使用机器学习检查有缺陷的玻璃瓶口

科学领域:

• 材料科学 材料科学 材料科学
• 计算机科学 计算机科学
• 制造业 工程 制造工程

背景情况:

• 由于制造业的进步和环保做法,日本化品玻璃瓶越来越受欢迎.
• 由于玻璃瓶口的复杂形状,自动化质量检查具有挑战性,需要人类视觉检查.
• 目前的视觉检查受到员工间的变化和疲劳相关的准确性下降的影响.

研究的目的:

• 开发一种准确可靠的自动化方法来检测玻璃瓶口中的芯片,特别是解决螺丝线所带来的挑战.
• 克服传统图像处理和机器学习方法的局限性,这些方法不包括瓶口或与螺丝线反射作斗争.

主要方法:

• 提出了一种新的机器学习方法,以隔离和分析玻璃瓶口图像中的螺丝线区域.
• 开发了一个专门的机器学习模型用于缺陷检测,专注于这些提取的螺丝线区域.
• 通过使用整个瓶口的图像与仅使用螺丝线区域的图像进行准确性比较来评估模型性能.

主要成果:

• 在螺丝线区域训练的模型实现了99.7%的准确性,比在整个口腔上训练的模型 (98.0%) 提高了1.7%.
• 在工厂演示中,螺丝线模型实现了100%的准确性,而整个口型模型的准确率为99.7%.
• 提出的方法显著提高了在玻璃瓶制造中芯片检测的准确性.

结论:

• 开发的机器学习方法有效地检测玻璃瓶口中的芯片,特别是在螺丝线的存在下.
• 对螺丝线区域的集中分析可显著提高自动化质量检查准确度.
• 该系统为玻璃瓶生产设施的可靠,自动化质量控制提供了可行的解决方案.