CN110865077A - 用于rfid天线生产的外观缺陷视觉检测系统 - Google Patents

用于rfid天线生产的外观缺陷视觉检测系统 Download PDF

Info

Publication number
CN110865077A
CN110865077A CN201911119539.8A CN201911119539A CN110865077A CN 110865077 A CN110865077 A CN 110865077A CN 201911119539 A CN201911119539 A CN 201911119539A CN 110865077 A CN110865077 A CN 110865077A
Authority
CN
China
Prior art keywords
image
rfid antenna
target
hook
rfid
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.)
Granted
Application number
CN201911119539.8A
Other languages
English (en)
Other versions
CN110865077B (zh
Inventor
程睿远
王磊
徐秀
李倩
张�浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electrical Apparatus Research Institute Group Co Ltd
Original Assignee
Shanghai Electrical Apparatus Research Institute Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Electrical Apparatus Research Institute Group Co Ltd filed Critical Shanghai Electrical Apparatus Research Institute Group Co Ltd
Priority to CN201911119539.8A priority Critical patent/CN110865077B/zh
Publication of CN110865077A publication Critical patent/CN110865077A/zh
Application granted granted Critical
Publication of CN110865077B publication Critical patent/CN110865077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G01N2021/8411—Application to online plant, process monitoring
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • 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)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种用于RFID天线生产的外观缺陷视觉检测系统，包括：硬件系统、图像采集单元、图像标定单元、图像分割单元、图像检测单元。本发明通过以结构紧凑、便于操作的方式来对RFID天线的双面联通性和勾通偏离等重点因素进行质量检测，能够高效率、高准确性地获知RFID天线的外观质量检测结果，并进行实时反馈和质量控制，因而尤其适用于工业化RFID天线的加工制造过程。

