CN111558542A - 一种陶瓷瓦表面质量在线检测分拣***及方法 - Google Patents
一种陶瓷瓦表面质量在线检测分拣***及方法 Download PDFInfo
- Publication number
- CN111558542A CN111558542A CN202010586640.0A CN202010586640A CN111558542A CN 111558542 A CN111558542 A CN 111558542A CN 202010586640 A CN202010586640 A CN 202010586640A CN 111558542 A CN111558542 A CN 111558542A
- Authority
- CN
- China
- Prior art keywords
- ceramic tile
- module
- sorting
- conveying belt
- detection
- 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.)
- Withdrawn
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明公开了一种陶瓷瓦表面质量在线检测分拣***及方法,检测分拣***包括输送皮带、安装在输送皮带上的成像模块,与成像模块连接设置的识别预测模块,以及与识别预测模块连接设置的分拣模块,分拣模块位于成像模块输出侧;成像模块用于获取陶瓷瓦图像,并将陶瓷瓦图像传输至识别预测模块,识别预测模块用于对陶瓷瓦图像进行陶瓷瓦面型、颜色和/或表面瑕疵的识别,将识别结果根据预设条件对陶瓷瓦进行分类,并将分类结果传输至分拣模块;分拣模块根据接收到的分类结果将陶瓷瓦从输送皮带上卸至对应分类。本发明具有能够对陶瓷瓦的颜色、面型以及瑕疵进行快速检测,能对陶瓷瓦进行自动分拣,有利于提升企业线生产效率等优点。
Description
技术领域
本发明涉及陶瓷瓦表面质量检测分拣技术领域,特别的涉及一种陶瓷瓦表面质量在线检测分拣***及方法。
背景技术
陶瓷瓦属于一种屋顶建筑材料,通常呈长方形,尺寸在400mmX300mm左右,瓦体的正面有纵向的凹槽,瓦型及颜色有多种,瓦型包括波浪状或阶梯状,且正面有不同的纹理。生产这种陶瓷瓦与其它的陶瓷产品一样,需要经过成型、烧结、施釉等工艺,期间由于各种原因会带来陶瓷瓦出现一些瑕疵,如缺角、裂纹、划痕、鼓包、缺釉、多釉等,严重影响产品的质量。陶瓷瓦在下线打包前,必须对其表面的瑕疵进行检查,并根据瑕疵的类型、数量和程度拣选为不合格品、优等品和一等品。此外,为防止在打包时出现不同颜色、不同面型的陶瓷瓦的混叠打包现象,也需求在打包前完成陶瓷瓦的颜色和面型识别判断,将不属于该面型或颜色的陶瓷瓦判定为不合格,不参与后续的打包。
传统的陶瓷瓦生产制造中,由于技术水平的局限,通常采用人工检测分拣的方式,单纯靠肉眼观察来识别陶瓷瓦表面的质量,然后再人工拣选分类。该方式存在明显的局限性:检测陶瓷瓦速度慢、效率低;劳动密集、人工成本高;主观性强、易疲劳、漏检率高;检测精度低、无法定量、误检率高;企业投入与实际产出不平衡;重复性劳动招工难。
目前,公开(公告)号为CN110296997A的中国专利公开“基于机器视觉的陶瓷瓦缺陷检测方法及装置”,采用传统图像处理方法,利用获得图像的灰度图进行目标分割和缺陷检测。由于陶瓷瓦颜色的差异导致其表面反射率的差异,使得在成像时亮度的差异带来了不同陶瓷瓦灰度图的差异,在做分割和缺陷检测时需要针对不同颜色的陶瓷瓦人为设置不同算法和阈值,方法健壮性差,速度慢。另外,该专利采用工控机中多CPU进行并行计算,由于图像为多维矩阵浮点数据,GPU进行图像滤波处理速度远高于CPU。
另外,该专利中将光源和相机同时针对陶瓷瓦表面成像,成像结果中将出现大量的反光和挡光区域(见其附图1),反光区域带来最大灰度值,若该区域有缺陷,则无法检测出来的,同理挡光暗区也无法检测出来。因此,存在大量的缺陷漏检现象,准确度低。另外,利用该专利方法仅仅能检测出合格品和废品的陶瓷瓦,分类精度低,不利于企业降低生产成本。
另有公开号为CN110715935的中国专利公开了“一种陶瓷缺陷检测设备及方法”,该方法仅适用于尺寸不小于1mX1m的陶瓷砖,无法兼容小尺寸的陶瓷瓦检测;另外,采用线阵相机与编码器同步方式随时间序列获取陶瓷瓦的图像,要完成缺陷检测需要对图像进行拼接融合,一方面处理速度相对较低,而且图像拼接的误差会影响到后面缺陷检测的精度。
