[发明专利]一种基于深度学习的聚乙烯颗粒缺陷检测识别系统及方法

权利要求书

1.一种基于深度学习的聚乙烯颗粒缺陷检测识别系统，其特征在于，包括：

控制单元；

给料单元，用于使聚乙烯颗粒呈瀑布状落下；

识别单元，包括若干多模态相机，以及与各所述多模态相机连接的AI处理器；各所述多模态相机位于所述聚乙烯颗粒下落路径的一侧上，用于拍摄各所述聚乙烯颗粒的图像并发送至所述AI处理器，所述AI处理器与所述控制单元连接，所述AI处理器用于识别存在缺陷的聚乙烯颗粒并将其发送至所述控制单元；

筛选单元，相对于设有所述多模态相机的一侧，所述筛选单元包括设于所述聚乙烯颗粒下落路径另一相对侧上的若干空气喷嘴，各所述空气喷嘴呈矩形阵列排布，各所述空气喷嘴用于承接所述控制单元控制而开启或关闭，以将存在缺陷的所述聚乙烯颗粒吹离；

收集组件，包括正常颗粒收集单元和缺陷颗粒收集单元，分别用于供正常的所述聚乙烯颗粒和异常的聚乙烯颗粒落入。

2.根据权利要求1所述的基于深度学习的聚乙烯颗粒缺陷检测识别系统，其特征在于：所述筛选单元还包括空气压缩机，所述空气压缩机的输出端与各所述空气喷嘴的输入端连接。

3.根据权利要求1所述的基于深度学习的聚乙烯颗粒缺陷检测识别系统，其特征在于：所述给料单元包括上下平行布置的两条传送带，两条所述传送带之间设有用于供所述聚乙烯颗粒通过的间隙；且沿所述传送带的长度方向，各所述传送带的表面上间隔的设有可供所述聚乙烯颗粒卡入的卡槽。

4.一种基于深度学习的聚乙烯颗粒缺陷检测识别方法，其特征在于，包括以下步骤：

使聚乙烯颗粒呈瀑布状落下；

由若干多模态相机连续拍摄下降中聚乙烯颗粒的图像并发送至AI处理器；

由AI处理器对各聚乙烯颗粒分别进行识别并追踪，并在识别单个聚乙烯颗粒异常的次数大于等于预设的次数阈值时，判断该聚乙烯颗粒为异常颗粒；

由控制单元控制相应的空气喷嘴开启，将异常的聚乙烯颗粒吹离。

5.根据权利要求4所述的基于深度学习的聚乙烯颗粒缺陷检测识别方法，其特征在于，识别单个聚乙烯颗粒异常的步骤包括：统计全部聚乙烯颗粒的HSV色的颜色直方图，比较单个聚乙烯颗粒的HSV色的颜色直方图与全部聚乙烯颗粒的HSV色的颜色直方图，在单个聚乙烯颗粒的HSV色的颜色直方图与全部HSV色的颜色直方图的偏离值大于预设的偏离阈值时，判断该单个聚乙烯颗粒为异常颗粒。

6.根据权利要求4所述的基于深度学习的聚乙烯颗粒缺陷检测识别方法，其特征在于，识别单个聚乙烯颗粒异常的步骤还包括：

建立孪生神经网络模型，建立聚乙烯颗粒缺陷识别的模型M；

构建训练数据集；收集孪生神经网络的训练数据集；

训练孪生神经网络模型M；使用收集的训练数据集训练孪生神经网络模型M；

缺陷识别，使用训练后的孪生神经网络模型M对下降中的聚乙烯颗粒进行缺陷识别。

7.根据权利要求4所述的基于深度学习的聚乙烯颗粒缺陷检测识别方法，其特征在于，识别单个聚乙烯颗粒异常的步骤包括：建立基于小样本和弱监督优化技术开发聚乙烯颗粒检测网络；通过多尺度特征融合和细粒度锚点框设计优化检测网络对小体积物体的定位和识别，实现单阶段聚乙烯颗粒检测网络。

8.根据权利要求7所述的基于深度学习的聚乙烯颗粒缺陷检测识别方法，其特征在于，还包括以下步骤：建立样本库；基于生成对抗网络的数据生成方法，实现样本数据规模扩大。

9.根据权利要求8所述的基于深度学习的聚乙烯颗粒缺陷检测识别方法，其特征在于，还包括以下步骤：基于预测梯度和注意力机制的元学习方法辅助网络学习；提高网络对颗粒物及颗粒物局部特征的识别能力。

10.根据权利要求9所述的基于深度学习的聚乙烯颗粒缺陷检测识别方法，其特征在于，还包括以下步骤：通过知识蒸馏和基于hint-learning精简检测网络的主干网络；分步优化网络，使用弱监督技术结合己训练网络、标记数据和未标记数据进行网络的迭代优化，提升网络对聚乙烯颗粒的识别精度。