你的位置:首页 >> 产品展示 >> 薄膜压力传感器系统 >> 运动测量系统  运动测量系统
用于织物接缝自动质量控制的人工神经网络
来源:薄膜压力传感器压力分布 | 发布时间:2020/2/21 12:43:55 | 浏览次数:
基于视觉和触觉输入的模拟CNN纺织品质量控制算法 阿提拉·基斯*、费伦茨·科瓦奇*、彼得·索尔盖* 彼得天主教大学, 信息技术部, 匈牙利布达佩斯H-1052 Piarista meat 1 *模拟和神经计算系统实验室, 计算机与自动化研究所, 匈牙利科学院, P、 匈牙利布达佩斯H-1502,O.B 63 电子邮件:[akis,szolgay]@sztaki.hu,kovacs@itk.ppke.hu 摘要 为了实时检测纺织品上的斑点、颠簸和破损等故障,开发并测试了一种模拟CNN算法,该算法使用了一个带有压力传感器阵列触觉传感器的实验系统、CCD摄像机和细胞视觉微处理器开发系统Aladdin Pro。触觉感知系统是通过视觉输入对可疑区域进行集中感知的系统。上述触觉系统将使用类似的算法仔细检查相关位置。纤维断裂和结是要检测的典型错误。 介绍 在纺织厂的机器检测过程中,缺陷的表征和高数据率构成了两大障碍。传统上,纺织品的故障是通过视觉单元检测来检测的[1,2]。这些系统是可靠的,但其精度不高[3]。对于缺陷触觉检测的特征,有关纺织品物理方面的信息收集是充分的。因此,工业视觉单元与触觉单元的融合是纺织工业的战略重点,因为它们为在纺织检测中实现高精度的系统提供了基础。 本文介绍了一个基于简单的光学和触觉图像处理操作相结合的工厂检测系统的软件核心,以及该软件核心在检测纺织品常见缺陷方面的效率。然后分析讨论了整个系统的先决条件,以及问题的性质所带来的限制和限制。文中还详细介绍了软件算法,并对初步结果进行了评价。 该系统主要由视觉和触觉检测两部分组成。在这一贡献中,我们关注的是触觉故障检测和识别系统,因为视觉单元在之前的论文[4]中有详细介绍。我们将呈现在触觉动作的压力场上的快照,通过CNN-UM对织物表面进行调查和预处理[5-6]。 第二节介绍了实验系统。第三节对触觉故障检测过程进行了分析,并在实验的基础上,在第四节给出了一些结论性意见。 2。纺织品故障检测实验系统 纺织物以已知和可调的速度滚动,通常约为每秒600毫米。视觉单元搜索补丁或花,并提供缺陷的坐标。触觉单元只探索视觉单元指示的区域,节省了大量时间。系统的主要部分如图1所示。 图1:系统的主要部分:(a)AceBox 4K,(b)触控笔,(c)CCD摄像机 图1:系统的主要部分:(a)AceBox 4K,(b)触控笔,(c)CCD摄像机 信号由AceBox[7]处理。这个单元处理触觉图像。由于系统是为实时操作而设计的,因此需要处理单元的快速响应,这是CNN-UM很好地实现的。当需要处理大量图像(帧/秒)时,模拟算法可能特别有用。在我们的例子中,压力场是用灰度图像编码的。 对于感官阵列,使用触觉系统[8],商用。 PC机仅用于显示事件,并在传感器部分和Aladdin Pro之间建立连接。 2.1条。压力感应槽触觉器 触觉传感器是一种电子触觉力和压力指示传感器,通过USB端口连接到PC机。我们使用电容式传感器的原因是,与其他两种最常见的方法(电阻式和压电式压力传感器)相比,电容式传感器更坚固,更能抵抗工作温度的变化。传感器具有线性响应和低滞后特性。随着时间的推移,性能降低的可能性较小。 触觉传感器可以在事件发生时实时监控力在任何两个接触面或配合面之间的分散情况。该系统包括一个50毫米x 50毫米的手掌传感器,其空间分辨率为2.5毫米(21 x 21像素)和五个手指传感器,每个传感器为13毫米x 13毫米,空间分辨率为1.5毫米(9 x 9像素)。一个tuxel等于传感器阵列中的一个传感器点。该系统的查询速度可达60000个传感器点/秒。传感器衬垫的最佳压力范围为0-1 atm,精度为10%。 2.2条。感官部分与64*64的阿拉丁Pro的接口 报错2.2条。64*64 CNN-UM与阿拉丁Pro的感官界面 Aladdin-Pro系统为开发类似的CNN算法提供了一个通用框架。这些算法可以在软件模拟器或64*64 CNN-UM模拟VLSI芯片上运行[9]。