CN117103790A - 瓦楞纸板生产线及其控制方法 - Google Patents
瓦楞纸板生产线及其控制方法 Download PDFInfo
- Publication number
- CN117103790A CN117103790A CN202311131247.2A CN202311131247A CN117103790A CN 117103790 A CN117103790 A CN 117103790A CN 202311131247 A CN202311131247 A CN 202311131247A CN 117103790 A CN117103790 A CN 117103790A
- Authority
- CN
- China
- Prior art keywords
- surface state
- feature map
- corrugated
- corrugated board
- paper
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title abstract description 20
- 239000000123 paper Substances 0.000 claims abstract description 50
- 230000007547 defect Effects 0.000 claims abstract description 42
- LYCAIKOWRPUZTN-UHFFFAOYSA-N Ethylene glycol Chemical compound OCCO LYCAIKOWRPUZTN-UHFFFAOYSA-N 0.000 claims abstract description 16
- 239000000853 adhesive Substances 0.000 claims abstract description 16
- 230000001070 adhesive effect Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 16
- KDYFGRWQOYBRFD-UHFFFAOYSA-N succinic acid Chemical compound OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000001035 drying Methods 0.000 claims abstract description 11
- 238000010438 heat treatment Methods 0.000 claims abstract description 10
- 239000011087 paperboard Substances 0.000 claims abstract description 9
- 235000003145 Hippophae rhamnoides Nutrition 0.000 claims abstract description 8
- 235000009496 Juglans regia Nutrition 0.000 claims abstract description 8
- 239000002202 Polyethylene glycol Substances 0.000 claims abstract description 8
- 229920002472 Starch Polymers 0.000 claims abstract description 8
- 229920006217 cellulose acetate butyrate Polymers 0.000 claims abstract description 8
- 125000004386 diacrylate group Chemical group 0.000 claims abstract description 8
- WGCNASOHLSPBMP-UHFFFAOYSA-N hydroxyacetaldehyde Natural products OCC=O WGCNASOHLSPBMP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 229920000728 polyester Polymers 0.000 claims abstract description 8
- 229920001223 polyethylene glycol Polymers 0.000 claims abstract description 8
- 239000000843 powder Substances 0.000 claims abstract description 8
- 239000002002 slurry Substances 0.000 claims abstract description 8
- 239000008107 starch Substances 0.000 claims abstract description 8
- 235000019698 starch Nutrition 0.000 claims abstract description 8
- 239000001384 succinic acid Substances 0.000 claims abstract description 8
- 235000020234 walnut Nutrition 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 29
- 238000000195 production control method Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000002156 mixing Methods 0.000 claims description 9
- 238000003756 stirring Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 241000229143 Hippophae Species 0.000 claims description 7
