隨著全球(qiu)工(gong)業化進程的快速(su)發展，在(zai)基礎建(jian)設和工(gong)業領域中對鋁型材的需求非常大，我國(guo)也在(zai)鋁型材的生產(chan)和消費上連年處在(zai)增長趨勢。

       由于鋁型材具有低密度、質量輕、密閉性能好、可塑性強、耐腐蝕性強等優勢，其在生活中應用(yong)(yong)十分廣(guang)泛，大(da)(da)到飛(fei)機、坦克，小到家用(yong)(yong)電視(shi)、冰箱等(deng)(deng)。同時(shi)，鋁(lv)型材(cai)因資源(yuan)豐富，成本低，易于(yu)回收(shou)可實現循環利(li)用(yong)(yong)節能降耗(hao)等(deng)(deng)優(you)點，其發展規模正在進一步擴大(da)(da)。

       但在實際生產過程中，由于設備及工藝或生產人員操作不當的影響，會給鋁型材表面帶來不同程度不同類別的損傷，如臟點、雜色、擦花、焦印、雜質、擦傷、刮傷、凸點、凹坑和針孔、洞眼等瑕疵缺陷，這都會(hui)極大程度(du)的影響鋁(lv)型材的使用性能和質量。

       所以，在鋁型材生產制造過程中引入質檢環節是必不可少的，具有實時性(xing)與有效性(xing)的鋁(lv)型材表面缺(que)陷(xian)檢測方(fang)法對實現國家工業水(shui)平的提升具有重要意義。

       目(mu)前在鋁型材的質檢環(huan)節仍然(ran)以人工目(mu)視檢測(ce)法為主。

       人工(gong)目(mu)視檢測法利用人眼觀測的方式對缺陷目(mu)標進行檢測，

       其具有準(zhun)確率低、效率差(cha)、勞動強度大(da)(da)，受主觀因(yin)素影響大(da)(da)等(deng)缺(que)點，

       會使鋁型材生產效率(lv)和質量普遍較(jiao)低(di)，因而無法滿足工業大批(pi)量生產的(de)需求(qiu)。

       隨著工業自動化朝著智能化方向的發展，一些基于機器視覺檢測的方法開(kai)始在(zai)金(jin)屬材(cai)料(liao)表(biao)面缺陷檢測中(zhong)得以應用。

       該方法主要是基于傳感器和數字(zi)圖像處理算(suan)法，需要對(dui)不同的(de)(de)(de)(de)缺(que)(que)陷(xian)類(lei)別設(she)計對(dui)應的(de)(de)(de)(de)特征提取(qu)器，可見(jian)，要想(xiang)提取(qu)好的(de)(de)(de)(de)特征，還需要研究人員具有(you)一(yi)定的(de)(de)(de)(de)專業背(bei)景，但在實際(ji)生產環境(jing)下(xia)金屬材料表面的(de)(de)(de)(de)缺(que)(que)陷(xian)種類(lei)繁(fan)多，形態復雜多變，缺(que)(que)少(shao)固定的(de)(de)(de)(de)特征，在缺(que)(que)陷(xian)與背(bei)景之(zhi)間對(dui)比度低、小目標缺(que)(que)陷(xian)受噪聲干擾的(de)(de)(de)(de)情況下(xia)易造(zao)(zao)成檢測精度低，很顯然以(yi)這種方式構造(zao)(zao)特征魯棒性較差，通用(yong)性較差日適用(yong)面窄。同時，一(yi)些檢測系統(tong)的(de)(de)(de)(de)成本(ben)比較高(gao)，設(she)備品(pin)貴，對(dui)一(yi)些小的(de)(de)(de)(de)企(qi)業工廠來說具有(you)較大的(de)(de)(de)(de)經濟壓(ya)力(li)。

       近(jin)些年來，隨著人工智能(neng)技(ji)(ji)術的再(zai)次興起，深度學習技(ji)(ji)術得到了進(jin)一步發(fa)展(zhan)并且融入到許(xu)多(duo)其他技(ji)(ji)術領域中，快(kuai)速(su)推動了傳統計算機視覺任務的發(fa)展(zhan)，這也為鋁型(xing)材表面缺陷檢測提供了一個新的解(jie)決思路。

       深度學習最大的一個優勢是其擁有自主學習特征的能力，可自主的從大量圖像數據中學習到更為抽象更為豐富的特征，與傳統的機器視覺識別方法相比，它的出現大大減少了特征提取的成本，同時也減少了傳統機器學習技術采取手動提取特征這一方式對識別精度的影響。

       基(ji)于深度學習的這一(yi)特性使(shi)得(de)采(cai)用同(tong)一(yi)套算法模型(xing)實(shi)現對鋁型(xing)材表面(mian)不同(tong)類型(xing)缺陷的檢測成為了可能。

       基于深度學習的金屬表面缺陷檢測方法相比于人工目視法和傳統的機器視覺檢測方法(fa)，能(neng)夠(gou)有效(xiao)地控制金屬(shu)產(chan)品表面質量，故對于企業(ye)來說該方法(fa)可以降(jiang)低生產(chan)成本和提高生產(chan)效(xiao)率。

      所以，利用深度學習對鋁型材表面缺陷進行檢測可以解決因鋁型材表面缺陷種類多、噪聲干擾大、缺陷與非缺陷對比度低、缺陷區域小等造成的檢測困難問題。不但(dan)在精度(du)上優于傳統方法，而且在檢測速度(du)上也(ye)有一定的提升(sheng)，基本可(ke)以實(shi)現實(shi)時性(xing)的高精度(du)檢測。

