一种基于人工智能的瑕疵判定系统及瑕疵判定方法与流程

本发明涉及检测设备技术领域，尤其涉及一种基于人工智能的瑕疵判定系统及瑕疵判定方法。

背景技术：

目前在工业生产过程中，瑕疵检测是很多产品质量检测环节及其重要的步骤。现有技术瑕疵检测是将工业相机采集到的产品表面图像经过图像处理软件，然后人工在图像处理软件中对瑕疵进行标记和识别，处理的速度慢，并且现有技术的瑕疵判定系统通常只具备有单一颜色的光源，而对于不同的物品，在单一颜色的光源下可能并无法拍摄出物品上的瑕疵，导致后期瑕疵的识别精度不高。

因此，现有技术还有待于改进和发展。

技术实现要素：

本发明的主要目的在于解决现有瑕疵检测方法，检测效率低，且识别精度不高的技术问题。

本发明第一方面提供了一种基于人工智能的瑕疵判定系统，包括：用于传输待测样品的传输装置，设置在所述传输装置的正上方的ccd相机，安装在所述ccd相机上的成像镜头，设置在所述传输装置的两侧的上方并用于对所述待测样品进行照射的变色光源，以及与所述ccd相机通信连接的pc机，所述pc主机内设置有图像处理软件，所述图像处理软件中设置有神经网络模型，所述ccd相机拍摄的所述待测样品的图片通过所述图像处理软件中的所述神经网络模型进行瑕疵的判定以及完成对所述待测样品的分类。

所述的基于人工智能的瑕疵判定系统，其中，所述变色光源包括红光光源、绿光光源、蓝光光源和白光光源。

所述的基于人工智能的瑕疵判定系统，其中，所述待测样品包括透明物体。

所述的基于人工智能的瑕疵判定系统，其中，所述瑕疵包括缩水、划伤和脏污。

本发明第二方面提供了一种基于人工智能的瑕疵判定方法，所述基于人工智能的瑕疵判定方法包括：

通过传输装置将待测样品传输至拍摄工位；

根据所述待测样品的表面特性将变色光源调整至与所述待测样品匹配的颜色，对所述待测样品进行照射；

利用ccd相机对所述待测样品进行拍照，获得所述待测样品的图片；

将所述图片输入到pc机的图像处理软件中，通过所述图像处理软件中的神经网络模型对所述图片进行瑕疵判定，并完成对所述待测样品的分类。

所述的基于人工智能的瑕疵判定方法，其中，所述根据所述待测样品的表面特性将变色光源调整至与所述待测样品匹配的颜色包括：

根据所述待测样品的表面颜色，选择将所述变色光源调整至与所述待测样品的颜色相同，或者选择将所述变色光源调整至波长与所述待测样品的颜色差别最大的颜色。

所述的基于人工智能的瑕疵判定方法，其中，所述将所述图片输入到pc机的图像处理软件中，通过所述图像处理软件中的神经网络模型对所述图片进行瑕疵判定，并完成对所述待测样品的分类之前包括：

