System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标检测与识别领域,特别是一种基于深度学习技术的静脉注射器具表面缺陷检测系统。
技术介绍
1、一次性注射器因其高性价比、使用方便等优点被广泛使用,更能避免交叉感染,是医院中消耗最大的易耗品之一。在临床使用过程中,因其属于直接进入人体血管、体腔、无菌组织内的特殊医疗产品,其产品质量将直接影响患者的身体健康甚至生面安全。为防止医源性感染,杜绝伪劣的一次性医疗用品进入临床,是保证临床使用安全性的唯一途径,提高全体医护人员的安全意识,层层把关、层层筛选是保证医疗用品的安全性的必要手段。随着经济的高速发展,生活水平的不断提高,健康也开始被我们逐步重视,而与健康息息相关的注射器具也有了更严格的要求。但在注射器具生产过程中,注射器具表面或内壁经常会出现有头发、管壁有污点等缺陷,存在重大安全隐患。
2、目前,国内没有专门的研究机构为厂家开发这类系统,基本都为流水线作业,靠人工来完成质量监测,长时间的作业,不但会降低本就不高的检测效率,视觉疲劳更会导致误检、漏检等情况,难以保证产品质量,人工检测效率更制约了一次性注射器具的生产效率。每天对着光源观测表面缺陷,强烈的光线也极大的伤害了工人的眼睛,因此需要一种更高效的检测手段来代替人工检测,实现产线在线实时检测,全面提高产品质量。
3、随着以人工智能为代表的新一代信息技术的繁荣发展,人工智能等技术加速融入经济社会发展的各领域,对生活生产产生极大影响。在传统制造业中,人工智能更是渗透到产线的研发设计、生产工艺、生产决策等方方面面,因此可以解决传统制造业数字化转型升级
技术实现思路
1、本专利技术的目的是为了解决上述问题,设计了一种基于深度学习技术的静脉注射器具表面缺陷检测系统。
2、实现上述目的本专利技术的技术方案为,一种基于深度学习技术的静脉注射器具表面缺陷检测系统,包括以下步骤:
3、s1:产线生产过程中,通过硬件触发信号获取视频流,得到静脉注射器具图像;
4、s1.1:将一次性待检静脉注射器具置于稳光环境中,并根据静脉注射器具的颜色及缺陷类型调节色温;
5、s1.2:根据调节好的稳光环境配置相机参数;
6、s1.3:相机根据触发信号进行原图取帧,并生成待处理图像;
7、s2:对待处理图像进行数据预处理操作,包括裁剪与调节图像的亮度和对比度操作;
8、s2.1:所述s2中的裁剪是为了避免待检物料区域之外的背景杂质干扰,保留指定位置的待测物体信息,去除无用的背景信息。
9、s2.2:所述s2中的调节图像的亮度和对比度,是为了使待测图像中的缺陷特征更清晰,更利于缺陷检测。
10、s3:对处理后的图片进行切片操作,凸显缺陷特征:识别区域内所有物体的轮廓,此时会出现两种情况:1)物体轮廓边界清晰,区分度明显;2)物体轮廓边界粘连,区分度不明显。对于轮廓边界清晰,区分度明显的物体单独提取出来,而对于轮廓边界粘连形成的大片区域进行分割操作,进而形成多个小区域图像。
11、s4:将经过预处理的待检测图像送入检测模块中,检测缺陷主要为加工缺陷。
12、s4.1:所述s4中的缺陷检测模块:将预处理后的待检测图像送入缺陷检测模型中,输出的结果为模型检测到的缺陷类型和位置信息:
13、进一步地,在所述缺陷检测识别模型进行缺陷的位置信息检测和类别信息识别之前,所述方法还包括:
14、缺陷的智能识别模型训练:采集含有不同类型缺陷的一次性静脉注射器具图像,将其按缺陷类型分为三类,每一类数据集分别做如下操作:对所有数据进行标注,标注信息为表现缺陷位置的矩形框标签;在保证缺陷特征均匀的情况下,将数据划分为训练集、验证集和测试集;使用划分好的训练集及验证集训练模型,使用测试集对模型进行评估并得到图中的缺陷类型及位置;针对评估结果或对模型再次进行优化并再次评估,以得到最终检测模型。
15、s4.2:所述s4中的加工缺陷检测:加工缺陷包括异物、油污和漂浮物。主进程开启的两个子进程负责对加工缺陷进行检测,将上述完成预处理的待检测图像输入至负责检测缺陷的检测模型中,获取到缺陷类型与置信度等信息进行后处理,当缺陷的置信度得分大于设定的判断阈值,模型输出存在的缺陷结果,反之待检测物体不存在缺陷。将检测结果存入共享内存中,并相应的将结果标志位置高,待两个进程的标志位都置高后表示本周起内检测完成。
