★深圳市联君科技股份有限公司李庆，蓝健，詹镇仕，谭业财，孟永青

关键词：深度学习；AI图像检测；质量自动判定

随着烟草行业自动化、智能化、数字化建设的发展，在卷烟的输送流程中，其整个物流车间目前均已达到自动化程度较高的水平，如配有自动化立体仓库、各种物流自动化输送线、自动高速分拣、RFID（射频识别技术）等先进物流装备。但是在对循环重复使用木托盘的质量判定上，缺乏有效的自动化检测手段，通常是有缺陷木托盘在下个输送环节产生阻碍时，人工才去进行处理，降低了自动化效率。木托盘作为件烟的唯一载体，在重复使用过程中难免会出现卡板缺角、角歪斜、缺板、表面异物等质量问题。这些问题如果在自动堆垛工序出现，会导致堆垛件烟倒塌、歪斜、堆垛不平整等，将严重影响物流线的输送效率。如果堆垛时件烟倒塌，会直接导致件烟的破损，同时在其附近的自动化设备也可能受到影响，不仅会降低生产作业效率，也会给工厂带来经济损失。

针对此问题，李庆在木托盘进入自动堆垛前设计了一种利用视觉检测技术对木托盘进行质量判定的方法。但由于木质托盘体积比较大，所以各种托盘缺陷随机性高、特征复杂。尽管市场上已出现各种视觉质量检测系统，但都存在各种不足：首先检测不够全面，检测的方式是通过在图片上局部添加多个检测框来实现检测，在没有添加检测框的区域不检测，对未设检测工具区域所产生的缺陷无法检测；其次不具备智能化。目前市场上的智能检测技术是需要提供大量的良品进行学习（200个以上），主要依靠差分对比算法进行异常检测。当样品数据不够时误检率很高，当样品数据足够多时，算法模型的精度就不够，无法检出较小缺陷。同时软件上线时间长，调试要求专业化水平高；最后算法模型不具备成长性。目前市场上的检测系统只能对当前检测设定的内容进行检测，检测准确度不会随检测样本量增多而提高，同时也不会检测出无法预期的缺陷，不具备成长性。然而基于深度学习的AI图像检测方法能够完全避免这些因素。深度学习是采用基于神经网络算法的良品学习模式，仅需对良品进行训练即可快速形成检测算法模型，可以全方位、无遗漏地对木托盘进行检测，无需设置工具框，降低了软件的使用难度。同时该检测方法具备AI智能化良品和不良品学习功能，只需30～50个良品木托盘即可完成上线，能快速地完成算法模型建设，操作设置简单易懂。该检测方法还具备成长性，随样本量增多，其检测准确度越来越高，并能检测出无法预期的未知缺陷。因此，这种基于深度学习的AI图像检测方法，完全满足了木托盘质量检测的需求，保障了物流线生产线的输送效率。

1　工艺流程

输送通道上木托盘经过循环重复使用后，其表面会存在异物，盘脚会产生歪斜、缺失、破损，以及支撑横梁断裂等质量问题。这些缺陷木托盘进入后续自动堆垛工位，会造成物流输送系统卡机或者机械手放置件烟时，件烟被异物扎破或者件烟垛批量倒垛，进而造成件烟损坏。

2　结构组成

木托盘的规格为1200mm×1000mm×150mm。其结构组成如图1所示，包括：高速CCD相机（德国Basler品牌ACA2440-20像素500万，面阵式）；高清镜头（日本ComputarV0828-6M）；光源（美国科瑞系列灯珠，节能环保LED面光源）；光源控制器（8口恒流LED驱动源）；工控机（研华品牌，IP-510 CPU：Intel Corei7-10700K GPU：NVIDIAGeForce RTX 3090（24G）硬盘：SSD1TB）；人机交互界面（诺达佳品牌，多点式触摸电容，17寸，分辨率：1280×1024）图像处理器（图像算法库：美国Cognex深度学习算法库，配套软件：木托盘智能分析系统软件）逻辑控制单元（德国西门子，SIMATICS7-1200）。

图1托盘质量检测结构示意图

3　工作原理

通过视觉检测，人类可以使用机器来进行测量和判断；通过视觉检测，机器可以从CCD图像中获取信息，并将其转换为图像信号；通过深度学习算法进行处理，从而将图像信号转换为数字化信号，包括像素分布、亮度、颜色等；通过深度学习图像处理算法，可以从海量信号中提取出有用的特征，并利用这些特征来控制现场设备的运动，从而实现更加精准地判别。

