基于机器视觉的分切刀具豁口检测

新能源电池极片毛刺是导致电池短路爆炸的重要因素之一,其主要是生产过程中使用带有豁口的刀具进行分切导致,因此本文研究分切刀具豁口的高精度、快速检测算法,用于检测分切刀具豁口。首先,本文依托于一套分切刀具图像采集装置采集分切刀具边缘显微图像;其次,在刀具边缘提取方面,提出了一种改进的Zernike矩亚像素边缘算子,实现亚像素级的边缘提取,有效保留分切刀具刃口边缘特征;最后,在刀具豁口检测方面,提出了一种基于四次Hermite插值的豁口检测算子,通过预推理分切刀具初始边缘,实现分切刀具豁口检测。将本文提出的算法与PreNet检测算法和基于三次样条插值的检测算法进行对比实验,实验结果表明:本文算法实现了亚像素级别分切刀具边缘提取,速度更快,分切刀具豁口检测准确度更高。

卷积神经网络在无纺布缺陷分类检测中的应用

目的针对传统无纺布缺陷分类检测中人工依赖性强、效率低等问题,提出一种能够满足工厂要求的卷积神经网络分类检测方法。方法首先建立包括脏点、褶皱、断裂、缺纱和无缺陷等5种共计7万张无纺布图像样本库,其次构造一个具有不同神经元个数的卷积层和池化层的神经网络,然后采用反向传播算法逐层更新权值,通过梯度下降法最小化损失函数,最后利用Softmax分类器实现无纺布的缺陷分类检测。结果构建了12层的卷积神经网络,通过2万张样本进行测试实验,无缺陷样本准确率可以达到100%,缺陷样本分类准确率均在95%以上,检测时间在35 ms以内。结论该方法能够满足工业生产线中对于无纺布缺陷实时分类检测的要求。