CN113820326B - 一种长码拉链的缺陷检测*** - Google Patents
一种长码拉链的缺陷检测*** Download PDFInfo
- Publication number
- CN113820326B CN113820326B CN202111372859.1A CN202111372859A CN113820326B CN 113820326 B CN113820326 B CN 113820326B CN 202111372859 A CN202111372859 A CN 202111372859A CN 113820326 B CN113820326 B CN 113820326B
- Authority
- CN
- China
- Prior art keywords
- defect
- zipper
- detection
- module
- long code
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Textile Engineering (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及拉链检测技术领域,公开一种长码拉链的缺陷检测***,包括:长码拉链设备,人机交互设备,高速摄像机,图像分析模块,缺陷判断模块,以及缺陷学习模块;长码拉链以300m/min以下的传送速度在流水线上传送,高速摄像机以每分钟3000帧以下的帧率采集流水线上的长码拉链图像;当图像分析模块和缺陷判断模块识别到缺陷时,控制长码拉链设备停机并把缺陷部分传动到指定位置进行标注,标注完成后,长码拉链继续进行传送和缺陷检测。当发现新的缺陷信息时,根据学习指令对新的缺陷信息进行采集、学习,丰富缺陷判断模块的缺陷类别。本发明能够满足传送速度为300m/min或以下的生产流水线连续检测需求、且检测精度高。
Description
技术领域
本发明涉及拉链缺陷检测技术领域,尤其涉及一种长码拉链的缺陷检测***。
背景技术
拉链又称拉锁,其生产成本低,市场需求大,应用范围广。大型拉链生产企业平均每条生产线年产拉链近千万米,但是生产过程中不可避免地会出现某些残次品,比如拉链缺齿、断线等状况,为了保证下游市场的正常运营, 减少因缺陷拉链造成的下游市场产品缺陷,必须对拉链缺陷进行质量检测。目前的拉链质量检测主要是人工抽样检测,平均每检测一次需要耗费大量时间及人力成本,而且人工抽检存在较大的偶然误差,致使拉链的检测结果可靠性不高。据相关公司表示,拉链质量的检测问题已经成为了公司发展的一个主要瓶颈和利润提升的重要障碍。
一篇公开号为CN102495076A的中国发明专利申请公开一种基于机器视觉的拉链金属链牙缺陷检测方法,利用由送料机构、物料位置传感器、图像传感器、步进电机/伺服电机、光源控制***、传送皮带、分拣机构、不锈钢滑轨、控制器和控制***构成的检测装置进行检测,待检测拉链经送料机构送到检测装置的皮带平台上,经物料位置传感器检测定位,启动图像传感器,获取拉链图像,然后将图像传输至控制***,控制***对图像进行处理,根据处理的结果与判别标准比较,判断拉链是否存在缺陷。
又一篇公开号为CN102495069A的中国发明专利申请公开一种基于数字图像处理的拉链链带缺陷检测方法,利用由目标定位触发装置、图像采集传感器、传送带驱动装置、背景光源装置、传送皮带、分拣装置和PC机或嵌入式控制***构成的检测装置进行检测,待检测拉链产品被送入检测装置的传送皮带平台上,再由驱动装置的驱动送至检测区域,然后,由目标定位触发装置对拉链产品进行目标定位,由图像采集传感器获取拉链链带数字图像,然后将图像传输至PC机或嵌入式控制***,PC机或嵌入式控制***对目标图像进行处理,根据处理的结果和判别标准比较判断拉链链带区域是否存在缺陷。
