CN115561252A - 一种高速超宽幅纸病智能检测***及方法 - Google Patents
一种高速超宽幅纸病智能检测***及方法 Download PDFInfo
- Publication number
- CN115561252A CN115561252A CN202211336931.XA CN202211336931A CN115561252A CN 115561252 A CN115561252 A CN 115561252A CN 202211336931 A CN202211336931 A CN 202211336931A CN 115561252 A CN115561252 A CN 115561252A
- Authority
- CN
- China
- Prior art keywords
- paper
- image
- defect
- speed
- paper defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 140
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000011897 real-time detection Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 4
- 244000035744 Hura crepitans Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ATHVAWFAEPLPPQ-VRDBWYNSSA-N 1-stearoyl-2-oleoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCC\C=C/CCCCCCCC ATHVAWFAEPLPPQ-VRDBWYNSSA-N 0.000 description 1
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 241000255925 Diptera Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 229920001131 Pulp (paper) Polymers 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Textile Engineering (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出了一种高速超宽幅纸病智能检测***及方法,***包括前端实时检测模块和后端协调服务器模块,以及相应子模块和算法,利用本***对针对超高速(不低于800米/分钟)、超宽幅(不小于2米)纸病进行智能检测,实现了高速线阵相机采集图像的采集、存储、拼接及缺陷图像在线检测;对上位机软件中图像纸病识别方法及图形化显示纸病技术进行研究及***实现;研发先进的纸病智能在线检测成套技术及设备,实现了对原纸生产线在线快速识别缺陷并记录缺陷位置等功能,智能统计分析造成纸病的工艺问题、设备问题、环境问题等原因,并智能优化提高产品生产质量的生产过程关键工艺及设备。
Description
技术领域
本发明涉及纸病检测技术领域,尤其涉及一种高速超宽幅纸病智能检测***及方法。
背景技术
在造纸行业中,纸机是由成型部(纸浆由液态变成湿态的纸张)、压榨部和烘干部按照一定的车速(生产不同纸品,对应纸机大小、速度均不同,国内主流纸机的车速在10~2000米/分钟)及宽幅连续运行生产原纸,在纸机尾部进行卷曲,然后根据实际需要产生相关衍生纸张。
纸张在我们的工作、工业生产和特殊用纸中有着举足轻重的作用,但由于设备缺陷、纸浆质量及生产环境等原因,使所生产的原纸存在孔洞、暗斑、条纹、云纹等瑕疵缺陷(纸病),严重影响了原纸的质量,尤其是在一些特殊行业用纸中,减少废品率,提高纸品质量是未来行业发展亟待解决的问题。缺陷不仅影响纸张产品的外观,更重要的是降低了纸张的使用性能,而目前国内外对纸病的在线智能检测技术及设备相对落后,市面上还没有针对高速纸机纸病稳定、可靠的相关检测产品。
发明内容
为解决上述问题,本发明提出了一种高速超宽幅纸病智能检测***及方法。
本发明是通过以下技术方案实现的:
第一方面,一种高速超宽幅纸病智能检测***,包括:
前端实时检测模块:基于FPGA和ARM片上***,采用模块化设计,包括线阵CCD摄像头以及图像处理板卡,每个线阵CCD摄像头对应一个图像处理板卡;
