【技术实现步骤摘要】
容器瑕疵检测方法和装置
本专利技术涉及目标检测识别
，具体涉及一种容器瑕疵检测方法和一种容器瑕疵检测装置。
技术介绍
目前，应用于工业检测领域的传统机器视觉系统依赖于工业相机中受保护的数字传感器以及用于拍摄图像的专用光学元件，然后这些图像数据使用专业的软件（Halcon）处理、分析、测量各种特征以便做出决定。传统的机器视觉系统使用规则算法，对于处理一致且制造精良的部件位置和方向的定位能够可靠地运行，通过与规定的公差进行对比，对于药瓶上的一些规律性的异常，如是否有安全密封、加盖或药液高度测量等，能够程序化得解决，比原始的人工检测能带来效益上的大幅度提高。其中，传统的视觉检测算法大致可分为5个步骤：特征感知、图像预处理、特征提取、特征筛选、推理预测与识别。然而，手工设计特征需要大量的经验，需要对这个领域和数据特别了解，然后设计出特征还需要大量的调试工作，还要在此基础上有一个比较合适的分类器的算法。因此，传统的目标检测算法具有很强的目标特定性，泛化能力及鲁棒性差。而在现场实际应用中遇到如光照背景变化或药瓶瓶身瓶内出现...
【技术保护点】
1.一种容器瑕疵检测方法，其特征在于，包括以下步骤：/n对无瑕疵的容器的图像样本进行图像融合处理，以生成容器内无异物但瓶身有缺陷的第一容器图像样本；/n对所述无瑕疵的容器进行人工处理，以获取容器内有异物但瓶身无缺陷的第二容器图像样本；/n对所述第二容器图像样本进行所述图像融合处理，以生成容器内有异物且瓶身有缺陷的第三容器图像样本；/n根据所述第一容器图像样本、所述第二容器图像样本和所述第三容器图像样本生成容器瑕疵检测数据集；/n根据所述容器瑕疵检测数据集对神经网络进行训练，以生成容器瑕疵检测算法模型；/n根据所述容器瑕疵检测算法模型对待检测容器进行瑕疵检测。/n
【技术特征摘要】
1.一种容器瑕疵检测方法，其特征在于，包括以下步骤：
对无瑕疵的容器的图像样本进行图像融合处理，以生成容器内无异物但瓶身有缺陷的第一容器图像样本；
对所述无瑕疵的容器进行人工处理，以获取容器内有异物但瓶身无缺陷的第二容器图像样本；
对所述第二容器图像样本进行所述图像融合处理，以生成容器内有异物且瓶身有缺陷的第三容器图像样本；
根据所述第一容器图像样本、所述第二容器图像样本和所述第三容器图像样本生成容器瑕疵检测数据集；
根据所述容器瑕疵检测数据集对神经网络进行训练，以生成容器瑕疵检测算法模型；
根据所述容器瑕疵检测算法模型对待检测容器进行瑕疵检测。
2.根据权利要求1所述的容器瑕疵检测方法，其特征在于，对无瑕疵的容器的图像样本进行图像融合处理，以生成容器内无异物但瓶身有缺陷的第一容器图像样本，包括：
在开源的缺陷检测数据库中截取瓶身有缺陷的容器图像；
对所述容器图像进行缩放和旋转处理；
通过泊松融合的图像融合方式将处理后的容器图像和所述无瑕疵的容器的图像样本进行融合，以生成所述第一容器图像样本。
3.根据权利要求2所述的容器瑕疵检测方法，其特征在于，对所述第二容器图像样本进行图像融合处理，以生成容器内有异物且瓶身有缺陷的第三容器图像样本，包括：
通过所述泊松融合的图像融合方式将所述处理后的容器图像和所述第二容器图像样本进行融合，以生成所述第三容器图像样本。
4.根据权利要求1所述的容器瑕疵检测方法，其特征在于，根据所述第一容器图像样本、所述第二容器图像样本和所述第三容器图像样本生成容器瑕疵检测数据集，包括：
采用labelImg工具对所述第一容器图像样本、所述第二容器图像样本和所述第三容器图像样本进行单类别的缺陷框标注，并筛除未成功标注缺陷框的图像样本，以生成所述容器瑕疵检测数据集。
5.根据权利要求1所述的容器瑕疵检测方法，其特征在于，根据所述容器瑕疵检测数据集对神经网络进行训练之前，包括：
采用RegNet网络代替RetinaNet算法中的ResNet主干网络，以对所述RetinaNet算法进行改进，并将改进后的RetinaNet算法作为所述神经网络对应的算法。
6.根据权利要求5所述的容器瑕疵检测...
【专利技术属性】
技术研发人员：陈海波，方娜，
申请(专利权)人：深兰人工智能芯片研究院江苏有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。