酒瓶表面缺陷模型的评价方法、电子装置及存储介质制造方法及图纸

本发明专利技术公开了一种酒瓶表面缺陷模型的评价方法，并公开了具有酒瓶表面缺陷模型的评价方法的电子装置和计算机可读存储介质，其中酒瓶表面缺陷模型的评价方法包括：基于所获取到的酒瓶表面图片得到训练数据集；将训练数据集输入到待评价模型，以获得表示酒瓶表面图片对应的表面缺陷的表面缺陷信息，酒瓶表面图片的表面缺陷信息包括类别信息和检测矩形框，类别信息表示表面缺陷的类别，检测矩形框表示表面缺陷的位置；根据表面缺陷信息评价待评价模型，本发明专利技术实施例能够对检测酒瓶表面缺陷的卷积神经网络进行准确并直观的评价。

【技术实现步骤摘要】
酒瓶表面缺陷模型的评价方法、电子装置及存储介质
本专利技术涉及酒瓶表面缺陷检测
，特别涉及一种酒瓶表面缺陷模型的评价方法、电子装置及存储介质。
技术介绍
在瓶装酒瓶的工业生产过程中会受到原材料质量、酒瓶图纸设计方案、加工工艺(灌装)以及机床设备质量、生产环境等因素的影响，最终形成的瓶装酒中可能存在各类表面缺陷而影响到整体的产品质量，当今消费者对工业产品的要求在不断提高，消费者的消费欲望并不再局限于产品的质量好坏，还对产品的外观、视觉效果也有着额外的需求，故针对酿酒行业而言，瓶装酒瓶表面缺陷的质检工作将显得尤为重要，提高瓶装酒瓶表面缺陷的质检能力能在一定程度上影响瓶装酒的销售前景。而使用卷积神经网络模型对酒瓶表面缺陷进行检测前，需要对卷积神经网络模型进行训练，训练过程中需要配合针对酒瓶表面缺陷检测的卷积神经网络模型的评价方法，如今存在各种各样的针对卷积神经网络模型的评价方法，但尚未出现用于检测酒瓶表面缺陷的卷积神经网络模型的直观评价方法。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种酒瓶表面缺陷模型的评价方法，能够对检测酒瓶表面缺陷的卷积神经网络进行准确并直观的评价。本专利技术还提出一种具有上述酒瓶表面缺陷模型的评价方法的电子装置。本专利技术还提出一种具有上述酒瓶表面缺陷模型的评价方法的计算机可读存储介质。根据本专利技术的第一方面实施例的酒瓶表面缺陷模型的评价方法，包括：基于所获取到的酒瓶表面图片得到训练数据集；将所述训练数据集输入到待评价模型，以获得表示所述酒瓶表面图片对应的表面缺陷的表面缺陷信息，所述酒瓶表面图片的表面缺陷信息包括类别信息和检测矩形框，所述类别信息表示所述表面缺陷的类别，所述检测矩形框表示所述表面缺陷的位置；根据所述表面缺陷信息评价所述待评价模型。根据本专利技术实施例的酒瓶表面缺陷模型的评价方法，至少具有如下有益效果：首先，将收集到的酒瓶表面图片输入待评价模型，然后，待评价模型检测酒瓶表面图片，并用检测矩形框框出酒瓶表面图片中的表面缺陷，同时识别出表面缺陷的种类，输出表面缺陷的类别信息和检测矩形框，最后根据待评价模型输出的检测矩形框和类别信息，计算得到待评价模型的评分，因此评分数值使用户更加直观、准确地了解当前训练的待评价模型对瓶装酒瓶表面缺陷的检测能力。根据本专利技术的一些实施例，所述根据所述表面缺陷信息评价所述待评价模型包括以下步骤：根据预设的标注矩形框计算IoU阈值；根据所述检测矩形框与预设的所述标注矩形框计算IoU值；根据所述IoU值和所述IoU阈值计算平均准确度AP值；根据所述平均准确度AP值和所述表面缺陷的权重数值计算所述待评价模型的评分。根据本专利技术的一些实施例，所述根据预设的标注矩形框计算IoU阈值采用如下公式：其中，IoUt为所述IoU阈值，m为预设的所述标注矩形框的短边的像素个数。根据本专利技术的一些实施例，所述根据所述平均准确度AP值和所述表面缺陷的权重数值计算所述待评价模型的评分采用如下公式：其中，score为所述评分，i为所述表面缺陷的类别下标数值，c为所述训练数据集对应的总类别数，ki为第i类所述表面缺陷的所述权重数值，APi为第i类所述表面缺陷的所述平均准确度AP值。根据本专利技术的一些实施例，所述酒瓶表面图片包含至少一个所述表面缺陷。根据本专利技术的第二方面实施例的电子装置，包括：存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术第一方面中任一项所述的酒瓶表面缺陷模型的评价方法。由于本专利技术实施例的一种电子装置执行如本专利技术第一方面中任一项所述的酒瓶表面缺陷模型的评价方法，因此具有本专利技术第一方面的所有有益效果。根据本专利技术的第三方面实施例的计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如本专利技术第一方面中任一项所述的酒瓶表面缺陷模型的评价方法。由于本专利技术实施例的计算机可读存储介质上存储有用于执行如本专利技术第一方面中任一项所述的酒瓶表面缺陷模型的评价方法的计算机可执行指令，因此具有本专利技术第一方面的所有有益效果。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术实施例的酒瓶表面缺陷模型的评价方法的流程图；图2为本专利技术实施例的酒瓶表面缺陷模型的评价方法的根据表面缺陷信息评价待评价模型这一步骤的流程图；图3为本专利技术实施例提供的一种电子装置的结构示意图。附图标记：电子装置100、处理器101、存储器102。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，大于、小于等理解为不包括本数。本专利技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。本专利技术提供了一种酒瓶表面缺陷模型的评价方法、电子装置及存储介质，待训练数据集包括多个待训练的酒瓶表面图片，每张图片包含至少一个表面缺陷，将图片输入卷积神经网络后，卷积神经网络检测图片中表面缺陷的位置并用检测矩形框将表面缺陷框出来，图片中还包括人为事先用标注矩形框框出的表面缺陷，标注矩形框表示表面缺陷的实际位置，然后根据标注矩形框的短边像素大小计算IoU阈值，从而根据不同大小的表面缺陷使用不同的IoU阈值，并计算检测矩形框与标注矩形框的IoU值，若IoU值大于IoU阈值时则认为检测成功，判断为正例，若小于IoU阈值则为负例，然后通过统计每一类表面缺陷的正例数量，计算得到待评价模型对该类表面缺陷的平均准确度AP值，最后根据每一类表面缺陷的平均准确度AP值和该类表面缺陷的权重数值得到待评价模型的评分，评分直观且准确的显示了当前训练的待评价模型对瓶装酒瓶表面缺陷的检测能力，使用户了解当前的待评价模型对哪一种表面缺陷的检测能力较好，对哪一种表面缺陷的检测能力较差，给用户提供了进一步改进待评价模型的方向和思路。参照图3，为本专利技术第一方面实施例提供的一种电子装置100，包括存储器102、处理器101，图3中以一个处理器101和一个存储器102为例。处理器和存储器可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器102作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器102可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存本文档来自技高网...