后端协调服务器模块:接收前端实时检测模块图像进行纸病识别,还包括纸病二次辨识算法子模块和纸病图像增强算法子模块;
所述前端实时检测模块检测后的纸病图像通过TCP协议传输至后端协调服务器模块。
进一步,所述图像处理板卡对相机图像的高速存储、分析与处理、千兆以太网与上位机软件通信等工作进行处理,包括采用Linux***进行操作和通信协议的核心板和底板。
进一步,所述核心板还包括视频检测主处理器,电源管理单元及内存单元;所述视频检测主处理器包含通过总线进行高速数据交互的FPGA逻辑单元和两个ARM内核,还包括板载为1GB的DDR3计算机内存规格,存储程序的Flash插件和eMMC存储器。
进一步,所述底板还包括:
核心板FPGA资源子模块:负责采集前端线阵CCD摄像头输出数据;
Cameralink接口子模块:经串行转并行数据转换器后将输出数据传输至核心板FPGA;
核心板ARM***端:通信和外设控制。
进一步,所述纸病二次辨识算法子模块包含基于传统图像处理方法的纸病识别方法和基于卷积神经网络(CNN)纸病识别方法,实现对超宽幅卷纸的质量的评定与纸病的记录。
进一步,,所述前端实时检测模块还包括作为相机协作控制器的STM32处理器,STM32处理器还与一套运动伺服机构连接,根据纸张运动速度结合检测模块图像处理周期调整标记装置的位置。
另一方面,一种高速超宽幅纸病智能检测***及方法,包括以下步骤:
步骤S1:前端实时监测模块通过线阵CCD摄像头对图像进行采集,并与纸病快速检测和线阵图像拼接融合;
步骤S2:完成前期检测后的纸病图像经过TCP协议传输至后端协调服务器模块;
步骤S3:后端协调服务器模块协调服务器将图像分别发给两台服务器用于传统图像处理方法纸病识别和基于卷积神经网络CNN的纸病识别,并将识别结果结合动态权重加权后存入NoSQL数据库;
步骤S4:NoSQL数据库与本地数据库采用冗余设计,本地数据库作为云数据库的备份,同时云数据库借助阿里云的网络安全技术作为本地数据库的安全沙箱。
进一步,所述步骤S3基于卷积神经网络CNN的纸病识别还包括以下子步骤:
步骤S31:图像的生成通过线阵相机采集到的正反面图像采用拼接与融合技术,生成超宽卷纸面阵图像,且生成图像与实际卷纸一一对应;
步骤S32:图像预处理,对面阵图像存在的条带噪声建立高效的方法实现对噪声的消除与增强处理,以突出图像中存在的纸病;
步骤S33:对增强后的图像采用统计方法、几何方法、频谱方法以及模型方法等方法,提取不同纸病图像的灰度、几何、统计、纹理以及频谱特性等多个特征参量,体现出不同纸病类别之间的差异;
步骤S34:采用卷积神经网络(CNN),在实现对大量数据样本特征提取的基础上,建立有效的CNN模型,实现对卷纸主要纸病的准确识别;
步骤S35:对卷纸的基本参数、特性、纸病的详细信息进行记录与存档。
进一步,还包括辨识低照度条件下纸病图像的背景区域和纸病区域的纸病图像增强算法,所述纸病图像增强算法基于引力搜索和混沌映射的改进蝙蝠算法,更新响度和脉冲发射率为:
Ai和Af表示线性递减函数的初始值和最终值,ri和rf代表线性增长函数的初始值和最终值。其中,Ai=1,Af=0.1,ri=0.1,rf=0.8,chaos(t)为典型的混沌函数,代表正弦图;
粒子速度更新公式,在(t+1)时刻,粒子i在维度d上的速度更新策略定义为:
vid(t+1)=vid(t)+(xid(t)-xbest(t))fi+ai(t);
其中,vid(t)表示粒子i在d维度t时刻的速度,xid(t)表示粒子i在d维度t时刻的位置,xbest(t)表示粒子在t时刻的最佳位置,fi表示粒子i的适应度值,ai(t)表示t时刻粒子i的加速度;
增强图像调度的伽马校正方法公式为:
其中,l∈[0,lmax],表示输入图像实际灰度值;T(l)表示输出图像实际灰度值;lmax表示输入图像灰度最大值;校正参数γ控制图像拉伸程度,不同γ将产生不同的拉伸效果。
进一步,所述基于引力搜索和混沌映射的改进蝙蝠算法伪代码流程包括以下内容:
根据初始化值计算所有蝙蝠个体的适应度值、最佳适应度值fbest和最差适应度值fworst;
当最大迭代次数大于t,虚拟蝙蝠数大于等于i时,开始循环,计算每个蝙蝠个体的加速度,调节个体频率、位置生成新的解和速度,进行越界检查;
当rand>ri,使用随机漫步围绕当前群体最优解进行局部寻优,进行越界检查,生成新的适应度值fnew;
若rand>Ai且fnew>f(xbest),由更新响度和脉冲发射率公式减小Ai,增加ri;
所有蝙蝠个体排序,找到当前全局最优值,全局最差值,结束循环,给出最优值。
