CN111693531A - 用于生产线中聚合物产品的缺陷检测的人工智能 - Google Patents

Abstract

本发明公开一种用于检测至少一个物品中的缺陷的方法，所述方法包括以下步骤：经由图像获取模块(104)采集在生产线中的物品的至少一个图像；经由人工智能(106)处理所采集的图像以确定物品中是否有任何缺陷；经由吹扫系统(105)从所述生产线中的形成器排出缺陷物品；和将结果更新到所述人工智能(106)以用于后续检测；其特征在于，所述人工智能(106)使用神经网络通过以下步骤训练其数据集：执行迭代训练过程以根据多个预存储的图像创建至少一个数据分类；和根据数据分类生成权重公式，以评估所采集的图像的数据。

Description

用于生产线中聚合物产品的缺陷检测的人工智能

技术领域

本发明涉及用于缺陷的检测系统及其方法。更具体地，本发明涉及一种用于检测生产线中有缺陷的手套的人工智能系统及其方法。

背景技术

在现代工业中，乳胶手套通常在高速生产线上生产，以满足供应链管理的需求。由于随着时间的推移执行重复任务的人类生物学限制，产品的人工缺陷检测通常会导致不准确。为了解决该问题，已经通过实施诸如视觉、激光或超声波之类的传感器来开发各种自动化系统，以检测产品的缺陷来提高生产率。

多年来，几乎没有与自动缺陷检测系统相关的专利技术。专利文献CN106097312A中公开了基于机器视觉的手套撕开和油污检测方法的一个示例。该方法包括以下步骤：通过采用工业相机拍摄多个手套的多个连续图片；通过利用卡尔曼滤波器对手套进行视觉跟踪；以每个手套的多个角度获取图像信息；提取手套的轮廓，并将轮廓剪成适当的大小；并检测手套的撕开或油渍部分。然而，该方法可能缺乏在手套的高速生产线中的检测缺陷的准确性。

此外，另一专利文献CN205484105U还公开了一种基于机器视觉的PVC手套的实时缺陷检测系统。该系统包括主控计算机、数据处理模块和图像收集器，其中图像收集器将设置在手套生产线的检测站上。所公开的系统通过使用图像采集器和接触传感器的协作实时检测生产线中手套的缺陷。然而，该系统的缺点是该系统仅将常数分析聚焦在图像的一部分上，这可能导致错误的判断。

总而言之，期望开发一种能够克服上述缺点的系统。本发明提供了这样的方法及其系统。

发明内容

本发明的主要目的是为用户提供一种用于检测至少一个物品中的缺陷的方法。

根据本发明的该方面的特征，所述方法包括经由图像获取模块采集在生产线中的物品的至少一个图像的步骤。

根据本发明的该方面的特征，所述方法包括经由人工智能处理所采集的图像以确定物品中是否有任何缺陷的步骤。

根据本发明的该方面的特征，所述方法包括经由吹扫系统从生产线中的形成器排出缺陷物品的步骤。

根据本发明的该方面的特征，所述方法包括将结果更新到人工智能以用于后续检测的步骤。

根据本发明的该方面的特征，人工智能可以使用神经网络来训练其数据集。

根据本发明的该方面的特征，人工智能可以基于所采集的整体图像来预测输出，以在不受环境变化的影响的情况下克服聚焦常数分析。

根据本发明的该方面的特征，可以通过执行迭代训练过程以根据多个预存储的图像创建至少一个数据分类和根据数据分类生成权重公式以评估所采集的图像的数据的步骤来训练数据集。

