计算机视觉技术在塑料检测领域的应用进展

2023-01-05王占强薄楠林

合成树脂及塑料 2022年4期

王占强，薄楠林

（1. 嵩山少林武术职业学院，河南登封 452470；2. 郑州商学院，河南郑州 451200）

随着塑料工业的发展，塑料的应用范围越来越广。塑料制品生产过程中，模具的应用极为广泛。塑料加工一般有注塑和吹塑两种，注塑应用更多。在塑料加工过程中，对模具及制品进行在线检测，不仅有利于模具的保护，更有利于快速剔除次品。计算机视觉技术在塑料加工检测领域、尤其是缺陷检测方面具有独特优势［1-2］。本文综述了近年来计算机视觉技术在塑料加工过程及其他相关领域检测方面的应用进展。

1 在注塑工艺中的应用

1.1 在注塑机智能控制中的应用

广东科捷龙机器人有限公司［3］在基于机器视觉的注塑机智能控制器的基础上，又发明了基于机器视觉的注塑机智能控制系统［4］，由可与注塑机连接的主机控制器、控制单元及视觉单元组成。视觉单元在控制单元的控制下获取合模前的图像，并将图像反馈至控制单元进行分析；控制单元包括与其连接的检测单元；检测单元获取图像后判断是否符合合模条件，并将分析结果反馈回控制单元，控制单元将检测结果传回主机控制器。该系统克服了现有注塑系统注塑时无法检测分析模具的状况、不能保护模具及确保产品质量的问题。东莞市台中精机有限公司［5］公开的基于机器视觉的双料注塑机，由底部有转盘的料筒，转盘上装有合模机构且其两侧装有传感器，转盘前方工作台上装有工业摄像机。引入了工业摄像机，实现了机器视觉和传感器的双重定位，提高了加工精度和加工效率。

深圳市圣丰模具塑胶有限公司［6］公开的基于机器视觉的注塑机模具，核心是内部设置可编程逻辑控制器（PLC）、图像处理器和存储器的工业计算机。通过设置CCD摄像机可以实时采集模具在合模过程中的图像，然后传输到PLC，PLC将采集的图像再传输到图像处理器内，对图像进行处理后，通过PLC传输到工业计算机上的触控屏进行显示，从而使用者能够快速、准确地判断合模工作发生前模具中是否有残留物体，即产品是否脱模，同时也可检测注塑的工件是否完整。宁波汇智恒动自动化科技有限公司［7］公开了由视觉模块、矫正模块、机器学习识别模块组成的用于注塑机的视觉检测和矫正系统。其中，视觉模块先采用图像校正来减少由拍照位置偏移或者被拍对象偏移造成的图像位置不一致带来的影响，再对采集的图像进行系统处理，提升了机器视觉处理的精确度。该发明采用机械臂并在视觉模块和机器学习识别模块的辅助下高效率放置无纺布及螺母的操作，提高了注塑机的注塑效率。

中国计量学院［8］发明了基于机器视觉的注塑加工监控检测系统及操作方法，所用工业相机通过USB与设置4个输出端的嵌入式微处理器的输入端相连。其中，1号输出端通过IO信号与可调光源相连；2号输出端通过IO信号与注塑机急停开关相连；3号输出端与无线收发器相连，并将警报信号无线发至监控客户端；4号输出端与触控屏相连，显示当前监控信息及检测结果。该发明可以监控模具及检测部件的磨损情况，当发现模具及部件磨损或异常时，可触发注塑机急停开关启动，并通过无线发送警报信号至监控客户端，提高了产品合格率，适于工业应用。

1.2 在注塑模具监视中的应用

浙江工业大学［9］公开的模具监视方法包括：（1）分别采集注塑机开模到位时和顶针顶出之后的标准模板图像；（2）当注塑机运行至开模到位时，通过摄像机对模具型腔面连续取像，对监控图像的当前帧做预处理，为后续图像快速配准做准备；（3）执行基于FAST-9图像特征快速配准算法；（4）将配准之后的当前帧与模板图像做差分；（5）采用Ostu自动阈值分割算法实现图像的二值化，对图像进行连续开和闭运算；（6）通过空穴检测确定成型产品是否正常，若异常则报警，否则继续等待下一周期的注塑机工作状态信息。该发明实时性良好，鲁棒性强；但不具备监控加工流程用时、局部磨损测量、次品原因统计分析、无线报警等功能。

