基于Detection Transformer的反射对称关系物体分类研究

针对印刷包装过程中诸多具有反射对称关系的产品在分拣时主要依赖人工,效率低下且易出错的生产现状,提出使用一种基于Transformer的目标检测(Detection Transformer)算法,以医用外科手套左右手分类为例,使用固定式相机在相同背景下采集充气状态的左右手套图像,构建图像数据集,由于数据的有限性及单一重复性,模型训练时会出现过拟合现象。因此基于Python中imgaug库函数实施了一种数据增强策略,将图片与对应标注文件同时增强,不需要再人工标注,极大减小工作量,构建一个新数据集。两数据集的对比实验结果表明,这种数据增强方法可以缓解模型训练过程中的过拟合现象,提高模型的泛化性能,进而能够提升反射对称关系物体检测分类的准确率与效率。

基于语义分割的纸质包装产品表面缺陷检测

针对工业生产中纸质包装产品表面缺陷检测主要依赖人工,效率低下且检测精度无法保证等实际问题,采用一种基于深度学习中语义分割任务的表面缺陷检测方法。以包装纸盒表面缺陷图像数据为例,根据分割任务需求,从结构上改进Unet算法,并基于OpenMMLab开源计算机视觉算法体系中mmsegmentation语义分割工具箱模块,配置DeepLabV3+、Unet、改进Unet三种图像分割算法环境,分别训练迭代相同次数,对比分析分割检测结果以及对验证集图像的预测效果,可以证实改进Unet算法分割性能得到提升,能更好地检测出纸质包装产品表面的深度划痕缺陷;而DeepLabV3+算法性能相对最优,能更好地检测出纸质包装产品表面的破损缺陷,这对于实现纸质包装产品表面缺陷的自动检测具有一定意义。

基于YOLOv5的医用外科手套左右手识别

针对医用外科手套在生产脱模后左右手套仍需人工进行分拣且效率低下的生产现状,本文提出基于YOLOv5目标检测算法对医用外科手套进行左右手识别的方法。通过摄像头采集不同角度下的手套左右手图像构建数据集,经过YOLOv5的预测训练框架对一份和复制的多份数据集进行训练,对比训练结果得到最佳训练模型。实验结果表明同一数据集复制多份可以提高识别的准确率,其识别准确率达98%,基本满足医用外科手套实际生产过程的左右手识别要求。

基于深度学习的左右手识别

当前,生产的手套脱模后需要人工分拣,劳动强度大、工作效率低。基于人工智能进行自动分拣可以有效改善生产现状,本研究通过开发基于机器视觉和深度学习的自动识别算法和图像采集,提出了一种改进这种情况的自动分拣方法。通过对独立采集的原始数据集与OTSU算法二值化后的数据集的学习精度对比,说明数据增强方法的合理性,识别正确率可达97.89%,这对提高左右手的识别准确率具有重要的作用。该方法有望实现手套生产线的无人分拣。