CN111210407A - 超长编织管内部瑕疵在线检测方法 - Google Patents
超长编织管内部瑕疵在线检测方法 Download PDFInfo
- Publication number
- CN111210407A CN111210407A CN201911388699.2A CN201911388699A CN111210407A CN 111210407 A CN111210407 A CN 111210407A CN 201911388699 A CN201911388699 A CN 201911388699A CN 111210407 A CN111210407 A CN 111210407A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolution neural
- ultra
- full convolution
- braided tube
- 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
Images
Classifications
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/146—Quality control systems during manufacturing process
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了超长编织管内部瑕疵在线检测方法,包括如下步骤:S1、训练缺陷识别模型;S2、采集超长编织管的内部图案,将得到的图案输入缺陷识别模型中,获得处理后的二值化管道内部掩码图;S3、缺陷识别模型对二值化管道内部掩码图进行进一步识别,提取图案中的颜色、亮度、面积、位置等信息,与预先学习得到的标准区间值进行比对,当查找到符合区间内设定的特征出现时,判定出现缺陷,本发明实现了对长距离编织软管的内部品质的实时监测,避免了通过人工肉眼识别管道内部缺陷的现象,节省人力,降低成本,通过深度学习结合机器视觉的方式,缺陷识别成功率高,能够及时发现管道内部缺陷,提升产品合格率。
Description
技术领域
本发明涉及编织管生产技术技术领域,具体为超长编织管内部瑕疵在线检测方法。
背景技术
目前的超长编织软管一般都是连续生产,在生产过程中,编织软管内部可能会出现瑕疵,若无法及时发现,就会影响产品后续的品质,因此对编织软管内部进行检测就变得十分重要,但目前所有在超长编织软管的监测品质的方案中,基本都是对带坯的外观做表面的检测,对于其内部的检测一直没有很好的方式,特别是超长距离的编织软管就更难检测内部的瑕疵,只能通过在生产过程中的人员依靠肉眼观察,浪费了大量的人力,而且人的精力有限且存在视觉疲劳,故影响产品的整体的合格率。
发明内容
本发明的目的在于提供超长编织管内部瑕疵在线检测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:超长编织管内部瑕疵在线检测方法,包括如下步骤:
S1、训练缺陷识别模型;
S2、采集超长编织管的内部图案,将得到的图案输入缺陷识别模型中,获得处理后的二值化管道内部掩码图;
S3、缺陷识别模型对二值化管道内部掩码图进行进一步识别,提取图案中的颜色、亮度、面积、位置等信息,与预先学习得到的标准区间值进行比对,当查找到符合区间内设定的特征出现时,判定出现缺陷;
S4、通过现场I/O总线,将所有采集到的现场数字量讯息与模拟量讯息传输给PLC控制器,通过PLC控制器对采集到的信号进行初步识别处理,再发送给现场PC,现场PC对现场的信号作出数据整合,在接收到全卷积神经网络发出的缺陷信号时,通过警示模块发出警告,使生产线停机;
S5、所述现场PC的数量根据现场车间的数量一一设置,所述现场PC将整合的数据信息实时传输给中控PC,中控PC对所有的现场PC进行实时监控,以监控现场所有车间的设备状态。
所述步骤S1具体包括如下步骤:
a、利用预先采集的若干张编织管内部样本图案,对其中的各类缺陷进行标注;
b、将标注后的样本图案输入全卷积神经网络,对全卷积神经网络进行训练,全卷积神经网络获取图案中的颜色、亮度、面积、位置等信息,并针对这些信息的标准值进行区间设定,直至损失函数值不再减小时停止训练,获得训练好的缺陷识别模型。
所述步骤S2中的采集超长编织管的内部图案具体包括如下步骤:
A、利用图像采集模块,检测编织软管顶端的一个圆环区域,随着编织软管的编织过程进行,编织软管会逐渐增长,因此圆环区域相对于编织软管会不断移动,从而在不移动图像采集模块的情况下采集到编织软管内部的全部位置信息;
B、对采集到的图案进行预处理。
所述步骤B中的预处理包括裁切、旋转、拉伸、平移、色彩空间调整、对比度调整中的一种或多种。