同时,现有的检测与分拣***集成度低、现场适用性差。且无法对颜色和面型进行检测,生产线上自动打包易出现混叠现象,现场适用性差。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种结构设计合理,能够对陶瓷瓦的颜色、面型以及瑕疵进行快速检测,能对陶瓷瓦进行自动分拣,有利于提升企业线生产效率的陶瓷瓦表面质量在线检测分拣***。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种陶瓷瓦表面质量在线检测分拣***,其特征在于,包括用于输送陶瓷瓦的输送皮带、在线安装在所述输送皮带上的成像模块,与所述成像模块连接设置的识别预测模块,以及与所述识别预测模块连接设置的分拣模块,所述分拣模块位于所述成像模块输出侧;所述成像模块用于拍照获取陶瓷瓦图像,并将获取的陶瓷瓦图像传输至所述识别预测模块,所述识别预测模块用于对陶瓷瓦图像进行陶瓷瓦面型、颜色和/或表面瑕疵的识别,将识别结果根据预设条件对陶瓷瓦进行分类,并将分类结果传输至所述分拣模块;所述分拣模块根据接收到的分类结果将陶瓷瓦从输送皮带上卸至对应分类。
采用上述***,识别预测模块对陶瓷瓦进行识别和分类后,分拣模块就能够根据该图像所对应的陶瓷瓦的分类将陶瓷瓦根据对应分类从输送皮带上卸下,实现对陶瓷瓦的自动分拣,从而可以大大提高陶瓷瓦的分拣效率,提升企业线生产效率。同时,由于识别预测模块在对陶瓷瓦图像进行识别时,还对陶瓷瓦的颜色和面型进行识别,从而可以避免打包出现混叠现象。
进一步的,所述成像模块包括用于探测陶瓷瓦的位置检测单元、用于补光的光源、用于拍照的X+成像单元和X-成像单元;所述X+成像单元和X-成像单元分别布置在所述输送皮带宽度方向上的两侧,且二者均斜向下朝向所述输送皮带,使所述X+成像单元和X-成像单元的拍照区域相互衔接;所述位置检测单元和光源位于所述X+成像单元和X-成像单元之间,所述位置检测单元位于所述输送皮带宽度方向上的中部位置,且所述光源位于所述位置检测单元的正上方。
采用上述结构,将位置检测单元设置在X+成像单元和X-成像单元之间,且在输送皮带的中部,一旦探测到陶瓷瓦,就可以同步触发光源、X+成像单元和X-成像单元进行闪光和曝光成像。由于光源位于位置检测单元的正上方,而X+成像单元和X-成像单元从两侧斜向下对输送皮带上的陶瓷瓦进行拍照,从而可以有效避免光照引起陶瓷瓦表面反光带来的检测盲区,进而可以提高检测的准确性和检测精度。另外,由于X+成像单元和X-成像单元的拍照区域相互衔接,从而可以保证成像单元能够获取到完整的陶瓷瓦图像,从而可以避免漏检区域。
进一步的,所述成像模块的输入侧具有对称设置在所述输送皮带宽度方向两侧的X+对中机构和X-对中机构,所述X+对中机构和X-对中机构相对的一侧构成“八”字形的导向部,所述导向部背离所述成像模块一侧的宽度与所述输送皮带的宽度相匹配,且朝向所述成像模块一侧的宽度与陶瓷瓦的最大宽度相匹配。
这样,通过“八”字形的导向部,就可以将输送皮带上的陶瓷瓦全部向输送皮带的中部校正,而由于X+成像单元和X-成像单元对称设置,一旦陶瓷瓦由输送皮带输送到成像模块之后,X+成像单元和X-成像单元就能够对陶瓷瓦均分成像,有利于后期识别预测模块的快速和准确识别。
进一步的,所述分拣模块包括设置在所述输送皮带侧部的不合格品分拣模块和一等品分拣模块,所述不合格品分拣模块和一等品分拣模块均包括沿所述输送皮带宽度方向设置的伸缩机构,所述伸缩机构到所述输送皮带的高度小于陶瓷瓦的最小厚度。
这样,不合格品分拣模块和一等品分拣模块就可以根据接收到的分类结果,分别通过伸缩机构将输送皮带上不合格的陶瓷瓦和一等品的陶瓷瓦推出输送皮带,实现对陶瓷瓦的分拣。由于伸缩机构到输送皮带的高度小于陶瓷瓦的最小厚度,就可以保证伸缩机构能够可靠地将陶瓷瓦从输送皮带上推出。
进一步的,所述不合格品分拣模块和一等品分拣模块还包括在输送皮带宽度方向上与所述伸缩机构对应设置的不合格品位置检测单元和一等品位置检测单元,所述不合格品位置检测单元和一等品位置检测单元用于检测陶瓷瓦,且均布置在所述输送皮带宽度方向的中部。
这样,识别预测模块发送分类结构至分拣模块后,分拣模块就可以让对应分类上的不合格品位置检测单元或一等品位置检测单元上电,准备对输送皮带上的陶瓷瓦进行检测,一旦感应到陶瓷瓦到达之后,就可以通过对应的伸缩机构将陶瓷瓦推出输送皮带。
进一步的,所述成像模块的输出侧依次设置有所述不合格品分拣模块和一等品分拣模块,所述一等品分拣模块的推出侧衔接设置有用于输送一等品陶瓷瓦的输送皮带,两个所述输送皮带并排设置。
进一步的,所述识别预测模块包括工控机和显示器,所述成像模块通过千兆网接口与识别预测模块进行数据连接;所述不合格品分拣模块和所述一等品分拣模块通过工业总线与所述识别预测模块进行数据通信和控制连接;所述陶瓷瓦面型包括波浪状或阶梯状;所述陶瓷瓦颜色包括黑色、青色、红色、蓝色或灰色;所述表面瑕疵包括缺角、裂纹、划痕、鼓包、缺釉、多釉。