现有的这些拉链缺陷检测方法虽然也能代替人工进行快速检测,但也只是简单的定点检测,即待检测物料到位后定位抓拍图像进行识别,难以满足长码拉链、尤其是生产流水线传送速度达100m/min以上时的连续检测需求。另外,随着人类社会经济和科学技术的发展,拉链由最初的金属材料向非金属材料,单一品种、单一功能向多品种、多规格综合功能发展,由简单构造到如今的精巧美观,五颜六色等等。面对拉链精细度、种类及颜色越来越多的情况下,其缺陷样式也越来越多,只是利用一些现有的数据模型进行比较判断也容易出现漏检,导致检测精度难以满足产业化需求。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种能够满足传送速度为300m/min以下的生产流水线连续检测需求、且检测准确率高的长码拉链缺陷检测***。
为达到以上目的,本发明采用如下技术方案。
一种长码拉链的缺陷检测***,包括:长码拉链设备,具有连续输送长码拉链的流水线;人机交互设备,与长码拉链设备连接、用来控制流水线的启停;其特征在于,还包括:高速摄像机,与流水线对应设置、用来对输送过程中的长码拉链进行连续抓拍;图像分析模块,用来对高速摄像机抓拍到的图像进行算法分析;缺陷判断模块,用来对算法分析后的图像进行缺陷比较判断;缺陷学习模块,用来根据学习指令对显示屏上显示的缺陷信息进行采集、学习、并上传到数据库中存储,进而丰富缺陷判断模块的缺陷类别。
实际工作时,长码拉链以300m/min以下的传送速度在流水线上传送,高速摄像机以每分钟3000帧的帧率以下采集流水线上的长码拉链图像;当图像分析模块和缺陷判断模块识别到缺陷时,控制长码拉链设备停机并把缺陷部分传动到指定位置进行标注,标注完成后,长码拉链继续以300m/min以下的传送速度在流水线上进行传送和缺陷检测。
当发现新的缺陷信息时,发出学习指令,通过缺陷学习模块对新的缺陷信息进行采集、学习、并上传到数据库中存储。
更为优选的是,所述长码拉链设备具有若干导轮,所述长码拉链在所述导轮的承托下沿流水线方向连续输送。
更为优选的是,所述长码拉链设备具有瑕疵冲孔工位,通过所述瑕疵冲孔工位对缺陷部分进行冲孔标注。
更为优选的是,所述人机交互设备实时显示高速摄像机连续抓拍到的图像、以及缺陷判断模块的判断结果。
更为优选的是,所述长码拉链为尼龙、聚脂、金属及塑钢拉链。
更为优选的是,所述缺陷的种类包括:布带的色差、脏污、跳纱、布带缺口、皱带、粘染料、布带两边弧度、压布带、布带色花、破洞,以及牙齿的缺牙、小米、半边牙、割齿不净、压牙、接模空位。
更为优选的是,所述图像分析模块和所述缺陷判断模块的工作流程包括以下步骤:1)基于深度学习方法对拉链缺陷特征进行提取检测;2)基于机器视觉和模式识别的方法对拉链缺陷特征进行提取检测;3)基于多元融合模型对步骤1)和步骤2)的检测结果进行调整,调整时,多元融合模型赋予步骤1)的检测结果和步骤2)的检测结果相应的比重。
更为优选的是,在步骤1)中,利用特征提取网络对推理图像的深度特征进行提取,进而对缺陷部位进行响应,从而实现拉链缺陷特征的提取检测;所述特征提取网络具有多尺度特征融合模块、用来提取多尺度特征,多尺度特征通过FPN结构进行融合。
更为优选的是,在步骤2)中,对链牙缺陷进行检测识别时,先利用预处理模块将检测区域从背景中提取出来,再用灰度投影分布异常检测和时频域模板匹配对链牙间距进行分析;所述预处理模块采用大津阈值法和形态学处理的方法将检测区域从背景中提取出来。
更为优选的是,在步骤3)中,多元融合模型采用正确率排名正则化的方法赋予步骤1)的检测结果和步骤2)的检测结果相应的比重值。
更为优选的是,所述缺陷学习模块基于深度学习方法对缺陷信息进行采集、学习;通过特征提取网络提取到缺陷信息的普适特征,保存为模型文件;所述模型文件中的模型采用深度可分离卷积进行体积缩减;先针对不同通道做单独卷积,再通过1×1卷积来降低通道数;在形成模型文件时,引入的基于 squeeze and excitation 结构的轻量级注意力模型,该模型结构考虑通道之间的关系,以此来提升网络性能,能够显式地建立特征通道之间地相互依赖关系,通过学习的方式来获得每个特征通道之间的重要程度,按照这个重要程度来提升有用的特征的权重并抑制对当前任务用处不大的特征。
