CN112557406A - 纸品生产质量智能检验方法及其系统 - Google Patents
纸品生产质量智能检验方法及其系统 Download PDFInfo
- Publication number
- CN112557406A CN112557406A CN202110189519.9A CN202110189519A CN112557406A CN 112557406 A CN112557406 A CN 112557406A CN 202110189519 A CN202110189519 A CN 202110189519A CN 112557406 A CN112557406 A CN 112557406A
- Authority
- CN
- China
- Prior art keywords
- production
- defect
- core
- value
- paper product
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了纸品生产质量智能检验方法及系统,该方法首先计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值,依据影响度数值确定出核心评价指标,进而确定出与核心评价指标对应的核心生产工序,然后移动检测设备对核心生产工序产出的纸品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测,之后移动检测设备将缺陷检测信息发送至移动质控终端,最后移动质控终端对接收到的缺陷检测信息进行分析,并对相应生产工序的生产设备进行调控。该方法能够在确保纸品工艺质量的前提下,对生产线的工艺加工能力、缺陷监测能力、设备控制能力进行了平衡和优化,将有限的缺陷监测能力应用在最为关键的检测点。
Description
技术领域
本申请涉及自动控制技术领域,特别涉及纸品生产质量智能检验方法及其系统。
背景技术
纸品加工行业是我国重要的产业之一,无论是包装箱用的瓦楞纸板,还是作为卫生用品的纸巾,均是日常生活中不可或缺的常用品。
在纸品加工行业中,为了保证纸品的加工质量,需要对各加工工序产出的中间产品或成品进行质量监测,随着社会对纸品的质量需求和功能需求越来越多,纸品的加工工艺也就愈加复杂,从而才能产出具有多种功能(例如抗压、防潮等)的纸品,这也导致加工工序的增加;同时,由于纸品的功能需求增多,纸品的种类也随之增多,因此同一生产线需要具备加工多种类型的纸品的能力,这同样导致了生产线上工序的增多和生产设备的增加。
在上述情况下,目前采用的保证加工质量的方式还是传统的依靠操作人员的经验来对各个工序环节的纸品质量进行把关和查验,而即使质量检测能力较为先进的生产线,其采用的方式也是在所有的工序环节设置质检设备进行质量检测,这导致了质量检测成本的升高,并且目前采用的质检设备的检测方式是对生产设备的工艺参数进行检测,而由于工艺参数种类较多,并且还参杂有各种不可预知的干扰因素(例如环境因素),这使得工况极为复杂,工艺参数波动带来的影响所导致的真正后果难以判断,无法简单的认为某参数升高了就会导致纸品产生对应缺陷,因为还需要考虑到其他参数的波动和环境因素、设备因素、人为因素和误差等的影响,因此此种检测方式既复杂又无法保证质量检测结果的准确性。
因此,上述检测成本的升高以及检测结果准确性均是目前亟需解决的问题。
发明内容
基于此,为了提高质量检测的准确性,以及降低质量检测成本,提高质量检测速度,本申请公开了以下技术方案。
一方面,提供了纸品生产质量智能检验方法,包括:
计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值,依据所述影响度数值确定出核心评价指标,进而确定出与所述核心评价指标对应的核心生产工序;
移动检测设备对所述核心生产工序产出的纸品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测;
移动检测设备将缺陷检测信息发送至移动质控终端;
移动质控终端对接收到的缺陷检测信息进行分析,并对相应生产工序的生产设备进行调控。
另一方面,还提供了一种纸品生产质量智能检验系统,包括:
核心工序确定模块,用于计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值,依据所述影响度数值确定出核心评价指标,进而确定出与所述核心评价指标对应的核心生产工序;
移动检测设备,用于对所述核心生产工序产出的纸品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测,将缺陷检测信息发送至移动质控终端;
移动质控终端,用于对接收到的缺陷检测信息进行分析,并对相应生产工序的生产设备进行调控。