Description

用于RFID天线生产的外观缺陷视觉检测系统
技术领域
本发明涉及一种RFID天线印刷蚀刻生产中勾通工序后外观质量缺陷的检测视觉系统及其方法，属于RFID制造领域。
背景技术
射频识别也即RFID技术，又称为电子标签，是通过无线电讯号识别特定目标并读写相关数据的通信技术。RFID是RFID技术中的一种，工作频率为13.56mhz。在该频率的感应器不再需要线圈进行绕制，可以通过腐蚀或者印刷的方式制作天线。RFID系列产品，识别距离近但价格低保密性好，通过较大功率的阅读器可将识别距离扩展至1.5米以上，由于波长的穿透性好在处理密集标签时有优于超高频的读取效果。可用于校园、家校通出入口通道，图书管理系统，医药物流系统，智能货架等多领域的应用。
在RFID设备中，天线作为主要的能量传输功能层，是按照射频识别所要求的功能而设计的电子线路，其通过蚀刻、烫印或导电油墨印刷等方式将导电银浆或导电碳浆布置在PVC、PC或PET天线基板上，并与面层、保护层和底层等封装而成。主要工艺流程如图1所示。
RFID天线生产勾通工艺主要是实现了双面铝箔天线的正反面导通，实现电气回路。由于RFID天线采用卷状生产，勾通设备会产生累计误差。因此，勾通完成后需要检测勾通点不充分与勾通点位置偏离。本专利拟通过勾通工序外观视觉检测方法，检测勾通透光性和位置，提升工序生产质量。
虽然在印刷质量检测方面已经提出了相应的解决方案。如：《一种RFID天线毛刺和污点缺陷的视觉检测系统及方法》(CN 103091331 A)，提供一种RFID天线的毛刺和污点缺陷的视觉检测系统及方法，其能够高效率、高准确地执行RFID天线的毛刺/污点质量检测过程，并可精确定位毛刺/污点缺陷所处的具体位置，由此便于实时反馈和质量控制，同时适用于工业化RFID的加工制造过程。《一种RFID天线的外观缺陷检测系统及其方法》(CN103018261 A)，提供一种RFID天线的外观缺陷检测系统及其方法，其通过以结构紧凑、便于操作的方式来对RFID天线的线宽、断线/粘连以及毛刺/印刷污染等重点因素进行质量检测，能够高效率、高准确性地获知RFID天线的质量检测结果，并便于实时反馈和质量控制，因而尤其适用于工业化RFID的加工制造过程。
以上专利均解决了RFID天线印刷工艺的外观缺陷的精确检测问题。但RFID生产中勾通工序的高精度自动化检测在国内外均属空白，现有技术中大部分都是由人工(人眼直接观察天线基板印刷情况)或半人工(人眼通过摄像机屏幕观察RFID天线勾通情况)来执行指令检测，这样不仅效率低、成本高，而且检测结论的精确性和一致性难以得到保证，并极大限制了RFID天线标签生产行业的发展。
发明内容
本发明的目的是：实现RFID生产中勾通工序的高精度自动化检测。
为了达到上述目的，本发明的技术方案是提供了一种用于RFID天线生产的外观缺陷视觉检测系统，其特征在于，包括：硬件系统、图像采集单元、图像标定单元、图像分割单元、图像检测单元，其中：
硬件系统包括摄像装置、光源装置及RFID摆放平台，待检测的RFID天线放置在RFID摆放平台上，摄像装置位于RFID摆放平台上待检测的RFID天线区域上方，由摄像装置配合光源装置获得待检测的RFID天线区域的图像；
图像采集单元，用于与摄像装置通信，控制摄像装置进行图像采集；
标定单元，用于对摄像装置进行标定，使得摄像装置所拍摄的图像建立像素坐标，并将像素坐标转换成同一世界坐标系下的坐标值；
图像分割单元，用于根据天线模板图像上预设的感兴趣区域从图像中抠取与感兴趣区域相对应的天线检测区域图像。
图像检测单元，基于深度学习Faster RCNN方法对通过图像分割单元获得的区域进行RFID天线外观中的勾通检测，其中，深度学习Faster RCNN方法包含训练阶段和测试阶段，训练阶段包括以下步骤：
步骤1-1、分别制作RFID天线勾通点不充分与勾通点位置偏离的训练数据集和测试数据集，其中训练数据集中每种情况各包含1000张以上图片，测试集包含勾通合格、勾通点不充分及勾通点位置偏离的图片各200张；
步骤1-2、设置Faster RCNN模型的参数，参数包括学习率、迭代次数及锚框大小，其中，Faster RCNN模型是一种端到端的深度学习算法，Faster RCNN模型包括特征自动提取、RPN(region proposal networks)生成候选区域、以及目标分类，全过程均基于卷积神经网络的方法进行；
在自动提取特征过程中，使用ResNet-34作为自动特征提取神经网络，直接将图像作为网络的输入，输出特征图；将自动提取特征输出的特征图作为RPN生成候选区域的输入，输出为一系列的矩形目标候选区域；使用滑动窗口，即锚框，在矩形目标候选区域上进行滑动卷积，得到新的特征图，然后通过RoI池化层将新的特征图调整为固定大小，池化后的特征图仍为多维向量，将其展开为一维向量，输入两个全连接层，利用卷积神经网络进行识别分类和坐标回归。