本发明的有益效果如下。
一、通过在长码拉链设备上增加相应的高速摄像机、图像分析模块、缺陷判断模块、缺陷学习模块等,实现了长码拉链的在线连续检测;同时,高速摄像机以每分钟3000帧率以下采集流水线上的长码拉链的连续动态图像,可以满足传送速度为300m/min以下的生产流水线的高速生产检测要求;另外,缺陷学习模块的设置可以实时对新的缺陷信息进行学习,使得缺陷检测***具有自学习功能,有效提高拉链缺陷的识别成功率,满足不同精细度、种类及颜色的长码拉链检测需求。
二、图像分析时,将基于深度学习方法和基于机器视觉、模式识别的方法结合起来对拉链缺陷特征进行提取检测,并采用多元融合模型对两者的检测结果进行赋予比重值进行调整;有效提高长码拉链的缺陷识别准确率。经车间实际生产验证,利用本发明提供的方法,对传送速度为300m/min以下的生产流水线的高速生产中,链牙缺陷的识别准确率高达96%,对布带缺陷的识别准确率高达98%。
附图说明
图1所示为本发明提供的长码拉链的缺陷检测***的结构示意图。
图2所示为本发明提供的长码拉链的缺陷检测***的工作流程图。
图3所示为长码拉链设备的结构示意图。
图4所示为基于深度学习方法的拉链缺陷检测流程图。
图5所示为深度可分离卷积的基本结构图。
图6所示为基于机器视觉和模式识别的拉链缺陷检测流程图。
图7所述为灰度投影异常检测后的示意图。
附图标记说明。
1:长码拉链设备,2:人机交互设备,3:高速摄像机,4:流水线,5:图像分析模块,6:缺陷判断模块,7:缺陷学习模块。
1-1:导轮,1-2:瑕疵冲孔工位,1-3:照明光源,1-4:机架。
具体实施方式
为方便本领域普通技术人员更好地理解本发明的实质,下面结合附图对本发明的具体实施方式进行详细阐述。
结合图1所示,一种长码拉链的缺陷检测***,包括:长码拉链设备1,具有连续输送长码拉链的流水线4;人机交互设备2,与长码拉链设备1连接、用来控制流水线的启停。
其中,还包括:高速摄像机3,每秒3000帧以下的帧率抓拍图像,与流水线4对应设置、用来对输送过程中的长码拉链进行连续抓拍并将之实时显示在人机交互设备2的显示屏上。
图像分析模块5,用来对高速摄像机抓拍到的图像进行算法分析。
缺陷判断模块6,用来对算法分析后的图像进行缺陷比较判断、并将判断结果实时显示在人机交互设备的显示屏上。
缺陷学习模块7,用来根据学习指令对显示屏上显示的缺陷信息进行采集、学习、并上传到数据库中存储,进而丰富缺陷判断模块的缺陷类别。
结合图2所示,实际工作时,长码拉链以300m/min以下的传送速度在流水线上传送。具体检测步骤如下:101,高速摄像机以每分钟3000帧以下帧率采集流水线上的长码拉链图像;102,缺陷检测***进行算法分析;103,缺陷检测***检测出缺陷,并通过MODBUS协议与长码拉链设备进行通信,104,长码拉链设备停机并把缺陷部分传动到指定位置进行标注及在显示屏上显示缺陷部位图片;107,完成处理返回101。
缺陷检测完成后,所有识别的数据和结果除了与长码拉链设备实时进行通信及控制外,也通过网络方式进行数据的传达。具体为:105,缺陷检测***与长码拉链设备通过网络与云平台进行通信;106,云平台进行分析、学习及记录。
当发现新的缺陷信息时,操作者可进行手动发出学习指令,通过缺陷学习模块对新的缺陷信息进行采集、学习、并上传到数据库中存储。
结合图3所示,所述长码拉链设备1包括机架1-4,设置在机架1-4上若干导轮1-1和瑕疵冲孔工位1-2,所述长码拉链在各所述导轮1-1的承托下沿流水线方向连续输送,所述瑕疵冲孔工位1-2与流水线对应设置,用来对缺陷部分进行冲孔标注,以更好地避免缺陷部位流入下一工序,且标注方便快捷。
所述人机交互设备2和所述高速摄像机3也安装安装所述机架1-4上,且在机架1-4上设有与所述高速摄像机3对应的照明光源1-3,以确保高速摄像机3所抓拍的图像清晰度。
