★深圳市聯君科技股份有限公司李慶，藍健，詹鎮仕，譚業財，孟永青

關鍵詞：深度學習；AI圖像檢測；質量自動判定

隨著煙草行業自動化、智能化、數字化建設的發展，在卷煙的輸送流程中，其整個物流車間目前均已達到自動化程度較高的水平，如配有自動化立體倉庫、各種物流自動化輸送線、自動高速分揀、RFID（射頻識別技術）等先進物流裝備。但是在對循環重復使用木托盤的質量判定上，缺乏有效的自動化檢測手段，通常是有缺陷木托盤在下個輸送環節產生阻礙時，人工才去進行處理，降低了自動化效率。木托盤作為件煙的唯一載體，在重復使用過程中難免會出現卡板缺角、角歪斜、缺板、表面異物等質量問題。這些問題如果在自動堆垛工序出現，會導致堆垛件煙倒塌、歪斜、堆垛不平整等，將嚴重影響物流線的輸送效率。如果堆垛時件煙倒塌，會直接導致件煙的破損，同時在其附近的自動化設備也可能受到影響，不僅會降低生產作業效率，也會給工廠帶來經濟損失。

針對此問題，李慶在木托盤進入自動堆垛前設計了一種利用視覺檢測技術對木托盤進行質量判定的方法。但由于木質托盤體積比較大，所以各種托盤缺陷隨機性高、特征復雜。盡管市場上已出現各種視覺質量檢測系統，但都存在各種不足：首先檢測不夠全面，檢測的方式是通過在圖片上局部添加多個檢測框來實現檢測，在沒有添加檢測框的區域不檢測，對未設檢測工具區域所產生的缺陷無法檢測；其次不具備智能化。目前市場上的智能檢測技術是需要提供大量的良品進行學習（200個以上），主要依靠差分對比算法進行異常檢測。當樣品數據不夠時誤檢率很高，當樣品數據足夠多時，算法模型的精度就不夠，無法檢出較小缺陷。同時軟件上線時間長，調試要求專業化水平高；最后算法模型不具備成長性。目前市場上的檢測系統只能對當前檢測設定的內容進行檢測，檢測準確度不會隨檢測樣本量增多而提高，同時也不會檢測出無法預期的缺陷，不具備成長性。然而基于深度學習的AI圖像檢測方法能夠完全避免這些因素。深度學習是采用基于神經網絡算法的良品學習模式，僅需對良品進行訓練即可快速形成檢測算法模型，可以全方位、無遺漏地對木托盤進行檢測，無需設置工具框，降低了軟件的使用難度。同時該檢測方法具備AI智能化良品和不良品學習功能，只需30～50個良品木托盤即可完成上線，能快速地完成算法模型建設，操作設置簡單易懂。該檢測方法還具備成長性，隨樣本量增多，其檢測準確度越來越高，并能檢測出無法預期的未知缺陷。因此，這種基于深度學習的AI圖像檢測方法，完全滿足了木托盤質量檢測的需求，保障了物流線生產線的輸送效率。

1　工藝流程

輸送通道上木托盤經過循環重復使用后，其表面會存在異物，盤腳會產生歪斜、缺失、破損，以及支撐橫梁斷裂等質量問題。這些缺陷木托盤進入后續自動堆垛工位，會造成物流輸送系統卡機或者機械手放置件煙時，件煙被異物扎破或者件煙垛批量倒垛，進而造成件煙損壞。

2　結構組成

木托盤的規格為1200mm×1000mm×150mm。其結構組成如圖1所示，包括：高速CCD相機（德國Basler品牌ACA2440-20像素500萬，面陣式）；高清鏡頭（日本ComputarV0828-6M）；光源（美國科瑞系列燈珠，節能環保LED面光源）；光源控制器（8口恒流LED驅動源）；工控機（研華品牌，IP-510 CPU：Intel Corei7-10700K GPU：NVIDIAGeForce RTX 3090（24G）硬盤：SSD1TB）；人機交互界面（諾達佳品牌，多點式觸摸電容，17寸，分辨率：1280×1024）圖像處理器（圖像算法庫：美國Cognex深度學習算法庫，配套軟件：木托盤智能分析系統軟件）邏輯控制單元（德國西門子，SIMATICS7-1200）。

圖1托盤質量檢測結構示意圖

3　工作原理

通過視覺檢測，人類可以使用機器來進行測量和判斷；通過視覺檢測，機器可以從CCD圖像中獲取信息，并將其轉換為圖像信號；通過深度學習算法進行處理，從而將圖像信號轉換為數字化信號，包括像素分布、亮度、顏色等；通過深度學習圖像處理算法，可以從海量信號中提取出有用的特征，并利用這些特征來控制現場設備的運動，從而實現更加精準地判別。

