基于轨迹级联算法的瓶装白酒检测方法和检测装置制造方法及图纸

本发明专利技术提出了一种基于轨迹级联算法的瓶装白酒检测方法：包括以下步骤：建立深度学习可疑物目标检测模型文件、可疑物目标检测算法初始化；可疑物目标检测视频图像获取；深度学习可疑物目标检测；深度学习可疑物目标跟踪；轨迹级联分析可疑物杂质；还提出了一种检测装置，该装置包括深度学习目标检测算法单元、深度学习目标跟踪算法单元、轨迹级联算法单元；本发明专利技术将深度学习算法和轨迹级联算法相结合，解决了现有技术瓶装白酒检测硬件投入和设备维护成本高、对运动的气泡往往容易误检、深度学习算法存在局限性的问题。通过一种新的轨迹级联分析算法，精确的排除瓶身痕迹、气泡等影响，大大提高白酒杂质检测的准确率，产品性价比很高。

【技术实现步骤摘要】
基于轨迹级联算法的瓶装白酒检测方法和检测装置
本专利技术应用于工业生产线上透明瓶装白酒的杂质检测
，尤其涉及一种基于轨迹级联算法的瓶装白酒检测方法和检测装置。
技术介绍
中国的酒文化历史悠久，内涵丰富、博大精深，是中国传统文化的重要组成部分。现如今，白酒在人们生活中具有很高的消费需求，市场规模广阔。中国的白酒行业，也分布着众多的生产厂家，随着生活水平的提高，消费者对白酒质量要求肯定是越来越高。在传统工业的瓶装白酒生产线上，对于瓶装白酒的质量检测，往往是依靠人工灯检，人眼检测的缺点肯定是人力成本高，且人眼疲劳容易出现遗漏。透明瓶装白酒的生产线上，由于酿造、封装的诸多环节可能会混入一些杂质，如玻璃屑、塞屑、金属屑、纤维、毛发等微小的异物，这势必会导致白酒的品质低劣。人工检测这些微小的杂质，一方面是效率低、成本高，另一方面是人眼集中度有限，疲劳导致检测误差大。因此，急需引入智能化、自动化的杂质检测手段，提高瓶装白酒生产线的质量检测效率和准确度。现有技术方案一：提供了一种白酒杂质光谱衍射视觉识别的方法，调制后的激光经待检测酒瓶后，产生的衍射图像，利用图像处理技术完成对白酒杂质的检测。(见已有的申请专利：一种白酒杂质光谱衍射视觉识别装置及方法，申请号：CN201911133913.X)。其缺点在于：1、需要特殊的激光发射、光谱接受设备，和光谱分析仪等多个昂贵设备，硬件投入和设备维护成本高；2、该方法需要利用频谱分析等技术，使得检测技术不够实时性。现有技术方案二：提供了一种基于视觉的白酒瓶内异物自动检测方法，将与工业摄像机相连接的内窥导光镜探入瓶口内采集图像，然后采用图像差分、形态学、阈值化等算法得到杂质目标，并根据杂质目标是否产生运动轨迹来判定瓶内是否有杂质。(见已有的申请专利：一种基于视觉的白酒瓶内异物自动检测装置和方法，申请号：201510008484.9)其缺点在于：1、该方案需要使用内窥导光镜探入瓶口内采集图像，检测过程中容易对瓶内的白酒造成二次污染，破坏检测物；2、该方案视觉处理方法采用传统的图像差分、形态学、阈值化手段，对从图像中检测出微小的杂质区域效果很差，实际使用不适宜。3、该方法仅仅根据检测出的目标是否产生运动轨迹来判断是否有杂质，对运动的气泡往往容易误检为杂质，大大降低准确率。随着人工智能、深度学习技术的迅速发展，在工业界同样也可以发挥深度学习算法的巨大优势，解决工业生产中效率低的问题，提高生产的智能化程度。但是，采用深度学习方法也存在局限性，例如,采用专门针对图像识别的“卷积神经网络”解决图像的杂质识别问题，其优点在于能够准确识别出图像中的可疑物质，但对可疑物质的进一步分类却不够准确:对于可疑物质中的杂质、气泡、不可溶性纤维等物质分类不清，分类的结果常常是错误的。
技术实现思路