本申请公开的纸品生产质量智能检验方法及系统,能够确定出对纸品质量影响很大的核心生产工序,并针对这些核心工序通过移动检测设备对产品进行直接且专门的图像式检测,用检测产品来代替检测参数,避免了参数之间的复杂影响对检测结果准确性的干扰,提高了检测结果的准确性,并且在确保纸品工艺质量的前提下,对生产线的工艺加工能力、缺陷监测能力、设备控制能力进行了平衡和优化,将有限的缺陷监测能力应用在最为关键的检测点,降低了检测成本,使得这些能力更多的用在维护核心评价指标和核心工序上,实现了生产成本、产能和良品率的平衡和效益的最大化。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本申请,而不能理解为对本申请的保护范围的限制。
图1是本申请公开的纸品生产质量智能检验方法实施例的流程示意图。
图2是三层的瓦楞纸板的主要工艺流程框图。
图3是三层的瓦楞纸板的部分具有直接衔接关系的工序的评价指标与生产工序关系模型示意图。
图4是附有影响度数值和工序类型的图3。
图5是本申请公开的纸品生产质量智能检验系统实施例的结构框图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。
下面参考图1-图4详细描述本申请公开的纸品生产质量智能检验方法实施例。如图1所示,本实施例公开的方法包括以下步骤100至步骤400。
步骤100,纸品生产质量智能检验系统的核心工序确定模块计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值,依据各影响度数值从各生产质量评价指标中确定出核心评价指标,进而从纸品的各生产工序中确定出与所述核心评价指标对应的核心生产工序。
纸品的生产加工包含了多道生产工序,本实施例以瓦楞纸板为例进行方案描述,三层的瓦楞纸板的主要工艺流程如图2所示,均包括预热、压楞、粘合、张紧、再预热、涂胶、烘干、冷却、切割等生产工序,所有生产工序协同正常运转才能使加工出的纸品产品合格。判断纸品成品是否合格的标准通常可以通过对其性能参数进行检测来实现,例如瓦楞纸板的性能参数可以包括压缩力学性能、能量吸收效率、单位体积吸收能、结构变形利用率、质量比吸能、防静电性能等等,成品的上述性能参数均满足相应参数的数值区间,说明瓦楞纸板成品的质量合格。
在进行纸品成品的合格性评价时,会依据上述生产质量评价指标(可简称为评价指标)的评价结果来判断纸品的最终成品是否合格,但各工序对于产品合格率——即满足达标要求的工艺性能参数——的影响能力不同,部分工序出现失误和误差时对纸品加工会产生很严重的质量缺陷甚至直接导致纸品的报废,而另部分工序出现失误和误差时还能够对纸品进行及时补救加工以修复由此导致的质量缺陷使得纸品还存在合格的机会。
因此,本实施例首先从所有的生产工序中识别出对纸品成品性能参数的影响能力较大的工序,也就是核心生产工序,而识别的方式在于,由于每道生产工序均会输出相应的中间产品,而这些中间产品可以通过相应的甚至独有的生产质量评价指标进行评价,例如面纸湿度、糊胶粘度、面纸张力、芯纸湿度、纸张厚度等中间产品的性能参数,因此无论是中间产品还是成品,均存在相应的生产质量评价指标,而算出各个工序各自的生产质量评价指标对成品工艺性能(合格率)的影响能力,也就是影响度数值,影响度数值越大则对成品工艺性能的影响能力越大,由此得到核心生产工序,也就是影响度数值较大的工序。
步骤200,移动检测设备对核心生产工序产出的纸品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测。
移动检测设备是用于以图像的方式进行纸品质量检测的自主移动设备,能够依据确定出的核心生产工序,移动到相应核心生产工序与下一工序之间的输送过渡段处,对经过输送过渡段的纸品进行图像采集,通过图像识别的方式进行产品缺陷检测。可以理解的是,若核心生产工序存在下一工序,则被检测的是纸品中间产品,若核心生产工序为最终工序,则输送过渡段为最终工序的输出口。
当生产线上生产的纸品的类型、需求不同时,对应的影响度数值也会发生变化,则对应的核心生产工序也会发生变化,此时可以控制移动检测设备重新移动到新的核心生产工序与下一工序之间的输送过渡段处,实现对多种纸品产品检测的泛用性。
步骤300,移动检测设备将缺陷检测信息发送至移动质控终端。
移动质控终端是用于实时收集各移动检测设备发来的缺陷检测信息的移动式设备,可以由生产巡视人员、设备调试人员佩戴或由内置于巡视机器人内。当移动检测设备从采集到的纸品图像中检测到纸品存在质量缺陷时,会将质量缺陷的缺陷检测信息发送至移动质控终端,实现对核心生产工序出现的质量问题进行及时提示。缺陷检测信息可以包括缺陷类型、缺陷位置、所在工序、对应的评价指标等,以利于上述人员或机器人能够尽量全面的掌握缺陷情况,并及时采取应对措施。
步骤400,移动质控终端对接收到的缺陷检测信息进行分析,并对相应生产工序的生产设备进行调控。
移动质控终端在接收到缺陷检测信息后,会对该信息进行分析,除了得到信息中直接包含的缺陷类型、缺陷位置以外,还从中提取出缺陷发生的对应工序、缺陷对应的评价指标,并立即对这些信息进行综合分析处理,例如利用预先建立的知识库来从中确定出与当前缺陷信息相匹配的处理预案。预案内容可以是对产生缺陷的工序中的相应工艺设备进行参数调节,以避免后续纸品再次发生该缺陷。预案内容还包括对产生缺陷的工序的下游一个或多个工序进行参数调节,以对该批次缺陷产品的缺陷进行相应的修正,使得该批次产品能够合格或者使得该批次产品从原先的合格但具有缺陷的状态变为良品;预案内容也可以是停机检修,此时说明该批次缺陷产品已经无法通过修正而从不合格品变为合格品了,并且产生缺陷的工序需要进行修正,包括程序修正和工艺设备调节、维修等等。
