基于深度学习的金刚线光斑点检测

金刚线断线检测是金刚线生产过程中的重要环节。针对现有接触式检测敏感度低、断线反馈滞后等问题,提出了一种基于机器视觉检测强光下金刚线反射的光斑点的非接触式断线检测方法。在金刚线光斑点检测的嵌入式平台上,针对传统图像处理的光斑点检测操作复杂、易受外部光照影响的局限性,研究了基于深度学习的光斑点目标检测,对多种Yolo系列模型进行了训练部署,针对原有模型网络层次较深、模型体积较大,在嵌入式设备中存在检测实时性较差的问题,提出了一种基于Yolox改进的轻量化目标光斑点检测模型MCA-Yolox,利用MobileNetV3轻量化特征提取网络替换Yolox模型的主干特征提取网络,对模型进行轻量化改进,然后利用深度可分离卷积和倒残差结构对加强特征提取网络进行了轻量化改进。结合CA注意力机制提高了轻量化模型的检测精度。最后,将改进后的模型部署于嵌入式平台。实验结果表明,改进后模型MCA-Yolox的大小和运算量减小到Yolox模型的1/3以下,与同样规模的Yolox-Tiny和Yolov4-Tiny相比具有更高的检测精度,模型的mAP提升了1%以上,加速优化后检测速度可达30 frame/s,提供了一种基于深度学习检测金刚线断线的完整工业检测方案。

金刚线断线视觉检测系统研制

金刚线断线检测是金刚线生产过程中的重要环节。针对现有接触式检测方法敏感度低、断线反馈滞后等问题,提出了一种基于机器视觉检测激光下金刚线反射的光斑点的非接触式断线检测方法。设计了一个金刚线光斑点检测的嵌入式平台,并基于图像处理技术对光斑点检测方法进行了研究。首先,对原始图像进行预处理、空间滤波操作和直方图均衡化,滤除了背景中大部分的细小干扰亮斑点,突出了暗背景下的目标斑点,利用改进的局部自适应阈值算法,有效地将目标斑点和背景进行分离,减轻了斑点亮度不均对斑点分割的影响。接着,提出基于RANSAC算法的多约束目标轮廓检测算法,结合斑点的几何形态、分布和线性分布规律,对目标斑点进行轮廓检测,进一步滤除了图像中的干扰斑点,有效地识别出了所有目标光斑点,得到了较理想的光斑点分割与检测的效果。最后在金刚石产线搭建样机实验,在金刚线生产周期中,系统光斑点检测正确率达到了99.9%以上,同时检测系统在断线反馈时间相较于现有系统快90.7%,同时在误报警率上,检测系统优于现有系统。实验结果表明,该检测系统能够准确稳定进行断线检测,为金刚线检测提供了一套良好的参考方案。