- 241000758789 Juglans Species 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000011248 coating agent Substances 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000002791 soaking Methods 0.000 claims description 3
- 240000000950 Hippophae rhamnoides Species 0.000 abstract 1
- 240000007049 Juglans regia Species 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 7
- 239000011111 cardboard Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09J—ADHESIVES; NON-MECHANICAL ASPECTS OF ADHESIVE PROCESSES IN GENERAL; ADHESIVE PROCESSES NOT PROVIDED FOR ELSEWHERE; USE OF MATERIALS AS ADHESIVES
- C09J103/00—Adhesives based on starch, amylose or amylopectin or on their derivatives or degradation products
- C09J103/02—Starch; Degradation products thereof, e.g. dextrin
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B31—MAKING ARTICLES OF PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER; WORKING PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER
- B31F—MECHANICAL WORKING OR DEFORMATION OF PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER
- B31F5/00—Attaching together sheets, strips or webs; Reinforcing edges
- B31F5/04—Attaching together sheets, strips or webs; Reinforcing edges by exclusive use of adhesives
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09J—ADHESIVES; NON-MECHANICAL ASPECTS OF ADHESIVE PROCESSES IN GENERAL; ADHESIVE PROCESSES NOT PROVIDED FOR ELSEWHERE; USE OF MATERIALS AS ADHESIVES
- C09J101/00—Adhesives based on cellulose, modified cellulose, or cellulose derivatives
- C09J101/08—Cellulose derivatives
- C09J101/10—Esters of organic acids
- C09J101/14—Mixed esters, e.g. cellulose acetate-butyrate
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09J—ADHESIVES; NON-MECHANICAL ASPECTS OF ADHESIVE PROCESSES IN GENERAL; ADHESIVE PROCESSES NOT PROVIDED FOR ELSEWHERE; USE OF MATERIALS AS ADHESIVES
- C09J167/00—Adhesives based on polyesters obtained by reactions forming a carboxylic ester link in the main chain; Adhesives based on derivatives of such polymers
- C09J167/02—Polyesters derived from dicarboxylic acids and dihydroxy compounds
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09J—ADHESIVES; NON-MECHANICAL ASPECTS OF ADHESIVE PROCESSES IN GENERAL; ADHESIVE PROCESSES NOT PROVIDED FOR ELSEWHERE; USE OF MATERIALS AS ADHESIVES
- C09J199/00—Adhesives based on natural macromolecular compounds or on derivatives thereof, not provided for in groups C09J101/00 -C09J107/00 or C09J189/00 - C09J197/00
-
- D—TEXTILES; PAPER
- D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
