CN117630010B - 一种金属板材表面缺陷三维精密检测方法、组件及系统 - Google Patents

Abstract

本发明公开了一种金属板材表面缺陷三维精密检测方法、组件及系统，本发明提出的检测方法基于深度学习及坐标系统一的原理实现缺陷精度定位，为深度检测提供目标检测位置和测量轨迹，解决了金属板材质量检测时缺陷位置缺失的问题；利用图像处理计算缺陷的二维特征尺寸，根据深度检测获取的深度信息，计算得到缺陷的深度特征尺寸，从而完成缺陷三维特征尺寸的检测，同时找到被测件表面的危害性缺陷，基于三维形貌扫描方法，完成单个危害性缺陷三维形貌的扫描，从而实现表面缺陷三维形貌的定量检查，极大地提高了金属板材表面缺陷检查效率及检测可靠性。

Description

一种金属板材表面缺陷三维精密检测方法、组件及系统

技术领域

本发明属于金属表面质量检测技术领域，具体涉及一种金属板材表面缺陷三维精密检测方法、组件及系统。

背景技术

金属板材是金属材料应用的常用形式之一，广泛应用于各行各业。金属板材元件生产工艺复杂，涉及工序繁多，在检测、轧制、表面处理、生产流转等过程中均有可能导致表面划伤、凹坑等表面质量问题。一些特殊金属板材例如锆板作为核燃料组件基本的关键单元，表面质量问题的存在会对其使用的安全性造成巨大影响。

现有的金属板材表面缺陷检测手段主要包括人工检测、涡流检测、视觉检测等均存在弊端。其中，人工检测由操作人员借助显微镜、放大镜或者利用试块比对进行测量，效率低下、检测精度不高、对检测人员的经验与主观意识依赖性强，长时间工作条件下可靠性也会降低，对细微划痕难以判定且容易误判，无法实现定量测量，获得的缺陷信息有限；涡流检测利用电磁感应的原理，检测对象必须为导电材料，且检测深度与检测灵敏度相互矛盾，难以判定缺陷的具体位置；而基于机器视觉的金属表面缺陷检测技术受限于表面成像技术，检测设备对深度信息获取有限，导致检测结果中存在大量无表面深度信息的伪缺陷，增加了缺陷检测的误检率。

发明内容

为了解决现有金属板材表面检测技术存在的检测精度不高、获得的缺陷信息有限、效率低下等问题，本发明提供了一种金属板材表面缺陷三维精密检测方法、组件及系统，本发明利用全检+个检的检测方式获得危害性划痕的三维形貌，追溯前端生产工艺的不足，提升了缺陷检测的可靠性和效率。

本发明通过下述技术方案实现：

一种金属板材表面缺陷三维精密检测方法，所述方法包括：

获取被测件表面的二维平面图片集；

利用预先训练得到的缺陷识别模型对所述二维平面图片集进行检测，识别出图片中缺陷的类别及位置分布；

从原图中分割出缺陷得到子缺陷图片集，对所述子缺陷图片集进行轮廓提取，并计算得到缺陷的二维特征尺寸；

根据轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹并依据所述目标位置和测量轨迹控制深度检测单元进行深度检测；

获取所述深度检测单元采集的深度信息，并根据所述深度信息处理得到缺陷的深度特征尺寸，所述深度特征尺寸与对应缺陷的二维特征尺寸构成该缺陷的三维特征尺寸；

根据识别出的缺陷类别、位置分布及三维特征尺寸，对被测件表面质量进行监测并识别出微观缺陷；

根据所述微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹并依据所述扫描轨迹控制所述深度检测单元进行所述微观缺陷的三维形貌扫描，从而得到所述微观缺陷的三维形貌。

现有金属板材表面缺陷检测技术存在检测效率较低、检测精度不高等问题。而本发明提出的检测方法基于深度学习及坐标系统一的原理实现缺陷精度定位，为深度检测提供目标检测位置和测量轨迹，解决了金属板材质量检测时缺陷位置缺失的问题；利用图像处理计算缺陷的二维特征尺寸，根据深度检测获取的深度信息，计算得到缺陷的深度特征尺寸，从而完成缺陷三维特征尺寸的检测，同时找到被测件表面的危害性缺陷，基于三维形貌扫描方法，完成单个危害性缺陷三维形貌的扫描，从而实现表面缺陷三维形貌的定量检查，极大地提高了金属板材表面缺陷检查效率及检测可靠性。

作为优选实施方式，本发明的从原图中分割出缺陷得到子缺陷图片集，对所述子缺陷图片集进行轮廓提取，并计算得到缺陷的二维特征尺寸，具体包括：

利用端对端的矩形框标记缺陷并注明缺陷类别；

利用图片裁剪法，根据标记缺陷的矩形框的坐标将缺陷从原图中分割出来得到子缺陷图片集；

对所述子缺陷图片集进行轮廓提取，基于轮廓提取结果计算得到缺陷的二维特征尺寸。

作为优选实施方式，本发明的根据轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹，具体包括：

根据轮廓提取的结果，将缺陷的位置分布转换到实物空间坐标系下，得到缺陷在空间中的分布；

根据缺陷在空间中的分布，规划深度检测的目标位置和测量轨迹；其中，测量轨迹为直线段，其位于缺陷所在区域灰度变化率最大的位置，且均匀分布在缺陷的两侧，直线段两端点分别位于缺陷边缘轮廓上。

