基于深度学习的玻璃瓶内壁裂纹检测装置

技术领域

本发明涉及图像采集检测装置，尤其是涉及一种玻璃瓶内壁图像采集与深度学习图像处理技术。

背景技术

在日常生活中，酒成了人们生活中必不可少的生活品，尤其是在宴会中，酒的需求往往是特别大的。对于玻璃瓶来说，其材料是石英砂做成，瓶身为深色，这不仅是工业本身剔除杂质成本较高，还是因为深色能够很好的阻隔光线，保证玻璃的质量。玻璃瓶在生产过程中，由于其化学材料，熔制工艺，温度气压或是设备等原因，容易造成瓶身产生裂纹。细微的裂纹，尤其是瓶身内壁的裂纹，不仅受限于瓶子颜色难于区分，更受限于内壁裂纹难于观察出来，而且人工检测不仅非常费时，效率还低。

因此，对于玻璃瓶内壁的裂纹检测具有十分重要的现实意义，不仅能够提升经济效益还能提高生产线的安全。由于玻璃瓶口细小需设计一个专门的内部图像采集装置。对于图片中的裂纹识别，可采用深度神经网络模型。本发明提供一种玻璃瓶内壁图像采集与检测一体的装置，简单易用，采集效率高，成本低，便于对玻璃瓶内壁进行实时的检测。

发明内容

本发明的目的是为了解决上述的问题，提供一种基于深度学习的玻璃瓶内壁裂纹检测装置。该发明可以让图像采集装置深入玻璃瓶内拍取瓶内全方面的图像，同时利用深度神经网络模型来检测图像中是否存在裂纹。具有检测速度快，效率高，成本廉价，安全性能高等优点。

本发明提出的基于深度学习的玻璃瓶内壁裂纹检测装置，所述发明包括：控制器装置，图像采集装置与裂纹检测装置。所述控制器装置包括两个激光发射器，两个光电传感器和主控器。其中激光发射器与光电传感器的作用是检测玻璃瓶是否到达待检测位置，主控器接受电信号和发送信号，并控制履带的停止与运输。所述图像采集装置主要包括电机，气缸，气缸活塞杆，雷达，光源，旋转器，微型摄像头。装置皆安装在支架顶端的中心位置。其安装顺序为：电机安装板安装在支架顶部的中心位置，电机安装在电机安装板上，气缸安装板安装在电机上，气缸安装在气缸安装板上，气缸活塞杆安装在气缸上，连接板安装在气缸活塞杆上，雷达、光源与旋转头安装在连接板上，微型摄像头安装在旋转头上。其作用是让微型摄像头进入玻璃瓶内部拍摄全方面的照片，并将其传至图像检测装置中。所述图像检测装置包含有一个训练好的深度卷积神经网络。其作用是将拍摄到的图像输入到深度卷积神经网络中，判断图像中是否含有裂纹，并将结果返回至主控制内。

所述控制器装置皆安装在支架上。进一步地，当待检测物品传输至第一个激光发射器处时，其阻碍了光电传感器接受光信号，光电传感器将传输一个弱信号传值主控器内。进一步地，主控器接受信号后控制履带减缓运输速度。进一步的，当待检测物品传输至第二个激光发射器出，阻碍第二个光电传感器接受光信号，同样主控器接受到光电传感器的信号。进一步地，主控器控制履带停止运输。

所述图像采集装置安装在支架上方的中心端，在支架两侧下方为激光发射器与光电传感器。进一步地，当玻璃瓶到达图像采集装置下方，主控器发出信号使得气缸带动气缸活塞杆延伸，使得微型摄像头进入玻璃瓶内部。进一步的雷达探测到微型摄像头已到达底部的一定位置时，发出信号给主控器。进一步地，主控器控制气缸停止，并让微型摄像头拍摄底部图像，再让旋转器旋转90°使得微型摄像头从底部转向面对侧面。进一步的，主控器发出信号，使得气缸带动气缸活塞杆收缩一段距离。进一步地，主控器控制微型摄像头拍摄图像，再让电机旋转120°。进一步地，再重复上述两次，以此让相机拍摄内壁一周的图像。进一步地，重复上述收缩操作，使得相机能够拍摄到内部所有的图像。

所述图像检测装置，连接着微型摄像头。进一步地，接受图像采集装置采集的图像，并使用深度卷积神经网络进行检测。其中网络框架是使用官方给出的YOLOv3源码，通过收集大量的玻璃瓶内壁裂纹的图像放入网络模型中进行训练。

