基于深度学习的产品包装检测方法及系统和产品包装分拣系统技术方案

本发明专利技术属于工业化产品包装检测技术领域，特别涉及一种基于深度学习的产品包装检测方法及系统和产品包装分拣系统，该方法包含：实时采集流水线上产品图像数据，该图像数据包含产品包装上的日期图像数据和封口图像数据；通过对日期图像数据进行裁剪处理，获取用于日期检测的第一图像数据集，并利用优化训练后的日期检测模型识别位置日期合格产品，利用分割算法确定日期合格产品；将日期合格产品对应的封口图像数据进行裁剪处理，获取用于封口检测的第二图像数据集，并利用优化训练后的封口检测模型确定封口检测区域，进而识别封口合格产品。本发明专利技术可满足工业生产检测中的实际需求，利用深度学习网络技术实现更精确快速的剔除包装缺陷产品。

【技术实现步骤摘要】
基于深度学习的产品包装检测方法及系统和产品包装分拣系统
本专利技术属于工业化产品包装检测
，特别涉及一种基于深度学习的产品包装检测方法及系统和产品包装分拣系统。
技术介绍
为避免不合格产品流入市场，对产品包装进行检验是质量控制的重要环节。其中日期和封口是包装是否合格的两个重要指标，直接影响产品质量。目前，包装袋的外观检测主要依靠人工进行，人工检测耗费巨大，不但增大了生产成本，且效率低下。随着工业的快速发展，对如何更加快速精确的剔除工业生产过程中的缺陷产品也提出了更高的要求。
技术实现思路
为此，本专利技术提供一种基于深度学习的产品包装检测方法及系统和产品包装分拣系统，满足工业生产检测中的实际需求，利用深度学习网络技术实现更精确快速的剔除包装缺陷产品。按照本专利技术所提供的设计方案，一种基于深度学习的产品包装检测方法，用于产品流水线包装缺陷产品自动化分拣，包含如下内容：实时采集流水线上产品图像数据，该图像数据包含产品包装上的日期图像数据和封口图像数据；通过对日期图像数据进行裁剪处理，获取用于日期检测的第一图像数据集，并利用优化训练后的日期检测模型识别日期位置合格产品，利用分割算法确定日期是否合格；将日期合格产品对应的封口图像数据进行裁剪处理，获取用于封口检测的第二图像数据集，并利用优化训练后的封口检测模型确定封口检测区域并识别封口合格产品；针对日期不合格产品及封口不合格产品，通过流水线上分拣系统进行分拣，自动剔除包装不合格产品。作为本专利技术基于深度学习的产品包装检测方法，进一步的，在产品包装流水线的打日期工位和封口工位上分别设置用于获取产品包装图像数据的视觉采集设备。作为本专利技术基于深度学习的产品包装检测方法，进一步地，图像数据的裁剪处理中，首先对图像数据进行灰度化和分割处理。作为本专利技术基于深度学习的产品包装检测方法，进一步地，所述检测模型包含用于待检测区域识别的目标定位网络和用于产品包装检验的目标识别网络，其中，目标定位网络包含：用于对输入数据进行卷积操作的若干卷积层、及用于从样本数据中获取多个固定参考框的分阶下采样层及上采样层；目标识别网络包含多个卷积层、全连接层和损失层。作为本专利技术基于深度学习的产品包装检测方法，进一步地，目标定位网络的损失函数loss表示为：loss＝lbox+lobj+lcls，其中，lbox表示针对固定参考框大小的预测框位置偏移损失，lobj表示置信度损失，lcls表示类别损失。作为本专利技术基于深度学习的产品包装检测方法，进一步地，目标识别网络的损失函数采用softmax函数。作为本专利技术基于深度学习的产品包装检测方法，进一步地，检测模型训练过程中，首先获取图像样本数据，并对图像样本数据进行区域类别标注，生成用于日期检测模型训练的第一样本数据集和用于封口检测模型训练的第二样本数据集；在每个样本数据集中分别划分用于模型训练的训练集、用于模型测试的测试集及用于模型验证的验证集。作为本专利技术基于深度学习的产品包装检测方法，进一步地，针对日期检测的图像样本数据，采用多类别日期检测区域位置进行标注；针对封口检测的图像样本数据，采用单类别封口检测区域进行标注，其中，标注数据包含：区域位置标注和检测类别标注。进一步地，本专利技术还提供一种基于深度学习的产品包装检测系统，用于产品流水线包装缺陷产品自动化分拣，包含：图像采集模块、日期检测模块和封口检测模块，其中，图像采集模块，用于实时采集流水线上产品图像数据，该图像数据包含产品包装上的日期图像数据和封口图像数据；日期检测模块，用于通过对日期图像数据进行裁剪处理，获取用于日期检测的第一图像数据集，并利用优化训练后的日期检测模型识别日期位置合格产品，并利用分割算法识别日期是否合格；封口检测模块，用于将日期合格产品对应的封口图像数据进行裁剪处理，获取用于封口检测的第二图像数据集，并利用优化训练后的封口检测模型确定封口检测区域并识别封口合格产品；进一步地，本专利技术还提供一种产品包装分拣系统，用于产品流水线包装缺陷产品自动化分拣，包含控制装置及连接有若干分拣道口的输送装置，所述输送装置还连接有用于过滤包装缺陷产品的剔除装置；所述剔除装置包含与控制装置连接的气缸及设置在输送装置上且与气缸连接的导流板；该分拣系统的控制装置与产品包装流水线权利要求9所述的产品包装检测系统连接，通过控制装置控制气缸动作进而带动导流板升起，剔除包装日期不合格及封口不合格的产品。本专利技术的有益效果：本专利技术将传统图像处理与深度卷积神经网络相结合，利用传统图像处理获取目标所在区域，利用深度卷积网络强大的学习能力获取缺陷位置，深度学习网络模型具有泛化能力强、准确率高、速度快的特点，有效地规避因位置偏移、光照强度变化导致的目标位置定位引起的误差，大大提高检测的准确率，与产品包装流水线及分拣系统结合，实现包装袋缺陷自动定位和分流，节省人工成本、提高检测效果，具有较好的应用前景。附图说明：图1为实施例中产品包装检测方法流程示意；图2为实施例中产品包装检测算法原理示意；图3为实施例中日期检测模块流程示意；图4为实施例中封口检测模块流程示意。具体实施方式：为使本专利技术的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本专利技术作进一步详细的说明。本专利技术实施例，参见图1所示，提供一种基于深度学习的产品包装检测方法，包含如下内容：S101、实时采集流水线上产品图像数据，该图像数据包含产品包装上的日期图像数据和封口图像数据；S102、通过对日期图像数据进行裁剪处理，获取用于日期检测的第一图像数据集，并利用优化训练后的日期检测模型识别日期位置合格产品，利用分割算法识别日期是否合格；S103、将日期合格产品对应的封口图像数据进行裁剪处理，获取用于封口检测的第二图像数据集，并利用优化训练后的封口检测模型确定封口检测区域并识别封口合格产品；S104、针对日期位置不合格产品及封口不合格产品，通过流水线上分拣系统进行分拣，自动剔除包装不合格产品。将传统图像处理与深度卷积神经网络相结合，利用传统图像处理获取目标所在区域，利用深度卷积网络强大的学习能力获取缺陷位置，深度学习网络模型具有泛化能力强、准确率高、速度快的特点，有效地规避因位置偏移、光照强度变化导致的目标位置定位引起的误差，大大提高检测的准确率，与产品包装流水线及分拣系统结合，实现包装袋缺陷自动定位和分流，节省人工成本、提高检测效果。作为本专利技术实施例中基于深度学习的产品包装检测方法，进一步的，在产品包装流水线的打日期工位和封口工位上分别设置用于获取产品包装图像数据的视觉采集设备。进一步地，图像数据的裁剪处理中，首先对图像数据进行灰度化和分割处理。对日期和封口分别构建视觉设备，并通过工业相机获取生产线产品图片原始数据样本，对原始数据样本中的图像进行灰度化、分割、裁剪等处理，分别获取日期检测和封口检测第一图像数据集。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的产品包装检测方法，用于产品流水线包装缺陷产品自动化分拣，其特征在于，包含如下内容：/n实时采集流水线上产品图像数据，该图像数据包含产品包装上的日期图像数据和封口图像数据；/n通过对日期图像数据进行裁剪处理，获取用于日期检测的第一图像数据集，并利用优化训练后的日期检测模型识别日期位置合格产品，并利用分割算法确定日期是否合格；/n将日期合格产品对应的封口图像数据进行裁剪处理，获取用于封口检测的第二图像数据集，并利用优化训练后的封口检测模型确定封口待检测区域并识别封口合格产品；/n针对日期不合格产品及封口不合格产品，通过流水线上分拣系统进行分拣，自动剔除包装不合格产品。/n