宁波安信数控技术有限公司［10］公开的基于机器视觉的注塑机模具保护系统，由嵌入式芯片的主控板、相机及近红外光源等组成，相机能够在近红外光源下采集到注塑机开模后模具内的图像。该系统同时还可通过落料对模具进行拍摄，判断落料是否成功及产品是否合格。但该装置不具备异常急停、报警、局部磨损测量等功能。浙江大学［11］提供了注塑机模具图像监测报警系统及方法。其中，图像采集单元的摄像机通过USB接口与检测单元的数字信号处理器（DSP）连接；输入模块通过信号线与检测单元的DSP连接；输出模块通过信号线输出数字信号到注塑机和DSP的指示灯；检测到产品残留时，指示灯报警，并禁止注塑机执行锁模动作。该发明适用于各类模具，检测正确率高；但仅能检测脱模是否成功，不具备异常急停、报警、局部磨损测量等功能。

广州中和互联网技术有限公司［12］公开了一种注塑机模具检测系统及方法，包括机器视觉检测平台（Ⅰ）、图像处理单元（Ⅱ）、模具监测模块（Ⅲ）和模具管理模块（Ⅳ）。（Ⅰ）对模具进行平行无影光照射，而后采集模具的图像信息；（Ⅱ）基于机器视觉方法，通过检测模型对采集的模具图像信息进行识别分析；（Ⅲ）用于结合心跳信号和不合格产品对模具的工作状态进行监测，判断模具是否出现异常；（Ⅳ）在接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具，提高了维修效率。

1.3 在注塑制品检测中的应用

泰瑞机器股份有限公司［13］公开的基于机器视觉的薄壁注塑机产品分拣系统，主要由图像采集装置及图像处理装置（计算机）组成。该系统是基于机器视觉处理的薄壁注塑产品分拣系统的图像处理算法，将处理过的三维图像转换成二维图像进行比较，将CMOS相机引入到图像采集装置中，实现了机器视觉在注塑制品分拣上的应用，提高了制品检测的精度和效率。

针对塑料制品表面质量问题，龙淑嫔［14］采用快速傅氏变换算法，并与高斯滤波技术相结合获取图像信息，对图像的瑕疵区域进行自动检测并输出结果。结果表明，该系统可以对塑料产品表面质量实施快速、精确检测，自动完成检测及分拣任务。关日钊等［15］以透明塑料制品的裂痕检测为研究对象，比较了传统的HOG+SVM机器学习方法与基于Faster R-CNN的深度学习法在缺陷识别与定位上的效果，结果表明，后者对缺陷检出的准确率为90%，较前者高20%。针对医用塑料瓶生产中存在的瓶口有豁口、瓶口过薄等现象，岳昊等［16］设计了一套基于机器视觉的由数据采集模块和检测模块组成的塑料瓶瓶口检测系统。其中，数据采集模块采集正常塑料瓶瓶口数据并保存，检测模块在检测时读取数据用于检测。通过大量塑料瓶的检测验证，该系统对缺陷瓶口检测的准确率达99%以上，最高检测速率可达10 个/s，完全可以满足工业生产要求。

2 在微小塑料零件检测中的应用

2.1 在U型塑料管检测中的应用

田春等［17］采用计算机视觉技术，以U型塑料管缺陷检测为研究对象，借助图像分析不同缺陷的特征，实现了U型塑料管缺陷的高精度检测，在对10 072支U型塑料吸管的检测中，合格品为9 963支，与实际完全相符；具有5类缺陷（长短相、压长相、头部问题、内八、黑点）的109支不合格管全部被识别出来；检测耗时467 s，每支吸管平均检测耗时0.046 s，达到了在线检测要求。

2.2 在塑料齿轮检测中的应用

LabVIEW软件在塑料缺陷检测中的应用越来越广［18-20］。任楷飞等［21］针对家电、仪器仪表行业常用的塑料齿轮生产过程中存在的缺陷问题，基于LabVIEW软件和IAMQ Vision工具包设计了塑料齿轮缺齿检测系统。该系统将机器视觉与虚拟仪器技术结合起来，通过图像采集及包括彩色图像灰度化、中值滤波、阈值化、Canny边缘检测等一系列预处理程序，借助几何匹配算法提取齿轮几何信息，通过机器学习及模板匹配分数（缺齿程度与匹配分数呈反比）分析，得到检测结果。该系统为齿轮及塑料零件缺陷检测提供了新思路。

