ダイヤモンドワイヤーの断線検出は、ダイヤモンドワイヤーの製造プロセスにおける重要な工程です。従来の接触式検出の感度が低く、断線フィードバックに遅延がある問題を解決するため、強い光の下でダイヤモンドワイヤーの反射する光斑点を機械学習によって非接触で検出する方法が提案されました。組み込みプラットフォーム上でのダイヤモンドワイヤー光斑点検出において、従来の画像処理の操作が複雑で外部光に影響されやすい制約に対し、深層学習に基づく光斑点ターゲット検出が研究され、複数のYoloシリーズモデルが訓練および展開されました。元のモデルが層が深く、モデルサイズが大きいため、組み込みデバイスでリアルタイム性が低い問題に対し、Yoloxを改良した軽量化目標光斑点検出モデルMCA-Yoloxが提案され、Yoloxモデルのメイン特徴抽出ネットワークをMobileNetV3の軽量ネットワークに置き換え、モデルを軽量化しました。その後、深さ方向分離畳み込みおよび逆残差構造を利用して特徴抽出ネットワークを軽量化改良し、CA注意機構を組み合わせて軽量化モデルの検出精度を向上させました。最後に、改良モデルを組み込みプラットフォームに展開しました。実験結果により、改良モデルMCA-Yoloxのサイズと計算量はYoloxモデルの3分の1以下に減少し、同規模のYolox-TinyおよびYolov4-Tinyと比較して検出精度が高く、モデルのmAPが1%以上向上し、最適化後の検出速度は30fpsに達し、深層学習をベースとしたダイヤモンドワイヤー断線検出の完全な産業検査ソリューションを提供することが示されました。

機械視覚;ダイヤモンドワイヤー;断線検出;光斑点;深層学習;組み込み