权利要求
1.一种金属板带箔材表面缺陷在线视觉检测方法，其特征在于：包括如下步骤：
S1，构建一体化表面成像系统，通过多角度成像与明暗场复合照明获取金属表面原始缺陷图像;
S2，对原始缺陷图像进行背景自适应的缺陷图像预处理与特征增强;
S3，采用多尺度卷积运算提取全局特征，并通过特征融合与轻量化处理对空间特征进行重构;
S4，缺陷ROI判定与反馈控制：
在特征融合完成后，将融合特征输入至缺陷ROI判定模块(104)，对当前图像中是否存在潜在缺陷进行显著性分析：当融合特征达到或超过预设显著性阈值时，判定存在潜在缺陷区域，触发后续的ROI提取流程;
S5，基于缺陷显著性判定触发ROI提取，对局部区域进行循环特征增强：
在ROI判定模块触发后，ROI提取与特征增强模块(106)对潜在缺陷区域进行精确定位和裁剪;针对所提取的ROI区域，进一步执行局部特征增强处理，包括对比度增强、纹理强化及边缘突出操作，使缺陷区域在特征空间中呈现出更高的显著性和可分辨性;
S6，在完成ROI特征增强后，利用多维度特征构建模块(107)对ROI区域进行综合特征提取与融合分析，并在融合过程中引入轻量化约束，通过深度可分离卷积与通道压缩方式降低特征冗余，构建多维度缺陷特征向量;
S7，利用轻量化卷积神经网络对缺陷进行分类与定级，将所述多维度缺陷特征向量输入分类与定级模型，对缺陷类型及缺陷等级进行判定，实现金属板带箔材表面缺陷检测，并输出缺陷识别结果。
2.根据权利要求1所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：步骤S1中，所述一体化表面成像系统包括明场位置相机(003)、暗场位置相机(005)以及明场与暗场复合照明共享光源(006)，所述明场、暗场相机包括远心镜头(001)、高速线扫描相机(002)，采用远心镜头与高速线阵成像装置，对高速运动中的金属板带箔材表面进行同步成像，获取包含镜面反射信息与漫反射信息的原始缺陷图像;明场与暗场复合照明共享光源(006)采用长寿命稳定型LED线光源(007)，设置于被测金属板带箔材(008)表面的正上方区域。
3.根据权利要求2所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：明场位置相机(003)放置在反射光的光路上;明场成像用于获取金属板带箔材表面的连续纹理信息;如果相机没有放置在反射光的光路上，而是在β = 70–130°角的位置就会造成漫反射，相机就可以采集到漫反射光，此处为暗场位置，设置暗场位置相机(005)检测更不容易察觉的缺陷，能够确保在高反射表面条件下，获取畸变最小、对比度高的缺陷图像，暗场成像用于增强微小凹陷、擦划伤、氧化色差及针孔缺陷的对比度。
4.根据权利要求1、2或3所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：步骤S4中，基于融合后的特征结果进行缺陷显著性判定，如果融合特征未达到预设的缺陷显著性阈值时，判定当前图像中缺陷特征不明显，通过反馈控制模块(105)向多尺度特征提取模块(102)发送控制信号，对特征提取过程进行循环增强或参数调整。
5.根据权利要求4所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：步骤S4中，通过在线学习与参数自适应优化机制动态更新模型，具体包括动态调整模型权重与判定阈值在线学习步骤，基于实时检测结果与历史缺陷数据对分类模型参数进行增量更新。
6.根据权利要求4所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：步骤S6中，对多尺度特征进行融合处理，对所提取的ROI区域执行局部特征增强，所构建的多维度缺陷特征向量至少包括：形状特征、纹理特征、灰度分布特征、亮度特征与暗度特征、颜色特征、语义特征，以及缺陷的横纵向位置、数量、尺寸及图像信息;所述多维度缺陷特征向量中，不同维度特征按照预设权重参与缺陷分类与定级，用于区分真实缺陷与伪缺陷;所述分类与定级模型为轻量化卷积神经网络，并在特征融合阶段引入注意力加权机制以强化缺陷区域特征响应。
