本发明属于智能化缺陷检测领域，尤其涉及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。
背景技术：
零件的表面质量是机械加工质量的重要组成部分，表面质量是指机械加工后零件表面层的微观几何结构及表层金属材料性质发生变化的情况。经机械加工后的零件表面并非理想的光滑表面，它存在着不同程度的粗糙波纹、冷硬、裂纹等表面缺陷。虽然只有极薄的一层(0.05～0.15mm)，但对机器零件的使用性能有着极大的影响；零件的磨损、腐蚀和疲劳破坏都是从零件表面开始的，特别是现代化工业生产使机器正朝着精密化、高速化、多功能方向发展，工作在高温、高压、高速、高应力条件下的机械零件，表面层的任何缺陷都会加速零件的失效。因此，必须重视机械加工表面质量。
目前，金属表面缺陷视觉检测的常见处理方式为人工处理。而流水作业线上的处理方式为使用照相机拍摄照片，通过对比储存器中缺陷照片的信息来完成视觉检测，对于缺陷照片信息量过大、缺陷信息判断不准均会导致检测速度降低、检测精度不够，出现误判、误检的现象，影响检测精度与检测速度，现有技术中，中国专利cn108827969a公开一种金属零件检测与识别方法及装置，该方法基于表面缺陷检测模型对原始图像进行缺陷区域检测，定位区域之后，对比预先储存的缺陷类型来判断缺陷类型。
已有的检测技术均是对采集原始图像信息之后，对比已有的表面缺陷照片、缺陷模型计算参数等信息，来判断金属表面缺陷的类型。在传统的检测过程中，由于缺陷种类多、判断标准不明确导致检测速度较低、检测精度不够，使得视觉检测效率低下，另外，这中检测方式不仅不精度不够，而且对于生产线上的次品挑选，往往依赖于人工的手工，生产效率和安全性大打折扣。
技术实现要素：
为解决上述问题，本发明提出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，该缺陷视觉检测装备能够快速准确的识别工件表面质量缺陷，并且能够将生产线上的缺陷工件快速取出，提高次品的检测效率和生产效率。本发明的具体技术方案如下：
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；
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。
所述ccd相机与所述检测模块通过can总线连接。
所述检测模块与所述储存部分之间通过无线以太网连接。
所述图像学习模块中的算法采用rnn深度学习算法，共计12层神经网络(包含输入与输出层)。
所述快速标定模块采用python自动标定模块。
所述电机控制模块采用嵌入式单片机。
优选的，所述机械手控制算法为pi控制算法。
本发明的有益效果为：通过模块标定将疑似缺陷部分自动标注，并将标注信息传输至图像学习模块，通过图像学习模块内置的学习程序对传输图像进行训练，提高了图像的识别精度，从而提高次品率的识别准确度；对于次品的挑选，通过控制机械手及时将缺陷工件从生产线取下，提高了生产效率和安全性。
附图说明
图1为本发明金属表面智能缺陷视觉检测装备示意图；
图2为本发明缺陷视觉检测方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行描述，显然，所描述的仅仅是本发明一部分实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，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，投放装置释放抑制剂降低金属表面的反射，再使用ccd相机对所述工件表面进行拍摄，这些工件依次通过生产线进行传输；
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，这些缺陷信息包括工件表面的斑点、凹坑、划痕、色差、缺损等缺陷，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；
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。
所述ccd相机与所述检测模块通过can总线连接。
所述检测模块与所述储存部分之间通过无线以太网连接。
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；
所述快速标定模块采用python自动标定模块；
所述电机控制模块采用嵌入式单片机；
如图2所示，本发明的视觉检测方法包括：
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。
作为一种实施方式，图像学习模块对每个图像分别进行检测，若检测到至少一个图像中存在缺陷，则确定目标区域存在缺陷，控制机械手将存在缺陷的工件移出生产线，如果均不存在缺陷，则机械手不动作，保留全部产品。
优选的，所述异常数据判断算法为rnn深度学习算法，共计12层神经网络(包含输入与输出层)，学习样本数量为1000。
优选的，所述机械手控制算法为pi控制算法。
本申请基于机器视觉技术的缺陷检测系统，由于其非接触检测测量，具有较高的准确度，可长时间稳定工作，节省大量劳动力资源，极大地提高了工作效率；可对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测，不仅从根本上解决人工检测效率低、精度低的问题，同时，还可以降低原材料消耗、能耗和人力成本。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
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。
技术总结