- D21H—PULP COMPOSITIONS; PREPARATION THEREOF NOT COVERED BY SUBCLASSES D21C OR D21D; IMPREGNATING OR COATING OF PAPER; TREATMENT OF FINISHED PAPER NOT COVERED BY CLASS B31 OR SUBCLASS D21G; PAPER NOT OTHERWISE PROVIDED FOR
- D21H17/00—Non-fibrous material added to the pulp, characterised by its constitution; Paper-impregnating material characterised by its constitution
- D21H17/20—Macromolecular organic compounds
- D21H17/33—Synthetic macromolecular compounds
- D21H17/46—Synthetic macromolecular compounds obtained otherwise than by reactions only involving carbon-to-carbon unsaturated bonds
- D21H17/53—Polyethers; Polyesters
-
- D—TEXTILES; PAPER
- D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
- D21H—PULP COMPOSITIONS; PREPARATION THEREOF NOT COVERED BY SUBCLASSES D21C OR D21D; IMPREGNATING OR COATING OF PAPER; TREATMENT OF FINISHED PAPER NOT COVERED BY CLASS B31 OR SUBCLASS D21G; PAPER NOT OTHERWISE PROVIDED FOR
- D21H25/00—After-treatment of paper not provided for in groups D21H17/00 - D21H23/00
- D21H25/04—Physical treatment, e.g. heating, irradiating
- D21H25/06—Physical treatment, e.g. heating, irradiating of impregnated or coated paper
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
公开了一种瓦楞纸板生产线及其控制方法。其首先将淀粉、水、核桃粉、沙棘提取物、醋酸丁酸纤维素和聚乙二醇二丙烯酸酯进行混合处理,并搅拌成浆以形成胶粘剂,接着,将瓦楞芯纸在熔融的丁二酸乙二醇聚酯中浸泡预定时间以得到预处理后瓦楞芯纸,然后,将所述预处理后瓦楞芯纸进行加热处理以得到瓦楞纸,接着,将所述胶粘剂分别均匀涂覆于面纸和里纸上,并将所述瓦楞纸粘接于所述面纸和所述里纸上,再进行烘干处理以得到瓦楞纸板,最后,对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷。这样,可以检测瓦楞纸板上的缺陷、瑕疵或异物,提高瓦楞纸板的产品质量。
Description
技术领域
本公开涉及瓦楞纸板生产领域,且更为具体地,涉及一种瓦楞纸板生产线及其控制方法。
背景技术
目前,瓦楞纸板是全世界公认的绿色环保型包装产品。同时,随着物流量的增加,瓦楞纸箱的需求量也越来越多。现有的瓦楞纸板又称波纹纸板,由至少一层瓦楞纸和一层箱板纸粘合而成,具有较好的弹性和延伸性,主要用于制造纸箱、纸箱的夹心以及易碎商品的其他包装材料。
然而,在传统的瓦楞纸板生产控制方案中,通常依赖于人工对瓦楞纸板进行检查,这需要大量的人力资源和时间。并且,人工检查容易受到操作员主观因素的影响,不同的操作员可能会有不同的判断标准和偏好,导致了检查结果的不一致性,同一批次的产品在不同的操作员之间可能会得到不同的判定结果。随着生产规模的扩大,传统的人工检查方法面临处理大规模数据的挑战,无法满足高产量的需求。
此外,现有的一些检测方式利用摄像头采集成型后瓦楞纸板的图像,并利用人工对图像进行分析来实现对瓦楞纸板的质量检测,但是,这种方案难以检测出瓦楞纸板的一些细微的质量问题,也就难以发现瓦楞纸板上的微小瑕疵或缺陷,导致产品的质量较低。
因此,期望一种优化的瓦楞纸板生产控制方案。
发明内容
有鉴于此,本公开提出了一种瓦楞纸板生产线及其控制方法,其可以实现对瓦楞纸板的自动化质量控制,减少人工检查的需求,并提高产品质量。
根据本公开的一方面,提供了一种瓦楞纸板生产控制方法,其包括:
将淀粉、水、核桃粉、沙棘提取物、醋酸丁酸纤维素和聚乙二醇二丙烯酸酯进行混合处理,并搅拌成浆以形成胶粘剂;
将瓦楞芯纸在熔融的丁二酸乙二醇聚酯中浸泡预定时间以得到预处理后瓦楞芯纸;
将所述预处理后瓦楞芯纸进行加热处理以得到瓦楞纸;
将所述胶粘剂分别均匀涂覆于面纸和里纸上,并将所述瓦楞纸粘接于所述面纸和所述里纸上,再进行烘干处理以得到瓦楞纸板;以及
对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷。
根据本公开的另一方面,提供了一种瓦楞纸板生产线,其包括:
混合搅拌模块,用于将淀粉、水、核桃粉、沙棘提取物、醋酸丁酸纤维素和聚乙二醇二丙烯酸酯进行混合处理,并搅拌成浆以形成胶粘剂;
预处理模块,用于将瓦楞芯纸在熔融的丁二酸乙二醇聚酯中浸泡预定时间以得到预处理后瓦楞芯纸;
加热模块,用于将所述预处理后瓦楞芯纸进行加热处理以得到瓦楞纸;
粘接烘干模块,用于将所述胶粘剂分别均匀涂覆于面纸和里纸上,并将所述瓦楞纸粘接于所述面纸和所述里纸上,再进行烘干处理以得到瓦楞纸板;以及
质量检测模块,用于对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷。