本专利技术为解决现有技术存在的问题，提出一种基于轨迹级联算法的瓶装白酒检测方法和检测装置，目的在于解决现有技术硬件投入和设备维护成本高、对运动的气泡往往容易误检为杂质、深度学习算法存在局限性的问题。本专利技术为解决其技术问题采用以下技术方案。一种基于轨迹级联算法的瓶装白酒检测方法，包括以下步骤：步骤一、建立深度学习可疑物目标检测模型文件；步骤二、可疑物目标检测算法初始化；步骤三、可疑物目标检测视频图像获取；步骤四、深度学习可疑物目标检测；步骤五、深度学习可疑物目标跟踪；步骤六、轨迹级联分析可疑物杂质；所述步骤四的深度学习可疑物检测，既是运用可疑物目标检测模型文件检测出当前图像的一个或多个可疑物质，并将一个或多个可疑物质坐标发送给深度学习目标跟踪算法；所述步骤五的深度学习目标跟踪，既是比较上一帧图像的可疑物坐标和下一帧图像的可疑物坐标，从而计算出该可疑物轨迹起始点坐标、截止点坐标，并保存到对应该可疑物的坐标队列中；其特征在于：所述步骤六的轨迹级联分析可疑物杂质，具体过程如下：i、从内存的坐标队列数据结构中，取出要分析的可疑物质的轨迹坐标数据。其中，将轨迹起始点坐标值(xstart,ystart),轨迹结束点坐标值(xend,yend)，求两点的欧式距离，公式如下：然后比较Dis与距离阈值s_Th的大小，并做如下判断：A、若Dis≤s_Th，则判定该可疑物质是静止状态，不与酒液发生相互运行，可判定该可疑物质为瓶身痕迹，或非运动物质。因此，判定当前检测的可疑物质为非杂质，不做任何操作；B、若Dis＞s_Th，则转入环节ii；ii、取出轨迹起始点的Y坐标值ystart，轨迹结束点的Y坐标值yend，做如下判定：A、若ystart-yend＜0，在图像坐标系中，可得知当前可疑物质在白酒液体中运动的轨迹是下沉状态，则可以判定该可疑物质属于不可溶性的杂质。因此，判定当前检测的可疑物质为杂质，并将杂质标识符号impur置为1。B、若ystart-yend≥0，则进入环节iii；iii、从内存的坐标队列数据结构中，取出要分析的可疑物质的轨迹坐标数据，假设从起始点到结束点坐标依次为(x1,y1)，(x2,y2)，(x3,y3),...,(xn,yn)；a)取出所有坐标点的Y轴坐标值，定义列表list_trail＝[y1,y2,y3,...,yn]b)对列表每项元素进行归一化，已知视频图像的高为img_Height，则归一化的方法为：yt_re＝yt/img_Height得到归一化后的列表list_trail_re＝[y1_re,y2_re,y3_re,...,yn_re]c)计算归一化后的list_trail_re的均值：d)计算归一化后的list_trail_re的方差，公式如下：根据以上计算，最后做如下判断：A、若y_var≥var_Th，说明该可疑物质在Y轴方向的轨迹坐标值变化快速，可判定该可疑物质在白酒液体中的轨迹表现为迅速上浮，说明该可疑物质为晃动酒瓶产生的气泡。因此，判定当前检测的可疑物质为非杂质，不做任何操作。B、若y_var＜var_Th，说明该可疑物质在Y轴方向的轨迹坐标值变化缓慢，可判定该可疑物质在白酒液体中的轨迹表现为小范围内不规则的运动，说明该可疑物质为白酒液体中悬浮的不可溶性杂质。因此，判定当前检测的可疑物质为杂质，并将杂质标识符号impur置为1。所述步骤一具体包括以下过程：1)采集摄像机拍摄的透明瓶装白酒的历史视频图像数据，对历史数据进行样本标注，可标注图像中存在的杂质、气泡、不可溶性纤维等物质，制作训练样本图片；2)根据算法模型对训练数据集的要求，将过程1)准备好的训练样本数据转化为代码能够读取的训练数据文件；3)采用深度学习目标检测算法FastRCNN，对训练数据文件进行模型迁移训练，并使用训练数据文件验证模型的准确率，当模型准确率达到要求后，停止模型训练，并保存模型文件；具体为：将过程1)的训练样本图片作为深度本文档来自技高网...

