基于AI视觉识别的水果箱模具表面缺陷检测数据

通过工业相机采集水果箱模具表面图像，利用深度学习算法识别划痕、凹陷、毛刺等7类典型缺陷的技术，融合YOLOv5目标检测与ResNet34分类网络，实现对塑料模具表面多维缺陷的自动化识别。本缺陷检测数据具有以下应用场景：在企业内部，1. 通过实时采集模具表面缺陷数据，构建注塑工艺参数与缺陷类型的关联模型，实现工艺参数动态调整。2.可持续监测模具缺陷演变规律，建立磨损生命周期预测模型。在企业外部，1. 积累的数万条缺陷样本数据库，为行业协会制定《塑料模具表面缺陷分级标准》提供数据支撑。2. 与机器视觉厂商合作开发专用检测设备，集成本缺陷识别模型后，使同类企业检测效率大大提升。首先，图像采集：采用2000万像素工业相机，配合环形LED光源多角度照射。其次，特征提取：通过CNN卷积层提取缺陷纹理、几何等特征。再次，量化模型，构建缺陷指数公式：P=w1*S+w2*D+w3*C+w4*T+w5*L，其中，w1至w5为各个输入量参数的权重，其大小值利用Halcon深度学习框架构建缺陷检测模型时，通过反向传播算法自动调整大小。S为缺陷面积比，D为最大深度，C为颜色对比度差异（相邻阶灰度差≥5%时C为0.2，相邻阶灰度差≥10%时C为0.5，相邻阶灰度差≥15%时C为0.7，否则C为0），T为缺陷类型系数（划痕T=0.7、毛刺T=0.5、裂纹T=0.9，否则T为0），L为缺陷位置影响因子（边缘L=0.8，中心L=0.5，否则L为0）。最后，根据计算得到的P值对水果箱模具表面缺陷进行分级，优级(P≤0.3)，良级(0.3<P≤0.5)，差级(P>0.5)。

搜集汇总

背景与挑战

背景概述

该数据集为基于AI视觉识别的水果箱模具表面缺陷检测数据，包含10486条记录，每日更新，用于识别7类典型缺陷并分级，应用于工艺调整、磨损预测、行业标准制定和设备开发。