7.根据权利要求1、2、3、5或6所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：步骤S2中，对所述原始缺陷图像进行背景归一化与噪声抑制处理，获得用于缺陷分析的预处理图像;所述背景归一化包括基于动态阈值的背景补偿处理，其中阈值参数随材质反射特性及工况变化自适应调整。
8.根据权利要求7所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：步骤S3中，对所述预处理图像执行多尺度特征提取操作，采用至少包括1×1、3×3、5×5不同尺寸卷积结构并行提取缺陷的局部细节特征、中尺度纹理特征及整体结构特征。
9.根据权利要求1、2、3、5、6或8所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：步骤S5中，所述缺陷显著性判定基于融合特征的灰度突变、纹理异常或几何连续性变化中的至少一种，所述ROI提取仅对触发的局部区域执行特征增强处理，从而避免对无缺陷区域进行高复杂度运算。
10.根据权利要求1、2、3、5、6或8所述的金属板带箔材表面缺陷在线视觉检测方法，其特征在于：包括将缺陷识别结果/检测结果上传至数据管理平台的步骤S8，用于缺陷信息存储、可视化展示、质量追溯及缺陷数据的统计分析、异常预警及工艺参数优化建议输出;所述缺陷识别结果至少包括缺陷类型、缺陷等级、缺陷位置及置信度信息，并联动报警装置或自动贴标装置实现在线质量控制。
说明书
技术领域
[0001]本发明涉及一种金属表面缺陷的视觉检测技术，尤其是涉及一种基于多角度明暗场结合的金属板带箔材表面缺陷在线视觉检测与智能分类方法。适用于高速连续生产条件下，对高反射金属板带箔材表面微小缺陷、多类型缺陷进行高精度、低延迟的在线检测与智能识别。
背景技术
[0002]金属板带箔材作为现代工业的重要基础材料，广泛应用于新一代信息技术(如5G通讯)、特高压输电、
光伏能源、微电子及超微电子、节能器件、
新能源汽车、先进轨道交通和航空航天智能装备等关键领域。随着上述电子信息技术产业向高性能、高可靠性和高集成度方向发展，对金属板带箔材的表面质量提出了更高要求，其表面质量已成为影响产品可靠性、安全性及服役寿命的重要因素。
[0003]近年来，随着我国制造业整体水平的不断提升，部分企业在金属板带箔材的生产设备和工艺控制方面已接近或达到国际先进水平。然而，在高端合金材料、高精度加工装备以及复杂工艺协同控制方面仍存在一定短板，尤其是在高端加工装备与整体生产工艺匹配方面尚不完善，导致金属板带箔材表面疵点难以得到稳定、有效控制。在后续蚀刻、电镀、冲压、焊接、封装等精密加工和应用过程中，表面微小缺陷极易被放大，直接影响产品良率与使用性能。
[0004]因此，高精度、高可靠性的金属板带箔材表面缺陷在线检测技术已成为制约高端制造发展的关键环节之一。
[0005]从技术发展历程看，金属表面缺陷自动检测技术的最早研究始于20世纪70年代，1960年美国学者Roberts提出从2D图像中提取三维结构的观点，标志着三维机器视觉研究的开始。早期研究主要依赖传统图像处理方法，通过灰度、边缘或几何特征实现对部分典型缺陷的检测。自80年代以来，随着机器视觉理论与硬件技术的发展，表面检测系统逐步引入激光扫描、多光源照明及三维成像等手段，并在钢铁、
有色金属等行业得到一定应用。进入90年代后，机器视觉技术逐步应用于工业生产制造领域。Cognex公司于1996年推出Smartview表面检测系统，芬兰Rautaruukki公司开发iS-2000自动检测系统，推动了金属表面缺陷检测从人工检测向自动化检测的发展。随着工业自动化水平的提升，表面视觉与检测设备市场逐步成熟，目前该领域主要由Omron Corporation、Cognex Corporation、IsraVision AG、Panasonic Corporation和AMETEK Surface Vision等少数具备核心技术能力的企业主导，占据了全球市场的主要份额。