作为优选实施方式，本发明的获取所述深度检测单元采集的深度信息，并根据所述深度信息处理得到缺陷的深度特征尺寸，具体包括：

将采集到的深度-时间曲线转换为深度-位移曲线，得到缺陷某一截面位置的深度轮廓；

基于深度轮廓计算出缺陷的深度特征尺寸。

作为优选实施方式，本发明的根据所述微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹，具体包括：

基于三维形貌扫描方法，建立覆盖缺陷的最优多边形或椭圆形；

单向分割覆盖区域，形成扫描轨迹。

作为优选实施方式，本发明的覆盖缺陷的最优多边形或椭圆形，具体为：在图像坐标系中自定义多边形或椭圆形使其完全覆盖缺陷所在位置；

其中，最优多边形或椭圆形的建立应遵循划痕面积处于覆盖面积的占比尽可能大。

作为优选实施方式，本发明的单向分割覆盖区域，具体包括：

在图像坐标系中建立子坐标系，沿所述子坐标系Y轴等间隔分割最优多边形或椭圆形；分割间距为所述深度检测单元的横向分辨率，分割线与所述子坐标系X轴平行，与多边形或椭圆形相交形成多平行线段；建立的所述子坐标系具体为：在多边形覆盖区域中，Y轴与多边形最大内角的切线方向平行，X轴垂直于Y轴；在椭圆形覆盖区域中，X轴与椭圆形曲率最大点的切线方向平行，Y轴垂直于X轴；最优多边形或椭圆形均位于所述子坐标系的第一象限，且与两坐标轴相切。

作为优选实施方式，本发明的扫描轨迹的形成具体指以距离所述子坐标系原点最近的线段端点为起点，以“S”形依次连接各线段的端点，直到连接最后一线段，形成扫描轨迹。

第二方面，本发明提出了一种金属板材表面缺陷三维精密检测组件，所述组件包括：

深度学习模块，所述深度学习模块获取被测件表面的二维平面图片集并利用预先训练得到的缺陷识别模型对所述二维平面图片集进行检测，识别出图片中缺陷的类别及位置分布；

图像处理模块，所述图像处理模块从原图中分割出缺陷得到子缺陷图片集，对所述子缺陷图片集进行轮廓提取，并计算得到缺陷的二维特征尺寸；

数据处理模块，所述数据处理模块获得深度检测单元采集的深度信息，并根据采集的深度信息处理得到缺陷的深度特征尺寸，所述深度特征尺寸与对应缺陷的二维特征尺寸构成该缺陷的三维特征尺寸；

表面质量评定模块，所述表面质量评定模块根据识别出的缺陷类别、位置分布及三维特征尺寸，对被测件表面质量进行检测并识别出微观缺陷；

以及，路径规划模块，所述路径规划模块根据缺陷轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹并依据所述目标位置和测量轨迹控制所述深度检测单元进行深度检测；所述路径规划模块还根据所述微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹并依据所述扫描轨迹控制所述深度检测单元进行所述微观缺陷的三维形貌扫描，从而得到所述微观缺陷的三维形貌。

第三方面，本发明提出了一种金属板材表面缺陷三维精密检测系统，所述系统包括：

本发明所述的检测组件，所述检测组件作为整个系统的数据采集、处理和控制的核心；

信号控制组件，所述信号控制组件用于接收所述检测组件下发的控制命令以驱动机械执行组件执行相应的动作；

数据采集组件，所述数据采集组件用于接收被测件表面的图像数据以及缺陷的深度信息数据并将其上传至所述检测组件；

以及机械执行组件，所述机械执行组件依据所述检测组件规划的运动路径进行动作以实现相应的检测。

作为优选实施方式，本发明的机械执行组件包括：

空间定位单元，所述空间定位单元包括承载台和定位角；

三维运动单元，所述三维运动单元安装在所述承载台上，采用龙门结构在水平面二维运动带动视觉采集单元对被测件表面成像并将深度检测单元移动至目标位置，在竖直方向运动保证深度检测单元在竖直方向处于安全位置和工作距离；

视觉采集单元，所述视觉采集单元对被测件表面成像，采集被测件表面的图像信息；

以及，深度检测单元，所述深度检测单元依据规划的运动路径进行运动，并在运动过程中实时采集缺陷的深度信息。

作为优选实施方式，本发明的承载台放置于水平面，所述定位角包括四个直角块，分别安装于所述检测系统在水平面的检测极限位置[Xmax,Ymax]、[Xmin，Ymax]、[Xmax,Ymin]、[Xmin,Ymin]，用于限制被测件在所述承载台的位置。