本发明提供的一种长码拉链的缺陷检测***,主要是针对 传送速度为300m/min以下的拉链生产流水线,实现尼龙、聚酯、金属、塑钢及强化拉链缺陷的实时检测。检测识别的拉链缺陷的种类主要包含:布带的色差、脏污、跳纱、布带缺口、皱带、粘染料、布带两边弧度、压布带、布带色花等,以及牙齿的缺牙、小米、半边牙、割齿不净、压牙、接模空位等。
进一步地,本实施例中,所述图像分析模块5和所述缺陷判断模块6所采用的具体算法如下。
一、基于深度学习方法的拉链缺陷特征提取检测。
随着人工智能技术的飞速发展,在目标检测领域基于深度学习技术的缺陷检测方法已经远超过其他传统检测方法的检测效果。深度学习算法通过大量的缺陷样本对神经网络进行训练,使其学习到各种缺陷样本的深度特征,足以对抗推理样本外界的复杂光照、角度、大小等变化。而相较于此,传统方法大多基于图像灰度变化、模板匹配等方法对拉链缺陷进行检测,易受到复杂工程环境的干扰,虚警率较高。所以,基于深度学习技术对缺陷样本进行深度特征提取,再对生产条件中的拉链进行缺陷检测,具有更高的鲁棒性和实用价值。
拉链缺陷检测主要分为两种:牙齿和布带。相较于拉链的正常部位,缺陷部位的深度特征与之有较大区别。从人的视觉角度观察,牙齿和布带缺陷明显与拉链的正常部位不同。而对于计算机来说,无法直接对缺陷部位进行响应,需要进行网络训练,训练样本通过特征提取网络提取到缺陷样本的普适特征,保存为模型文件。在推理检测时,利用特征提取网络对待测图像的深度特征进行提取,进而对缺陷部位进行响应,获得缺陷检测结果,从而达到识别缺陷拉链的目的,流程如图4所示。
首先针对输入的缺陷样本,输入特征提取网络,为了提升模型鲁棒性,设置多尺度特征融合模块,提取缺陷样本的多尺度特征。在深度学习技术中,随着网络深度的加深,浅层的特征中主要包含低级的信息(物体边缘、颜色、初级位置信息等),深层的特征中包含更高层的语义信息。虽然在不同级别的特征中进行检测可以对应不同的尺度,但是实际上的精度并不理想。在网络中为了避免这种现象,采用FPN结构来提升模型的精度,通过不同层级特征跨越式连接,能够让信息流在网络中充分传递,进而将低层特征与高层语义特征有效进行融合,提升对缺陷样本的深度特征提取能力。
考虑到实际应用场景,需要对模型的体积进行缩减,实现轻量级、小型化的拉链缺陷检测***,故采用深度可分离卷积替代传统的卷积方式,深度可分离卷将传统的卷积替换为深度卷积和逐点卷积。其首先针对不同通道做单独卷积,再通过 1×1 卷积来降低通道数,达到传统卷积所实现的功能,但是相较于传统卷积,其参数量可以降低近10倍,有效缩减了模型体积。深度可分离卷积的基本结构如图5所示。
在经过大量样本训练之后,保存为模型文件,利用保存的模型文件对待测图像进行推理检测,获取推理检测深度特征后对图像的特征图进行响应,如果响应达到一定级别,则判定为缺陷样本,否则为正常样本。
此外,在形成模型文件时,引入的基于 squeeze and excitation 结构的轻量级注意力模型,该模型结构考虑通道之间的关系,以此来提升网络性能,能够显式地建立特征通道之间地相互依赖关系,通过学习的方式来获得每个特征通道之间的重要程度,按照这个重要程度来提升有用的特征的权重并抑制对当前任务用处不大的特征。
二、基于机器视觉和模式识别的拉链缺陷检测。
相较于深度学习方法,基于机器视觉的传统检测方法的处理效率更高,可以更迅速地定位出缺陷位置。然而传统方法受限于特定的光源条件、拍摄设备以及图像清晰度,即泛化迁移性能和鲁棒性能略有欠缺,有一定虚警概率。鉴于此,本发明开展了一种机器视觉与模式识别理论交叉的鲁棒性拉链缺陷检测方法,利用预处理模块的大津阈值法及形态学处理将链牙区域从背景中提取出来,融合灰度投影分布异常检测和时频域模板匹配两个子模块,对链牙间距进行分析,快速且有效地识别出链牙、链线缺陷区域。工作流程如图6所示。
由于需要对高清相机录制的视频进行抽帧并实时处理,因此算法的运行效率和鲁棒性是整个流程的关键。预处理模块的作用便是将在各种拍摄条件下得到的图像中的链齿部分提取出来,形成灰度二值图。这样做有两点优势:从运行效率上,有效缩减了大量灰度图的选择过程,尤其是模板匹配的范围,大幅度削减了不必要的计算开销;从鲁棒性上,减少了不同拍摄背景对于缺陷检测任务的干扰,最大限度地降低光照情况不平衡等情况带来噪声的影响。
