【技术实现步骤摘要】
基于多光谱成像的产品缺陷智能检测系统及其方法
[0001]本专利技术涉及缺陷检测
，特别是基于多光谱成像的产品缺陷智能检测系统及其方法。
技术介绍
[0002]随着计算机技术以及人工智能特别是深度学习的发展，目前在食品加工中为了保证产品的质量，通常需要对产品进行品质检测，目前常见的品质检测方法主要包括机器视觉、热成像技术、核磁共振技术以及多光谱图像检测方法等。
[0003]多光谱图像技术作为一种新型的分析检测技术，在生物医学、食品检测等多个研究领域有了一定的应用。目前，多光谱图像技术已经突破地质遥感领域，逐步应用于食品质量的评价和检验。发展趋势主要分为：(1)蔬菜类食品，因保质期短不宜存放，且营养物质变化过快，急需对蔬菜的营养品质进行快速无损检测。可溶性固形物含量是指包括可溶性糖、酸、维生素、矿物质和纤维素等成分的综合性指标，是评价蔬菜营养价值的重要参数，现常用折射仪法，耗时长且需破坏样品，因此，利用多光谱图像系统快速无损地检测蔬菜是研究者们关注的重点；(2)粮油作物种植领域，多光谱图像技术结合无人机航拍可实现...
【技术保护点】
【技术特征摘要】
1.基于多光谱成像的产品缺陷智能检测系统，其特征在于，包括用于产品缺陷智能检测和边缘计算的生产检测端(10)，以及云端处理平台(20)；所述生产检测端(10)包括用于使待检测产品发生位移的生产检测线(103)、用于拍摄待检测产品的多光谱相机(101)、用于控制所述多光谱相机(101)所在空间位置的机器人(102)、用于根据所述多光谱相机(101)拍摄后形成多光谱图像数据的产品缺陷检测深度学习系统(104)；所述云端处理平台(20)包括缺陷问题分析模块和缺陷问题关联模块，用于调用所述生产检测端(10)边缘计算生成边缘计算数据后进行缺陷问题分析，同时进行关联自主学习后生成反馈数据传输至所述生产检测端(10)，用于所述生产检测端(10)进行相应的产品缺陷智能检测设备的控制以及产品缺陷检测深度学习系统(104)的分析优化；所述产品缺陷检测深度学习系统(104)包括数据获取模块、数据处理模块、模型训练模块、图像识别模块；所述数据获取模块用于基于多光谱图像数据筛选特征波段；所述数据处理模块用于将所述多光谱图像数据进行预处理得到训练数据，所述预处理包括样本标注、主成分分析和数据增广处理；所述模型训练模块用于构建语义分割模型，将所述训练数据输入到所述语义分割模型进行训练，并调节所述语义分割模型的分割参数；所述图像识别模块用于基于已训练的分级分割模型对待检测产品的预设区域进行图像分割后，完成图像识别，输出待检测产品的缺陷检测结果。2.如权利要求1所述的基于多光谱成像的产品缺陷智能检测系统，其特征在于，所述缺陷问题分析模块调用所述生产检测端(10)边缘计算生成数据后进行缺陷问题分析，包括：用于分析计算平方误差代价函数的误差计算单元(201)；用于分析计算卷积层输出的卷积层计算单元(202)；用于分析计算灵敏度的灵敏度计算单元(203)；用于分析计算平方误差代价函数对偏置的偏导，以及计算平方误差代价函数对卷积层的偏导的偏导计算单元(204)；用于更新卷积网络中采样层的权值的权值更新单元(205)。3.如权利要求1所述的基于多光谱成像的产品缺陷智能检测系统，其特征在于，所述缺陷问题关联模块包括分类排序单元(210)、判定单元(220)、关联优化单元(230)、检索匹配单元(240)和输出反馈单元(250)；所述分类排序单元(210)将边缘计算数据进行分词得到关键字或关键词，通过字段控制器去将对应的语句拆解分词后按权重评分排序；所述判定单元(220)判定生产检测端(10)数量，对单个生产检测端(10)和多个生产检测端(10)进行判断，通过判断得到相应的缺陷判定生产检测端体系，所述缺陷判定生产检测端体系对应匹配缺陷检测问题库表；所述关联优化单元(230)按边缘计算数据关键字或关键词，优化对比检索对应缺陷检测问题库表或者预设的缺陷检测问题系统库表；所述检索匹配单元(240)根据缺陷判定生产检测端体系和生产检测端(10)产生的历史数据和现场情况缺陷，输出生产检测端(10)的缺陷检测边缘计算数据，或者/和相互关联的生产检测端(10)对应的缺陷检测边缘计算数据，形成结果数据；所述输出反馈单元(250)向对应的生产检测端(10)输出关联优化后结果数据。
4.如权利要求1所述的基于多光谱成像的产品缺陷智能检测系统，其特征在于，所述生产检测端(10)还包括安装在所述机器人(102)上的照明光源。5.如权利要求4所述的基于多光谱成像的产品缺陷智能检测系...
【专利技术属性】
技术研发人员：曾晓东，
申请(专利权)人：南京鹤梦信息技术有限公司，
类型：发明
国别省市：
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。