根据本公开的实施例,其首先将淀粉、水、核桃粉、沙棘提取物、醋酸丁酸纤维素和聚乙二醇二丙烯酸酯进行混合处理,并搅拌成浆以形成胶粘剂,接着,将瓦楞芯纸在熔融的丁二酸乙二醇聚酯中浸泡预定时间以得到预处理后瓦楞芯纸,然后,将所述预处理后瓦楞芯纸进行加热处理以得到瓦楞纸,接着,将所述胶粘剂分别均匀涂覆于面纸和里纸上,并将所述瓦楞纸粘接于所述面纸和所述里纸上,再进行烘干处理以得到瓦楞纸板,最后,对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷。这样,可以检测瓦楞纸板上的缺陷、瑕疵或异物,提高瓦楞纸板的产品质量。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的瓦楞纸板生产控制方法的流程图。
图2示出根据本公开的实施例的瓦楞纸板生产控制方法的子步骤S150的流程图。
图3示出根据本公开的实施例的瓦楞纸板生产控制方法的子步骤S150的架构示意图。
图4示出根据本公开的实施例的瓦楞纸板生产控制方法的子步骤S152的流程图。
图5示出根据本公开的实施例的瓦楞纸板生产控制方法的子步骤S1521的流程图。
图6示出根据本公开的实施例的瓦楞纸板生产控制方法的子步骤S153的流程图。
图7示出根据本公开的实施例的瓦楞纸板生产线的框图。
图8示出根据本公开的实施例的瓦楞纸板生产控制方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开的实施例的瓦楞纸板生产控制方法的流程图。如图1所示,根据本公开实施例的瓦楞纸板生产控制方法,包括步骤:S110,将淀粉、水、核桃粉、沙棘提取物、醋酸丁酸纤维素和聚乙二醇二丙烯酸酯进行混合处理,并搅拌成浆以形成胶粘剂;S120,将瓦楞芯纸在熔融的丁二酸乙二醇聚酯中浸泡预定时间以得到预处理后瓦楞芯纸;S130,将所述预处理后瓦楞芯纸进行加热处理以得到瓦楞纸;S140,将所述胶粘剂分别均匀涂覆于面纸和里纸上,并将所述瓦楞纸粘接于所述面纸和所述里纸上,再进行烘干处理以得到瓦楞纸板;以及,S150,对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷。
针对上述技术问题,本公开的技术构思为通过摄像头采集瓦楞纸板的表面状态监控图像,并在后端引入图像处理和分析算法来进行瓦楞纸板的表面状态分析以检测瓦楞纸板上的缺陷、瑕疵或异物,通过这样的方式,能够实现对瓦楞纸板的自动化质量控制,减少了人工检查的需求,并提高了产品质量。
相应地,图2示出根据本公开的实施例的瓦楞纸板生产控制方法的子步骤S150的流程图。图3示出根据本公开的实施例的瓦楞纸板生产控制方法的子步骤S150的架构示意图。如图2和图3所示,根据本公开实施例的瓦楞纸板生产控制方法,对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷,包括:S151,获取待检测瓦楞纸板的表面状态监控图像;S152,对所述表面状态监控图像进行图像特征分析以得到表面状态特征;以及,S153,基于所述表面状态特征,确定待检测瓦楞纸板是否存在缺陷。
具体地,在本公开的技术方案中,首先,获取待检测瓦楞纸板的表面状态监控图像。然后,考虑到在实际进行瓦楞纸板的质量检测时,有关于瓦楞纸板的表面缺陷通常在图像的纹理端会有所呈现。因此,为了能够进行瓦楞纸板的表面状态特征的充分表达,以更准确地进行缺陷检测,在特征提取时应更加关注于所述表面状态监控图像中有关于瓦楞纸板表面状态的颜色、纹理等浅层特征信息,这些浅层特征对于瓦楞纸板的质量检测具有重要意义。基于此,在本公开的技术方案中,将所述表面状态监控图像通过基于第一卷积神经网络模型的浅层特征提取器以得到表面状态浅层特征图。
接着,为了在不同尺度下提取更加丰富的特征信息,在本公开的技术方案中,进一步将所述表面状态浅层特征图通过空间金字塔池化模块以得到多尺度表面状态浅层特征图。应可以理解,由于深度学习模型在处理高分辨率图像时往往存在内存和计算资源的限制,因此需要对图像进行降维。但是,传统的池化操作只能在一个固定大小的窗口上进行,并且通常采用固定步长进行采样,容易出现信息丢失和过度平滑的问题。而所述空间金字塔池化模块可以提供多个不同大小的池化窗口,从而使网络能够更好地探索不同尺度的特征,同时还可以避免采样后的特征过度平滑的问题,进而提高模型的鲁棒性和准确性,有助于更好地检测瓦楞纸板的表面缺陷。
进一步地,使用基于第二卷积神经网络模型的深层特征提取器来进行所述多尺度表面状态浅层特征图的特征挖掘,以进一步提取图像中更加抽象和深层的特征表达,从而得到表面状态深层特征图。应可以理解,所述浅层特征提取器可以提取到所述瓦楞纸板表面状态的一些基础和局部的表面浅层特征信息,但是在处理复杂场景或者较为单一目标时,可能会出现一些不准确、不完整或过于简单的特征表达。因此,在本公开的技术方案中,通过使用所述深层特征提取器,可以获取更加具有瓦楞纸板表面状态代表性的深层特征和语义特征信息,有助于提高对于瓦楞纸板质量检测的准确率和鲁棒性。同时,所述深层特征提取器还可以通过大量的训练数据进行调整,在保证特征的有效性的前提下,进一步优化网络参数和模型结构,从而获得更好的泛化能力和可扩展性。
继而,再融合所述表面状态浅层特征图和所述表面状态深层特征图以得到表面状态多尺度特征图,从而得到关于所述瓦楞纸板表面状态的多尺度深浅融合特征的表面状态多尺度特征图,有利于提高后续对于瓦楞纸板的缺陷检测的精准度。
然后,还考虑到由于卷积是典型的局部操作,其只能提取图像局部特征,而无法关注全局,会影响到对于瓦楞纸板质量检测的精度。而对于所述表面状态监控图像来说,所述表面状态监控图像中的各个局部区域中有关于瓦楞纸板的表面状态特征之间并非是孤立存在的,所述表面状态监控图像中的各个局部区域特征分布间的关联性产生前景目标。因此,在本公开的技术方案中,为了更精准地对于瓦楞纸板的表面缺陷进行检测判断,使用非局部神经网络模型来进一步进行图像的特征提取。也就是,将所述表面状态多尺度特征图通过基于非局部神经网络模型的特征感受野扩增器,以通过所述非局部神经网络模型来扩展特征感受野,从而得到全局表面状态多尺度特征图。特别地,这里,所述非局部神经网络模型通过计算所述表面状态监控图像的各个局部区域中有关于瓦楞纸板的表面状态特征间的相似度捕获隐藏的依赖信息,进而建模上下文特征,使网络关注所述表面状态监控图像的各个局部区域特征间的全局整体内容,进而在分类、检测任务中提升主干网络特征提取能力。
相应地,如图4所示,对所述表面状态监控图像进行图像特征分析以得到表面状态特征,包括:S1521,对所述表面状态监控图像进行多尺度特征提取以得到表面状态多尺度特征图;以及,S1522,对所述表面状态多尺度特征图进行感受野扩增以得到全局表面状态多尺度特征图作为所述表面状态特征。