[0006]机器视觉作为人工智能的重要分支技术，融合了光学成像、机械系统、计算机技术、模式识别与人工智能等多学科优势，具备检测速度快、精度高、稳定性强且不受人为疲劳影响等特点，在工业表面质量检测中展现出广泛的应用前景。进入深度学习时代后，以卷积神经网络为代表的智能算法在缺陷特征表达和分类准确率方面表现出明显优势，推动了表面缺陷检测技术向智能化方向发展。然而，在高质量金属板带箔材表面检测应用中，现有技术仍面临多重关键挑战。尽管现有检测系统已能够识别部分人眼难以判别的缺陷，但在检测精度、实时处理能力及模型泛化性能等方面仍存在明显不足，具体体现在以下几个方面：
(1)高反射干扰问题突出：金属板带箔材表面具有明显的镜面反射特性，在单一照明或光学结构不合理的情况下，图像中易产生饱和区域、阴影区域或亮度不均现象，遮蔽真实缺陷特征，存在明显盲区，导致低对比度、小尺度缺陷易被忽略，影响成像质量和检测可靠性。
[0007](2)缺陷类型复杂且伪缺陷干扰严重：实际生产过程中，金属表面缺陷种类繁多，常见缺陷可达数十种甚至上百种，同时油污、水渍、氧化色差等伪缺陷在成像特征上与真实缺陷具有较高相似性，显著增加了缺陷识别与分类判断的难度。
[0008](3)高速成像与高精度识别难以兼顾：金属板带箔材通常在高速连续生产线上运行，检测系统需在高分辨率成像条件下实现实时处理。现有深度学习模型虽然在离线场景中具有较高识别精度，但其计算复杂度和推理延迟较大，特别是在高分辨率图像输入条件下，特征提取与分类计算量急剧增加，导致系统响应滞后。文献《A novel and effectivesurface flaw inspection instrument for large-aperture optical elements》指出，基于大规模高清缺陷数据库的深度模型虽能实现精细分类，但运算延迟显著增加，限制其在在线检测场景中的应用。而专利CN114935578A《一种合金板材和带材表面缺陷机器视觉在线识别装置及方法》虽然将传统视觉、三维视觉与人工智能视觉技术相结合，并实现了检测系统与工业自动化控制组件的集成，但仍存在算法实时性不足、模型与成像分辨率耦合度低等问题，导致图像虽清晰但检测准确率不足。
[0009](4)模型泛化能力与工况自适应能力不足：在实际生产环境中，受材质差异、工艺参数波动及复杂背景光照变化影响，现有深度学习模型易出现泛化能力下降、误检率升高等问题。部分现有技术通过数据增强或网络结构优化提升了检测性能，例如专利CN112991271B通过改进Yolov 3网络结构提高了检测精度与速度，专利CN109949292B通过高斯平滑和多尺度灰度拉伸增强缺陷边界清晰度，提高检测准确性，但上述方法仍依赖特定样本分布，对复杂工况和材质变化的适应能力有限。专利CN111650212B虽引入立体视觉信息提升缺陷检测可靠性，但计算复杂度较高，不利于高速在线应用。
[0010]综上所述，现有金属板带箔材表面缺陷在线检测技术在高反射干扰抑制、多类型缺陷稳定识别、高速实时处理以及长期自适应运行等方面仍存在明显不足。尽管已有研究(如文献《基于机器视觉的金属外观缺陷检测研究综述》)在模型结构优化和图像增强方面取得一定进展，例如采用神经网络架构搜索(NAS)等策略优化模型性能，但仍缺乏一种能够在成像系统与智能识别算法层面进行协同设计、同时兼顾高精度、高实时性与高鲁棒性的统一解决方案。
[0011]因此，有必要提出一种新的金属板带箔材表面缺陷在线视觉检测与智能分类方法，以克服现有技术在高速生产环境下的适应性不足问题，显著提升缺陷检测精度与分类准确率，满足现代高精度、高稳定性制造流程对表面质量在线检测的迫切需求。
发明内容
[0012]本发明针对现有技术不足，提出一种面向高速连续生产环境的非接触式金属板带箔材表面缺陷在线视觉检测方法，目的是解决现有技术在高反光金属表面条件下，微小缺陷难以成像、缺陷特征易被背景淹没、检测结果稳定性不足以及算法实时性与工业部署受限等问题。
[0013]为实现上述目的，本发明采用了如下的技术方案：
一种金属板带箔材表面缺陷在线视觉检测方法，其包括如下步骤：
一种金属板带箔材表面缺陷在线视觉检测方法，包括如下步骤：
S1，构建一体化表面成像系统，通过多角度成像与明暗场复合照明获取金属表面原始缺陷图像;
