基于深度学习的易拉罐缺陷检测技术

目的 现有的易拉罐缺陷检测系统在高速生产线中存在错检率和漏检率高,检测精度相对较低等问题,为了提高易拉罐缺陷识别的准确性,使易拉罐生产线实现进一步自动化、智能化,基于深度学习技术和迁移学习技术,提出一种适用于易拉罐制造的在线检测的算法。方法 利用深度卷积网络提取易拉罐缺陷特征,通过优化卷积核,减短易拉罐缺陷检测的时间。针对国内外数据集缺乏食品包装制造的缺陷图像,构建易拉罐缺陷数据集,结合预训练网络,通过调整VGG16提升对易拉罐缺陷的识别准确率。结果 对易拉罐数据集在卷积神经网络、迁移学习和调整后的预训练网络进行了易拉罐缺陷检测的性能对比,验证了基于深度学习的易拉罐缺陷检测技术在学习率为0.0005,训练10个迭代后可达到较好的识别效果,最终二分类缺陷识别率为99.7%,算法耗时119 ms。结论 相较于现有的易拉罐检测算法,文中提出的基于深度学习的易拉罐检测算法的识别性能更优,智能化程度更高。同时,该研究有助于制罐企业利用深度学习等AI技术促进智能化生产,减少人力成本,符合国家制造业产业升级的策略,具有一定的实际意义。     

基于GRNN-PNN神经网络的印铁缺陷分类方法

目的针对在印铁过程中缺陷检测系统存在不同缺陷类型检测精度不高,对于产品整体质量无法实现智能判断的问题,基于GRNN-PNN神经网络,提出一种适用于印铁在线检测的分类算法。方法对平面印刷铁片进行小波变换提取低频信息,在低频信息中进行缺陷定位并对缺陷区域进行标记和分割。通过缺陷面积、周长等评价指数和缺陷形状构建GRNN神经网络,对缺陷进行分类。通过构建PNN神经网络智能化判别整体产品是否属于合格产品。结果 GRNN-PNN平均耗时0.69s,达到了厂方对于缺陷在线检测的响应时间要求。GRNN-PNN多分类的准确率为86%,能够对印铁过程中产生的主要缺陷进行分类。二分类的灵敏度为96%,可以准确地判断产品整体的合格性。在5%的椒盐噪声干扰下,准确率为63%,具有良好的鲁棒性。结论该设计能够对印铁缺陷进行精确的分类和智能的判断,GRNN-PNN神经网络可以在印铁过程中进一步提高检测精度,GRNN-PNN神经网络可帮助质检员及时判断生产质量。