一种包装检测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种包装检测方法、装置、电子设备及存储介质，用于改善对产品包装进行检测的准确率较低的问题。该方法包括：获得第一包装图像和第二包装图像，第一包装图像和第二包装图像均是采集目标产品的包装获得的；使用机器视觉模型预测第一包装图像中是否有缺陷，获得第一预测结果；使用神经网络模型预测第二包装图像中是否有候选边框，获得第二预测结果，候选边框表征第二包装图像中存在缺陷的位置范围；根据第一预测结果和第二预测结果确定目标产品的检测结果，检测结果表征目标产品是否合格。

A packaging inspection method, device, electronic equipment and storage medium

【技术实现步骤摘要】
一种包装检测方法、装置、电子设备及存储介质
本申请涉及人工智能和图像识别的
，具体而言，涉及一种包装检测方法、装置、电子设备及存储介质。
技术介绍
目前，在食品加工过程中，食品封口的检测是极其重要的一个环节，对食品封口进行检测的具体方法例如：检测产品包装是否破损、密封是否不良和是否有连在一起的包装等等。目前对产品包装进行检测的方法，主要包括：人工检测方法、超声波检测法、压差法、射线检测法、红外无损检测法等方法；然而在具体的实践的过程中发现，使用这些方法对产品包装进行检测的准确率较低。
技术实现思路
本申请实施例的目的在于提供一种包装检测方法、装置、电子设备及存储介质，用于改善对产品包装进行检测的准确率较低的问题。本申请实施例提供了一种包装检测方法，包括：获得第一包装图像和第二包装图像，所述第一包装图像和所述第二包装图像均是采集目标产品的包装获得的；使用机器视觉模型预测所述第一包装图像中是否有缺陷，获得第一预测结果；使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果，所述候选边框表征所述第二包装图像中存在缺陷的位置范围；根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，所述检测结果表征目标产品是否合格。在上述的实现过程中，通过使用机器视觉模型预测目标产品的第一包装图像中是否有缺陷，获得第一预测结果；使用神经网络模型预测目标产品的第二包装图像中是否有候选边框，获得第二预测结果；再根据第一预测结果和第二预测结果确定目标产品的检测结果，检测结果表征目标产品是否合格；产品的包装图像是否有缺陷问题，既可以当做分类问题，也可以当做目标检测问题，因此，根据第一预测结果和第二预测结果共同确定目标产品是否合格，可以提高对产品包装进行检测的准确率，即提高了检测产品包装是否有缺陷的准确率。可选地，在本申请实施例中，所述根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，包括：若所述第一预测结果为无缺陷，且所述第二预测结果为有边框，则确定所述目标产品的检测结果为不合格。在上述的实现过程中，通过若第一预测结果为无缺陷，且第二预测结果为有边框，则确定目标产品的检测结果为不合格；从而提高了检测产品包装是否有缺陷的准确率。可选地，在本申请实施例中，所述根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，包括：若所述第一预测结果为无缺陷，且所述第二预测结果为无边框，则确定所述目标产品的检测结果为合格。在上述的实现过程中，通过若第一预测结果为无缺陷，且第二预测结果为无边框，则确定目标产品的检测结果为合格；从而提高了检测产品包装是否有缺陷的准确率。可选地，在本申请实施例中，所述根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，还包括：若所述第一预测结果为有缺陷，则确定所述目标产品的检测结果为不合格。在上述的实现过程中，通过若第一预测结果为有缺陷，则确定目标产品的检测结果为不合格；从而提高了检测产品包装是否有缺陷的准确率。可选地，在本申请实施例中，所述神经网络模型包括：目标检测模型；在所述使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果之前，还包括：获得多个包装图像和多个图像标签，所述包装图像为产品包装的图像，所述图像标签为所述产品包装的分类标签；以所述多个包装图像为训练数据，以所述多个图像标签为训练标签，对目标检测网络进行训练，获得所述目标检测模型。在上述的实现过程中，通过获得多个包装图像和多个图像标签，包装图像为产品包装的图像，图像标签为产品包装的分类标签；以多个包装图像为训练数据，以多个图像标签为训练标签，对目标检测网络进行训练，获得目标检测模型；从而有效地提高了对目标检测模型进行训练的速度。可选地，在本申请实施例中，在所述对目标检测网络进行训练之前，还包括：获得目标检测神经网络，所述目标检测神经网络包括：定位分支和分类分支；将所述分类分支从所述目标检测神经网络中删除，获得所述目标检测网络。在上述的实现过程中，通过获得目标检测神经网络，目标检测神经网络包括：定位分支和分类分支；将分类分支从目标检测神经网络中删除，获得目标检测网络；使用目标检测网络进行训练，因为减少了分类分支，从而减少了需要训练的权重参数，所以有效地提高了获得目标检测模型的速度。可选地，在本申请实施例中，所述目标检测模型包括：YOLO模型、RCNN模型、fastRCNN模型或者fasterRCNN模型。在上述的实现过程中，目标检测模型采用YOLO模型、RCNN模型、fastRCNN模型或者fasterRCNN模型，从而提高了对目标检测模型进行训练的速度。本申请实施例还提供了一种包装检测装置，包括：图像获得模块，用于获得第一包装图像和第二包装图像，所述第一包装图像和所述第二包装图像均是采集目标产品的包装获得的；第一预测模块，用于使用机器视觉模型预测所述第一包装图像中是否有缺陷，获得第一预测结果；第二预测模块，用于使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果，所述候选边框表征所述第二包装图像中存在缺陷的位置范围；结果确定模块，用于根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，所述检测结果表征目标产品是否合格。可选地，在本申请实施例中，所述结果确定模块，包括：第一确定模块，用于若所述第一预测结果为无缺陷，且所述第二预测结果为有边框，则确定所述目标产品的检测结果为不合格。可选地，在本申请实施例中，所述结果确定模块，包括：第二确定模块，用于若所述第一预测结果为无缺陷，且所述第二预测结果为无边框，则确定所述目标产品的检测结果为合格。可选地，在本申请实施例中，所述结果确定模块，还包括：第三确定模块，用于若所述第一预测结果为有缺陷，则确定所述目标产品的检测结果为不合格。可选地，在本申请实施例中，所述神经网络模型包括：目标检测模型；还包括：第一获得模块，用于获得多个包装图像和多个图像标签，所述包装图像为产品包装的图像，所述图像标签为所述产品包装的分类标签；第二获得模块，用于以所述多个包装图像为训练数据，以所述多个图像标签为训练标签，对目标检测网络进行训练，获得所述目标检测模型。可选地，在本申请实施例中，还包括：第三获得模块，用于获得目标检测神经网络，所述目标检测神经网络包括：定位分支和分类分支；第四获得模块，用于将所述分类分支从所述目标检测神经网络中删除，获得所述目标检测网络。可选地，在本申请实施例中，所述目标检测模型包括：YOLO模型、RCNN模型、fastRCNN模型或者fasterRCNN模型。本申请实施例还提供了一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如上所述的方法。本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上所述的方法。附图说明为了更清楚地说明本申请实施例的技术方案，下面将本文档来自技高网...