灰度二值图,就是将彩色图像转化成灰度图像之后,统计各个像素点的灰度值,再对灰度图像进行处理,设定阈值范围,在阈值范围中的像素值将变为1(白色部分),阈值范围外的将变为0(黑色部分),此为二值图。
得到预处理的灰度二值图后,对链牙间距的检测是重点和难点,这是因为同一个拉链的不同链牙在不同光强下的成像质量差别很大,每个链牙相对于光源的位置不同,其在影像上呈现的金属光泽饱和度和亮度也不同,导致链牙漏检和缺陷虚警情况的发生。
本发明采用灰度投影分布异常检测和时频域模板匹配两个模块相互辅助,确定最终的缺陷位置。经过灰度投影异常检测后的示意图如图7所示,图7中,纵轴是灰度值(0,255),横轴是灰度值所对应的像素的数目,拟合直线是最高及最低值中间的一条直线,即图像数据与实际数据之间误差的平方和为最小,A代表灰度分布,B代表拟合直线。从图7可以看到:只使用一种机器视觉方法时,由于环境噪声和成像条件的影响,出现了虚警现象(图中位于两侧的圆圈所示),真实缺陷现象如中间圆圈所示。因此首先利用灰度分布异常检测模块快速定位到可疑区域,再利用时频域模板匹配模块对这些区域进行辅助判别,得到最终的缺陷检测区域。
三、基于多元融合模型对两种检测结果进行调整。
多元融合模型通过整合深度特征提取数据及机器视觉模式识别的拉链缺陷检测数据的变量进行加权融合决策判断最后结果。
具体来说,该多元融合模型由三个模块组成,分别为深度特征提取模块、机器视觉模式识别模块和数据融合模块。通过融合多个不同的模型,提升机器学***均,这是一种简单却行之有效的融合方式。
比如对于分类问题,假设有三个相互独立的模型,每个正确率都是70%,采用少数服从多数的方式进行投票。那么最终的正确率将是。
0.7×0.7×0.7+0.7×0.7×0.3×3=0.343+0.441=0.784。
以上投票算法的原理为:第一个模型正确率×第二个模型正确率×第三个模型正确率+随机其中两个模型正确率相乘、再乘以30%的不正确率。该投票算法一般适于3个模型以内的投票计算。
经过简单的投票,使得正确率从70%提升到78.4%,提升了8个百分点。需要说明的是,根据实际需要的不同,本领域技术人员也可以采用其他现有已知的或将来能够实现的其他投票算法代替上述投票算法。
投票算法是一个简单的概率学问题——如果进行投票的模型越多,那么显然其结果将会更好。模型之间差异越大,融合所得的结果将会更好。这种特性不会受融合方式的影响。注意这里所指模型之间的差异,并不是指正确率的差异,而是指模型之间相关性的差异。
在上述融合方法的基础上,一个进行改良的方式是对各个投票者/平均者分配不同的权重以改变其对最终结果影响的大小。对于正确率低的模型给予更低的权重,而正确率更高的模型给予更高的权重。这也是可以直观理解的——想要推翻专家模型(高正确率模型)的唯一方式,就是臭皮匠模型(低正确率模型)同时投出相同选项的反对票。具体的对于权重的赋值,可以用正确率排名的正则化等。
在本实施例中,应用多元融合模型使得深度特征提取数据及机器视觉模式识别的拉链缺陷检测数据的高正确率模型及低正确率模型同时进行加权融合的决策,得到最后的结果作训练,使识别检测准确率提升,经在车间实际生产验证,采用本发明提供的检测方法,对传送速度为300m/min或以下的生产流水线的高速生产中,链牙缺陷的识别准确率高达96%,对布带缺陷的识别准确率高达98%;完全可以满足传送速度为300m/min或以下的生产流水线检测需求,且实现应用方式相对简单。
在本实施例中,图像分析模块5、缺陷判断模块6和缺陷学习模块7都集成到人机交互设备2的嵌入式主控板上。