本实施例能够确定出对纸品质量影响很大的核心生产工序,并针对这些核心工序通过移动检测设备对产品进行直接且专门的图像式检测,用检测产品来代替检测参数,避免了参数之间的复杂影响对检测结果准确性的干扰,提高了检测结果的准确性,并且在确保纸品工艺质量的前提下,对生产线的工艺加工能力、缺陷监测能力、设备控制能力进行了平衡和优化,将有限的缺陷监测能力应用在最为关键的检测点,降低了检测成本,使得这些能力更多的用在维护核心评价指标和核心工序上,实现了生产成本、产能和良品率的平衡和效益的最大化。
在一种实施方式中,步骤100中计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值并依据影响度数值确定出核心评价指标,具体包括以下步骤110至步骤130。
步骤110,依据纸品各生产工序的工序衔接关系以及各生产工序对应的生产质量评价指标,构建评价指标与生产工序关系模型。
以图2所示的三层瓦楞纸板的主要生产工序为例,图2即为三层瓦楞纸板的工序衔接关系图,各工序依箭头的顺序执行,而其中各工序分别具有各自的生产质量评价指标,通过上述工序衔接关系及工序的生产质量评价指标,构建出评价指标与生产工序关系模型。
本实施例选取图2中部分具有直接承接关系的工序为例来描述该关系模型,抽取了图2中具有直接衔接关系的压楞、预热、粘合和张紧工序,得到图3所示的关系模型,该关系模型中的四道工序中,压楞工序包括压力匀度和压力大小评价指标;粘合工序包括原纸湿度、里纸湿度和糊胶粘度评价指标;张紧工序包括纸面张力、纸张硬度评价指标;预热工序包括里纸温度、里纸褶皱程度评价指标。
需要说明的是,可以通过改变关系模型中包含的工序,将部分具有关联性的工序作为一个单独的参考体,并只考虑该参考体内部各工序之间的影响度,以及计算出针对该参考体的核心评价指标。当关系模型扩大的全部工序时,则最终得出的核心评价指标对应于整体加工工艺流程,当关系模型缩小到部分关联工序时,则最终得出的核心评价指标对应于该关系模型内的参考体。
步骤120,获取上述关系模型中各评价指标对所属生产工序的影响度数值,并依据各生产工序的工序类型和上述评价指标与生产工序关系模型来获取关联生产工序之间的工序间影响数值。
用于评价生产工序的评价指标可能是该生产工序独有的,也可能在其他生产工序中也存在相同的评价指标,只不过不同工序的相同评价指标的评价标准可能存在不同。
评价指标对所属生产工序的影响度数值是通过预先对瓦楞纸往期各个工序所得中间产品的产品性能参数和加工工艺参数大数据进行数据分析及训练得出的,即同等参数波动条件下对产品质量影响越大的工艺参数,其对应的评价指标的影响度数值越大,同时也可以将历史生产故障记录的加入到影响度数值的设定之中,即历史生产过程中越容易出故障的工艺参数,其对应的评价指标的影响度数值越大,这样设定影响度参数,能够趋于真实地表明评价指标在相应工序下对瓦楞纸中间产品的影响程度。
其中,上述工序类型分为独立工序和中间工序。
独立工序不受到其他工序的影响但会影响其他工序,例如最上游工序、最外围工序等,这些工序不存在上游工序但存在下游工序。中间工序受其他工序影响,这些工序存在上游工序,可以存在下游工序,也可以不存在下游工序(此时该工序为最后工序)。
图4为附有影响度数值和工序类型的评价指标与生产工序关系模型示意图,其中,压楞工序IS1和预热工序IS2为独立工序,粘合工序RS1和张紧工序RS2为中间工序。可以理解的是,图3中压楞工序和预热工序并未受到其他工序影响,因此才作为独立工序而存在。
压楞工序IS1的两个评价指标IQ为压力匀度IQ11和压力大小IQ12;预热工序IS2的两个评价指标IQ为里纸温度IQ21和里纸皱度IQ22;粘合工序RS1的三个评价指标RQ为原纸湿度RQ11、里纸湿度RQ12和糊胶粘度RQ13;张紧工序RS2的两个评价指标RQ为纸面硬度RQ21和纸张张力RQ22。
工序间影响数值SA存在于关联生产工序之间,也就是只有具有直接承接关系的两个工序间才会存在工序间影响数值。压楞与粘合之间的工序间影响数值为SA1,预热与粘合之间的工序间影响数值为SA2,粘合与张紧之间的工序间影响数值为SA3。
根据得到的各IQ的影响度数值,构建用于表示两个独立工序与各自评价指标之间关系的模型(1):
根据得到的各RQ的影响度数值,构建用于表示两个中间工序与各自评价指标之间关系的模型(2):
根据图3所示的关系模型,构建用于表示两个独立工序与两个中间工序之间关系的模型(3):
其中,为两中间工序之间的影响度矩阵,为独立工序对中间工序的影响度矩阵。通过图3可知,粘合工序RS1只受到压楞工序IS1和预热工序IS2的影响,而张紧工序RS2只受到粘合工序RS1的影响,因此a 11 =a 21 =a 22 =b 12 =b 22=0。各IQ、IE、RQ、RE、SA 3(也就是a 12)、SA 1(也就是b 11)和SA 2(也就是b 21)均为预先经过数据分析及训练得到的已知量。