根据本发明的该方面的特征，预存储的图像可以包括具有大的图像变化范围的、缺陷物品和/或正常物品的图像，以用于所述图像采集模块对整体图像训练并最优化检测性能。

根据本发明的该方面的特征，可以经由空气吹扫从生产线中的形成器排出缺陷物品。

根据本发明的该方面的特征，处理的步骤还包括以下步骤：使用回归方法基于整体图像来预测多个边界框。

根据本发明的该方面的特征，所述方法还包括以下步骤：当在时间间隔内缺陷的检测系统超过预设限制时，通知用户。

根据本发明的该方面的特征，当对图像的预测的置信度满足预设要求时，对缺陷物品的检测触发排出信号。

根据本发明的该方面的特征，图像获取模块还采集高速生产线中的物品的实时视频。

根据本发明的该方面的特征，物品可以由天然聚合物、合成聚合物或其组合制成。

根据本发明的该方面的特征，物品可以包括一次性手套、医用手套、家用手套、乙烯基手套、手术手套、食品处理手套、工业手套、检查手套、牙坝、运动带等。

根据本发明的该方面的特征，缺陷可以包括被卡住的物品、被撕开的物品、形成器敲打、触摸、污垢、手指缺失或其组合。

本领域技术人员将容易理解，本发明非常适合于实现目的并获得所提及的目标和优点以及其中固有的目标和优点。本文描述的实施例不旨在作为对本发明的范围的限制。

附图说明

为了促进对本发明的理解，在附图中示出了优选实施例，当结合以下描述考虑时，从对这些优选实施例的检阅中将容易理解和领会本发明、其构造和操作以及其许多优点。

图1是示出用于缺陷的人工智能检测系统及其方法的图。

图2是示出用于使用人工智能检测缺陷物品的方法的流程图。

具体实施方式

现在将参考附图、通过举例的方式更详细地描述本发明。

贯穿该说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的引用是指结合该实施例或示例描述的具体特征、结构或特点包括在本公开的至少一个实施例中。因此，贯穿该说明书，在各处出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定全部指的是同一实施例或示例。此外，在一个或更多个实施例或示例中，可以以任何合适的组合和/或子组合来组合具体特征、结构或特点。另外，应当理解，随此文提供的附图是出于对本领域技术人员的解释目的，并且附图不一定按比例绘制。

如本文所使用的，术语“人工智能”是指计算设备或计算机控制的机器人基于人类智能过程的仿真来执行任务的能力。这些过程包括获取信息和使用信息的规则、使用规则得出近似或确定的结论以及自我校正。人工智能的示例包括但不限于机器学习，例如神经网络、监督学习、无监督学习和/或强化学习。

如本文所使用的，术语“图像”是指包括离散图像元素的多维数据，例如，用于2-D图像的像素和用于3-D图像的体素。该图像可以例如由遥感系统、电子显微镜、工业相机、CCTV等提供。通常，图像中的物体被识别并且不因改变强度和颜色而改变。例如，采集场景的图像可以包括整体图像的自然特征，例如面部和物体，以在不受神经网络预测输出期间的环境变化的影响的情况下，克服焦点常量分析的问题。相应地，本文描述了能够通过对现有的训练集执行一个或更多个颜色空间变形来生成图像的训练集。所生成的训练集可以用于增强现有的训练集。

如本文所使用的，术语“物品”是指由天然聚合物和/或合成聚合物制成的、形成在形成器上的产品。例如，物品可以包括一次性手套、医用手套、家用手套、乙烯基手套、手术手套、食品处理手套、工业手套、检查手套、牙坝、运动带等。

术语“移动设备”或“电子计算设备”或“电子通信设备”或“电子设备”是指包括至少一个处理器、图形用户界面的设备，例如智能手机、笔记本电脑、台式机、平板电脑可穿戴式智能设备，以及本文定义为“计算机”的任何设备。

参照图1，示出了用于检测物品的缺陷的人工智能系统100。系统100包括用于采集在生产线中的物品的至少一个图像的图像获取模块104，与人工智能106集成并且经由网络与图像获取模块104通信的计算设备103，以及控制器102，控制器用于从计算设备103和传感器101接收指令和输入，以致动吹扫系统105以去除缺陷物品。

优选地，图像获取模块104包括尺寸小的光学传感器，诸如工业相机或CCTV，该光学传感器能够容易地放置在具有狭窄空间的生产线内。优选地，图像获取模块104还包括实时流协议(RSTP)和技嘉以太网(GigE)协议，当以高速从光学传感器接收所采集的图像时，实时流协议和技嘉以太网协议允许将计算设备放置在距生产线较远的位置处。

优选地，计算设备103可以是各种设备中的任何一种，例如，台式计算机、笔记本电脑、个人助理、蜂窝电话、寻呼机、工作站等。计算设备103还可以包括诸如显示设备、扬声器等的输出组件。此外，计算设备103可以包括诸如键盘、键座、鼠标、轨迹球、触摸屏等的输入组件。

优选地，控制器102是可编程逻辑控制器(PLC)，其启动图像采集过程并指示致动吹扫系统105。例如，控制器102通过局域网向计算设备103发送第一电子或数字信号，以指示图像获取模块104采集物品的图像。在检测到缺陷物品时，控制器102进一步接收第二电子或数字信号，以用于致动吹扫系统105以排出缺陷物品。

优选地，吹扫系统105包括：用于存储压缩空气和使压缩空气的压力稳定的存储罐；用于从存储罐引导压缩空气的至少一根管道；至少一个喷嘴输出，用于将强空气排放朝向缺陷物品引导，以用于从形成器中排出物品；和位于与喷嘴输出相对、用于接收排出的物品的收集篮。优选地，该管道由镀锌铁或能够在腐蚀性环境内操作的任何其他材料制成。优选地，将压缩空气设定为大致5巴的恒定压力，以确保对缺陷物品进行干净地吹扫。

