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() 一种基于深度学习的全面编织袋缺陷识别方法技术_技高网

一种基于深度学习的全面编织袋缺陷识别方法技术

技术编号:40179566 阅读:19 留言:0更新日期:2024-01-26 23:46
本发明专利技术涉及编织袋缺陷图像检测技术领域,特涉及一种基于深度学习的编织袋全面缺陷识别方法。本发明专利技术包括神经网络模型训练的步骤;编织袋图像缺陷检测与定位的步骤;缺陷样本记录的步骤。本发明专利技术通过采用智能化的图像识别和深度学习神经网络技术,可以大大提高工业生产效率,减少人工操作的时间和成本。

【技术实现步骤摘要】

本专利技术涉及编织袋缺陷图像检测,特涉及一种基于深度学习的编织袋全面缺陷识别方法。


技术介绍

1、随着工业4.0的快速推进,新一轮的工业革命已经拉开帷幕。信息化技术再次成为推动产业变革的重要引擎,而人工智能等新兴技术和理念也在各行业迅速兴起。这一切正在引领中国制造业进入数字化、智能化和自动化的转型阶段,开启了现代化工业的崭新篇章。在这个过程中,如何将人工智能应用于工业生产线成为中国制造业急待解决的核心问题。

2、目前,编织袋在生产过程中,可能会因为各种原因产生缺陷,如破洞、变形、印刷等。这些缺陷可能会导致泄漏,引起安全问题等,且编织袋生产线由于原料的多样性、专用原料成本高以及现有包装设备检测精度等因素的限制,表面缺陷的质量检测主要依赖人工检测的问题。然而,传统的人工检测方式受到一系列条件的限制,例如人力成本不断上升、人工检测效率低下、人工劳动强度大、漏检率无法控制以及一致性差等。这些问题严重制约了质检和生产指标的达标,并且与公司生产线自动化、信息化和智能化发展规划背道而驰。。随着深度学习技术的发展,越来越多的领域开始应用深度学习进行缺陷检测,取得了显著的成果。本专利技术的基于深度学习技术的编织袋缺陷检测系统,不仅能够提高缺陷检测的准确性和效率,而且具有自适应能力强和通用性好的优点,具有重要的实用价值和应用前景


技术实现思路

1、针对现有技术的不足,本专利技术提出了一种基于深度学习的编织袋缺陷识别方法。本专利技术的方法借助信息技术和人工智能算法,旨在实现生产线的智能化质量检测,提高生产线的质量检测效率和准确性,推动生产线向自动化、信息化和智能化发展的目标迈进。本专利技术可以降低人力成本、提高生产效率、减少质量问题和提升客户满意度等。

2、本专利技术的技术方案是:一种基于深度学习的高性能编织袋缺陷识别算法,包含如下步骤:

3、步骤1、首先,利用大量包含缺陷的编织袋图片,分别对应训练各部位的神经网络模型,获得多部位模型权重。然后,根据各个部位的模型权重进行多部位的缺陷检测,进一步得到多部位的缺陷预测结果。最后,通过预测结果与真实缺陷对比,针对特定模型进行数据优化迭代,快速提升模型性能,减少模型误识别与漏识别。此步骤是相对独立的。

4、步骤2、然后,将实际采集到的编织袋图像输入到已训练好的多个神经网络检测模型中进行分析,模型分别针对输入的图像进行编织袋多部位缺陷检测,判断图像中是否存在缺陷以及何种缺陷。

5、步骤3、若检测到编织袋缺陷,通过模型返回的左上角坐标和右下角坐标及类别置信度,从原始图中画出缺陷区域,并标明缺陷类别,另存为缺陷图像,以图像序号命名,便于复核错检率。

6、其中,神经网络模型训练前需要利用工业高清线阵彩色相机,采集大量工业生产线上实时编织袋图像。由于图像中贴条与袋体两部分图像差异化较大,故从中筛选出包含缺陷的袋体和贴条两种图像分别建立数据集;

7、其中,神经网络模型训练前将训练样本进行随机缩放和裁剪,并以水平和垂直方式将样本图像进行随机旋转。其次,以亮度值分别为0.95、1.3和1.5将样本图像进行随机亮度调节,以模拟实际场景中光照、相机安装不正位、袋体偏移、褶皱等因素对图像质量的影响。最后,对于缺陷较少的新品牌袋体,手动在袋体上扩充缺陷特征,以减少因背景不同而导致的缺陷误检和漏检;

8、其中,在模型训练阶段,使用预处理好的图像样本,将它们输入到yolov5网络中进行训练,通过反向传播算法和优化算法,模型将学习如何从输入图像中提取特征,并预测出缺陷的类别和位置。

9、本专利技术的有益效果是:1.解决人工图像检测方式存在效率低问题。2.解决环境因素或人为因素导致的图像检测方式准确率低问题。3.降低编织袋生产线中缺陷检测的人力成本,提升编织袋生产过程的良品率。4.推动编织袋生产线上自动检测项目的发展。5.随着智能化解决方案的实施,编织袋生产线将迎来新的转型,实现更高水平的自动化、信息化和智能化发展。

本文档来自技高网...

【技术保护点】

1.一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:还包括步骤三、缺陷样本记录:若检测到编织袋缺陷,通过模型返回的左上角坐标和右下角坐标及类别置信度,从原始图中画出缺陷区域,并标明缺陷类别。

3.根据权利要求1或2所述的一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:模型训练图像采集的具体方法是:使用彩色相机采集样本图像,将其曝光设为15ms、行频设为2KHz、帧频设为大于30fps,其中贴条图的分辨率为2048×5500、袋体图的分辨率为2048×2000;图像中贴条与袋体两部分图像差异化较大,从中筛选出包含缺陷的袋体和贴条两种图像分别建立数据集。

4.根据权利要求1或2所述的一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:预处理和数据增强操作方法为:对于预处理操作,将训练样本进行随机缩放和裁剪,并以水平和垂直方式将样本图像进行随机旋转;以亮度值分别为0.95、1.3和1.5将样本图像进行随机亮度调节,以模拟实际场景中光照、相机安装不正位、袋体偏移或褶皱因素对图像质量的影响;对于缺陷较少的新品牌袋体,手动在袋体上扩充缺陷特征,以减少因背景不同而导致的缺陷误检和漏检,扩大模型对各种品牌编织袋的检测兼容性;对准备好的训练图像和增强后的图像进行标注,框出缺陷区域并记录缺陷类别。

5.根据权利要求1或2所述的一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:网络模型训练过程中,训练过程设定200个周期的迭代.。

6.根据权利要求1或2所述的一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:步骤一还包括TensorRT加速的子步骤:将PT模型转换为TensorRT格式。

...

【技术特征摘要】

1.一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:还包括步骤三、缺陷样本记录:若检测到编织袋缺陷,通过模型返回的左上角坐标和右下角坐标及类别置信度,从原始图中画出缺陷区域,并标明缺陷类别。

3.根据权利要求1或2所述的一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:模型训练图像采集的具体方法是:使用彩色相机采集样本图像,将其曝光设为15ms、行频设为2khz、帧频设为大于30fps,其中贴条图的分辨率为2048×5500、袋体图的分辨率为2048×2000;图像中贴条与袋体两部分图像差异化较大,从中筛选出包含缺陷的袋体和贴条两种图像分别建立数据集。

4.根据权利要求1或2所述的一种基于深度学习的全面编织袋缺陷识别方法,其特征在于:...

【专利技术属性】
技术研发人员:焦海柯智强柯奕李显星张昌勇
申请(专利权)人:黄石邦柯科技股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1