酒瓶表面缺陷检测方法、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检测方法，并公开了具有酒瓶表面缺陷检测方法的电子装置和计算机可读存储介质，酒瓶表面缺陷检测方法包括：基于所获取到的酒瓶表面图片得到训练数据集；构建卷积神经网络并基于训练数据集训练卷积神经网络，得到深度学习神经网络；将待检测的酒瓶表面图片输入到深度学习神经网络，以获得待检测的酒瓶表面图片对应的表面缺陷信息；本发明专利技术实施例能够对瓶装酒瓶进行表面缺陷的质检，从而大大提高企业的生产效率，减少生产成本，并且具有针对大量检测数据的学习能力和图像特征提取能力，无需人为设计复杂的特征提取算法，从而降低智能检测难度。

【技术实现步骤摘要】
酒瓶表面缺陷检测方法、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检测方法、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。传统的人工目检工件表面缺陷或者人工抽样检测工件表面缺陷所造成的产品漏检率和错判率可能极高，针对产品的检测质量效果也因人而异并且缺乏效率，导致工件产品无法大批量生产，不但降低企业的生产效率，还增加企业的生产成本。基于传统机器视觉的检测方法主要依赖于模板匹配，同时对结构复杂、缺陷种类多，特征差别大的工件表面缺陷图像难以提取合适的特征向量，导致最终的检测效果不佳。
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检测方法，能够对瓶装酒瓶进行表面缺陷的质检，从而大大提高企业的生产效率，减少生产成本，并且具有针对大量检测数据的学习能力和图像特征提取能力，无需人为设计复杂的特征提取算法，从而降低智能检测难度。本专利技术还提出一种具有上述酒瓶表面缺陷检测方法的电子装置。本专利技术还提出一种具有上述酒瓶表面缺陷检测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检测方法，包括：基于所获取到的酒瓶表面图片得到训练数据集；构建卷积神经网络并基于所述训练数据集训练所述卷积神经网络，得到深度学习神经网络；将待检测的酒瓶表面图片输入到所述深度学习神经网络，以获得待检测的所述酒瓶表面图片对应的表面缺陷信息。根据本专利技术实施例的酒瓶表面缺陷检测方法，至少具有如下有益效果：将训练数据集中的酒瓶表面图片输入对卷积神经网络，从而对其进行训练，得到具有良好检测性能的深度学习神经网络，然后将待检测的酒瓶表面图片输入深度学习神经网络，得到表面缺陷信息，表面缺陷信息能够表示当前酒瓶表面图片中的表面缺陷，因此能够快速、准确地检测到酒瓶表面的缺陷，大大提高企业的生产效率，减少生产成本，并且卷积神经网络能够降低智能检测难度。根据本专利技术的一些实施例，所述基于所获取到的酒瓶表面图片得到训练数据集之后，还包括以下步骤：对所述酒瓶表面图片进行Y轴镜像翻转；对所述酒瓶表面图片进行增强颜色；对所述酒瓶表面图片进行增强对比度。根据本专利技术的一些实施例，所述构建卷积神经网络并基于所述训练数据集训练所述卷积神经网络，得到深度学习神经网络，包括以下步骤：基于FasterR-CNN网络和CascadeR-CNN网络构建卷积神经网络；基于ResNeXt残差网络结构和FPN网络结构优化所述卷积神经网络，得到第一卷积神经网络；基于所述训练数据集训练所述第一卷积神经网络，得到所述深度学习神经网络。根据本专利技术的一些实施例，所述将待检测的酒瓶表面图片输入到所述深度学习神经网络，以获得待检测的所述酒瓶表面图片对应的表面缺陷信息包括以下步骤：基于所述深度学习神经网络中的检测矩形框将所述酒瓶表面图片中的表面缺陷框出；根据所述检测矩形框与预设的标注矩形框计算IoU值，若所述IoU值大于预设的IoU阈值，则判断为所述深度学习神经网络检测成功，否则判断为所述深度学习神经网络检测失败。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信息。根据本专利技术的一些实施例，所述深度学习神经网络包括卷积层、RPN层、第一池化层、第二池化层、第三池化层、第一全连接层、第二全连接层、第三全连接层，所述第一全连接层的输出信息为所述第二池化层的输入信息，所述第二全连接层的输出信息为所述第三池化层的输入信息。根据本专利技术的一些实施例，所述第一池化层、所述第二池化层、所述第三池化层预设的所述IoU阈值各不相同，所述第一全连接层、所述第二全连接层、所述第三全连接层均执行以下步骤：基于所述深度学习神经网络中的所述检测矩形框将所述酒瓶表面图片中的表面缺陷框出；根据所述检测矩形框与预设的所述标注矩形框计算IoU值，若所述IoU值大于预设的IoU阈值，则输出所述检测矩形框。根据本专利技术的一些实施例，所述表面缺陷信息包括以下任意一种：所述表面缺陷的类别；所述表面缺陷的类别名；表示所述表面缺陷的位置对应的检测矩形框；所述深度学习神经网络的置信度排名及数值；判定结果。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检测方法。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检测方法，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检测方法。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检测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提供的一种酒瓶表面缺陷检测方法的流程图；图2为本专利技术实施例提供的一种酒瓶表面缺陷检测方法的基于所获取到的酒瓶表面图片得到训练数据集这一步骤之后的流程图；图3为本专利技术实施例提供的一种酒瓶表面缺陷检测方法的构建卷积神经网络并基于所述训练数据集训练卷积神经网络，得到深度学习神经网络这一步骤的流程图；图4为本专利技术实施例提供的一种酒瓶表面缺陷检测方法的将待检测的酒瓶表面图片输入到深度学习神经网络，以获得待检测的酒瓶表面图片对应的表面缺陷信息这一步骤的流程图；图5为本专利技术实施例提供的一种酒瓶表面缺陷检测方法的深度学习神经网络的整体网络结构图；图6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本文档来自技高网...

