一种基于深度学习的预包装品质识别方法技术

本发明专利技术提供一种基于深度学习的预包装品质识别方法，至少包括：离线训练过程及在线识别过程；离线识别过程：采集预包装图像的图像采集单元采集图像，并将图像采集单元采集的图像传至预处理单元进行预处理；预处理单元处理后的图像传至数据学习单元；数据学习单元学习后的数据传至储存单元储存；在线识别过程：采集预包装图像的图像采集单元采集图像，并将图像采集单元采集的图像传至预处理单元进行预处理；预处理单元处理后的图像传至数据学习单元；识别单元调用储存单元内储存的模型进行识别，识别后，识别结果通过显示单元显示。本发明专利技术通过学习模型实现识别的准确性和准确性，通过采集图像识别出包装的优劣，节省了人力劳动降低了检测的成本。

A method of pre packaging quality recognition based on deep learning

【技术实现步骤摘要】
一种基于深度学习的预包装品质识别方法
本专利技术涉及品质识别的
，具体而言，尤其涉及一种基于深度学习的预包装品质识别方法。
技术介绍
现阶段已有的技术中经常是采用人工的方法检查包装的品质但是人员经常因为种种原因导致识别的成品按照人员的判断进行判定，导致包装的品质优劣标准不同。同时人工检测常常会出现检测不及时或者需要人员众多的问题，因此不仅仅提高了整个生产的成本同时降低了识别的标准。
技术实现思路
根据上述提出的技术问题，而提供一种基于深度学习的预包装品质识别系统。本专利技术主要利用一种基于深度学习的预包装品质识别方法，其特征在于，至少包括：离线训练过程及在线识别过程。进一步的，所述离线识别过程至少包含以下步骤：S11：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；S12：所述预处理单元处理后的图像传至数据学习单元；S13：所述数据学习单元学习后的数据传至储存单元储存；更进一步的，所述在线识别过程至少包含以下步骤：S21：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；S22：所述预处理单元处理后的图像传至数据学习单元；S23：所述识别单元调用所述储存单元内储存的模型进行识别；S24：识别后，识别结果通过显示单元显示。进一步的，使用时，使用者采集预包装图像，所述预处理单元预处理图像后，识别单元调用储存单元中储存后的模型进行识别，并将识别结果显示在显示单元。进一步的，所述预处理单元将所述图像进行灰度化处理；所述灰度化处理根据YUV的颜色空间，建立亮度Y与R、G、B三个颜色分量的对应：Y＝0.3R+0.59G+0.11B；其中，Y表示点的亮度反映亮度等级，R表示红色，G表示绿色B表示蓝色。更进一步的，所述数据学习单元包含低分类器及高分类器；所述低分类器采用贝叶斯理论；所述贝叶斯理论为：其中，y表示类变量，X表示依赖特征向量；X＝(x1,x2,x3,...,xn)；其中，xi表示第i个X的依赖特征向量，P(y)表示类概率，P(xi|y)表示条件概率；所述高分类器分类为：其中，表示训练样本的权值，zj表示正规因子。更进一步的，所述显示单元采用LED/LCD显示屏。较现有技术相比，本专利技术具有以下优点：本专利技术通过学习模型实现识别的准确性和准确性，通过采集图像识别出包装的优劣，节省了人力劳动降低了检测的成本。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术方法的流程示意图。图2为本专利技术实施例整体结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。如图1所示，本专利技术提供了一种基于深度学习的预包装品质识别方法，其特征在于，至少包括：离线训练过程及在线识别过程；在本实施方式中，所述离线识别过程至少包含以下步骤：步骤S11：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；步骤S12：所述预处理单元处理后的图像传至数据学习单元；步骤S13：所述数据学习单元学习后的数据传至储存单元储存。作为优选的实施方式，所述在线识别过程至少包含以下步骤：步骤S21：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；步骤S22：所述预处理单元处理后的图像传至数据学习单元；步骤S23：所述识别单元调用所述储存单元内储存的模型进行识别；步骤S24：识别后，识别结果通过显示单元显示。作为优选的实施方式，所述图像采集单元通过手机/摄像机采集预包装图像，通过预处理单元将所述采集的预包装图像进行预处理；将所述采集的预包装图像裁剪成40*40像素；所述数据学习单元通过学习所述预处理单元预处理后的图像传至所述储存单元储存。在本实施方式中，使用时，使用者采集预包装图像，所述预处理单元预处理图像后，识别单元调用储存单元中储存后的模型进行识别，并将识别结果显示在显示单元。在本实施方式中，预处理单元将所述图像进行灰度化处理；所述灰度化处理根据YUV的颜色空间，建立亮度Y与R、G、B三个颜色分量的对应：Y＝0.3R+0.59G+0.11B；其中，Y表示点的亮度反映亮度等级，R表示红色，G表示绿色B表示蓝色。可以理解为在其它的实施方式中，还可以按照实际需求进行灰度化处理或其它预处理方法，同时还可以进行降噪处理。作为优选的实施方式，本专利技术的数据学习单元包含低分类器及高分类器；作为一种优选的实施方式，本专利技术低分类器采用贝叶斯理论；所述贝叶斯理论为：其中，y表示类变量，X表示依赖特征向量；X＝(x1,x2,x3,...,xn)；其中，xi表示第i个X的依赖特征向量，P(y)表示类概率，P(xi|y)表示条件概率。作为一种优选的实施方式，本专利技术高分类器分类为：其中，表示训练样本的权值，zj表示正规因子。可以理解为在其它的实施方式中，还可以采用其它的分类器方式进行分类，只要能够满足能够清楚的识别图像即可。作为优选的实施方式，本专利技术显示单元采用LED/LCD显示屏。可以理解为在其他实施方式中，所述显示单元还可以是触摸式显示屏，通过触摸显示屏上的拍摄按钮，对产品进行图像采集。实施例1如图2所示，使用方法的一种系统至少包含：采集预包装图像的图像采集单元、将图像采集单元采集的图像进行预处理的预处理单元、学习预处理单元处理后的图像的数据学习单元、储存数据学习单元学习后本文档来自技高网...