【技术特征摘要】
1.一种基于深度学习的产品包装检测方法，用于产品流水线包装缺陷产品自动化分拣，其特征在于，包含如下内容：
实时采集流水线上产品图像数据，该图像数据包含产品包装上的日期图像数据和封口图像数据；
通过对日期图像数据进行裁剪处理，获取用于日期检测的第一图像数据集，并利用优化训练后的日期检测模型识别日期位置合格产品，并利用分割算法确定日期是否合格；
将日期合格产品对应的封口图像数据进行裁剪处理，获取用于封口检测的第二图像数据集，并利用优化训练后的封口检测模型确定封口待检测区域并识别封口合格产品；
针对日期不合格产品及封口不合格产品，通过流水线上分拣系统进行分拣，自动剔除包装不合格产品。


2.根据权利要求1所述的基于深度学习的产品包装检测方法，其特征在于，在产品包装流水线的打日期工位和封口工位上分别设置用于获取产品包装图像数据的视觉采集设备。


3.根据权利要求1所述的基于深度学习的产品包装检测方法，其特征在于，图像数据的裁剪处理中，首先对图像数据进行灰度化和分割处理。


4.根据权利要求1所述的基于深度学习的产品包装检测方法，其特征在于，所述检测模型包含用于待检测区域识别的目标定位网络和用于产品包装检验的目标识别网络，其中，目标定位网络包含：用于对输入数据进行卷积操作的若干卷积层、及用于从样本数据中获取多个固定参考框的分阶下采样层及上采样层；目标识别网络包含多个卷积层、全连接层和损失层。


5.根据权利要求4所述的基于深度学习的产品包装检测方法，其特征在于，目标定位网络的损失函数loss表示为：loss＝lbox+lobj+lcls，其中，lbox表示针对固定参考框大小的预测框位置偏移损失，lobj表示置信度损失，lcls表示类别损失。


6.根据权利要求4所述的基于深度学习的产品包装检测方法，其特征在于，目标分类网络的损失函数采用softmax函数。


7.根...

【专利技术属性】
技术研发人员：张晨民，李丙涛，栗芳，樊冠杰，宋冰冰，
申请(专利权)人：郑州金惠计算机系统工程有限公司，
类型：发明
国别省市：河南;41