医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备制造方法及图纸

本发明专利技术适用于缺陷检测技术领域，提供了一种医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备，该方法包括：获取医药玻璃瓶图像，基于医药玻璃瓶图像生成正常图像和缺陷标记图像；将缺陷标记图像输入预设的映射网络，生成缺陷编码；将正常图像和缺陷编码输入预设的生成器，生成合成缺陷样本；基于合成缺陷样本和缺陷标记图像训练生成对抗网络模型；基于生成对抗网络模型生成缺陷样本训练集，基于缺陷样本训练集训练深度学习图像识别模型。本发明专利技术提供的医药玻璃瓶外观缺陷检测模型训练方法能够提供充足的缺陷样本训练集，从而提高医药玻璃瓶外观缺陷检测的准确性。玻璃瓶外观缺陷检测的准确性。玻璃瓶外观缺陷检测的准确性。

【技术实现步骤摘要】
医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备


[0001]本专利技术属于缺陷检测
，尤其涉及一种医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备。

技术介绍

[0002]医疗包装材料的质量关系到医药产品的安全，因此医药包装材料的质量检测是必不可少的。在各类医疗包装材料中，医药玻璃瓶的应用十分广泛，同时由于其生产工艺复杂，可能出现的外观缺陷种类多样，例如污渍、气线、划痕、结石等，检测难度较大。提升医药玻璃瓶的产品质量需要应用有效的检测方法，从而掌握异常情况，更好的指导生产。
[0003]传统上，应用机器视觉或深度学习的检测方法能够实现简单的缺陷识别，但由于医药玻璃瓶存在的缺陷类型不确定、样式不统一，现有的检测模型无法准确识别产品缺陷的种类，容易出现漏检和误检的情况。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种医药玻璃瓶外观缺陷检测模型训练方法，能够提高医药玻璃瓶外观缺陷检测模型的准确性。
[0005]本专利技术实施例的第一方面提供了一种医药玻璃瓶外观缺陷检测模型训练方法，包括：...

【技术保护点】

【技术特征摘要】
1.一种医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，包括：获取医药玻璃瓶图像，基于所述医药玻璃瓶图像生成正常图像和缺陷标记图像；将所述缺陷标记图像输入预设的映射网络，生成缺陷编码；将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本；基于所述合成缺陷样本和所述缺陷标记图像训练生成对抗网络模型；基于所述生成对抗网络模型生成缺陷样本训练集，基于所述缺陷样本训练集训练深度学习识别模型。2.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述基于所述医药玻璃瓶图像生成正常图像和缺陷标记图像，包括：将所述医药玻璃瓶图像进行裁剪；将裁剪后的医药玻璃瓶图像进行分类，生成正常图像和缺陷标记图像。3.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本，包括：将所述正常图像和所述缺陷编码输入所述生成器，基于缺陷重建损失函数生成所述合成缺陷样本；所述缺陷重建损失函数包括：其中，为缺陷重建损失，为缺陷编码，x为正常图像，为合成缺陷样本。4.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本，包括：将所述正常图像和所述缺陷编码输入预设的生成器，基于多样性敏感损失函数进行归一化，生成所述合成缺陷样本；所述多样性敏感损失函数包括：其中，为多样性敏感损失，和为缺陷编码，x为正常图像，和为合成缺陷样本。5.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述将所述正常图像和所述缺陷编码输入预设的生成器，合成缺陷样本，包括：将所述正常图像和所述缺陷编码输入预设的生成器，基于循环一致性损失函数生成所述合成缺陷样本；所述循环一致性损失函数包括：其中，为循环一致性损失，x为正常图像，为缺陷编码，为合成缺陷样本，为缺陷编码。6.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述将所述正常图像和所述缺陷编码输入预设的生成器，合成缺陷样本，包括：将所述正常图像和所述缺陷编码输入预设的生成器，基于分类判别...

【专利技术属性】
技术研发人员：陈宏彩，程煜，郝存明，任亚恒，
申请(专利权)人：河北省科学院应用数学研究所，
类型：发明
国别省市：