步骤130,依据各所述工序间影响数值计算各评价指标对于所述关系模型中最下游工序的最终影响数值,并将所述最终影响数值达标的评价指标作为核心评价指标。
假设获取到的影响度数值中,IQ11=0.75,IQ12=0.85,IQ21=0.4,IQ22=-0.9,RQ11=0.6,RQ12=0.8,RQ13=-0.7,RQ21=-0.5,RQ22=0.65,以及假设获取到的工序间影响数值中,SA1=0.7,SA2=0.8,SA3=0.95。
对于关系模型中最下游工序,则直接将评价指标对最下游工序的影响度数值作为该评价指标的最终影响度数值。例如,RQ21和RQ22是直接对应于张紧工序的评价指标,因此其值直接作为对最下游工序的影响度数值参与达标判断。
而对于关系模型中最下游工序以外的生产工序,其最终影响数值为评价指标对生产工序的影响度数值和工序执行链路上各工序间影响数值的乘积。
以压力匀度IQ11为例,IQ11对压楞工序IS1的影响度为0.75,对IS1的下道工序粘合工序RS1的影响度为IQ11* SA1=0.525,对RS1的下道工序张紧工序RS2的影响度为IQ11* SA1*SA3=0.49875,因此对于图3中的关系模型来说,压楞工序对该关系模型中位于最下游的张紧工序的影响度数值为0. 49875。
以里纸皱度IQ22为例,其值为负值,表明里纸皱度越大,预热工序的预热效果越差,但该评价指标的影响方式与产生的影响度无关,因此应当按照其值的绝对值进行计算,也就是按照影响度数值为0.9来计算,具体的,IQ22对预热工序IS2的影响度为0.9,对IS2的下道工序粘合工序RS1的影响度为IQ22* SA2=0.72,对RS1的下道工序张紧工序RS2的影响度为IQ22* SA2* SA3=0.684。
依据上述计算方式算出各工序的各评价指标对当前关系模型中的最下游工序——张紧工序的影响度数值,然后对这些影响度数值进行达标判断。另外,张紧工序虽然不是瓦楞纸加工工艺中的最后工序,但其在图3示出的各工序中是最下游工序,因此以张紧工序作为本是实力的最下游工序。
达标判断可以采用绝对达标的判断方式,例如将对张紧工序的影响度数值超过0.6的评价指标作为核心评价指标,此时里纸皱度IQ22的0.684>0.6,可算作核心评价指标;达标判断也可以采用相对达标的判断方式,例如将对张紧工序的影响度数值进行大小排序,将前3个影响度数值最大的评价指标作为核心评价指标。
该实施方式通过预先进行统计分析训练得到的评价指标对工序自身及工序间的影响度数值,来对瓦楞纸最终成品或者中间阶段的半成品进行工序评价指标的影响程度计算,由此确认出哪些工序的哪些评价指标对于成品或目标工序所得的半成品来说更为重要。
在一种实施方式中,步骤200中的移动检测设备对核心生产工序产出的产品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测,具体包括以下步骤210至步骤240。
步骤210,移动检测设备在接收到生产设备发来的缺陷检测触发信号后,对产出的产品进行图像采集。
纸品生产为流水线式生产,原料在输送线上依次被输送到各个工序进行加工,最终得到纸品成品。而每道工序的输出口处均存在一个或多个检测点,移动检测设备会移动到该检测点处,并将采集窗口对准输送线以实施采集纸品的图像。而由于图像采集是实时采集,而不同纸品的输送速度、纸品件的出现周期是不同的,因此为了减少没必要的图像采集数量,以节约后续图像识别的运算量,图像采集是被动触发式而不是主动采集式。
具体的,由于对纸品进行加工和输送的生产设备对纸品的输送速度、纸品的类型等参数是已知的,因此当移动检测设备移动到核心生产工序X的输出口时,工序X的输送设备会依据输送速度、纸品类型、纸品尺寸等参数算出纸品的输送周期,也就是检测点位置处出现纸品的间隔时间,并依据输送周期向移动检测设备发送缺陷检测触发信号。假设移动检测设备对准输送线上的默认被检测区域Y,输送设备根据上述已知参数算出每隔3秒便会有一个纸品移动到区域内,则每隔3秒便发送缺陷检测触发信号给在该检测点处的移动检测设备,使得移动检测设备无需实时采集图像而只是每3秒采集一次图像,并且采集到的图像是纸品位于区域Y中央处的图像,保证纸品能够完整出现在采集的图像中。
步骤220,对采集的图像进行多尺度卷积提取,提取特征图中每个特征点在原始图像上的对应点,对每个特征点以对应点为中心在原始图像上选取多种不同尺寸的待筛选区域。
卷积提取是利用卷积核对图像进行滤波,对于图像通常采用二维卷积提取,二维卷积提取的公式为:
其中,C(x,y)为提取的特征,P为图像,W为卷积核,i∈[-L,L],j∈[-H,H], L为图像长度,H为图像宽度。卷积核在图像上滑动,提取到图像上各像素点的特征,得到特征图。而多尺度卷积是指采用的卷积核的尺度有多种,例如采用的卷积核为3*3、4*4、5*5等。
提取出特征图之后,特征图的尺寸为:
其中,Sc为特征图的尺寸,Sr为原始图像的尺寸,Sw为卷积核的尺寸,Sp为原始图像边缘填充的尺寸,s为卷积核在原始图像上的滑动步长。
