基于深度学习的塑料药瓶缺陷检测解决方案

发布时间: 2020-09-03 13:52:51   行业解决方案   作者:猎维科技

导读: 塑料制品是工业中常见的产品,在人们的生产生活中占据着重要的位置。在制作塑料产品的时候都是采用注塑工艺制造。然而,由于原材料质量差,机械设备不稳定以及人工操作水平不足等原因,塑料制品在注塑成型过程中易于出现产品质量缺陷。

塑料制品是工业中常见的产品,在人们的生产生活中占据着重要的位置。在制作塑料产品的时候都是采用注塑工艺制造。

药瓶缺陷质量检测

然而,由于原材料质量差,机械设备不稳定以及人工操作水平不足等原因,塑料制品在注塑成型过程中易于出现产品质量缺陷。常见的注塑成型缺陷包括填充不充分、气泡、裂缝、翘曲和尺寸变化。

传统的人工视觉缺陷检测方法费时费力,而且会因效率检测提供了可能,深度卷积神经网络作为深度学习中最经典,运用场景最广泛的结构之一,在过去的时间里成功应用于图像检测和分类等领域。也为工业缺陷检测提供了一种可行的方法。

采用300万像素的工业相机采集药法提取特品塑料瓶的图像样本,并进行预处理。因为塑料瓶通常具有样色特性,所以采用HSV色彩空间转换,从而在样本图像上提取颜色特征,利用Otsu阈值分割征部分,利于神经网络训练,降低网络训练难度并且提高速度。

塑料药瓶缺陷检测流程

对样本进行标注。采用人工的方式对药瓶是否存在缺陷进行标注。考虑到人工标注耗费较高的时间成本和人力成本,所以建议采用精灵标注助手提供的工业质检智能标注系统,只需重点标注数据集约30%的关键图片,即可一键标注剩余的图片,轻松获得效果优质的物体检测模型。该系统可以跨平台,多语言,兼容性不同的操作系统上使用。

图像数据增强

图像的集合变换操作(裁剪、选择、镜像、缩放等)往往可以用作图像数据增强,达到帮助模型获取更好的泛化能力的目的。由于塑料药瓶图像是近似固定大小圆形的特点,所以可以考虑采用图像随机旋转作为图像增强的手段来实现图像样本数量的倍增。

图像数据增强示例

首先我们们要对原始图像进行预处理并提取特征部分,然后通过数据增强的方法来增加图像样本数量,然后通过下采样的方式得到图像金字塔,经过这整个过程我们可以得到一个数量更加多的样本集,能够使得样本更加接近正态分布。

检测方法

对塑料药瓶缺陷的检测主要使用“卷积神经网络”卷积神经网络(ConvolutionalNeural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks),是深度学习(deep learning)的代表算法之一 。卷积神经网络结构示意图如下:

卷积神经网络结构示意图

精确性与计算速率

对于神经网络而言,随着网络变大,通道增加,精度会有所上升,但达到一定程度后会饱和;当精度下降时则会突然陷入无法学习的情况。对于模型较高精度和高速率的需求,同时思考大型神经网络往往channel很多,现有的神经网络,如GoogleNet甚至还有很多网络带有旁支;ResNet之后网路层数也加深多层。

Googlenet示意图

基于深度卷积神经网络实现了对塑料药品表面缺陷的自动检测,避免了人工视觉检测的费时费力,降低了人力成本同时大大提升了检测质量提高了生产效率并降低了误检率,有广泛推广的意义。


猎维科技整体解决方案