S2，对原始缺陷图像进行背景自适应的缺陷图像预处理与特征增强;
S3，采用多尺度卷积运算提取全局特征，并通过特征融合与轻量化处理对空间特征进行重构;
S4，缺陷ROI(Region of Interest：感兴趣区域)判定与反馈控制：
在特征融合完成后，将融合特征输入至缺陷ROI判定模块(104)，对当前图像中是否存在潜在缺陷进行显著性分析：当融合特征达到或超过预设显著性阈值时，判定存在潜在缺陷区域，触发后续的ROI提取流程;
通过该条件触发式ROI判定与反馈循环机制，系统避免了对大量无缺陷区域执行高复杂度分析，在保证检测精度的同时显著降低整体计算负载。
[0014]S5，基于缺陷显著性判定触发ROI(感兴趣区域)提取，对局部区域进行循环特征增强：
在ROI判定模块触发后，ROI提取与特征增强模块(106)对潜在缺陷区域进行精确定位和裁剪;针对所提取的ROI区域，进一步执行局部特征增强处理，包括对比度增强、纹理强化及边缘突出操作，使缺陷区域在特征空间中呈现出更高的显著性和可分辨性;
该模块的设置，使后续特征构建和分类过程专注于真实缺陷区域，进一步提升系统整体效率和稳定性。
[0015]S6，在完成ROI特征增强后，利用多维度特征构建模块(107)对ROI区域进行综合特征提取与融合分析，并在融合过程中引入轻量化约束，通过深度可分离卷积与通道压缩方式降低特征冗余，构建多维度缺陷特征向量;
通过上述多维特征的融合，使不同类型缺陷在特征空间中形成稳定、可分离的分布，为后续分类与定级提供可靠输入。
[0016]S7，利用轻量化卷积神经网络对缺陷进行分类与定级，将所述多维度缺陷特征向量输入分类与定级模型，对缺陷类型及缺陷等级进行判定，实现金属板带箔材表面缺陷检测，并输出缺陷识别结果。
[0017]所述的金属板带箔材表面缺陷在线视觉检测方法，步骤S1中，所述一体化表面成像系统包括明场位置相机(003)、暗场位置相机(005)以及明场与暗场复合照明共享光源(006)，所述明场、暗场位置相机包括远心镜头(001)、高速线扫描相机(002)，采用远心镜头与高速线阵成像装置，对高速运动中的金属板带箔材表面进行同步成像，获取包含镜面反射信息与漫反射信息的原始缺陷图像;明场与暗场复合照明共享光源(006)采用长寿命稳定型LED线光源(007)，设置于被测金属板带箔材(008)表面的正上方区域。
[0018]所述的金属板带箔材表面缺陷在线视觉检测方法，明场位置相机(003)放置在反射光的光路上;(α = 10°–70°，α为与垂直材料运动方向(004)的夹角);明场成像用于获取金属板带箔材表面的连续纹理信息;
如果相机没有放置在反射光的光路上，而是在β = 70–130°角(β为与垂直材料运动方向(004)的夹角)的位置就会造成漫反射，相机就可以采集到漫反射光，此处为暗场位置，设置暗场位置相机(005);暗场位置相机可检测更不容易察觉的缺陷，能够确保在高反射表面条件下，获取畸变最小、对比度高的缺陷图像，暗场成像用于增强微小凹陷、擦划伤、氧化色差及针孔等缺陷的对比度。
[0019]明场成像用于获取金属板带箔材表面宏观纹理及连续性特征，暗场成像通过采集漫反射光信息，用于增强对微小凹陷、擦划伤、氧化色差及针孔等低对比度缺陷的响应。
[0020]所述的金属板带箔材表面缺陷在线视觉检测方法，步骤S4中，基于融合后的特征结果进行缺陷显著性判定，如果融合特征未达到预设的缺陷显著性阈值时，判定当前图像中缺陷特征不明显，通过反馈控制模块(105)向多尺度特征提取模块(102)发送控制信号，对特征提取过程进行循环增强或参数调整。
[0021]所述的金属板带箔材表面缺陷在线视觉检测方法，步骤S4中，通过在线学习与参数自适应优化机制动态更新模型，具体包括动态调整模型权重与判定阈值在线学习步骤，基于实时检测结果与历史缺陷数据对分类模型参数进行增量更新。
[0022]所述的金属板带箔材表面缺陷在线视觉检测方法，步骤S6中，对多尺度特征进行融合处理，对所提取的ROI区域执行局部特征增强，所构建的多维度缺陷特征向量至少包括：形状特征、纹理特征、灰度分布特征、亮度特征与暗度特征、颜色特征、语义特征，以及缺陷的横纵向位置、数量、尺寸及图像信息;所述多维度缺陷特征向量中，不同维度特征按照预设权重参与缺陷分类与定级，用于区分真实缺陷与伪缺陷;所述分类与定级模型为轻量化卷积神经网络，并在特征融合阶段引入注意力加权机制以强化缺陷区域特征响应。