【技术保护点】
1.一种包装检测方法，其特征在于，包括：/n获得第一包装图像和第二包装图像，所述第一包装图像和所述第二包装图像均是采集目标产品的包装获得的；/n使用机器视觉模型预测所述第一包装图像中是否有缺陷，获得第一预测结果；/n使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果，所述候选边框表征所述第二包装图像中存在缺陷的位置范围；/n根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，所述检测结果表征目标产品是否合格。/n

【技术特征摘要】
1.一种包装检测方法，其特征在于，包括：
获得第一包装图像和第二包装图像，所述第一包装图像和所述第二包装图像均是采集目标产品的包装获得的；
使用机器视觉模型预测所述第一包装图像中是否有缺陷，获得第一预测结果；
使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果，所述候选边框表征所述第二包装图像中存在缺陷的位置范围；
根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，所述检测结果表征目标产品是否合格。


2.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，包括：
若所述第一预测结果为无缺陷，且所述第二预测结果为有边框，则确定所述目标产品的检测结果为不合格。


3.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，包括：
若所述第一预测结果为无缺陷，且所述第二预测结果为无边框，则确定所述目标产品的检测结果为合格。


4.根据权利要求2-3任一所述的方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，还包括：
若所述第一预测结果为有缺陷，则确定所述目标产品的检测结果为不合格。


5.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括：目标检测模型；在所述使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果之前，还包括：
获得多个包装图像和多个图像标签，所述包装图像为产品包装的图像，所述图像标签为所述产品包...

【专利技术属性】
技术研发人员：陈晨，董帅，李文生，邹昆，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：广东;44