一种陶瓷瓦表面质量在线检测分拣方法,其特征在于,先获取如上所述的陶瓷瓦表面质量在线检测分拣***,再采用如下步骤进行检测分拣:
S1:通过成像模块采集陶瓷瓦图像,人工标记出陶瓷瓦颜色、面型以及表面瑕疵的标签;
S2:利用深度学习模型SSD单步多框检测器构建颜色、面型及表面瑕疵识别预测的多尺度检测网络模型;
S3:结合步骤S1和步骤S2得到的标签和预测模型,反复训练优化模型的结构参数,得到最优的预测网络模型;
S4:结合步骤S3,对成像模块采集的陶瓷瓦图像进行实时并行检测,同时找出颜色、面型及瑕疵的最优定位位置和分类置信度值;
S5:利用关键区域检测算法提取陶瓷瓦为识别关键区域;
S6:结合步骤S4和步骤S5,排除关键区域外的颜色、面型及瑕疵,直接输出陶瓷瓦上的颜色、面型及瑕疵定位位置和分类结果,将不合格品陶瓷瓦识别出来;
S7:结合步骤S6识别出的合格品陶瓷瓦,再利用设定的分类阈值,自动将其分为一等品和优等品。
进一步的,所述SSD单步多框检测器采用VGG16作为基础模型,并新增卷积层获得多尺度的特征图用于分类和定位,采用非极大值抑制算法剔除重叠度和边框定位误差都较大的预测定位边框,将剩余的预测定位边框作为目标检测边框,并将目标检测边框内的特征所对应的置信度值作为分类结果。
进一步的,所述成像模块还包括呈矩形围合设置的侧壁,所述侧壁的内表面为深色;所述输送皮带上设置有用于托放陶瓷瓦的背景底板,所述输送皮带和背景底板的表面为浅色;所述关键区域检测算法包括如下步骤:先将背景底板及输送皮带与深色侧壁分割开,再从背景底板及输送皮带的浅色背景中将陶瓷瓦分割出来作为关键区域。
与现有技术相比,本发明的有益效果为:本发明利用深度网络模型将陶瓷瓦表面质量检测与分拣有机机结合,同时将一块陶瓷瓦图像分别由两个成像单元获取,有效解决了反光区和挡光区的影响,提升了陶瓷瓦成像的图像质量,形成了可用于企业生产线上打包前的陶瓷瓦质量检测及分拣打包装置和方法,其实时性好、速度快、准确度高、适用性广、检测精度高,且可定义多分类和分拣,以智能检测与自动分拣为创新,可无人值守运行。解决了企业现有生产瓶颈,降低了企业的生产成本,提升企业产品的市场竞争力。
附图说明
图1为本发明的一种陶瓷瓦表面质量在线检测分拣装置实施例的整体构成示意图;
图2为本发明实施例中成像模块结构示意图;
图3为图2的俯视图;
图4为本发明的一种陶瓷瓦表面质量在线检测分拣方法实施例的流程图;
图5和图6为本发明实施例中一块陶瓷瓦分别由X+成像单元和X-成像单元获得的示例图像;
图7和图8为本发明实施例中不合格品陶瓷瓦图像;
图9和图10为本发明实施例中优等品陶瓷瓦图像;
图11和图12为本发明实施例中一等品陶瓷瓦图像;
附图标记:1输送皮带;10成像模块;20识别预测模块;30不合格品分拣模块;40一等品分拣模块;50待检陶瓷瓦;11光源;12 X+成像单元;13 X-成像单元;14位置检测单元;15 X+对中机构;16 X-对中机构;31不合格品位置检测单元;32不合格品陶瓷瓦;41一等品位置检测单元;42一等品陶瓷瓦。
具体实施方式
下面结合实施例对本发明作进一步的详细说明。
具体实施时:如图1所示,一种陶瓷瓦表面质量在线检测分拣装置,其特征在于包括:成像模块10、识别预测模块20、不合格品分拣模块30和一等品分拣模块40。所述成像模块10在线安装在陶瓷瓦自动打包输送皮带1上,通过位置检测单元14获取待检陶瓷瓦50到位信号,同步触发光源11、X+成像单元12以及X-成像单元13的闪光和曝光成像,从而获取线上运行的待检陶瓷瓦50完整视觉图像,实时将图像传输给识别预测模块20;所述识别预测模块20通过颜色分类器、面型分类器及各种瑕疵分类器并行检测实现特征定位和分类,识别出陶瓷瓦类型和瑕疵,并将结果实时传输给不合格品分拣模块30和一等品分拣模块40;所述不合格品分拣模块30根据识别预测模块20输出的结果及不合格品位置检测单元31检测到不合格品陶瓷瓦32到位信号,快速执行X-方向的水平运动将其从输送皮带上1推出;所述一等品分拣模块40根据识别预测模块20输出的结果及一等品位置检测单元41检测到一等品陶瓷瓦42到位信号,快速执行X-方向的水平运动将其从输送皮带上1推出移动到一等品打包输送皮带1上;所述陶瓷瓦表面质量在线检测分拣装置通过不合格品分拣模块30和一等品分拣模块40将自动打包输送皮带1上不合格品陶瓷瓦32和一等品陶瓷瓦42分拣出去,保留了优等品陶瓷瓦继续在输送皮带1运行,最终完成优等品打包。