进一步,所述纸病图像增强算法还包括以下步骤:
步骤A1:输入纸病图像;
步骤A2:初始化种群fmax和脉冲发射率ri 0最大迭代次数tmax;
步骤A3:对输入的纸病图像进行伽马校正,每一个蝙蝠个体对图像进行伽马校正,通过伽马校正公式计算每个蝙蝠个体的适度值f,种群最佳适应度值fbest、种群最差适应度值fworst,找出当前最佳γ值;
步骤A4:蝙蝠个体更新,更新蝙蝠个体的频率、位置,基于引力搜索的蝙蝠算法更新蝙蝠个体速度;
步骤A5:计算当前全局最优解,若满足判断条件,则将新的蝙蝠个体适度值fnew作为当前个体最佳适度值,更新全局最优解和全局最差解,得出当前最佳伽马值;
步骤A6:判断是否满足迭代停止条件,若未达到,则返回步骤A 4,若满足迭代停止条件,则退出循环;
步骤A7:使用迭代中存储下来的最优γ值增强图像。
本发明的有益效果:本发明提出了一种高速超宽幅纸病智能检测***及方法,针对超高速(不低于800米/分钟)、超宽幅(不小于2米)纸病在线智能检测的应用需求,设计了***的整体架构,对其关键技术进行研究:对线阵相机的选型及多机协同进行了研究;对***前端图像处理器的软硬件设计进行了研发,以实现高速线阵相机采集图像的采集、存储、拼接及缺陷图像在线检测等;对上位机软件中图像纸病识别方法及图形化显示纸病技术进行研究及***实现。研发先进的纸病智能在线检测成套技术及设备,实现了对原纸生产线在线快速识别缺陷并记录缺陷位置等功能,智能统计分析造成纸病的工艺问题、设备问题、环境问题等原因,并智能优化提高产品生产质量的生产过程关键工艺及设备。
附图说明
图1是本发明提出的一种高速超宽幅纸病智能检测***核心板结构框图;
图2是本发明实施例中高速超宽幅纸病智能检测***底板结构框图;
图3是本发明实施例中基于CNN纸病识别算法流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
本发明提出了一种高速超宽幅纸病智能检测***及方法,第一方面,一种高速超宽幅纸病智能检测***,包括:前端实时检测模块:基于FPGA和ARM片上***,采用模块化设计,包括线阵CCD摄像头以及图像处理板卡,每个线阵CCD摄像头对应一个图像处理板卡;后端协调服务器模块:接收前端实时检测模块图像进行纸病识别,还包括纸病二次辨识算法子模块和纸病图像增强算法子模块;所述前端实时检测模块检测后的纸病图像通过TCP协议传输至后端协调服务器模块。
在本实施例中,纸病检测***整体包含三个阶段。首先是线阵CCD的图像采集、纸病快速检测和线阵图像的拼接融合。完成前期检测后的纸病图像经过TCP协议传输至图形后端处理协调服务器。协调服务器将图像分别发给两台服务器用于传统方法纸病识别和基于CNN的纸病识别,并将识别结果结合动态权重加权后存入NoSQL。云数据库与本地数据库采用冗余设计,本地数据库作为云数据库的备份,同时云数据库借助阿里云的网络安全技术作为本地数据库的安全沙箱,避免直接内外网通信带来的安全隐患。
高速超宽幅纸病在线智能检测图像处理板卡具备700MB/s数据传送相机数据的采集与存储,能处理的纸病数量达到80帧/秒,采用DDR3或DDR4作为数据内存,整卡存储容量不低于1000Mbyte,单张板卡最大功耗小于2A/24DC;高速超宽幅纸病在线智能检测***能适应0~1500米/分钟的车速范围,瑕疵识别分辨率达0.1mm*0.1mm,瑕疵识别率达到99.5%,瑕疵漏检率小于1.5%。
高速超宽幅纸张瑕疵检测***需要检测算法具有高实时性和可扩展性。因此,本发明实施例采用模块化设计,每个模块由一台2K或4K分辨率线阵CCD工业摄像头和Xilinx公司Zynq7035处理器实现。多个模块通过TCP/IP协议组网,具有高可扩展性,且相邻模块之间设计一定视野覆盖,提升检测容错性。纸病检测***图像处理板卡主要实现对相机图像的高速存储、分析与处理、千兆以太网与上位机软件通信等工作。整个图像处理板卡采用核心板+底板的模式,每个相机一个板卡。其中核心板主要集成处理器和内存单元等高速器件,其结构框图如图1所示:
