运动控制系统、光学成像系统以及图像处理系统，所述运动控制系统、光学成像系统以及图像处理系统均与工控机通过各自对应的通讯协议进行通讯连接，所述运动控制系统包括三维载物平台，所述三维载物平台采用龙门式三维运动结构，所述运动控制系统用于放置金属进行金属表面的缺陷检测。本实用新型通过改进光学检测手段、优化图像处理算法，使得检测精度高，检测速度快，检测稳定性高，重复性好，输出的检测结果稳定。

Description

一种基于机器视觉的金属表面缺陷检测系统

技术领域

本实用新型属于金属机械加工制造技术领域，具体而言，涉及一种基于机器视觉的金属表面缺陷检测系统。

背景技术

金属锻件在加热或者锻造过程中，由于加热速度过快产生热应力产生不均匀变形或存在内部缺陷等原因，导致锻件出现裂纹缺陷，有的锻件缺陷会影响后续工序的加工质量，有的则严重影响锻件的性能，降低所制成品件的使用寿命，甚至危及安全。同时，金属合金在高温加工过程中，表面缝隙缺陷区域会产生金属氧化物等杂质影响产品性能。

现有技术中，目前去除金属氧化物常用的方法是酸洗法和机械打磨法，酸洗法容易对人和环境造成危害，机械打磨需要人工对缺陷进行识别，误检率高、劳动强度大且效率比较低。为此，我们提出一种基于机器视觉的金属表面缺陷检测系统来解决上述问题。

实用新型内容

针对现有技术的不足，本实用新型提供了一种基于机器视觉的金属表面缺陷检测系统。

为实现上述目的，本实用新型提供如下技术方案：一种基于机器视觉的金属表面缺陷检测系统，包括运动控制系统、光学成像系统以及图像处理系统，所述运动控制系统、光学成像系统以及图像处理系统均与工控机通过各自对应的通讯协议进行通讯连接；

所述运动控制系统包括三维载物平台，所述三维载物平台采用龙门式三维运动结构，所述运动控制系统用于放置金属进行金属表面的缺陷检测；

所述光学成像系统包括基座，所述基座设置在三维载物平台的框架上，所述基座的表面上安装有面阵工业相机以及光学镜头，所述面阵工业相机的两侧分别安装有两个专用光源和光源耦合器以及控制光源的光源驱动器；所述光学成像系统用于在龙门式三维运动结构中的空间运动实现自动化金属全表面缺陷检测；

所述图像处理系统包括机器学习模型以及深度学习模型二者结合的缺陷检测模型算法，所述图像处理系统用于对光学成像系统采集到的数字图像进行处理，并完成金属表面的缺陷识别动作，输出缺陷检测结果。

进一步优化本技术方案，所述三维载物平台配置有三维载物平台控制器，所述三维载物平台控制器与工控机通过对应的通讯协议进行通讯连接，用于控制三维载物平台的运动状态。

进一步优化本技术方案，所述专用光源和光源耦合器之间通过传输光纤进行光纤连接，所述传输光纤选用SMA光纤连接器。

进一步优化本技术方案，所述光学成像系统中还配置有光源控制器和自动聚焦控制器，所述光源控制器用于对光源参数进行调节，所述自动聚焦控制器用于在检测过程中进行自动调节成像焦距。

进一步优化本技术方案，所述图像处理系统中的机器学习模型包括图像预处理、感兴趣区域提取，深度学习包括：参数初始化方法、过拟合以及模型框架建立；所述机器学习模型用于图像平滑去噪，增强缺陷与背景的对比度，提取缺陷离散点，并通过扩张算法连接同一条缺陷上的点，输出缺陷位置、长度及宽度信息。

进一步优化本技术方案，所述图像处理系统中的深度学习模型选择CSPDarknet53主干、SPP附加模块、PANET路径聚合Neck和基于锚点的头部作为该模型的体系结构，所述深度学习模型用于通过学习大量金属表面缺陷实验，使得系统提高缝隙缺陷的识别精度，为机器学习提供更精准的识别范围。