[0023]所述的金属板带箔材表面缺陷在线视觉检测方法，步骤S2中，对所述原始缺陷图像进行背景归一化与噪声抑制处理，获得用于缺陷分析的预处理图像;所述背景归一化包括基于动态阈值的背景补偿处理，其中阈值参数随材质反射特性及工况变化自适应调整。
[0024]所述的金属板带箔材表面缺陷在线视觉检测方法，步骤S3中，对所述预处理图像执行多尺度特征提取操作，采用至少包括1×1、3×3、5×5不同尺寸卷积结构并行提取缺陷的局部细节特征、中尺度纹理特征及整体结构特征。
[0025]所述的金属板带箔材表面缺陷在线视觉检测方法，步骤S5中，所述缺陷显著性判定基于融合特征的灰度突变、纹理异常或几何连续性变化中的至少一种，所述ROI提取仅对触发的局部区域执行特征增强处理，从而避免对无缺陷区域进行高复杂度运算。
[0026]所述的金属板带箔材表面缺陷在线视觉检测方法，包括将缺陷识别结果/检测结果上传至数据管理平台的步骤S8，用于缺陷信息存储、可视化展示、质量追溯及缺陷数据的统计分析、异常预警及工艺参数优化建议输出;所述缺陷识别结果至少包括缺陷类型、缺陷等级、缺陷位置及置信度信息，并联动报警装置或自动贴标装置实现在线质量控制。
[0027]本发明金属板带箔材表面缺陷在线视觉检测方法，从成像物理机制与缺陷识别算法协同设计的角度出发，通过构建明场与暗场复合成像结构，并与分阶段特征提取、条件触发式ROI增强机制及特征融合与轻量化模型相结合，在保证高速在线检测能力的前提下，实现对多类型表面缺陷的高精度识别与可靠分类。与现有技术相比，本发明至少具有以下有益效果：
1. 通过明暗场复合成像与算法协同设计，有效抑制高反光金属表面背景干扰，显著提升微小缺陷在复杂工况下的可检测性;
2. 通过多尺度特征提取与特征融合与轻量化的协同设计，在特征生成阶段即兼顾检测精度与计算效率，避免传统方法在分类阶段才进行压缩所带来的实时性不足问题;
3. 通过缺陷ROI判定与循环反馈控制，构建条件触发式检测流程，减少无效计算，降低系统整体算力消耗，适合长期稳定的高速在线检测场景;
4. 通过ROI提取与特征增强以及多维度特征构建，整体分类准确率保持在95%以上，实现对真实缺陷的显著增强和对伪缺陷的有效抑制，提高分类与定级的可靠性;
5. 通过缺陷的分类与定级、结果数据的输出与应用，实现缺陷数据的集中管理、质量追溯与工艺优化支持，构建完整的质量闭环管理体系，适用于智能制造与精细化生产管理场景。
[0028]本发明所提出的金属板带箔材表面缺陷在线智能检测方法与系统，通过成像、特征提取、条件触发判定及数据应用的协同设计，实现了检测精度、实时性与系统鲁棒性的综合提升，不仅适用于金属板带箔材的热轧线、铣面线、冷轧线、清洗线、拉弯矫直线及分切和包装线等生产环节，还可推广应用于纸张、薄膜及非织造材料等多类连续生产产品的表面质量检测，具有广泛的工业应用前景。
附图说明
[0029]图1为本发明金属板带箔材表面缺陷在线检测方法系统的结构配置;
图中：001为远心镜头，002为高速CCD行扫描相机，003为明场位置相机，004为垂直材料运动方向，005为暗场位置相机，006为共享光源，007为LED线光源，008为待检测的金属板带箔材，009为金属板带箔材依托辊子，010为编码器，011为材料的运动方向，α和β分别为相机拍摄位置与垂直材料运动方向的夹角，d1、d2分别表示明暗场的两相机与实际缺陷之间的距离。
[0030]图2为本发明金属板带箔材表面缺陷在线检测方法在线检测系统流程图;
本发明的缺陷检测系统包括：图像输入模块(101)接收预处理图像;经多尺度特征提取(102)、特征融合与轻量化(103)后进入缺陷ROI判定(104);未达标时通过反馈控制(105)返回特征提取，达标则触发ROI提取与特征增强(106);随后构建多维度特征(107)并完成分类定级(108)，最终通过结果输出模块(109)实现检测与应用联动。
