[发明专利]一种金属零部件X光图像缺陷检测装置

说明书

本发明提供一种金属零部件X光图像缺陷检测装置，包括：X光成像设备，所述X光成像设备通讯连接于图像缺陷检测装置，所述图像缺陷检测装置包括CPU计算单元、GPU图像处理单元、图像采集单元、数据接口单元、存储单元，所述GPU图像处理单元、图像采集单元、数据接口单元、存储单元通讯连接于CPU计算单元，CPU计算单元通过图像采集单元连接于X光成像设备，图像采集单元用于采集工业检测X光机拍摄的影像，形成计算机装置可处理的数字图像文件，传输到CPU计算单元进行调度处理。本发明实时对需检测的金属零部件X光图像进行运算推断，识别出图像中存在的气泡、疏松、裂纹等质量缺陷特征，并在图像中对缺陷区域位置予以标定。

技术领域

本发明涉及金属零部件生产的缺陷检测技术领域，具体为一种金属零部件X光图像缺陷检测装置。

背景技术

金属零部件是工业产品的重要组成部分，以汽车产品为例，汽车轮毂、发动机缸盖、转向节等均是汽车的重要金属零部件，由专业的汽车零部件制造工厂生产，这些零部件产品的制造质量，对于汽车的安全驾驶而言至关重要。上述汽车零部件主要是由金属材质加工而成，在产线的质检工序过程中，需要借助工业检测X光机，对金属零部件进行X光射线照射后，从而形成其内部的X光影像，若金属零部件内部有气泡、疏松、裂纹等质量缺陷，则在X光影像上的缺陷处会表现出不同于正常情况的图像特性。产线的质检人员可以凭借经验通过肉眼观察此X光影像或者借助于一定的机器视觉分析装置，来判定此金属零部件内部有无气泡、疏松、裂纹等质量缺陷。

基于卷积神经网络算法的深度学习技术进行图像识别，利用了人类视觉系统的机理结合人工智能计算机技术，通过图像的特征与分级对目标特征图像进行训练分类。金属零部件X光影像上的气泡、疏松、裂纹等图像具有各自的特征，可以通过深度学习的神经网络方法进行计算机图像识别，具体包括首先利用足够数量的缺陷图像样本对神经网络模型进行训练以及验证，在获得针对气泡、疏松、裂纹等质量缺陷的图像特征识别模型后，部署运行到产线上用于进行质量缺陷图像识别的计算机装置中，对金属零部件X光影像进行自动识别，以判定是否存在气泡、疏松、裂纹等质量缺陷。

发明内容

本发明所解决的技术问题在于提供一种金属零部件X光图像缺陷检测装置，以解决上述背景技术中提出的问题。

本发明所解决的技术问题采用以下技术方案来实现：一种金属零部件X光图像缺陷检测装置，包括：X光成像设备，所述X光成像设备通讯连接于图像缺陷检测装置，所述图像缺陷检测装置包括CPU计算单元、GPU图像处理单元、图像采集单元、数据接口单元、存储单元，所述GPU图像处理单元、图像采集单元、数据接口单元、存储单元通讯连接于CPU计算单元，CPU计算单元通过图像采集单元连接于X光成像设备，图像采集单元用于采集工业检测X光机拍摄的影像，形成计算机装置可处理的数字图像文件，传输到CPU计算单元进行调度处理。

所述CPU计算单元用于运行系统软件，管理整个计算装置的资源，调度各个功能单元的处理任务，实现对金属零部件X光图像的识别分析。

所述GPU图像处理单元用于运行缺陷图像神经网络模型，对输入的结构零部件X光图像进行人工智能推断识别，以判定是否存在气泡、疏松、裂纹等质量缺陷的特征图像区域。

所述数据接口单元用于采集工业检测X光机拍摄的影像，形成计算机装置可处理的数字图像文件，传输到CPU计算单元进行调度处理。

所述存储单元用于存储本计算机装置的程序、配置参数，以及运行过程中的临时数据。

与现有技术相比，本发明的有益效果是：本发明实时对需检测的金属零部件X光图像进行运算推断，识别出图像中存在的气泡、疏松、裂纹等质量缺陷特征，并在图像中对缺陷区域位置予以标定。

附图说明

图1为本发明的结构示意图。

图2为本发明的工作流程示意图。