在本实施例中,视频检测主处理器采用的SOPC为Xilinx公司生产的ZYNQ-7035,其搭载包含275K逻辑单元的FPGA以及两块Cortex-A9系列ARM内核,FPGA负责数字处理,ARM内核负责外设控制和通信,FPGA与ARM内核之间通过片上SOC内部的AXI总线完成高速数据交互。它是ARM+FPGA的架构,基于双ARM Cortex-A9,主频可以达到1GB,同时板载1GB的DDR3L,16MB的Flash用来存储程序,64GB eMMC Flash。操作***采用嵌入式Linux***,所有通信协议都是在Linux***中完成。底板的结构框图如图2所示,图2中左边是ZYNQ7035的PL(Programmable Logic)资源,即FPGA资源,它主要负责采集前端相机输出数据,通过Cameralink接口,经串行转并行数据转换器后,图像数据传输至FPGA中,FPGA对图像数据分析及储存至DDR3处理,FPGA将存在纸病区域计算出纸病区域图像数据在DDR3中的存储地址。图中的右边SOC的PS端,即ARM***端,它主要负责通信和外设控制。
为实现多个检测模块的同步以及对不同纸张运动速度的适配,本发明采用了一块STM32处理器作为相机协作控制器,通过编码器监测纸张运动速度,并根据纸张速度设定合理的相机拍照触发序,同时,STM32连接一套运动伺服机构,伺服机构根据纸张运动速度结合检测模块图像处理周期调整标记装置的位置。
在本实施例中,纸病二次辨识算法包括线阵图像的生成、图像预处理技术、纸病识别以及存储技术,实现对超宽幅卷纸的质量的评定与纸病的记录。考虑到数据样本对深度学习网络输出精确性的影响,本项目拟采用基于传统图像处理方法的纸病识别和基于卷积神经网络(CNN)纸病识别两套方法冗余实现纸病类型识别和分类,利用传统方法确保生产线运行初期在样本数量规模不大时确保纸病识别准确性,同时随着生产过程的推进,利用海量纸病样本数据和深层神经网络不断提升纸病识别的精确性。由于基于传统特征提取和聚类的纸病识别方法已有较多研究成果,此处不再赘述,本项目采用的基于CNN纸病识别算法流程如图3所示,其算法步骤为:
⑴图像的生成通过线阵相机采集到的正反面图像采用拼接与融合技术,生成超宽卷纸面阵图像,并实现生成图像与实际卷纸存在一一对应关系;
⑵图像预处理中,主要针对面阵图像存在的条带噪声建立高效的方法实现对噪声的消除与增强处理,以突出图像中存在的纸病;
⑶对增强后的图像采用统计方法、几何方法、频谱方法以及模型方法等方法,提取不同纸病图像的灰度、几何、统计、纹理以及频谱特性等多个特征参量,以体现不同纸病类别之间的差异;
⑷采用卷积神经网络(CNN),在实现对大量数据样本特征提取的基础上,建立有效的CNN模型,实现对卷纸主要纸病的准确识别;
⑸对卷纸的基本参数、特性、纸病的详细信息进行记录与存档。
在本实施例中,为了辨识低照度条件下纸病图像的背景区域和纸病区域,本发明使用一种基于蝙蝠算法优化的纸病图像增强方法。首先采用混沌映射和引力搜索算法分别更新个体响度、脉冲发射率和个体速度改进蝙蝠算法,然后将改进后的蝙蝠算法搜索伽马变换的最佳参数γ,利用该γ值调整图像灰度,提高图像对比度。
蝙蝠算法具有收敛性强和搜索范围大的优点,但是随着迭代次数增加,脉冲发射率ri增加,这使得后期局部随机漫步被执行的概率大大降低,种群解的多样性降低,算法容易早熟收敛,同时随着响度Ai逐渐减小,对新产生的解,算法的接纳能力降低。为了提高解的多样性,使算法以更快的速度执行搜索步骤,更新响度和脉冲发射率为:
式中:Ai和Af表示线性递减函数的初始值和最终值,ri和rf代表线性增长函数的初始值和最终值。其中,Ai=1,Af=0.1,ri=0.1,rf=0.8,chaos(t)代表典型的混沌函数,这里代表正弦图。标准蝙蝠算法随机漫步决定了蝙蝠算法的探索能力,由于标准蝙蝠算法本身变异机制的限制,若算法陷入局部最优,将影响算法收敛速度和性能,为了解决以上问题,将蝙蝠算法与其他算法的混合是提高算法性能的最有效方法,改进算法将引力搜索算法引入蝙蝠算法,粒子通过相互之间的吸引力来朝着最佳解方向移动,减少算法陷入局部最优解的可能性,引力搜索算法的局部搜索能力提升了算法的探索能力,加快全局搜索的收敛速度。根据万有引力算法,本文提出粒子速度更新公式,在(t+1)时刻,粒子i在维度d上的速度更新策略定义为:
vid(t+1)=vid(t)+(xid(t)-xbest(t))fi+ai(t)
经过以上改进之后,基于混沌映射和引力搜索的蝙蝠算法的伪代码如下:
1:初始化蝙蝠种群xi、vi;
3:根据初始化值计算所有蝙蝠个体的适应度值、最佳适应度值fbest和最差适应度值fworst;
4:while t<最大迭代次数do;
5:while i<=虚拟拟蝙蝠数do;
6:计算每个蝙蝠个体的加速度;
7:调节个体频率、位置生成新的解和速度;
8:越界检查;
9:if rand>ri then;
10:使用随机漫步围绕当前群体最优解进行局部寻优;
11:越界检查;
12:end if;
13:生成新的适应度值fnew;
14:if rand>Ai且fnew>f(xbest)then;