特征图由多个特征点组成,提取出每个特征点在原始图像(移动检测设备采集的图像)上的对应点,该对应点即为锚点,然后以锚点为中心选取多个不同尺寸的待筛选区域,这些待筛选区域中的部分个区域包含有缺陷内容。例如对尺寸在50*50的特征图,可以选取9、16、25、36四种不同尺寸以及设置两种不同比例1:2和2:1,每个特征点则会在原始图像上生成2*4=8个待筛选区域,整个特征图会在原始图像上生成8*50*50=20000个待筛选区域。
步骤230,利用缺陷位置筛选模型对各所述待筛选区域进行筛选,得到缺陷区域图像。
缺陷位置筛选模型是预先训练完成的模型,用于对输入其内的待筛选区域图像进行缺陷检测,从待筛选区域图像中筛选出具有缺陷区域的图像。
缺陷位置筛选模型的训练过程包括以下步骤。
首先,先选取若干图像作为训练集,训练集中的图像称为样本图像,样本图像中一部分是具有缺陷的,另一部分是不具有缺陷的。对每个样本图像进行多尺度卷积操作,具体操作步骤与步骤220相同,得到多种不同尺寸的候选区域。
然后,将未全部包含在样本图像中的候选区域筛除,也就是将超出样本图像边界的候选区域图像筛除。
之后,分别算出每个候选区域与样本图像中各待筛选区域的重叠指数,确定出每个候选区域对应各待筛选区域的重叠指数最大值。重叠指数O的计算公式为:
其中Sa和Sb为计算重叠指数的两个区域图像。重叠指数最大值为各重叠指数O的Omax值。
最后,对重叠指数进行判断,若该重叠指数最大值不低于重叠上界阈值,则将该候选区域作为有缺陷样本,若该重叠指数最大值不高于重叠下界阈值,则将该候选区域作为无缺陷样本。重叠上界阈值为判断筛选重叠程度是否高至足以使得候选区域被称为包含缺陷的区域,重叠下界阈值为判断筛选重叠程度是否低至足以使得候选区域被称为未包含缺陷的区域。由此,实现缺陷位置筛选的训练。
步骤240,将缺陷区域图像输入缺陷分类器,识别出缺陷类型和缺陷位置。
缺陷位置筛选模型输出的缺陷图像数量远少于输入其的待筛选区域图像的数量,并且输出的图像均为包含缺陷的图像。将缺陷位置筛选模型输出的图像再输入预先训练完成的缺陷分类器,实现对缺陷类型和位置的识别。
通过采用本实施方式公开的图像检测方式,能够提升检测速度,快速识别出纸品的缺陷问题,利于后续立即采取应对措施。
下面参考图5详细描述本申请公开的纸品生产质量智能检验系统实施例。本实施例是用于实施前述纸品生产质量智能检验方法实施例的系统。如图5所示,本实施例公开的系统主要包括有:
核心工序确定模块,用于计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值,依据所述影响度数值确定出核心评价指标,进而确定出与所述核心评价指标对应的核心生产工序;
移动检测设备,用于对所述核心生产工序产出的纸品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测,将缺陷检测信息发送至移动质控终端;
移动质控终端,用于对接收到的缺陷检测信息进行分析,并对相应生产工序的生产设备进行调控。
本实施例能够确定出对纸品质量影响很大的核心生产工序,并针对这些核心工序通过移动检测设备对产品进行直接且专门的图像式检测,用检测产品来代替检测参数,避免了参数之间的复杂影响对检测结果准确性的干扰,提高了检测结果的准确性,并且在确保纸品工艺质量的前提下,对生产线的工艺加工能力、缺陷监测能力、设备控制能力进行了平衡和优化,将有限的缺陷监测能力应用在最为关键的检测点,降低了检测成本,使得这些能力更多的用在维护核心评价指标和核心工序上,实现了生产成本、产能和良品率的平衡和效益的最大化。
在一种实施方式中,所述核心工序确定模块包括:
关系模型构建单元,用于依据纸品各生产工序的工序衔接关系以及各生产工序对应的生产质量评价指标,构建评价指标与生产工序关系模型;
影响数值获取单元,用于获取所述关系模型中各评价指标对所属生产工序的影响度数值,并依据工序类型和所述关系模型获取关联生产工序之间的工序间影响数值;
核心指标确定单元,用于依据各所述工序间影响数值计算各评价指标对于所述关系模型中最下游工序的最终影响数值,并将所述最终影响数值达标的评价指标作为核心评价指标;其中,
所述工序类型分为独立工序和中间工序。
在一种实施方式中,所述核心指标确定单元对于所述关系模型中所述最下游工序以外的生产工序,其最终影响数值为评价指标对所述生产工序的影响度数值和工序执行链路上各工序间影响数值的乘积。
在一种实施方式中,所述移动检测设备包括:
摄像头,用于在移动检测设备接收到生产设备发来的缺陷检测触发信号后,对产出的产品进行图像采集;
区域选取单元,用于对采集的图像进行多尺度卷积提取,提取特征图中每个特征点在原始图像上的对应点,以所述对应点为中心在原始图像上选取多种不同尺寸的待筛选区域;
缺陷区域筛选单元,用于利用缺陷位置筛选模型对各所述待筛选区域进行筛选,得到缺陷区域图像;
缺陷识别单元,用于将所述缺陷区域图像输入缺陷分类器,识别出缺陷类型和缺陷位置。
在一种实施方式中,所述缺陷区域筛选单元包括:
候选区域获取子单元,用于对样本图像进行多尺度卷积提取,得到多种不同尺寸的候选区域;
重叠指数计算子单元,用于分别算出每个候选区域与样本图像中各待筛选区域的重叠指数,确定出每个候选区域对应各待筛选区域的重叠指数最大值;
