人造草坪的生产过程中会产生断线的情况，通常时通过人工去检测，为了节省人力成本，通过构建视觉检测系统对其进行实时检测。 根据生产现场实际情况，搭建了一套视觉系统，主要包括相机，镜头，条形光源，工控机。 由于纱线会根据生产需求生产不同颜色的线条，故在检测算法上，主要是根据颜色特征+帧差法来判断是否出现断线。因为现场环境很复杂，会出现包括编织机本身产生的震动，机器故障、人为遮挡、生产时换线等各种影响因素，在驻厂一个半月时间内，根据不同问题对算法进行不同程度上的调整以适应复杂的生产环境。 一代产品目前已完成，在CCG工厂试运行中。除了白线外，断线识别准确率达到99%，误报率低于10%；由于底布是白色纱网，生产白线时受光线干扰严重，断线识别率准确率目前达到90%，误报率低于10%；二代产品不再使用工控机而改用嵌入式主板，算法上用yolov5代替传统算法，降低成本并提高对复杂环境的适应性。

在茶叶发酵的过程中，根据人的经验对其分为四个过程，分别对应着四种发酵程度。通过视觉技术，对茶叶的发酵过程进行实时检测，判断当前时刻处于哪一个发酵程度。 （1）根据开发的发酵程度数字化分类标签，将采集的68000张发酵进程中发酵叶的原始图像，按照训练集：测试集：验证集=7:2:1的比列，分别划分为发酵程度较轻、偏轻、适度、适度、接近过度、过度6个数据集。 （2）对各数据集的图像进行直方图均衡、几何数据增强、色彩空间转换，以提高图像的对比度和亮度、模型的精度，将转换后的图片数据作为最终输入深度学习模型的数据之一。 （3）搭建基于PyTorch的MobileNetV3 + Vision Transformer模型。 最终实际结果，正确率达到90%以上，满足客户需求。

电机转子在生产加工过程中，外部的磁瓦片会有几率产生裂痕等缺陷。人工检测一个转子需要40s左右，为了节省人力成本以及提高生产效率，通过构建视觉系统对其进行缺陷检测。 1.由于磁瓦片上的裂痕大多数肉眼不易分辨，在相机镜头方面最终选用500w像素相机以及显微镜头。 2.起初采用传统视觉算法对裂痕进行检测，主要通过滤波+差分，然后根据梯度角度以及梯度强度进行筛选，最后用过区域生长标出裂缝所在位置。由于磁瓦表面本身存在划痕，噪声影响较为严重，对于不明显的裂痕检测效果很差，Recall太低，所以采用深度学习对其进行缺陷检测。 3.真实裂痕的数据有200张图片，根据其特点，人为在无裂痕的图中额外扩充500张假裂痕数据。选用yolov5网络，训练过后对没有参加训练的50张真实裂痕图片和50张没有裂痕图片进行检测，正确率92%，召回率80%。误判较多，后期不宜直接根据检测框有无作为判断否为存在缺陷的标准，达不到场景需求，故采用语义分割。 4.采用Mask R-CNN，并对网络进行修改。输入不再是直接输入原图，而是首先对图像做灰度然后通过Sobel算子得到图像的梯度图，然后拼接到原图即输入图片有4个通道，再修改网络内相应层的参数。最终通过先前的600张图片进行训练，预留100张进行预测。预测结果，正确率达到99%，召回率达到99%。在珠海一个生产线上试运行，转子生产批量2000个，检测准确率达到98%，召回率95%。由于训练样本中只有200张真实样本，故后期会持续采集更多实际生产中的真实样本并参与训练，准确率以及召回率有待提高。