作为优选实施方式，本发明的直角块采用聚四氟乙烯材料。

作为优选实施方式，本发明的三维运动单元包括X向电机位移轴、Y向电机位移轴、Z向电机位移轴和龙门架；

其中，所述X向电机位移轴由并行设置的两根轴构成，且两根轴行程相同、两端对齐、平行安装于所述承载台上，实现横向同步运动；

所述龙门架底端安装在所述X向电机位移轴的承载台上；

所述Y向电机位移轴侧置于所述龙门架顶端，实现纵向运动；

所述Z向电机位移轴竖直安装于所述Y向电机位移轴的承载台上，实现竖向运动。

作为优选实施方式，本发明的视觉采集单元包括工业相机、定焦镜头和同轴光源；

所述视觉采集单元安装于所述Y向电机位移轴的承载台上；其中，所述工业相机与定焦镜头以C接口相连，所述同轴光源安装于所述定焦镜头正下方，其发光面中心与所述工业相机光轴中心重合。

作为优选实施方式，本发明的深度检测单元包括微动位移平台和光谱共焦传感器；

所述深度检测单元安装于所述Z向电机位移轴的承载台上；其中，所述微动位移平台由X向微动位移轴和Y向微动位移轴构成，所述X向微动位移轴与Y向微动位移轴垂直安装，所述X向微动位移轴与X向电机位移轴平行设置，所述Y向微动位移轴与Y向电机位移轴平行设置；所述光谱共焦传感器通过夹具安装在所述微动位移平台上，所述X向微动位移轴与Y向微动位移轴通过速度矢量合成实现平面内不同角度的测量轨迹。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明对被测件表面缺陷成像，利用深度学习方法识别并定位缺陷，为深度检测提供较为准确的目标检测位置和测量轨迹，并利用图像处理技术计算得到缺陷的二维特征尺寸，根据目标检测位置和测量轨迹，控制深度检测单元进行深度检测，利用检测得到的深度信息计算得到深度特征尺寸，完成对缺陷的三维特征尺寸的测量；并基于缺陷三维形貌方法实现危害性缺陷的三维形貌扫描，从而实现金属板材表面缺陷三维形貌的定量检测，提高了金属板按错表面检测效率及检测可靠性；

2、本发明提出的技术能够推广应用于各类金属板材表面缺陷质量检查需求，例如板材生产制造、过程产品及最终产品涉及平板表面质量检测及控制等，具有较强的市场应用价值。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明实施例的检测方法流程图。

图2为本发明实施例的检测组件原理框图。

图3为本发明实施例的检测系统架构示意图。

图4为本发明实施例的同轴光源工作原理图。

图5为本发明实施例的检测系统工作流程图。

图6为本发明实施例的检测单元路径规划示意图。

图7为本发明实施例的最优多边形/椭圆形与最优外接矩形对比示意图。

图8为本发明实施例的子坐标系建立示意图。

图9为本发明实施例的缺陷三维形貌扫描轨迹规划示意图。

图10为本发明实施例的锆合金板材缺陷三维形貌检测图。

附图标记及对应的零部件名称：

1-检测组件，2-信号控制组件，3-数据采集组件，4-机械执行组件，5-X向电机位移轴一，6-X向位移轴二，7-Y向位移轴，8-Z向位移轴，9-工业相机，10-定焦镜头，11-同轴光源，12-X向微动位移轴，13-Y向微动位移轴，14-光谱共焦传感器，15-承载台，16-定位角，17-被测件，18-龙门架，19-LED光源，20-透镜，21-分光镜。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

在金属板材表面缺陷检测技术中：人工检测技术存在效率低下、检测精度不高、对检测人员的经验与主观意识依赖性强，可靠性无法得到保障，容易出现误判，无法实现的定量测量等问题；而涡流检测技术难以判定缺陷的具体位置；基于机器视觉的检测技术受限于表面成像技术，对深度信息获取有限，导致大量伪缺陷，增加了误检率。针对此，本实施例提出了一种金属板材表面缺陷三维精密检测方法。

具体如图1所示，本实施例提出的检测方法具体包括如下步骤：

步骤1，获取被测件表面的二维平面图片集。

步骤2，利用预先训练得到的缺陷识别模型对获取的二维平面图片集进行检测，识别出图片中缺陷的类别及位置分布。

步骤3，从原图中分割出缺陷得到子缺陷图片集，对子缺陷图片集进行轮廓提取，计算得到缺陷的二维特征尺寸。

步骤4，根据轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹并依据该目标位置和测量轨迹控制深度检测单元进行深度检测。

步骤5，获取深度检测单元采集的深度信息，并根据采集的深度信息处理得到缺陷的深度特征尺寸。

步骤6，根据识别出的缺陷类别、位置分布及三维特征尺寸，对被测件表面质量进行检测并识别出微观缺陷。

步骤7，根据微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹并依据该扫描轨迹控制深度检测单元进行微观缺陷的三维形貌扫描，从而得到微观缺陷的三维形貌。

