本发明涉及阳极铜板生产，尤其涉及一种阳极铜板生产用缺陷智能检测系统。
背景技术：
1、随着工业向着现代化、智能化方向不断发展，作为工业支柱产业之一的铜业，也在蓬勃发展，并要求减少人工，实现智能化高效生产。在铜的电解精炼过程中，首先利用粗铜去除部分杂质，铸成阳极铜，再进行电解精炼，铸成阴极铜即精铜。阳极铜作为中间产物，对于精铜的生产起着举足轻重的作用，阳极铜板耳部与电源接触面积、相邻两阳极铜板间距、阳极铜板耳部承重性能等，决定了精铜的析出率。
2、经检索，中国专利号为cn116630251a的发明专利，公开了基于深度学习的阳极铜板缺陷检测方法及系统，属于石油开采技术领域。已解决当前阳极铜的缺陷检测主要依靠人工，检测员在对阳极铜进行质量评定时，需要对每块阳极铜板进行肉眼废板判定，劳动强度大，易发生漏检和错检现象，无法对阳极铜板进行长时间且高效的质量检测的问题；其方法包括：步骤s1：获取阳极铜板的主视图、俯视图和侧视图，进行预处理，分别得到主视图、俯视图和侧视图的边缘图；步骤s2：根据主视图、俯视图和侧视图的边缘图判断阳极铜板的耳部是否有弯曲，以及根据侧视图的边缘图判断阳极铜板的板身是否为锥形板；步骤s3：将主视图、俯视图和侧视图输入阳极铜板缺陷检测网络，对裂纹缺陷进行检测，并根据裂纹位置赋予不同权重，最后输出检测报告。
3、与现有技术相比，该中国专利号为cn116630251a的发明专利，实现阳极铜板缺陷检测的现代化和智能化，填补阳极铜板质量检测领域的空白，提高铜板的生产效率。
4、然而上述装置在使用过程中，由于裂纹的形态、大小和位置具有多样性，现有的可变形卷积等技术可能无法完全准确地检测出所有裂纹，尤其是微小裂纹或复杂形状的裂纹，因此，提出一种阳极铜板生产用缺陷智能检测系统。
技术实现思路
1、本发明的目的是为了解决现有技术中存在，由于裂纹的形态、大小和位置具有多样性，现有的可变形卷积等技术可能无法完全准确地检测出所有裂纹，尤其是微小裂纹或复杂形状的裂纹的缺点，而提出的一种阳极铜板生产用缺陷智能检测系统。
2、为了实现上述目的，本发明采用了如下技术方案：
3、一种阳极铜板生产用缺陷智能检测系统，包括：
4、数据采集模块：负责从生产线上的工业相机和传感器收集阳极铜板的图像数据和实时生产数据；
5、图像预处理模块：负责对采集到的图像进行预处理；
6、缺陷检测模块：负责自动识别和分类阳极铜板上的各种缺陷；
7、模型训练与优化模块：负责建立丰富的缺陷样本库，包括各类裂纹、划痕、孔洞等缺陷样本，用于训练和优化检测模型；
8、结果评估与反馈模块：负责对检测模型进行评估，并结合人工审核和复检机制，对检测结果进行验证和修正；
9、所述数据采集模块收集阳极铜板的图像数据和实时生产数据，所述生产数据被传递给图像预处理模块，所述图像预处理模块对原始图像进行预处理，将预处理后的图像传递给缺陷检测模块，预处理后的图像以文件或数据流的形式传递给缺陷检测模块，所述缺陷检测模块在检测过程中生成大量的检测数据和结果，所述检测数据和结果被用于模型训练与优化模块的反馈和迭代，所述检测数据和结果被记录并存储在数据库中，所述模型训练与优化模块定期从数据库中提取数据进行模型的训练和性能评估，所述模型训练与优化模块将优化后的模型传递给结果评估与反馈模块进行评估，所述模型训练与优化模块将更新后的检测模型被重新部署到缺陷检测模块。
10、上述技术方案进一步包括：
11、进一步地，所述数据采集模块包括工业相机单元、传感器单元与数据通信单元，所述工业相机单元负责拍摄阳极铜板的图像，获取高清晰度的图像数据，所述传感器单元负责收集生产过程中的实时数据，如温度、压力等物理参数，所述数据通信单元负责将工业相机和传感器收集到的数据传输到后续处理模块，所述工业相机拍摄阳极铜板图像，图像数据存储在相机缓存中，所述数据通信单元通过数据接口读取图像数据，将图像数据发送到后续处理模块，所述传感器监测单元生产环境参数，实时数据通过传感器接口输出，带动数据通信单元读取实时数据，将实时数据发送到后续处理模块。
