玻璃瓶口缺陷检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种玻璃瓶口缺陷检测方法、装置、设备及存储介质，所述方法通过根据多尺度多注意力卷积神经网络MSMA

【技术实现步骤摘要】
玻璃瓶口缺陷检测方法、装置、设备及存储介质


[0001]本专利技术涉及表面缺陷检测
，尤其涉及一种玻璃瓶口缺陷检测方法、装置、设备及存储介质。

技术介绍

[0002]玻璃瓶，作为常用的一种器皿在生产中得到广泛的应用，由于玻璃的特殊材质常常会出现各种问题，例如裂纹、裂缝、缺口等，玻璃瓶口缺陷的检测是实现生产高质量产品的关键步骤，提高瓶口缺陷的检测效率一直都是缺陷检测领域中的重中之重，因此，国内外对玻璃瓶口缺陷检测的效果都十分重视，然而，人工检测玻璃瓶口缺陷耗费时间长、检测速度慢、效率低下，并常受到主观因素的影响导致检测准确率低。

技术实现思路

[0003]本专利技术的主要目的在于提供一种玻璃瓶口缺陷检测方法、装置、设备及存储介质，旨在解决现有技术中玻璃瓶缺陷检测依靠人工检测，耗费时间长，检测速度慢，检测效率低下，并常受到主观因素的影响导致检测准确率低的技术问题。
[0004]第一方面，本专利技术提供一种玻璃瓶口缺陷检测方法，所述玻璃瓶口缺陷检测方法包括以下步骤：根据多尺度多注意力卷积神经网络MSMA
‑
CNN模块构建检测模型；通过所述检测模型对待检测玻璃瓶的玻璃瓶口缺陷图像进行检测，获得缺陷图像检测结果；根据所述缺陷图像检测结果确定玻璃瓶口缺陷位置。
[0005]可选地，所述根据多尺度多注意力卷积神经网络MSMA
‑
CNN模块构建检测模型，包括：从多尺度多注意力卷积神经网络MSMA
‑
CNN模块中获得特征提取单元、MSMA单元、特征融合单元和基于注意力引导的数据增强单元；根据所述特征提取单元、所述MSMA单元、所述特征融合单元和所述数据增强单元构建检测模型。
[0006]可选地，所述通过所述检测模型对待检测玻璃瓶的玻璃瓶口缺陷图像进行检测，获得缺陷图像检测结果，包括：将待检测玻璃瓶的玻璃瓶口缺陷图像输入至所述检测模型的特征提取单元，获得图片特征图；将所述图片特征图输入至所述检测模块的MSMA单元，获得初始注意力图；将所述注意力图进行图像融合，并将融合结果输入至所述检测模型的数据增强模块，获得数据增强后的图像；将数据增强后的图像与所述玻璃瓶口缺陷图像一起输入至所述检测模型的特征提取单元和所述MSMA单元，获得目标特征图和目标注意力图；
将所述初始注意力图、所述目标特征图和所述目标注意力图输入至所述检测模型的特征融合单元，获得融合特征，将所述融合特征作为缺陷图像检测结果。
[0007]可选地，所述将待检测玻璃瓶的玻璃瓶口缺陷图像输入至所述检测模型的特征提取单元，获得图片特征图，包括：根据改进的Inception V3网络生成所述检测模型的特征提取单元；将待检测玻璃瓶的玻璃瓶口缺陷图像输入至所述特征提取单元，获得不同尺度的第一特征图和第二特征图；通过空间金字塔池SPP模块执行预设卷积核对所述第二特征图进行池化处理，获得第三特征图。
[0008]可选地，所述将所述图片特征图输入至所述检测模块的MSMA单元，获得初始注意力图，包括：将所述图片特征图输入至所述检测模块的MSMA单元中的PANet模块，根据所述PANet模块中自底向上和自顶向下两条路径对所述图片特征图的表征能力进行增强，获得初始特征图；将所述初始特征图输入至所述MSMA单元中的多注意力模块，根据所述多注意力模块的空间注意力机制、通道注意力机制及混合注意力机制生成对应的注意力图。
[0009]可选地，所述将所述初始注意力图、所述目标特征图和所述目标注意力图输入至所述检测模型的特征融合单元，获得融合特征，将所述融合特征作为缺陷图像检测结果，包括：将所述初始注意力图、所述目标特征图和所述目标注意力图输入至所述检测模型的特征融合单元，根据所述特征融合单元将所述初始注意力图、所述目标特征图和所述目标注意力进行元素级相乘，获得融合特征，将所述融合特征作为缺陷图像检测结果。
[0010]可选地，所述根据所述缺陷图像检测结果确定玻璃瓶口缺陷位置，包括：根据所述缺陷图像检测结果确定待检测玻璃瓶的瓶口缺陷区域图像；对所述瓶口缺陷区域图像进行空间定位，获得玻璃瓶口缺陷位置。
[0011]第二方面，为实现上述目的，本专利技术还提出一种玻璃瓶口缺陷检测装置，所述玻璃瓶口缺陷检测装置包括：模型构建模块，用于根据多尺度多注意力卷积神经网络MSMA
‑
CNN模块构建检测模型；检测模块，用于通过所述检测模型对待检测玻璃瓶的玻璃瓶口缺陷图像进行检测，获得缺陷图像检测结果；缺陷确定模块，用于根据所述缺陷图像检测结果确定玻璃瓶口缺陷位置。
