[发明专利]一种用于识别金属丝材表面缺陷的装置及识别方法

权利要求书

1.一种用于识别金属丝材表面缺陷的装置，其特征在于，包括与控制终端连接的两端封闭的腔体和标注单元，所述腔体的内壁上间隔设有一组图像采集单元，腔体的一个端面上设有第一通孔，腔体的另一个端面上设有第二通孔，金属丝材由第一通孔进入腔体由第二通孔穿出，标注单元位于金属丝材穿出腔体的第二通孔附近，设置在腔体的内壁上的图像采集单元与控制终端连接。

2.根据权利要求1所述的用于识别金属丝材表面缺陷的装置，其特征在于，所述腔体的内壁被涂覆同一颜色，颜色的色彩依据不同材质的金属丝材表面缺陷对不同色彩光照下的突显度选择，颜色选取依据色相环的颜色搭配为准。

3.根据权利要求1所述的用于识别金属丝材表面缺陷的装置，其特征在于，所述图像采集单元包括工业相机及设置在工业相机附近的一组照明灯，照明灯的数量为至少2个，工业相机用于采集待识别金属丝材表面图像，照明灯用于向待识别金属丝材投射照明光线，辅助工业相机采集待识别金属丝材表面图像，工业相机将待识别金属丝材表面图像数据发送至控制终端。

4.根据权利要求1所述的用于识别金属丝材表面缺陷的装置，其特征在于，所述标注单元包括装有标志涂料的容器，容器连通带空气压功能的喷枪，喷枪与控制终端连接，控制终端控制标志涂料由喷枪的喷口喷注在金属丝材的表面上，标识出金属丝材表面缺陷位置。

5.根据权利要求4所述的用于识别金属丝材表面缺陷的装置，其特征在于，所述标志涂料为高附着速干颜料或荧光粉。

6.根据权利要求4所述的用于识别金属丝材表面缺陷的装置，其特征在于，所述金属丝材表面缺陷位置为：喷枪的喷涂时刻由腔体的长度L cm、金属丝材移动速度v cm/s即厘米/秒和第几个图像采集单元检测到金属丝材表面缺陷三个因素决定，从金属丝材移动方向开始对图像采集单元进行编号1至N，假设某一时刻t^k，第k，k＝1,2,…,N个图像采集单元检测到缺陷，则在秒的延时后进行喷涂，其中γ为延时调节参数，

7.根据权利要求1所述的用于识别金属丝材表面缺陷的装置，其特征在于，所述图像采集单元在腔体内壁上设置的位置及数量由以下原则确定：将腔体的长度L划分为N个等长度区域，则图像采集单元的数量为2N，其中每一个等长度区域图像采集单元以金属丝材为轴对称设置2个，2N个图像采集单元在每个区域中能够360°地采集到待识别金属丝材表面图像。

8.根据权利要求1所述的用于识别金属丝材表面缺陷的装置，其特征在于，所述第一通孔和第二通孔的孔径一致且均可调。

9.一种用于识别金属丝材表面缺陷的方法，其特征在于，包括权利要求1-权利要求8任意一项所述的用于识别金属丝材表面缺陷的装置，所述方法包括如下步骤：

1)图像采集：控制终端控制图像采集单元获取金属丝材表面图像；

2)目标定位：对步骤1)获取金属丝材表面图像中的金属丝材采用动态阈值分割法确定该段金属丝材在腔体内区域位置，所述动态阈值分割法为：假设待分割的原始图像的灰度值为f(x,y)，背景图像的灰度值为g(x,y)，分割后的二值图像为：

其中(x,y)是图像像素点，T为对f(x,y)与g(x,y)图像进行分割时设定的阈值，阈值将图像指定区域二值化；

3)感兴趣区域ROI提取：提取步骤2)中金属丝材所在腔体内区域即感兴趣区域ROI，在原图像中将该区域分割出来；

4)图片归一化：将感兴趣区域ROI图像归一化成神经网络模型所支持的图像尺寸大小，所述神经网络模型为专利申请号为201910277354.3、专利名称为“基于深度学习的金属表面细微缺陷检测方法及装置”中的神经网络模型；

5)缺陷检测：将步骤4)归一化后的图像输入已训练好的神经网络模型，神经网络模型对归一化后的图像进行缺陷检测与判决；

6)结果输出：检测判决结果输出分为无缺陷图与有缺陷图两种情况。