基于ARM的PET瓶分离控制系统设计

针对PET透明塑料瓶瓶身外表面的印刷、划痕、色差等缺陷不宜被工作人员检测且容易被漏检的问题,设计了一种基于ARM-Cortex-M3内核的用于瓶身表面缺陷检测的控制系统。该系统通过利用PWM的捕获功能、定时器中断、线性队列等控制过程,实现倒瓶检测、检测量控制和缺陷瓶剔除等控制。通过在工厂的运行测试,该控制系统能够实现稳定的控制功能。     

基于改进RetinaNet的医用塑瓶装箱计数算法

为提高医用塑瓶包装生产线上装箱计数的效率、准确率及稳定性,本文提出一种基于深度学习的装箱计数检测算法,实现在线实时计数。首先,构建以ResNet为骨架网络,使用特征金字塔网络产生多尺度特征图并适当删减卷积层的改进RetinaNet网络。然后,使用聚类算法优化Anchor尺寸,使算法能够自适应歪瓶、倒瓶等异常情况下的计数检测,从而降低漏检率并提高定位精度。最后,在实际装箱数据集上对算法进行实验评测,结果表明该算法抗干扰能力强、稳健可靠,在满足生产条件下能够快速、准确地对装箱塑瓶进行计数检测,计数精度可达99.98%以上,单张检测时间为33 ms,满足了生产线实时检测要求。     

基于改进Fast-SCNN的塑瓶气泡缺陷实时分割算法

在医用塑瓶的瓶身气泡检测时，瓶身气泡位置的任意性、气泡大小的不确定性以及气泡特征与瓶身特征之间的相似性增加了气泡缺陷的检测难度。针对上述气泡缺陷检测难点问题，提出了一种基于改进快速分割卷积神经网络(Fast-SCNN)的实时分割算法。该分割算法的基础框架为Fast-SCNN，而为弥补原有网络分割尺寸的鲁棒性不足，借鉴了SENet的通道间信息的利用与多级跳跃连接的思想，具体为网络进一步下采样提取深层特征，在解码阶段将上采样操作融合SELayer模块，同时增加两次与网络浅层的跳跃连接。设计四组对比实验，在气泡数据集上以平均交并比（MIoU）与算法单张分割时间作为评价指标。实验结果表明，改进Fast-SCNN的综合性能最好，其MIoU为97.08%，其预处理后的医用塑瓶的平均检测时间为24.4 ms，其边界分割准确率较Fast-SCNN提升了2.3%，增强了对微小气泡的分割能力，而且该网络的MIoU相较现有的U-Net提升了0.27%，时间上降低了7.5 ms，综合检测性能远超过全卷积神经网络(FCN-8s)。该算法能够有效地对较小的、边缘不清晰的气泡进行分割，满足对气泡缺陷实时分割检测的工程要求。     

基于改进型SSD算法的空瓶表面缺陷检测

注塑空瓶在生产过程中瓶身表面会产生大量缺陷,这些缺陷对产品的外观和使用造成重要的影响。传统的人工检测由于劳动强度高、检测效率低等缺点已不适用,基于机器视觉的传统检测算法对于复杂的场景变化,所提取的特征通常很难用于缺陷分类和识别。因此,提出一种基于SSD算法,对注塑空瓶表面缺陷进行检测。考虑空瓶表面缺陷较小,特征难以提取,为提高检测效果,在SSD网络结构中加入特征融合模块,为预测层提供丰富的语义特征;同时在网络中引入注意力机制,增加网络的特征提取能力,有效地提高网络的检测精度。通过用空瓶表面缺陷数据集对本文的方法进行验证,准确率为98.3%,漏检率为0.74%,误检率为0.96%,mAP为96.5%,相比原始的SSD算法的mAP,本文算法提高了近5.6个百分点。