进一步优化本技术方案，所述图像处理系统中还配置有图像识别显示屏，所述图像识别显示屏用于显示当前采集的图像，标出缺陷所在的位置和类型，输出缺陷信息，包括缺陷的分布范围、最大宽度和缺陷的分类。

进一步优化本技术方案，所述光源驱动器采用型号为LEDD1B的驱动器控制LED光源强度，所述光源驱动器为使用Thorlabs直线测试和安装高功率LED封装，所述光源驱动器连接的LED由3种可选模式之一控制：连续模式、调制模式或触发模式。

进一步优化本技术方案，所述光学成像系统与运动控制系统通过对应的通讯协议与工控机连接，在专用光源的照明下通过光学镜头将产品表面特征成像于面阵工业相机上，光学信号转换为电信号，进而转为能被计算机识别并处理的数字信号，完成产品表面图像的采集工作。

进一步优化本技术方案，所述光学成像系统的表面上设置有保护外壳，所述保护外壳用于将包括基座、面阵工业相机以及光学镜头在内的光学成像系统进行外部保护。

与现有技术相比，本实用新型提供了一种基于机器视觉的金属表面缺陷检测系统，具备以下有益效果：

(1)该基于机器视觉的金属表面缺陷检测系统，通过改进光学检测手段、优化图像处理算法，检测精度高，达到检测缺陷的最小尺寸为0.05mm；检测速度快，平均每幅图像的识别时间为0.08ms；检测稳定性高，重复性好，输出的检测结果稳定。

(2)该基于机器视觉的金属表面缺陷检测系统，通过设计自动规划检测路径的方式，用户只需要输入检测工件尺寸信息，系统自动规划检测路径，提高检测效率。

(3)该基于机器视觉的金属表面缺陷检测系统，自动光源规避外界环境光线干扰，在面阵工业相机的两侧各有一个自动激光光源，方便在检测时可根据采集照片的清晰度自动调节光线的强弱，使获得的图像信息具有真实性。

(4)该基于机器视觉的金属表面缺陷检测系统，对工作环境的要求不高，适用温度范围-10℃～+50℃、耐噪声、对粉尘度没有严格的要求；检测结果数据具有传输性，可以为自动化修磨缺陷提供准确的数据依据，提高生产效率，检测获得的信息量是全面且可追溯的，相关信息可以很方便的集成和留存，可以随时查阅。

附图说明

图1为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统的结构示意图；

图2为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统中的三维载物平台的结构示意图；

图3为图2中的A部局部放大结构示意图；

图4为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统中的光学成像系统的结构示意图；

图5为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统中的光学成像系统的主视图；

图6为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统中的光学成像系统的左视图；

图7为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统的系统框图；

图8为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统的检测流程示意图；

图9为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统的自动规划检测路径图；

图10为本实用新型提出的一种基于机器视觉的金属表面缺陷检测系统的检测结果界面图。

图中：1、基座；2、面阵工业相机；3、光学镜头；4、专用光源；5、光源耦合器；6、光源驱动器；7、传输光纤；8、工控机；9、三维载物平台；10、保护外壳。

具体实施方式

下面将结合本实用新型的实施例，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，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，都属于本实用新型保护的范围。

实施例一：

请参阅图1-3，一种基于机器视觉的金属表面缺陷检测系统，包括运动控制系统、光学成像系统以及图像处理系统，所述运动控制系统、光学成像系统以及图像处理系统均与工控机8通过各自对应的通讯协议进行通讯连接；

所述运动控制系统包括三维载物平台9，所述三维载物平台9采用龙门式三维运动结构，所述运动控制系统用于放置金属进行金属表面的缺陷检测；

请参阅图4-6，所述光学成像系统包括基座1，所述基座1设置在三维载物平台的框架上，所述基座1的表面上安装有面阵工业相机2以及光学镜头3，所述面阵工业相机2的两侧分别安装有两个专用光源4和光源耦合器5以及控制光源的光源驱动器6；所述光学成像系统用于在龙门式三维运动结构中的空间运动实现自动化金属全表面缺陷检测；