[0031]ROI为Region of Interest的简写，中文意思为感兴趣区域。Region of Interest(ROI)是计算机视觉和图像处理中的一个重要概念，用于圈定图像中需要重点分析的区域。
具体实施方式
[0032]为使发明创造实现其发明目的的技术构思及优点更加清楚明白，下面结合附图对本发明的技术方案作进一步的详细描述。应当理解的是，以下各实施例仅为用以解释和说明本发明的优选实施方式，不应当视为且不构成对本发明要求专利保护范围的限定。
实施例
[0033]本发明提供了一种基于明暗场复合成像与轻量化深度学习模型的金属板带箔材表面缺陷在线视觉检测方法，所述方法基于如下各系统模块实现的过程包括：
步骤一：基于明暗场复合成像的缺陷信息增强采集
构建一体化表面成像系统，结构工作原理如图1所示，所述成像系统包括远心镜头001、高速线扫描相机002以及明场与暗场复合照明，明场成像用于获取金属板带箔材表面宏观纹理及连续性特征，暗场成像通过采集漫反射光信息，用于增强对微小凹陷、擦划伤、氧化色差及针孔等低对比度缺陷的响应。明场位置的明场相机003放置在反射光(α = 10°–70°，α为与垂直材料运动方向004的夹角)的光路上;如果相机没有放置在反射光的光路上，而是在β = 70–130°角(β为与垂直材料运动方向004的夹角)的位置就会造成漫反射，相机就可以采集到漫反射光，此处为暗场位置的暗场相机005可检测更不容易察觉的缺陷。暗场位置相机能够确保在高反射表面条件下，获取畸变最小、对比度高的缺陷图像。系统相机最高可配置至16K分辨率，像素读取频率可达1280MHz，能够在高速生产线上实现连续、高分辨率成像。共享光源006采用长寿命稳定型LED线光源007，寿命长，保证期为5年以上，而且维护要求低。通过透明导光柱聚光，LED点光源或线光源转换成均匀的面光源将材料008表面照亮，通过调节反射角度抑制镜面干扰，提升成像均匀性和缺陷可见性，将有效提高光通量的捕获率，提高显示效果。通过对相机入射角度进行差异化布置，使明场与暗场图像在缺陷区域呈现互补的灰度分布特性，从而在高反光表面条件下显著提升缺陷与背景之间的可分辨性。
[0034]共享光源006设置于被测金属板带箔材008表面的正上方区域，所述金属板带箔材依托辊子009进行张紧与输送，该金属板带箔材依托辊子配置有用于触发相机进行在线高速扫描式实时拍照的编码器010，材料沿设定运动方向011行进。通过上述布置，有效抑制镜面反射并增强漫反射效应，从而提升缺陷成像对比度。
[0035]明场位置相机003与暗场位置相机005分别基于不同拍摄角度同步采集带材表面图像;图1中，d1、d2分别表示两相机与实际缺陷之间的间隔距离。
[0036]在成像控制方面，采用高频曝光技术与LED稳态光源相配合，显著提高图像信噪比与整体清晰度。通过对系统进行精确标定并优化光源入射角度，有效降低成像畸变，使系统空间分辨率达到0.01mm。在图像源头层面引入缺陷显著性差异，为后续算法处理提供高区分度输入数据。
[0037]步骤二：图像输入模块101---基于背景自适应的缺陷图像预处理与特征增强
如图2所示，图像输入模块101用于对前端成像系统采集的明场图像与暗场图像进行统一接收与预处理。
[0038]所述预处理包括但不限于：几何校正、亮度归一化、Gabor滤波、噪声抑制以及频域与空间域的联合增强处理，以消除因相机安装误差、材料抖动及环境光变化带来的图像畸变和背景波动。
[0039]本发明在该模块中引入背景自适应的动态阈值调节机制，根据不同金属板带箔材的材质特性和表面反射特征，自适应设置：用于检测非连续性缺陷的水平阈值，随背景亮度和纹理变化动态调整的基线阈值。
[0040]通过上述方式，可有效抑制因设备振动、辊面扰动及环境变化引起的伪缺陷干扰，突出真实缺陷区域的响应强度，为后续特征提取提供高信噪比、高稳定性的输入图像。
[0041]步骤三：多尺度特征提取模块102和特征融合与轻量化模块103
在完成预处理后，系统将图像输入至多尺度特征提取模块102。
[0042]该模块通过并行设置的不同尺度特征提取结构，对图像进行多尺度卷积运算，以同时获取缺陷的：局部细节特征(如微小裂纹、针孔边缘)，中尺度纹理特征(如条纹、擦划伤纹理)，整体结构特征(如压坑、褶皱轮廓)。