本实施例提出的检测方法，首先对被测件表面缺陷进行全检，即获得被测件表面缺陷的三维特征尺寸(即二维特征尺寸和深度特征尺寸)，具体基于深度学习及坐标系统一的原理实现缺陷精确定位，为深度检测提供可靠的目标检测位置和测量轨迹，解决了金属板材质量检测时缺陷位置缺失的问题，同时利用图像处理技术计算缺陷的二维特征尺寸，并按照精确定位的缺陷位置及测量轨迹，检测深度信息，得到深度特征尺寸，完成对缺陷的三维特征尺寸检测，同时还对危害性缺陷进行个检，即获得单个缺陷的三维形貌，分析造成缺陷的原因，提高缺陷检测的可靠性和检测效率。

进一步的，利用采集的各类金属板表面的二维平面图片集构建训练数据集，利用训练数据集对深度学习模型进行训练，得到缺陷识别模型，用于识别缺陷的类别及位置分布。需要说明的是，此处的深度学习模型采用现有的深度学习模型架构，此处不再过多赘述。

进一步的，利用端到端的矩形框标记缺陷并注明缺陷类别；利用图片裁剪方法，根据矩形框的坐标将缺陷从原图中分割出来得到子缺陷图片集，对子缺陷图片集进行轮廓提取，统计轮廓区域内以及轮廓边缘像素点个数，得到缺陷的二维特征尺寸值。

进一步的，根据轮廓提取的结果，将缺陷的位置分布转换到实物空间坐标系下，得到缺陷在空间中的分布，规划深度检测的目标位置和测量轨迹。具体的，测量轨迹为一直线段，其位于缺陷所在区域灰度变化率最大的地方，且均匀分布在缺陷两侧，直线段两端点分别位于缺陷边缘轮廓上。

进一步的，根据深度检测的目标位置和测量轨迹，控制深度检测单元移动至目标位置，并依据速度矢量合成的原理控制深度检测单元按照所规划的测量轨迹运动，同时采集深度数据；计算合成运动速度，利用时间-位移转换关系，将采集到的深度-时间曲线转换为深度-位移曲线，得到缺陷某一截面位置的深度轮廓。这样通过位移距离可以确定目标的位置点信息，然后通过位移深度函数进而可以知道该位置点的深度信息，从而完成对缺陷的三维特征尺寸检测。

进一步的，根据识别出的缺陷类别、位置分布及三维特征尺寸，利用表面质量评定技术对被测件表面质量进行评价，并找出被测件表面的危害性缺陷。

进一步的，基于三维形貌扫描方法，建立覆盖缺陷的最优多边形/椭圆形，单向分割覆盖区域，形成扫描轨迹，完成单个缺陷三维形貌的扫描，将获得的三维离散点拟合成三维曲面，从而得到单个缺陷的三维形貌。

具体的，覆盖缺陷的最优多边形/椭圆形是指在图像坐标系中自定义多边形/椭圆形使其完全覆盖缺陷所在位置。对于划痕等具有方向性的缺陷选用多边形覆盖，多边形建立的原则应遵循边数尽量少，可为凸多边形/凹多边形。对于凹坑等缺陷选用椭圆形覆盖。最优多边形/椭圆形的建立应遵循划痕面积处于覆盖面积的占比尽可能大。

单向分割覆盖区域具体包括：在图像坐标系中建立子坐标系，沿子坐标系Y轴等间隔分割最优多边形/椭圆形，分割间距为深度检测单元的横向分辨率，分割线与子坐标系X轴平行，与多边形/椭圆形相交形成多平行线段。其中，建立的子坐标系具体指，在多边形覆盖区域中，Y轴与最大内角的切线方向平行，X轴垂直于Y轴；在椭圆形覆盖区域中，X轴与曲率最大点的切线方向平行，Y轴垂直于X轴；最优多边形/椭圆形均位于子坐标系的第一象限，与两坐标轴相切。

扫描轨迹的形成具体指以距离子坐标系原点最近的线段端点为起点，以“S”形依次连接各线段的端点，直到连接最后一线段，形成扫描轨迹。

基于上述相同技术构思，本实施例还提出了一种金属板材表面缺陷三维精密检测组件，如图2所示，该检测组件包括：

深度学习模块，该深度学习模块获取被测件表面的二维平面图片集并利用预先训练得到的缺陷识别模型对获取的二维平面图片集进行检测，识别出图片中缺陷的类别及位置分布。

图像处理模块，该图像处理模块从原图中分割出缺陷得到子缺陷图片集，对子缺陷图片集进行轮廓提取，计算得到缺陷的二维特征尺寸。

数据处理模块，获得深度检测单元采集的深度信息，并根据采集的深度信息处理得到缺陷的深度特征尺寸。

表面质量评定模块，该表面质量评定模块根据识别出的缺陷类别、位置分布及三维特征尺寸，对被测件表面质量进行检测，同时确定微观缺陷。

以及，路径规划模块，该路径规划模块根据轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹并依据该目标位置和测量轨迹控制深度检测单元进行深度检测；该路径规划模块还根据微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹并根据该扫描轨迹控制深度检测单元进行微观缺陷的三维形貌扫描，从而得到微观缺陷的三维形貌。