步骤1-3、基于训练数据集对Faster RCNN模型进行训练，训练过程中，使用的损失函数如下：
Figure BDA0002275048430000031
Figure BDA0002275048430000032
Figure BDA0002275048430000033
式(1)分为两个部分，第一部分为分类损失，第二部分为位置回归损失，其中，pi为预测的第i个锚框内是否存在目标的概率；
Figure BDA0002275048430000034
为第i个锚框在真实情况下存在目标的情况；交并比IOU为锚框与标记的勾通点不充分或勾通点位置偏离的真实区域GT的覆盖率，若IOU>0.7，则
Figure BDA0002275048430000035
为1，即判定锚框内存在目标，若IOU<0.3，则
Figure BDA0002275048430000036
为0，即判定锚框内不含目标；
Figure BDA0002275048430000037
表示预测结果与实际结果的对数损失；Ncls为分类特征图的大小；ti表示预测目标的位置相对于第i个锚框的偏移量；
Figure BDA0002275048430000038
表示目标实际位置相对于第i个锚框的偏移量；λ为权重大小；
Figure BDA0002275048430000039
表示预测目标位置与实际位置的对数损失；Nreg表示特征图的大小；
Figure BDA00022750484300000310
表示位置损失函数。；
步骤1-4、将训练好的Faster RCNN模型导入测试程序内，利用测试数据集进行测试；
步骤1-5、根据测试结果调整Faster RCNN模型的参数后返回步骤1-3重新训练，直至测试正确率达到预期目标；
测试阶段包括以下步骤：
步骤2-1、利用图像采集单元实时在线获取RFID天线的图像；
步骤2-2、利用图像分割单元对步骤2-1获得的图像进行预分割；
步骤2-3、利用训练好的Faster RCNN模型对步骤2-2获得的分割后的图像进行RFID天线的勾通检测，检测结果将明确标出勾通点不充分及勾通点位置偏离的部分，并将其分类为相应的类别。
优选地，所述摄像装置设于二自由度移动模组上，由二自由度移动模组带动所述摄像装置在X轴、Y轴方向上自由移动。
优选地，步骤2-3中，所述类别包括合格及不合格，其中，不合格又进一步细分为勾通点不充分及勾通点位置偏离。
优选地，每个滑动窗口的滑动中心对应k个锚框，根据目标的大小，重新调整了锚框大小及比例，构成了9个锚框，以提高目标的识别率。
本发明通过以结构紧凑、便于操作的方式来对RFID天线的双面联通性和勾通偏离等重点因素进行质量检测，能够高效率、高准确性地获知RFID天线的外观质量检测结果，并进行实时反馈和质量控制，因而尤其适用于工业化RFID天线的加工制造过程。
总体而言，按照本发明与现有技术相比，主要具备以下的技术优点：
1、通过采用视觉检测方式，能够稳定、准确地检测出各种不同类型的复杂RFID天线勾通工艺的缺陷，并在提高检测效率的同时能够保证检测结果的精确性和一致性；
2、整体检测系统结构紧凑、便于操作，能灵活运用于不同图案类型的RFID天线的勾通检测并获取高分辨率的检测图像；此外，还能够在找出缺陷的同时，精确定位缺陷天线位置及其类型，由此便于后续制造工序中执行相应质量控制和调整。
3、在视觉算法中，先在对目标进行检测前先通过图像分割单元分割出天线勾通的区域，降低了Faster RCNN算法的数据处理压力，提高检测速度。
4、在Faster RCNN算法中根据实验数据集中检测目标的像素统计情况对锚框尺度进行了改进，改进后的锚框更加适用于检测RFID中圆孔，降低了因锚框不合适而造成的漏检率。
附图说明
图1为RFID天线的主要生成工艺流程；
图2为按照本发明用于RFID天线勾通工艺事宜示意图；
图3为按照本发明用于RFID天线的视觉检测系统的总体结构示意图；
图4为按照本发明的用于RFID天线的视觉检测方法的深度学习模型图；
图5为按照本发明的用于RFID天线的视觉检测方法的锚框生成示意图；
图6为按照本发明的用于RFID天线视觉检测方法的锚框改进示意图。
图中：1-摄像装置；2-二自由度移动模组；3-背光光源；4-视觉检测装置；5-机架；6-待检测天线。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
图2是按照本发明用于RFID天线外观缺陷的检测系统的总体结构示意图。如图中所示，按照本发明的用于RFID天线外观缺陷的视觉检测系统主要包括摄像装置1、二自由度移动模组2、背光光源3和视觉检测装置4。摄像装置1譬如为工业相机的形式，其安装在设置于机架5的二自由度移动模组2上并处于作为待检测对象的已完成勾通工序的RFID天线的上方，由此可以在X、Y轴方向上自由移动，并在其视野范围内对待检测的RFID天线区域拍摄完整的图像。为了给摄像装置1提供拍摄图像时所必需的光照，在RFID天线的下方还设置有背光光源3。当摄像装置1通过与背光光源3的配合，对待检测的区域的RFID天线获取其视野范围内的完整图像之后，摄像装置1通过数据线或无线方式将拍摄图像传输给视觉检测装置4。