图2为本发明实施例中成像模块布置位置示意图,其中图2为其正视图,图3为其俯视图。所述的成像模块10包括位置检测单元14、光源11、X+成像单元12以及X-成像单元13。检测单元14和光源11在输送皮带移动Y+方向上,且位于成像模块10的正中心。实施例中检测单元14和光源11共线且位于成像模块10的X轴与Y轴的中心,检测单元14位于底部,光源11位于顶部。X+成像单元12和X-成像单元13分别位于成像模块10内部与输送皮带1运行X方向垂直的Y方向上,成镜像对称布置,且与X方向保持一定夹角,使得待检陶瓷瓦50正好被X+成像单元12和X-成像单元13均分成像获取,有效避免光照引起陶瓷瓦表面反光带来的检测盲区。实施例中X+成像单元12和X-成像单元13与X轴夹角均为50°,由彩色面阵CCD和工业镜头组成。其中彩色面阵CCD分辨率为:2448X2048,像素大小为3.45μm。检测单元14、光源11、X+成像单元12以及X-成像单元13位于同一平面内。工业镜头焦距为12mm,光圈1:1.6-22,可用于尺寸400mmX300mm左右的陶瓷瓦成像,成像模块10还包括有陶瓷瓦X+对中机构15和X-对中机构16,分别由5个尼龙导轮组成,且呈“八”字结构,开口尺寸为480mm,收口尺寸为420mm。保证输送皮带1上待检陶瓷瓦50以成像模块10X方向中心姿态进入。
所述识别预测模块20由工控机和显示器组成,功能上主要包括特征(颜色、面型、瑕疵)定位及特征(颜色、面型、瑕疵)分类。通过千兆网接口与成像模块10进行图像数据传输,通过工业总线与不合格品分拣模块30、一等品分拣模块40进行数据通信及控制,实施例中采用RS485方式实现信号通信。所述并行检测利用工控机GPU中多CUDA模块实现,实施例中工控机GPU采用Nvidia GTX1050Ti。所述陶瓷瓦瑕疵主要包括缺角、裂纹、划痕、鼓包、缺釉、多釉。所述陶瓷瓦面型主要涉及瓦型,具体包括波浪状或阶梯状;所述陶瓷瓦颜色主要包括但不限于黑色、青色、红色、蓝色、灰色。
所述的不合格品分拣模块30快速执行X-方向的水平运动将检测识别为不合格陶瓷瓦32推出,达到分拣功能。实施例中,在输送皮带1旁边设置容器用于不合格陶瓷瓦32的收纳。其中的不合格品陶瓷瓦32定义为:颜色、面型不属于同一类的陶瓷瓦或属于同一类的陶瓷瓦但瑕疵特征尺度超过定义的阈值范围,本实施例中定义不合格品瑕疵阈值分别为:
①裂纹划痕:长度>5mm,宽度>1mm;
②缺角、鼓包、缺釉、多釉:面积>75mm2。
执行X-方向的水平运动的方式可以是气动或电动,如电动推杆或气缸等;本实施例中输送皮带1运行速度为700mm/s,采用34型双作用气缸直接输出X方向直线运动,行程为450mm。通过双线圈5位2通电磁阀实现快速换向,外加节流阀调速实现气缸活塞杆的快速动作,达到动作速度750mm/s。
所述的一等品分拣模块40快速执行X-方向的水平运动将检测识别为一等品瓷瓦42推送到一等品打包输送皮带上,达到分拣功能。其中的一等品定义为属于同一类的陶瓷瓦但瑕疵特征尺度超过定义的阈值范围,本实施例中定义一等品瑕疵阈值分别为:
③裂纹、划痕:2mm<长度<5mm,0.5mm<宽度<1mm;
④缺角、鼓包、缺釉、多釉:10mm2<面积<75mm2。
执行X-方向的水平运动的方式可以是气动或电动。本实施例中输送皮带1运行速度为700mm/s,采用34型双作用气缸直接输出X方向直线运动,行程为450mm。通过双线圈5位2通电磁阀实现快速换向,并外加节流阀调速实现气缸活塞杆的快速动作,达到动作速度750mm/s。
如图4为本发明的一种陶瓷瓦表面质量在线检测分拣方法实施例的流程图,一种陶瓷瓦表面质量在线检测分拣方法,其特征在于包括以下具体步骤:
步骤1:通过成像模块10采集陶瓷瓦图像,人工标记出陶瓷瓦的颜色、面型及各种类别瑕疵;
步骤2:利用深度学习模型SSD单步多框检测器构建颜色、面型及瑕疵识别预测的多尺度检测网络模型;
步骤3:结合步骤1和2得到的标签和预测模型,反复训练优化模型的结构参数,得到最优的预测网络模型;
步骤4:结合步骤3,对成像模块10采集的陶瓷瓦图像进行实时并行检测,同时找出颜色、面型及瑕疵的最优定位位置和分类置信度值;
步骤5:利用关键区域检测算法提取陶瓷瓦为识别关键区域;
步骤6:结合步骤4和5,排除关键区域外的颜色、面型及瑕疵,直接输出陶瓷瓦上的颜色、面型及瑕疵定位位置和分类结果,将不合格品陶瓷瓦识别出来;
步骤7:结合步骤6识别出的合格品陶瓷瓦,再利用设定的分类阈值,自动将其分为一等品和优等品。
本实施例中输送皮带1运行速度为700mm/s,为捕获陶瓷瓦高速运动图像采用了全局曝光工业高速CCD,采集图像时,X+成像单元12以及X-成像单元13设置的曝光时间均为1.2ms,增益为2倍。光源11为阵列式高亮LED,亮度超过[email protected],光源发散角度为45°,保证在0.5m距离照明覆盖直径超过700mm,确保陶瓷瓦整个面积能被光源照明。
