隨著全球工業化進程的快速發展，在基礎建設和工業領域中對鋁型材的需求非常大，我國也在鋁型材的生產和消費上連年處在增長趨勢。

       由于鋁型材具有低密度、質量輕、密閉性能好、可塑性強、耐腐蝕性強等優勢，其在生活中應用十分廣泛，大到飛機、坦克，小到家用電視、冰箱等。同時，鋁型材因資源豐富，成本低，易于回收可實現循環利用節能降耗等優點，其發展規模正在進一步擴大。

       但在實際生產過程中，由于設備及工藝或生產人員操作不當的影響，會給鋁型材表面帶來不同程度不同類別的損傷，如臟點、雜色、擦花、焦印、雜質、擦傷、刮傷、凸點、凹坑和針孔、洞眼等瑕疵缺陷，這都會極大程度的影響鋁型材的使用性能和質量。

       所以，在鋁型材生產制造過程中引入質檢環節是必不可少的，具有實時性與有效性的鋁型材表面缺陷檢測方法對實現國家工業水平的提升具有重要意義。

       目前在鋁型材的質檢環節仍然以人工目視檢測法為主。

       人工目視檢測法利用人眼觀測的方式對缺陷目標進行檢測，

       其具有準確率低、效率差、勞動強度大，受主觀因素影響大等缺點，

       會使鋁型材生產效率和質量普遍較低，因而無法滿足工業大批量生產的需求。

       隨著工業自動化朝著智能化方向的發展，一些基于機器視覺檢測的方法開始在金屬材料表面缺陷檢測中得以應用。

       該方法主要是基于傳感器和數字圖像處理算法，需要對不同的缺陷類別設計對應的特征提取器，可見，要想提取好的特征，還需要研究人員具有一定的專業背景，但在實際生產環境下金屬材料表面的缺陷種類繁多，形態復雜多變，缺少固定的特征，在缺陷與背景之間對比度低、小目標缺陷受噪聲干擾的情況下易造成檢測精度低，很顯然以這種方式構造特征魯棒性較差，通用性較差日適用面窄。同時，一些檢測系統的成本比較高，設備品貴，對一些小的企業工廠來說具有較大的經濟壓力。

       近些年來，隨著人工智能技術的再次興起，深度學習技術得到了進一步發展并且融入到許多其他技術領域中，快速推動了傳統計算機視覺任務的發展，這也為鋁型材表面缺陷檢測提供了一個新的解決思路。

       深度學習最大的一個優勢是其擁有自主學習特征的能力，可自主的從大量圖像數據中學習到更為抽象更為豐富的特征，與傳統的機器視覺識別方法相比，它的出現大大減少了特征提取的成本，同時也減少了傳統機器學習技術采取手動提取特征這一方式對識別精度的影響。

       基于深度學習的這一特性使得采用同一套算法模型實現對鋁型材表面不同類型缺陷的檢測成為了可能。

       基于深度學習的金屬表面缺陷檢測方法相比于人工目視法和傳統的機器視覺檢測方法，能夠有效地控制金屬產品表面質量，故對于企業來說該方法可以降低生產成本和提高生產效率。

      所以，利用深度學習對鋁型材表面缺陷進行檢測可以解決因鋁型材表面缺陷種類多、噪聲干擾大、缺陷與非缺陷對比度低、缺陷區域小等造成的檢測困難問題。不但在精度上優于傳統方法，而且在檢測速度上也有一定的提升，基本可以實現實時性的高精度檢測。

基于深度學習的鋁材表面缺陷檢測方法

       將工業線陣CCD 相機架設在生產線上方，同時采用高亮的LED線性聚光冷光源進行背打光，通過線陣CCD相機和高速圖像處理系統進行實時的在線掃描。

       系統自動記錄瑕疵的圖像、位置等信息，同時通過信號控制實現打標機對瑕疵的自動貼標定位。

       線陣CCD攝像機通過連接在幅面驅動軸上的編碼器觸發獲取幅面的圖像信息，CCD相機的分辨率、縱向線掃頻率等性能確定系統的采集精度，系統精度高，圖像數據處理量大，數據經過高速處理后保留鋁材表面瑕疵的數據信息（大小、直徑、橫縱向位置）并控制輸出，計算機系統通過數據庫記錄和管理缺陷具體位置、大小和圖像等信息。

鋁型材表面缺陷數據集構建

       在深度網絡模型的訓練過程中，圖像的質量是至關重要的，這將直接影響到缺陷特征的提取難度，從而影響模型的檢測效果。

       所以需要對所用鋁型材表面缺陷數據集進行特征分析，數據增強和數據集的制作等操作。鋁型材表面缺陷數據集構建步驟如圖所示。

鋁型材表面缺陷介紹

       針孔、洞眼、焦印、雜質、擦傷、刮傷、凸點、凹坑等是鋁箔加工過程中的常見的瑕疵缺陷。

設備拍攝方案

① 檢測工位俯視圖

機器視覺檢測原理

       CCD 工業相機將待測目標轉換為圖像信號，通過定制的圖像數據處理系統，將像素分布和亮度、顏色等信息，轉變成數字化信號；圖像系統對這些信號進行相應的運算來抽取目標的特征，進而產生檢測結果并依此控制現場設備的動作。

1. 圖像預處理

       經編碼器同步傳遞后的 CCD 信號，先通過加速卡進行信號預處理，進一步增強信號，進而連續組成圖像。

       預處理包括：利用傅利葉分析，對信號降噪， 將圖像進行亮度、對比度的調整，邊緣銳化和平滑濾波。亮度與對比度調整，增強了圖像特征值，易于識別。邊緣銳化將使圖像邊界由模糊變得清晰，易于缺陷尺寸、形貌的界定。平滑濾 波采用中值濾波方法，可以很好地抑制干擾脈沖和點狀噪聲，同時又能較好的保持邊緣信息。

2. 圖像灰度分析

       理論上，當鋁板帶表面無缺陷時，圖像灰度呈現連續等值分布。

       實際采集中，圖像灰度是 在一定范圍內進行波動。當灰度值超出范圍，圖像將被判定為缺陷。當然，評價一個信號的灰 度是否是缺陷還不是那么簡單，還要根據一系列特征值，如亮度、對比度、發生頻率等綜合考慮后，才能做出最終判定。

3. 缺陷的識別

       灰度分析完成，信號將被交給自動識別系統。自動識別系統配備了根據鋁板表面常見缺陷而設定的每一個已定義缺陷種類的預期特征值范圍。在檢測期間，識別系統比較信號特征與已定義缺陷種類的匹配程度，一經確認，即觸發顯示。

4. 缺陷的處理

       發現缺陷可進行同步打標處理，可對整卷鋁板的表面質量進行等級判別，獲取整卷鋁板表面質量的完整數據。

       雙翌光電一直專注于從事機器視覺行業，在機器視覺系統及機器視覺軟件領域不斷探索與研發，應用范圍涉及包裝印刷、電子、紡織、汽車制造、半導體、等領域，為各行業工廠客戶提供機器視覺產品、視覺自動檢測技術、視覺檢測設備，視覺定位，視覺對位，視覺測量，缺陷檢測，標簽檢測，印刷檢測，機器視覺軟件，全套視覺解決方案。