【技术保护点】
1.一种基于深度学习的预包装品质识别方法，其特征在于，至少包括：/n离线训练过程及在线识别过程；/n所述离线识别过程至少包含以下步骤：/nS11：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；/nS12：所述预处理单元处理后的图像传至数据学习单元；/nS13：所述数据学习单元学习后的数据传至储存单元储存；/n所述在线识别过程至少包含以下步骤：/nS21：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；/nS22：所述预处理单元处理后的图像传至数据学习单元；/nS23：所述识别单元调用所述储存单元内储存的模型进行识别；/nS24：识别后，识别结果通过显示单元显示。/n

【技术特征摘要】
1.一种基于深度学习的预包装品质识别方法，其特征在于，至少包括：
离线训练过程及在线识别过程；
所述离线识别过程至少包含以下步骤：
S11：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；
S12：所述预处理单元处理后的图像传至数据学习单元；
S13：所述数据学习单元学习后的数据传至储存单元储存；
所述在线识别过程至少包含以下步骤：
S21：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；
S22：所述预处理单元处理后的图像传至数据学习单元；
S23：所述识别单元调用所述储存单元内储存的模型进行识别；
S24：识别后，识别结果通过显示单元显示。


2.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：
所述图像采集单元通过手机/摄像机采集预包装图像，通过预处理单元将所述采集的预包装图像进行预处理；将所述采集的预包装图像裁剪成40*40像素；所述数据学习单元通过学习所述预处理单元预处理后的图像传至所述储存单元储存；
使用时，使用者采集预包装图像，所述预处理单元预处理图像后，识...

【专利技术属性】
技术研发人员：张耿霖，
申请(专利权)人：大连九州创智科技有限公司，
类型：发明
国别省市：辽宁;21