光学成像系统设计专用的照明系统，提高金属表面缝隙缺陷的对比度，抑制金属表面打磨划痕的对比度，并且通过光源控制器对光源参数进行自动调节，使获得的图像信息具有真实性达到最佳检测成像效果，对每个检测单元表面图像进行静态采集，然后将采集到的图像转化为数字信号传送给图像处理系统。

所述图像处理系统包括机器学习模型以及深度学习模型二者结合的缺陷检测模型算法，所述图像处理系统用于对光学成像系统采集到的数字图像进行处理，并完成金属表面的缺陷识别动作，输出缺陷检测结果。

具体的，所述三维载物平台9配置有三维载物平台控制器，所述三维载物平台控制器与工控机8通过对应的通讯协议进行通讯连接，用于控制三维载物平台9的运动状态。

具体的，所述专用光源4和光源耦合器5之间通过传输光纤7进行光纤连接，所述传输光纤7选用SMA光纤连接器。

具体的，所述光学成像系统中还配置有光源控制器和自动聚焦控制器，所述光源控制器用于对光源参数进行调节，所述自动聚焦控制器用于在检测过程中进行自动调节成像焦距。

具体的，所述图像处理系统中的机器学习模型包括图像预处理、感兴趣区域提取，深度学习包括：参数初始化方法、过拟合以及模型框架建立；所述机器学习模型用于图像平滑去噪，增强缺陷与背景的对比度，提取缺陷离散点，并通过扩张算法连接同一条缺陷上的点，输出缺陷位置、长度及宽度信息。

具体的，所述图像处理系统中的深度学习模型选择CSPDarknet53主干、SPP附加模块、PANET路径聚合Neck和基于锚点的头部作为该模型的体系结构，所述深度学习模型用于通过学习大量金属表面缺陷实验，使得系统提高缝隙缺陷的识别精度，为机器学习提供更精准的识别范围。

具体的，所述图像处理系统中还配置有图像识别显示屏，所述图像识别显示屏用于显示当前采集的图像，标出缺陷所在的位置和类型，输出缺陷信息，包括缺陷的分布范围、最大宽度和缺陷的分类。

具体的，所述光源驱动器6采用型号为LEDD1B的驱动器控制LED光源强度，所述光源驱动器6为使用Thorlabs直线测试和安装高功率LED封装，所述光源驱动器6连接的LED由3种可选模式之一控制：连续模式、调制模式或触发模式。

具体的，所述光学成像系统与运动控制系统通过对应的通讯协议与工控机8连接，在专用光源4的照明下通过光学镜头3将产品表面特征成像于面阵工业相机2上，光学信号转换为电信号，进而转为能被计算机识别并处理的数字信号，完成产品表面图像的采集工作。

具体的，所述光学成像系统的表面上设置有保护外壳10，所述保护外壳10用于将包括基座1、面阵工业相机2以及光学镜头3在内的光学成像系统进行外部保护。

实施例二：

采用实施例一所述的一种基于机器视觉的金属表面缺陷检测系统进行试验操作，如图7所示，光学成像系统与运动控制系统通过对应的通讯协议与工控机连接，其作用是在光源的照明下通过光学镜头将产品表面特征成像于相机传感器上，光学信号转换为电信号，进而转为能被计算机识别并处理的数字信号，完成产品表面图像的采集工作。图像处理系统主要涉及对采集到的图像进行图像去噪、图像增强与复原、缺陷的检测与对比、目标分割。通过以上方法将图像像素中提取可以描述目标特征的表达量、把不同目标间的差异映射到低维度的特征空间，从而有利于压缩数据量，提高识别率。表面缺陷检测通常提取的特征有几何特征、纹理特征、颜色特征等。再根据提取的特征集来训练分类器，将图像与标准图像进行数据对比，使其对表面缺陷的类型进行正确的分类识别。并即时显示缺陷类型、位置、形状、大小，并对缺陷检测的结果进行统计、储存，方便随时查阅和信息交流。