[0043]本实施例采用多尺度卷积通道融合技术，结合1×1、3×3与5×5卷积核对不同尺度特征进行并行提取。
[0044]随后，所述多尺度特征输入至特征融合与轻量化模块103，在该模块中：通过深度可分离卷积对空间特征进行重构，通过通道压缩策略减少冗余特征通道数量，从而在保证缺陷判别能力的前提下显著降低模型参数规模和计算复杂度，使特征生成阶段即满足高速在线检测的实时性要求。
[0045]步骤四：缺陷ROI判定模块104与反馈控制模块105
在特征融合完成后，系统将融合特征输入至缺陷ROI判定模块104，对当前图像中是否存在潜在缺陷进行显著性分析。
[0046]当融合特征未达到预设的缺陷显著性阈值时，系统判定当前图像中缺陷特征不明显，通过反馈控制模块105向多尺度特征提取模块102发送控制信号，对特征提取过程进行循环增强或参数调整。
[0047]当融合特征达到或超过预设显著性阈值时，系统判定存在潜在缺陷区域，触发后续的ROI提取流程。
[0048]通过该条件触发式ROI判定与反馈循环机制，系统避免了对大量无缺陷区域执行高复杂度分析，在保证检测精度的同时显著降低整体计算负载。
[0049]步骤五：ROI提取与特征增强模块106
在ROI判定模块触发后，ROI提取与特征增强模块106对潜在缺陷区域进行精确定位和裁剪。
[0050]针对所提取的ROI区域，系统进一步执行局部特征增强处理，包括对比度增强、纹理强化及边缘突出操作，使缺陷区域在特征空间中呈现出更高的显著性和可分辨性。
[0051]该模块的设置，使后续特征构建和分类过程专注于真实缺陷区域，进一步提升系统整体效率和稳定性。
[0052]步骤六：多维度特征构建模块107
在完成ROI特征增强后，多维度特征构建模块107对ROI区域进行综合特征提取与融合分析。
[0053]所构建的多维度缺陷特征向量至少包括：形状特征、纹理特征、灰度分布特征、亮度特征与暗度特征、颜色特征、语义特征，以及缺陷的横纵向位置、数量、尺寸及图像信息。
[0054]通过上述多维特征的融合，使不同类型缺陷在特征空间中形成稳定、可分离的分布，为后续分类与定级提供可靠输入。
[0055]步骤七：缺陷分类与定级模块108
在缺陷分类阶段，系统将多维度缺陷特征向量输入至缺陷分类与定级模块108。
[0056]该模块基于特征融合与轻量化模型结构，对多尺度缺陷特征进行高效处理，在降低计算复杂度的同时保持对缺陷细节的有效表征能力。
[0057]本发明可实现对30种以上典型缺陷的准确分类与等级判定。以
铜带为例，可稳定识别孔洞、裂纹、压坑、黑点、黑斑、黑线、氧化皮、异物、擦划伤、辊印、褶皱、边缘缺陷、条纹、氧化色差及针孔等多类型缺陷。
[0058]步骤八：结果输出与应用模块109
缺陷分类与定级结果由结果输出与应用模块109统一管理，并实时上传至数据平台。
[0059]所述数据平台用于实现缺陷位置、类型及等级信息的存储、统计与追溯，并支持与生产线控制系统联动，完成声光报警、自动贴标及异常处理。
[0060]在本实施例中，成像系统采用16K高速线阵CCD相机配合远心镜头进行成像，能够在高速连续运行条件下实现对金属板带箔材表面的无畸变、高一致性图像采集。照明方式采用45°明场照明与120°暗场照明相结合的复合照明结构，通过多角度光照有效抑制金属表面镜面反射带来的干扰，同时增强微小缺陷的散射特征响应。
[0061]在图像处理方面，系统对采集到的明暗场图像依次执行背景自适应预处理、多尺度特征提取、特征融合与轻量化处理，并基于条件触发的ROI提取机制，对潜在缺陷区域进行重点分析。随后，利用结合深度可分离卷积与通道压缩策略的轻量化深度学习模型，实现对缺陷的实时识别与分类。
[0062]在典型工业生产工况下(板带宽度约650mm、运行速度60-100m/min、金属表面反射率约65%–70%)，本实施例所述系统能够稳定、连续地对金属板带箔材表面进行在线检测，对划痕、压痕、油污、异物等多种典型缺陷实现准确识别与分类。系统在检测精度、分类准确率及实时响应能力方面均满足高速在线工业检测的应用需求。
[0063]本实施例的相关检测性能指标及实验结果分别列于表1至表4中。