基于上述金属板材表面缺陷三维精度检测组件，本实施例还提出了一种金属板材表面缺陷三维精密检测系统，如图3所示，该检测系统主要包括：作为数据采集处理及控制核心的上述三维精密检测组件1，该检测组件1可以采用具有计算、处理、存储等功能的计算机设备；信号控制组件2；数据采集组件3和机械执行组件4等四部分。

其中，信号控制组件2用于接收检测组件1下发的控制命令以驱动机械执行组件4执行相应的动作，数据采集组件3用于接收相关图像数据并将其上传至检测组件1，机械执行组件3用于在检测组件1的控制下进行被测件的图像采集和深度信息检测。需要说明的是，信号控制组件2和数据采集组件3均可采用现有的常规信号控制器件和数据采集器件，此处不再过多赘述。

机械执行组件4包括空间定位单元、三维运动单元、视觉采集单元和深度检测单元。

空间定位单元包括承载台15和定位角16。承载台15放置于水平面，用于承载并安装机械执行组件的其他单元，定位角16包括四个直角块，分别安装于该检测系统在X、Y方向的检测极限位置[Xmax,Ymax]、[Xmin，Ymax]、[Xmax,Ymin]、[Xmin,Ymin]，用于限制被测件17在承载台的位置，被测件需放置于定位角限制的区域内；聚四氟乙烯是固体材料中摩擦系数最低的材料，可避免在检测过程中对被测件造成二次伤害，因此，本实施例中，直角块优选聚四氟乙烯材料。其中，该检测系统的坐标系具体为：X-Y平面平行于承载台15所在平面，垂直于X-Y平面的方向为Z方向。

三维运动单元采用龙门结构，实现水平面二维运动及竖直方向运动，水平面二维运动一方面带动视觉采集单元对被测件表面成像，另一方面实现深度检测单元移动到目标检测位置，同时通过竖直方向运动保证深度检测单元在竖直方向处于安全位置和工作距离；该三维运动单元具体包括精密直线电机位移轴(X向位移轴5，6；Y向位移轴7；Z向位移轴8)和龙门架18，三维运动单元安装在承载台15上；其中X向位移轴由并行设置的两根轴(即5,6)构成，且两根轴行程相同、两端对齐、平行安装在承载台15上，实现X方向的同步运动。龙门架18底端安装在X向位移轴的承载台上。Y向位移轴7侧置于龙门架18顶端，可实现Y方向的运动。Z向位移轴8竖直安装于Y向位移轴的承载台实现Z方向的运动。

视觉采集单元包括工业相机9、定焦镜头10和同轴光源11，视觉采集单元安装于Y向位移轴7的承载台上；其中，工业相机9与定焦镜头10以C接口相连，同轴光源11安装于定焦镜头10正下方，其发光面中心与工业相机9光轴中心重合。同轴光源11提供了更加均匀的光照，克服了金属物体表面反光的干扰，提高了金属表面成像质量。具体的，同轴光源11可由LED光源19、透镜20和分光镜21构成，其工作原理如图4所示，LED光源为高亮点光源，通过透镜后变成平行光，经过45°放置的分光镜，一部分光线反射到被测件表面，实现对被测件的照明，从被测件反射回来的光一部分通过分光镜进入镜头，实现对物体的成像。同轴光源发出的光线平行垂直照射在被测件表面，能够凸显物体表面的缺陷，避免物体表面的反光，从而提高了金属表面成像质量。

深度检测单元包括微动位移平台(X向微动位移轴12；Y向微动位移轴13)和光谱共焦传感器14，深度检测单元安装于Z向位移轴8的承载台上。其中，X向微动位移轴12与Y向微动位移轴13垂直安装，X向微动位移轴12与X向位移轴平行设置，Y向微动位移轴13与Y向位移轴7平行设置，X向微动位移轴12与Y向微动位移轴13通过结构件安装到Z向位移轴8的承载台上。光谱共焦传感器14为圆柱状，通过夹具安装到微动位移平台上。初始状态下，X向微动位移轴12和Y向微动位移轴13两轴中心重合，可通过位移方向和速度合成实现0～360°范围的运动。

具体的，光谱共焦传感器14的纵向分辨率可达到纳米级别，其工作距离即测头前端距离被测件表面的距离较小，一般不超过10cm，为保证传感器测头的安全，在光谱共焦传感器14不工作时，利用Z向位移轴8将传感器测头上升至安全位置，在测量划痕深度信息时，再将其下降至工作距离。