系统在使用时，运动控制系统带动光学成像系统到达面阵工业相机2最佳拍照位置。面阵工业相机2采用Edmund面阵acA1300-200um Basler ace USB 3.0相机，带有一个PYTHON 1300ON Semiconductor单色CMOS传感器，能在1.3MP分辨率下实现203帧/秒的帧速率，搭配0.16x银系远心光学镜头3，远心度＜0.1°、双面远心设计、高光通量，非常适用于需要精确测量的在线和离线机器视觉生产应用。面阵工业相机2两侧采用两个红色的专用光源4形成的专用照明系统，专用光源4通过SMA光纤连接器将光纤连接至光源耦合器5，Thorlabs的M625F2光纤耦合LED的标称波长为625nm，输出功率超过13.2mW电源，光源驱动器6控制LED光源强度，为使用Thorlabs直线测试和安装高功率LED封装，连接的LED由3种可选模式之一控制：连续模式、调制模式或触发模式。通过光源驱动器6对光源强度可以进行自动调节，规避外界环境光线干扰，方便在检测时可根据采集照片的清晰度自动调节光线的强弱，使获得的图像信息具有真实性消除了自然光对检测系统的干涉，达到最佳检测成像效果。

系统的检测如图8所示，初次检测需对检测系统进行初始化操作，光学成像系统移动至用户原点。在工控机的操作界面输入待检产品的样品参数，包括编号、尺寸等，自动聚焦完成后，检测系统可以通过操作界面自定义扫描路径，也可以根据光学成像系统的检测区域和待检产品的样品参数自动规划检测路径，自动路径如图9所示，光学成像系统从用户原点开始进行单元化的自动移动，在每个检测单元停留0.2s，停留期间光学成像系统对待测产品的表面图像进行静态采集，然后将采集到的图像转化为数字信号传送到图像处理系统中。

图像识别显示屏显示当前采集的图像，标出缺陷所在的位置和类型；输出缺陷信息，包括缺陷的分布范围、最大宽度和缺陷的分类，检测结果如图10所示，工控机的操作界面包括光源参数显示，运动控制软件，检测图像结果以及检测结果参数。检测系统获得的信息量是全面且可追溯的，相关信息可以很方便的集成和留存，在工控机的操作界面可以随时查阅，另外检测结果也会保存为图像和表格文档作为检测结果备份。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本实用新型的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管已经示出和描述了本实用新型的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本实用新型的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本实用新型的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于机器视觉的金属表面缺陷检测系统，其特征在于，包括运动控制系统、光学成像系统以及图像处理系统，所述运动控制系统、光学成像系统以及图像处理系统均与工控机(8)进行通讯连接；

所述运动控制系统包括三维载物平台(9)，所述三维载物平台(9)采用龙门式三维运动结构；

所述光学成像系统包括基座(1)，所述基座(1)设置在三维载物平台的框架上，所述基座(1)的表面上安装有面阵工业相机(2)以及光学镜头(3)，所述面阵工业相机(2)的两侧分别安装有两个专用光源(4)和光源耦合器(5)以及控制光源的光源驱动器(6)。

2.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述三维载物平台(9)配置有三维载物平台控制器，所述三维载物平台控制器与工控机(8)进行通讯连接，控制三维载物平台(9)的运动状态。

3.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述专用光源(4)和光源耦合器(5)之间通过传输光纤(7)进行光纤连接，所述传输光纤(7)选用SMA光纤连接器。

4.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述光学成像系统中还配置有光源控制器和自动聚焦控制器。

5.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述图像处理系统中的机器学习模型包括图像预处理、感兴趣区域提取以及深度学习。

6.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述图像处理系统中的深度学习模型选择CSPDarknet53主干、SPP附加模块、PANET路径聚合Neck和基于锚点的头部作为该模型的体系结构。

7.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述图像处理系统中还配置有图像识别显示屏。

8.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述光源驱动器(6)采用型号为LEDD1B的驱动器控制LED光源强度，所述光源驱动器(6)为使用Thorlabs直线测试和安装高功率LED封装。

9.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述光学成像系统与运动控制系统与工控机(8)连接，专用光源(4)通过光学镜头(3)将产品表面特征成像于面阵工业相机(2)上。

10.根据权利要求1所述的一种基于机器视觉的金属表面缺陷检测系统，其特征在于，所述光学成像系统的表面上设置有保护外壳(10)。

Images