转盘斜刮式光电自动数粒仪设计

基于粒料在移行中可自动产生间距的转盘斜刮排序原理,设计了转盘斜刮式光电自动数粒仪和千粒重仪。无序的粒料或种粒进入有斜槽和弧槽的槽盘中,在底部转盘带动下实现移行、自动整齐排序和产生粒间距,获得光电计数所需的可靠透光间隙,并通过预置和复检二次计数实施数粒。试验表明:每轮预置计数误差数小于1～2颗,而复检计数与实际粒数的误差率小于0.04%;计数速度可达30～50粒/s;粒料适用范围为0.5～18 mm;未发现供试粒料破损现象;结构简单可靠,无电磁振动噪声等;转盘斜刮式排序原理还可用于开发高精度无粒料损伤的数粒设备。

基于深度神经网络的表面划痕识别方法

为实现亮度不均的复杂纹理背景下表面划痕的鲁棒、精确、实时识别,提出一种基于深度神经网络的表面划痕识别方法。用于表面划痕识别的深度神经网络由风格迁移网络和聚焦卷积神经网络(CNN)构成,其中风格迁移网络针对亮度不均的复杂背景下的表面划痕进行预处理,风格迁移网络包括前馈转换网络和损失网络,首先通过损失网络提取亮度均匀模板的风格特征和检测图像的知觉特征,对前馈转换网络进行离线训练,获取网络最优参数值,最终使风格迁移网络生成亮度均匀且风格一致的图像,然后,利用所提出的基于聚焦结构的聚焦卷积神经网络对生成图像中的划痕特征进行提取并识别。以光照变化的金属表面为例,进行划痕识别实验,实验结果表明:与需要人工设计特征的传统图像处理方法及传统深度卷积神经网络相比,划痕漏报率低至8.54 %,并且收敛速度更快,收敛曲线更加平滑,在不同的深度模型下均可取得较好的检测效果,准确率提升2 %左右。风格迁移网络能够保留完整划痕特征的同时有效解决亮度不均的问题,从而提高划痕识别精度;同时聚焦卷积神经网络能够实现对划痕的鲁棒、精确、实时识别,大幅度降低划痕漏报率和误报率。