12、进一步地，所述图像预处理模块包括噪声去除单元、亮度对比度调整单元、图像裁剪单元与图像标准化单元，所述噪声去除单元采用图像滤波技术(如均值滤波、中值滤波等)去除图像中的噪声，使图像更加清晰，所述亮度对比度调整单元负责调整图像的亮度和对比度，使其更适合于后续的缺陷检测，所述图像裁剪单元负责裁剪掉图像中的无用区域(如边框、背景等)，保留需要检测的部分，所述图像标准化单元负责应用数据标准化方法(如均值归一化、标准差归一化等)，将图像数据转换到统一的数值范围内，提高后续处理效率，所述数据采集模块采集到的原始图像数据传输给噪声去除单元，所述噪声去除单元将去噪后的图像数据输出给亮度对比度调整单元，所述亮度对比度调整单元调整后的图像数据作为图像裁剪单元的输入，所述图像裁剪单元裁剪掉图像中的无用区域生成剪后的图像数据，所述图像裁剪单元裁剪后的图像数据作为图像标准化单元的输入。
13、进一步地，所述缺陷检测模块包括基础图像处理单元、边缘检测与分割单元与裂纹检测网络单元，所述基础图像处理单元负责采用优化的空间域滤波器和频域滤波器对图像进行初步的滤波和去噪，以减少图像噪声和提高图像质量，所述边缘检测与分割单元负责利用优化后的边缘检测算法和图像分割技术提取图像中的边界信息和潜在的缺陷区域，所述裂纹检测网络单元负责引入深度卷积神经网络，特别针对裂纹检测优化的网络结构，进行高精度的裂纹检测，所述图像预处理模块预处理后的图像数据作为基础图像处理单元的输入，生成初步滤波和去噪后的图像数据，所述初步滤波和去噪后的图像数据作为边缘检测与分割单元的输入，所述边缘检测与分割单元输出边缘信息和分割后的缺陷候选区域，所述边缘信息和分割后的缺陷候选区域作为裂纹检测网络单元的输入，所述裂纹检测网络单元输出裂纹检测结果。
14、进一步地，所述裂纹检测网络单元进行裂纹检测的具体步骤为：
15、数据预处理：
16、接收来自边缘检测与分割单元输出的缺陷候选区域或整幅图像作为输入，对图像进行归一化处理，确保输入数据的一致性，有助于模型训练的稳定性和收敛速度，通过旋转、缩放、翻转等操作增加训练数据的多样性，提高模型的泛化能力；
17、特征提取：
18、卷积层：使用多个卷积层提取图像中的特征，卷积核的滑动窗口机制能够捕捉图像中的局部特征，如边缘、纹理等；
19、池化层：通过池化操作(如最大池化、平均池化)减少特征图的空间尺寸，降低计算量，同时保留重要特征；
20、多尺度特征融合：在多个卷积层之间或之后，融合不同尺度的特征图，这有助于模型同时捕捉到裂纹的细节特征和全局结构，提升检测精度；
21、特征增强与注意力机制：引入sene，让模型能够自动学习并关注图像中的关键区域(即裂纹区域)，通过给不同特征分配不同的权重，提高模型对裂纹的识别能力，通过残差连接结构，增强特征表达能力，确保裂纹信息在不同尺度上都能得到有效利用；
22、裂纹检测与定位：
23、分类与回归：在网络的末端，使用分类层来判断每个候选区域是否包含裂纹，同时使用回归层来预测裂纹的位置(如边界框坐标)、大小(如长度、宽度)和形状(如方向、曲率)等参数；
24、上下文信息利用：利用全连接层或全局平均池化层捕获图像的全局上下文信息，帮助模型更好地理解裂纹与周围环境的关系，从而提高检测准确性；
25、后处理与优化：
26、对于检测到的多个裂纹候选框，使用非极大值抑制算法去除重叠度较高的框，保留最优的检测结果，根据实际需求调整分类和回归的阈值，以达到最佳的检测性能和准确性，对检测到的裂纹进行形态学操作(如膨胀、腐蚀、开闭运算等)，进一步细化裂纹边界，提高检测结果的视觉效果；
27、结果输出：
28、输出裂纹检测结果，包括裂纹的位置(边界框)、大小(长度、宽度等)、形状(方向、曲率等)等详细信息，以及对应的置信度或概率值。
