深度学习｜让凌云光印刷检测系统更智能--机器视觉网

深度学习在安防、智慧城市、自动驾驶等领域已经落实应用，但工业检测中，在线实施效率是一个关键瓶颈，面对高幅宽、高速、高精度的检测需求总是望而却步。凌云光印刷质量检测系统可高速稳定检出缺陷，能将与模板不一致的缺陷稳定检出，但对于厂家而言，这些缺陷的严重等级不一致：有些缺陷比如蚊虫，虽然面积小，但一出现就是严重缺陷，必须处理；有些缺陷超过一定的面积才是严重缺陷；有些缺陷是由于材料抖动、材料自身带的纸毛造成的假缺陷，可以不处理。客户在使用检测系统的过程中，为了避免漏检重要缺陷，通常将质量标准设置非常严格，如果不对这些缺陷进行分级，质检员需要对每个缺陷进行人工二次判定，效率非常低下。凌云光公司新开发的缺陷分类系统按照客户标准对检测系统检出的缺陷进行分类，根据客户需求只显示出客户关心的缺陷，让筛选更便捷，提高质检的工作效率。

传统机器视觉方法通常是定义一些容易提取，容易量化的特征：颜色、面积、圆度、角度、长度等，来确定被检测的目标是否符合标准，最终定义出一系列的规则来进行缺陷分类。但这些特征的设计比较复杂，一些相似的缺陷经常找不到一些固有的特征描述，产品更换，又经常需要重新设计特征、参数等，随着机器学习，深度学习的发展，很多人眼很难去直接量化的特征，深度学习可以搞定，凌云光缺陷分类系统使用深度学习使缺陷分类更精准，根据质检需求，自动过滤掉不重要缺陷，让系统更智能。

下面给大家带来一个应用案例：

了解工艺及客户需求

某公司主要生产双向拉伸聚丙烯薄膜（Biaxially Oriented Polypropylene，BOPP），这种薄膜透明性好，有一定的收缩性，主要用于烟用包装和其它日化用品包装，据了解，目前该公司烟用包装膜市场占有率在30%左右。BOPP的生产工艺如图1.1所示。

图片1.png

▲图1，BOPP生产工艺流程图

从图1可看出，BOPP薄膜是以等规均聚丙烯颗粒为主要原料，根据不同产品的用途，配以0~3%的添加剂而制成，聚丙烯颗粒进入挤出机经一定的温度、压力，在螺杆剪切力的作用下、熔融塑化、挤出。熔融塑料经过过滤器滤去杂质、进入T型模头、形成片状。熔融片经几毫米的间隙流动到旋转的激冷辊面，在气刀、激冷辊表面、水浴的共同冷却下，高达260℃的均聚聚丙烯熔体骤冷到室温，形成微粒很少的几乎透明的无定型厚片，在MDO经过预热拉伸后（纵向4～5.5倍），再送至TDO进行横向拉伸（横向7～9倍），薄膜经横向拉伸后，再经过切边、测厚、电晕处理，收卷成宽度为6300mm直径为1200mm的膜卷。膜卷经过时效处理，消除由拉伸而产生的应力，然后根据用户的要求，分切卷取成一定规格的薄膜，包装后出厂。

值得提出的是，由于BOPP薄膜的成本低而且发现问题后也能回收重新生产，因此在生产阶段没有检测设备，检测设备主要用于分切工序。分切工序又可分为大分切和小分切，具体流程如图2所示。该产品大分切后在小分切处的幅宽约2300mm，分切机的速度约400m/min，这就要求检测系统的速度不能低于400m/min，凌云光PrintingPlus6检测系统能满足客户的检测需求，但客户对检出缺陷要求不一致，并且一般缺陷占比较大，需对缺陷进行智能分级。

图片2.png

▲图2，分切工序示意图

客户缺陷等级划分

从客户端收集到的缺陷类型及客户对各缺陷类型的关注程度如表2所示，具体每类缺陷的表现形式见表1。从表2可以看出，油污、蚊虫、弧形死皱、气泡、折皱和发雾是客户最关注的缺陷，只要出现就要将小卷标成NG进行降等，局部变薄和焦料是一般等级的缺陷，此两种缺陷在产品中出现时要根据缺陷的颜色深浅和尺寸大小决定是否降等，拖行纹和假缺陷是客户不关注的缺陷，检测出来直接放过即可。

通过在现场观察发现，轻微和一般缺陷的出现频率高，严重缺陷出现的频率低，出现频率从高到低的顺序大概为：V型纹>拖行纹>假缺陷>局部变薄>焦料>油污>蚊虫>弧形死皱>折皱/气泡/发雾。另从现场了解到，客户的需求是想让我们的检测系统能实现只显示严重缺陷和满足颜色和尺寸要求的一般等级缺陷，直接过滤掉轻微缺陷，这样既能确保产品质量又能提升质检员的工作效率。

另外，通过与客户交流，分析到客户希望的严重缺陷的准确率能达到75%以上同时误报率又小于25%。

微信图片_20210114134556.png