所述采集的陶瓷瓦图像由两部分组成,分别为X+成像单元12以及X-成像单元13图像。如图5和图6为本发明实施例中一块陶瓷瓦分别由X+成像单元12和X-成像单元13获得的示例图像,其中图5为X+成像单元12获取的图像,图6为X-成像单元13获取的图像。显然的:该2张图像合成为一整块陶瓷瓦图像。标记陶瓷瓦的颜色包括但不限于黑色、青色、红色、蓝色、灰色;所述标记陶瓷瓦的面型包括正面的纹理和截面形状;所述标记陶瓷瓦的瑕疵包括缺角、裂纹、鼓包、缺釉、多釉,并量化出各种瑕疵特征尺度,如缺角面积、裂纹宽度和长度、鼓包面积、少釉面积、多釉面积。本实施例中利用LabelImg完成300块陶瓷瓦共计600张照片的标记,图像标注以PASCAL VOC格式保存成XML文件,具体标注的面型包括波浪状和阶梯状,竖条纹和交叉网格纹理,如图5和6中501a为竖条纹,501b为波浪状截面,图5、6为阶梯状截面,交叉网格纹理。
所述SSD单步多框检测器采用VGG16作为基础模型,再新增了卷积层获得多尺度的特征图以用于分类和定位。采用非极大值抑制算法剔除重叠度和边框定位误差都较大的预测定位边框,最后剩余的就是目标检测边框,同时预测出定位边框内特征对应的置信度就是分类结果。本实施例中对VGG16模型进行了简化,具体将其中的全连接层FC6和FC7转换成3X3卷积层conv6和1X1卷积层conv7,同时将池化层pool5由原来的stride=2的2X2变成stride=1的3X3,简化了特征图大小且提高了计算速度。后面新增了6个卷积层,分别提取出6个不同尺度的特征图同时用于分类和定位预测。从卷积视野这个角度理解,网络越到深层,卷积操作相对于原始输入图像的卷积视野的尺寸就是越大的,一些小目标的特征就会被慢慢弱化掉,留下的是一些比较大的目标特征。因而,将6个不同尺度的特征图输入到分类网络中的做法是很有实用效果,其实时性和检测精确度均大大提高。
所述关键区域检测算法实现陶瓷瓦图像从背景中分割,本实施例中,成像模块10还包括呈矩形围合设置的侧壁,所述侧壁的内表面为深色,具体为黑色;所述输送皮带和背景底板的表面为浅色,具体为白色;获得的陶瓷瓦图像中:陶瓷瓦背景底板(输送皮带)为白色,四周侧壁为黑色。通过定位分割先实现背景底板与周围侧壁的分割,再利用陶瓷瓦在背景底板及输送皮带上进行二次前景提取,从白色底板中将陶瓷瓦分割出来作为关键区域。本实施例中对图像进行二值分割时分割阈值th=127,得到分割二值图bin0;然后对bin0反色处理,得到二值分割图bin1;分别对bin0、bin1进行白色连通区域计算,先定位找出白色底板轮廓,再定位找出陶瓷瓦轮廓。
bin1=255-bin0
所述人为设定的分类阈值是按照缺角、鼓包、缺釉和多釉的面积以及裂纹宽度和长度量化定义,当分别设定这些特征尺度大于某阈值时定义为一等品;小于某阈值时定义为优等品。图7-12为本发明实施例中检测出的不合格品、优等品和一等品陶瓷瓦图像,图7和图8中检测的陶瓷瓦缺陷为裂纹,其长度为88.12mm,宽度为12.74mm,超过设定的阈值,结果输出为不合格品;图9和图10中的陶瓷瓦未检测到缺陷,输出为合格品;图11和图12中检测的陶瓷瓦缺陷为划痕,其长度为3.72mm,宽度为0.67mm,结果输出为一等品。
以上所述仅为本发明的较佳实施例而已,并不以本发明为限制,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种陶瓷瓦表面质量在线检测分拣***,其特征在于,包括用于输送陶瓷瓦的输送皮带(1)、在线安装在所述输送皮带(1)上的成像模块(10),与所述成像模块(10)连接设置的识别预测模块(20),以及与所述识别预测模块(20)连接设置的分拣模块,所述分拣模块位于所述成像模块(10)输出侧;所述成像模块(10)用于拍照获取陶瓷瓦图像,并将获取的陶瓷瓦图像传输至所述识别预测模块(20),所述识别预测模块(20)用于对陶瓷瓦图像进行陶瓷瓦面型、颜色和/或表面瑕疵的识别,将识别结果根据预设条件对陶瓷瓦进行分类,并将分类结果传输至所述分拣模块;所述分拣模块根据接收到的分类结果将陶瓷瓦从输送皮带(1)上卸至对应分类。
2.如权利要求1所述的陶瓷瓦表面质量在线检测分拣***,其特征在于,所述成像模块(10)包括用于探测陶瓷瓦的位置检测单元(14)、用于补光的光源(11)、用于拍照的X+成像单元(12)和X-成像单元(13);所述X+成像单元(12)和X-成像单元(13)分别布置在所述输送皮带(1)宽度方向上的两侧,且二者均斜向下朝向所述输送皮带(1),使所述X+成像单元(12)和X-成像单元(13)的拍照区域相互衔接;所述位置检测单元(14)和光源(11)位于所述X+成像单元(12)和X-成像单元(13)之间,所述位置检测单元(14)位于所述输送皮带(1)宽度方向上的中部位置,且所述光源(11)位于所述位置检测单元(14)的正上方。
