CN111222445A - 吸管检测***及其方法 - Google Patents
吸管检测***及其方法 Download PDFInfo
- Publication number
- CN111222445A CN111222445A CN201911418361.7A CN201911418361A CN111222445A CN 111222445 A CN111222445 A CN 111222445A CN 201911418361 A CN201911418361 A CN 201911418361A CN 111222445 A CN111222445 A CN 111222445A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- straw
- plastic
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 239000010902 straw Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007547 defect Effects 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 208000003464 asthenopia Diseases 0.000 abstract 1
- 238000005286 illumination Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
一种吸管检测***及其方法,包括输送带、图像采集模块、上位机;所述图像采集模块完成塑料吸管图像的实时采集,并且将其实时传输到上位机中。所述输送带为双螺旋形。结合其它的结构和方法有效避免了现有技术中针对塑料吸管的人工检测具有很强的主观性、人工检测是采用肉眼识别塑料吸管会导致肉眼疲劳,出现错检、漏检,检测精度下降、人工检测对检测的环境要求较高无法应对恶劣的检测环境、人工检测无法做到实时的检测状况监测的缺陷。
Description
技术领域
本发明涉及吸管技术领域,也属于检测技术领域,具体涉及一种吸管检测***及其方法,尤其涉及一种机器视觉的塑料吸管表面缺陷在线检测***及其方法。
背景技术
塑料吸管,英文straw,或称饮管,是一条圆柱状,中空的塑胶制品,其主要功用是用来饮用杯子中饮料。而缺陷检测是机器视觉的四大应用之一,缺陷检测通常是指对物品表面缺陷的检测,目前,缺陷检测***应用最多的有金属表面、玻璃表面、纸张表面、电子元器件表面等对外观有严格要求又有明确指标的物品。塑料吸管的缺陷检测主要还是采用人工检测的方法,人工检测存在着许多不足:在重复、机械化式的检测过程中,检测人员容易出现疲劳导致检测效率降低;由于不同的检测人员检测的标准不同,人工检测具有很强的主观性;人工检测是采用肉眼识别塑料吸管的缺陷,长期的工作会导致肉眼疲劳,出现错检、漏检,检测精度下降;人工检测对检测的环境要求较高,无法应对恶劣的检测环境;人工检测无法做到实时的检测状况监测。
发明内容
为解决上述问题,本发明提供了一种吸管检测***及其方法,有效避免了现有技术中针对塑料吸管的人工检测具有很强的主观性、人工检测是采用肉眼识别塑料吸管会导致肉眼疲劳,出现错检、漏检,检测精度下降、人工检测对检测的环境要求较高无法应对恶劣的检测环境、人工检测无法做到实时的检测状况监测的缺陷。
为了克服现有技术中的不足,本发明提供了一种吸管检测***及其方法的解决方案,具体如下:
一种吸管检测***,包括输送带、图像采集模块、上位机;
所述图像采集模块完成塑料吸管图像的实时采集,并且将其实时传输到上位机中。
所述输送带为双螺旋形。
所述图像采集模块包括相机、光源和镜头,所述光源应采用具有抑制表面反射的同轴光源,镜头安装固定在相机上,相机应安装在输送带的正上方,距离输送带0.6米,光源应位于相机的一侧,向下照明输送带;
上位机用于接收图像,调用人机交互模块和图像处理模块对图像进行处理,人机交互模块将检测信息可视化;所述上位机应为PC机或者笔记本电脑,所述图像处理模块包括用于读入图像、图像灰度化、图像增强、前景目标提取、区域划分、缺陷特征提取与分类。
所述吸管检测***的方法,包括:
首先,塑料吸管放置在输送带上,输送带是不断向前运动的从而带动塑料吸管的向前转动,塑料吸管置于双螺旋的卡槽中,塑料吸管的一端置顶在输送带的一侧,塑料吸管能够随着输送带的运动而不断向前转动,然后,执行如下步骤;
步骤1:图像处理模块读取由图像采集模块传输过来的图像信息,所述图像灰度化旨将图像采集模块采集到的彩色图像转化为灰度图像,所述彩色图像采用RGB颜色模式;
步骤2:采用灰度值表示其颜色值,所述灰度化过程将彩色图像的各个像素点的RGB三个分量以不同的权值进行加权平均,按照公式(1)对RGB三分量进行加权平均能得到较合理的灰度图像的灰度值:
Gray(i,j)=0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j) (1),
其中i、j分别为灰度图像的像素点的x坐标和y坐标,R(i,j)、G(i,j)和B(i,j)分别表示该像素点的R分量、G分量和B分量;
步骤3:抑制塑料吸管表面反光,增强局部对比度,突出缺陷信息,即是通过滤波函数估算图像的低频或高频成分,增强图像局部对比度,过程如下所示:f(x,y)→lnf→DFT→H(u,v)→(DFT)-1→exp→g(x,y),其中:f(x,y)为图像密度函数;lnf表示对f取对数;DFT指对数据作傅里叶变换;H(u,v)指对数据进行滤波;(DFT)-1对数据作傅里叶反变换;exp对数据作指数变换;g(x,y)指处理后的图像数据;
步骤4将吸管从复杂背景中分割出来,在一组连续采样图像中,第k帧的图像为Dk,其背景模型为Bk,提取前景部分的阈值为T,则前景部分二值图像Fk的计算方法如下:k为正整数,所述背景模型的构建采用混合高斯背景模型,混合高斯背景模型使用多个带权值的单高斯分布对背景的每个像素点进行建模,然后在每一帧对每个高斯分布的权值、期望和方差进行更新来适应背景的实时变化;
步骤5:将吸管分成头部、中部、尾部三个部分分别进行缺陷检测;
步骤6:识别出缺陷吸管,并判别缺陷吸管所属的类别,使用卷积神经网络CNN来对缺陷进行特征的提取和分类,所述卷积神经网络由卷积层、激活层、池化层、全连接层构成,所述卷积层将输入的图像矩阵和卷积核做卷积操作,即用卷积核扫描图像矩阵,将卷积核和图像矩阵中的像素矩阵做乘积,最后输出一个图像矩阵,所述卷积特征提取计算方法如下:Xi=F(Xi-1°Ki+bi),其中Xi表示第i个特征提取值,i为正整数,Ki、bi均为设定的系数;所述激活层将卷积输出的结果做非线性激活,所述激活函数计算方法如下:f(x)=max(0,x),x为所有Xi的集合,所述池化层将输入的图像矩阵用一定大小的滑动窗口去扫描图像矩阵,取滑动窗口中像素最大的值,最后输出一个图像矩阵,所述池化计算方法如下:Xi=max(Xi-1);所述卷积层、激活层、池化层的作用是进行缺陷的特征提取,所述全连接层是将特征提取后的图像矩阵做分类;所述人机交互模块采用Qt开发图像用户界面。
控制器接收由上位机发出的剔除指令,所述控制器能够是单片机、PLC、FPGA处理器或者ARM处理器;剔除机构由控制器发出指令将缺陷吸管剔除,所述剔除机构的结构特征为爪型,应满足精准剔除的标准。
本发明的有益效果为:
使用机器视觉技术代替人眼对塑料吸管进行缺陷检测,能够克服人工检测存在的许多问题,本发明使用了机器视觉技术,利用图像处理技术对缺陷吸管进行检测,在检测的精度上有很大的保证,本发明提出的图像采集、图像传输和图像处理都是实时在线的,因此本发明可运用在实际的塑料吸管生产流水线上,本发明提出的输送带结构为双螺旋型,在运动过程中能带动吸管转动,相机能够全方位采集到吸管的各个面图像。
附图说明
图1为本发明的吸管检测***的结构图。
图2为本发明的吸管检测***的方法的流程图。
具体实施过程
下面将结合附图和实施例对本发明做进一步地说明。
本发明克服了人工检测效率低、主观性强、检测精度低等问题,本发明利用机器视觉技术,从硬件和软件两个方面阐述其原理,解决了人工检测存在的问题,实现生产线的实时在线检测,极大地提高了企业的效益。
如图1-图2所示,吸管检测***,包括输送带、图像采集模块、上位机;
所述图像采集模块完成塑料吸管图像的实时采集,并且将其实时传输到上位机中。
所述输送带为双螺旋形。
所述图像采集模块包括相机、光源和镜头,所述光源应采用具有抑制表面反射的同轴光源,镜头安装固定在相机上,相机应安装在输送带的正上方,距离输送带0.6米,光源应位于相机的一侧,向下照明输送带;