Zhang Zhenxiang［22］采用图像识别技术对微小塑料齿轮的质量进行了检测。针对齿轮缺陷不确定的情况，深入研究了计算机视觉系统的构建以及数字图像采集、图像预处理、图像分割、亚像素定位等理论、技术，提出了一种虚拟圆扫描法实现齿轮齿形检测，结果表明，该方法能够满足微小塑料齿轮自动检测的要求。

2.3 在雨刮支撑塑料帽检测中的应用

针对汽车后雨刮支撑塑料帽等小型零件的缺陷检测，陈淳等［23］提出一种基于改进的YOLO v3网络多目标缺陷算法。首先对特定零件进行修正，采用k-means聚类算法重新生成边界框尺寸，使用平均重叠度重新选取目标区域候选边界框尺寸，加快了目标检测识别速度及精度；使用Mish激活函数强化了网络学习能力。新方法的目标检测平均精度为97.89%，检测速率为60 ms/张，极大提高了汽车后雨刮器齿轮连杆机构总成装配质量。

2.4 在塑料包装检测中的应用

针对检测系统对半导体塑料包装缺陷位置检测能力较差的现状，设计了一种基于机器视觉的半导体塑料包装缺陷检测系统［24］。根据机器视觉技术获取的目标图像，对图像进行预处理、分割和特征提取，以识别和检测目标图像，检测半导体塑料包装缺陷。结果表明，该系统能够准确检测出半导体塑料包装中的缺陷以及缺陷的位置，提高了缺陷检测效果。Legrand等［25］提出利用机器视觉技术获取高质量的半导体塑料封装图像，进而提高利用主动热像仪检测塑料盖内胶点的真实机器视觉装置的缺陷定位和检测能力的方法。采用ElectroPhysics PV320型红外相机，非冷却BST（［Ba1-xSrx］TiO3）焦阵列，带宽从2 μm扩展到14 μm，研究了表征缺陷的不同参数和主动热技术，以获得对缺陷现象的综合评价和优化。利用噪声滤波阶段、胶热印提取阶段、分割阶段等图像处理工具，开发了一个自动决策系统。将该方法应用于测试样本集，检测所有未上胶的盖子，未发生误分类。

3 在其他塑料检测中的应用

3.1 在吹塑产品检测中的应用

西安交通大学［26］公开的基于机器视觉吹塑产品的在线测量方法，首先基于机器视觉获取工业产品的图像，接着进行图像预处理，再对得到的图像进行分割，从而得到其外形亚像素轮廓，基于亚像素轮廓可以实现相关横截面的直径、高度、圆弧直径以及圆度的检测。该方法提高了产品测量精度以及生产自动化程度。

3.2 在微塑料检测中的应用

微塑料污染已经成为全球关注的环境污染问题。针对微塑料颗粒目标小、背景影响大、样本难分离等特点，基于计算机视觉中的目标检测算法，潘斌辉等［27］利用单目视觉领域的单点多盒探测法（SSD），采用位置误差与置信度误差相结合的加权损失函数引导网络训练，使用SSD网络框架提取含有微塑料颗粒物样本的特征图像并进行识别。结果表明，该方法对微塑料颗粒物检测的平均正确率达89.2%，高于同类型其他检测算法。与常用的拉曼光谱、傅里叶变换红外光谱等单一光学检测法相比，计算机视觉检测具有用工少、速度快、准确率高等优点。

3.3 在板料塑性检测中的应用

Xia Jiaping等［28］提出了两种利用球形压痕试验预测板料塑性各向异性性能的人工神经网络模型，与常规拉伸试验相比，最小化了测量时间、成本，简化了各向异性性能的获取过程，可以替代传统的复杂无量纲分析。此外，还进一步准确地预测了不同方向的兰克福系数。构造了一种考虑实际柔顺性的适用于板料的FE球面压痕模型。为了获得大量训练人工神经网络的数据集，利用所建立的有限元模型对具有1 000个弹塑性参数条件的纯金属和合金工程金属进行了模拟，并对TRIP1180钢、锌合金和6063-T6铝合金3种不同板料进行了实验验证。结果表明，所提出的神经网络模型在预测不同方向的流量曲线和兰克福系数方面可行。