采集不同类型瑕疵图像，基于所述瑕疵图像构造训练样本集和测试样本集；

利用所述训练样本集对所述神经网络模型进行训练，得到训练后的所述神经网络模型；

将所述测试样本集输入训练后的所述神经网络模型进行测试，并获得测试结果；

对所述测试结果进行判断；

若所述测试结果不符合预期要求，则重复利用所述训练样本集和所述训练样本集对所述神经网络模型进行迭代训练和测试，直至所述测试结果符合预期要求。

所述的基于人工智能的瑕疵判定方法，其中，所述利用ccd相机对所述待测样品进行拍照，获得所述待测样品的图片之后包括：

对所述图片进行预处理，所述预处理包括灰度变换和裁切。

所述的基于人工智能的瑕疵判定方法，其中，所述基于人工智能的瑕疵判定方法还包括：

若所述瑕疵为缩水，则将所述变色光源调整成白色条状对所述待测样品进行照射，并根据白色条状光源在所述待测样品的表面是否发生弯曲来判定所述待测样品是否发生缩水。

所述的基于人工智能的瑕疵判定方法，其中，所述采集不同类型瑕疵图像，基于所述瑕疵图像构造训练样本集和测试样本集包括：

采集不同类型的瑕疵图像，并对不同类型的所述瑕疵图像进行融合扩展，获得更多所述瑕疵图像的样本；

基于所述瑕疵图像的样本构造训练样本集和测试样本集。

有益效果：本发明提供了一种基于人工智能的瑕疵判定系统及瑕疵判定方法，所述基于人工智能的瑕疵判定系统包括：用于传输待测样品的传输装置，设置在所述传输装置的正上方的ccd相机，安装在所述ccd相机上的成像镜头，设置在所述传输装置的两侧的上方并用于对所述待测样品进行照射的变色光源，以及与所述ccd相机通信连接的pc机，所述pc主机内设置有图像处理软件，所述图像处理软件中设置有神经网络模型，所述ccd相机拍摄的所述待测样品的图片通过所述图像处理软件中的所述神经网络模型进行瑕疵的判定以及完成对所述待测样品的分类。本发明的基于人工智能的瑕疵判定系统可以改变光源的颜色照射样品，使得瑕疵清晰，并且运用了神经网络模型来对图片中瑕疵进行高效识别，人工投入少，极大的提高了检测的效率。

附图说明

图1为本发明一种基于人工智能的瑕疵判定系统的结构示意图；

图2为本发明一种基于人工智能的瑕疵判定方法的流程框图；

图3为物体表面不存在缩水瑕疵时白色条状光源的形态示意图；

图4为物体表面存在缩水瑕疵时白色条状光源的形态示意图。

具体实施方式

本发明实施例提供了一种基于人工智能的瑕疵判定系统及瑕疵判定方法。

需要说明的是本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明第一方面提供了一种基于人工智能的瑕疵判定系统，包括：用于传输待测样品的传输装置10，设置在所述传输装置10的正上方的ccd相机20，安装在所述ccd相机20上的成像镜头30，设置在所述传输装置10的两侧的上方并用于对所述待测样品进行照射的变色光源40，以及与所述ccd相机20通信连接的pc机50，所述pc主机50内设置有图像处理软件，所述图像处理软件中设置有神经网络模型，所述ccd相机20拍摄的所述待测样品的图片通过所述图像处理软件中的所述神经网络模型进行瑕疵的判定以及完成对所述待测样品的分类。

在本发明第一方面一种可选的实施方式中，所述变色光源40包括红光光源、绿光光源、蓝光光源和白光光源。在本发明中，拍摄取像，根据仿人眼的取像方法，会采取合理的角度进行拍摄，这对缩水划伤，以及脏污等配合采用不同的拍摄方法，拍摄时会配合不同的光源(红光，绿光，蓝光和白光)。针对不同的瑕疵，采用不同的光源。

在本发明第一方面一种可选的实施方式中，所述待测样品包括透明物体。目前随着工业自动化时代的推进，许多传统的行业也在进行升级改进，作为传统行业中透明器件类例如照明灯杯，玻璃盖板等，其瑕疵的传统检测一般是人工方法进行，本发明技术方案主要针对的就是透明物体的瑕疵判定。

在本发明第一方面一种可选的实施方式中，所述瑕疵包括缩水、划伤和脏污。本发明主要是针对透明物体的表面瑕疵，表面瑕疵的主要缩水，划伤，脏污等，当然本发明的系统也可以用于透明物体的表面瑕疵检测。

参见图2，本发明第二方面提供了一种基于人工智能的瑕疵判定方法，所述基于人工智能的瑕疵判定方法包括：

s100、通过传输装置将待测样品传输至拍摄工位；

s200、根据所述待测样品的表面特性将变色光源调整至与所述待测样品匹配的颜色，对所述待测样品进行照射；

s300、利用ccd相机对所述待测样品进行拍照，获得所述待测样品的图片；

s400、将所述图片输入到pc机的图像处理软件中，通过所述图像处理软件中的神经网络模型对所述图片进行瑕疵判定，并完成对所述待测样品的分类。

在发明技术方案中，ccd相机拍摄图片，根据仿人眼的取像方法，并采取合理的角度进行拍摄，例如三维方向和角度方向的变化，进而将不同的瑕疵进行有效的拍摄，进一步，对缩水划伤，以及脏污等拍摄时还会配合采用不同的拍摄方法，即拍摄时会配合不同颜色的光源，即针对不同的瑕疵，采用不同的光源。

在本发明第二方面一种可选的实施方式中，所述根据所述待测样品的表面特性将变色光源调整至与所述待测样品匹配的颜色包括：

根据所述待测样品的表面颜色，选择将所述变色光源调整至与所述待测样品的颜色相同，或者选择将所述变色光源调整至波长与所述待测样品的颜色差别最大的颜色。

在本实施例中，物体呈现某种颜色，是因为其反射了该波段的光，因此在拍摄的物体时若瑕疵的颜色与物体本身有很大差别，可以选用和物体本色颜色相同或者相似的光源(波长相同或近似)，这样物体呈现白色，或者采用和物体颜色相差较大的波长的光，这样物体可以呈现黑色，不论是采用何种光源，目的都是为了使瑕疵的图像更好的呈现出来。对于较小且细微的瑕疵，一般采用波长较短的蓝光或者紫光，这样细微的瑕疵更容易呈现出来。

