超长编织管内部瑕疵在线检测方法与流程

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。

技术实现要素：

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。

所述全卷积神经网络模型每迭代3000-4000次后，进行测试。

所述测试包括如下步骤：测试模块将测试图案输入全卷积神经网络模型中，全卷积神经网络模型得到判断结果，并将结果输入诊断模块，诊断模块对全卷积神经网络模型的判断结果与预先设定的区间值进行比对，当输出准确率低于阈值时，返回无效结果，构建模块重新构建并迭代全卷积神经网络模型，当输出准确率等于或高于阈值时，返回有效结果，构建模块将全卷积神经网络模型标记为有效的缺陷识别模型并输出。

所述全卷积神经网络为fasterr-cnn，包括基础特征提取网络、rpn、fastr-cnn，所述rpn、fastr-cnn共享特征提取卷积层，并实现端到端的检测。

有益效果

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。

附图说明

图1为超长编织管内部瑕疵在线检测方法的原理图。

具体实施方式

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。

所述全卷积神经网络模型每迭代3000-4000次后，进行测试。

所述测试包括如下步骤：测试模块将测试图案输入全卷积神经网络模型中，全卷积神经网络模型得到判断结果，并将结果输入诊断模块，诊断模块对全卷积神经网络模型的判断结果与预先设定的区间值进行比对，当输出准确率低于阈值时，返回无效结果，构建模块重新构建并迭代全卷积神经网络模型，当输出准确率等于或高于阈值时，返回有效结果，构建模块将全卷积神经网络模型标记为有效的缺陷识别模型并输出。

所述全卷积神经网络为fasterr-cnn，包括基础特征提取网络、rpn、fastr-cnn，所述rpn、fastr-cnn共享特征提取卷积层，并实现端到端的检测。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内的发明内容。