嵌入式主控板通过MODBUS协议对长码拉链设备进行控制和数据通信,以达到开启或停止等控制操作。为达到识别效果最佳,嵌入式主控板加入了NPU作为算法计算的辅助,内核驱动需移植NPU的驱动,部分算法需放入NPU中运行。NPU是为深度学习而生的专业芯片,深度学习实际上是一类多层大规模人工神经网络,由若干人工神经元结点互联而成。而传统的处理器指令集是为了进行通用计算发展起来的,其基本操作为算术操作(加减乘除)和逻辑操作(与或非),往往需要数百甚至上千条指令才能完成一个神经元的处理,深度学习的处理效率不高。这时就必须加入NPU——突破经典的冯·诺伊曼结构。NPU在电路层模拟神经元,通过突触权重实现存储和计算一体化,一条指令完成一组神经元的处理,大大提高运行效率。在此图像识别***中,有着庞大的数据模型,因此引入NPU辅助算法运行是十分有必要的。
嵌入式主控板基于高性能主控芯片或人工智能芯片,通过USB3.0高速摄像头对拉链牙齿及链带的缺陷进行异常报警,并且通过MODBUS协议发送异常协议至长码拉链设备PLC部份使得停止工作及作出警报,并通过云***通知后台发生异常及缺憾位置进行记录及远程警报,面对拉链精细度、种类及颜色越来越多的情况下,检测功能及云记录学习功能是必要的,且能大量减少人力成本的投入、检测准确率的提升及保证下游制造减低生产报废率。
嵌入式主控板运行算法较高,且设备是在每分钟50-300米的速度在运行,因此CPU将采用高性能主控芯片或人工智能芯片,由于需要保证高速信号的时序问题,及需要做等长等处理,嵌入式主控板也需加入NPU结构构成。其中,屏幕部分,由于过程及结果的显示需要同步进行,相较于长码拉链设备内部的屏幕成本较低,因此将使用HDMI接口的工业显示屏。在摄像头部分,由于长码拉链设备在高速运行,固采用USB3.0接口的工业高速摄像头,再做差分处理保证信号中短距离传输不受干扰。远程通信方面,板载的5G/4G/Wifi网络模块,处理了信息与云平台交互的工作。与长码拉链设备PLC控制部份使用MODBUS协议通讯模块,用于串口协议转换后控制长码拉链设备。
嵌入式主控板使用了无线WiFi网络和有线网络进行数据传输,并可实现自动切换以保证数据网络的有效性。通过有效的网络传输,实时把缺陷检测的结果、缺陷信息的学习情况以及对长码拉链设备的控制和运作情况数据,上报给后台服务器,并与后台服务器形成双工的通路,服务器亦可根据特定的协议传达命令给检测***,实现“云-机-***”实时交互。
需要说明的是,在本说明书的描述中,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种长码拉链的缺陷检测***,包括:
长码拉链设备,具有连续输送长码拉链的流水线;
人机交互设备,与长码拉链设备连接、用来控制流水线的启停;
其特征在于,还包括:
高速摄像机,与流水线对应设置、用来对输送过程中的长码拉链进行连续抓拍;
图像分析模块,用来对高速摄像机抓拍到的图像进行算法分析;
缺陷判断模块,用来对算法分析后的图像进行缺陷比较判断;
缺陷学习模块,用来根据学习指令对显示屏上显示的缺陷信息进行采集、学习、并上传到数据库中存储,进而丰富缺陷判断模块的缺陷类别;
实际工作时,长码拉链以300m/min以下的传送速度在流水线上传送,高速摄像机以每分钟3000帧以下的帧率采集流水线上的长码拉链图像;当图像分析模块和缺陷判断模块识别到缺陷时,控制长码拉链设备停机并把缺陷部分传动到指定位置进行标注,标注完成后,长码拉链继续以300m/min以下的传送速度在流水线上进行传送和缺陷检测;
当发现新的缺陷信息时,发出学习指令,通过缺陷学习模块对新的缺陷信息进行采集、学习、并上传到数据库中存储;
所述图像分析模块和所述缺陷判断模块的工作流程包括以下步骤:
1)基于深度学习方法对拉链缺陷特征进行提取检测;利用保存的模型文件对待测图像进行推理检测,获取推理检测深度特征后对图像的特征图进行响应,如果响应达到一定级别,则判定为缺陷样本,否则为正常样本;针对缺陷样本,输入特征提取网络,设置多尺度特征融合模块,提取缺陷样本的多尺度特征;所述多尺度特征通过FPN结构进行融合;
2)基于机器视觉和模式识别的方法对拉链缺陷特征进行提取检测;对链牙缺陷进行检测识别时,先利用预处理模块将检测区域从背景中提取出来,再用灰度投影分布异常检测和频域模板匹配对链牙间距进行分析;所述预处理模块采用大津阈值法和形态学处理的方法将检测区域从背景中提取出来;