更具体地,在步骤S1521中,如图5所示,对所述表面状态监控图像进行多尺度特征提取以得到表面状态多尺度特征图,包括:S15211,基于第一深度神经网络模型的浅层特征提取器对所述表面状态监控图像进行特征提取以得到表面状态浅层特征图;S15212,将所述表面状态浅层特征图通过空间金字塔池化模块以得到多尺度表面状态浅层特征图;S15213,基于第二深度神经网络模型的深层特征提取器对所述表面状态浅层特征图进行特征提取以得到表面状态深层特征图;以及,S15214,融合所述表面状态浅层特征图和所述表面状态深层特征图以得到所述表面状态多尺度特征图。
更具体地,在步骤S15211和步骤S15213中,所述第一深度神经网络模型和所述第二深度神经网络模型分别为第一卷积神经网络模型和第二卷积神经网络模型。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,主要用于处理具有网格结构的数据,例如图像和视频,它通过卷积层、池化层和全连接层等组件来提取输入数据的特征,并用于分类、检测、分割等任务。在步骤S15211和步骤S15213中,第一卷积神经网络模型和第二卷积神经网络模型分别用于表面状态监控图像的特征提取。这些模型通过学习图像中的局部特征、纹理和形状等信息,能够自动提取图像的有用特征。具体而言:第一卷积神经网络模型(第一深度神经网络模型)是一个浅层特征提取器,用于从表面状态监控图像中提取浅层特征,这些特征可能包括边缘、颜色、纹理等低级特征。第二卷积神经网络模型(第二深度神经网络模型)是一个深层特征提取器,用于从表面状态浅层特征图中提取更高级的特征,深层特征可以捕捉到更抽象的图像特征,例如物体的形状、结构和语义信息。通过将表面状态浅层特征图和表面状态深层特征图进行融合,可以得到表面状态多尺度特征图。这种多尺度特征图综合了不同层次的特征信息,能够更全面地描述表面状态,提高对表面状态的理解和分析能力。
更具体地,在步骤S15212中,所述空间金字塔池化模块使用四种不同尺度的平均池化窗口,其中,所述四种不同尺度的平均池化窗口的尺度为1×1、2×2、3×3和6×6。值得一提的是,空间金字塔池化模块(Spatial Pyramid Pooling,SPP)是一种用于处理不同尺度输入的池化操作方法,它的主要目的是在不改变输入尺寸的情况下,将不同尺度的特征融合成固定长度的特征向量。传统的池化操作(如最大池化或平均池化)通常会将输入特征图的尺寸缩小,因此对于不同尺度的输入,会导致输出特征的维度不一致,而在一些任务中,如目标检测和图像分类,要求输入特征的维度是固定的。空间金字塔池化模块通过将输入特征图分割成不同尺度的子区域,并对每个子区域进行池化操作,然后将所有尺度的池化结果连接起来,形成一个固定长度的特征向量。这样可以保留输入特征的空间信息,并且对于不同尺度的输入都能够生成相同长度的特征向量。具体来说,空间金字塔池化模块可以分为以下步骤:1.将输入特征图分割成不同尺度的子区域,例如1×1、2×2、3×3和6×6;2.对每个子区域进行池化操作,通常是最大池化或平均池化,得到每个子区域的池化结果;3.将所有尺度的池化结果连接起来,形成一个固定长度的特征向量。通过空间金字塔池化模块,可以有效地处理不同尺度的输入,融合多尺度的特征信息,并且生成固定长度的特征向量,适用于需要固定维度输入的任务,在步骤S15212中,空间金字塔池化模块用于将表面状态浅层特征图转换为多尺度的表面状态浅层特征图。
更具体地,在步骤S1522中,对所述表面状态多尺度特征图进行感受野扩增以得到全局表面状态多尺度特征图作为所述表面状态特征,包括:将所述表面状态多尺度特征图通过基于非局部神经网络模型的特征感受野扩增器以得到所述全局表面状态多尺度特征图。值得一提的是,非局部神经网络模型(Non-local Neural Network)是一种用于建模长距离依赖关系的神经网络模型。传统的卷积神经网络在处理图像时,通常只考虑局部区域的特征关系,而忽略了图像中不同位置之间的全局依赖关系。非局部神经网络模型通过引入非局部操作,能够对整个特征图进行全局的依赖建模。它通过计算不同位置之间的相似性来捕捉全局依赖关系,从而更好地建模长距离的上下文信息。在步骤S1522中,基于非局部神经网络模型的特征感受野扩增器用于对表面状态多尺度特征图进行感受野扩增,以得到全局表面状态多尺度特征图,这意味着通过非局部操作,可以将每个位置的特征与整个特征图中的其他位置进行交互,从而更好地捕捉全局上下文信息。非局部神经网络模型的主要优点是能够处理长距离的依赖关系,对于一些需要全局上下文信息的任务,如图像分割、视频分析和目标检测等,具有较好的效果。通过在步骤S1522中引入非局部神经网络模型,可以增强表面状态多尺度特征图的表达能力,提取更具有全局感知性的表面状态特征。
进一步地,再将所述全局表面状态多尺度特征图通过分类器以得到分类结果,所述分类结果用于表示待检测瓦楞纸板是否存在缺陷。也就是说,利用全局感受野扩增后的有关于瓦楞纸板的表面状态多尺度特征信息来进行分类处理,从而对于待检测瓦楞纸板是否存在缺陷的检测判断,以检测出瓦楞纸板上的缺陷、瑕疵或异物,实现瓦楞纸板生产的自动化质量监测和控制,减少了人工检查的需求,并提高了产品质量。
相应地,如图6所示,基于所述表面状态特征,确定待检测瓦楞纸板是否存在缺陷,包括:S1531,对所述全局表面状态多尺度特征图进行特征分布优化以得到优化全局表面状态多尺度特征图;以及,S1532,将所述优化全局表面状态多尺度特征图通过分类器以得到分类结果,所述分类结果用于表示待检测瓦楞纸板是否存在缺陷。应可以理解,在步骤S1531中,对全局表面状态多尺度特征图进行特征分布优化的目的是进一步提升特征的表达能力和区分度,通过特征分布优化,可以使得同类别的特征更加聚集在一起,不同类别的特征更加分散,从而增强分类器对待检测瓦楞纸板缺陷的判别能力,具体的优化方法可以包括特征映射、特征选择、特征加权等。在步骤S1532中,将优化后的全局表面状态多尺度特征图通过分类器进行分类,得到分类结果,用于表示待检测瓦楞纸板是否存在缺陷,分类器可以是一种机器学习模型,如支持向量机(SVM)、随机森林(Random Forest)或深度神经网络(Deep Neural Network)等,分类器通过学习从特征到缺陷类别的映射关系,能够对待检测瓦楞纸板进行准确的缺陷检测和分类。综合来看,步骤S1531通过特征分布优化提升特征的表达能力和区分度,而步骤S1532则利用分类器对优化后的特征进行分类,得到表示待检测瓦楞纸板是否存在缺陷的分类结果,这两个步骤共同完成了对待检测瓦楞纸板缺陷的判别过程。
