[发明专利]基于机器学习的板材涨塞检测系统和检测方法

权利要求书

1.一种基于机器学习的板材涨塞检测系统的检测方法，其特征在于，所述检测方法包括：

S1：将待检测板材放到传送带上，开启传送带；

S2：当传送带上的第一光电传感器检测到板材进入，所述第一光电传感器发送第一检测信号至控制器，所述控制器接收所述第一检测信号，根据所述第一检测信号触发色彩传感器采集与所述待检测板材相关的色彩信息，将所述色彩信息发送至控制器；

S3：控制器接收所述色彩信息，按照预定的打光方式控制光源模块的所有光源，并发送第一控制指令给图像采集装置，图像采集装置接收所述第一控制指令，根据所述第一控制指令采集与所述待检测板材相关图像信息；

S4：当传送带上的第二光电传感器检测到所述待检测板材离开，发送第二检测信号至控制器，所述控制器接收到第二检测信号，根据所述第二检测信号生成第二控制指令，发送所述第二控制指令至所述图像采集装置,所述图像采集装置接收所述第二控制指令，停止采集与所述待检测板材相关的图像信息；

S5：控制器对采集到所述图像信息进行分析，检测所述待检测板材上的涨塞是否存在缺陷，得到检测结果，包括：

S5.1：建立背景模型，采集一张空传送带背景图像并框选框架区域，作为背景图像；

S5.2：采集任意角度下的一张板材图像作为模板图像，将模板图像进行图像分割后得到第一板材区域，计算模板图像区域的第一特征向量，并将所述第一特征向量存入数据库中；

S5.3：采集当前图像，将当前图像进行图像分割后得到第二板材区域，计算当前图像区域的特征向量，并将提取到的第二特征向量与模板图像的第一特征向量比较，根据比较结果确定待检测板材是否与模板相同，包括：

S5.3.1：采集当前图像，并将当前图像与背景图像相减并取绝对值，然后做全局阈值处理得到二值图，对二值图做形态学滤波去除图像噪声，并与当前图像做与操作，实现图像中板材所在区域的粗定位；

S5.3.2：采用均值漂移聚类算法对板材区域图像做图像分割，采用Blob形态学分析确定精确板材区域，并对精确板材区域进行孔洞填充，得到完整的精确板材区域，包括：

S5.3.2.1：将图像中的所有像素点转化为样本数据x’=(r,g,b,x,y)，其中r,g,b分别为像素点的红色、绿色、蓝色通道的值，x,y为像素点的像素坐标；

S5.3.2.2：在未分类的样本中随机选择一个点作为聚类中心c⁰；

S5.3.2.3：计算聚类中心偏移向量m^t:

其中，c^t为t时刻的聚类中心；S_h为以c^t为中心点，半径为h的高维球区域；k为包含在S_h范围内的点的个数；x’_i为包含在S_h范围内的点；

S5.3.2.4：更新聚类中心:

S5.3.2.5：重复步骤S5.3.2.3、S5.3.2.4，直到偏移向量大小满足设定的阈值要求，记下此时的中心点；

S5.3.2.6：重复S5.3.2.2、S5.3.2.3、S5.3.2.4，直到所有的点都被分类完成；

S5.3.3：通过步骤S5.3.1和步骤S5.3.2得到当前图像分割后的第二板材区域以及模板图像的第一板材区域，计算第二板材区域的第二特征向量和第一板材区域的第一特征向量，比较所述第二特征向量与第一特征向量，得到比较结果，根据比较结果确定待检测板材是否与模板相同；

S5.4：利用涨塞模板匹配算法预先找出图像中涨塞可能出现的区域，再将这些区域输入到基于深度学习的图像分类器，确定区域内是否存在涨塞，如果存在确定涨塞类型，最后利用非极大值抑制选出最佳涨塞区域；

S5.5：对最佳涨塞区域进行坐标系转换，转换到基于板材质心的坐标系，然后与模板的涨塞位置进行匹配，得到检测结果；

S6：控制器根据所述检测结果生成第三控制指令，将检测后的所述板材传递至下一工序。