YOLO网络的检测是通过将图像分为数个小模块，若是模块中含有待检测目标图像的中心，则该模块负责检测并输出裂纹的位置信息。对于图像进入网络模型中，是通过卷积、池化、降采样层、IoU运算和非极大值运算，最终的输出结果是一个概率矩阵。其中会有每个模块对裂纹概率的预测，当预测值大于阈值时则认为该模块中含有待检测的裂纹。模型的损失函数包含每个模块对裂纹预测的准确程度与位置框的精读，若偏差较大则损失函数的值越大。最终通过大量的训练能够得到裂纹检测与定位的深度学习网络模型。进一步地，检测结果将返回至主控器内。进一步地，主控器从新运行履带并开始下一个物品的检测。

所述的基于深度学习的玻璃瓶内壁裂纹检测装置，待检测物品在履带上传输至图像采集装置下方时，主控器控制履带停止传输并控制图像采集采集内壁图像，最终通过深度学习的模型识别图像中是否含有裂纹，并将结果返回至主控内。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是检测装置的侧面图。其中阴影部分的是支架，在支架的顶部中间有图像采集装置。

图2是图像采集装置的正面图。两端是支架，支架两端下方时两个激光发射器与光电传感器。支架上方由上到下分别为电机安装板、电机、气缸安装板、气缸、气缸活塞杆、连接板、光源、雷达、旋转头和微型摄像头。

图3是训练Yolov5模型的过程。

图4是YOLOv5模型框架。

图5是整个玻璃瓶内壁裂纹检测装置的流程图。

具体实施方式

为了使本领域技术人员更好的理解本发明的技术方案，下面结合附图对本发明进行详细的描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围做任何限制。

如图1所示，待检测物品在履带上传输进入到图像采集装置下方时，会被传感器检测到，履带停止传送，最终由图像采集装置采集待检测物的内壁图像。

如图2所示，当待检测物品进入到支架时，被两端的激光发射器与雷达探测器检测到。此时主控器接受到信号并使得履带逐渐至停止，接着发出信号，使气缸活塞杆带动微型摄像头进入玻璃瓶内部。在雷达探测到已到达合适距离时信号，主控器使得气缸控制气缸活塞杆停止延伸，并控制光源亮起，接着控制微型摄像头拍照。在拍取后在控制旋转头旋转90°并使气缸控制气缸活塞杆收缩一段距离。接着再让微型摄像头拍取照片。拍取后主控器控制电机旋转120，在此拍取。在拍取周围一圈后使得活塞杆在此收缩，直至拍取玻璃瓶内壁所有的图像。

如图3所示，从官方处下得Yolov5的源码，大量收集玻璃瓶内壁裂纹的图像，并标注每张图像中裂纹所在的位置。通过训练1500轮次数后，得到自己的模型。将其与官方的模型一起预测最终得到可以进行实时预测图像裂纹的模型。

如图4所示，其为Yolov5模型的整体框架，其原理通过输入原始图像到网络中，将其分成多个单元格，以每个格子所在位置和对应内容为基础，来预测，图像经过一系列的卷积层、池化层、下采样层和非线性激活函数的Mish层，最终预测出图像中每个单元格是否含有待检测的目标。在神经网络的框架中，Backbone是在不一样图像细粒度上聚合并造成图像特征的卷积神经网络。而Neck模块一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。最后的Prediction模块是对图像特征进行预测，生成边界框和并预测类别。最终根据预测的类别来判断原始图像中是否含有裂纹。

如图5所示，此图为整个玻璃瓶内壁裂纹检测装置的流程图，该逻辑包括：

S1，待测物品在履带上传输，每个待测物品都相距一定间隔。

S2，当待见物品传输至第一个激光发射器中间时，阻碍了激光发射器向光电传感器发送信号。主控器收到消息后控制履带减缓速度。当待检测物品继续运输，阻碍了第二个激光发射器向光电传感器发送信号时，主控器收到信号并控制履带停止传输。

S3，主控器两次收到光电传感器传出的信号，代表着待检测物品已经传输至图像采集装置下方。此时主控器会从第一次信号开始减缓履带速度，到第二次收到信号停止履带运行。

S4，该模块如图2的描述，图像采集装置会带动微型摄像头进入玻璃瓶内部，采集内壁图像。

S5，深度学习模块获取到拍摄到的内壁图像，通过已经训练好的Yolov5模型，进行检测图像中是否含有裂纹。

S6，检测模块将最终的结构返回值主控器内，主控器记录结果并从新控制履带运行。

以上对本发明实施例所提供的基于深度学习的玻璃瓶内壁裂纹检测装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。