找回密码
 注册
会员须知
会员须知
实用帮助
实用帮助
吾爱光设 首页 资讯 查看内容

研究提出了用于自动缺陷产品检测的异常检测系统

2022-8-13 22:14| 发布者: 光执事| 查看: 2665| 评论: 0

摘要: 在最近发表在 Processes 上的一项研究中,一组研究人员发现,使用来自自动光学检测 (AOI) 系统的产品图像数据来收集有用信息可以提高产品检测过程中异常检测的有效性。 研究人员使用视觉几何组网络、Inception V3 和 ...

在最近发表在 Processes 上的一项研究中,组研究人员发现,使用来自自动光学检测 (AOI) 系统的产品图像数据来收集有用信息可以提高产品检测过程中异常检测的有效性。 研究人员使用视觉几何组网络、Inception V3 和 Xception 算法在产品图像分析过程中区分合格和不合格产品。


研究:Processes | Free Full-Text | Developing an Anomaly Detection System for Automatic Defective Products’ Inspection (mdpi.com) 图片来源:Kzenon/Shutterstock.com


分析结果结合了为人机交互而开发的云系统。 用户通过使用建议的云系统接收有关异常检测的提醒,该系统包括消息队列遥测传输协议、云仪表板和应用程序编程接口。

 

自动光学检测 (AOI) 系统

自动光学检测 (AOI) 系统是一种视觉设备,可在检测过程中自动拍摄产品图像。

 

劣质产品导致企业收入损失。 因此,产品的检验对于保持产品质量至关重要。

 

自动光学检测 (AOI) 系统是一种有效的产品检测工具,它为消费者提供了一个简单的界面来检测他们想要的产品。

 

自动光学检测 (AOI) 系统的局限性

 AOI 系统仪表板进行人工目视检查是螺钉生产领域使用的传统方法。 无论检查员或采用何种方法,检查员的经验都会显着影响检查结果。

 

检查员在 AOI 仪表板上观察捕获的图像以查找损坏的产品。 产品是否有缺陷由检验员的主观评价决定。

 

检查员可以进行有缺陷的检查。 因此,需要一种更准确的方法来提高异常检测的有效性。

 

增强异常检测的策略

物联网 (IoT) 相关设备(例如联网设备、传感器和软件应用程序)用于网络物理系统 (CPS)。因此,在联网生产期间,在 CPS 环境中获取了大量工业数据。

 

可以检查从 CPS 收集的数据以自动发现缺陷模式。人工视觉检查缺乏异常检测的准确性。信息技术、业务流程和其他形式的机械化都包含在自动化中。

 

由于云技术在自动化应用中的广泛使用,数据驱动的异常检测提高了检测效率。利用专门的软件和方法,自动化人工操作可以在发现异常时启用自动通知。

 

云技术已被广泛用于在人机通信中自动运行。示例包括消息队列遥测传输 (MQTT) 协议、Web 编程和应用程序编程接口 (API)。

 

将深度学习方法结合到异常检测中

深度学习算法提高了人类视觉检查的有效性,解决了异常检测问题。

 

Hung等人将视觉几何组网络 (VGG-16)、Xception 和 Inception V3 算法用于实际工业图像数据集。 研究人员使用 MQTT 协议、API 和 Web 开发技术为提议的系统开发了云仪表板、数据通信和自动通知系统。

 

研究人员还检查了各种卷积网络和训练数据大小之间的分类性能差异,并研究了使用深度学习方法检测异常产品质量的情况。

 

它通过开发通信协议来激活数据采集 (SCADA) 和实时监控,从而实现实时通信和可视化。 它会自动将检查结果从产品传输到他们的数据库。

 

研究成果

螺丝检测过程中的一个重要问题是有缺陷的人眼检查,这会引发人为错误并增加检查时间。

 

Hung等人提供了一个实用的自动异常检测系统,该系统使用深度学习和云计算。研究人员使用 VGG-16、Inception V3 和 Xception 分析来自 AOI 系统的数据,并从数据分析的角度识别损坏的螺钉表面。

 

 VGG-16 相比,Inception 和 Xception 产生了更好的检测结果。

 

本研究检查了模型的性能和训练数据的数量。建议的 VGG-16 结果证明了训练数据集大小之间的性能差异。 VGG 相关网络的深度受到限制。训练数据的大小可能会受到结果正确性的限制。

 

根据实验结果,使用 VGG-16 的更广泛的训练数据集比较小的训练数据集具有更高的准确度和精度。检测电镀表面缺陷是所有故障类别中最具挑战性的。

 

深度学习具有出色的整体评估精度和准确性。结果证实了卷积相关网络具有迁移学习的鲁棒性,可准确检测螺钉的损坏表面。

 

参考文献

Hung, Y.-H. (2022). Developing an Anomaly Detection System for Automatic Defective Products’ Inspection. Processes10(8), 1476. https://www.mdpi.com/2227-9717/10/8/1476

 

Usman Ahmed撰稿

Laura Thomson审稿

2022年8月4日

 

Usman Ahmed

Usman拥有中国西安交通大学材料科学与工程硕士学位。在学习期间,他参与了各种研究项目,涉及航空航天材料,纳米复合涂层,太阳能电池和纳米技术。自毕业以来,他一直担任自由材料工程顾问。他还在具有高影响因子的国际期刊上发表了高质量的研究论文。他喜欢在业余时间看书,看电影和踢足球。

1

鲜花
2

握手

雷人

路过

鸡蛋

刚表态过的朋友 (3 人)

最新评论

相关分类

下级分类

联系我们|本论坛只支持PC端注册|手机版|小黑屋|吾爱光设 ( 粤ICP备15067533号 )

GMT+8, 2024-12-27 02:41 , Processed in 0.078125 second(s), 17 queries .

Powered by Discuz! X3.5

© 2001-2024 Discuz! Team.

返回顶部