上位机用于接收图像,调用人机交互模块和图像处理模块对图像进行处理,人机交互模块将检测信息可视化;所述上位机应为PC机或者笔记本电脑,所述图像处理模块包括用于读入图像、图像灰度化、图像增强、前景目标提取、区域划分、缺陷特征提取与分类。
所述吸管检测***的方法,包括:
首先,塑料吸管放置在输送带上,输送带是不断向前运动的从而带动塑料吸管的向前转动,所述输送带应该具备的结构特点为双螺旋形,塑料吸管置于双螺旋的卡槽中,塑料吸管的一端置顶在输送带的一侧,塑料吸管能够随着输送带的运动而不断向前转动;图像采集模块完成塑料吸管图像的实时采集,并且将其实时传输到上位机中,所述图像采集模块应由相机、光源和镜头组成,所述相机应为接口为GigE的1200万像素的工业相机,所述镜头应与相机匹配,镜头的焦距应满足实际检测安装环境的要求,所述光源应采用具有抑制表面反射的同轴光源,各构件的安装如下:镜头安装固定在相机上,相机应安装在输送带的正上方,距离输送带0.6米,光源应位于相机的一侧,向下照明输送带;上位机接收图像,调用图像处理模块对图像进行处理,人机交互模块将检测信息可视化;所述上位机应为PC机或者笔记本电脑,所述图像处理模块包括读入图像、图像灰度化、图像增强、前景目标提取、区域划分、缺陷特征提取与分类。
步骤1:所述读入图像指图像处理模块读取由图像采集模块传输过来的图像信息,所述图像灰度化旨将图像采集模块采集到的彩色图像转化为灰度图像,所述彩色图像采用RGB颜色模式;
步骤2:所述图像灰度化采用灰度值表示其颜色值,所述灰度化过程将彩色图像的各个像素点的RGB三个分量以不同的权值进行加权平均,由于人眼对绿色的敏感最高,对蓝色的敏感最低,因此按照公式(1)对RGB三分量进行加权平均能得到较合理的灰度图像的灰度值:
Gray(i,j)=0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j) (1),
其中i、j分别为灰度图像的像素点的x坐标和y坐标,R(i,j)、G(i,j)和B(i,j)分别表示该像素点的R分量、G分量和B分量,图像灰度化将三维的彩色图像降维到二维的灰度图像,降低了接下来图像处理的运算复杂度;
步骤3:所述图像增强目的是抑制塑料吸管表面反光,增强局部对比度,突出缺陷信息,在照明-反射模型中,图像的像素点可以表示为照明分量与反射分量的乘积形式:f(x,y)=i(x,y)×r(x,y),其中照明分量i(x,y)频谱集中在低频段,反射分量r(x,y)频谱集中在高频段,其中x、y分别为该像素点的x坐标和y坐标,该步骤3的原理即是通过滤波函数估算图像的低频或高频成分,增强图像局部对比度,过程如下所示:f(x,y)→lnf→DFT→H(u,v)→(DFT)-1→exp→g(x,y),其中:f(x,y)为图像密度函数;lnf表示对f取对数;DFT指对数据作傅里叶变换;H(u,v)指对数据进行滤波;(DFT)-1对数据作傅里叶反变换;exp对数据作指数变换;g(x,y)指处理后的图像数据;
步骤4:所述前景目标提取目的在于将吸管从复杂背景中分割出来,假设在一组连续采样图像中,第k帧的图像为Dk,其背景模型为Bk,提取前景部分的阈值为T,则前景部分二值图像Fk的计算方法如下:k为正整数,所述背景模型的构建采用混合高斯背景模型,混合高斯背景模型使用多个带权值的单高斯分布对背景的每个像素点进行建模,然后在每一帧对每个高斯分布的权值、期望和方差进行更新来适应背景的实时变化;混合高斯模型能够很好地拟合光照变化的情况,也能有效地处理抖动、闪烁等快速周期性的变化。
步骤5:所述区域划分目的是将吸管分成头部、中部、尾部三个部分分别进行缺陷检测,有助于提高检测效率;
步骤6:所述缺陷的特征提取与分类,目的是识别出缺陷吸管,并判别缺陷吸管所属的类别,使用卷积神经网络CNN来对缺陷进行特征的提取和分类,所述卷积神经网络由卷积层、激活层、池化层、全连接层构成,所述卷积层将输入的图像矩阵和卷积核做卷积操作,即用卷积核扫描图像矩阵,将卷积核和图像矩阵中的像素矩阵做乘积,最后输出一个图像矩阵,所述卷积特征提取计算方法如下:Xi=F(Xi-1°Ki+bi),其中Xi表示第i个特征提取值,i为正整数,Ki、bi均为设定的系数;所述激活层将卷积输出的结果做非线性激活,所述激活函数计算方法如下:f(x)=max(0,x),x为所有Xi的集合,所述池化层将输入的图像矩阵用一定大小的滑动窗口去扫描图像矩阵,取滑动窗口中像素最大的值,最后输出一个图像矩阵,所述池化计算方法如下:Xi=max(Xi-1);所述卷积层、激活层、池化层的作用是进行缺陷的特征提取,所述全连接层是将特征提取后的图像矩阵做分类;所述人机交互模块采用Qt开发图像用户界面,目的是使检测人员能观察到检测的实时状况,缺陷信息可通过TCP/IP方式提供数据输出。