该视觉检测装置4譬如呈计算机的形式，并包括图像采集单元、图像分割单元、图像标定单元、图像检测单元。其中：图像标定单元用于对摄像装置1所要拍摄的图像建立像素坐标，并将像素坐标转换成同一世界坐标系下的坐标值。图像采集单元用于采集摄像装置1所拍摄的图像。图像分割单元用于根据天线模板图像上预设的感兴趣区域(ROI，RegionOf Interest)，从图像采集单元401采集的图像中抠取与感兴趣区域ROI相对应的天线检测区域图像。图像检测单元用于将天线检测区域图像与天线模板图像(标准天线图像)进行匹配，并获取包括旋转角度、中心点位移在内的预对齐信息。Faster RCNN模型运算单元用于对天线检测区域图像的勾通点不充分与勾通点位置偏离进行机器学习分析。
本实施例中，图像检测单元基于深度学习Faster RCNN方法对通过图像分割单元获得的区域进行RFID天线外观中的勾通检测，其中，深度学习Faster RCNN方法包含训练阶段和测试阶段，训练阶段包括以下步骤：
步骤1-1、分别制作RFID天线勾通点不充分与勾通点位置偏离的训练数据集和测试数据集，其中训练数据集中每种情况各包含1000张以上图片，测试集包含勾通合格、勾通点不充分及勾通点位置偏离的图片各200张；
步骤1-2、设置Faster RCNN模型的参数，参数包括学习率、迭代次数及锚框大小，其中，Faster RCNN模型是一种端到端的深度学习算法，Faster RCNN模型包括特征自动提取、RPN(region proposal networks)生成候选区域、以及目标分类，全过程均基于卷积神经网络的方法进行；
在自动提取特征过程中，使用ResNet-34作为自动特征提取神经网络，直接将图像作为网络的输入，输出特征图；将自动提取特征输出的特征图作为RPN生成候选区域的输入，输出为一系列的矩形目标候选区域；使用滑动窗口，即锚框，在矩形目标候选区域上进行滑动卷积，得到新的特征图。本实施例中，滑动窗口的滑动中心对应k个锚框，根据目标的大小，重新调整了锚框大小及比例，构成了9个锚框，以提高目标的识别率。然后通过RoI池化层将新的特征图调整为固定大小，池化后的特征图仍为多维向量，将其展开为一维向量，输入两个全连接层，利用卷积神经网络进行识别分类和坐标回归。
步骤1-3、基于训练数据集对Faster RCNN模型进行训练，训练过程中，使用的损失函数如下：
Figure BDA0002275048430000061
Figure BDA0002275048430000071
Figure BDA0002275048430000072
式(1)分为两个部分，第一部分为分类损失，第二部分为位置回归损失，其中，pi为预测的第i个锚框内是否存在目标的概率；
Figure BDA0002275048430000073
为第i个锚框在真实情况下存在目标的情况；交并比IOU为锚框与标记的勾通点不充分或勾通点位置偏离的真实区域GT的覆盖率，若IOU>0.7，则
Figure BDA0002275048430000074
为1，即判定锚框内存在目标，若IOU<0.3，则
Figure BDA0002275048430000075
为0，即判定锚框内不含目标；
Figure BDA0002275048430000076
表示预测结果与实际结果的对数损失；Ncls为分类特征图的大小；ti表示预测目标的位置相对于第i个锚框的偏移量；
Figure BDA0002275048430000077
表示目标实际位置相对于第i个锚框的偏移量；λ为权重大小；
Figure BDA0002275048430000078
表示预测目标位置与实际位置的对数损失；Nreg表示特征图的大小；
Figure BDA0002275048430000079
表示位置损失函数。；
步骤1-4、将训练好的Faster RCNN模型导入测试程序内，利用测试数据集进行测试；
步骤1-5、根据测试结果调整Faster RCNN模型的参数后返回步骤1-3重新训练，直至测试正确率达到预期目标；
测试阶段包括以下步骤：
步骤2-1、利用图像采集单元实时在线获取RFID天线的图像；
步骤2-2、利用图像分割单元对步骤2-1获得的图像进行预分割；
步骤2-3、利用训练好的Faster RCNN模型对步骤2-2获得的分割后的图像进行RFID天线的勾通检测，检测结果将明确标出勾通点不充分及勾通点位置偏离的部分，并将其分类为相应的类别，类别包括合格及不合格，其中，不合格又进一步细分为勾通点不充分及勾通点位置偏离。

