30 cc - système d'inspection visuelle de bouteilles de comprimé de 100 cc avec l'algorithme d'apprentissage en profondeur

La tablette 30 CC-100 CC met en bouteille le système d'inspection visuelle avec l'algorithme d'apprentissage en profondeur

Normes de test

Principe de détection

En raison des différences de matières premières, d'équipements mécaniques instables et d'un fonctionnement manuel insuffisant, les produits en plastique sont sujets à des défauts de qualité pendant le processus de moulage par injection.Les défauts courants de moulage par injection comprennent un remplissage insuffisant, des bulles d'air, des fissures, un gauchissement et des changements dimensionnels.

La méthode traditionnelle de détection des défauts visuels artificiels prend du temps et demande beaucoup de main-d'œuvre, et elle offrira la possibilité d'une détection efficace.En tant que l'une des structures les plus classiques et les plus largement utilisées dans l'apprentissage en profondeur, le réseau de neurones à convolution profonde a été appliqué avec succès à la détection d'images dans le passé.et les champs de classification.Il fournit également une méthode réalisable pour la détection de défauts industriels.

Traitement d'image

Une caméra industrielle de 3 mégapixels a été utilisée pour collecter et extraire des échantillons d'images de bouteilles en plastique spéciales, et les a prétraitées.Étant donné que les bouteilles en plastique ont généralement des caractéristiques de couleur, la conversion de l'espace colorimétrique HSV est utilisée pour extraire les caractéristiques de couleur sur l'image de l'échantillon, et le seuil Otsu est utilisé pour segmenter la partie caractéristique, ce qui est bénéfique pour la formation du réseau neuronal, réduisant la difficulté de réseau formation et amélioration de la vitesse.

Étiquetez les échantillons.Marquez manuellement les bouteilles pour les défauts.Compte tenu du coût élevé en temps et en main-d'œuvre de l'étiquetage manuel, il est recommandé d'utiliser le système d'étiquetage intelligent pour l'inspection de la qualité industrielle fourni par l'assistant d'étiquetage.Vous n'avez qu'à vous concentrer sur l'étiquetage d'environ 30 % des images clés de l'ensemble de données, et vous pouvez étiqueter les images restantes en un seul clic.Obtenez facilement des modèles de détection d'objets de haute qualité.Le système peut être utilisé sur différents systèmes d'exploitation avec multiplateforme, multilingue et compatibilité.

Précision de l'algorithme et taux de calcul

La détection des défauts des flacons de médicaments en plastique utilise principalement le "réseau de neurones convolutifs".L'un des algorithmes représentatifs de l'apprentissage en profondeur).Le diagramme schématique de la structure du réseau neuronal convolutif est le suivant :

Pour les réseaux de neurones, à mesure que le réseau s'agrandit et que les canaux augmentent, la précision augmentera, mais elle se saturera après avoir atteint un certain niveau ;lorsque la précision diminue, il tombe soudainement dans une situation où il ne peut pas apprendre.Pour les exigences de précision et de vitesse élevées du modèle, tout en pensant aux grands réseaux de neurones, il existe souvent de nombreux canaux.Les réseaux de neurones existants, tels que GoogleNet, ont même de nombreux réseaux avec des branches secondaires ;après ResNet, le nombre de couches réseau est également approfondi ;basé sur la profondeur Le réseau neuronal convolutif réalise la détection automatique des défauts de surface des médicaments en plastique, évite l'inspection visuelle manuelle fastidieuse et laborieuse, réduit le coût de la main-d'œuvre et améliore considérablement la qualité de l'inspection, améliore l'efficacité de la production et réduit la fausse détection évaluer.