特别地,在本公开的技术方案中,将所述表面状态多尺度特征图通过基于非局部神经网络模型的特征感受野扩增器得到所述全局表面状态多尺度特征图时,在所述全局表面状态多尺度特征图表达所述表面状态监控图像的全局图像语义特征的同时,仍然尽可能保留所述表面状态监控图像通过浅层特征提取器和深层特征提取器提取到的多尺度的浅层和深层局部图像语义特征在分类器的类规则下的特征表达,因此,本公开的申请人基于所述表面状态多尺度特征图的多尺度浅层深层融合局部图像语义特征表示来对所述全局表面状态多尺度特征图进行优化。
具体地,对所述表面状态多尺度特征图,例如记为F1,和所述全局表面状态多尺度特征图,例如记为F2进行平滑响应参数化解耦融合,来获得优化后的全局表面状态多尺度特征图,例如记为F2′。
相应地,在一个具体示例中,对所述全局表面状态多尺度特征图进行特征分布优化以得到优化全局表面状态多尺度特征图,包括:以如下融合公式对所述表面状态多尺度特征图和所述全局表面状态多尺度特征图进行平滑响应参数化解耦融合以得到所述优化全局表面状态多尺度特征图;其中,所述融合公式为:
其中,F1和F2分别是所述表面状态多尺度特征图和所述全局表面状态多尺度特征图,cov(F1,F2)表示所述表面状态多尺度特征图和所述全局表面状态多尺度特征图之间的余弦距离,且log为以2为底的对数函数,exp(·)表示特征图的指数运算,所述特征图的指数运算表示以特征图中各个位置特征值为幂的自然指数函数值,表示按位置减法,/>表示按位置加法,⊙表示按位置点乘,F2′是所述优化全局表面状态多尺度特征图。
这里,所述平滑响应参数化解耦融合通过使用平滑参数化函数的解耦原则,基于示所述表面状态多尺度特征图F1和所述全局表面状态多尺度特征图F2之间的余弦距离的非负对称性来编译示所述表面状态多尺度特征图F1和所述全局表面状态多尺度特征图F2的特征之间的逐点嵌入,从而以特征之间的空间变换(transformation)来推断示所述表面状态多尺度特征图F1和所述全局表面状态多尺度特征图F2之间的信息分布转移(informationdistribution shift),从而表达特征之间的平滑响应在类规则下的信息结构化融合,从而提升优化后的全局表面状态多尺度特征图F2′对于所述表面状态多尺度特征图的多尺度浅层深层融合局部图像语义特征的基于分类规则的表达效果,以提升所述优化后的全局表面状态多尺度特征图通过分类器得到的分类结果的准确性。这样,能够对于瓦楞纸板的质量进行自动化检测,从而实现高效准确的瓦楞纸板生产控制,提高了产品质量并降低生产成本。
进一步地,在步骤S1532中,将所述优化全局表面状态多尺度特征图通过分类器以得到分类结果,所述分类结果用于表示待检测瓦楞纸板是否存在缺陷,包括:将所述优化全局表面状态多尺度特征图按照行向量或者列向量展开为优化分类特征向量;使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括待检测瓦楞纸板存在缺陷(第一标签),以及,待检测瓦楞纸板不存在缺陷(第二标签),其中,所述分类器通过软最大值函数来确定所述优化全局表面状态多尺度特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待检测瓦楞纸板是否存在缺陷”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,待检测瓦楞纸板是否存在缺陷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待检测瓦楞纸板是否存在缺陷”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,全连接编码(Fully Connected Encoding)是指将输入数据通过全连接层进行编码的过程,全连接层是神经网络中的一种常见层类型,其中每个神经元与上一层的所有神经元都连接起来,在全连接层中,每个神经元都有一组权重参数,用于对输入进行线性变换和非线性激活。在步骤S1532中,通过全连接编码对优化后的全局表面状态多尺度特征图进行处理,可以进一步提取和编码特征的高级表示。具体步骤如下:1.将优化的全局表面状态多尺度特征图按行向量或列向量展开为优化分类特征向量,展开操作将多维的特征图转换为一维的特征向量,保留了特征之间的空间信息。2.使用分类器的全连接层对优化分类特征向量进行全连接编码,全连接层将每个输入特征与权重参数相乘,并通过激活函数进行非线性变换,这个过程可以将原始特征向量映射到一个高维的特征空间,从而提取更丰富和抽象的特征表示。3.将编码分类特征向量输入分类器的Softmax分类函数,以得到最终的分类结果,Softmax分类函数将编码特征向量映射到一个概率分布上,表示每个类别的概率,通过比较不同类别的概率,可以确定待检测瓦楞纸板是否存在缺陷。全连接编码的作用是将原始特征向量转换为更具有表达能力的高级特征表示,并通过分类器的Softmax函数进行分类决策,这样可以更好地捕捉特征之间的复杂关系,提高分类器对待检测瓦楞纸板缺陷的判别性能。
综上,基于本公开实施例的瓦楞纸板生产控制方法,其可以检测瓦楞纸板上的缺陷、瑕疵或异物,提高瓦楞纸板的产品质量。
图7示出根据本公开的实施例的瓦楞纸板生产线100的框图。如图7所示,根据本公开实施例的瓦楞纸板生产线100,包括:混合搅拌模块110,用于将淀粉、水、核桃粉、沙棘提取物、醋酸丁酸纤维素和聚乙二醇二丙烯酸酯进行混合处理,并搅拌成浆以形成胶粘剂;预处理模块120,用于将瓦楞芯纸在熔融的丁二酸乙二醇聚酯中浸泡预定时间以得到预处理后瓦楞芯纸;加热模块130,用于将所述预处理后瓦楞芯纸进行加热处理以得到瓦楞纸;粘接烘干模块140,用于将所述胶粘剂分别均匀涂覆于面纸和里纸上,并将所述瓦楞纸粘接于所述面纸和所述里纸上,再进行烘干处理以得到瓦楞纸板;以及,质量检测模块150,用于对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷。
