基于PLC的小盒外观检测相机镜头除尘设计

包装机小盒外观视觉检测多采用高速、高清的彩色CCD相机,利用图像处理器把拍摄照片所有特征提取出来,逐个进行比对分析,从而找出烟包缺陷部分。应用于FOCKS-350S包装机的ZNO系列小盒外观检测相较于其他机型,在401拐角处增加了烟包正面检测。由于相机镜头向上拍摄的缘故,在实际生产中相机镜头经常被掉落的烟末和灰尘遮挡。使得图像处理器对相机拍摄的烟包表面图片识别错误造成误检。针对以上问题在相机镜头前端增加正压吹风装置来解决相机落尘误检问题。通过PLC中的时钟功能,完成正压吹风除尘的启停切换。经验证,安装吹风除尘装置后,小盒外观检测误剔率减少了86%左右,大大降低了卷烟包装材料的消耗,提高了小盒外观检测剔除的准确率,进而减少了生产过程中小盒外观的质量隐患。

基于SqueezeNet的卷烟小盒外观检测算法在低成本硬件上的实现

文章设计一种基于SqueezeNet卷积神经网络,实现对小包外观检测。SqueezeNet卷积神经网络所使用数据集采集自昆明卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集。将数据集随机生成90%的训练集与10%的验证集,对训练集进行数据增强及均值减法的预处理之后,送入卷积神经网络进行特征提取与分类。在MATLAB平台上进行学习与测试,使用数据集,小包外观识别准确率可达99.66%,效果较好。之后,使用树莓派作为算法实现硬件,将经过验证的SqueezeNet算法部署到树莓派中。经过验证,算法运行正常。

基于卷积神经网络的卷烟小盒外观检测研究

文章基于卷积神经网络(CNN),模拟人脑对图像的识别过程,实现了对卷烟小包外观检测。卷积神经网络所使用数据集采集自某卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集。将数据集随机生成90%的训练集与10%的验证集,将训练集送入卷积神经网络进行特征提取与分类。经过网络学习与测试,使用新的数据集,小包外观识别准确率可达99.15%,效果较好。