1. 项目背景与行业痛点
在化纤生产领域,产品质量检测一直是制约生产效率提升的关键瓶颈。传统的人工检测方式存在三个致命缺陷:首先,工人长时间目检会导致视觉疲劳,漏检率普遍超过15%;其次,不同质检员的标准难以统一,同一批次产品在不同班次可能出现5%-8%的判定差异;最重要的是,人工检测速度难以突破每分钟30米的产线速度限制,严重制约了高速纺丝设备的产能释放。
我们团队在某大型化纤企业实地调研时发现,其FDY生产线每天因人工抽检需要停机4-6次,每次停机重启造成的原料浪费就达200-300公斤。更棘手的是,某些微观缺陷(如0.1mm以下的毛丝、僵丝)在人工检测时根本难以发现,却会在后续织造工序造成断经、断纬等严重问题。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计
2.1 硬件选型方案
经过三个月的对比测试,我们最终确定了"线阵相机+环形光源"的硬件组合。选用Teledyne DALSA的Piranha4 8k线阵相机(行频70kHz)配合Schott Fiber-Lite环形光源,在1.2米幅宽的产线上可实现12μm/pixel的分辨率。这个配置的经济性体现在:
- 相比面阵相机方案节省60%硬件成本
- 通过精确的触发控制,在150m/min的线速度下仍能保证图像清晰度
- 环形光源的漫反射特性有效消除了化纤丝表面的镜面反光干扰
2.2 软件处理流水线
系统采用模块化设计,核心处理流程包括:
- 图像采集模块:通过Camera Link接口实时获取16bit灰度图像
- 预处理模块:采用自适应中值滤波消除随机噪声,配合基于Retinex理论的照度补偿算法
- 缺陷检测模块:创新性地融合了传统算法与深度学习:
- 传统算法:针对周期性纹理缺陷(如竹节丝)采用Gabor滤波器组检测
- 深度学习:使用改进的YOLOv4-tiny模型检测随机性缺陷(如污渍、毛丝)
- 分类决策模块:构建三级质量判定体系,将缺陷分为Critical/Major/Minor三个等级
3. 关键技术突破
3.1 动态ROI提取算法
针对化纤丝束的飘动问题,我们开发了基于运动估计的ROI跟踪算法。该算法通过以下步骤实现稳定检测:
- 在首帧图像中通过边缘检测确定丝束位置
- 使用LK光流法预测下一帧的位移矢量
- 结合Kalman滤
