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。

基于改进的RetinaNet医药空瓶表面气泡检测

医药空瓶在生产过程中瓶身表面会产生大量的气泡缺陷,但现有的方法对医药空瓶表面气泡检测存在各种问题,例如对复杂场景变化的鲁棒性不强,抗噪声干扰能力弱等.针对现有医药空瓶表面的气泡缺陷,提出了一种改进的深度学习目标检测算法RetinaNet对瓶身气泡进行检测.对原始RetinaNet算法中的特征金字塔网络结构进行了优化,在特征融合过程中引入了特征增强模块,用来提高网路对图像语义特征的提取,增强网络特征提取能力.为了减少模型的参数数目和计算时间,考虑到空瓶表面气泡均为小目标缺陷,去掉原始特征金字塔网络中用于检测大目标的网络结构,提高了算法检测速度.通过对标准的ResNet50网络进行重新组合,并引进了膨胀卷积模块,扩大特征图感受野,提高了模型检测的精度.通过在注塑空瓶数据集上对本文的方法进行了验证,其准确率为99.72%,漏检率为0.12%,误检率为0.16%,mAP为99.49%,相比原始的RetinaNet的mAP提高了接近2.4%.

基于机器视觉和轻量级卷积网络的安瓿瓶包装质量检测算法

针对人工检测安瓿瓶包装质量时存在的速度慢以及受主观因素影响导致的准确率低等问题,提出一种机器视觉和轻量级卷积神经网络结合的安瓿瓶包装质量检测方法。首先,采用机器视觉中基于阈值分割以及仿射变换的方法对待测图片进行阈值处理、倾斜校正和安瓿瓶区域的裁剪;然后,根据图像特点以及缺陷识别要求设计分类算法的网络结构;最后,采集生产现场图片构建安瓿瓶包装缺陷数据集,之后对提出的安瓿瓶包装缺陷识别网络进行了验证,并测试了部署在Jetson Nano嵌入式平台上的算法的准确率及检测速度。实验结果表明:以每盒五支装的产品为例,所提安瓿瓶包装质量检测算法平均每盒耗时70.1 ms,即可达14盒/秒,而准确率为99.94%,能够实现在Jetson Nano嵌入式平台上的在线高精度安瓿瓶包装质量检测。

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。

基于ResNet网络的医用塑瓶制造缺陷检测方法

本文提出一种基于深度学习的识别方法用于医用塑瓶气泡、积料等生产缺陷的实时检测,设计工业现场的视觉检测硬件平台,细述积料与气泡检测算法的原理,简述算法检测前的图像预处理。在Pytorch框架下通过ResNet系列算法与MobilenetV2算法的正交实验对积料检测实时性能进行比较,同时优化RetinaNet网络在气泡上的检测性能。在生产现场中该方法关于积料的平均检测精度为99.7%,单幅图片检测时间为29.7 ms;气泡的Fβ指数为99.5%,单幅图片检测时间为35.5 ms,达到企业生产的要求。

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。