【技术保护点】
1.一种基于轨迹级联算法的瓶装白酒检测方法，包括以下步骤：/n步骤一、建立深度学习可疑物目标检测模型文件；/n步骤二、可疑物目标检测算法初始化；/n步骤三、可疑物目标检测视频图像获取；/n步骤四、深度学习可疑物目标检测；/n步骤五、深度学习可疑物目标跟踪；/n步骤六、轨迹级联分析可疑物杂质；/n所述步骤四的深度学习可疑物检测，既是运用可疑物目标检测模型文件检测出当前图像的一个或多个可疑物质，并将一个或多个可疑物质坐标发送给深度学习目标跟踪算法；所述步骤五的深度学习目标跟踪，既是比较上一帧图像的可疑物坐标和下一帧图像的可疑物坐标，从而计算出该可疑物轨迹起始点坐标、截止点坐标，并保存到对应该可疑物的坐标队列中；/n其特征在于：所述步骤六的轨迹级联分析可疑物杂质，具体过程如下：/ni、从内存的坐标队列数据结构中，取出要分析的可疑物质的轨迹坐标数据。其中，将轨迹起始点坐标值(x

【技术特征摘要】
1.一种基于轨迹级联算法的瓶装白酒检测方法，包括以下步骤：
步骤一、建立深度学习可疑物目标检测模型文件；
步骤二、可疑物目标检测算法初始化；
步骤三、可疑物目标检测视频图像获取；
步骤四、深度学习可疑物目标检测；
步骤五、深度学习可疑物目标跟踪；
步骤六、轨迹级联分析可疑物杂质；
所述步骤四的深度学习可疑物检测，既是运用可疑物目标检测模型文件检测出当前图像的一个或多个可疑物质，并将一个或多个可疑物质坐标发送给深度学习目标跟踪算法；所述步骤五的深度学习目标跟踪，既是比较上一帧图像的可疑物坐标和下一帧图像的可疑物坐标，从而计算出该可疑物轨迹起始点坐标、截止点坐标，并保存到对应该可疑物的坐标队列中；
其特征在于：所述步骤六的轨迹级联分析可疑物杂质，具体过程如下：
i、从内存的坐标队列数据结构中，取出要分析的可疑物质的轨迹坐标数据。其中，将轨迹起始点坐标值(xstart,ystart),轨迹结束点坐标值(xend,yend)，求两点的欧式距离，公式如下：



然后比较Dis与距离阈值s_Th的大小，并做如下判断：
A、若Dis≤s_Th，则判定该可疑物质是静止状态，不与酒液发生相互运行，可判定该可疑物质为瓶身痕迹，或非运动物质。因此，判定当前检测的可疑物质为非杂质，不做任何操作；
B、若Dis＞s_Th，则转入环节ii；
ii、取出轨迹起始点的Y坐标值ystart，轨迹结束点的Y坐标值yend，做如下判定：
A、若ystart-yend＜0，在图像坐标系中，可得知当前可疑物质在白酒液体中运动的轨迹是下沉状态，则可以判定该可疑物质属于不可溶性的杂质。因此，判定当前检测的可疑物质为杂质，并将杂质标识符号impur置为1。
B、若ystart-yend≥0，则进入环节iii；
iii、从内存的坐标队列数据结构中，取出要分析的可疑物质的轨迹坐标数据，假设从起始点到结束点坐标依次为(x1,y1)，(x2,y2)，(x3,y3),...,(xn,yn)；
a)取出所有坐标点的Y轴坐标值，定义列表list_trail＝[y1,y2,y3,...,yn]
b)对列表每项元素进行归一化，已知视频图像的高为img_Height，则归一化的方法为：
yt_re＝yt/img_Height
得到归一化后的列表list_trail_re＝[y1_re,y2_re,y3_re,...,yn_re]
c)计算归一化后的list_trail_re的均值：



d)计算归一化后的list_trail_re的方差，公式如下：



根据以上计算，最后做如下判断：
A、若y_var≥var_Th，说明该可疑物质在Y轴方向的轨迹坐标值变化快速，可判定该可疑物质在白酒液体中的轨迹表现为迅速上浮，说明该可疑物质为晃动酒瓶产生的气泡。因此，判定当前检测的可疑物质为非杂质，不做任何操作。
B、若y_var＜var_Th，说明该可疑物质在Y轴方向的轨迹坐标值变化缓慢，可判定该可疑物质在白酒液体中的轨迹表现为小范围内不规则的运动，说明该可疑物质为白酒液体中悬浮的不可溶性杂质。因此，判定当前检测的可疑物质为杂质，并将杂质标识符号impur置为1。


2.根据权利要求1一种基于轨迹级联算法的瓶装白酒检测方法，其特征在于：所述步骤一具体包括以下过程：
1)采集摄像机拍摄的透明瓶装白酒的历史视频图像数据，对历史数据进行样本标注，可标注图像中存在的杂质、气泡、不可溶性纤维等物质，制作训练样本图片；
2)根据算法模型对训练数据集的要求，将过程1)准备好的训练样本数据转化为代码能够读取的训练数据文件；
3)采用深度学习目标检测算法FastRCNN，对训练数据文件进行模型迁移训练，并使用训练数据文件验证模型的准确率，当模型准确率达到要求后，停止模型训练，并保存模型文件；具体为：将过程1)的训练样本图片作为深度学习目标检测算法FastRCNN的输入数据，将FastRCNN的输出数据反复和过程2)的代码能够读取的训练数据文件作比较，如果有差值则继续训练，直至FastRCNN的输出数据逼近过程2)的代码能够读取的训练数据文件时则训练达到要求，停止模型训练，并保存模型文件。


3.根据权利要求1一种基于轨迹级联算法的瓶装白酒检测方法，其特征在于：所述步骤四具体包括以下过程：
1)采用步骤一的模型文件对...

【专利技术属性】
技术研发人员：李波，张景伟，刘潇，朱国刚，
申请(专利权)人：北京福通互联科技集团有限公司，
类型：发明
国别省市：北京;11