基于深度学习的缺陷检测训练机器及其使用方法技术

本发明专利技术公开了一种基于深度学习的缺陷检测训练机器及其使用方法，包括工控机、底部光源、转盘、距离调节驱动架、侧光源、可程式光源和相机镜头组件，可程式光源和相机镜头组件分别与距离调节驱动架连接，相机镜头组件的下端镜头朝下并对准可程式光源的上端出口。使用方法包括如下步骤：1)通过工控机的设备管理系统调节可程式光源的发光区域和亮度，以获取图像数据；2)将获得的图像数据通过工控机的深度学习软件进行算法训练，并将训练生成的算法模型对待测工件进行检测；3)对待测工件进行缺陷数量、缺陷类别的分类及统计，且通过机械手抓取合格品和非合格品。本发明专利技术可模拟多种环境，快速实现训练检测，提高了检测的效率和准确性。

Defect detection training machine based on deep learning and its application

【技术实现步骤摘要】
基于深度学习的缺陷检测训练机器及其使用方法
本专利技术属于工业现场缺陷检测
，特别涉及一种基于深度学习的缺陷检测训练机器及其使用方法。
技术介绍
在工业场景中，对产品零件的出厂指标都有非常严格的要求，这些要求为产品零件出厂后发挥功能性作用提供了保证。在工业场景下，各种机械、声、光、电的复杂环境和众多工序可能会给产品零件的外观造成损坏，使其成为带缺陷的产品零件。目前大量的针对产品零件的缺陷检测都非常依赖于人工逐一检测，占用了大量的人力资源，消耗了大量的人力成本。少部分的缺陷检测是通过传统的图像处理算法解决，但存在诸如检测的缺陷种类非常单一，处理算法的前期验证非常复杂等不足，进而影响检测的效率。
技术实现思路
针对现有技术中存在的技术问题，本专利技术提供一种基于深度学习的缺陷检测训练机器及其使用方法。为解决上述技术问题，本专利技术采用的技术方案是：一种基于深度学习的缺陷检测训练机器，包括工控机、底部光源、转盘、距离调节驱动架、侧光源、可程式光源和相机镜头组件，所述工控机内安装有深度学习软件和设备管理系统，所述底部光源位于转盘的下方，所述距离调节转动架位于转盘的上方，所述可程式光源通过光源架与距离调节驱动架连接，所述相机镜头组件与距离调节驱动架连接，且所述相机镜头组件的下端镜头朝下并对准可程式光源的上端出口。作为优选，所述距离调节驱动架为线性模组。作为优选，所述底部光源和侧光源均为发光面板。一种基于深度学习的缺陷检测训练机器的使用方法，包括如下步骤：1)通过工控机的设备管理系统调节可程式光源的发光区域和亮度，以获取图像数据；2)将获取的图像数据通过工控机的深度学习软件进行算法训练，并将训练生成的算法模型对待测工件进行检测；3)对待测工件进行缺陷数量、缺陷类别的分类及统计，且通过机械手抓取合格品和非合格品。5.根据权利要求4所述的基于深度学习的缺陷检测训练机器的使用方法，其特征在于，所述深度学习软件包括：标注模块：用于实现对相机和镜头采集的图像数据的标签化，并对缺陷图像进行种类标注，是后期深度学习训练的数据来源；训练模块：对已经标注好的数据进行学习，以得出最优的分类模型；云存储模块：将现场的图像返回在云服务器中，进行后期的数据优化；测试模块：将训练好的模型载入，通过相机和镜头组件采集的图像，进行实时的缺陷检测。作为优选，所述设备管理系统包括以下模块：光源相机控制模块：通过软件或者硬件触发接口实现光源周期性的亮灭、频闪。机械控制模块：用于控制光源的角度方向、距离以实现自动运动；方案存储模块：用于记录存储不同类型的打光方式；对外通讯模块：具有对外与PLC和机械手通讯的接口并整体组合成一体机；产品自动分类模块：用于对不同种类产品分类；产品质量预警模块：用于实时统计缺陷数量；实时在线剔除模块：用于通过对接外部的剔除装置剔除缺陷产品/混料与现有技术相比，本专利技术所具有的有益效果是：本专利技术利用可调节的可程式光源及设备管理系统，可有模拟多种环境，并快速实现训练检测，提高了检测的效率和准确性。附图说明图1为本专利技术中基于深度学习的缺陷检测训练机器的主视结构示意图；图2为本专利技术中基于深度学习的缺陷检测训练机器的侧视结构示意图；图3为本专利技术中基于深度学习的缺陷检测训练机器的可程式光源的剖视结构示意图；图4为本专利技术中基于深度学习的缺陷检测训练机器的可程式光源的仰视结构示意图；图5为本专利技术中基于深度学习的缺陷检测训练机器的待测试件与底部光源的关系示意图；图6为本专利技术中基于深度学习的缺陷使用方法的流程方框图。图中，1.底部光源；2.转盘；3.距离调节驱动架；4.侧光源；5.可程式光源；51.碗状体；52.上去光源；53.中区光源；54.下区光源；6.相机镜头组件；7.待测工件；8.光源架；9.螺钉。具体实施方式为使本领域技术人员更好的理解本专利技术的技术方案，下面结合附图和具体实施例对本专利技术作详细说明。如图1至图6所示，本专利技术的实施例公开了一种基于深度学习的缺陷检测训练机器，包括工控机(图中未示出)、底部光源1、转盘2、距离调节驱动架3、侧光源4、可程式光源5和相机镜头组件6，底部光源1和侧光源4均为发光面板。工控机内安装有深度学习软件和设备管理系统底部光源1位于转盘2的下方，距离调节驱动架3位于转盘2的上方，且可程式光源5通过光源架8与距离调节驱动架3连接，相机镜头组件6与距离调节驱动架3连接，且相机镜头组件6的下端镜头朝下并对准可程式光源5的上端出口。本实施例中，距离调节驱动架3为线性模组。本实施例中，转盘2的转动方式为现有技术，例如可以是电机通过齿轮副带动转盘转动等。可程式光源通过光源架8和螺钉9与距离调节驱动架3连接，通过程序控制将可程式光源的周向均分为八个区间，并轴向均分为上区光源51、中区光源52和下区光源53，且通过程序能够单独控制每个区间和上区光源51、中区光源52和下区光源53的亮度。本专利技术还公开了一种基于深度学习的缺陷检测训练机器的使用方法，包括如下步骤：1)通过工控机的设备管理系统调节可程式光源5的发光区域和亮度；2)通过工控机的深度学习软件进行算法训练，并将训练生成的算法模型对待测工件进行检测；3)将采集的图像数据上传到预装好的深度学习软件的云服务器中，并通过设备管理系统对待测工件10进行缺陷数量、缺陷类别的分类及统计，且通过机械手抓取合格品和非合格品。通过相机和镜头组件6采集待测工件(待测工件置于转盘2上)的照片，并将采集的照片信息上传到深度学习软件中的云服务器，用于完善检测模型。通过设备管理系统接入上下料机械装置，通过上下料机械装置的机械臂抓取零件到检测平台，通过检测平台输出结果，并通过上下料机械装置的机械臂抓取不合格品至不合格品区，合格品抓至合格品区。本专利技术中，深度学习软件包括：标注模块：用于实现对相机和镜头采集的图像数据的标签化，并对缺陷图像进行种类标注，是深度学习后期训练的数据来源；训练模块：对已经标注好的数据进行学习，以得出最优的分类模型；云存储模块：将现场的图像返回在云服务器中，进行后期的数据优化；测试模块：将训练好的模型载入，通过相机和镜头组件采集的图像，进行实时的缺陷检测。本实施例中，设备管理系统可连接上位机、下位机，同时收集整理生产、检测数据，设备管理系统包括以下模块：光源相机控制模块：通过软件或者硬件触发接口实现光源周期性的亮灭、频闪。机械控制模块：对于光源的角度方向、距离控制实现自动运动；方案存储模块：记录存储不同类型的打光方式；对外通讯模块：具有对外与PLC和机械手通讯的接口并整体组合成一体机；产品缺陷分类模块：用于实现对于缺陷类别的区分；产品自动分类模块：用于实现对于不同种类产品的分类；产品质量预警模块：用于对产品的缺陷数量进行实时统计；实时在线剔除模块：通过对接外部的剔除装置(如机械手)以及将缺陷产品/混料及时剔除。本专利技术可模拟上百种打光方案的检测机，配置有手动变焦(12-36mm)镜头+可程控光源+多功能工作台，同时可以记录上百种相机位置和对应的打光方案，随时可以调用切换。以上实施例仅为本专利技术的示例性实施例，不用于限制本专利技术，本专利技术的保护范围由权利要求书限定。本领域技术人员可以在本专利技术的实质和保护范围内，对本专利技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本专利技术的保护范围内本文档来自技高网...