如图5所示，本实施例提出的上述检测系统工作过程具体为：系统初始化时，三维运动单元回归系统零点，即各电机位移轴运动到机械零点，为系统原点。放置被测件。以距离机械零点位置最近的定位角出现在相机视野为初始位置，将三维运动单元运动至检测零点，即各电机位移轴运动到系统初始位置，为检测原点。在检测组件的控制下信号控制组件驱动三维运动单元以成像单元为间隔自动移动，在每个检测单元停留0.1s，停留期间控制视觉采集单元对被测件表面图像进行静态采集，得到被测件表面的图片集；将图片集通过数据采集组件传输至检测组件进行处理，得到缺陷的类型、位置分布以及二维特征尺寸，并根据缺陷在图片中的位置分布，将其转换到实物空间坐标系后，提供深度检测的目标位置和测量轨迹；由信号控制组件驱动三维运动单元使深度检测单元中的传感器移动至目标位置，并使深度检测单元中的微动位移平台处于初始位置，利用速度矢量合成按照提供的测量轨迹进行运动，并在运动过程中采集深度数据，得到缺陷的深度信息，采集完成后微动位移平台再次回到初始位置，将所得的深度信息与二维特征尺寸一一对应进行保存，从而得到缺陷的三维特征尺寸；三维运动单元根据测量轨迹带动深度检测单元依次测量，直到测量完成所有缺陷的深度信息，从而完成对被测件表面缺陷的全检，获得表面缺陷在二维平面内的类型、位置分布和三维特征尺寸。根据表面缺陷在二维平面内的类型、位置分布和三维特征尺寸对被测件表面质量进行评定，并对危害性划痕进行标记。找到危害性划痕对应的缺陷轮廓以及位置，在图像坐标系中自定义最优覆盖多边形/椭圆，规划三维扫描轨迹，获得扫描起点及轨迹；基于坐标系统一的原理，形成微动位移平台的移动轨迹，驱动三维运动单元使微动位移平台原点对准扫描起点，并按照移动轨迹开始运动，运动过程中传感器实时采集深度数据，最终获得覆盖区域的三维离散数据，将三维离散点进行拟合得到缺陷的三维形貌。按照上述过程完成所有危害性划痕的个检，最终三维运动单元回归系统零点，移除被测件，测量结束。被测件表面图像文件、缺陷深度数据保存在本地文件，可将测量结果导出报表，便于查阅。

本实施例提出的系统中机械执行组件4的运动路径规划主要包括视觉检测单元路径规划和深度检测单元路径规划。其中，视觉检测单元用于对被测件表面成像，通过路径规划对被测件表面以行、列、面的小区域面积成像，如图6所示，形成一个检测单元。在测量过程中，将每个被测件表面分割成多个检测单元，在相同检测面积中，减少检测单元数量可以避免检测设备的往复运动，从而减少测量时间，提高测量效率。深度检测单元用于测量缺陷的深度信息，通过路径规划优化各个缺陷之间的检测顺序，提高检测效率。具体的，在每一个检测单元中以拍摄第1张照片时三维运动单元所处位置为当前检测单元的检测原点，按照路径规划由三维运动单元带动视觉采集单元依次顺序1→2→3→…→n对被测件成像直至最后一个检测单元n停止。在位移轴的运动下可知每张图片在坐标系下的位置。把每一个检测单元成像的照片传输至检测组件处理，得到该检测单元中缺陷的分布及目标检测位置的集合。所得目标检测位置的集合是在该检测单元的检测原点下的绝对位置坐标集合。移动深度检测单元从第n张图片中识别到的缺陷开始测量，对于一张图中的不同缺陷按照预设优先级依次测量。第n张图片中的缺陷测量完成后逆序测量第n-1张图片中识别的缺陷，直至第1张图片中的缺陷测量完成。

如图7所示，对于划痕等具有方向性的条状缺陷，采用最优外接多边形覆盖缺陷所在区域；对于凹坑等缺陷，采用最优椭圆形覆盖缺陷所在区域。相较于外接矩形，最优多边形/椭圆形的覆盖方法有更高的面积占比。因此在规划扫描路径时，有效避免了非缺陷区域的深度信息采集，提高了三维形貌采集的效率。

如图8所示，最优多边形中最大内角为α，虚线为角度α的切线，Y轴与虚线方向平行，X轴与Y垂直；最优椭圆形中曲率最大点A点，虚线为A点切线，X轴与虚线方向平行，Y轴与X轴垂直。最优多边形/椭圆形均位于子坐标系第一象限，与两坐标轴相切。

如图9所示，在子坐标系中严Y轴等间隔分割最优多边形/椭圆形，分割线与X轴相平行，与最优多边形/椭圆形相交形成多平行线段。以距离子坐标系原点最近的线段端点为扫描起点S，将各平行线段以“S”形顺序连接，形成三维形貌扫描轨迹，如图10所示的一锆合金板材缺陷三维形貌检测图。

本实施例提出的检测技术能够实现锆合金板材表面缺陷自动检测及三维形貌精密测量，其主要技术指标包括：(1)表面微小缺陷二维图像识别：分辨率10μm、识别速率1s(10mm×10mm)；(2)表面微小缺陷三维形貌检测：纵向分辨率0.1μm,纵向精度2μm,纵向测量范围300μm；横向分辨率15μm。

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。

Claims (11)

1.一种金属板材表面缺陷三维精密检测方法，其特征在于，所述方法包括：

获取被测件表面的二维平面图片集；

利用预先训练得到的缺陷识别模型对所述二维平面图片集进行检测，识别出图片中缺陷的类别及位置分布；

从原图中分割出缺陷得到子缺陷图片集，对所述子缺陷图片集进行轮廓提取，并计算得到缺陷的二维特征尺寸；

根据轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹并依据所述目标位置和测量轨迹控制深度检测单元进行深度检测；