这里,本领域技术人员可以理解,上述瓦楞纸板生产线100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的瓦楞纸板生产控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的瓦楞纸板生产线100可以实现在各种无线终端中,例如具有瓦楞纸板生产控制算法的服务器等。在一种可能的实现方式中,根据本公开实施例的瓦楞纸板生产线100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该瓦楞纸板生产线100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该瓦楞纸板生产线100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该瓦楞纸板生产线100与该无线终端也可以是分立的设备,并且该瓦楞纸板生产线100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图8示出根据本公开的实施例的瓦楞纸板生产控制方法的应用场景图。如图8所示,在该应用场景中,首先,获取待检测瓦楞纸板的表面状态监控图像(例如,图8中所示意的D),然后,将所述表面状态监控图像输入至部署有瓦楞纸板生产控制算法的服务器中(例如,图8中所示意的S),其中,所述服务器能够使用所述瓦楞纸板生产控制算法对所述表面状态监控图像进行处理以得到用于表示待检测瓦楞纸板是否存在缺陷的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种瓦楞纸板生产控制方法,其特征在于,包括:
将淀粉、水、核桃粉、沙棘提取物、醋酸丁酸纤维素和聚乙二醇二丙烯酸酯进行混合处理,并搅拌成浆以形成胶粘剂;
将瓦楞芯纸在熔融的丁二酸乙二醇聚酯中浸泡预定时间以得到预处理后瓦楞芯纸;
将所述预处理后瓦楞芯纸进行加热处理以得到瓦楞纸;
将所述胶粘剂分别均匀涂覆于面纸和里纸上,并将所述瓦楞纸粘接于所述面纸和所述里纸上,再进行烘干处理以得到瓦楞纸板;以及
对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷。
2.根据权利要求1所述的瓦楞纸板生产控制方法,其特征在于,对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷,包括:
获取待检测瓦楞纸板的表面状态监控图像;
对所述表面状态监控图像进行图像特征分析以得到表面状态特征;以及
基于所述表面状态特征,确定待检测瓦楞纸板是否存在缺陷。
3.根据权利要求2所述的瓦楞纸板生产控制方法,其特征在于,对所述表面状态监控图像进行图像特征分析以得到表面状态特征,包括:
对所述表面状态监控图像进行多尺度特征提取以得到表面状态多尺度特征图;以及
对所述表面状态多尺度特征图进行感受野扩增以得到全局表面状态多尺度特征图作为所述表面状态特征。
4.根据权利要求3所述的瓦楞纸板生产控制方法,其特征在于,对所述表面状态监控图像进行多尺度特征提取以得到表面状态多尺度特征图,包括:
基于第一深度神经网络模型的浅层特征提取器对所述表面状态监控图像进行特征提取以得到表面状态浅层特征图;
将所述表面状态浅层特征图通过空间金字塔池化模块以得到多尺度表面状态浅层特征图;
基于第二深度神经网络模型的深层特征提取器对所述表面状态浅层特征图进行特征提取以得到表面状态深层特征图;以及
融合所述表面状态浅层特征图和所述表面状态深层特征图以得到所述表面状态多尺度特征图。
5.根据权利要求4所述的瓦楞纸板生产控制方法,其特征在于,所述第一深度神经网络模型和所述第二深度神经网络模型分别为第一卷积神经网络模型和第二卷积神经网络模型。
6.根据权利要求5所述的瓦楞纸板生产控制方法,其特征在于,所述空间金字塔池化模块使用四种不同尺度的平均池化窗口,其中,所述四种不同尺度的平均池化窗口的尺度为1×1、2×2、3×3和6×6。
7.根据权利要求6所述的瓦楞纸板生产控制方法,其特征在于,对所述表面状态多尺度特征图进行感受野扩增以得到全局表面状态多尺度特征图作为所述表面状态特征,包括:
将所述表面状态多尺度特征图通过基于非局部神经网络模型的特征感受野扩增器以得到所述全局表面状态多尺度特征图。
8.根据权利要求7所述的瓦楞纸板生产控制方法,其特征在于,基于所述表面状态特征,确定待检测瓦楞纸板是否存在缺陷,包括:
对所述全局表面状态多尺度特征图进行特征分布优化以得到优化全局表面状态多尺度特征图;以及
将所述优化全局表面状态多尺度特征图通过分类器以得到分类结果,所述分类结果用于表示待检测瓦楞纸板是否存在缺陷。
9.根据权利要求8所述的瓦楞纸板生产控制方法,其特征在于,对所述全局表面状态多尺度特征图进行特征分布优化以得到优化全局表面状态多尺度特征图,包括:
以如下融合公式对所述表面状态多尺度特征图和所述全局表面状态多尺度特征图进行平滑响应参数化解耦融合以得到所述优化全局表面状态多尺度特征图;
其中,所述融合公式为:
其中,F1和F2分别是所述表面状态多尺度特征图和所述全局表面状态多尺度特征图,cov(F1,F2)表示所述表面状态多尺度特征图和所述全局表面状态多尺度特征图之间的余弦距离,且log为以2为底的对数函数,exp(·)表示特征图的指数运算,所述特征图的指数运算表示以特征图中各个位置特征值为幂的自然指数函数值,表示按位置减法,/>表示按位置加法,⊙表示按位置点乘,F2′是所述优化全局表面状态多尺度特征图。
10.一种瓦楞纸板生产线,其特征在于,包括:
混合搅拌模块,用于将淀粉、水、核桃粉、沙棘提取物、醋酸丁酸纤维素和聚乙二醇二丙烯酸酯进行混合处理,并搅拌成浆以形成胶粘剂;
预处理模块,用于将瓦楞芯纸在熔融的丁二酸乙二醇聚酯中浸泡预定时间以得到预处理后瓦楞芯纸;
加热模块,用于将所述预处理后瓦楞芯纸进行加热处理以得到瓦楞纸;
粘接烘干模块,用于将所述胶粘剂分别均匀涂覆于面纸和里纸上,并将所述瓦楞纸粘接于所述面纸和所述里纸上,再进行烘干处理以得到瓦楞纸板;以及