样本缺陷判断子单元,用于若该重叠指数最大值不低于重叠上界阈值,则将该候选区域作为有缺陷样本,若该重叠指数最大值不高于重叠下界阈值,则将该候选区域作为无缺陷样本。
本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分,在实际实现时可以有其他的划分方式,例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元、组件在物理上可以是分开的,也可以是不分开的。作为单元显示的部件可以是物理单元,也可以不是物理单元,即可以位于一个具体地方,也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种纸品生产质量智能检验方法,其特征在于,包括:
计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值,依据所述影响度数值确定出核心评价指标,进而确定出与所述核心评价指标对应的核心生产工序;
移动检测设备对所述核心生产工序产出的纸品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测;
移动检测设备将缺陷检测信息发送至移动质控终端;
移动质控终端对接收到的缺陷检测信息进行分析,并对相应生产工序的生产设备进行调控。
2.如权利要求1所述的方法,其特征在于,所述计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值,依据所述影响度数值确定出核心评价指标,包括:
依据纸品各生产工序的工序衔接关系以及各生产工序对应的生产质量评价指标,构建评价指标与生产工序关系模型;
获取所述关系模型中各评价指标对所属生产工序的影响度数值,并依据工序类型和所述关系模型获取关联生产工序之间的工序间影响数值;
依据各所述工序间影响数值计算各评价指标对于所述关系模型中最下游工序的最终影响数值,并将所述最终影响数值达标的评价指标作为核心评价指标;其中,
所述工序类型分为独立工序和中间工序。
3.如权利要求2所述的方法,其特征在于,对于所述关系模型中所述最下游工序以外的生产工序,其最终影响数值为评价指标对所述生产工序的影响度数值和工序执行链路上各工序间影响数值的乘积。
4.如权利要求1-3中任一项所述的方法,其特征在于,所述移动检测设备对所述核心生产工序产出的产品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测,包括:
移动检测设备在接收到生产设备发来的缺陷检测触发信号后,对产出的产品进行图像采集;
对采集的图像进行多尺度卷积提取,提取特征图中每个特征点在原始图像上的对应点,以所述对应点为中心在原始图像上选取多种不同尺寸的待筛选区域;
利用缺陷位置筛选模型对各所述待筛选区域进行筛选,得到缺陷区域图像;
将所述缺陷区域图像输入缺陷分类器,识别出缺陷类型和缺陷位置。
5.如权利要求4所述的方法,其特征在于,所述缺陷位置筛选模型的训练过程包括:
对样本图像进行多尺度卷积提取,得到多种不同尺寸的候选区域;
分别算出每个候选区域与样本图像中各待筛选区域的重叠指数,确定出每个候选区域对应各待筛选区域的重叠指数最大值;
若该重叠指数最大值不低于重叠上界阈值,则将该候选区域作为有缺陷样本,若该重叠指数最大值不高于重叠下界阈值,则将该候选区域作为无缺陷样本。
6.一种纸品生产质量智能检验系统,其特征在于,包括:
核心工序确定模块,用于计算纸品的各生产质量评价指标对纸品成品工艺性能的影响度数值,依据所述影响度数值确定出核心评价指标,进而确定出与所述核心评价指标对应的核心生产工序;
移动检测设备,用于对所述核心生产工序产出的纸品在进入下一生产工序前进行图像采集,并对采集到的图像进行缺陷检测,将缺陷检测信息发送至移动质控终端;
移动质控终端,用于对接收到的缺陷检测信息进行分析,并对相应生产工序的生产设备进行调控。
7.如权利要求6所述的系统,其特征在于,所述核心工序确定模块包括:
关系模型构建单元,用于依据纸品各生产工序的工序衔接关系以及各生产工序对应的生产质量评价指标,构建评价指标与生产工序关系模型;
影响数值获取单元,用于获取所述关系模型中各评价指标对所属生产工序的影响度数值,并依据工序类型和所述关系模型获取关联生产工序之间的工序间影响数值;
核心指标确定单元,用于依据各所述工序间影响数值计算各评价指标对于所述关系模型中最下游工序的最终影响数值,并将所述最终影响数值达标的评价指标作为核心评价指标;其中,
所述工序类型分为独立工序和中间工序。
8.如权利要求7所述的系统,其特征在于,所述核心指标确定单元对于所述关系模型中所述最下游工序以外的生产工序,其最终影响数值为评价指标对所述生产工序的影响度数值和工序执行链路上各工序间影响数值的乘积。
9.如权利要求6-8中任一项所述的系统,其特征在于,所述移动检测设备包括:
摄像头,用于在移动检测设备接收到生产设备发来的缺陷检测触发信号后,对产出的产品进行图像采集;
区域选取单元,用于对采集的图像进行多尺度卷积提取,提取特征图中每个特征点在原始图像上的对应点,以所述对应点为中心在原始图像上选取多种不同尺寸的待筛选区域;
