電熱毯面料智能檢測系統

劉斌

（成都彩虹電器（集團）股份有限公司，四川 成都 610045）

0 引言

電熱毯生產工藝流程中，質量檢測是影響產品生產效率的關鍵點。現有的電熱毯質量檢測流程主要依靠人工分析和檢測，長期存在檢測效率不高、良品率難以提升，且隨著產能增長帶來瑕疵產品絕對數量的不斷攀升等問題[1]。隨著智能制造的各方面基礎技術和裝備的不斷進步，采用新一代的智能檢測系統融入電熱毯生產工藝流程，面向各種類型的電熱毯面料進行自動化的缺陷檢測，并通過自定義算法的不斷深度學習，持續提高缺陷檢測的效率和性能，使得生產過程中面料質量檢測可以獲得持續的準確率提升，從而最終將電熱毯生產的良品率提高到極高的質量水平。

1 概述

彩虹集團公司是中國生產電熱毯的龍頭企業，擁有大規模、多種面料的生產線。

電熱毯面料在生產過程中時常會出現各種各樣的污漬和瑕疵，例如：印花不清晰、有污跡、有接頭等。面料生產出來后，需要進行人工檢測。面料出機很快，基本上3～5秒即可產出毯料一張，但人工檢測速度較慢，完整的三道檢測工序總計需要10人完成，人力成本高。此外，面料的花色品種很多，多達上百種，人工檢測往往會有遺漏，肉眼看到的花色、圖案、大小也不同，導致檢測結果標準不一，導致時常有不合格品進入下一道生產工序。

采用智能自動化檢測系統代替人工檢測，經評估測試，智能檢測系統能實現電熱毯面料檢測的過殺率<5%（過殺率=過殺數/投產總數），漏檢率<2%（漏檢率=漏檢數/投產總數）。由此可見，智能檢測系統將大幅提高生產效率，提升產品質量，節約人工成本。

2 現有人工檢測流程情況

現有面料檢測的質量控制流程如下：

面料從機床出料，人工快速進行肉眼檢測，大小2毫米以上的污跡、瑕疵、皺褶、印花空白均為不合格；

因為機器出料速度很快，第一次快速進行質量檢測，不合格品快速拿開，將面料移至第二道檢測工序，繼續進行質量檢測。

由于機床出料速度很快，很多面料來不及看就送到下道檢測工序；肉眼容易視覺疲勞，會漏檢；印花上的瑕疵肉眼也很難分辨，仍會漏檢。

質量檢測完全靠經驗，有經驗的質檢員成功檢測的機率能達到時80%。

目前有兩種面料檢測生產線，印花面料和復合面料生產線，每天的產量上萬床，導致人工檢測的工作量及難度很大。

3 智能檢測系統規劃

智能制造是制造業的發展方向，將AI技術引入到集團主打產品電熱毯生產線，融入產品質量的檢測流程，可以大幅度提升產品檢測質量和效率。

采用人工智能檢測系統，可以降低人工成本，克服傳統視覺只能檢測尺寸和物料有無、規則產品上的明顯的缺陷[2]。

智能檢測系統將按照三個階段實施：

首先，在印花面料生產線上試行智能視覺檢測系統，用4K工業線掃相機在生產線上實時拍照，工控機實現面料質量檢測，視覺軟件平臺進行深度學習，用機械抓手將不合格面料自動歸類，實現面料智能檢測和自動化操作。

其次，開發數據接口，與公司ERP系統進行對接。實現對智能檢測數據的實時監控、自動分析、統計和大數據分析。

最后，將實施成功的智能檢測系統應用于更多種類的面料生產線，并對所有生產線進行實時監控和自動取數、統計分析。最終，形成全公司所有電熱毯生產面料檢測的全局化、可視化的數據分析，支撐電熱毯的生產管理[3]。