Claims (4)

1.一种用于RFID天线生产的外观缺陷视觉检测系统，其特征在于，包括：硬件系统、图像采集单元、图像标定单元、图像分割单元、图像检测单元，其中：
硬件系统包括摄像装置(2)、光源装置(3)及RFID摆放平台，待检测的RFID天线(6)放置在RFID摆放平台上，摄像装置(2)位于RFID摆放平台上待检测的RFID天线区域上方，由摄像装置(2)配合光源装置(3)获得待检测的RFID天线区域的图像；
图像采集单元，用于与摄像装置(2)通信，控制摄像装置(2)进行图像采集；
标定单元，用于对摄像装置(2)进行标定，使得摄像装置(2)所拍摄的图像建立像素坐标，并将像素坐标转换成同一世界坐标系下的坐标值；
图像分割单元，用于根据天线模板图像上预设的感兴趣区域从图像中抠取与感兴趣区域相对应的天线检测区域图像。
图像检测单元，基于深度学习Faster RCNN方法对通过图像分割单元获得的区域进行RFID天线外观中的勾通检测，其中，深度学习Faster RCNN方法包含训练阶段和测试阶段，训练阶段包括以下步骤：
步骤1-1、分别制作RFID天线勾通点不充分与勾通点位置偏离的训练数据集和测试数据集，其中训练数据集中每种情况各包含1000张以上图片，测试集包含勾通合格、勾通点不充分及勾通点位置偏离的图片各200张；
步骤1-2、设置Faster RCNN模型的参数，参数包括学习率、迭代次数及锚框大小，其中，Faster RCNN模型是一种端到端的深度学习算法，Faster RCNN模型包括特征自动提取、RPN生成候选区域、以及目标分类，全过程均基于卷积神经网络的方法进行；
在自动提取特征过程中，使用ResNet-34作为自动特征提取神经网络，直接将图像作为网络的输入，输出特征图；将自动提取特征输出的特征图作为RPN生成候选区域的输入，输出为一系列的矩形目标候选区域；使用滑动窗口，即锚框，在矩形目标候选区域上进行滑动卷积，得到新的特征图，然后通过RoI池化层将新的特征图调整为固定大小，池化后的特征图仍为多维向量，将其展开为一维向量，输入两个全连接层，利用卷积神经网络进行识别分类和坐标回归。
步骤1-3、基于训练数据集对Faster RCNN模型进行训练，训练过程中，使用的损失函数如下：
Figure FDA0002275048420000021
Figure FDA0002275048420000022
Figure FDA0002275048420000023
式(1)分为两个部分，第一部分为分类损失，第二部分为位置回归损失，其中，pi为预测的第i个锚框内是否存在目标的概率；
Figure FDA0002275048420000024
为第i个锚框在真实情况下存在目标的情况；交并比IOU为锚框与标记的勾通点不充分或勾通点位置偏离的真实区域GT的覆盖率，若IOU>0.7，则
Figure FDA0002275048420000025
为1，即判定锚框内存在目标，若IOU<0.3，则
Figure FDA0002275048420000026
为0，即判定锚框内不含目标；
Figure FDA0002275048420000027
表示预测结果与实际结果的对数损失；Ncls为分类特征图的大小；ti表示预测目标的位置相对于第i个锚框的偏移量；
Figure FDA0002275048420000028
表示目标实际位置相对于第i个锚框的偏移量；λ为权重大小；
Figure FDA0002275048420000029
表示预测目标位置与实际位置的对数损失；Nreg表示特征图的大小；
Figure FDA00022750484200000210
表示位置损失函数。；
步骤1-4、将训练好的Faster RCNN模型导入测试程序内，利用测试数据集进行测试；
步骤1-5、根据测试结果调整Faster RCNN模型的参数后返回步骤1-3重新训练，直至测试正确率达到预期目标；
测试阶段包括以下步骤：
步骤2-1、利用图像采集单元实时在线获取RFID天线的图像；
步骤2-2、利用图像分割单元对步骤2-1获得的图像进行预分割；
步骤2-3、利用训练好的Faster RCNN模型对步骤2-2获得的分割后的图像进行RFID天线的勾通检测，检测结果将明确标出勾通点不充分及勾通点位置偏离的部分，并将其分类为相应的类别。
2.如权利要求1所述的一种用于RFID天线生产的外观缺陷视觉检测系统，其特征在于，所述摄像装置(2)设于二自由度移动模组(1)上，由二自由度移动模组(1)带动所述摄像装置(2)在X轴、Y轴方向上自由移动。
3.如权利要求1所述的一种用于RFID天线生产的外观缺陷视觉检测系统，其特征在于，步骤2-3中，所述类别包括合格及不合格，其中，不合格又进一步细分为勾通点不充分及勾通点位置偏离。
4.如权利要求1所述的一种用于RFID天线生产的外观缺陷视觉检测系统，其特征在于，每个滑动窗口的滑动中心对应k个锚框，根据目标的大小，重新调整了锚框大小及比例，构成了9个锚框，以提高目标的识别率。
CN201911119539.8A 2019-11-15 2019-11-15 用于rfid天线生产的外观缺陷视觉检测系统 Active CN110865077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911119539.8A CN110865077B (zh) 2019-11-15 2019-11-15 用于rfid天线生产的外观缺陷视觉检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911119539.8A CN110865077B (zh) 2019-11-15 2019-11-15 用于rfid天线生产的外观缺陷视觉检测系统

Publications (2)

Publication Number Publication Date
CN110865077A true CN110865077A (zh) 2020-03-06
CN110865077B CN110865077B (zh) 2022-10-04

Family

ID=69654535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911119539.8A Active CN110865077B (zh) 2019-11-15 2019-11-15 用于rfid天线生产的外观缺陷视觉检测系统