15:接受这个新产生的解,更新个体最佳适度值;
16:由更新响度和脉冲发射率公式减小Ai,增加ri;
17:end if;;
18:所有蝙蝠个体排序,找到当前全局最优值,全局最差值;
19:end while;
20:end while;
21:给出最终解。
在本实施例中,从视觉效果上来看,由对比度引起的降质图像一般有3种情况,分别是偏亮、偏暗和灰度集中在某一区域。低对比度的纸病图像属于偏暗的降质图像,本发明选择伽马变换来对较暗区域拉伸,改善图像对比度。伽马校正是一种常见的增强图像对比度的方法,通过对过暗的图片使用一个可变的参数γ来提升图像暗部细节,改变图像的亮度和对比度。伽马校正的公式如下所示:
式中:l∈[0,lmax],表示输入图像实际灰度值;T(l)表示输出图像实际灰度值;lmax表示输入图像灰度最大值;校正参数γ控制图像拉伸程度,不同γ将产生不同的拉伸效果。对于全局伽马校正而言有必要选择一个最佳的γ值,以便产生更好质量的图像。
利用改进的蝙蝠算法确定待增强图像所对应伽马变换的最佳参数γ,通过伽马变换曲线实现增强图像的对比度,如图3所示,算法的具体步骤如下:
步骤1:输入纸病图像。
步骤2:初始化种群fmax和脉冲发射率ri 0最大迭代次数tmax。
步骤3:对输入的纸病图像进行伽马校正。每一个蝙蝠个体对图像进行伽马校正,通过伽马校正公式计算每个蝙蝠个体的适度值f,种群最佳适应度值fbest、种群最差适应度值fworst,找出当前最佳γ值。
步骤4:蝙蝠个体更新。更新蝙蝠个体的频率、位置,基于引力搜索的蝙蝠算法更新蝙蝠个体速度。
步骤5:计算当前全局最优解。若满足判断条件,则将新的蝙蝠个体适度值fnew作为当前个体最佳适度值,更新全局最优解和全局最差解,得出当前最佳伽马值。
步骤6:判断是否满足迭代停止条件,若未达到,则返回步骤4。若满足迭代停止条件,则退出循环。
步骤7:使用迭代中存储下来的最优γ值增强图像。
纸张在我们的工作、工业生产和特殊用纸中有着举足轻重的作用,在纸张的生产过程中,由于生产工艺及现场环境等影响,容易造成纸张表面出现蚊虫、孔洞、黑点、线条、褶皱等缺陷。缺陷不仅影响纸张产品的外观,更重要的是降低了纸张的使用性能。因此,如何提高纸张质量(尤其是对于特种纸、药用及食品包装纸),及时的发现和反馈生产线出现的问题,减少纸病率,降低纸张生产过程中各类资源的浪费,防止不合格纸张流向客户,是纸企需要解决的重要课题;本发明基于无损、在线检测的思想,能为纸机常见纸病进行快速、可靠、准确检测及报警;在应用方面,为解决各类面幅材料(造纸、薄膜、无纺布、锂电基材、玻璃、液晶屏等)的检测及预警生产问题开拓新颖的思路,从而为其在国民经济和社会发展中的广泛应用提供技术支持。
本发明提出了一种高速超宽幅纸病智能检测***及方法,针对超高速(不低于800米/分钟)、超宽幅(不小于2米)纸病在线智能检测的应用需求,设计了***的整体架构,对其关键技术进行研究:对线阵相机的选型及多机协同进行了研究;对***前端图像处理器的软硬件设计进行了研发,以实现高速线阵相机采集图像的采集、存储、拼接及缺陷图像在线检测等;对上位机软件中图像纸病识别方法及图形化显示纸病技术进行研究及***实现。研发先进的纸病智能在线检测成套技术及设备,实现了对原纸生产线在线快速识别缺陷并记录缺陷位置等功能,智能统计分析造成纸病的工艺问题、设备问题、环境问题等原因,并智能优化提高产品生产质量的生产过程关键工艺及设备。
本发明以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (11)
1.一种高速超宽幅纸病智能检测***,其特征在于,包括:
前端实时检测模块:基于FPGA和ARM片上***,采用模块化设计,包括线阵CCD摄像头以及图像处理板卡,每个线阵CCD摄像头对应一个图像处理板卡;
后端协调服务器模块:接收前端实时检测模块图像进行纸病识别,还包括纸病二次辨识算法子模块和纸病图像增强算法子模块;
所述前端实时检测模块检测后的纸病图像通过TCP协议传输至后端协调服务器模块。
2.根据权利要求1所述的一种高速超宽幅纸病智能检测***,其特征在于,所述图像处理板卡对相机图像的高速存储、分析与处理、千兆以太网与上位机软件通信等工作进行处理,包括采用Linux***进行操作和通信协议的核心板和底板。
3.根据权利要求2所述的一种高速超宽幅纸病智能检测***,其特征在于,所述核心板还包括视频检测主处理器,电源管理单元及内存单元;所述视频检测主处理器包含通过总线进行高速数据交互的FPGA逻辑单元和两个ARM内核,还包括板载为1GB的DDR3计算机内存规格,存储程序的Flash插件和eMMC存储器。
