高速造纸机纸病检测系统(DZ-WIS)的研发与实践

纸病在线检测技术随着纸机车速的提高在不断发展进步,这方面的研究国外比较成熟,国内高速纸机的纸病检测设备基本依靠国外进口。要研制国产高速纸机,与之相配套的纸病检测技术也要加快研制步伐。本文介绍了河南江河纸业研制的应用于高速纸机的DZ-WIS纸病检测系统。     

在线纸病检测技术的新发展及应用

介绍了纸病检测系统的发展历程及其采用的关键检测技术，并对CCD元件的工作原理及数字相机如何避免在线测量扰动的情况进行了分析，还对纸病的成像及自动刹车系统的功能和现代纸病检测系统在各种纸机上的典型应用做了阐述。     

线阵CCD相机在纸板机上的应用

介绍了山东日照森博浆纸有限责任公司#1纸机纸病检测系统及其线阵CCD相机技术在白卡纸纸病在线检测中的应用情况.     

纸病检测系统在卫生纸上的应用

以ABB工业IT纸病检测系统ESI7为例介绍现代纸病检测系统的技术和结构。     

一种基于连通域标记的纸病检测算法

提出了一种基于段的连通域标记处理算法,同时对纸病区域进行连通域标记和形状特征值提取,旨在提高纸病检测的准确率和效率。该算法利用纸病区域为简单连通图像的特点,采用段技术实现了纸病区域的标记处理,探讨了在标记处理同时快速统计与形状特征值计算有关的中间参数的方法,利用标记结果及形状特征值实现了纸病的快速检测。该算法优化了标记处理与形状特征值提取的过程,减少了纸病图像的扫描次数。结果表明,该算法达到了准确、快速的纸病检测效果,且易于扩展到实际的纸病检测系统中。     

一种基于位平面的纸病检测数学形态算法研究

造纸加工工艺的进步带动了纸机加工车速的提升,同时也带来了更加复杂的纸病处理问题。基于位平面理论,构建了一种新的纸病检测数学形态算法,旨在为现代造纸加工行业中的纸病检测工艺提供一种抗干扰能力强、定位准确以及运算较为简单的数学形态算法。首先对位平面技术的理念和运行策略进行分析;其次对基于位平面的纸病检测算法进行论述,从自适应中值滤波、获取图像的增强位平面、用数学形态学算法进行边缘检测等角度进行了详细研究;最后对该种类的纸病检测数学形态算法进行方针结果分析,认为该种算法能够在运算简单的基础上,更好地检测出纸病缺陷提供优良的纸病检测抗干扰性的定位精准性算法。     

基于FPGA和CCD相机的纸病检测系统的设计与实现

针对高速纸机纸病检测时,图像数据处理量大和实时性的要求,文中采用FPGA(Field Programmable Gate Array)和线阵CCD(Charge-coupled Device)相机技术,介绍了一种高速纸病检测系统的设计。利用FPGA并行性和高速运算能力的特点,控制线阵CCD实现高速下图像采集和进行纸病图像预处理,抓取出纸病图像并上传到上位机,然后利用灰度阈值分割和二值图像分型盒维数的方法确定纸病类型。结果表明,该设计有效提高了纸病检测速度,降低了成本。     

边缘检测在纸病图像分析中的应用

边缘检测是纸病图像处理的重要方法,也是各类纸病识别的前提。选取孔洞、脏点和褶皱三种有代表性的纸病为研究对象,通过C++编程探究了Roberts算子、Sobel算子和Prewitt算子在纸病图像检测中的效果。通过研究发现,Prewitt算子可以很好地检测出同时含有孔洞、脏点和褶皱的纸病图像的边缘,并且识别率在93.8%以上。为纸病识别的进一步研究奠定了基础。     

基于人工智能背景下动态识别技术分析在造纸领域中的应用研究

制浆造纸工业中任何对纸张产品质量产生负面影响的表面缺陷都被称之为纸病,随着现代社会生活生产对纸张质量要求的提高,如何更高效、更精准地识别纸病成为制浆造纸工业发展中必须解决的问题。基于人工智能背景下的动态识别技术在造纸领域中的应用进行了分析,在详细分析以动态识别技术为核心的纸病检测流程的基础上,研究、梳理并总结了当前我国制浆造纸流程在动态识别技术上的软硬件系统和检测算法发展流程;分析了当前我国制浆造纸领域针对纸病检测工作中存在的疑难点问题,讨论了基于人工智能背景下动态识别技术在造纸领域中的应用和发展前景。     

基于几何及灰度特征的纸病检测算法研究

针对当前纸病在线检测系统实时性强和信息量大的特点,提出了一种高效、灵活的基于几何及灰度特征的纸病检测算法.首先采用邻域均值法对纸病图像去噪,然后根据灰度直方图选取合适阈值将图像二值化,并运用边界跟踪法检测出纸病边缘,最后提取出纸病的几何及灰度特征并分析其特征量将纸病分类.按照该算法依次对常见5种纸病进行检测,结果表明,基于几何及灰度特征的纸病检测算法能够准确地检测并分类常见纸病.     