基于深度学习的AI图像视觉检测技术已经得到了广泛的应用和研究，它通过采集良品模型，经过训练，自动提取图像特征，生成算法模型。为了快速生成算法模型，它需要基于高性能图像处理卡（GPU）进行大量数据的分析处理。通过深度学习技术，它可以从大量的样本中提取出有价值的特征，并将这些特征转化为更加精确的模型，从而更好地捕捉和描述被测物的丰富内涵。基于神经网络架构的深度学习技术是机器学习的一个子集，它模仿了人类获取知识的方式。“深度”代表了一种新的神经网络架构，它的层次结构比传统的3层有了显著的改善，最终形成了150层的复杂结构。作为包括统计和预测建模在内的数据科学的一部分，深度学习是一个重要组成部分。一个重大的改进方向是，使用深度学习可以大大提高数据采集、审核和分析的效率。

图2深度学习过程

图3深度学习流程图

4　检测方法

首先，通过安装于工位上的图像采集装置（主要包含高速工业相机、高清镜头、面阵光源等）将通过该工位的被测物的实时图像采集，并输送至工控机本地磁盘。然后，将本地磁盘保存的样本图像导入图像处理软件，再对导入的良品图像进行标注（合格品标注），点击训练，即可快速生成深度学习算法模型。然后通过对比混淆矩阵的分析结果，对比良品数据集、缺陷品数据集中的图像是否被准确识别判定。如果出现良品误判，则重新标记为良品，再次训练；如果出现不良品被识别为良品，则需要拖曳混淆矩阵的分数边界线将其识别为缺陷。对于微小面积的缺陷，可以通过修改特征值参数提高检测精度。

通过在物流输送线上架设的检测装置，对输送线上经过的托盘进行分步图像采集。图像处理器获取到托盘图像后，通过AI智能学习技术对托盘各个角度进行全面检测。当出现缺陷托盘时，将缺陷信号发送给控制系统，进而对缺陷托盘采取报警、停机等操作，并通过输送机构将托盘进行移除。

图4深度学习训练模型参数

5　检测过程

图5工作流程图

托盘从物流输送线到达托盘检测位，从光电开关识别到托盘到位后，在托盘的行进过程中，通过不同位置的光电开关触发光源频闪和相机拍照，分三步对托盘进行全方位的图像采集。

将相机采集到的图像传输至工控机，通过托盘智能分析软件对托盘质量进行全面分析处理，识别出托盘是否存在支撑脚缺失、歪斜，表面有异物等异常情况。

托盘智能分析软件得出结果后，输出信号至控制系统。如果托盘存在异常情况，则进行声光报警提示，并进行缺陷托盘剔除或停机。托盘表面有异物时，发送停机信号，操作员确认后，给出放行信号或者剔除信号；托盘脚异常时，直接发送剔除信号给输送线主控系统，主控系统直接将缺陷托盘剔除。

托盘智能分析软件对生产数据进行分析，按班次和日期将生产数据存储至工控机硬盘，并根据与相关方协商的通信协议将其发送至服务器。

6　结束语

综上所述，基于深度学习的AI图像检测方法在物流输送过程中可以应用于多个环节。它可对产品质量进行检测，及时发现产品缺陷，有效杜绝了缺陷产品流入后续工位，减少了浪费，提高了有效作业生产率。

此外，新的基于深度学习的AI图像检测技术能够更适合物流输送环节中的多背景的复杂图像特征的工位检测，降低了调试难度，提高了新技术应用的可行性。新的基于深度学习的AI图像检测技术不用设定工具框，能够实现视野内的全面检测，降低了由于未设置工具框导致的漏检。

作者简介：

李　庆（1984-），男，河南人，助理工程师，学士，现就职于深圳市联君科技股份有限公司，主要从事电子系统的设计、开发、应用及信息的获取、传输、处理，控制与自动化等方面的研究。

参考文献：

[1]Challey.2022年及之后人工智能/深度学习的八大应用方向[OL].

[2]章世平,王晓芳,常诚,武晓光.基于机器视觉的透雾监视系统[P].CN201120193280.4.2012.

[3]国家烟草专卖局.卷烟工艺规范[M].北京:中国轻工业出版社.

[4]刘国华.HALCON数字图像处理[M].西安:西安电子科技大学出版社.

[5]康耐视公司.康耐视图像检测工具中文指导[Z].

[6]伊恩·古德费洛,约书亚·本吉奥,亚伦·库维尔.DeepLearning深度学习[M].北京:人民邮电出版社.

摘自《自动化博览》2025年11月刊