一种嵌入式阳极碳块表面缺陷检测系统及方法技术方案

本发明专利技术提供一种嵌入式阳极碳块表面缺陷检测系统及检测方法，包括图像采集模块、推理模块和报警模块，并提供了一种嵌入式阳极碳块表面缺陷检测系统的检测方法，通过以下具体步骤：S1：采集图像、S2：制作训练数据集、S3：预处理和训练深度学习算法、S4：移植模型、S5:推理检测和S6：模型检测，将训练好的深度学习模型移植到处理器RK3399pro中，并通过处理器RK3399pro，将图像采集器和模型在离线环境下建立连接关系，实现在无网络环境下对碳块表面缺陷进行检测，解决了碳块表面缺陷人工检测的费时费力、效率低、检测精度低等问题，同时提高了生产效率和产值。了生产效率和产值。了生产效率和产值。

【技术实现步骤摘要】
一种嵌入式阳极碳块表面缺陷检测系统及方法

：
[0001]本专利技术涉及阳极碳块检测
，特别涉及一种嵌入式阳极碳块表面缺陷检测系统及方法。

技术介绍
：
[0002]电解铝过程中极为重要的环节之一就是阳极碳块的生产，阳极碳块的生产以石油焦为主料，以煤、沥青作为粘结剂，经过配料、混捏、热熔、压塑、降温、焙烧等阶段制成。由于该工艺中有热熔和降温步骤的存在，因此在成型的过程中，碳块表面会出现各种缺陷，主要包括：缺棱、裂纹、掉角、掉棱、凹陷、表面大颗粒等，以上缺陷的存在，会严重影响电极的使用性能。
[0003]目前使用的碳块缺陷检测手段主要是人工方式检测，鉴于人工肉眼误差的存在，对于缺陷点的检测具有一定程度的随机性和不确定性，使得碳块在进入焙烧车间进行焙烧之后，依然会出现废块，极大的影响了生产的效率，存在工作效率低，失误率高的问题，也会存在由于人工筛选带来的不确定性等问题。