3)基于多元融合模型对步骤1)和步骤2)的检测结果进行调整,调整时,多元融合模型采用正确率排名正则化的方法赋予步骤1)的检测结果和步骤2)的检测结果相应的比重值。
2.根据权利要求1所述的一种长码拉链的缺陷检测***,其特征在于,所述长码拉链设备具有若干导轮,所述长码拉链在所述导轮的承托下沿流水线方向连续输送。
3.根据权利要求1所述的一种长码拉链的缺陷检测***,其特征在于,所述长码拉链设备具有瑕疵冲孔工位,通过所述瑕疵冲孔工位对缺陷部分进行冲孔标注。
4.根据权利要求1所述的一种长码拉链的缺陷检测***,其特征在于,所述人机交互设备实时显示高速摄像机连续抓拍到的图像、以及缺陷判断模块的判断结果。
5.根据权利要求1所述的一种长码拉链的缺陷检测***,其特征在于,所述长码拉链为尼龙、金属及塑钢拉链,所述缺陷的种类包括:布带的色差、脏带、跳纱、布带缺口、皱带、粘染料、布带两边弧度、压布带、布带色花,以及牙齿的缺牙、小米、半边牙、割齿不净、压牙、接模空位。
6.根据权利要求1所述的一种长码拉链的缺陷检测***,其特征在于,缺陷学习模块基于深度学习方法对缺陷信息进行采集、学习;
通过特征提取网络提取到缺陷信息的普适特征,保存为模型文件;所述模型文件中的模型采用深度可分离卷积进行体积缩减;先针对不同通道做单独卷积,再通过1×1卷积来降低通道数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111372859.1A CN113820326B (zh) | 2021-11-19 | 2021-11-19 | 一种长码拉链的缺陷检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111372859.1A CN113820326B (zh) | 2021-11-19 | 2021-11-19 | 一种长码拉链的缺陷检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820326A CN113820326A (zh) | 2021-12-21 |
CN113820326B true CN113820326B (zh) | 2022-02-15 |
Family
ID=78919269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111372859.1A Active CN113820326B (zh) | 2021-11-19 | 2021-11-19 | 一种长码拉链的缺陷检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820326B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235830B (zh) * | 2022-01-12 | 2024-02-20 | 佛山市煜丰机械有限公司 | 一种智能长码拉链检测机及其检测方法 |
CN114612385B (zh) * | 2022-01-31 | 2023-06-13 | 南通市通州区锦都拉链有限公司 | 一种基于模板匹配的拉链布边缺陷识别方法 |
CN115423785A (zh) * | 2022-09-14 | 2022-12-02 | 杭州海康机器人股份有限公司 | 一种缺陷检测***、方法、装置、电子设备及存储介质 |
CN117876879B (zh) * | 2024-03-11 | 2024-05-07 | 四川农业大学 | 一种基于空域与频域特征融合的猕猴桃花朵识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
CN102495076B (zh) * | 2011-12-07 | 2013-06-19 | 广东辉丰科技股份有限公司 | 一种基于机器视觉的拉链金属链牙缺陷检测方法 |