【技术保护点】
1.一种基于深度学习的缺陷检测训练机器，其特征在于，包括工控机、底部光源、转盘、距离调节驱动架、侧光源、可程式光源和相机镜头组件，所述工控机内安装有深度学习软件和设备管理系统，所述底部光源位于转盘的下方，所述距离调节转动架位于转盘的上方，所述可程式光源通过光源架与距离调节驱动架连接，所述相机镜头组件与距离调节驱动架连接，且所述相机镜头组件的下端镜头朝下并对准可程式光源的上端出口。

【技术特征摘要】
1.一种基于深度学习的缺陷检测训练机器，其特征在于，包括工控机、底部光源、转盘、距离调节驱动架、侧光源、可程式光源和相机镜头组件，所述工控机内安装有深度学习软件和设备管理系统，所述底部光源位于转盘的下方，所述距离调节转动架位于转盘的上方，所述可程式光源通过光源架与距离调节驱动架连接，所述相机镜头组件与距离调节驱动架连接，且所述相机镜头组件的下端镜头朝下并对准可程式光源的上端出口。2.根据权利要求1所述的基于深度学习的缺陷检测训练机器，其特征在于，所述距离调节驱动架为线性模组。3.根据权利要求1所述的基于深度学习的缺陷检测训练机器，其特征在于，所述底部光源和侧光源均为发光面板。4.一种如权利要求1至3任一项所述的基于深度学习的缺陷检测训练机器的使用方法，其特征在于，包括如下步骤：1)通过工控机的设备管理系统调节可程式光源的发光区域和亮度，以获取图像数据；2)将获取的图像数据通过工控机的深度学习软件进行算法训练，并将训练生成的算法模型对待测工件进行检测；3)对待测工件进行缺陷数量、缺陷类别的分类及统计，且通过机械手抓...

【专利技术属性】
技术研发人员：胡江洪，
申请(专利权)人：菲特天津智能科技有限公司，
类型：发明
国别省市：天津,12