隨著全球工業化進程的快速發展，在基礎建設和工業領域中對鋁型材的需求非常大，我國也在鋁型材的生產和消費上連年處在增長趨勢。
由于(yu)鋁型材(cai)具(ju)有低(di)密度、質量輕、密閉性(xing)能好、可塑(su)性(xing)強、耐(nai)腐蝕(shi)性(xing)強等(deng)優(you)勢，其在生活中應(ying)用十分(fen)廣泛，大到飛機(ji)、坦克，小到家用電視、冰箱等(deng)。同時(shi)，鋁型材(cai)因資(zi)源豐富，成(cheng)本低(di)，易(yi)于(yu)回收可實(shi)現循環(huan)利用節能降耗(hao)等(deng)優(you)點，其發展規模正在進(jin)一步擴(kuo)大。

       但在實際(ji)生(sheng)產(chan)過(guo)程中，由于(yu)設(she)備及(ji)工藝(yi)或生(sheng)產(chan)人(ren)員操作不(bu)當(dang)的(de)影(ying)響，會給鋁(lv)(lv)型(xing)材(cai)表面(mian)帶來不(bu)同程度不(bu)同類別的(de)損傷，如臟點(dian)、雜(za)色、擦(ca)花、焦印(yin)、雜(za)質、擦(ca)傷、刮(gua)傷、凸點(dian)、凹坑和針(zhen)孔、洞(dong)眼等(deng)瑕疵缺陷，這都會極大程度的(de)影(ying)響鋁(lv)(lv)型(xing)材(cai)的(de)使(shi)用性能和質量。

       所以，在鋁(lv)型材(cai)生產(chan)制(zhi)造過程中(zhong)引入質檢(jian)環節是(shi)必不可少(shao)的(de)，具有實(shi)時性(xing)與有效性(xing)的(de)鋁(lv)型材(cai)表面缺陷檢(jian)測方法對(dui)實(shi)現國家工(gong)業水平的(de)提升具有重要意義。

        目前在(zai)鋁(lv)型(xing)材(cai)的質檢環(huan)節仍(reng)然以人工目視檢測法為(wei)主。

         人工目視檢測法利用人眼觀測的方式對缺陷目標進行檢測，其具(ju)有準確率低、效率差、勞動強(qiang)度大，受主觀因素影響大等缺點，會使鋁(lv)型材生(sheng)產效率和質量普遍較(jiao)低(di)，因而無法滿足工業大批量生(sheng)產的需求。

       近年來(lai)，隨著(zhu)人(ren)工智能技(ji)術(shu)(shu)的(de)再次(ci)興起，深度學習技(ji)術(shu)(shu)得到(dao)了(le)進一(yi)步發展并且(qie)融入到(dao)許多其他技(ji)術(shu)(shu)領域中，快速推動了(le)傳統計算機視覺任務的(de)發展，這也為鋁型材表(biao)面缺陷檢測提供了(le)一(yi)個(ge)新(xin)的(de)解決(jue)思路。

        深度學(xue)習最大的(de)(de)(de)一(yi)個(ge)優(you)勢是其擁有自(zi)主學(xue)習特征的(de)(de)(de)能力，可自(zi)主的(de)(de)(de)從大量圖像(xiang)數據中學(xue)習到更為抽象(xiang)更為豐富的(de)(de)(de)特征，與傳統的(de)(de)(de)機(ji)器(qi)視覺(jue)識別(bie)方法相比，它的(de)(de)(de)出現大大減少(shao)了(le)特征提取的(de)(de)(de)成本，同時也(ye)減少(shao)了(le)傳統機(ji)器(qi)學(xue)習技術(shu)采取手動提取特征這(zhe)一(yi)方式對(dui)識別(bie)精度的(de)(de)(de)影響。

        基于深度學習的這一特性使得采用同(tong)一套算法模(mo)型(xing)實現對鋁型(xing)材表面不同(tong)類型(xing)缺陷(xian)的檢(jian)測成為(wei)了可能。

       基于深(shen)度學習的(de)金屬(shu)表面缺陷檢測方法(fa)相(xiang)比于人工目視法(fa)和(he)傳統的(de)機器視覺檢測方法(fa)，能(neng)夠有效(xiao)地控制(zhi)金屬(shu)產(chan)(chan)品表面質量，對于企業來說該方法(fa)可(ke)以降(jiang)低(di)生產(chan)(chan)成本和(he)提高生產(chan)(chan)效(xiao)率。