4.根据权利要求2所述的一种高速超宽幅纸病智能检测***,其特征在于,所述底板还包括:
核心板FPGA资源子模块:负责采集前端线阵CCD摄像头输出数据;
Cameralink接口子模块:经串行转并行数据转换器后将输出数据传输至核心板FPGA;
核心板ARM***端:通信和外设控制。
5.根据权利要求1所述的一种高速超宽幅纸病智能检测***,其特征在于,所述纸病二次辨识算法子模块包含基于传统图像处理方法的纸病识别方法和基于卷积神经网络(CNN)纸病识别方法,实现对超宽幅卷纸的质量的评定与纸病的记录。
6.根据权利要求1所述的一种高速超宽幅纸病智能检测***,其特征在于,所述前端实时检测模块还包括作为相机协作控制器的STM32处理器,STM32处理器还与一套运动伺服机构连接,根据纸张运动速度结合检测模块图像处理周期调整标记装置的位置。
7.一种高速超宽幅纸病智能检测***及方法,其特征在于,包括以下步骤:
步骤S1:前端实时监测模块通过线阵CCD摄像头对图像进行采集,并与纸病快速检测和线阵图像拼接融合;
步骤S2:完成前期检测后的纸病图像经过TCP协议传输至后端协调服务器模块;
步骤S3:后端协调服务器模块协调服务器将图像分别发给两台服务器用于传统图像处理方法纸病识别和基于卷积神经网络CNN的纸病识别,并将识别结果结合动态权重加权后存入NoSQL数据库;
步骤S4:NoSQL数据库与本地数据库采用冗余设计,本地数据库作为云数据库的备份,同时云数据库借助阿里云的网络安全技术作为本地数据库的安全沙箱。
8.根据权利要求7所述的一种高速超宽幅纸病智能检测***及方法,其特征在于,所述步骤S3基于卷积神经网络CNN的纸病识别还包括以下子步骤:
步骤S31:图像的生成通过线阵相机采集到的正反面图像采用拼接与融合技术,生成超宽卷纸面阵图像,且生成图像与实际卷纸一一对应;
步骤S32:图像预处理,对面阵图像存在的条带噪声建立高效的方法实现对噪声的消除与增强处理,以突出图像中存在的纸病;
步骤S33:对增强后的图像采用统计方法、几何方法、频谱方法以及模型方法等方法,提取不同纸病图像的灰度、几何、统计、纹理以及频谱特性等多个特征参量,体现出不同纸病类别之间的差异;
步骤S34:采用卷积神经网络(CNN),在实现对大量数据样本特征提取的基础上,建立有效的CNN模型,实现对卷纸主要纸病的准确识别;
步骤S35:对卷纸的基本参数、特性、纸病的详细信息进行记录与存档。
9.根据权利要求7所述的一种高速超宽幅纸病智能检测***及方法,其特征在于,还包括辨识低照度条件下纸病图像的背景区域和纸病区域的纸病图像增强算法,所述纸病图像增强算法基于引力搜索和混沌映射的改进蝙蝠算法,更新响度和脉冲发射率为:
Ai和Af表示线性递减函数的初始值和最终值,ri和rf代表线性增长函数的初始值和最终值,其中,Ai=1,Af=0.1,ri=0.1,rf=0.8,chaos(t)为典型的混沌函数,代表正弦图;
粒子速度更新公式,在(t+1)时刻,粒子i在维度d上的速度更新策略定义为:
vid(t+1)=vid(t)+(xid(t)-xbest(t))fi+ai(t);
其中,vid(t)表示粒子i在d维度t时刻的速度,xid(t)表示粒子i在d维度t时刻的位置,xbest(t)表示粒子在t时刻的最佳位置,fi表示粒子i的适应度值,ai(t)表示t时刻粒子i的加速度;
增强图像调度的伽马校正方法公式为:
其中,l∈[0,lmax],表示输入图像实际灰度值;T(l)表示输出图像实际灰度值;lmax表示输入图像灰度最大值;校正参数γ控制图像拉伸程度,不同γ将产生不同的拉伸效果。
10.根据权利要求9所述的一种高速超宽幅纸病智能检测***及方法,其特征在于,所述基于引力搜索和混沌映射的改进蝙蝠算法伪代码流程包括以下内容:
根据初始化值计算所有蝙蝠个体的适应度值、最佳适应度值fbest和最差适应度值fworst;
当最大迭代次数大于t,虚拟蝙蝠数大于等于i时,开始循环,计算每个蝙蝠个体的加速度,调节个体频率、位置生成新的解和速度,进行越界检查;
当rand>ri,使用随机漫步围绕当前群体最优解进行局部寻优,进行越界检查,生成新的适应度值fnew;
若rand>Ai且fnew>f(xbest),由更新响度和脉冲发射率公式减小Ai,增加ri;
所有蝙蝠个体排序,找到当前全局最优值,全局最差值,结束循环,给出最优值。
11.根据权利要求9所述的一种高速超宽幅纸病智能检测***及方法,其特征在于,所述纸病图像增强算法还包括以下步骤:
步骤A1:输入纸病图像;