本文公开的方法可以被应用在许多不同的设备和计算机系统中，包括通用计算系统、电话计算系统、笔记本电脑、蜂窝电话、个人数字助理(PDA)，平板计算机、视频采集设备、分布式计算环境等，因此，在不脱离本公开的范围的情况下，可以组合或重新布置所描述的组件和/或过程。所描述的任何组件的功能可以在多个组件之间分配或与不同的组件组合。如本公开中所讨论的，任何或所有组件可以在由处理单元实现的软件中实现。此外，可以从过程中完全省略组件中的一个或更多个。

如本文所使用的，术语“应用”和/或“软件”是指执行特定功能并且可以单独使用或与其他程序组合使用的计算机程序或软件代码的全部或一部分。它包括适于由诸如处理器之类的硬件元件执行的计算机程序指令，其中，所述指令包括使处理器执行相应的命令集的指令。可以使用编程语言来编写或编码软件，并且可以使用本领域公知的任何类型的非暂态计算机可读介质或机器可读介质来存储软件。本公开中的软件的示例包括任何软件组件、程序、应用、计算机程序、应用程序、系统程序、机器程序和操作系统软件。

参照图2，示出了一种用于检测至少一个物品中的缺陷的方法。在一个优选的实施例中，该方法从步骤201开始，在该步骤中，经由图像采集模块104采集生产线中的物品的至少一个图像。替代地，图像获取模块还采集高速生产线中物品的实时视频。接下来在步骤202中，经由人工智能106处理所采集的图像，以确定物品中任何缺陷的存在。在步骤203中，一旦检测到缺陷，就通过控制器102发送指令信号以触发排出过程。最后在步骤204中，经由吹扫系统105将缺陷物品从生产线中的形成器排出。

优选地，人工智能106使用神经网络通过执行迭代训练过程以根据多个预存储的图像创建至少一个数据分类的步骤来训练其数据集。优选地，预存储的图像包括具有大的图像变化范围的、缺陷物品和/或正常物品的图像，所述大的图像变化范围能够被图像获取模块104潜在地采集。训练过程使用回归方法、基于整体图像来预测多个边界框和这些框的分类概率。此外，神经网络根据数据分类生成权重公式，以评估所采集的图像的数据。优选地，当对图像的预测的置信度满足预设要求时，将触发缺陷物品排出信号。

在另一个实施例中，控制器102与传感器101结合，进一步计算精确的定时以致动吹扫系统105而对右形成器进行空气吹扫。此外，系统100还可包括在计算设备103的显示装置上显示每日数据并在该时间间隔内缺陷检测超过预设限制时进一步通知用户的特征。最后，将每个后续检测的结果更新到人工智能106，以进一步训练用于机器学习过程的数据集。

本公开包括如所附权利要求书中的内容以及前述说明书中所包含的内容。尽管已经以一定程度的特殊性、以其优选形式描述了本发明，但是应当理解，优选形式的本公开仅通过示例的方式进行，并且在不脱离本发明的范围的情况下，可以在结构的细节以及部件的组合和布置方面进行许多改变。

Claims (10)

1.一种用于检测至少一个物品中的缺陷的方法，并且所述方法包括以下步骤：

经由图像获取模块(104)采集在生产线中的物品的至少一个图像；

经由人工智能(106)处理所采集的图像以确定物品中是否有任何缺陷；

经由吹扫系统(105)从所述生产线中的形成器排出缺陷物品；和

将结果更新到人工智能(106)以用于后续检测；

其特征在于，所述人工智能(106)使用神经网络通过以下步骤来训练其数据集：

执行迭代训练过程以根据多个预存储的图像创建至少一个数据分类；和

根据数据分类生成权重公式，以评估所采集的图像的数据。

2.根据权利要求1所述的方法，其中，预存储的图像包括具有大的图像变化范围的、缺陷物品和/或正常物品的整体图像，所述大的图像变化范围能够被所述图像采集模块(104)潜在地采集。

3.根据权利要求1或2所述的方法，其中，通过压缩空气经由空气吹扫从所述生产线排出所述缺陷物品。

4.根据权利要求2所述的方法，其中，所述处理的步骤还包括以下步骤：使用回归方法、基于整体图像来预测多个边界框。

5.根据前述权利要求中的任一项所述的方法，还包括以下步骤：当在时间间隔内所述缺陷检测超过预设限制时，通知用户。

6.根据前述权利要求中的任一项所述的方法，其中，所述人工智能基于所采集的整体图像来预测输出，以在不受环境变化的影响的情况下克服聚焦常数分析。

7.根据前述权利要求中任一项所述的方法，其中，当对图像的预测的置信度满足预设要求时，对缺陷物品的检测触发。

8.根据前述权利要求中任一项所述的方法，其中，所述图像获取模块(104)还采集高速生产线中的物品的实时视频。

9.根据前述权利要求中任一项所述的方法，其中，物品由天然聚合物、合成聚合物或其组合制成。

10.根据前述权利要求中任一项所述的方法，其中，所述缺陷包括被卡住的物品、被撕开的物品、形成器敲打、触摸、污垢、手指缺失或其组合。

Images