ACE4k是一个包含CNN-UM芯片的平台,该芯片内置于PC104板中。该平台通过PCI总线接口与上位机相连,为64*64 CNN-UM提供了上下加载数据的快速能力。 三。核心算法流程图 该算法检测织物上的三种主要故障:突起、孔洞和裂开或断裂。算法流程图如图2所示。 图2:算法流程图 图2:算法流程图 作为低敏感度、高阈值模板的第一步,我们可以提取出压力高于通常速率的区域。在通常情况下,可能会有高速压力,仅出现在一个小的、随机出现的区域,这是由于纺织品中的噪音和不规则。高压区超过通常的手段,即表面有一个凸起。 为了探测孔洞(图3.a)和裂缝,我们需要一个敏感的低阈值,因为在这些区域的压力低于平均值。(图3.b.) 图3:(a)原始孔,(b)阈值,(c)轮廓,(d)孔 图3:(a)原始孔,(b)阈值,(c)轮廓,(d)孔 通过将该图像用作全黑图像上的固定状态,通过传播的侵蚀模板,得到无孔受压区域的形状(图3.c)。在原始的阈值图像和被擦除的黑斑之间进行异或逻辑运算,我们将得到洞的面积(图3.d)。我们需要这种算法,而不是简单地反转输入图像,原因是由于不规则性,我们不能对整个感官阵列施加均匀的压力,特别是在边缘。通过计算输出图像上的黑色像素,我们可以判断出洞的大小。 图4:(a)原始触觉图像,(b)阈值,(c)侵蚀和凹面位置滤波器,(d)水平CCD,(e)垂直CCD 图4:(a)原始触觉图像,(b)阈值,(c)侵蚀和凹面位置滤波器,(d)水平CCD,(e)垂直CCD 如果织物上出现中断(图4.a),在应用低阈值后,我们将得到两个分离的区域(图4.b)。通过施加侵蚀和填充凹面位置,上述区域将因此变得凸面(图4.c)。这一点很重要,因为这样,使用水平CCD(图4.d)和垂直CCD(图4.e)模板,根据区域的个数,输出图像上将只有两个像素。 四。限制和结论 提出了一种检测织物疵点的方法。它是纺织工业质量控制检验体系的一部分。实践证明,该方法具有很强的鲁棒性,适用于不同图案、复杂度和颜色的纺织品。该任务的实时性要求已得到充分满足。这里执行的操作非常快,大约每秒处理10到20帧。 致谢 作者感谢匈牙利研究和开发计划署(TeleSense project Grant,NKFP)第035/02/2001号提供的支持。 参考文献 一。A、 Bodnarova:“使用最优Gabor滤波器的纺织品缺陷检测”。模式识别国际会议记录(ICPR'00)-第4卷,第4799页,2000年9月3日至8日 2。C、 Bahlmann,G.Heidemann,H.Ritter:“用于织物接缝自动质量控制的人工神经网络”。模式识别,第32卷,第6期,第1049-1060页,1999年6月 三。R、 弗兰基:“散乱数据插值:某些方法的检验”,《计算数学》,第38卷,第157期,第181-2001982页 四。五十、 蔡美儿,罗斯卡,科泽克和Á。扎兰迪,“CNN范式——细胞神经网络的一个简短教程”(编辑T.罗斯卡和J.范德维尔),约翰威利父子公司,纽约,1993年 5个。五十、 O.Chua,L.Yang:“细胞神经网络:理论”,《电路与系统的IEEE交易》,第35卷,第1257-1272页,1988年 6。T、 罗斯卡,L.O.Chua:“CNN通用机器——模拟阵列计算机”。IEEE传输。电路与系统II:模拟与数字信号处理第40卷,第3期,第163-1731993页 7号。阿拉丁Pro系统,模拟计算机,2002,www.Analogic-Computers.com 8个。传感器产品,触觉实时触觉压力测量,麦迪逊新泽西州,www.sensorprod.com 9号。S、 Espejo,R.Dominguez Castro,G.Linan,A.Rodriguez-Vázquez:“带模拟和数字I/O的64x64 CNN通用芯片”,《第五届IEEE电子、电路和系统国际会议论文集》(ICEC'98),第203-206页,里斯本,1998 10个。A、 Kis,N.Bottka,F.Kovács和P.Szolgay:“初级CNN Alg
 
TAG:
打印本页 || 关闭窗口
 上一篇:家庭护理服务进入了传感分布记忆与认知
 下一篇:多模态输入