       所以(yi)，利用(yong)深度學習對鋁型(xing)(xing)材表面缺陷(xian)(xian)進(jin)行檢測(ce)可以(yi)解(jie)決(jue)因鋁型(xing)(xing)材表面缺陷(xian)(xian)種類(lei)多、噪聲干擾大、缺陷(xian)(xian)與(yu)非缺陷(xian)(xian)對比度低、缺陷(xian)(xian)區域小等造成的檢測(ce)困難(nan)問題(ti)。不但在精(jing)度上優(you)于(yu)傳(chuan)統方法，而且在檢測(ce)速度上也(ye)有(you)一定的提升，基本(ben)可以(yi)實現實時性(xing)的高精(jing)度檢測(ce)。

基于深度學習的

鋁材表面缺陷檢測方法

        將工業(ye)線(xian)陣CCD 相(xiang)機架設在生產線(xian)上方(fang)，同時采用(yong)高亮的(de)LED線(xian)性聚光(guang)(guang)冷光(guang)(guang)源進行(xing)背打(da)光(guang)(guang)，通過線(xian)陣CCD相(xiang)機和高速圖像處(chu)理系統進行(xing)實(shi)時的(de)在線(xian)掃(sao)描。

       當鋁材表面出現(xian)瑕疵(ci)時，強光透過(guo)鋁材，同時CCD將(jiang)采集到(dao)到(dao)表面圖(tu)像(xiang)通過(guo)圖(tu)像(xiang)處理系統發現(xian)和獲取表面瑕疵(ci)圖(tu)像(xiang)信息。

       系統自動(dong)記錄瑕疵(ci)的圖(tu)像、位置等信(xin)息，同時通(tong)過信(xin)號控制實現打標(biao)(biao)機(ji)對瑕疵(ci)的自動(dong)貼標(biao)(biao)定(ding)位。

        線陣CCD攝像機(ji)通(tong)過(guo)(guo)連接(jie)在幅(fu)面驅(qu)動軸上(shang)的(de)編(bian)碼器觸(chu)發獲取幅(fu)面的(de)圖(tu)像信(xin)息(xi)(xi)，CCD相機(ji)的(de)分辨率、縱(zong)向(xiang)線掃頻(pin)率等性能確定系(xi)統(tong)的(de)采集精度，系(xi)統(tong)精度高，圖(tu)像數(shu)據(ju)處理(li)量大，數(shu)據(ju)經過(guo)(guo)高速處理(li)后保留鋁材表面瑕疵的(de)數(shu)據(ju)信(xin)息(xi)(xi)（大小(xiao)(xiao)、直(zhi)徑、橫縱(zong)向(xiang)位(wei)置）并控制輸出，計算機(ji)系(xi)統(tong)通(tong)過(guo)(guo)數(shu)據(ju)庫記錄和管理(li)缺陷具體位(wei)置、大小(xiao)(xiao)和圖(tu)像等信(xin)息(xi)(xi)。

鋁型材表面缺陷數據集構建

        在深(shen)度(du)(du)網絡模(mo)型的訓練過程中(zhong)，圖像(xiang)的質量(liang)是(shi)至關重要的，這將直(zhi)接影響到缺陷特征的提取難度(du)(du)，從(cong)而(er)影響模(mo)型的檢測效果(guo)。

       所以需要對所用鋁型材(cai)表(biao)(biao)面缺(que)陷(xian)數據(ju)(ju)集進行特征(zheng)分析，數據(ju)(ju)增強(qiang)和數據(ju)(ju)集的制作等操作。鋁型材(cai)表(biao)(biao)面缺(que)陷(xian)數據(ju)(ju)集構(gou)建步驟如圖所示。

鋁型材表面缺陷介紹

       針孔、洞眼、焦印、雜質、擦傷(shang)、刮傷(shang)、凸點、凹坑(keng)等(deng)是鋁(lv)箔加工(gong)過(guo)程(cheng)中的(de)常見的(de)瑕疵缺陷(xian)。