控制器接收由上位机发出的剔除指令,所述控制器能够是单片机、PLC、FPGA处理器或者ARM处理器;剔除机构由控制器发出指令将缺陷吸管剔除,所述剔除机构的结构特征为爪型,应满足精准剔除的标准。
以上以用实施例说明的过程对本发明作了描述,本领域的技术人员应当理解,本公开不限于以上描述的实施例,在不偏离本发明的范围的状况下,可以做出每种变动、改变和替换。
Claims (5)
1.一种吸管检测***,其特征在于,包括输送带、图像采集模块、上位机;
所述图像采集模块完成塑料吸管图像的实时采集,并且将其实时传输到上位机中。
2.根据权利要求1所述的吸管检测***,其特征在于,所述输送带为双螺旋形。
3.根据权利要求1所述的吸管检测***,其特征在于,所述图像采集模块包括相机、光源和镜头,所述光源采用具有抑制表面反射的同轴光源,镜头安装固定在相机上,相机应安装在输送带的正上方,距离输送带0.6米,光源应位于相机的一侧,向下照明输送带;
上位机用于接收图像,调用人机交互模块和图像处理模块对图像进行处理,人机交互模块将检测信息可视化;所述上位机应为PC机或者笔记本电脑,所述图像处理模块包括用于读入图像、图像灰度化、图像增强、前景目标提取、区域划分、缺陷特征提取与分类。
4.一种吸管检测***的方法,其特征在于,包括:
首先,塑料吸管放置在输送带上,输送带是不断向前运动的从而带动塑料吸管的向前转动,塑料吸管置于双螺旋的卡槽中,塑料吸管的一端置顶在输送带的一侧,塑料吸管能够随着输送带的运动而不断向前转动,然后,执行如下步骤;
步骤1:图像处理模块读取由图像采集模块传输过来的图像信息,所述图像灰度化旨将图像采集模块采集到的彩色图像转化为灰度图像,所述彩色图像采用RGB颜色模式;
步骤2:采用灰度值表示其颜色值,所述灰度化过程将彩色图像的各个像素点的RGB三个分量以不同的权值进行加权平均,按照公式(1)对RGB三分量进行加权平均能得到较合理的灰度图像的灰度值:
Gray(i,j)=0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j) (1),
其中i、j分别为灰度图像的像素点的x坐标和y坐标,R(i,j)、G(i,j)和B(i,j)分别表示该像素点的R分量、G分量和B分量;
步骤3:抑制塑料吸管表面反光,增强局部对比度,突出缺陷信息,即是通过滤波函数估算图像的低频或高频成分,增强图像局部对比度,过程如下所示:f(x,y)→ln f→DFT→H(u,v)→(DFT)-1→exp→g(x,y),其中:f(x,y)为图像密度函数;lnf表示对f取对数;DFT指对数据作傅里叶变换;H(u,v)指对数据进行滤波;(DFT)-1对数据作傅里叶反变换;exp对数据作指数变换;g(x,y)指处理后的图像数据;
步骤4:将吸管从复杂背景中分割出来,在一组连续采样图像中,第k帧的图像为Dk,其背景模型为Bk,提取前景部分的阈值为T,则前景部分二值图像Fk的计算方法如下:k为正整数,所述背景模型的构建采用混合高斯背景模型,混合高斯背景模型使用多个带权值的单高斯分布对背景的每个像素点进行建模,然后在每一帧对每个高斯分布的权值、期望和方差进行更新来适应背景的实时变化;
步骤5:将吸管分成头部、中部、尾部三个部分分别进行缺陷检测;
步骤6:识别出缺陷吸管,并判别缺陷吸管所属的类别,使用卷积神经网络CNN来对缺陷进行特征的提取和分类,所述卷积神经网络由卷积层、激活层、池化层、全连接层构成,所述卷积层将输入的图像矩阵和卷积核做卷积操作,即用卷积核扫描图像矩阵,将卷积核和图像矩阵中的像素矩阵做乘积,最后输出一个图像矩阵,所述卷积特征提取计算方法如下:其中Xi表示第i个特征提取值,i为正整数,Ki、bi均为设定的系数;所述激活层将卷积输出的结果做非线性激活,所述激活函数计算方法如下:f(x)=max(0,x),x为所有Xi的集合,所述池化层将输入的图像矩阵用一定大小的滑动窗口去扫描图像矩阵,取滑动窗口中像素最大的值,最后输出一个图像矩阵,所述池化计算方法如下:Xi=max(Xi-1);所述卷积层、激活层、池化层的作用是进行缺陷的特征提取,所述全连接层是将特征提取后的图像矩阵做分类;所述人机交互模块采用Qt开发图像用户界面。