CN206891990U (zh) * | 2017-05-24 | 2018-01-16 | 南京邮电大学 | 一种产品表面缺陷在线检测装置 |
CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
CN109712114A (zh) * | 2018-11-30 | 2019-05-03 | 无锡维胜威信息科技有限公司 | 一种应用于拉链缺陷检测的***及其检测方法 |
-
2021
- 2021-11-19 CN CN202111372859.1A patent/CN113820326B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113820326A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113820326B (zh) | 一种长码拉链的缺陷检测*** | |
CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及*** | |
CN106770332A (zh) | 一种基于机器视觉的电子模切料缺陷检测实现方法 | |
CN108090411A (zh) | 使用计算机视觉和深度学习进行交通信号灯检测和分类 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测***及检测方法 | |
CA3081967C (en) | Method and system for connected advanced flare analytics | |
CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、***及存储介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN109409289A (zh) | 一种电力作业安全监督机器人安全作业识别方法及*** | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测***与方法 | |
CN117115147B (zh) | 一种基于机器视觉的纺织品检测方法及*** | |
CN114662208B (zh) | 一种基于Bim技术的施工可视化***及方法 | |
CN117612100A (zh) | 基于图像识别的污水处理设备监控***及方法 | |
CN116029979A (zh) | 一种基于改进Yolov4的布料瑕疵视觉检测方法 | |
TW202326114A (zh) | 長碼拉鏈的缺陷或瑕疵檢測系統 | |
CN113077423B (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析*** | |
Hridoy et al. | A framework for industrial inspection system using deep learning | |
CN108491759A (zh) | 一种基于深度学习的工序检测装置及其工序检测方法 | |
CN117690085A (zh) | 一种视频ai分析***、方法及存储介质 | |
CN116128879B (zh) | 一种轻量化输电线路缺陷检测方法和装置 | |
CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及*** | |
Bombardier et al. | A fuzzy sensor for color matching vision system | |
CN114772208B (zh) | 一种基于图像分割的非接触式皮带撕裂检测***及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |