[发明专利]基于机器视觉的蜂窝纸芯缺陷检测方法

说明书

本发明公开了一种基于机器视觉的蜂窝纸芯缺陷检测方法，针对蜂窝纸芯生产过程中产生的各种缺陷问题，通过采集生产现场的蜂窝纸芯图片，采用SSD深度神经网络检测蜂窝纸芯中的缺陷，对其缺陷类别进行判定并输出其具体位置，然后运用机器视觉算法进行快速复检，防止出现误检，最后将所得结果传递给蜂窝纸芯缺陷修补系统，提供正确的反馈信号，以实现对蜂窝纸芯缺陷的自动修补。本发明运用深度学习模型和机器视觉算法对蜂窝纸芯缺陷进行实时检测，可为蜂窝纸芯生产过程自动缺陷修补系统提供反馈信息，具有识别准确、定位精准、且识别速度快的优点，可满足蜂窝纸板生产自动化的要求。

技术领域

本发明涉及图像检测领域，特别是一种基于机器视觉的蜂窝纸芯缺陷检测方法。

背景技术

蜂窝纸是根据自然界蜂巢结构原理制作的，它是把切成条状的堆叠在一起的原纸用胶粘结方法连接成无数个空心立体正六边形，形成一个整体的受力件，并在其两面粘合面纸而成的一种新型夹层结构的环保节能材料。具有很高的机械强度，能经受住搬运过程中的各种碰撞和摔跌，多用于各种精密器件、易碎器件乃至军工器件的包装和运输，有很强的工业实用性。而在蜂窝纸板生产过程中，因为拉伸的不当和各种复杂的工业因素，非常容易产生缺陷，比如大面积的空洞，不规则空洞结构，连续断裂等，这影响着蜂窝纸板承受碰撞的能力，是蜂窝纸板生产过程中不可绕过的问题。现存的生产线上，往往是采用人工检测缺陷并进行修补的方法来填补生产过程中实时产生的缺陷，需要耗费大量的人力资源。另一方面，在长期高负荷工作的情况下，人工检测缺陷容易产生失误，造成质量下降，次品率升高等各种问题。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于机器视觉的蜂窝纸芯缺陷检测方法，实时检测蜂窝纸芯生产线上产生的缺陷，增强系统的鲁棒性能，预防可能出现的误检问题。

为解决上述技术问题，本发明所采用的技术方案是：一种基于机器视觉的蜂窝纸芯缺陷检测方法，包括如下步骤：

1)在蜂窝纸芯工业生产现场调动生产设备产生大量样本，搭建视觉平台对其进行采集，图像采集位置为生产线出口处，为仅采集出口处实时信息而尽量少的摄入历史信息，采集图像设置为长条状(及在宽度上采集与生产线宽度一致的大小，长度上尽量小)。将蜂窝纸芯长条形图像等距分割，所得分割图片大小为[300,300]，对每块图片进行人工辨识，判断其是否存在缺陷(可能一幅图中存在多个缺陷)，筛选出含缺陷的图片，对缺陷位置进行标定，保存下标定框的中心坐标及框体的高度和宽度，并判断该位置缺陷的类别信息，整合上述信息作为图片的真值标记(groundtruth)，构建数据库1作为训练数据库，将上述信息存入其中。同时建立视觉运算样本库以备用，包含无缺陷样本表和典型缺陷样本表，其中缺陷样本也已做好人工标记。

2)对于数据库1中数据进行数据扩充，具体操作包括截取、旋转、调整亮度饱和度等，将新产生的样本存入数据库1中。

3)构建SSD(Single Shot MultiBox Detector)网络，用数据库1中的图片及其对应ground turth(标签和bounding box位置信息)训练模型。选择合适的先验框个数，在SSD基础网络后加入合适的卷积层以产生不同尺度的特征层，并根据缺陷的大体形状在每个尺度上选取多个纵横比的先验框，构成先验框集合。训练时首先进行先验框匹配，设置交并比(IoU)阈值(此处设置为0.5)判断先验框与数据库中图像标定好的ground truth是否匹配，超过该阈值则判断为正例，否则为反例，反例的图片直接被认定为背景，每幅图可得大量正反例样本，但反例数目往往大大超过匹配成功的正例数目(这造成了数据集的不平衡)，故运用困难负样本挖掘(hard negative mining)算法对负样本进行抽样，较低负样本比重。网络的损失函数如下定义：

其中x为输入，c为置信度预测值，l为先验框的对应边界的位置预测值，而g为ground truth的位置参数。其L_conf为分类产生的置信度误差，L_loc为位置误差，两个误差的计算公式如下：