5.根据权利要求4所述的吸管检测***的方法,其特征在于,控制器接收由上位机发出的剔除指令,所述控制器能够是单片机、PLC、FPGA处理器或者ARM处理器;剔除机构由控制器发出指令将缺陷吸管剔除,所述剔除机构的结构特征为爪型,应满足精准剔除的标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911418361.7A CN111222445A (zh) | 2019-12-31 | 2019-12-31 | 吸管检测***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911418361.7A CN111222445A (zh) | 2019-12-31 | 2019-12-31 | 吸管检测***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222445A true CN111222445A (zh) | 2020-06-02 |
Family
ID=70828028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911418361.7A Pending CN111222445A (zh) | 2019-12-31 | 2019-12-31 | 吸管检测***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222445A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112191055A (zh) * | 2020-09-29 | 2021-01-08 | 广州天域科技有限公司 | 一种矿山机械用具有空气检测结构的降尘装置 |
CN113182209A (zh) * | 2021-04-19 | 2021-07-30 | 安徽鸿叶集团生态竹纤维科技有限公司 | 一种竹吸管全自动品选装置及其品选方法 |
CN114549441A (zh) * | 2022-02-14 | 2022-05-27 | 中船重工鹏力(南京)智能装备***有限公司 | 基于图像处理的吸管缺陷检测方法 |
CN117649661A (zh) * | 2024-01-30 | 2024-03-05 | 青岛超瑞纳米新材料科技有限公司 | 一种碳纳米管制备状态图像处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107486415A (zh) * | 2017-08-09 | 2017-12-19 | 中国计量大学 | 基于机器视觉的篾片缺陷在线检测***及检测方法 |
CN107564002A (zh) * | 2017-09-14 | 2018-01-09 | 广东工业大学 | 塑料管表面缺陷检测方法、***及计算机可读存储介质 |
CN110288584A (zh) * | 2019-06-27 | 2019-09-27 | 常州固高智能装备技术研究院有限公司 | 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 |
-
2019
- 2019-12-31 CN CN201911418361.7A patent/CN111222445A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107486415A (zh) * | 2017-08-09 | 2017-12-19 | 中国计量大学 | 基于机器视觉的篾片缺陷在线检测***及检测方法 |
CN107564002A (zh) * | 2017-09-14 | 2018-01-09 | 广东工业大学 | 塑料管表面缺陷检测方法、***及计算机可读存储介质 |