步骤A2:初始化种群fmax和脉冲发射率ri 0最大迭代次数tmax;
步骤A3:对输入的纸病图像进行伽马校正,每一个蝙蝠个体对图像进行伽马校正,通过伽马校正公式计算每个蝙蝠个体的适度值f,种群最佳适应度值fbest、种群最差适应度值fworst,找出当前最佳γ值;
步骤A4:蝙蝠个体更新,更新蝙蝠个体的频率、位置,基于引力搜索的蝙蝠算法更新蝙蝠个体速度;
步骤A5:计算当前全局最优解,若满足判断条件,则将新的蝙蝠个体适度值fnew作为当前个体最佳适度值,更新全局最优解和全局最差解,得出当前最佳伽马值;
步骤A6:判断是否满足迭代停止条件,若未达到,则返回步骤A4,若满足迭代停止条件,则退出循环;
步骤A7:使用迭代中存储下来的最优γ值增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336931.XA CN115561252A (zh) | 2022-10-28 | 2022-10-28 | 一种高速超宽幅纸病智能检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336931.XA CN115561252A (zh) | 2022-10-28 | 2022-10-28 | 一种高速超宽幅纸病智能检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115561252A true CN115561252A (zh) | 2023-01-03 |
Family
ID=84768458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211336931.XA Pending CN115561252A (zh) | 2022-10-28 | 2022-10-28 | 一种高速超宽幅纸病智能检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115561252A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095731A (zh) * | 2010-12-02 | 2011-06-15 | 山东轻工业学院 | 在纸张缺陷视觉检测中识别不同缺陷类型的***及方法 |
CN102721702A (zh) * | 2012-06-27 | 2012-10-10 | 山东轻工业学院 | 基于嵌入式处理器的分布式纸病检测***及方法 |
CN103913460A (zh) * | 2013-01-04 | 2014-07-09 | 北京兆维电子(集团)有限责任公司 | 一种在线纸病检测*** |
CN206891989U (zh) * | 2017-04-19 | 2018-01-16 | 陕西科技大学 | 纸病数据采集装置以及利用该装置的实时检测与反馈*** |
CN111709932A (zh) * | 2020-06-17 | 2020-09-25 | 广州麦仑信息科技有限公司 | 一种由粗到精的纸病检测方法 |
-
2022
- 2022-10-28 CN CN202211336931.XA patent/CN115561252A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095731A (zh) * | 2010-12-02 | 2011-06-15 | 山东轻工业学院 | 在纸张缺陷视觉检测中识别不同缺陷类型的***及方法 |
CN102721702A (zh) * | 2012-06-27 | 2012-10-10 | 山东轻工业学院 | 基于嵌入式处理器的分布式纸病检测***及方法 |
CN103913460A (zh) * | 2013-01-04 | 2014-07-09 | 北京兆维电子(集团)有限责任公司 | 一种在线纸病检测*** |
CN206891989U (zh) * | 2017-04-19 | 2018-01-16 | 陕西科技大学 | 纸病数据采集装置以及利用该装置的实时检测与反馈*** |
CN111709932A (zh) * | 2020-06-17 | 2020-09-25 | 广州麦仑信息科技有限公司 | 一种由粗到精的纸病检测方法 |
Non-Patent Citations (4)
Title |
---|
孙建镇 等: "纸病检测方法的研究进展" * |
李光明 等: "基于多尺度图像增强结合卷积神经网络的纸病识别分类" * |