16、s5:对两个进程放入共享内存中的检测结果进行后处理,合并结果编码。
17、s5.1:所述s5中的合并结果编码,指的是将两个进程输出结果合并处理,并对结果进行编码后发送至工控机,工控机根据信号判断是否对当前批次注射器具进行踢废处理。
18、利用本专利技术的技术方案制作的一种基于深度学习技术的静脉注射器具表面缺陷检测系统,主要采用深度学习算法性训练注射器具缺陷检测模型,通过检测结果的阈值判定进行注射器具表面油污、异物及漂浮物等缺陷检测。采用机器视觉方法进行在线实时监测,使得质量与生产过程紧密结合,排除因人工长期且疲劳作业带来的漏检问题的同时更保证了生产效率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述步骤S1中:将一次性待检静脉注射器具置于稳光环境中,并根据静脉注射器具的颜色及缺陷类型调节色温;
3.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述S2中的裁剪是为了避免待检物料区域之外的背景杂质干扰,保留指定位置的待测物体信息,去除无用的背景信息。
4.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述S2中的调节图像的亮度和对比度,是为了使待测图像中的缺陷特征更清晰,更利于缺陷检测。
5.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述S4中的缺陷检测模块:将预处理后的待检测图像送入缺陷检测模型中,输出的结果为模型检测到的缺陷类型和位置信息。
6.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述步骤S4中所
7.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述S4中的加工缺陷检测:加工缺陷包括异物、油污和漂浮物,主进程开启的两个子进程负责对加工缺陷进行检测,将上述完成预处理的待检测图像输入至负责检测缺陷的检测模型中,获取到缺陷类型与置信度等信息进行后处理,当缺陷的置信度得分大于设定的判断阈值,模型输出存在的缺陷结果,反之待检测物体不存在缺陷,将检测结果存入共享内存中,并相应的将结果标志位置高,待两个进程的标志位都置高后表示本周起内检测完成。
8.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述S5中的合并结果编码,指的是将两个进程输出结果合并处理,并对结果进行编码后发送至工控机,工控机根据信号判断是否对当前批次注射器具进行踢废处理。
...【技术特征摘要】
1.一种基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述步骤s1中:将一次性待检静脉注射器具置于稳光环境中,并根据静脉注射器具的颜色及缺陷类型调节色温;
3.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述s2中的裁剪是为了避免待检物料区域之外的背景杂质干扰,保留指定位置的待测物体信息,去除无用的背景信息。
4.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述s2中的调节图像的亮度和对比度,是为了使待测图像中的缺陷特征更清晰,更利于缺陷检测。
5.根据权利要求1所述的基于深度学习技术的静脉注射器具表面缺陷检测系统,其特征在于,所述s4中的缺陷检测模块:将预处理后的待检测图像送入缺陷检测模型中,输出的结果为模型检测到的缺陷类型和位置信息。
6.根据...
【专利技术属性】
技术研发人员:兰勇,王治国,王宪勇,王超,段盛晴,
申请(专利权)人:信华信大连软件服务股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。