【技术实现步骤摘要】
本专利技术涉及空心砖检测相关领域，具体为一种空心砖瑕疵检测系统。
技术介绍
1、空心砖是一种以黏土、页岩等为主要原料制成的建筑用砖体，其质量轻，消耗原材少，强度高，具有保温、隔音降噪等性能，且环保无污染，已经逐渐成为国家建筑部门等首先推荐的产品。
2、现有技术中对于制备空心砖均采用相应规格的制备装置进行批量化生产，其制备的空心砖结构大小相同，质量接近。但由于批量化生产，空心砖的质量难以进行一一保证，由于生产工艺、原材料和环境等因素的影响，有些空心砖的表面容易出现裂缝、缺口等瑕疵，这些有瑕疵的空心砖质量无法达到建筑用标准，一旦进入市场则很容易引起难以估量的危害。因此，为了对批量化生产流程中的空心砖表面瑕疵进行检测，提供一种空心砖瑕疵检测系统是本领域技术人员亟待解决的技术问题。
技术实现思路
1、本专利技术的目的在于提供一种空心砖瑕疵检测系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种空心砖瑕疵检测系统，包括图像采集装置、图像预处理模块、特征提取模块、瑕疵检测模块和判定与报警装置，所述图像采集装置：用于获取待检测空心砖的图像，具体使用相机或者其他图像采集设备来采集拍摄待检测空心砖；
3、所述图像预处理模块：对采集到的图像进行预处理，包括去噪、图像增强处理，保证后续瑕疵检测的准确性和可靠性；
4、所述特征提取模块：从图像预处理模块中获取预处理后的图像中提取空心砖的特征，具体使用边缘检测方法，来提取
5、所述瑕疵检测模型：基于深度学习算法构建的瑕疵检测模型，瑕疵检测模型通过学习大量带有标注的空心砖图像数据，自动识别和分类不同类型的瑕疵；
6、所述判定与报警装置：根据瑕疵检测模型对特征提取模块进行对比，获得瑕疵检测模型的结果，对待检测空心砖判定是否存在瑕疵，并及时进行报警，具体采用声音、光线或者其他形式的报警装置。
7、优选的，所述图像预处理模块中对采集到的图像进行预处理具体包括：
8、去噪：在图像采集过程中，由于摄像设备和环境因素的噪声影响，图像可能会受到噪声的干扰，采用高斯滤波算法，减少图像中的噪声；
9、图像增强：通过直方图均衡化的图像增强技术，增强图像的对比度、亮度和清晰度，以提高瑕疵检测的准确性；
10、彩色空间转换：将图像从rgb颜色空间转换为灰度图像，灰度图像仅包含亮度信息，简化瑕疵检测任务，并降低计算复杂度；
11、形态学操作：使用腐蚀和膨胀操作，用于改变图像的形状和结构，以去除小的不连续区域或填充空洞；
12、图像校正：图像采集装置的视角、畸变或几何形状可能会导致图像畸变，通过透镜畸变校正和透视校正，修复图像中的畸变，提高检测的准确性。
13、优选的，所述去噪中采用高斯滤波算法具体内容为：
14、确定滤波器大小：选择合适的滤波器大小，通常使用正方形的滤波器，滤波器的大小取决于图像的分辨率和噪声的程度；
15、计算高斯核：通过高斯函数计算生成一个高斯核。，高斯核的中心是最强的，逐渐向外减弱。高斯函数的形式如下：
16、
17、其中，(x,y)是核的坐标，σ表示高斯核的标准差；
18、对于图像的每个像素点，将高斯核与该像素点及其邻域内的像素值进行加权平均，以平滑图像并去除噪声。具体步骤如下：
19、步骤1、遍历图像的每个像素点；
20、步骤2、对于当前像素点及其邻域内的像素，根据高斯核的权值和像素值进行加权平均；
21、步骤3、重新计算当前像素点的值，将其更新为加权平均值；
22、步骤4、重复以上步骤，直到遍历完所有像素点；
23、边缘处理：由于滤波器会模糊图像边缘，采用双边滤波器来避免过度模糊，保持噪声去除的同时保留边缘信息。
24、优选的，所述特征提取模块采用边缘检测提取空心砖图像中的边缘特征，具体包括以下内容：
25、步骤s1、从图像预处理模块中获取预处理后的空心砖图像，随后对预处理后的空心砖图像进行计算梯度，找到图像中的强边缘，计算梯度使用sobel算子，它分别对图像在水平和垂直方向进行卷积操作，以计算每个像素点的梯度值和方向，具体为：