3.如权利要求2所述的陶瓷瓦表面质量在线检测分拣***,其特征在于,所述成像模块(10)的输入侧具有对称设置在所述输送皮带(1)宽度方向两侧的X+对中机构(15)和X-对中机构(16),所述X+对中机构(15)和X-对中机构(16)相对的一侧构成“八”字形的导向部,所述导向部背离所述成像模块(10)一侧的宽度与所述输送皮带(1)的宽度相匹配,且朝向所述成像模块(10)一侧的宽度与陶瓷瓦的最大宽度相匹配。
4.如权利要求1所述的陶瓷瓦表面质量在线检测分拣***,其特征在于,所述分拣模块包括设置在所述输送皮带(1)侧部的不合格品分拣模块(30)和一等品分拣模块(40),所述不合格品分拣模块(30)和一等品分拣模块(40)均包括沿所述输送皮带(1)宽度方向设置的伸缩机构,所述伸缩机构到所述输送皮带(1)的高度小于陶瓷瓦的最小厚度。
5.如权利要求4所述的陶瓷瓦表面质量在线检测分拣***,其特征在于,所述不合格品分拣模块(30)和一等品分拣模块(40)还包括在输送皮带(1)宽度方向上与所述伸缩机构对应设置的不合格品位置检测单元(31)和一等品位置检测单元(41),所述不合格品位置检测单元(31)和一等品位置检测单元(41)用于检测陶瓷瓦,且均布置在所述输送皮带(1)宽度方向的中部。
6.如权利要求4所述的陶瓷瓦表面质量在线检测分拣***,其特征在于,所述成像模块(10)的输出侧依次设置有所述不合格品分拣模块(30)和一等品分拣模块(40),所述一等品分拣模块(40)的推出侧衔接设置有用于输送一等品陶瓷瓦的输送皮带(1),两个所述输送皮带(1)并排设置。
7.如权利要求4所述的陶瓷瓦表面质量在线检测分拣***,其特征在于,所述识别预测模块(20)包括工控机和显示器,所述成像模块(10)通过千兆网接口与识别预测模块(20)进行数据连接;所述不合格品分拣模块(30)和所述一等品分拣模块(40)通过工业总线与所述识别预测模块(20)进行数据通信和控制连接;所述陶瓷瓦面型包括波浪状或阶梯状;所述陶瓷瓦颜色包括黑色、青色、红色、蓝色或灰色;所述表面瑕疵包括缺角、裂纹、划痕、鼓包、缺釉、多釉。
8.一种陶瓷瓦表面质量在线检测分拣方法,其特征在于,先获取如权利要求1~7中任一权利要求所述的陶瓷瓦表面质量在线检测分拣***,再采用如下步骤进行检测分拣:
S1:通过成像模块(10)采集陶瓷瓦图像,人工标记出陶瓷瓦颜色、面型以及表面瑕疵的标签;
S2:利用深度学习模型SSD单步多框检测器构建颜色、面型及表面瑕疵识别预测的多尺度检测网络模型;
S3:结合步骤S1和步骤S2得到的标签和预测模型,反复训练优化模型的结构参数,得到最优的预测网络模型;
S4:结合步骤S3,对成像模块(10)采集的陶瓷瓦图像进行实时并行检测,同时找出颜色、面型及瑕疵的最优定位位置和分类置信度值;
S5:利用关键区域检测算法提取陶瓷瓦为识别关键区域;
S6:结合步骤S4和步骤S5,排除关键区域外的颜色、面型及瑕疵,直接输出陶瓷瓦上的颜色、面型及瑕疵定位位置和分类结果,将不合格品陶瓷瓦识别出来;
S7:结合步骤S6识别出的合格品陶瓷瓦,再利用设定的分类阈值,自动将其分为一等品和优等品。
9.如权利要求8所述的陶瓷瓦表面质量在线检测分拣方法,其特征在于,所述SSD单步多框检测器采用VGG16作为基础模型,并新增卷积层获得多尺度的特征图用于分类和定位,采用非极大值抑制算法剔除重叠度和边框定位误差都较大的预测定位边框,将剩余的预测定位边框作为目标检测边框,并将目标检测边框内的特征所对应的置信度值作为分类结果。
10.如权利要求8所述的陶瓷瓦表面质量在线检测分拣方法,其特征在于,所述成像模块(10)还包括呈矩形围合设置的侧壁,所述侧壁的内表面为深色;所述输送皮带和背景底板的表面为浅色;所述关键区域检测算法包括如下步骤:先将背景底板及输送皮带与深色侧壁分割开,再从背景底板及输送皮带的浅色背景中将陶瓷瓦分割出来作为关键区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586640.0A CN111558542A (zh) | 2020-06-24 | 2020-06-24 | 一种陶瓷瓦表面质量在线检测分拣***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586640.0A CN111558542A (zh) | 2020-06-24 | 2020-06-24 | 一种陶瓷瓦表面质量在线检测分拣***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111558542A true CN111558542A (zh) | 2020-08-21 |