設備拍攝方案

① 檢(jian)測工(gong)位俯視圖

② 檢測工位主(zhu)視圖

機器視覺檢測原理

       CCD 工業(ye)相(xiang)機將待測(ce)目標轉換為(wei)圖像(xiang)(xiang)信(xin)號，通過定制的圖像(xiang)(xiang)數據處理系統，將像(xiang)(xiang)素(su)分(fen)布和亮(liang)度、顏(yan)色等信(xin)息，轉變成數字化信(xin)號；圖像(xiang)(xiang)系統對這些信(xin)號進(jin)行相(xiang)應的運算來(lai)抽取目標的特征，進(jin)而產生檢測(ce)結果(guo)并依(yi)此控(kong)制現場設備(bei)的動作。

1. 圖像預處理

        經(jing)編(bian)碼器同步(bu)傳遞后的 CCD 信號(hao)，先通過加速(su)卡進(jin)行信號(hao)預處(chu)理，進(jin)一步(bu)增強信號(hao)，進(jin)而連(lian)續組成(cheng)圖像。

       預處理包(bao)括：利(li)用傅(fu)利(li)葉分析，對(dui)信號降噪， 將圖像進行亮(liang)度(du)、對(dui)比度(du)的調整，邊緣銳化和(he)平(ping)滑濾波。亮(liang)度(du)與對(dui)比度(du)調整，增強了圖像特征值，易于識別(bie)。邊緣銳化將使(shi)圖像邊界(jie)由模糊變得清晰，易于缺陷尺寸(cun)、形貌的界(jie)定。平(ping)滑濾 波采用中(zhong)值濾波方法，可以很好地(di)抑制干擾脈沖和(he)點(dian)狀噪聲(sheng)，同(tong)時又能較好的保持邊緣信息。

2. 圖像灰度分析

       理論上，當鋁板帶表面無缺陷時，圖(tu)像灰度呈現連續等值分布。

       實際(ji)采集中(zhong)，圖像灰(hui)度(du)(du)是 在一定(ding)范圍內進行波動。當灰(hui)度(du)(du)值超出(chu)范圍，圖像將被(bei)判定(ding)為缺陷(xian)。當然(ran)，評價一個(ge)信號的灰(hui) 度(du)(du)是否(fou)是缺陷(xian)還(huan)不是那么簡(jian)單，還(huan)要根據一系列特征值，如亮度(du)(du)、對比(bi)度(du)(du)、發生(sheng)頻率等綜(zong)合考慮后(hou)，才(cai)能做出(chu)最(zui)終(zhong)判定(ding)。

3. 缺陷的識別

        灰度分析完成，信號將被交給自動識別系(xi)統(tong)。自動識別系(xi)統(tong)配備了根據鋁板(ban)表(biao)面常(chang)見缺陷(xian)而設定的每(mei)一(yi)個已定義缺陷(xian)種(zhong)類的預期(qi)特(te)征值范圍。在檢測(ce)期(qi)間(jian)，識別系(xi)統(tong)比較(jiao)信號特(te)征與已定義缺陷(xian)種(zhong)類的匹配程(cheng)度，一(yi)經(jing)確認，即觸發顯示。

4. 缺陷的處理

       發(fa)現缺(que)陷可進(jin)行同(tong)步(bu)打(da)標處理，可對整(zheng)卷鋁板的表(biao)面質(zhi)量(liang)進(jin)行等級判別，獲取整(zheng)卷鋁板表(biao)面質(zhi)量(liang)的完整(zheng)數據。

       深圳市雙翌光電科技有限公司是一家以機器視覺為技術核心，自主技術研究與應用拓展為導向的高科技企業。公司自成立以來不斷創新，在智能自動化領域研發出視覺對位系統、機械手視覺定位、視覺檢測、圖像處理庫等為核心的20多款自主知識產權產品。涉及自動貼合機、絲印機、曝光機、疊片機、貼片機、智能檢測、智能鐳射等眾多行業領域。雙翌視覺系統最高生產精度可達um級別，圖像處理精準、速度快，將智能自動化制造行業的生產水平提升到一個更高的層次，改進了以往落后的生產流程，得到廣大用戶的認可與肯定。隨著智能自動化生產的普及與發展，雙翌將為廣大生產行業帶來更全面、更精細、更智能化的技術及服務。