【技术保护点】
1.一种酒瓶表面缺陷模型的评价方法，其特征在于，包括：/n基于所获取到的酒瓶表面图片得到训练数据集；/n将所述训练数据集输入到待评价模型，以获得表示所述酒瓶表面图片对应的表面缺陷的表面缺陷信息，所述酒瓶表面图片的表面缺陷信息包括类别信息和检测矩形框，所述类别信息表示所述表面缺陷的类别，所述检测矩形框表示所述表面缺陷的位置；/n根据所述表面缺陷信息评价所述待评价模型。/n

【技术特征摘要】
1.一种酒瓶表面缺陷模型的评价方法，其特征在于，包括：
基于所获取到的酒瓶表面图片得到训练数据集；
将所述训练数据集输入到待评价模型，以获得表示所述酒瓶表面图片对应的表面缺陷的表面缺陷信息，所述酒瓶表面图片的表面缺陷信息包括类别信息和检测矩形框，所述类别信息表示所述表面缺陷的类别，所述检测矩形框表示所述表面缺陷的位置；
根据所述表面缺陷信息评价所述待评价模型。


2.根据权利要求1所述的一种酒瓶表面缺陷模型的评价方法，其特征在于，所述根据所述表面缺陷信息评价所述待评价模型包括以下步骤：
根据预设的标注矩形框计算IoU阈值；
根据所述检测矩形框与预设的所述标注矩形框计算IoU值；
根据所述IoU值和所述IoU阈值计算平均准确度AP值；
根据所述平均准确度AP值和所述表面缺陷的权重数值计算所述待评价模型的评分。


3.根据权利要求2所述的一种酒瓶表面缺陷模型的评价方法，其特征在于，所述根据预设的标注矩形框计算IoU阈值采用如下公式：



其中，IoUt为...

【专利技术属性】
技术研发人员：邓辅秦，李伟科，陈旭林，黄永深，冯华，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44