基于机器视觉的印刷辊筒表面缺陷智能识别系统研究

20240118

制造业

本科研成果的样机，已在国内版辊制造龙头企业获得原理测试，工艺过程已优化，性能稳定，技术上基本成熟，可进入中试阶段。

本科技成果可以一次性转让给拟合作方，转让费200万元。

仅限国内转让

本成果主要面向凹版版辊制造企业，全国有数百家版辊制造企业，规模以上企业有100多家，每家企业购买2台设备，一台设备售价50万元，合同金额可达1亿元。本成果推广应用，可减少劳动强度，提高效率，实现版辊制造过程自动化，推动行业数字化、智能化。

2023科技重点项目

北京市教育委员会

1. 成果来源 本成果来源于北京市自然基金-市教委联合资助项目“基于机器视觉的印刷辊筒表面缺陷智能识别系统研究”（KZ202010015021）.
2. 技术原理 通过人工智能理论和技术，以实现辊筒表面缺陷的智能识别为基本目标。采用力反馈传感技术和神经网络滑模控制策略，实现印版辊筒的无损伤自动稳定搬运；利用机器视觉技术，采用智能相机实现对辊筒缺陷图像的采集；应用图像视觉显著性分析与检测方法，实现对辊筒缺陷区域的提取和检测；应用基于卷积神经网络的深度学习方法，实现对辊筒缺陷的识别分类；通过卷积重构和权重量化两种方法，实现深度学习网络轻量化，提高网络的运行效率。 （1）构建一种智能辊筒无损伤搬运系统，并针对该系统的辊筒抓取动作提出了基于RBF神经网络的自适应滑模控制方法，具有很高的鲁棒性和自适应性，实现参数不确定条件下的辊筒无损伤抓取搬运。针对该系统的辊筒夹持固定动作提出了基于多层神经网络的自适应阻抗控制方法，使得辊筒始终朝着减小卡阻力的方向运动，并且具有自学习功能能够适应不精确模型，实现了参数不确定条件下的对中固定动作。实现了辊筒搬运夹持固定的无损伤与全自动化，提高了工作效率。 （2）从辊筒缺陷产生的机理和分析缺陷的特征入手，试图结合对象估计和超像素分割算法的特点，利用对象估计方法确定图像中各个目标区域的初步范围，采用超像素分割方法来弥补缺失的目标区域，从而实现多个辊筒缺陷的显著图构建和目标区域的提取，综合改善特征提取算法的定位精度、准确测量问题。 （3）采用一种基于对比度拉伸算法和用拉普拉斯算法改进 Robert交叉梯度锐化的全频域显著性检测方法，获得对比度更高、显著图细节更明显的显著图。
3. 关键技术指标 开发一套基于机器视觉的印刷辊筒智能检测系统，系统包括搬运机器人、辊筒缺陷图像采集系统、计算机主机等，能够对缺陷进行自动标注、辊筒的搬运，达到国内领先水平。
4. 应用前景 本成果重点研究印刷辊筒缺陷图像视觉显著性检测方法，针对印刷滚筒缺陷，建立卷积神经网络模型，在辊筒缺陷分类中取得较高的分类精度，推动机器视觉技术在印刷辊筒质量检测领域内的应用，对今后利用卷积神经网络以及其他深度学习方法进行图像分类研究具有重要意义。应用本项目的核心技术，将开发出基于机器视觉的印版辊筒智能检测系统，实现印版辊筒的全自动化生产，大幅度提高制版企业的效率和效益，具有广泛的应用前景。