获取所述深度检测单元采集的深度信息，并根据所述深度信息处理得到缺陷的深度特征尺寸，所述深度特征尺寸与对应缺陷的二维特征尺寸构成该缺陷的三维特征尺寸；

根据识别出的缺陷类别、位置分布及三维特征尺寸，对被测件表面质量进行监测并识别出微观缺陷；

根据所述微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹并依据所述扫描轨迹控制所述深度检测单元进行所述微观缺陷的三维形貌扫描，从而得到所述微观缺陷的三维形貌；

根据轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹，具体包括：

根据轮廓提取的结果，将缺陷的位置分布转换到实物空间坐标系下，得到缺陷在空间中的分布；

根据缺陷在空间中的分布，规划深度检测的目标位置和测量轨迹；其中，测量轨迹为直线段，其位于缺陷所在区域灰度变化率最大的位置，且均匀分布在缺陷的两侧，直线段两端点分别位于缺陷边缘轮廓上；

根据所述微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹，具体包括：

基于三维形貌扫描方法，建立覆盖缺陷的最优多边形或椭圆形；

单向分割覆盖区域，形成扫描轨迹；

覆盖缺陷的最优多边形或椭圆形，具体为：在图像坐标系中自定义多边形或椭圆形使其完全覆盖缺陷所在位置；

其中，最优多边形或椭圆形的建立应遵循划痕面积处于覆盖面积的占比尽可能大；

单向分割覆盖区域，具体包括：

在图像坐标系中建立子坐标系，沿所述子坐标系Y轴等间隔分割最优多边形或椭圆形；分割间距为所述深度检测单元的横向分辨率，分割线与所述子坐标系X轴平行，与多边形或椭圆形相交形成多平行线段；建立的所述子坐标系具体为：在多边形覆盖区域中，Y轴与多边形最大内角的切线方向平行，X轴垂直于Y轴；在椭圆形覆盖区域中，X轴与椭圆形曲率最大点的切线方向平行，Y轴垂直于X轴；最优多边形或椭圆形均位于所述子坐标系的第一象限，且与两坐标轴相切；

所述扫描轨迹的形成具体指以距离所述子坐标系原点最近的线段端点为起点，以“S”形依次连接各线段的端点，直到连接最后一线段，形成扫描轨迹。

2.根据权利要求1所述的一种金属板材表面缺陷三维精密检测方法，其特征在于，从原图中分割出缺陷得到子缺陷图片集，对所述子缺陷图片集进行轮廓提取，并计算得到缺陷的二维特征尺寸，具体包括：

利用端对端的矩形框标记缺陷并注明缺陷类别；

利用图片裁剪法，根据标记缺陷的矩形框的坐标将缺陷从原图中分割出来得到子缺陷图片集；

对所述子缺陷图片集进行轮廓提取，基于轮廓提取结果计算得到缺陷的二维特征尺寸。

3.根据权利要求1所述的一种金属板材表面缺陷三维精密检测方法，其特征在于，获取所述深度检测单元采集的深度信息，并根据所述深度信息处理得到缺陷的深度特征尺寸，具体包括：

将采集到的深度-时间曲线转换为深度-位移曲线，得到缺陷某一截面位置的深度轮廓；

基于深度轮廓计算出缺陷的深度特征尺寸。

4.一种金属板材表面缺陷三维精密检测组件，其特征在于，所述组件包括：

深度学习模块，所述深度学习模块获取被测件表面的二维平面图片集并利用预先训练得到的缺陷识别模型对所述二维平面图片集进行检测，识别出图片中缺陷的类别及位置分布；

图像处理模块，所述图像处理模块从原图中分割出缺陷得到子缺陷图片集，对所述子缺陷图片集进行轮廓提取，并计算得到缺陷的二维特征尺寸；

数据处理模块，所述数据处理模块获得深度检测单元采集的深度信息，并根据采集的深度信息处理得到缺陷的深度特征尺寸，所述深度特征尺寸与对应缺陷的二维特征尺寸构成该缺陷的三维特征尺寸；

表面质量评定模块，所述表面质量评定模块根据识别出的缺陷类别、位置分布及三维特征尺寸，对被测件表面质量进行检测并识别出微观缺陷；

以及，路径规划模块，所述路径规划模块根据缺陷轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹并依据所述目标位置和测量轨迹控制所述深度检测单元进行深度检测；所述路径规划模块还根据所述微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹并依据所述扫描轨迹控制所述深度检测单元进行所述微观缺陷的三维形貌扫描，从而得到所述微观缺陷的三维形貌；

根据轮廓提取结果，结合坐标系统一原理确定深度检测的目标位置和测量轨迹，具体包括：

根据轮廓提取的结果，将缺陷的位置分布转换到实物空间坐标系下，得到缺陷在空间中的分布；

根据缺陷在空间中的分布，规划深度检测的目标位置和测量轨迹；其中，测量轨迹为直线段，其位于缺陷所在区域灰度变化率最大的位置，且均匀分布在缺陷的两侧，直线段两端点分别位于缺陷边缘轮廓上；