Family
ID=72073962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586640.0A Withdrawn CN111558542A (zh) | 2020-06-24 | 2020-06-24 | 一种陶瓷瓦表面质量在线检测分拣***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111558542A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710669A (zh) * | 2020-12-09 | 2021-04-27 | 北方华锦化学工业股份有限公司 | 一种快速评价均聚聚丙烯锂电池硬弹性隔膜晶点的方法 |
CN113843180A (zh) * | 2021-09-16 | 2021-12-28 | 大连华信计算机技术股份有限公司 | 一种基于深度学习方法的木皮颜色分拣***及装置 |
CN113976452A (zh) * | 2021-07-30 | 2022-01-28 | 广东省威汇智能科技有限公司 | 一种基于柔性排线的失效检测方法及装置 |
CN114043614A (zh) * | 2021-11-08 | 2022-02-15 | 冷水江市鑫达耐火材料制造有限公司 | 一种耐火砖拣选定位装置及耐火砖拣选*** |
CN114769145A (zh) * | 2022-04-27 | 2022-07-22 | 合肥名德光电科技股份有限公司 | Mdx多射源分选*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109078869A (zh) * | 2018-04-09 | 2018-12-25 | 常州轻工职业技术学院 | 基于图像识别的自动分拣装置 |
CN109344772A (zh) * | 2018-09-30 | 2019-02-15 | 中国人民解放军战略支援部队信息工程大学 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
CN110687121A (zh) * | 2019-09-19 | 2020-01-14 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦智能在线检测与自动分级方法和*** |
CN111065468A (zh) * | 2017-08-25 | 2020-04-24 | 锡克拜控股有限公司 | 用于生产包含取向的非球形扁平状磁性或可磁化颜料颗粒的光学效应层的组件和方法 |
CN210701229U (zh) * | 2019-10-17 | 2020-06-09 | 郑州电力职业技术学院 | 一种电子商务物件分拣装置 |
CN210754504U (zh) * | 2019-10-13 | 2020-06-16 | 福州鑫奋祥金属制品有限公司 | 一种用于卷板机的旋转进料装置 |
-
2020
- 2020-06-24 CN CN202010586640.0A patent/CN111558542A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111065468A (zh) * | 2017-08-25 | 2020-04-24 | 锡克拜控股有限公司 | 用于生产包含取向的非球形扁平状磁性或可磁化颜料颗粒的光学效应层的组件和方法 |
CN109078869A (zh) * | 2018-04-09 | 2018-12-25 | 常州轻工职业技术学院 | 基于图像识别的自动分拣装置 |
CN109344772A (zh) * | 2018-09-30 | 2019-02-15 | 中国人民解放军战略支援部队信息工程大学 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
CN110687121A (zh) * | 2019-09-19 | 2020-01-14 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦智能在线检测与自动分级方法和*** |
CN210754504U (zh) * | 2019-10-13 | 2020-06-16 | 福州鑫奋祥金属制品有限公司 | 一种用于卷板机的旋转进料装置 |
CN210701229U (zh) * | 2019-10-17 | 2020-06-09 | 郑州电力职业技术学院 | 一种电子商务物件分拣装置 |
