[发明专利]一种自适应强的金属表面智能缺陷视觉检测装备及检测方法

权利要求书

1.一种自适应强的金属表面智能缺陷视觉检测装备，包括光源部分、光学传导模块、工件、CCD相机、检测模块、储存模块和执行机构；其中，

所述光学传导模块进一步包括光栅和抑制剂投放装置，所述光源部分与光栅连接，产生结构光投射至工件表面，所述工件上方放置光学抑制剂投放装置，所述CCD相机对所述工件表面进行拍摄，所述工件依次通过生产线进行传输；其特征在于：

所述检测模块进一步包括A/D转换器、快速标定模块、图像学习模块和显示器；

所述A/D转换器将所述CCD相机的图像数据转化为电信号，并将所述图像数据传输至快速标定模块；

所述快速标定模块对所述图像数据进行标注，并将标注信息传输至图像学习模块；

所述图像学习模块内置学习程序，通过所述学习程序对所述图像数据进行训练，具体的，将训练信息导入深度学习模块，并将训练信息分别传输至显示器和储存部分；

所述储存部分进一步包括数据储存模块、数据分析模块和电机控制模块，所述数据分析模块将所述训练信息与所述数据储存模块中的已知缺陷信息进行对比，判断所述训练信息是否存在缺陷，并将判断结果传输给所述电机控制模块，所述电机控制模块进一步控制执行机构的动作；

所述执行机构进一步包括机械手和电机，所述电机控制模块将控制信号转化为脉冲信号传输控制电机的动作，所述电机驱动机械手将缺陷工件从生产线取下。

2.根据权利要求1所述的自适应强的金属表面智能缺陷视觉检测装备，其特征在于：所述CCD相机与所述检测模块通过CAN总线连接。

3.根据权利要求1所述的自适应强的金属表面智能缺陷视觉检测装备，其特征在于：所述检测模块与所述储存部分之间通过无线以太网连接。

4.根据权利要求1所述的自适应强的金属表面智能缺陷视觉检测装备，其特征在于：所述图像学习模块中的算法采用RNN深度学习算法，包含输入与输出层共计12层神经网络。

5.根据权利要求1所述的自适应强的金属表面智能缺陷视觉检测装备，其特征在于：所述快速标定模块采用python自动标定模块。

6.根据权利要求1所述的自适应强的金属表面智能缺陷视觉检测装备，其特征在于：所述电机控制模块采用嵌入式单片机，优选的，所述机械手的控制算法为PI控制算法。

7.一种应用于权利要求1-6之一所述自适应强的金属表面智能缺陷视觉检测装备的视觉检测方法，其特征在于包括如下步骤：

步骤S1，获取图像数据：CCD相机拍摄工件加工表面，将图像数据转化为点云数据并传输至快速标定模块；

步骤S2，图像标定：将图像数据转化为点云数据，通过所述快速标定模块对图像的疑似缺陷区域进行标定；

步骤S3，图像学习：将标定的图像发送至图像学习模块，利用RNN深度学习模块对图像进行训练，判断图像是否存在缺陷；如果是，则跳转至步骤S4；如果否，则跳转至步骤S6；

步骤S4，数据分析：将步骤S3中判断存在缺陷的图像与储存模块中预存的常见缺陷进行比较，判断出缺陷类型；

步骤S5，生产执行：将缺陷类型与脉冲幅值对应，每种类型脉冲幅值之差为1，控制电机控制模块，通过电机驱动机械手将带缺陷工件放置在对应缺陷产品存放区；

步骤S6，控制结束。