根据所述微观缺陷轮廓以及位置分布规划缺陷三维扫描轨迹，具体包括：

基于三维形貌扫描方法，建立覆盖缺陷的最优多边形或椭圆形；

单向分割覆盖区域，形成扫描轨迹；

覆盖缺陷的最优多边形或椭圆形，具体为：在图像坐标系中自定义多边形或椭圆形使其完全覆盖缺陷所在位置；

其中，最优多边形或椭圆形的建立应遵循划痕面积处于覆盖面积的占比尽可能大；

单向分割覆盖区域，具体包括：

在图像坐标系中建立子坐标系，沿所述子坐标系Y轴等间隔分割最优多边形或椭圆形；分割间距为所述深度检测单元的横向分辨率，分割线与所述子坐标系X轴平行，与多边形或椭圆形相交形成多平行线段；建立的所述子坐标系具体为：在多边形覆盖区域中，Y轴与多边形最大内角的切线方向平行，X轴垂直于Y轴；在椭圆形覆盖区域中，X轴与椭圆形曲率最大点的切线方向平行，Y轴垂直于X轴；最优多边形或椭圆形均位于所述子坐标系的第一象限，且与两坐标轴相切；

所述扫描轨迹的形成具体指以距离所述子坐标系原点最近的线段端点为起点，以“S”形依次连接各线段的端点，直到连接最后一线段，形成扫描轨迹。

5.一种金属板材表面缺陷三维精密检测系统，其特征在于，所述系统包括：

权利要求4所述的检测组件，所述检测组件作为整个系统的数据采集、处理和控制的核心；

信号控制组件，所述信号控制组件用于接收所述检测组件下发的控制命令以驱动机械执行组件执行相应的动作；

数据采集组件，所述数据采集组件用于接收被测件表面的图像数据以及缺陷的深度信息数据并将其上传至所述检测组件；

以及机械执行组件，所述机械执行组件依据所述检测组件规划的运动路径进行动作以实现相应的检测。

6.根据权利要求5所述的一种金属板材表面缺陷三维精密检测系统，其特征在于，所述机械执行组件包括：

空间定位单元，所述空间定位单元包括承载台和定位角；

三维运动单元，所述三维运动单元安装在所述承载台上，采用龙门结构在水平面二维运动带动视觉采集单元对被测件表面成像并将深度检测单元移动至目标位置，在竖直方向运动保证深度检测单元在竖直方向处于安全位置和工作距离；

视觉采集单元，所述视觉采集单元对被测件表面成像，采集被测件表面的图像信息；

以及，深度检测单元，所述深度检测单元依据规划的运动路径进行运动，并在运动过程中实时采集缺陷的深度信息。

7.根据权利要求6所述的一种金属板材表面缺陷三维精密检测系统，其特征在于，所述承载台放置于水平面，所述定位角包括四个直角块，分别安装于所述检测系统在水平面的检测极限位置[Xmax,Ymax]、[Xmin，Ymax]、[Xmax,Ymin]、[Xmin,Ymin]，用于限制被测件在所述承载台的位置。

8.根据权利要求7所述的一种金属板材表面缺陷三维精密检测系统，其特征在于，所述直角块采用聚四氟乙烯材料。

9.根据权利要求6所述的一种金属板材表面缺陷三维精密检测系统，其特征在于，所述三维运动单元包括X向电机位移轴、Y向电机位移轴、Z向电机位移轴和龙门架；

其中，所述X向电机位移轴由并行设置的两根轴构成，且两根轴行程相同、两端对齐、平行安装于所述承载台上，实现横向同步运动；

所述龙门架底端安装在所述X向电机位移轴的承载台上；

所述Y向电机位移轴侧置于所述龙门架顶端，实现纵向运动；

所述Z向电机位移轴竖直安装于所述Y向电机位移轴的承载台上，实现竖向运动。

10.根据权利要求9所述的一种金属板材表面缺陷三维精密检测系统，其特征在于，所述视觉采集单元包括工业相机、定焦镜头和同轴光源；

所述视觉采集单元安装于所述Y向电机位移轴的承载台上；其中，所述工业相机与定焦镜头以C接口相连，所述同轴光源安装于所述定焦镜头正下方，其发光面中心与所述工业相机光轴中心重合。

11.根据权利要求9所述的一种金属板材表面缺陷三维精密检测系统，其特征在于，所述深度检测单元包括微动位移平台和光谱共焦传感器；

所述深度检测单元安装于所述Z向电机位移轴的承载台上；其中，所述微动位移平台由X向微动位移轴和Y向微动位移轴构成，所述X向微动位移轴与Y向微动位移轴垂直安装，所述X向微动位移轴与X向电机位移轴平行设置，所述Y向微动位移轴与Y向电机位移轴平行设置；所述光谱共焦传感器通过夹具安装在所述微动位移平台上，所述X向微动位移轴与Y向微动位移轴通过速度矢量合成实现平面内不同角度的测量轨迹。