[发明专利]一种基于多光谱成像的产品表面缺陷检测系统

说明书

本发明提供了一种基于多光谱成像的产品表面缺陷检测系统，其特征在于，包括多光谱图像采集模块和多光谱图像缺陷检测模块；多光谱图像采集模块包括多光谱光源、多光谱相机、传送带和检测台；多光谱相机和多光谱光源位于检测台上；传送带穿过检测台下方；多光谱图像缺陷检测模块包括特征提取模块、特征融合模块和决策网络模块；特征提取模块接收原始图像，产生图像特征集；特征融合模块连接特征提取模块，接收图像特征集，产生特征融合集；决策网络模块连接特征融合模块，接收特征融合集，输出产品检测结果。本发明的有益效果是：充分提取产品表面特征，利用端到端的算法地进行缺陷识别，减少多个算法的累积误差，可以快速适应多种缺陷分布。

技术领域

本发明涉及产品表面缺陷检测检测领域，特别涉及一种基于多光谱成像的产品表面缺陷检测系统。

背景技术

自动光学识别是使用计算机技术对光学传感器采集得到的图像进行识别的技术，在流水线生产领域可用于流水线生产，而对于表面缺陷而言，自动光学识别的成功率在很大程度上都取决于照明系统的质量以及方式。

在传统的自动光学识别领域，自动光学识别系统使用某个角度以及特定的光源和相机组成的照明系统进行图像采集，然后再对该采集图像进行识别。常用的照明方法有高角度照明、低角度照明、背光照明等，常用的光源种类包括紫外光、可见光、红外光等。使用单一光谱成像对一些特定的表面缺陷有较好的效果，但对于一些比较复杂的缺陷，在单一种类光源的成像下，缺陷的特征不明显，从而导致后续算法开发的难度上升。

近年来也出现使用多光谱进行图像采集，然后通过一些图像融合的方式进行多光谱图像进行融合，再利用识别算法进一步识别缺陷。相比单一光谱，多光谱成像可以让缺陷有更加丰富的特征信息。现有利用多光谱图像进行表面缺陷检测的方法的一般流程为：使用不同角度的单色光来组合多光谱图，再利用光谱图计算物体表面法向量，然后使用机器学习算法结合法向量信息进行缺陷识别。这些方法需要对各个阶段算法参数进行细致的调整，当缺陷的分布差异较大时，适合的参数需要花费大量的时间进行调优。而且当算法的各个环节存在一定的误差时，即使是比较微小的误差，整体累加会导致较大误差。

故市场亟需一种能够在充分的提取产品表面特征的基础上，减少累积误差，可以快速适应多种缺陷分布的产品表面缺陷检测系统。

发明内容

为了解决上述技术问题，本发明中披露了一种基于多光谱成像的产品表面缺陷检测系统，本发明的技术方案是这样实施的：

一种基于多光谱成像的产品表面缺陷检测系统，其特征在于，包括多光谱图像采集模块和多光谱图像缺陷检测模块；所述多光谱图像采集模块包括多光谱光源、多光谱相机、传送带和检测台；所述多光谱相机和所述多光谱光源位于所述检测台上；所述传送带在所述检测台下方并穿过所述检测台；所述多光谱图像采集模块采集原始图像并将其传输至所述多光谱图像缺陷检测模块；所述多光谱图像缺陷检测模块包括特征提取模块、特征融合模块和决策网络模块；所述特征提取模块接收所述原始图像，并产生图像特征集；所述特征融合模块与所述特征提取模块相连，接收所述图像特征集，同时产生特征融合集；所述决策网络模块与特征融合模块相连，接收所述特征融合集，产生产品检测结果并予以输出。

优选地，所述多光谱光源所发出的为包括可见光、红外光、紫外光、超声波、X光的一种或多种；所述多光谱相机所接收的为包括可见光、红外光、紫外光、超声波、X光的一种或多种。

优选地，所述特征提取模块具有多个分支网络，每个所述分支网络分别对应一个光谱图；所述分支网络内部包括多个Block；所述Block内部使用多种大小不同的卷积层。

优选地，所述特征融合模块生成为特征融合算法的计算机程序；所述融合模型训练算法为包括小波融合算法、主成分分析融合算法、图像金字塔融合算法和加权融合算法的一种或多种。

优选地，所述产品检测结果包括是否具有缺陷、所述缺陷的具体位置和所述缺陷的尺寸的大小的一种或多种。