29、进一步地，所述模型训练与优化模块包括缺陷样本库构建单元、数据增强单元、模型训练单元、模型调参与优化单元以及正则化与集成学习单元，所述缺陷样本库构建单元负责收集、整理和标注各类缺陷样本(如裂纹、划痕、孔洞等)，构建丰富的缺陷样本库，所述数据增强单元负责应用数据增强技术(如随机旋转、平移、缩放、翻转、噪声添加等)对缺陷样本数据集进行处理，增加样本多样性，所述模型训练单元负责使用增强后的缺陷样本数据集训练深度卷积神经网络，所述模型调参与优化单元负责采用交叉验证、网格搜索、随机搜索等方法对初步训练的检测模型进行调参和超参数优化，以提高模型性能，所述正则化与集成学习单元负责引入正则化技术(如l1、l2正则化)和集成学习方法(如bagging、boosting)来防止模型过拟合，并进一步提高检测性能，所述缺陷样本库构建单元输出的标注好的缺陷样本数据集作为数据增强单元的输入，所述数据增强单元输出的增强后的缺陷样本数据集作为模型训练单元的输入，所述模型训练单元输出的初步训练的检测模型和验证数据集作为模型调参与优化单元的输入，所述模型调参与优化单元输出的优化后的检测模型作为正则化与集成学习单元的输入。
30、进一步地，所述结果评估与反馈模块包括性能评估单元、人工审核与复检单元与反馈机制单元，所述性能评估单元负责使用评估指标对模型性能进行评估，所述人工审核与复检单元负责结合人工审核和复检机制，对模型检测结果进行验证和修正，确保检测结果的准确性，所述反馈机制单元负责根据生产实际情况和人工审核结果，收集反馈信息，用于不断优化检测模型和算法，所述性能评估单元输出的性能评估报告和指标数据为人工审核与复检单元提供参考，帮助确定哪些检测结果需要重点审核和修正，所述人工审核与复检单元输出的审核记录和修正后的检测结果作为反馈机制单元的输入，用于分析模型在哪些情况下容易出错，并据此提出优化建议，所述反馈机制单元输出的模型优化建议和算法改进方案将指导模型训练与优化模块进行模型迭代和优化。
31、进一步地，所述性能评估单元利用roc曲线来评估分类模型的性能，具体步骤为：
32、排序预测值：据模型为测试样本产生的预测值(通常是概率值)对样本进行排序；
33、设置阈值：通过改变分类阈值，将样本分类为正类或负类，阈值的选择决定了模型将哪些样本预测为正类；
34、计算tpr和fpr：对于每个阈值，根据定义计算tpr和fpr；
35、模型正确预测的正样本数与所有实际为正的样本数的比例：
36、
37、模型错误预测为正的负样本数与所有实际为负的样本数的比例：
38、
39、其中，tp(真正例)、tn(真反例)、fp(假正例)、fn(假反例)分别表示真正例、真反例、假正例和假反例的样本数；
40、绘制曲线：将每个阈值对应的tpr和fpr作为坐标点绘制在图上，连接这些点就形成了roc曲线，roc曲线的横轴是fpr，纵轴是tpr；
41、计算auc值：通过计算roc曲线下的面积来得到auc值，auc值的大小直接反映了模型的性能优劣，auc值变化范围为[0.5—1]，当auc值等于0.5时相同于一个完全的随机预测；在(0.5,0.7]之间表明模型的拟合效果较差；在(0.7,0.9]之间表明模型的拟合效果中等；在(0.9,1]之间表明模型的拟合效果非常好。
42、本发明具备以下有益效果：
43、1、本发明中，加强对裂纹检测网络的研究和优化，利用全连接层或全局平均池化层捕获图像的全局上下文信息，帮助模型更好地理解裂纹与周围环境的关系，提高网络对裂纹的识别能力，使得系统能够更准确地识别出细微和复杂的裂纹，减少漏检和误检的情况，同时，结合人工审核和复检机制，确保检测结果的准确性。
44、2、本发明中，收集、整理和标注各类缺陷样本，如裂纹、划痕、孔洞等，构建丰富的缺陷样本库，应用数据增强技术，包括随机旋转、平移、缩放、翻转、噪声添加等，对缺陷样本数据集进行处理，增加样本多样性，丰富的缺陷样本库为算法提供了多样化的训练数据，有助于模型学习到更全面的缺陷特征，提高算法的泛化能力，使系统能够自动学习和适应各种复杂的缺陷模式，显著提高检测效率。
1.一种阳极铜板生产用缺陷智能检测系统，其特征在于，包括：
2.根据权利要求1所述的一种阳极铜板生产用缺陷智能检测系统，其特征在于，所述数据采集模块包括工业相机单元、传感器单元与数据通信单元，所述工业相机单元负责拍摄阳极铜板的图像，获取高清晰度的图像数据，所述传感器单元负责收集生产过程中的实时数据，所述数据通信单元负责将工业相机和传感器收集到的数据传输到后续处理模块，所述工业相机拍摄阳极铜板图像，图像数据存储在相机缓存中，所述数据通信单元通过数据接口读取图像数据，将图像数据发送到后续处理模块，所述传感器监测单元生产环境参数，实时数据通过传感器接口输出，带动数据通信单元读取实时数据，将实时数据发送到后续处理模块。