毛艳玲 等: "改进蝙蝠算法在纸病图像增强中的应用" * |
高乐乐 等: "基于CNN的深层次特征提取纸病辨识方法研究" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100573100C (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN110427800A (zh) | 视频物体加速检测方法、装置、服务器及存储介质 | |
CN111724372A (zh) | 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质 | |
Arikan et al. | Surface defect classification in real-time using convolutional neural networks | |
CN113822842A (zh) | 一种基于多任务学习的工业缺陷检测方法 | |
Dongmei et al. | Classification and identification of citrus pests based on InceptionV3 convolutional neural network and migration learning | |
An et al. | Fabric defect detection using deep learning: An Improved Faster R-approach | |
CN101196984B (zh) | 一种快速人脸检测方法 | |
Fan et al. | the application of artificial intelligence in distribution network engineering field | |
Yanmin et al. | Research on ear recognition based on SSD_MobileNet_v1 network | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
Luo et al. | RBD-Net: robust breakage detection algorithm for industrial leather | |
CN115471439A (zh) | 显示面板缺陷的识别方法、装置、电子设备及存储介质 | |
CN115561252A (zh) | 一种高速超宽幅纸病智能检测***及方法 | |
Tong et al. | Research on object detection in campus scene based on faster R-CNN | |
Fan | [Retracted] Image Recognition and Simulation Based on Distributed Artificial Intelligence | |
CN109345506A (zh) | 一种基于卷积神经网络的热点与marfe自动检测方法 | |
Li et al. | Improved stochastic configuration networks with vision patch fusion method for industrial image classification | |
CN111161397B (zh) | 人脸三维重建方法、装置、电子设备及可读存储介质 | |
CN114724002A (zh) | 一种快速检测违禁品的方法 | |
CN114549392A (zh) | 太阳能电池片的色差检测方法、装置、设备和计算机介质 | |
Chen et al. | Faster rcnn for multi-class foreign objects detection of transmission lines | |
CN105426811A (zh) | 一种人群异常行为与人群密度识别方法 | |
Wang et al. | A Low-Cost Defect Segmentation System Based On IoT for Large-Scale Photovoltaic Manufacturing | |
CN113642572B (zh) | 一种基于多级注意力的图像目标检测方法、***与装置 |
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 |