[0012]第三方面，为实现上述目的，本专利技术还提出一种玻璃瓶口缺陷检测设备，所述玻璃瓶口缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的玻璃瓶口缺陷检测程序，所述玻璃瓶口缺陷检测程序配置为实现如上文所述的玻璃瓶口缺陷检测方法的步骤。
[0013]第四方面，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有玻璃瓶口缺陷检测程序，所述玻璃瓶口缺陷检测程序被处理器执行时实现如上文所述的玻璃瓶口缺陷检测方法的步骤。
[0014]本专利技术提出的玻璃瓶口缺陷检测方法，通过根据多尺度多注意力卷积神经网络MSMA
‑
CNN模块构建检测模型；通过所述检测模型对待检测玻璃瓶的玻璃瓶口缺陷图像进行检测，获得缺陷图像检测结果；根据所述缺陷图像检测结果确定玻璃瓶口缺陷位置，能够基于多尺度多注意力卷积神经网络进行玻璃瓶口缺陷检测，大幅度提高了检测模型的性能，缩短了玻璃瓶口缺陷检测的耗费时间，提高了玻璃瓶口缺陷检测的速度和效率，提升了玻璃瓶口缺陷的准确率。
附图说明
[0015]图1为本专利技术实施例方案涉及的硬件运行环境的设备结构示意图；图2为本专利技术玻璃瓶口缺陷检测方法第一实施例的流程示意图；图3为本专利技术玻璃瓶口缺陷检测方法第二实施例的流程示意图；图4为本专利技术玻璃瓶口缺陷检测方法第三实施例的流程示意图；图5为本专利技术玻璃瓶口缺陷检测方法第四实施例的流程示意图；图6为本专利技术玻璃瓶口缺陷检测方法第五实施例的流程示意图；图7为本专利技术玻璃瓶口缺陷检测方法第六实施例的流程示意图；图8为本专利技术玻璃瓶口缺陷检测装置第一实施例的功能模块图。
[0016]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0017]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0018]本专利技术实施例的解决方案主要是：通过根据多尺度多注意力卷积神经网络MSMA
‑
CNN模块构建检测模型；通过所述检测模型对待检测玻璃瓶的玻璃瓶口缺陷图像进行检测，获得缺陷图像检测结果；根据所述缺陷图像检测结果确定玻璃瓶口缺陷位置，能够基于多尺度多注意力卷积神经网络进行玻璃瓶口缺陷检测，大幅度提高了检测模型的性能，缩短了玻璃瓶口缺陷检测的耗费时间，提高了玻璃瓶口缺陷检测的速度和效率，提升了玻璃瓶口缺陷的准确率，解决了现有技术中玻璃瓶缺陷检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种玻璃瓶口缺陷检测方法，其特征在于，所述玻璃瓶口缺陷检测方法包括：根据多尺度多注意力卷积神经网络MSMA
‑
CNN模块构建检测模型；通过所述检测模型对待检测玻璃瓶的玻璃瓶口缺陷图像进行检测，获得缺陷图像检测结果；根据所述缺陷图像检测结果确定玻璃瓶口缺陷位置。2.如权利要求1所述的玻璃瓶口缺陷检测方法，其特征在于，所述根据多尺度多注意力卷积神经网络MSMA
‑
CNN模块构建检测模型，包括：从多尺度多注意力卷积神经网络MSMA
‑
CNN模块中获得特征提取单元、MSMA单元、特征融合单元和基于注意力引导的数据增强单元；根据所述特征提取单元、所述MSMA单元、所述特征融合单元和所述数据增强单元构建检测模型。3.如权利要求1所述的玻璃瓶口缺陷检测方法，其特征在于，所述通过所述检测模型对待检测玻璃瓶的玻璃瓶口缺陷图像进行检测，获得缺陷图像检测结果，包括：将待检测玻璃瓶的玻璃瓶口缺陷图像输入至所述检测模型的特征提取单元，获得图片特征图；将所述图片特征图输入至所述检测模块的MSMA单元，获得初始注意力图；将所述注意力图进行图像融合，并将融合结果输入至所述检测模型的数据增强模块，获得数据增强后的图像；将数据增强后的图像与所述玻璃瓶口缺陷图像一起输入至所述检测模型的特征提取单元和所述MSMA单元，获得目标特征图和目标注意力图；将所述初始注意力图、所述目标特征图和所述目标注意力图输入至所述检测模型的特征融合单元，获得融合特征，将所述融合特征作为缺陷图像检测结果。4.如权利要求3所述的玻璃瓶口缺陷检测方法，其特征在于，所述将待检测玻璃瓶的玻璃瓶口缺陷图像输入至所述检测模型的特征提取单元，获得图片特征图，包括：根据改进的Inception V3网络生成所述检测模型的特征提取单元；将待检测玻璃瓶的玻璃瓶口缺陷图像输入至所述特征提取单元，获得不同尺度的第一特征图和第二特征图；通过空间金字塔池SPP模块执行预设卷积核对所述第二特征图进行池化处理，获得第三特征图。5.如权利要求3所述的玻璃瓶口缺陷检测方法，其特征在于，所述将所述图片特...

【专利技术属性】
技术研发人员：邓家辉，蔡志相，文龙，姚平，
申请(专利权)人：湖北楚大智能装备有限公司，
类型：发明
国别省市：