详情

原文传递一种密封钉检测设备及检测方法

专利名称：	一种密封钉检测设备及检测方法
摘要：	本发明涉及一种密封钉检测设备及检测方法，其中密封钉检测设备包括设备壳体、移栽机构、视觉检测装置和平行布置的第一传送装置、第二传送装置，其中，设备壳体中空且具有两侧贯通的检测通道，第一传送装置和第二传送装置均设置于检测通道内；视觉检测装置包括由并排安装的平面相机和立体相机组成的相机组；移栽机构包括夹爪；相机组和夹爪均具被驱动，可在相对于各传送装置垂直的两个直线自由度方向运动；待检测的电芯自第一传送装置输入，经视觉检测装置检测后，依检测结果合格与否分别经由移栽机构搬运至第一传送装置输出或第二传送装置输出。本发明的设备整体设计紧凑、精简，成本较低且空间占用小，且检测结果更为准确。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	常州超音速智能装备有限公司
发明人：	张俊峰;王士对;陈伟文;叶长春
专利状态：	有效
申请日期：	2023-07-21T00:00:00+0800
发布日期：	2023-11-07T00:00:00+0800
申请号：	CN202310909835.8
公开号：	CN117007525A
代理机构：	广州容大知识产权代理事务所(普通合伙)
代理人：	刘新年
分类号：	G01N21/01;G01N21/88;G01N21/89;G01N21/95;G;G01;G01N;G01N21;G01N21/01;G01N21/88;G01N21/89;G01N21/95
申请人地址：	213200 江苏省常州市金坛区金龙大道563号通信产业孵化中心工业用房7幢4层
主权项：	1.一种密封钉检测设备，用于密封钉焊接外观缺陷检测，其特征在于，包括设备壳体、移栽机构、视觉检测装置和平行布置的第一传送装置、第二传送装置，其中，所述设备壳体中空且具有两侧贯通的检测通道，所述第一传送装置和所述第二传送装置均设置于所述检测通道内；所述视觉检测装置包括由并排安装的平面相机和立体相机组成的相机组，所述立体相机采集焊接处的立体图像，所述平面相机采集焊接处的平面图像；所述移栽机构包括夹爪；所述相机组和所述夹爪均具被驱动，可在相对于第一所述传送装置和/或所述第二所述传送装置垂直的两个直线自由度方向运动；待检测的电芯自所述第一传送装置输入，经所述视觉检测装置检测后，依检测结果合格与否分别经由所述移栽机构搬运至所述第一传送装置输出或所述第二传送装置输出。 2.根据权利要求1所述的密封钉检测设备，其特征在于，所述第一传送装置贯穿所述检测通道，其两端均暴露在所述检测通道外：所述第二传送装置一端暴露在所述检测通道外，其余部分设于所述设备壳体内部；所述视觉检测装置安装在所述第二传送装置的传送方向上；所述移栽机构架设于所述第一传送装置上方。 3.根据权利要求2所述的密封钉检测设备，其特征在于，所述第一传送装置包括第一传送带，所述第一传送带由安装于其上的第一传送电机驱动；所述第一传送带靠近所述第二传送带的一侧安装有可沿该侧边缘直线移动的移料平台。 4.根据权利要求3所述的密封钉检测设备，其特征在于，所述第一传送装置还包括至少一道挡停机构和设置于所述挡停机构的前侧和/或后侧的光电感应装置，所述挡停机构装设于所述第一传送上。 5.根据权利要求2所述的密封钉检测设备，其特征在于，所述视觉检测装置的所述相机组和所述移栽机构的所述夹爪，均各自由两组直线模组组合驱动，实现直线运动。 6.根据权利要求2所述的密封钉检测设备，其特征在于，所述第二传送装置包括第二传送带，所述第二传送带由安装于其上的第二传送电机驱动。 7.根据权利要求2所述的密封钉检测设备，其特征在于，所述相机组中的所述平面相机和所述立体相机的相对位置可以调整。 8.根据权利要求1-7任一项所述的密封钉检测设备，其特征在于，所述设备壳体上安装有工控机，所述工控机可控制所述移栽机构、所述视觉检测装置、所述第一传送装置和所述第二传送装置运动，并可记录所述视觉检测装置的数据。 9.一种密封钉检测设备的检测方法，所述密封钉检测设备具有视觉检测装置，所述视觉检测装置包括并排安装的平面相机和立体相机构成的相机组，其特征在于，所述密封钉检测设备的检测方法利用所述平面相机采集的平面图像和所述立体相机采集的三维图像，综合判断具体的焊接缺陷类型；对于焊缝宽度、轨迹偏移及断焊/裂纹缺陷，分别采用经训练的二维检测模型对二维图像和经训练的三维检测模型对三维图像进行判定；对于焊接凹坑、焊接爆点、凸起和针孔缺陷，采用经过训练的二维检测模型进行疑似缺陷标注，进一步采用经过训练的三维检测模型对三维图像进行判定。 10.根据权利要求9所述的密封钉检测设备的检测方法，其特征在于，所述二维检测模型和所述三维检测模型的训练过程包括： ①数据收集阶段：采用特征检测算法，捕捉图像中的特征点，即图像中梯度变化较为剧烈的像素，并对图像与分类保存。 ②数据标注阶段：人工按照缺陷学习与标准缺陷文档要求，对收集到的各缺陷进行标注操作。 ③模型训练与模型选择：输入已标注的样本集至深度学习网络，使其可对缺陷特征结构进行归类，对比不同深度网络输出缺陷判定的真伪结果并结合人工复判选定最优解模型。 ④模型迭代与精度爬坡阶段：持续采集缺陷数据，为模型判断准确率提供数据支持。