基于机器学习的布匹瑕疵识别研究

纺织工业是我国制造业出口的重要组成部分。布匹的质量控制在纺织工业中尤为重要,而布匹瑕疵是影响布匹质量控制的重要因素之一。在中小企业中,布匹瑕疵识别主要依靠人工流水线作业,存在着人工成本高、人眼识别准确度低等问题。因此,一个有效的布匹瑕疵检验系统是十分必要的,布匹瑕疵分类算法是保证疵点判决效率的核心。基于布匹生产企业存在的问题,有针对性地研究了机器学习与计算机视觉的布匹瑕疵识别算法的基本原理,介绍了各类布匹瑕疵识别中的检测与分类算法,将最近发展迅速的机器学习的理论研究引入布匹瑕疵识别中,对涉及机器学习的模式识别算法进行了介绍。     

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出：随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。     

基于支持向量机的白酒上甑探汽方法研究

针对白酒"探汽上甑"工艺在实现自动化过程中出现的探汽准确率低的问题,提出了一种基于支持向量机的探汽方法。使用红外热成像仪采集甑桶内酒醅表面的红外灰度图像并进行直方图处理,再提取多个特征,结合工程经验添加标签构成训练集,通过支持向量机训练得到上甑过程中的探汽模型。通过测试,该方法的探汽准确率高达96%,能满足白酒生产工艺要求。     

基于二维小波变换的织物色柳疵点检测

色柳是染整过程中形成的常见疵病,在纺织品的疵点自动检测识别中,疵点信息的检测最为关键。文章提出了色柳疵点的检测方法,利用图像的色彩模型提取不同的颜色值,并通过小波变换的多分辨率技术进行疵点的提取。实验表明该方法是可行的。     

印品质量检测综述

印品质量检测在印刷中占有十分重要的地位,并伴随着人们对印刷要求的发展而发展。对印品质量检测的发展历程、发展现状及印品质量的检测过程进行了综述,详细介绍了传统的印品检测方法和基于图像处理的印品质量检测方法。并对基于图像处理的印品质量检测过程中的图像噪声处理、图像匹配、图像的缺陷检测以及套印的检测等相关算法进行了描述和对比,指出,印品质量的在线检测已成为目前研究的热点,然而,要实现快速在线印品质量检测还需要对检测过程中的算法进行改进,可借助模式识别方法对检测出的印品质量缺陷进行分类。     

基于机器视觉的食品外包装缺陷检测算法研究进展

食品包装在生产过程中由于各种因素会导致缺陷产生,包装缺陷种类多,背景复杂。通过视觉成像和计算机信息处理完成包装的识别、检测和测量等任务的机器视觉检测,相比传统的人工检测,具有执行速度快、精度高等特点,可显著提高生产自动化程度。文章根据食品外包装常见缺陷,从缺陷检测算法的角度介绍传统机器视觉检测算法和深度学习相关算法在食品外包装缺陷检测中的研究应用,并对检测算法在食品外包装缺陷检测中的应用前景,以及存在的问题进行分析与展望。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

基于机器视觉的预包装食品检测

基于机器视觉设计了一种缺陷检测系统,该图像处理采用基于偏微分方程的去噪模型实现了图像去噪;利用双阈值分割方法实现了缺陷区域的分割;并采用BP神经网络根据周长、面积和圆形度实现了缺陷分类。结果表明:试验系统的整体漏检率为0.17%,检测精度比较高;每个包装的检测耗时大约为70ms,检测效率比较高;该系统能很好地满足食品包装实时、快速、准确、稳定的检测要求。     

基于Blob分析的红枣表面缺陷在线检测技术

搭建一个基于机器视觉的红枣表面缺陷在线检测平台,实现红枣全表面信息的自动化在线实时测量。根据红枣及其表面缺陷的特征,提出在颜色空间模型中采用Blob分析算法进行红枣与背景的分离以及红枣表面缺陷的识别,给出不同缺陷特征种类的颜色空间模型和分割阈值,快速准确地实现破头果、霉变果、浆头果、虫蛀果等典型红枣表面缺陷的识别。试验结果表明,该方法检测结果稳健可靠,缺陷果识别的准确率可达到90%以上。