所述步骤S1还包括存储模块、构建模块、测试模块和诊断模块,所述存储模块用于存储输入的样本图案和测试图案,所述构建模块用于构建全卷积神经网络模型,并对全卷积神经网络模型进行迭代训练,所述测试模块用于对构建的全卷积神经网络模型进行测试。
所述全卷积神经网络模型每迭代3000-4000次后,进行测试。
所述测试包括如下步骤:测试模块将测试图案输入全卷积神经网络模型中,全卷积神经网络模型得到判断结果,并将结果输入诊断模块,诊断模块对全卷积神经网络模型的判断结果与预先设定的区间值进行比对,当输出准确率低于阈值时,返回无效结果,构建模块重新构建并迭代全卷积神经网络模型,当输出准确率等于或高于阈值时,返回有效结果,构建模块将全卷积神经网络模型标记为有效的缺陷识别模型并输出。
所述全卷积神经网络为Faster R-CNN,包括基础特征提取网络、RPN、Fast R-CNN,所述RPN、Fast R-CNN共享特征提取卷积层,并实现端到端的检测。
有益效果
本发明实现了对长距离编织软管的内部品质的实时监测,避免了通过人工肉眼识别管道内部缺陷的现象,节省人力,降低成本,通过深度学习结合机器视觉的方式,缺陷识别成功率高,能够及时发现管道内部缺陷,提升产品合格率。
附图说明
图1为超长编织管内部瑕疵在线检测方法的原理图。
具体实施方式
超长编织管内部瑕疵在线检测方法,包括如下步骤:
S1、训练缺陷识别模型;
S2、采集超长编织管的内部图案,将得到的图案输入缺陷识别模型中,获得处理后的二值化管道内部掩码图;
S3、缺陷识别模型对二值化管道内部掩码图进行进一步识别,提取图案中的颜色、亮度、面积、位置等信息,与预先学习得到的标准区间值进行比对,当查找到符合区间内设定的特征出现时,判定出现缺陷;
S4、通过现场I/O总线,将所有采集到的现场数字量讯息与模拟量讯息传输给PLC控制器,通过PLC控制器对采集到的信号进行初步识别处理,再发送给现场PC,现场PC对现场的信号作出数据整合,在接收到全卷积神经网络发出的缺陷信号时,通过警示模块发出警告,使生产线停机;
S5、所述现场PC的数量根据现场车间的数量一一设置,所述现场PC将整合的数据信息实时传输给中控PC,中控PC对所有的现场PC进行实时监控,以监控现场所有车间的设备状态。
所述步骤S1具体包括如下步骤:
a、利用预先采集的若干张编织管内部样本图案,对其中的各类缺陷进行标注;
b、将标注后的样本图案输入全卷积神经网络,对全卷积神经网络进行训练,全卷积神经网络获取图案中的颜色、亮度、面积、位置等信息,并针对这些信息的标准值进行区间设定,直至损失函数值不再减小时停止训练,获得训练好的缺陷识别模型。
所述步骤S2中的采集超长编织管的内部图案具体包括如下步骤:
A、利用图像采集模块,检测编织软管顶端的一个圆环区域,随着编织软管的编织过程进行,编织软管会逐渐增长,因此圆环区域相对于编织软管会不断移动,从而在不移动图像采集模块的情况下采集到编织软管内部的全部位置信息;
B、对采集到的图案进行预处理。
所述步骤B中的预处理包括裁切、旋转、拉伸、平移、色彩空间调整、对比度调整中的一种或多种。
所述步骤S1还包括存储模块、构建模块、测试模块和诊断模块,所述存储模块用于存储输入的样本图案和测试图案,所述构建模块用于构建全卷积神经网络模型,并对全卷积神经网络模型进行迭代训练,所述测试模块用于对构建的全卷积神经网络模型进行测试。
所述全卷积神经网络模型每迭代3000-4000次后,进行测试。
所述测试包括如下步骤:测试模块将测试图案输入全卷积神经网络模型中,全卷积神经网络模型得到判断结果,并将结果输入诊断模块,诊断模块对全卷积神经网络模型的判断结果与预先设定的区间值进行比对,当输出准确率低于阈值时,返回无效结果,构建模块重新构建并迭代全卷积神经网络模型,当输出准确率等于或高于阈值时,返回有效结果,构建模块将全卷积神经网络模型标记为有效的缺陷识别模型并输出。
所述全卷积神经网络为Faster R-CNN,包括基础特征提取网络、RPN、Fast R-CNN,所述RPN、Fast R-CNN共享特征提取卷积层,并实现端到端的检测。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内的发明内容。
Claims (8)
1.超长编织管内部瑕疵在线检测方法,其特征在于:包括如下步骤:
S1、训练缺陷识别模型;
S2、采集超长编织管的内部图案,将得到的图案输入缺陷识别模型中,获得处理后的二值化管道内部掩码图;
S3、缺陷识别模型对二值化管道内部掩码图进行进一步识别,提取图案中的颜色、亮度、面积、位置等信息,与预先学习得到的标准区间值进行比对,当查找到符合区间内设定的特征出现时,判定出现缺陷;
S4、通过现场I/O总线,将所有采集到的现场数字量讯息与模拟量讯息传输给PLC控制器,通过PLC控制器对采集到的信号进行初步识别处理,再发送给现场PC,现场PC对现场的信号作出数据整合,在接收到全卷积神经网络发出的缺陷信号时,通过警示模块发出警告,使生产线停机;
