一种生产线产品缺陷在线识别系统的制作方法
本发明涉及工业视觉,具体为一种生产线产品缺陷在线识别系统。
背景技术:
1、多层共挤技术是高分子复合材料加工的核心工艺之一,广泛应用于食品包装薄膜、汽车内饰板材、建筑防水卷材、医疗导管等领域。该技术通过将两种或两种以上不同性质的高分子材料在同一模具中熔融复合,形成具有多层结构的复合材料制品,以兼顾阻隔性、力学性能、耐候性等多重要求。
2、当前多层共挤生产线在质量控制方面面临显著的技术瓶颈。熔体在模头内的流动状态复杂多变,层间结合力受温度梯度、剪切速率、冷却速率等多因素耦合影响。以evoh阻隔层为例,其熔融指数与相邻层材料差异超过一定程度时,极易产生层间剥离或断裂缺陷,但现有产线缺乏对模头内部熔体流动状态的实时监测手段,导致工艺盲区无法消除。传统质量控制依赖离线抽检,检测周期通常超过30分钟,对于高速产线而言,当发现缺陷时已产生大量不合格品,造成严重的原料浪费和产能损失。此外,离线检测无法捕捉微米级分层缺陷,这些隐性缺陷在后续使用中可能演变为严重质量问题。
3、现有产线的工艺参数调整高度依赖操作人员的经验,这种开环控制方式存在响应延迟和过调风险,参数调整后可能引发新的缺陷类型,形成“缺陷-调参-新缺陷”的恶性循环。同时,产线各子系统独立运行,缺陷信息无法与工艺参数、设备状态、环境条件建立关联,导致根因分析困难,同类缺陷反复出现,工艺优化缺乏数据支撑。而在缺陷类型识别方面,复合材料缺陷类型多样,部分罕见缺陷的样本量极少,传统深度学习模型在此类小样本场景下泛化能力差,易出现漏检或误检。
4、现有技术中已有采用单一可见光相机进行表面缺陷检测的方案,但存在以下不足:无法检测材料内部缺陷如分层、气泡;对高反光表面成像质量差;缺乏与生产设备的联动控制能力,仅能实现缺陷报警,无法自动调整工艺参数。
技术实现思路
1、针对现有技术的不足,本发明提供了一种生产线产品缺陷在线识别系统,解决了复合材料共挤生产线在质量控制方面存在的工艺盲区、检测滞后、调参粗放及数据孤岛等技术问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:一种生产线产品缺陷在线识别系统,包括:多模态成像采集模块,用于采集生产线上的复合材料产品图像,并对所采集的图像进行实时校正以消除成像畸变,多模态成像采集模块包括可见光波段成像单元和近红外波段成像单元,利用不同波段对材料穿透深度的差异实现表层缺陷与内部缺陷的同步检测,所述多模态成像采集模块还包括偏振滤光单元,用于滤除镜面反射分量;和/或高动态范围成像单元,用于对高反光表面进行多曝光融合成像,对采集的图像进行实时校正包括:基于产线加速度传感器采集的振动数据对图像进行亚像素级几何校正,和/或对图像进行去噪、畸变校正、光照归一化处理,多光谱图像之间通过特征点匹配进行配准,确保不同波段图像在空间上严格对齐;
3、缺陷识别模块,基于双通道神经网络模型对校正后的图像进行缺陷识别,得到缺陷的类别及在所述产品上的位置信息,当所述缺陷识别结果的置信度低于预设阈值时,触发人工复核流程,并将复核结果用于更新所述双通道神经网络模型;
4、根因分析模块,将所述缺陷的类别、位置信息与所述产品在对应时刻的生产工艺参数进行关联,并利用因果推断模型对所述缺陷进行根因分析,生成工艺参数调整指令;
5、裁切决策模块,根据所述缺陷的位置、严重程度及当前产品规格,计算所述产品各分段的价值评分;并基于所述价值评分以及预设的裁切约束条件,规划所述产品的裁切路径并生成裁切决策;
6、裁切执行模块,根据所述裁切决策,控制裁切执行设备对所述产品进行裁切。
7、优选的,所述双通道神经网络模型包括第一通道和第二通道;其中,所述第一通道配置为提取所述产品图像中的微观缺陷形态学特征,所述第二通道配置为提取所述产品图像中的宏观幅面分布异常特征;所述双通道神经网络模型还包括融合模块,用于将所述第一通道和第二通道输出的特征图进行空间对齐和融合;以及解码器,用于根据融合后的特征图生成缺陷分割掩膜以确定所述缺陷的类别和位置,所述解码器为基于深度监督的多层级解码器,在多个语义层级输出分割结果,并通过加权融合得到最终缺陷分割掩膜,实现微观缺陷与宏观缺陷的同步像素级定位。
8、优选的,所述双通道神经网络模型还引入注意力机制模块,分别在通道维度和空间维度计算注意力权重以增强对弱对比度缺陷的识别。
9、优选的,还包括:将工艺知识图谱与所述因果推断模型结合,以进行多跳推理获得根因分析结果;其中,所述工艺知识图谱包含材料层、工艺参数层、缺陷模式层的实体及关系,所述因果推断模型通过构建有向无环图表示工艺参数与缺陷之间的因果关系,并利用后门准则估计各工艺参数对缺陷发生的平均处理效应,以及进行反事实推理以生成定量的工艺参数调整,所述生成工艺参数调整指令包括:通过控制器自动调节复合材料生产设备的模头温度、螺杆转速或冷却辊速。
