System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能化检测,尤其涉及一种基于图像的收板机用不良品检测系统及方法。
技术介绍
1、收板机是一种用于将金属板材或塑料板材从模具中取出的设备,通常用于冲压、注塑等工业生产过程中。然而,由于生产过程中的各种因素,收板机可能会收集到不良品,如含有裂纹、划痕、变形、气泡等缺陷的板材,这些不良品如果不及时进行检测和剔除,将会对后续的生产和质量造成影响。
2、然而,传统的不良品检测系统通常需要依靠人工进行目视检查或使用简单的工具进行检测,这种方式需要大量的人力资源,并且对操作员的经验和技能要求较高。同时,人工参与容易受到疲劳、主观判断和视觉疲劳等因素的影响,导致漏检或误检的情况发生。此外,由于人工参与和目视检查的方式,传统的不良品检测系统通常需要花费大量的时间和精力。特别是在大规模生产中,需要对大量的产品进行检测和分类,这将导致生产效率的降低。
3、因此,期望一种基于图像的收板机用不良品检测系统。
技术实现思路
1、本专利技术实施例提供一种基于图像的收板机用不良品检测系统及方法,其利用部署在收板机上的摄像头自动采集产品表面状态图像,并在后端引入基于计算机视觉的图像处理和分析算法来进行该产品表面状态图像的分析,以对收板机输出的产品自动进行表面缺陷检测。这样,可以减少了人工检测的工作量,提高了对收板机输出的不良品检测的准确性和一致性,从而提高了生产线的效率和质量。
2、本专利技术实施例还提供了一种基于图像的收板机用不良品检测系统,其包括:产品状态图像采
3、本专利技术实施例还提供了一种基于图像的收板机用不良品检测方法,其包括:获取由部署于收板机的摄像头采集的待检测产品的产品表面状态图像;通过基于第一深度神经网络模型的产品浅层特征提取器对所述产品表面状态图像进行特征提取以得到产品表观状态浅层特征图;通过基于第二深度神经网络模型的产品深层特征提取器对所述产品表观状态浅层特征图进行特征提取以得到产品表观状态深层特征图;计算所述产品表观状态浅层特征图和所述产品表观状态深层特征图之间的丢失目标信息以得到丢失目标信息掩码特征图;基于所述丢失目标信息掩码特征图,融合所述产品表观状态浅层特征图和所述产品表观状态深层特征图以得到产品表观状态多尺度融合特征图作为产品表观状态多尺度融合特征;基于所述产品表观状态多尺度融合特征,确定所述待检测产品是否为不良品。
本文档来自技高网...【技术保护点】
1.一种基于图像的收板机用不良品检测系统,其特征在于,包括:产品状态图像采集模块,用于获取由部署于收板机的摄像头采集的待检测产品的产品表面状态图像;产品表观状态浅层特征提取模块,用于通过基于第一深度神经网络模型的产品浅层特征提取器对所述产品表面状态图像进行特征提取以得到产品表观状态浅层特征图;产品表观状态深层特征提取模块,用于通过基于第二深度神经网络模型的产品深层特征提取器对所述产品表观状态浅层特征图进行特征提取以得到产品表观状态深层特征图;丢失目标信息计算模块,用于计算所述产品表观状态浅层特征图和所述产品表观状态深层特征图之间的丢失目标信息以得到丢失目标信息掩码特征图;产品表观状态多尺度特征融合模块,用于基于所述丢失目标信息掩码特征图,融合所述产品表观状态浅层特征图和所述产品表观状态深层特征图以得到产品表观状态多尺度融合特征图作为产品表观状态多尺度融合特征;不良品检测模块,用于基于所述产品表观状态多尺度融合特征,确定所述待检测产品是否为不良品。
2.根据权利要求1所述的基于图像的收板机用不良品检测系统,其特征在于,所述第一深度神经网络模型为第一卷积神经网络模型,所述
3.根据权利要求2所述的基于图像的收板机用不良品检测系统,其特征在于,所述丢失目标信息计算模块,用于:以如下损失公式计算所述产品表观状态浅层特征图和所述产品表观状态深层特征图之间的丢失目标信息以得到所述丢失目标信息掩码特征图;其中,所述损失公式为:其中,表示所述产品表观状态浅层特征图,表示所述产品表观状态深层特征图,表示上采样处理,表示卷积处理,表示函数,表示所述丢失目标信息掩码特征图。
4.根据权利要求3所述的基于图像的收板机用不良品检测系统,其特征在于,所述产品表观状态多尺度特征融合模块,用于:基于所述丢失目标信息掩码特征图,以如下融合公式融合所述产品表观状态浅层特征图和所述产品表观状态深层特征图以得到所述产品表观状态多尺度融合特征图;其中,所述融合公式为:其中,表示所述产品表观状态浅层特征图,表示所述丢失目标信息掩码特征图,表示基于注意力的池化处理,表示所述产品表观状态多尺度融合特征图。
5.根据权利要求4所述的基于图像的收板机用不良品检测系统,其特征在于,所述不良品检测模块,包括:产品表观状态特征优化单元,用于对所述产品表观状态多尺度融合特征图进行优化以得到优化后产品表观状态多尺度融合特征图;产品缺陷检测单元,用于将所述优化后产品表观状态多尺度融合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产品是否存在缺陷;不良品判断单元,用于基于所述分类结果,确定所述待检测产品是否为不良品。