质量检测模块,用于对所述瓦楞纸板进行质量检测以判断所述瓦楞纸板是否存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131247.2A CN117103790A (zh) | 2023-09-04 | 2023-09-04 | 瓦楞纸板生产线及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131247.2A CN117103790A (zh) | 2023-09-04 | 2023-09-04 | 瓦楞纸板生产线及其控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117103790A true CN117103790A (zh) | 2023-11-24 |
Family
ID=88807367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311131247.2A Pending CN117103790A (zh) | 2023-09-04 | 2023-09-04 | 瓦楞纸板生产线及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117103790A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475356A (zh) * | 2023-12-25 | 2024-01-30 | 华南理工大学 | 一种瓦楞纸箱制备隐形双重防伪标签的控制方法及系统 |
CN117409005B (zh) * | 2023-12-14 | 2024-05-24 | 深圳市鹏诚通电子有限公司 | 基于图像的收板机用不良品检测系统及方法 |
-
2023
- 2023-09-04 CN CN202311131247.2A patent/CN117103790A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409005B (zh) * | 2023-12-14 | 2024-05-24 | 深圳市鹏诚通电子有限公司 | 基于图像的收板机用不良品检测系统及方法 |
CN117475356A (zh) * | 2023-12-25 | 2024-01-30 | 华南理工大学 | 一种瓦楞纸箱制备隐形双重防伪标签的控制方法及系统 |
CN117475356B (zh) * | 2023-12-25 | 2024-03-29 | 华南理工大学 | 一种瓦楞纸箱制备隐形双重防伪标签的控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN117103790A (zh) | 瓦楞纸板生产线及其控制方法 | |
Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
CN112381788B (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
Althubiti et al. | Circuit manufacturing defect detection using VGG16 convolutional neural networks | |
CN111161213B (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
CN116740384B (zh) | 洗地机的智能控制方法及系统 | |
Zhou et al. | Review of vision-based defect detection research and its perspectives for printed circuit board | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
CN113807378A (zh) | 训练数据增量方法、电子装置与计算机可读记录介质 | |
CN114418980A (zh) | 印刷线路板缺陷识别的深度学习方法、系统、设备及介质 | |
Hridoy et al. | A framework for industrial inspection system using deep learning | |
CN117636045A (zh) | 基于图像处理的木材缺陷检测系统 | |
CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
Hu et al. | Computer Vision in Predicting Thermal Diffusivity of Subsurface Rocks | |
Mih et al. | TransferD2: Automated Defect Detection Approach in Smart Manufacturing using Transfer Learning Techniques | |
CN117078604B (zh) | 无人实验室智能管理方法及系统 | |
Vidyabharathi et al. | Enhancing crack detection with convolutional neural networks and oriented non-maximal suppression | |
Kan et al. | Semi-supervised extreme learning machinebased method for moving cast shadow detection | |
CN117726627B (zh) | 芯片表面缺陷检测方法及设备 | |
CN117067112B (zh) | 一种水切割机及其控制方法 | |
KR102494829B1 (ko) | 컨볼루션 신경망을 이용한 건물 손상 평가 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
CN117765335A (zh) | 基于随机卷积增强的yolo锂电池外观检测方法 | |
Li et al. | Analysis and Application of Computer Graphics Processing and Recognition Technology |
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 |