[发明专利]超长编织管内部瑕疵在线检测方法

说明书

本发明公开了超长编织管内部瑕疵在线检测方法，包括如下步骤：S1、训练缺陷识别模型；S2、采集超长编织管的内部图案，将得到的图案输入缺陷识别模型中，获得处理后的二值化管道内部掩码图；S3、缺陷识别模型对二值化管道内部掩码图进行进一步识别，提取图案中的颜色、亮度、面积、位置等信息，与预先学习得到的标准区间值进行比对，当查找到符合区间内设定的特征出现时，判定出现缺陷，本发明实现了对长距离编织软管的内部品质的实时监测，避免了通过人工肉眼识别管道内部缺陷的现象，节省人力，降低成本，通过深度学习结合机器视觉的方式，缺陷识别成功率高，能够及时发现管道内部缺陷，提升产品合格率。

技术领域

本发明涉及编织管生产技术技术领域，具体为超长编织管内部瑕疵在线检测方法。

背景技术

目前的超长编织软管一般都是连续生产，在生产过程中，编织软管内部可能会出现瑕疵，若无法及时发现，就会影响产品后续的品质，因此对编织软管内部进行检测就变得十分重要，但目前所有在超长编织软管的监测品质的方案中，基本都是对带坯的外观做表面的检测，对于其内部的检测一直没有很好的方式，特别是超长距离的编织软管就更难检测内部的瑕疵，只能通过在生产过程中的人员依靠肉眼观察，浪费了大量的人力，而且人的精力有限且存在视觉疲劳，故影响产品的整体的合格率。

发明内容

本发明的目的在于提供超长编织管内部瑕疵在线检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：超长编织管内部瑕疵在线检测方法，包括如下步骤：

S1、训练缺陷识别模型；

S2、采集超长编织管的内部图案，将得到的图案输入缺陷识别模型中，获得处理后的二值化管道内部掩码图；

S3、缺陷识别模型对二值化管道内部掩码图进行进一步识别，提取图案中的颜色、亮度、面积、位置等信息，与预先学习得到的标准区间值进行比对，当查找到符合区间内设定的特征出现时，判定出现缺陷；

S4、通过现场I/O总线，将所有采集到的现场数字量讯息与模拟量讯息传输给PLC控制器，通过PLC控制器对采集到的信号进行初步识别处理，再发送给现场PC，现场PC对现场的信号作出数据整合，在接收到全卷积神经网络发出的缺陷信号时，通过警示模块发出警告，使生产线停机；

S5、所述现场PC的数量根据现场车间的数量一一设置，所述现场PC将整合的数据信息实时传输给中控PC，中控PC对所有的现场PC进行实时监控，以监控现场所有车间的设备状态。

所述步骤S1具体包括如下步骤：

a、利用预先采集的若干张编织管内部样本图案，对其中的各类缺陷进行标注；

b、将标注后的样本图案输入全卷积神经网络，对全卷积神经网络进行训练，全卷积神经网络获取图案中的颜色、亮度、面积、位置等信息，并针对这些信息的标准值进行区间设定，直至损失函数值不再减小时停止训练，获得训练好的缺陷识别模型。

所述步骤S2中的采集超长编织管的内部图案具体包括如下步骤：

A、利用图像采集模块，检测编织软管顶端的一个圆环区域，随着编织软管的编织过程进行，编织软管会逐渐增长，因此圆环区域相对于编织软管会不断移动，从而在不移动图像采集模块的情况下采集到编织软管内部的全部位置信息；

B、对采集到的图案进行预处理。

所述步骤B中的预处理包括裁切、旋转、拉伸、平移、色彩空间调整、对比度调整中的一种或多种。

所述步骤S1还包括存储模块、构建模块、测试模块和诊断模块，所述存储模块用于存储输入的样本图案和测试图案，所述构建模块用于构建全卷积神经网络模型，并对全卷积神经网络模型进行迭代训练，所述测试模块用于对构建的全卷积神经网络模型进行测试。