6.根据权利要求5所述的基于图像的收板机用不良品检测系统,其特征在于,所述产品缺陷检测单元,包括:矩阵展开子单元,用于将所述优化后产品表观状态多尺度融合特征图按照行向量或列向量展开为分类特征向量;全连接编码子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及分类子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种基于图像的收板机用不良品检测方法,其特征在于,包括:获取由部署于收板机的摄像头采集的待检测产品的产品表面状态图像;通过基于第一深度神经网络模型的产品浅层特征提取器对所述产品表面状态图像进行特征提取以得到产品表观状态浅层特征图;通过基于第二深度神经网络模型的产品深层特征提取器对所述产品表观状态浅层特征图进行特征提取以得到产品表观状态深层特征图;计算所述产品表观状态浅层特征图和所述产品表观状态深层特征图之间的丢失目标信息以得到丢失目标信息掩码特征图;基于所述丢失目标信息掩码特征图,融合所述产品表观状态浅层特征图和所述产品表观状态深层特征图以得到产品表观状态多尺度融合特征图作为产品表观状态多尺度融合特征;基于所述产品表观状态多尺度融合特征,确定所述待检测产品是否为不良品。
8.根据权利要求7所述的基于图像的收板机用不良品检测方法,其特征在于,所述第一深度神经网络模型为第一卷积神经网络模型,所述第二深度神经网络模型为第二卷积神经网络模型。
9.根据权利要求8所述的基于图像的收板机用不良品检测方法,其特征在于,计算所述产品表观状态浅层特征图和所述产品表观状态深层特征图之间的丢失目标信息以得到丢失目标信息掩码特征图,包括:以如下损失公式计算所述产品表观状态浅层特征图和所述产品表观状态深层特征图之间的丢失目标信息以得到所述丢失目标信息掩码特征图;其中,所述损失公式为:其中,表示所述产品表观状态浅层特征图,表示所述产品表观状态深层特征...
【技术特征摘要】
1.一种基于图像的收板机用不良品检测系统,其特征在于,包括:产品状态图像采集模块,用于获取由部署于收板机的摄像头采集的待检测产品的产品表面状态图像;产品表观状态浅层特征提取模块,用于通过基于第一深度神经网络模型的产品浅层特征提取器对所述产品表面状态图像进行特征提取以得到产品表观状态浅层特征图;产品表观状态深层特征提取模块,用于通过基于第二深度神经网络模型的产品深层特征提取器对所述产品表观状态浅层特征图进行特征提取以得到产品表观状态深层特征图;丢失目标信息计算模块,用于计算所述产品表观状态浅层特征图和所述产品表观状态深层特征图之间的丢失目标信息以得到丢失目标信息掩码特征图;产品表观状态多尺度特征融合模块,用于基于所述丢失目标信息掩码特征图,融合所述产品表观状态浅层特征图和所述产品表观状态深层特征图以得到产品表观状态多尺度融合特征图作为产品表观状态多尺度融合特征;不良品检测模块,用于基于所述产品表观状态多尺度融合特征,确定所述待检测产品是否为不良品。
2.根据权利要求1所述的基于图像的收板机用不良品检测系统,其特征在于,所述第一深度神经网络模型为第一卷积神经网络模型,所述第二深度神经网络模型为第二卷积神经网络模型。
3.根据权利要求2所述的基于图像的收板机用不良品检测系统,其特征在于,所述丢失目标信息计算模块,用于:以如下损失公式计算所述产品表观状态浅层特征图和所述产品表观状态深层特征图之间的丢失目标信息以得到所述丢失目标信息掩码特征图;其中,所述损失公式为:其中,表示所述产品表观状态浅层特征图,表示所述产品表观状态深层特征图,表示上采样处理,表示卷积处理,表示函数,表示所述丢失目标信息掩码特征图。
4.根据权利要求3所述的基于图像的收板机用不良品检测系统,其特征在于,所述产品表观状态多尺度特征融合模块,用于:基于所述丢失目标信息掩码特征图,以如下融合公式融合所述产品表观状态浅层特征图和所述产品表观状态深层特征图以得到所述产品表观状态多尺度融合特征图;其中,所述融合公式为:其中,表示所述产品表观状态浅层特征图,表示所述丢失目标信息掩码特征图,表示基于注意力的池化处理,表示所述产品表观状态多尺度融合特征图。
5.根据权利要求4所述的基于图像的收板机用不良品检测系统,其特征在于,所述不良品检测模块,包括:产品表观状态特征优化单元,用于对所述产品表观状态多尺度融合特征图进行优化以得到优化后产品表观状态多尺度融合特征图;产品缺陷检测单元,用于将所述优化后产品表观状态多尺度融合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产品是否存在缺陷;不良品判断单元,用于基于所述分类结果,确定所述待检测产品是否为不良品。
6....
【专利技术属性】
技术研发人员:陈桂林,曾昭颐,
申请(专利权)人:深圳市鹏诚通电子有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。