缺陷区域筛选单元,用于利用缺陷位置筛选模型对各所述待筛选区域进行筛选,得到缺陷区域图像;
缺陷识别单元,用于将所述缺陷区域图像输入缺陷分类器,识别出缺陷类型和缺陷位置。
10.如权利要求9所述的系统,其特征在于,所述缺陷区域筛选单元包括:
候选区域获取子单元,用于对样本图像进行多尺度卷积提取,得到多种不同尺寸的候选区域;
重叠指数计算子单元,用于分别算出每个候选区域与样本图像中各待筛选区域的重叠指数,确定出每个候选区域对应各待筛选区域的重叠指数最大值;
样本缺陷判断子单元,用于若该重叠指数最大值不低于重叠上界阈值,则将该候选区域作为有缺陷样本,若该重叠指数最大值不高于重叠下界阈值,则将该候选区域作为无缺陷样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189519.9A CN112557406B (zh) | 2021-02-19 | 2021-02-19 | 纸品生产质量智能检验方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189519.9A CN112557406B (zh) | 2021-02-19 | 2021-02-19 | 纸品生产质量智能检验方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112557406A true CN112557406A (zh) | 2021-03-26 |
CN112557406B CN112557406B (zh) | 2021-06-29 |
Family
ID=75036005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189519.9A Active CN112557406B (zh) | 2021-02-19 | 2021-02-19 | 纸品生产质量智能检验方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112557406B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778036A (zh) * | 2021-09-27 | 2021-12-10 | 广州天幕信息科技有限公司 | 餐厨垃圾处理智能管理和控制方法及系统 |
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN115796714A (zh) * | 2023-02-08 | 2023-03-14 | 广州市天奕信息技术股份有限公司 | 一种面向信息交互的军工生产数据质量检测系统 |
CN115830403A (zh) * | 2023-02-22 | 2023-03-21 | 厦门微亚智能科技有限公司 | 一种基于深度学习的自动缺陷分类系统及方法 |
CN115983684A (zh) * | 2022-12-19 | 2023-04-18 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160651A (zh) * | 2015-07-05 | 2015-12-16 | 济南大学 | 基于视觉注意机制的纸病检测方法 |
CN205103180U (zh) * | 2015-10-28 | 2016-03-23 | 江西弘泰电子信息材料有限公司 | 一种造纸质量缺陷在线检测系统 |
CN106997473A (zh) * | 2016-09-08 | 2017-08-01 | 汪润春 | 一种基于神经网络的图像识别方法 |
CN108427969A (zh) * | 2018-03-27 | 2018-08-21 | 陕西科技大学 | 一种多尺度形态学结合卷积神经网络的纸张缺陷分类方法 |
-
2021
- 2021-02-19 CN CN202110189519.9A patent/CN112557406B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160651A (zh) * | 2015-07-05 | 2015-12-16 | 济南大学 | 基于视觉注意机制的纸病检测方法 |
CN205103180U (zh) * | 2015-10-28 | 2016-03-23 | 江西弘泰电子信息材料有限公司 | 一种造纸质量缺陷在线检测系统 |
CN106997473A (zh) * | 2016-09-08 | 2017-08-01 | 汪润春 | 一种基于神经网络的图像识别方法 |
CN108427969A (zh) * | 2018-03-27 | 2018-08-21 | 陕西科技大学 | 一种多尺度形态学结合卷积神经网络的纸张缺陷分类方法 |
Non-Patent Citations (3)
Title |
---|
周露露: "基于机器视觉的纸页缺陷检测算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