[0064]为验证本发明技术方案的有益效果，设置如下对比例系统。
[0065]该对比例系统采用8K线阵CCD相机配合普通工业镜头进行成像，照明方式为单一明场照明结构，未引入暗场成像方式、远心光学结构及在线学习或自适应优化机制。其图像处理流程主要基于传统固定参数的图像增强与缺陷检测算法。
[0066]在与实施例1相同的检测工况条件下运行时，由于该对比例系统对高反射金属表面的镜面反射抑制能力有限，且对微小缺陷的散射特征响应不足，采集图像中易出现背景亮度波动大、局部过曝及图像畸变等问题。
[0067]实际检测结果表明，该对比例系统在高反光表面及微小缺陷检测方面的识别能力明显受限，其缺陷检出率、分类准确率及实时性均低于实施例一所述的本发明系统，难以满足高速在线检测场景下对稳定性和精度的综合要求。
[0068]为进一步验证本发明技术方案相对于现有技术的技术效果与工程应用优势，对实施例1(本发明)与对比例在设备配置、检测能力、分类模型性能及在线应用能力等方面进行了系统对比分析，相关对比结果分别列于表1至表4。
[0069]表1 设备参数对比
项目实施例一(本发明)对比例相机分辨率16K高速线阵CCD，相机像素读取频率 1280MHz8K CCD，相机像素读取频率650MHz镜头类型远心镜头，畸变率≤0.05%，工作距离150 mm普通工业镜头，畸变率约0.2%光源配置LED线型风冷光源，寿命≥50,000h;明场45°+暗场120°复合照明单一LED明场光源，寿命约30,000h分辨率横向0.13mm;纵向0.12mm横向0.25mm;纵向0.23mm图像处理时延≤100ms(平均85ms)约160-180ms成像方式明场与暗场结合，多角度补偿照明单一明场照明
表2 检测能力对比
项目实施例一(本发明)对比例可识别缺陷划痕≥0.15mm，压痕≥0.02mm，油污斑点≥0.2mm划痕≥0.25mm，压痕≥0.05mm，油污斑点≥0.4mm检测精度96.50%88.20%漏检率≤3%≥8%缺陷检出率98.60%89.20%
表3 深度学习模型与分类性能对比
项目实施例一(本发明)对比例主干网络Shuffle Net + CBAM注意力机制ResNet-18，未使用注意力机制输入图像尺寸1024 × 1024512 × 512参数量2.3M11.2M推理速度25FPS12FPS分类准确率95.70%88.50%裂纹识别精度98.30%90.50%擦划伤识别精度97.50%88.10%伪缺陷识别率94.20%81.70%
表4 在线应用与综合性能对比
项目实施例一(本发明)对比例在线学习机制支持增量学习与显著性区域检测，可适应新型缺陷不支持，需离线更新新缺陷识别两周内新增识别辊印纹、细微分层、氧化色差无法识别previously-unknown缺陷平均处理延时92ms168ms报警响应时间<0.5s约1.2s与人工质检对比误检率降低40%，废品率降低3.2%误检率降低约15%，废品率无明显改善
综合表1至表4的对比结果可以看出，本发明通过在成像系统、特征提取策略、轻量化深度学习模型以及在线优化机制之间建立协同设计关系，在高检测精度、低处理延迟与系统鲁棒性之间实现了有效平衡。
[0070]尤其是在低对比度与微小缺陷检测场景下，本发明相较于传统单一明场检测系统能够显著降低伪缺陷干扰并提升检出率，同时避免因模型复杂度过高而带来的实时性不足问题。
[0071]因此，本发明能够提升生产管理的精细化程度，增强工艺优化与产品质量提升能力，具备良好的产业化应用前景。
[0072]综上所述，本发明为金属板带箔材表面缺陷的在线智能检测提供了一种高效、稳定且具有自适应能力的技术方案，能够提升生产管理的精细化程度，增强工艺优化与产品质量提升能力，具备良好的产业化应用前景。
说明书附图(2)
声明：
“金属板带箔材表面缺陷在线视觉检测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
1194
编辑：北方有色网
来源：河南省科学院材料基因工程研究所, 河南省科学院, 中铝洛阳铜加工有限公司
咨询细节
2026年08月06日 ~ 08日 