10、优选的,所述计算产品各分段的价值评分采用如下公式:;
11、其中,d为缺陷密度,dmax为最大可接受缺陷密度,s为产品规格价值系数,smax为最高规格价值系数,p为订单优先级权重,c为下游工序兼容性系数,r为废料回收价值系数,至为可调权重。
12、优选的,所述裁切路径规划采用动态规划算法,所述裁切约束条件包括最小废料长度、最大连续缺陷容忍长度、以及与当前订单规格的匹配要求。
13、优选的,还包括:利用生成对抗网络合成罕见缺陷样本,并采用元学习算法对所述双通道神经网络模型进行微调,以使其适应新产线工况。
14、优选的,还包括:当产线参数变更后,在沙盒环境中利用新采集的样本对所述双通道神经网络模型进行增量训练,并采用弹性权重巩固算法防止对原有缺陷类型识别能力的遗忘;模型更新后通过a/b测试验证后再部署。
15、本发明提供了一种生产线产品缺陷在线识别系统,具备以下有益效果:
16、1、通过多模态成像采集模块集成可见光与近红外等不同波段的成像单元,实现了对复合材料产品表层缺陷与内部缺陷的同步感知,克服了单一可见光方案无法检测分层、气泡等内部缺陷的固有局限。结合偏振滤光、高动态范围成像以及基于振动数据的实时几何校正,有效抑制了镜面反射、运动模糊和机械振动等干扰因素,保证了高速产线下的成像质量。
17、2、双通道神经网络模型将微观形态学特征提取与宏观分布异常识别解耦后融合,配合多层级深度监督解码器,实现了从微米级针孔到厘米级褶皱的跨尺度缺陷同步检测与像素级精确定位。注意力机制的引入进一步增强了模型对弱对比度缺陷的灵敏度,大幅降低了漏检风险。
18、3、通过将缺陷信息与生产工艺参数进行时空关联,并引入因果推断模型替代传统相关性分析,从根本上提升了根因分析的可靠性和定量化程度。因果图与后门准则的运用有效剔除了混杂变量的干扰,使工艺调整从基于经验试错转变为基于因果证据的精准调控,从根本上遏制了“缺陷-调参-新缺陷”的恶性循环。
1.一种生产线产品缺陷在线识别系统,其特征在于,包括:多模态成像采集模块,用于采集生产线上的复合材料产品图像,并对所采集的图像进行实时校正以消除成像畸变,多模态成像采集模块包括可见光波段成像单元和近红外波段成像单元,利用不同波段对材料穿透深度的差异实现表层缺陷与内部缺陷的同步检测;
2.根据权利要求1所述的一种生产线产品缺陷在线识别系统,其特征在于:所述多模态成像采集模块还包括偏振滤光单元,用于滤除镜面反射分量;和/或高动态范围成像单元,用于对高反光表面进行多曝光融合成像。
3.根据权利要求2所述的一种生产线产品缺陷在线识别系统,其特征在于:对采集的图像进行实时校正包括:基于产线加速度传感器采集的振动数据对图像进行亚像素级几何校正,和/或对图像进行去噪、畸变校正、光照归一化处理。
4.根据权利要求3所述的一种生产线产品缺陷在线识别系统,其特征在于:所述双通道神经网络模型包括第一通道和第二通道;其中,所述第一通道配置为提取所述产品图像中的微观缺陷形态学特征,所述第二通道配置为提取所述产品图像中的宏观幅面分布异常特征;所述双通道神经网络模型还包括融合模块,用于将所述第一通道和第二通道输出的特征图进行空间对齐和融合;以及解码器,用于根据融合后的特征图生成缺陷分割掩膜以确定所述缺陷的类别和位置,所述解码器为基于深度监督的多层级解码器,在多个语义层级输出分割结果,并通过加权融合得到最终缺陷分割掩膜。
5.根据权利要求4所述的一种生产线产品缺陷在线识别系统,其特征在于:还包括:将工艺知识图谱与所述因果推断模型结合,以进行多跳推理获得根因分析结果;其中,所述工艺知识图谱包含材料层、工艺参数层、缺陷模式层的实体及关系,所述因果推断模型通过构建有向无环图表示工艺参数与缺陷之间的因果关系,并利用后门准则估计各工艺参数对缺陷发生的平均处理效应,以及进行反事实推理以生成定量的工艺参数调整建议。
6.根据权利要求5所述的一种生产线产品缺陷在线识别系统,其特征在于:所述计算产品各分段的价值评分采用如下公式:
7.根据权利要求1所述的一种生产线产品缺陷在线识别系统,其特征在于:所述裁切路径规划采用动态规划算法,所述裁切约束条件包括最小废料长度、最大连续缺陷容忍长度、以及与当前订单规格的匹配要求。
8.根据权利要求1所述的一种生产线产品缺陷在线识别系统,其特征在于:还包括:利用生成对抗网络合成罕见缺陷样本,并采用元学习算法对所述双通道神经网络模型进行微调,以使其适应新产线工况。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com