孙文政: "基于深度学习和机器视觉的手机屏幕瑕疵检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵勇: "摩托罗拉手机生产线现场质量控制研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778036A (zh) * | 2021-09-27 | 2021-12-10 | 广州天幕信息科技有限公司 | 餐厨垃圾处理智能管理和控制方法及系统 |
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN115983684A (zh) * | 2022-12-19 | 2023-04-18 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及系统 |
CN115983684B (zh) * | 2022-12-19 | 2024-01-26 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及系统 |
CN115796714A (zh) * | 2023-02-08 | 2023-03-14 | 广州市天奕信息技术股份有限公司 | 一种面向信息交互的军工生产数据质量检测系统 |
CN115796714B (zh) * | 2023-02-08 | 2023-04-28 | 广州市天奕信息技术股份有限公司 | 一种面向信息交互的军工生产数据质量检测系统 |
CN115830403A (zh) * | 2023-02-22 | 2023-03-21 | 厦门微亚智能科技有限公司 | 一种基于深度学习的自动缺陷分类系统及方法 |
CN115830403B (zh) * | 2023-02-22 | 2023-05-30 | 厦门微亚智能科技有限公司 | 一种基于深度学习的自动缺陷分类系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112557406B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112557406B (zh) | 纸品生产质量智能检验方法及其系统 | |
CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
CN102275656B (zh) | 一种条烟装箱机缺条在线视觉检测装置及其检测方法 | |
CN103868934B (zh) | 基于机器视觉的玻璃灯杯检测系统及方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
MXPA06013286A (es) | Interfaz de configuracion de usuario de re-inspeccion grafica. | |
CN104614380A (zh) | 一种板带表面质量检测系统和方法 | |
CN102095733A (zh) | 一种基于机器视觉对瓶盖表面瑕疵的智能检测方法 | |
CN103033476A (zh) | 一种基于红外成像在线检测烟叶中含梗的设备及方法 | |
CN103221807A (zh) | 快速处理和检测幅材型材料中的不均匀因素 | |
CN102236925B (zh) | 大张检查机机检数据离线二次检测核查的系统及方法 | |
CN113758524A (zh) | 一种电路板加工监测系统 | |
CN111680738A (zh) | 一种用于苹果品质检测的筛选装置及其检测方法 | |
CN110095475A (zh) | 一种印铁视觉检测系统及印铁图案检测方法 | |
CN116330319B (zh) | 一种搬运机械手状态监测系统及监测方法 | |
CN117409005A (zh) | 基于图像的收板机用不良品检测系统及方法 | |
CN116561646A (zh) | 滚动轴承多维参数自动化检测线和滚动轴承等级评价方法 | |
CN117055249A (zh) | 一种液晶显示屏组装加工线抽样质检分析系统 | |
CN114549995A (zh) | 一种窑内跑生料识别方法及系统 | |
CN108311413B (zh) | 产品自动筛选系统及产品自动筛选方法 | |
CN212733114U (zh) | 镀膜硅片分选系统及硅片镀膜系统 | |
CN204857670U (zh) | 贴片电阻中不良颗粒的检测与处理设备 | |
CN114331944A (zh) | 人工智能瑕疵图像分类方法及其系统 | |
WO2021255565A3 (en) | Inspecting sheet goods using deep learning | |
CN108133261B (zh) | 基于bp神经网络的汽车胶管芯轴质量评价方法 |
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 |