技术实现思路
：
[0004]本专利技术的目的是为了解决传统的图像检测方法存在的三维检测准确率低、误检率和漏检率高的问题，本专利技术通过建立真实场景数据集，利用深度学习算法对标注的真实场景数据集进行有监督的学习，能提高检测准确率和工业生产效率。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案如下：
[0006]一种嵌入式阳极碳块表面缺陷检测系统，包括图像采集模块、推理模块和报警模块，所述图像采集模块包括第一采集模块和第二采集模块，所述第一采集模块和第二采集模块主要采集保存碳块表面图像，且所述第一采集模块采集图像用于训练深度学习算法，所述第二采集模块将图像传输到推理模块，所述推理模块加载图像，并使用rknn模型对图像进行推理和后处理，所述报警模块是在推理模块检测出缺陷时，进行报警和缺陷类型提示。
[0007]优选的，所述图像采集模块包括第一采集模块和第二采集模块，所述第一采集模块和第二采集模块分别由触发模块、图像采集器和传输模块组成，所述触发模块在生产线上有阳极碳块到达固定标志位时启动，触发模块驱动图像采集器开始采集碳块表面图像，然后通过传输模块输送至推理模块。
[0008]优选的，所述推理模块包括转换模块和部署模块，所述转换模块将onnx模型转换为rknn模型，所述部署模块将rknn模型进行初始化、利用rknn模型对图像进行推理、优化推理结果；所述报警模块包括数码管和蜂鸣器，数码管显示缺陷代码，并通过蜂鸣器报警提示。
[0009]本专利技术还提供一种嵌入式阳极碳块表面缺陷检测系统的检测方法，其特征在于：包括以下步骤；
[0010]S1：采集图像，单板机接第一采集模块，第一采集模块的图像采集器打开，当生产线上有阳极碳块到达固定标志位时，触发模块启动，使得图像采集器拍摄碳块表面图像；
[0011]S2：制作训练数据集，选取不同类别的碳块缺陷图像和无缺陷的碳块图像作为训练集，对不同类别的碳块缺陷图像进行标记，训练集的缺陷类别分别是：超高、碳碗破损、掉渣、裂纹、无编号、大颗粒、凹陷、掉棱、掉角、干粘、表面粗糙；
[0012]S3：预处理和训练深度学习算法，对训练集预处理方法为：图像等比例缩放、图像居中、添加灰条；训练深度学习算法，采用的深度学习算法是开源的yolov5算法，训练完成后，将模型和权重保存为onnx格式，对训练好的模型进行测试，选择效果最好的onnx模型；
[0013]S4：移植模型，将S3处理得到的onnx模型转换为rknn模型，最后移植rknn模型至处理器RK3399pro；
[0014]S5:推理检测，移植rknn模型至处理器RK3399pro后第二采集模块开始工作，并将采集的图像经前处理后输送给模型检测；
[0015]S6：模型检测，处理器RK3399pro控制rknn模型对碳块表面进行检测，当有碳块到达时，处理器RK3399pro控制图像采集器拍摄碳块表面图像，rknn模型对图像进行检测，通过数码管显示的代码确定缺陷类型，同时通过蜂鸣器报警提示。
[0016]优选的，所述数码管显示的字符为0、1、2、3、4、5、6、7、8、9、10，这些数字代表的缺陷名称分别是：超高、碳碗破损、掉渣、裂纹、无编号、大颗粒、凹陷、掉棱、掉角、干粘、表面粗糙。
[0017]本专利技术的有益效果在于：
[0018]1、通过将模型移植到处理器RK3399pro，模型可在离线环境下工作，降低了对工作环境的要求。
[0019]2、通过本技术方案检测到碳块表面存在缺陷时，蜂鸣器发声，可提示现场工作人员模型检测到了缺陷，同时数码管显示缺陷类别，可帮助现场工作人员快速定位缺陷类型，提高了工作效率。
附图说明：
[0020]图1为一种嵌入式阳极碳块表面缺陷检测系统的结构示意图；
[0021]图2为一种嵌入式阳极碳块表面缺陷检测检测方法的流程图；
[0022]图中：图像采集模块1、触发模块1
‑
1、图像采集器1
‑
2、传输模块1
‑
3、推理模块2、转换模块2
‑
1、部署模块2
‑
2、报警模块3、数码管3
‑
1、蜂鸣器3
‑
2。
具体实施方式：
[0023]下面将结合本专利技术附图说明中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0024]实施例1：
[0025]参照图1
‑
图2，一种嵌入式阳极碳块表面缺陷检测系统，包括图像采集模块1、推理模块2和报警模块3，所述图像采集模块1包括第一采集模块和第二采集模块，所述第一采集
模块和第二采集模块采集并保存碳块表面图像保存碳块表面图像，所述第一采集模块采集图像用于训练深度学习算法，所述第二采集模块将图像传输到推理模块2，推理模块2加载图像，并使用rknn模型对图像进行推理和后处理，所述报警模块3是在推理模块2检测出缺陷时，进行报警和缺陷类型提示。
[0026]所述图像采集模块包括第一采集模块和第二采集模块，所述第一采集模块和第二采集模块分别由触发模块1
‑
1、图像采集器1
‑
2和传输模块1
‑
3组成，所述触发模块1
‑
1在生产线上有阳极碳块到达固定标志位时启动，触发模块1
‑
1驱动图像采集器1
‑
2开始采集碳块表面图像，然后通过传输模块1
‑
3输送至推理模块2。
[0027]所述推理模块2包括转换模块2
‑
1和部署模块2
‑
2，所述转换模块2
‑
1将onnx模型转换为rknn模型，所述部署模块2
‑
2将rknn模型进行初始化、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种嵌入式阳极碳块表面缺陷检测系统，包括图像采集模块(1)、推理模块(2)和报警模块(3)，其特征在于：所述图像采集模块(1)包括第一采集模块和第二采集模块，所述第一采集模块和第二采集模块主要采集保存碳块表面图像，且所述第一采集模块采集图像用于训练深度学习算法，所述第二采集模块将图像传输到推理模块(2)，所述推理模块(2)加载图像，并使用rknn模型对图像进行推理和后处理，所述报警模块(3)是在推理模块(2)检测出缺陷时，进行报警和缺陷类型提示。2.根据权利要求1所述的一种嵌入式阳极碳块表面缺陷检测系统，其特征在于：所述图像采集模块(1)包括第一采集模块和第二采集模块，所述第一采集模块和第二采集模块分别由触发模块(1
‑
1)、图像采集器(1
‑
2)和传输模块(1
‑
3)组成，所述触发模块(1
‑
1)在生产线上有阳极碳块到达固定标志位时启动，触发模块(1
‑
1)驱动图像采集器(1
‑
2)开始采集碳块表面图像，然后通过传输模块(1
‑
3)输送至推理模块(2)。3.根据权利要求1所述的一种嵌入式阳极碳块表面缺陷检测系统，其特征在于：所述推理模块(2)包括转换模块(2
‑
1)和部署模块(2
‑
2)，所述转换模块(2
‑
1)将onnx模型转换为rknn模型，所述部署模块(2
‑
2)将rknn模型进行初始化、利用rknn模型对图像进行推理、优化推理结果；所述报警模块(3)包括数码管(3
‑
1)和蜂鸣器(3
‑
2)，数码管(3
‑
1)显示缺陷代码，并通过蜂鸣器(3
‑
2)报警提示。4....

【专利技术属性】
技术研发人员：张新宇，刘建虎，
申请(专利权)人：宁夏计算机软件与技术服务有限公司，
类型：发明
国别省市：