S5、所述现场PC的数量根据现场车间的数量一一设置,所述现场PC将整合的数据信息实时传输给中控PC,中控PC对所有的现场PC进行实时监控,以监控现场所有车间的设备状态。
2.根据权利要求1所述的超长编织管内部瑕疵在线检测方法,其特征在于:所述步骤S1具体包括如下步骤:
a、利用预先采集的若干张编织管内部样本图案,对其中的各类缺陷进行标注;
b、将标注后的样本图案输入全卷积神经网络,对全卷积神经网络进行训练,全卷积神经网络获取图案中的颜色、亮度、面积、位置等信息,并针对这些信息的标准值进行区间设定,直至损失函数值不再减小时停止训练,获得训练好的缺陷识别模型。
3.根据权利要求1所述的超长编织管内部瑕疵在线检测方法,其特征在于:所述步骤S2中的采集超长编织管的内部图案具体包括如下步骤:
A、利用图像采集模块,检测编织软管顶端的一个圆环区域,随着编织软管的编织过程进行,编织软管会逐渐增长,因此圆环区域相对于编织软管会不断移动,从而在不移动图像采集模块的情况下采集到编织软管内部的全部位置信息;
B、对采集到的图案进行预处理。
4.根据权利要求3所述的超长编织管内部瑕疵在线检测方法,其特征在于:所述步骤B中的预处理包括裁切、旋转、拉伸、平移、色彩空间调整、对比度调整中的一种或多种。
5.根据权利要求2所述的超长编织管内部瑕疵在线检测方法,其特征在于:所述步骤S1还包括存储模块、构建模块、测试模块和诊断模块,所述存储模块用于存储输入的样本图案和测试图案,所述构建模块用于构建全卷积神经网络模型,并对全卷积神经网络模型进行迭代训练,所述测试模块用于对构建的全卷积神经网络模型进行测试。
6.根据权利要求5所述的超长编织管内部瑕疵在线检测方法,其特征在于:所述全卷积神经网络模型每迭代3000-4000次后,进行测试。
7.根据权利要求6所述的超长编织管内部瑕疵在线检测方法,其特征在于:所述测试包括如下步骤:测试模块将测试图案输入全卷积神经网络模型中,全卷积神经网络模型得到判断结果,并将结果输入诊断模块,诊断模块对全卷积神经网络模型的判断结果与预先设定的区间值进行比对,当输出准确率低于阈值时,返回无效结果,构建模块重新构建并迭代全卷积神经网络模型,当输出准确率等于或高于阈值时,返回有效结果,构建模块将全卷积神经网络模型标记为有效的缺陷识别模型并输出。
8.根据权利要求2所述的超长编织管内部瑕疵在线检测方法,其特征在于:所述全卷积神经网络为Faster R-CNN,包括基础特征提取网络、RPN、Fast R-CNN,所述RPN、Fast R-CNN共享特征提取卷积层,并实现端到端的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911388699.2A CN111210407A (zh) | 2019-12-30 | 2019-12-30 | 超长编织管内部瑕疵在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911388699.2A CN111210407A (zh) | 2019-12-30 | 2019-12-30 | 超长编织管内部瑕疵在线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111210407A true CN111210407A (zh) | 2020-05-29 |
Family
ID=70789367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911388699.2A Pending CN111210407A (zh) | 2019-12-30 | 2019-12-30 | 超长编织管内部瑕疵在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210407A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112432954A (zh) * | 2020-12-09 | 2021-03-02 | 浙江理工大学 | 一种编织管瑕疵检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063684A (zh) * | 2012-12-20 | 2013-04-24 | 西安石油大学 | 一种管道内壁全景图显示与缺陷定位方法 |
CN104568983A (zh) * | 2015-01-06 | 2015-04-29 | 浙江工业大学 | 基于主动式全景视觉的管道内部功缺陷检测装置及方法 |
CN109499908A (zh) * | 2018-11-10 | 2019-03-22 | 东莞理工学院 | 一种用于机械零件的视觉检测系统 |
JP2019060825A (ja) * | 2017-09-28 | 2019-04-18 | 新日鐵住金株式会社 | 管の内面検査装置 |