基于深度學習的AI圖像視覺檢測技術已經得到了廣泛的應用和研究，它通過采集良品模型，經過訓練，自動提取圖像特征，生成算法模型。為了快速生成算法模型，它需要基于高性能圖像處理卡（GPU）進行大量數據的分析處理。通過深度學習技術，它可以從大量的樣本中提取出有價值的特征，并將這些特征轉化為更加精確的模型，從而更好地捕捉和描述被測物的豐富內涵。基于神經網絡架構的深度學習技術是機器學習的一個子集，它模仿了人類獲取知識的方式。“深度”代表了一種新的神經網絡架構，它的層次結構比傳統的3層有了顯著的改善，最終形成了150層的復雜結構。作為包括統計和預測建模在內的數據科學的一部分，深度學習是一個重要組成部分。一個重大的改進方向是，使用深度學習可以大大提高數據采集、審核和分析的效率。

圖2深度學習過程

圖3深度學習流程圖

4　檢測方法

首先，通過安裝于工位上的圖像采集裝置（主要包含高速工業相機、高清鏡頭、面陣光源等）將通過該工位的被測物的實時圖像采集，并輸送至工控機本地磁盤。然后，將本地磁盤保存的樣本圖像導入圖像處理軟件，再對導入的良品圖像進行標注（合格品標注），點擊訓練，即可快速生成深度學習算法模型。然后通過對比混淆矩陣的分析結果，對比良品數據集、缺陷品數據集中的圖像是否被準確識別判定。如果出現良品誤判，則重新標記為良品，再次訓練；如果出現不良品被識別為良品，則需要拖曳混淆矩陣的分數邊界線將其識別為缺陷。對于微小面積的缺陷，可以通過修改特征值參數提高檢測精度。

通過在物流輸送線上架設的檢測裝置，對輸送線上經過的托盤進行分步圖像采集。圖像處理器獲取到托盤圖像后，通過AI智能學習技術對托盤各個角度進行全面檢測。當出現缺陷托盤時，將缺陷信號發送給控制系統，進而對缺陷托盤采取報警、停機等操作，并通過輸送機構將托盤進行移除。

圖4深度學習訓練模型參數

5　檢測過程

圖5工作流程圖

托盤從物流輸送線到達托盤檢測位，從光電開關識別到托盤到位后，在托盤的行進過程中，通過不同位置的光電開關觸發光源頻閃和相機拍照，分三步對托盤進行全方位的圖像采集。

將相機采集到的圖像傳輸至工控機，通過托盤智能分析軟件對托盤質量進行全面分析處理，識別出托盤是否存在支撐腳缺失、歪斜，表面有異物等異常情況。

托盤智能分析軟件得出結果后，輸出信號至控制系統。如果托盤存在異常情況，則進行聲光報警提示，并進行缺陷托盤剔除或停機。托盤表面有異物時，發送停機信號，操作員確認后，給出放行信號或者剔除信號；托盤腳異常時，直接發送剔除信號給輸送線主控系統，主控系統直接將缺陷托盤剔除。

托盤智能分析軟件對生產數據進行分析，按班次和日期將生產數據存儲至工控機硬盤，并根據與相關方協商的通信協議將其發送至服務器。

6　結束語

綜上所述，基于深度學習的AI圖像檢測方法在物流輸送過程中可以應用于多個環節。它可對產品質量進行檢測，及時發現產品缺陷，有效杜絕了缺陷產品流入后續工位，減少了浪費，提高了有效作業生產率。

此外，新的基于深度學習的AI圖像檢測技術能夠更適合物流輸送環節中的多背景的復雜圖像特征的工位檢測，降低了調試難度，提高了新技術應用的可行性。新的基于深度學習的AI圖像檢測技術不用設定工具框，能夠實現視野內的全面檢測，降低了由于未設置工具框導致的漏檢。

作者簡介：

李　慶（1984-），男，河南人，助理工程師，學士，現就職于深圳市聯君科技股份有限公司，主要從事電子系統的設計、開發、應用及信息的獲取、傳輸、處理，控制與自動化等方面的研究。

參考文獻：

[1]Challey.2022年及之后人工智能/深度學習的八大應用方向[OL].

[2]章世平,王曉芳,常誠,武曉光.基于機器視覺的透霧監視系統[P].CN201120193280.4.2012.

[3]國家煙草專賣局.卷煙工藝規范[M].北京:中國輕工業出版社.

[4]劉國華.HALCON數字圖像處理[M].西安:西安電子科技大學出版社.

[5]康耐視公司.康耐視圖像檢測工具中文指導[Z].

[6]伊恩·古德費洛,約書亞·本吉奧,亞倫·庫維爾.DeepLearning深度學習[M].北京:人民郵電出版社.

摘自《自動化博覽》2025年11月刊