26、水平方向梯度(gx)计算公式如下：
27、gx＝[-1 0 1；
28、 -2 0 2；
29、 -1 0 1]；
30、垂直方向梯度(gy)计算公式如下：
31、gy＝[-1 -2 -1；
32、 0 0 0；
33、 1 2 1]
34、通过对图像与gx和gy进行卷积运算，并取结果的模和方向，得到图像的梯度幅值和方向；
35、步骤s2、接下来，对梯度幅值图像进行非极大值抑制，以细化边缘线条，对于每个像素点，比较其梯度幅值与其在梯度方向上的相邻像素点的梯度幅值，仅保留幅值最大的像素，丢弃其他非极大值；
36、步骤s3、最后，应用滞后阈值的方法对非极大值抑制后的图像进行二值化处理，以得到最终的边缘图像，滞后阈值方法根据设置的高阈值和低阈值，将梯度幅值大于高阈值的像素视为强边缘，将梯度幅值在低阈值和高阈值之间的像素视为弱边缘，然后，通过连接强边缘像素与相邻的弱边缘像素，进一步完善边缘。
37、优选的，所述瑕疵检测模型基于深度学习算法构建的瑕疵检测模型，以下是构建瑕疵检测模型的步骤：
38、步骤a、首先，收集大量的带有标注的空心砖图像数据作为训练集，这些图像涵盖各种不同类型的瑕疵，具体为裂纹、脱落、色斑，图像数据还应包含正常无瑕疵的样本作为参考，然后，对图像数据进行缩放、剪裁、灰度化处理；
39、步骤b、选择卷积神经网络的深度学习模型架构，再使用已有的vgg预训练模型进行迁移学习；
40、步骤c、对步骤a中训练集数据进行预处理和增强，以提高模型的鲁棒性和泛化能力，预处理包括归一化、标准化，使图像数据具有相似的尺度和统计特征，增强包括随机旋转、翻转、缩放等操作，扩充训练集数据的多样性；
41、步骤d、使用验证集评估训练好的深度学习模型的性能，评估指标包括准确率、召回率、精确率，根据评估结果，进行模型的调优和改进，具体调整网络结构、调整超参数；
42、步骤e、在深度学习模型训练完成后，使用该模型对新的空心砖图像进行瑕疵检测，将图像输入模型中，模型会输出瑕疵的检测结果，可以是瑕疵的位置、类别或置信度，根据模型的输出，进行进一步的分析和处理，如瑕疵的标记、定位或分类。
43、与现有技术相比，本专利技术的有益效果是：本专利技术通过本采用的空心砖瑕疵检测系统，通过图像预处理和深度学习算法相结合的方式，能够自动化、准确、可靠地对空心砖进行瑕疵检测，相比传统的人工检测方法，具有检测速度本文档来自技高网...
【技术保护点】
1.一种空心砖瑕疵检测系统，包括图像采集装置、图像预处理模块、特征提取模块、瑕疵检测模块和判定与报警装置，其特征在于：所述图像采集装置：用于获取待检测空心砖的图像，具体使用相机或者其他图像采集设备来采集拍摄待检测空心砖；
2.根据权利要求1所述的一种空心砖瑕疵检测系统，其特征在于：所述图像预处理模块中对采集到的图像进行预处理具体包括：
3.根据权利要求2所述的一种空心砖瑕疵检测系统，其特征在于：所述去噪中采用高斯滤波算法具体内容为：
4.根据权利要求1所述的一种空心砖瑕疵检测系统，其特征在于：所述特征提取模块采用边缘检测提取空心砖图像中的边缘特征，具体包括以下内容：
5.根据权利要求1所述的一种空心砖瑕疵检测系统，其特征在于：所述瑕疵检测模型基于深度学习算法构建的瑕疵检测模型，以下是构建瑕疵检测模型的步骤：
【技术特征摘要】
1.一种空心砖瑕疵检测系统，包括图像采集装置、图像预处理模块、特征提取模块、瑕疵检测模块和判定与报警装置，其特征在于：所述图像采集装置：用于获取待检测空心砖的图像，具体使用相机或者其他图像采集设备来采集拍摄待检测空心砖；
2.根据权利要求1所述的一种空心砖瑕疵检测系统，其特征在于：所述图像预处理模块中对采集到的图像进行预处理具体包括：
3.根据权利要求2所...
【专利技术属性】
技术研发人员：李超，宋必芝，李仁兵，钱刚胜，朱友银，李云广，
申请(专利权)人：合肥佳安建材有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。