基于深度學習的鋁材表(biao)面(mian)缺陷檢測方法

       將工(gong)業線陣(zhen)CCD 相(xiang)機架設在生產線上方，同時采用高亮(liang)的(de)LED線性聚(ju)光冷光源進(jin)行(xing)(xing)背打(da)光，通過線陣(zhen)CCD相(xiang)機和高速圖像處(chu)理系統進(jin)行(xing)(xing)實時的(de)在線掃描。

       系統自動記錄瑕(xia)疵(ci)的圖(tu)像(xiang)、位(wei)置等信(xin)息，同時通過信(xin)號控制(zhi)實現打(da)標(biao)機對瑕(xia)疵(ci)的自動貼標(biao)定位(wei)。

       線陣CCD攝像機通(tong)過連接在幅面(mian)驅(qu)動(dong)軸(zhou)上的編碼器觸發獲(huo)取幅面(mian)的圖(tu)像信息(xi)(xi)，CCD相(xiang)機的分辨率(lv)(lv)、縱向線掃頻率(lv)(lv)等(deng)性能確定系(xi)(xi)統的采集(ji)精(jing)度，系(xi)(xi)統精(jing)度高(gao)，圖(tu)像數(shu)據(ju)(ju)處理(li)量大(da)，數(shu)據(ju)(ju)經過高(gao)速處理(li)后保留(liu)鋁材表面(mian)瑕疵的數(shu)據(ju)(ju)信息(xi)(xi)（大(da)小、直徑(jing)、橫(heng)縱向位(wei)置）并控制輸出，計算(suan)機系(xi)(xi)統通(tong)過數(shu)據(ju)(ju)庫(ku)記錄和(he)管理(li)缺陷(xian)具體位(wei)置、大(da)小和(he)圖(tu)像等(deng)信息(xi)(xi)。

鋁型材表面缺陷數據集構建

       在深度(du)網絡模型的訓練過程中，圖像的質量是至關重要的，這將(jiang)直接影響(xiang)到缺陷特征(zheng)的提(ti)取(qu)難度(du)，從(cong)而影響(xiang)模型的檢測效果。

       所(suo)以需要(yao)對(dui)所(suo)用鋁型材(cai)表(biao)(biao)面缺陷數據(ju)(ju)集進行特(te)征分析，數據(ju)(ju)增強和數據(ju)(ju)集的制作等操(cao)作。鋁型材(cai)表(biao)(biao)面缺陷數據(ju)(ju)集構建步驟如圖所(suo)示。

鋁型材表面缺陷介紹

       針孔(kong)、洞眼、焦印(yin)、雜(za)質、擦傷(shang)(shang)、刮(gua)傷(shang)(shang)、凸點、凹坑(keng)等是(shi)鋁(lv)箔加工過程中的(de)(de)常見(jian)的(de)(de)瑕疵(ci)缺陷。

設備拍攝方案

① 檢測工位俯視圖

機器視覺檢測原理

       CCD 工業相機將待測目(mu)標(biao)(biao)轉(zhuan)換(huan)為(wei)圖(tu)像信號，通過定(ding)制(zhi)的(de)圖(tu)像數(shu)據處理(li)系統(tong)，將像素分布和亮度(du)、顏色等信息(xi)，轉(zhuan)變成數(shu)字(zi)化(hua)信號；圖(tu)像系統(tong)對這些信號進行相應的(de)運算來(lai)抽取目(mu)標(biao)(biao)的(de)特征，進而(er)產生檢測結果并依此控制(zhi)現場(chang)設備的(de)動作(zuo)。

1. 圖像預處理

       經編碼器同步傳遞后的 CCD 信號，先通過加速卡進行信號預處理，進一步增強信號，進而連續組成圖像。

       預處理包括：利用傅利葉分析，對信號降噪， 將圖像進行亮度、對比度的調整，邊緣銳化和平滑濾波。亮度與對比度調整，增強了圖像特征值，易于識別。邊緣銳化將使圖像邊界由模糊變得清晰，易于缺陷尺寸、形貌的界定。平滑濾 波采用中值濾波方法，可以很好地抑制干擾脈沖和點狀噪聲，同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，圖像灰度呈現連續等值分布。

       實際采集中，圖像灰度是 在一定范圍內進行波動。當灰度值超出范圍，圖像將被判定為缺陷。當然，評價一個信號的灰 度是否是缺陷還不是那么簡單，還要根據一系列特征值，如亮度、對比度、發生頻率等綜合考慮后，才能做出最終判定。

3. 缺陷的識別

       灰度分析完成，信號將被交給自動識別系統。自動識別系統配備了根據鋁板表面常見缺陷而設定的每一個已定義缺陷種類的預期特征值范圍。在檢測期間，識別系統比較信號特征與已定義缺陷種類的匹配程度，一經確認，即觸發顯示。

4. 缺陷的處理

       發現缺(que)陷可進行(xing)同步打標處理，可對整卷鋁(lv)板的表(biao)面質量進行(xing)等(deng)級判別，獲取(qu)整卷鋁(lv)板表(biao)面質量的完整數據。

       雙翌光電一直專注于從事機器視覺行業，在機器視覺系統及機器視覺軟件領域不斷探索與研發，應用范圍涉及包裝印刷、電子、紡織、汽車制造、半導體、等領域，為各行業工廠客戶提供機器視覺產品、視覺自動檢測技術、視覺檢測設備，視覺定位，視覺對位，視覺測量，缺陷檢測，標簽檢測，印刷檢測，機器視覺軟件，全套視覺解決方案。