3.根据权利要求1所述的一种阳极铜板生产用缺陷智能检测系统，其特征在于，所述图像预处理模块包括噪声去除单元、亮度对比度调整单元、图像裁剪单元与图像标准化单元，所述噪声去除单元采用图像滤波技术去除图像中的噪声，所述亮度对比度调整单元负责调整图像的亮度和对比度，所述图像裁剪单元负责裁剪掉图像中的无用区域，保留需要检测的部分，所述图像标准化单元负责应用数据标准化方法，将图像数据转换到统一的数值范围内，所述数据采集模块采集到的原始图像数据传输给噪声去除单元，所述噪声去除单元将去噪后的图像数据输出给亮度对比度调整单元，所述亮度对比度调整单元调整后的图像数据作为图像裁剪单元的输入，所述图像裁剪单元裁剪掉图像中的无用区域生成剪后的图像数据，所述图像裁剪单元裁剪后的图像数据作为图像标准化单元的输入。
4.根据权利要求1所述的一种阳极铜板生产用缺陷智能检测系统，其特征在于，所述缺陷检测模块包括基础图像处理单元、边缘检测与分割单元与裂纹检测网络单元，所述基础图像处理单元负责采用优化的空间域滤波器和频域滤波器对图像进行初步的滤波和去噪，所述边缘检测与分割单元负责利用优化后的边缘检测算法和图像分割技术提取图像中的边界信息和潜在的缺陷区域，所述裂纹检测网络单元负责引入深度卷积神经网络，进行裂纹检测，所述图像预处理模块预处理后的图像数据作为基础图像处理单元的输入，生成初步滤波和去噪后的图像数据，所述初步滤波和去噪后的图像数据作为边缘检测与分割单元的输入，所述边缘检测与分割单元输出边缘信息和分割后的缺陷候选区域，所述边缘信息和分割后的缺陷候选区域作为裂纹检测网络单元的输入，所述裂纹检测网络单元输出裂纹检测结果。
5.根据权利要求4所述的一种阳极铜板生产用缺陷智能检测系统，其特征在于，所述裂纹检测网络单元进行裂纹检测的具体步骤为：
6.根据权利要求1所述的一种阳极铜板生产用缺陷智能检测系统，其特征在于，所述模型训练与优化模块包括缺陷样本库构建单元、数据增强单元、模型训练单元、模型调参与优化单元以及正则化与集成学习单元，所述缺陷样本库构建单元负责收集、整理和标注各类缺陷样本，构建缺陷样本库，所述数据增强单元负责应用数据增强技术对缺陷样本数据集进行处理，增加样本多样性，所述模型训练单元负责使用增强后的缺陷样本数据集训练深度卷积神经网络，所述模型调参与优化单元负责对初步训练的检测模型进行调参和超参数优化，所述正则化与集成学习单元负责引入正则化技术和集成学习方法来防止模型过拟合，所述缺陷样本库构建单元输出的标注好的缺陷样本数据集作为数据增强单元的输入，所述数据增强单元输出的增强后的缺陷样本数据集作为模型训练单元的输入，所述模型训练单元输出的初步训练的检测模型和验证数据集作为模型调参与优化单元的输入，所述模型调参与优化单元输出的优化后的检测模型作为正则化与集成学习单元的输入。
7.根据权利要求1所述的一种阳极铜板生产用缺陷智能检测系统，其特征在于，所述结果评估与反馈模块包括性能评估单元、人工审核与复检单元与反馈机制单元，所述性能评估单元负责使用评估指标对模型性能进行评估，所述人工审核与复检单元负责结合人工审核和复检机制，对模型检测结果进行验证和修正，所述反馈机制单元负责根据生产实际情况和人工审核结果，收集反馈信息，用于不断优化检测模型和算法，所述性能评估单元输出的性能评估报告和指标数据为人工审核与复检单元提供参考，帮助确定哪些检测结果需要重点审核和修正，所述人工审核与复检单元输出的审核记录和修正后的检测结果作为反馈机制单元的输入，用于分析模型在哪些情况下容易出错，所述反馈机制单元输出的模型优化建议和算法改进方案将指导模型训练与优化模块进行模型迭代和优化。
8.根据权利要求7所述的一种阳极铜板生产用缺陷智能检测系统，其特征在于，所述性能评估单元利用roc曲线来评估分类模型的性能，具体步骤为：