光源的宽度和瑕疵的最小尺度有关例，在检测表面的缩水不平整问题，采用的是条状的白色光源，条状光源在样品上的成像宽度约为3mm，这是和样品缩水的尺度有关系，该样品缩水的尺度一般为5mm，因此可以选择3mm宽度的条状光源。

在本发明第二方面一种可选的实施方式中，所述将所述图片输入到pc机的图像处理软件中，通过所述图像处理软件中的神经网络模型对所述图片进行瑕疵判定，并完成对所述待测样品的分类之前包括：

采集不同类型瑕疵图像，基于所述瑕疵图像构造训练样本集和测试样本集；

利用所述训练样本集对所述神经网络模型进行训练，得到训练后的所述神经网络模型；

将所述测试样本集输入训练后的所述神经网络模型进行测试，并获得测试结果；

对所述测试结果进行判断；

若所述测试结果不符合预期要求，则重复利用所述训练样本集和所述训练样本集对所述神经网络模型进行迭代训练和测试，直至所述测试结果符合预期要求。

在本实施例中，本发明技术方案还使用了机器学习处理的环节，因为瑕疵的种类比较多，因此需要的数据量非常大，对此采用了轻量的数据学习方案，结合增强数据方法，可以使用较少量的数据，对不同瑕疵的进行机器学习的预处理，并不断的通过在线反馈，将新的瑕疵不断的更新到我们的数据结构中，这样符合工厂地实际生产需求。

在本发明第二方面另一种可选的实施方式中，针对现有的瑕疵，根据初步的拍摄图片，还可以先进行数据的初步人工分类和标注，然后通过机器学习的方法生成人工智能的分类判定算法。

在本发明第二方面一种可选的实施方式中，所述利用ccd相机对所述待测样品进行拍照，获得所述待测样品的图片之后包括：

对所述图片进行预处理，所述预处理包括灰度变换和裁切。

在本发明第二方面一种可选的实施方式中，所述基于人工智能的瑕疵判定方法还包括：

若所述瑕疵为缩水，则将所述变色光源调整成白色条状对所述待测样品进行照射，并根据白色条状光源在所述待测样品的表面是否发生弯曲来判定所述待测样品是否发生缩水。

参见图3和图4，在本实施例中，针对物体水平表面的缩水问题，会采用白光的条状光源动态移动拍摄，正常物体的表面为条状光源为平行排布，缩水的物体的表面则会为弯曲排布。

在本发明第二方面一种可选的实施方式中，所述采集不同类型瑕疵图像，基于所述瑕疵图像构造训练样本集和测试样本集包括：

采集不同类型的瑕疵图像，并对不同类型的所述瑕疵图像进行融合扩展，获得更多所述瑕疵图像的样本；

基于所述瑕疵图像的样本构造训练样本集和测试样本集。

在本发明机器学习环节中，重点加强图像再生扩展的功能，因为，瑕疵的种类和位置分布很多，因此在获取有限的轻量学习数据中，还会对有限的数据进行图像的融合扩展，这样可以在线生成更多的瑕疵图像，通过不断的反馈和训练，这样就可以解决在实际的生产中由于某些瑕疵出现频率过低，而在机器学习的过程中由于数据量的不足的问题。

综上所述，本发明提供了一种基于人工智能的瑕疵判定系统及瑕疵判定方法，所述基于人工智能的瑕疵判定系统包括：用于传输待测样品的传输装置，设置在所述传输装置的正上方的ccd相机，安装在所述ccd相机上的成像镜头，设置在所述传输装置的两侧的上方并用于对所述待测样品进行照射的变色光源，以及与所述ccd相机通信连接的pc机，所述pc主机内设置有图像处理软件，所述图像处理软件中设置有神经网络模型，所述ccd相机拍摄的所述待测样品的图片通过所述图像处理软件中的所述神经网络模型进行瑕疵的判定以及完成对所述待测样品的分类。本发明的基于人工智能的瑕疵判定系统可以改变光源的颜色照射样品，使得瑕疵清晰，并且运用了神经网络模型来对图片中瑕疵进行高效识别，人工投入少，极大的提高了检测的效率。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。