Country Status (1)

Country Link
CN (1) CN110865077B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652852A (zh) * 2020-05-08 2020-09-11 浙江华睿科技有限公司 一种产品表面缺陷检测方法和装置及设备
CN111798447A (zh) * 2020-07-18 2020-10-20 太原理工大学 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法
CN112052883A (zh) * 2020-08-14 2020-12-08 五邑大学 一种衣物检测方法、装置及存储介质
CN112903703A (zh) * 2021-01-27 2021-06-04 广东职业技术学院 一种基于图像处理的陶瓷表面缺陷检测方法及系统
WO2021232613A1 (zh) * 2020-05-22 2021-11-25 五邑大学 酒瓶表面缺陷检测方法、电子装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018261A (zh) * 2012-11-29 2013-04-03 华中科技大学 一种rfid天线的外观缺陷检测系统及其方法
CN103091331A (zh) * 2013-01-11 2013-05-08 华中科技大学 一种rfid天线毛刺和污点缺陷的视觉检测系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018261A (zh) * 2012-11-29 2013-04-03 华中科技大学 一种rfid天线的外观缺陷检测系统及其方法
CN103091331A (zh) * 2013-01-11 2013-05-08 华中科技大学 一种rfid天线毛刺和污点缺陷的视觉检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘聪: "基于卷积神经网络的微小零件表面缺陷检测技术研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652852A (zh) * 2020-05-08 2020-09-11 浙江华睿科技有限公司 一种产品表面缺陷检测方法和装置及设备
CN111652852B (zh) * 2020-05-08 2024-03-29 浙江华睿科技股份有限公司 一种产品表面缺陷检测方法和装置及设备
WO2021232613A1 (zh) * 2020-05-22 2021-11-25 五邑大学 酒瓶表面缺陷检测方法、电子装置及存储介质
CN111798447A (zh) * 2020-07-18 2020-10-20 太原理工大学 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法
CN111798447B (zh) * 2020-07-18 2023-03-10 太原理工大学 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法
CN112052883A (zh) * 2020-08-14 2020-12-08 五邑大学 一种衣物检测方法、装置及存储介质
CN112052883B (zh) * 2020-08-14 2023-10-17 五邑大学 一种衣物检测方法、装置及存储介质
CN112903703A (zh) * 2021-01-27 2021-06-04 广东职业技术学院 一种基于图像处理的陶瓷表面缺陷检测方法及系统

Also Published As

Publication number Publication date
CN110865077B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN110865077B (zh) 用于rfid天线生产的外观缺陷视觉检测系统
CN107229930B (zh) 一种指针式仪表数值智能识别方法
EP3776462B1 (en) System and method for image-based target object inspection
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
US11132786B2 (en) Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium
US11544916B2 (en) Automated gauge reading and related systems, methods, and devices
CN103091331B (zh) 一种rfid天线毛刺和污点缺陷的视觉检测系统及方法
CN111507976B (zh) 基于多角度成像的缺陷检测方法及系统
CN110400315A (zh) 一种缺陷检测方法、装置及系统
CN103764304A (zh) 在机器人系统中拾取动作之后使传感器测量值无效的方法
Medina et al. Automated visual classification of frequent defects in flat steel coils
CN104820987B (zh) 一种基于光学图像及微波图像检测目标散射性能缺陷的方法
CN112365475A (zh) 一种基于图像处理方式的输电线路覆冰监测方法及系统
CN113822882A (zh) 基于深度学习的电路板表面缺陷检测方法与检测装置
CN103824275A (zh) 在图像中搜寻鞍点状结构并测定其信息的系统和方法
CN116543247A (zh) 基于光度立体表面重建的数据集制作方法及验证系统
CN104182752A (zh) 一种户外广告牌智能监测方法
Sun et al. Cascaded detection method for surface defects of lead frame based on high-resolution detection images
CN117197789A (zh) 基于多尺度边界特征融合的幕墙框识别方法及系统
Wang et al. Assembly defect detection of atomizers based on machine vision
CN114913118A (zh) 工业视觉检测方法、装置、电子设备以及存储介质
CN111160330B (zh) 电子标签识别辅助提升图像识别准确度的训练方法
CN113902996A (zh) 一种集装箱锁销拆卸视觉系统
Wei et al. Surface Defects Detection of Cylindrical High-Precision Industrial Parts Based on Deep Learning Algorithms: A Review
Zhong et al. Detection of oxidation region of flexible integrated circuit substrate based on topology mapping

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