CN110288584A (zh) * | 2019-06-27 | 2019-09-27 | 常州固高智能装备技术研究院有限公司 | 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112191055A (zh) * | 2020-09-29 | 2021-01-08 | 广州天域科技有限公司 | 一种矿山机械用具有空气检测结构的降尘装置 |
CN113182209A (zh) * | 2021-04-19 | 2021-07-30 | 安徽鸿叶集团生态竹纤维科技有限公司 | 一种竹吸管全自动品选装置及其品选方法 |
CN114549441A (zh) * | 2022-02-14 | 2022-05-27 | 中船重工鹏力(南京)智能装备***有限公司 | 基于图像处理的吸管缺陷检测方法 |
CN117649661A (zh) * | 2024-01-30 | 2024-03-05 | 青岛超瑞纳米新材料科技有限公司 | 一种碳纳米管制备状态图像处理方法 |
CN117649661B (zh) * | 2024-01-30 | 2024-04-12 | 青岛超瑞纳米新材料科技有限公司 | 一种碳纳米管制备状态图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222445A (zh) | 吸管检测***及其方法 | |
Fu et al. | A deep-learning-based approach for fast and robust steel surface defects classification | |
CN105891233B (zh) | 基于机器视觉的镜片表面缺陷智能检测***及其实现方法 | |
Cho et al. | Development of real-time vision-based fabric inspection system | |
Liu et al. | Automatic detection technology of surface defects on plastic products based on machine vision | |
CN105158268A (zh) | 精冲零部件缺陷智能在线检测方法、***及装置 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN101984346A (zh) | 基于低通滤波的水果表面缺陷检测方法 | |
CN1235037C (zh) | 红外目标检测跟踪与识别*** | |
CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及*** | |
CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN114119526A (zh) | 一种基于机器视觉的钢板表面缺陷检测与识别***及方法 | |
CN113145492A (zh) | 一种用于梨外观品质视觉分级方法及分级生产线 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别***及方法 | |
CN109166092A (zh) | 一种图像缺陷检测方法及*** | |
CN111693535A (zh) | 基于机器视觉分析的触摸屏缺陷检测设备及方法 | |
Niu et al. | Data augmentation on defect detection of sanitary ceramics | |
CN114820471A (zh) | 一种面向智能制造精微结构表面缺陷的视觉检测方法 | |
CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及*** | |
CN112676195B (zh) | 基于线阵cmos相机的实木地板的颜色分选装置及方法 | |
Sidehabi et al. | The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine. | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200602 |
|
WD01 | Invention patent application deemed withdrawn after publication |