【技术保护点】
1.一种酒瓶表面缺陷检测方法，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构建卷积神经网络并基于所述训练数据集训练所述卷积神经网络，得到深度学习神经网络；/n将待检测的酒瓶表面图片输入到所述深度学习神经网络，以获得待检测的所述酒瓶表面图片对应的表面缺陷信息。/n

【技术特征摘要】
1.一种酒瓶表面缺陷检测方法，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；
构建卷积神经网络并基于所述训练数据集训练所述卷积神经网络，得到深度学习神经网络；
将待检测的酒瓶表面图片输入到所述深度学习神经网络，以获得待检测的所述酒瓶表面图片对应的表面缺陷信息。


2.根据权利要求1所述的一种酒瓶表面缺陷检测方法，其特征在于，所述基于所获取到的酒瓶表面图片得到训练数据集之后，还包括以下步骤：
对所述酒瓶表面图片进行Y轴镜像翻转；
对所述酒瓶表面图片进行增强颜色；
对所述酒瓶表面图片进行增强对比度。


3.根据权利要求1所述的一种酒瓶表面缺陷检测方法，其特征在于，所述构建卷积神经网络并基于所述训练数据集训练所述卷积神经网络，得到深度学习神经网络，包括以下步骤：
基于FasterR-CNN网络和CascadeR-CNN网络构建卷积神经网络；
基于ResNeXt残差网络结构和FPN网络结构优化所述卷积神经网络，得到第一卷积神经网络；
基于所述训练数据集训练所述第一卷积神经网络，得到所述深度学习神经网络。


4.根据权利要求1所述的一种酒瓶表面缺陷检测方法，其特征在于，所述将待检测的酒瓶表面图片输入到所述深度学习神经网络，以获得待检测的所述酒瓶表面图片对应的表面缺陷信息包括以下步骤：
基于所述深度学习神经网络中的检测矩形框将所述酒瓶表面图片中的表面缺陷框出；
根据所述检测矩形框与预设的标注矩形框计算IoU值，若所述IoU值大于预设的IoU阈值，则判断为所述深度学习神经网络检测成功，否则判断为所述深度学习神经网络检测失败。

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