-
2019
- 2019-12-30 CN CN201911388699.2A patent/CN111210407A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063684A (zh) * | 2012-12-20 | 2013-04-24 | 西安石油大学 | 一种管道内壁全景图显示与缺陷定位方法 |
CN104568983A (zh) * | 2015-01-06 | 2015-04-29 | 浙江工业大学 | 基于主动式全景视觉的管道内部功缺陷检测装置及方法 |
JP2019060825A (ja) * | 2017-09-28 | 2019-04-18 | 新日鐵住金株式会社 | 管の内面検査装置 |
CN109499908A (zh) * | 2018-11-10 | 2019-03-22 | 东莞理工学院 | 一种用于机械零件的视觉检测系统 |
Non-Patent Citations (2)
Title |
---|
彭超: "透明玻璃平板表面缺陷在线检测系统的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
鲁少辉: "基于主动式全景视觉的管道内表面缺陷检测技术的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112432954A (zh) * | 2020-12-09 | 2021-03-02 | 浙江理工大学 | 一种编织管瑕疵检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100495032C (zh) | 一种禽蛋表面品质检测的方法和装置 | |
CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN101907453B (zh) | 基于机器视觉的块状农产品尺寸在线测量方法与装置 | |
CN111127517A (zh) | 一种基于监控视频的生产线产品定位方法 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
TWI649659B (zh) | 自動光學檢測影像分類方法、系統及含有該方法之電腦可讀取媒體 | |
CN109772724A (zh) | 一种铸件重点表面及内部缺陷的柔性检测分析系统 | |
CN110020691B (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
CN111444471B (zh) | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 | |
CN106248680A (zh) | 一种基于机器视觉的电机换向器质量检测系统及检测方法 | |
CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
CN104048966B (zh) | 一种基于大律法的布面疵点检测及分类方法 | |
CN111210407A (zh) | 超长编织管内部瑕疵在线检测方法 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN116519699A (zh) | 一种结构损伤检测系统及结构损伤检测方法 | |
CN114895634A (zh) | 一种基于机器视觉的产品生产线自动控制系统 | |
CN107121063A (zh) | 检测工件的方法 | |
CN111325708B (zh) | 一种输电线路检测方法和服务器 | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
CN116068305A (zh) | 一种电弧铣削机床电气系统故障诊断装置 | |
CN116311053A (zh) | 一种缺陷检测方法、系统及其应用 | |
Liang et al. | Research on Surface Defect Detection Algorithm of Tube-Type Bottle Based on Machine Vision | |
CN111899221A (zh) | 一种面向外观缺陷检测的自迁移学习方法 | |
CN112766141A (zh) | 一种烟草卷包设备异物检测方法及系统 | |
CN117029703B (zh) | 一种通讯线缆现场生产数据实时管理监测系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200529 |
|
RJ01 | Rejection of invention patent application after publication |