Non-Patent Citations (2)
Title |
---|
刘国成: "《人群异常行为数字图像处理与分析》", 31 January 2020 * |
汪宋: "基于深度学习的目标检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710669A (zh) * | 2020-12-09 | 2021-04-27 | 北方华锦化学工业股份有限公司 | 一种快速评价均聚聚丙烯锂电池硬弹性隔膜晶点的方法 |
CN113976452A (zh) * | 2021-07-30 | 2022-01-28 | 广东省威汇智能科技有限公司 | 一种基于柔性排线的失效检测方法及装置 |
CN113843180A (zh) * | 2021-09-16 | 2021-12-28 | 大连华信计算机技术股份有限公司 | 一种基于深度学习方法的木皮颜色分拣***及装置 |
CN114043614A (zh) * | 2021-11-08 | 2022-02-15 | 冷水江市鑫达耐火材料制造有限公司 | 一种耐火砖拣选定位装置及耐火砖拣选*** |
CN114769145A (zh) * | 2022-04-27 | 2022-07-22 | 合肥名德光电科技股份有限公司 | Mdx多射源分选*** |
CN114769145B (zh) * | 2022-04-27 | 2024-03-26 | 合肥名德光电科技股份有限公司 | Mdx多射源分选*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111558542A (zh) | 一种陶瓷瓦表面质量在线检测分拣***及方法 | |
KR102579783B1 (ko) | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 | |
CN106409711B (zh) | 一种太阳能硅晶片缺陷检测***及方法 | |
CN110296997B (zh) | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 | |
CN109376792B (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN206139527U (zh) | 全景视觉马铃薯分选和缺陷检测装置 | |
CN109724984A (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CN107944504B (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN110246122A (zh) | 基于机器视觉的小型轴承质量检测方法、装置及*** | |
KR20220051430A (ko) | 편광 큐를 이용한 표면 모델링 시스템 및 방법 | |
Liu et al. | Automatic detection technology of surface defects on plastic products based on machine vision | |
CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
CN114119526A (zh) | 一种基于机器视觉的钢板表面缺陷检测与识别***及方法 | |
CN109035232A (zh) | 一种基于深度学习和机器视觉融合的夹片缺陷检测方法 | |
CN113129304B (zh) | 基于机器视觉的零件检测方法 | |
CN110554052A (zh) | 一种人造板表面缺陷检测方法及其*** | |
CN111551559A (zh) | 一种基于多目视觉***的lcd液晶屏缺陷检测方法 | |
WO2023134286A1 (zh) | 一种阴极铜在线质量自动检测分类方法 | |
CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN109701890A (zh) | 磁瓦表面缺陷检测与分拣方法 | |
CN109387525A (zh) | 一种膜上膜内缺陷的判定方法 | |
CN107246841A (zh) | 一种汽车零部件的多视点检测分选装置 | |
CN113538323A (zh) | 基于深度学习的缺陷检测方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200821 |