4 系統關鍵技術及驗證

4.1 建立面料檢測的樣例基礎數據庫

針對每一個型號的面料進行特征數據采集：面料的尺寸、厚度、重量、花色等形成該SKU的特征集合。

匯總和存儲所有的SKU樣例基礎特征集合。

針對每一個SKU樣例進行關鍵閾值的設置，包括（顏色深度、花樣形態、紋理材質走向等）。

4.2 針對瑕疵檢測的AI算法及場景建模：

提取特征信息和文字信息的OCR技術。

提取高清晰照片進行圖像識別和分析技術。

對比該檢測面料與樣例基礎數據庫的特征集進行對比分析。

4.3 驗證AI檢測的準確性和效率

不同型號、多種花色的面料檢測，提取檢測數據樣本。

檢測AI分析時工控機的性能（CPU,內存，GPU的性能占用數據）。

4.4 系統融入生產線的要求

操作臺的部署位置，包括：放置高度、平面布置、電熱毯的軌道走向。

監看大屏以及監看數據的定義與規劃。

設備開機、設備暫停、設備關機、機械操作手柄等操作流程以及使用規范。

5 系統實施方案

5.1 系統架構

針對面料生產線的出料方式，面料生產線采用兩個高分辨率4K線掃相機，垂直于產品上方，垂直距離產品表面合適的工作距離；單個相機可拍攝500mm-1000mm的寬度，兩個相機組合可覆蓋2000mm寬度；當產品移動時，線掃相機掃描成像；在生產線一側放置可視化操作平臺，實時檢測展示：能從管理界面上看見實時檢測的圖片，并標注出檢測點，標注是否合格[4]。

通過網絡將智能視覺檢測系統的數據實時傳送到ERP系統，實時統計當前時點的各個型號規格、花色面料的產量，可以即時查看該時間點的不合格品率，其中：污跡、瑕疵、皺褶、印花空白等的占比情況，以及這些污跡、瑕疵、皺褶、印花空白的大小的描述。

5.2 系統功能

制造企業都有自己的生產模式，電熱毯面料生產更是獨一無二，傳統制造企業尤其需要創新增效。公司領導非常重視生產線的改進和創新，多次組織員工學習智能生產，尤其是組織技術人員多次參觀學習數字化工廠，最后選擇技術先進的工業質檢平臺。

從生產線出來的每一床面料都經過智能視覺檢測系統的快速檢測，合格品自動歸類入庫，不合格品用機器抓手自動歸類到待處理類；

屏幕自動顯示產品檢測情況：能從管理系統界面上看見實時檢測的電熱毯面料的圖片， 并標注出檢測點，標注是否合格，并有聲音提示；

能識別出印花上面很小的污跡和瑕疵，用肉眼不容易辨別；

支持種類繁多的花色面料的自動檢測，只需要提高工控機的算力；

通過采圖訓練，系統不斷的學習，檢測識別非常快，準確率很高。

數據記錄管理功能：能將視覺圖片、檢測結果關聯后存儲到視覺識別設備自帶的數據庫中，確保ERP系統能夠訪問數據庫獲取關聯信息。

工業質檢平臺是基于深度學習算法的智能視覺檢測系統，能實現多種產品瑕疵的檢測；實時監控運行檢測數據，自動生成報表，實現數據智能分析；采用多角度光源和高分辨率線陣相機來實現產品圖像的采集，實現高檢測精度[5]。

5.3 系統測試

公司的電熱毯面料有十幾個規格品種，花色有二十多個。每一種花色的污跡和瑕疵都不一樣，需要采集大量的樣圖，錄入系統。AI用這些數據進行訓練學習，然后進行建模，出現瑕疵的時候就自動進行對比，最后通過一定的算法來進行識別，經過多次訓練后就能熟練識別各種瑕疵、污跡。

圖1 面料智能檢測系統

面料智能檢測系統在印花面料生產線上搭建好后，就開始進行測試。當天檢測出來的不合格面料，系統自動進行統計分析分類：油污2.5mm占16.52%；平均3mm大小印花不清晰的占10.74%；瑕疵2.2mm占38.01%；皺褶3.5mm占13.22%；其他不合格的占21.48%。

經過一個月左右的測試，系統不斷的訓練學習，反復調整設置，基本上達到了每張面料離開機床就實現快速檢測和歸類，只要看面板就知道面料的質量情況和分析報告。系統運行良好。

現在只需一人查看面板，系統自動實現快速檢測和歸類，極大的節約了人力成本和生產效率。

6 結語

電熱毯面料智能檢測系統通過遷移學習，縮短了采圖訓練的時間，減少了樣本；物理模擬生成缺陷樣本，減少了對缺陷樣本的依賴；自動分析數據，保證訓練數據和平衡，提高模型精度；自適應網絡的結構和大小，提高了工作效率。

公司率先對單一型號花色的面料進行試點檢測，達到了預期的效果。電熱毯面料智能檢測系統識別準確率達到90%以上，超過人工檢測水平，整體效率大幅提升。