一种基于嵌入式AI平台的精密金工3D无损检测方法

技术领域

本发明属于工业检测技术领域，特别涉及一种基于嵌入式AI平台的精密金工3D无损检测方法。

背景技术

精密金工，例如金属弹片，在电子行业的应用极为广泛。在电子产品制造中，电路板是一个非常重要的组成部分，而金属弹片可以用于实现电路板的各种功能。例如：跳线功能、连接器、传导性等。这些就要求金属弹片具有极高的精密程度，要求整体弹片水平高度误差范围在0.1mm内。

发明内容

本公开实施例之一，一种精密金工3D无损检测方法，该检测方法包括，

将激光线扫传感器固定在支架上；

设置传送带于所述激光线扫传感器下方，所述精密金工被置于所述传送带上；

配置嵌入式AI平台，接收所述激光线扫传感器传送的精密金工的图像数据；

激光线扫传感器采集数据激光线扫描数据，嵌入式AI平台将激光线扫传感器传输的数据进行深度图的生成，根据深度图进行缺陷检测。

所述嵌入式AI平台装载有精密金工3D无损检测模型。

所述检测模型的构建方法包括：采集精密金工的高度数据，生成深度图；对深度图进行阈值分割；进行双三次插值超分辨率处理，利用AI模型进行训练。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1根据本发明实施例之一的精密金工3D无损检测模型构建方法示意图。

图2根据本发明实施例之一的精密金工3D无损检测模型构建方法示意图。

具体实施方式

对于精密金工的检测方案，包括有2D摄像机方案、3D线扫方案，和带有AI的PC端3D视觉检测。2D摄像机方案主要采用LED光源照亮待检测表面，再用2D摄像机固定位置拍照将图像上传至计算机，给出缺陷检测项的结果。3D线扫方案，利用激光线扫传感器得出高度数据，一般是生成点云图片，利用点云工具进行配置算法，得出检测结果。具有AI的PC端3D视觉检测方法，联合了激光线扫传感器和AI。该方法一般部署在PC端,在PC端进行AI检测。

通过对各种方案的测试，可以发现2D摄像机方案具有以下缺点：

1.用2D摄像机进行检测需要比较严格的光源，提供均匀的照明水平，这对技术人员的打光设计的要求较高。特别的针对不同形状的弹片时，要调整光源角度，复杂性将大大提高。

2.精密金工表面存在反光，会导致在相机中的成像效果不好。

3.摄像机成像为2D图像，不包含高度信息，无法检测高度缺陷。

而3D点云算法方案的缺点包括：

1.采用点云工具配置算法，用户学习成本高。

2.点云工具的开发难度高。

带有AI的PC端3D视觉检测方法的缺点是：PC端需要高性能计算机来支持AI的大模型识别，成本高，且占用安装空间较大。

针对上述问题，本公开提出一种精密金工缺陷无损检测方法，利用高精度激光线扫描传感器，3D扫描数据生成深度图，供嵌入式平台进行AI分析，以解决上述技术问题。

根据一个或者多个实施例，一种精密金工3D无损检测方法，检测方法涉及激光线扫传感器、嵌入式AI平台两部分。精密金工被置于传送带上，配合传动带的控制，使精密金工被扫描。其中，传感器用于采集数据激光线扫描数据，嵌入式AI平台将传感器传输的数据进行深度图的生成，根据深度图利用高算力嵌入式AI平台进行模型分析，检测缺陷。以下是对本公开实施例的进一步详细说明。

激光线扫传感器安装在固定支架上，传感器的传感头安装在传送带的上方位置，始终保持扫描线扫描到精密金工，且使激光线垂直于传送带。精密金工的位置放置应在激光线的中间区域。精密金工的移动完成激光线扫传感器的3D扫描，对高度数据进行处理，数据传输至嵌入式平台生成深度图，进行AI模型训练分析，如图1、2所示。

本公开实施例，也可用于检测弹片形状不规则。通过在后期生产中可以不断优化模型，做到持续、准确、高效率的智能检测。

根据一个或者多个实施例，一种精密金工3D无损检测模型构建方法，如图1所示。其中，对深度图的分割采用阈值分割。例如，样品的合格高度范围在1～2mm，翘起高度超过0.1mm视为不合格，将扫描的高度数据转为深度图对应的灰度值为0～255，按照1：100比列进行转换，合格范围的灰度值在0～200，那么灰度值超出210的视为不合格，设置阈值范围为205～255，进行图形分割，实现了对缺陷的提取。此方法极大提高缺陷定位的速度。

本公开实施例中，分割的深度图的灰度值范围在50，重映射灰度值为0～255，此法为导致深度图造成失真现象，分辨率下降。于是采用超分辨率中的双三次插值进行处理，具体实现过程如下：

a.将低分辨率图像转为浮点数表示，确定插值点位置。

b.对每个插值点，在其周围选取16个采样点(4x4网格)用于计算差值。

c.利用双三次插值函数，对选区的采样点进行加权，计算出插值点灰度值。

此方法可以极大地提高图像的分辨率和清晰度。通过以上图像处理算法，可以起到缺陷定位更快速，增加对比度，提高精度，提高AI分析更效率。

AI模型训练过程如图2。在初始化YOLO-v5时，设置学习率超参数；在定义损失函数时，是由定位损失、分类损失和置信度损失组成的加权和。定位损失采用平方误差损失函数；分类损失使用二元交叉熵损失函数(BCE)；置信度损失采用sigmoid函数；每个损失都有对应的权重，这些权重根据实验效果进行调整。

在初始化Adam优化器时，会设置学习率，beta1，beta2。此参数要根据实验效果进行调整。在模型训练和评估模型时，根据实验效果进行yolo模型的学习率或者Adam超参的调整。

本公开实施例将训练好的模型导入嵌入式设备，采集和处理后的深度图进行AI缺陷分析得出结果。

综上所述，本公开的技术方案带来的有益效果包括：

1.本发明利用激光线扫传感器，采集高度信息，相比于2D相机省去了打光环节，不易受环境影响。

2.线扫激光相对于2D相机检测精度更高，可以利用高度数据即可生成点云图，也可生成3D深度图。

3.利用AI分析深度图，只需进行模型训练，即可自动检测，提高效率。

4.嵌入式平台性价比高、狭小空间部署灵活，联合激光线扫传感器进行3D扫描，不受环境光限制，利用高度数据检测缺陷。

5.基于深度值设置阈值对深度图进行分割，缩小缺陷范围，对缺陷的定位更加准确。扩大缺陷映射范围，增加对比度。

6.进行双三次插值超分辨处理，提高分辨率，更利于AI分析，提高精确度。

7.利用Adam优化YOLO-v5模型，设置学习率和beta1、beta2超参，提高检测效率。

本公开实施例不仅仅局限于包括金属弹片的精密金工的缺陷无损检测，也可用于电路板的缺件、漏焊破损等应用场景。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。