一种卷烟箱外包装油污破损检测系统技术方案

本发明专利技术属于计算机视觉技术领域，尤其涉及一种卷烟箱外包装油污破损检测系统，采用油污破损检测模型实现语义分割，所述油污破损检测模型包括DLA34网络、第一BiFPN网络、第二BiFPN网络以及SegHead网络；所述DLA34网络对检测到的箱体表面图像进行下采样，并将下采样后的特征热图传输给BiFPN网络，BiFPN网络对提取的特征进行简单的转换，最终将信息分到SegHead网络的三个热图语义通道中，得到语义分割结果；本发明专利技术所构建的模型具有很强的鲁棒性和泛化能力，当画面存在模糊、扭曲以及光照过暗等不利的情况下，基于本发明专利技术对箱体、油污以及破损的检测依然具有十分稳定的检测能力。的检测依然具有十分稳定的检测能力。的检测依然具有十分稳定的检测能力。

【技术实现步骤摘要】
一种卷烟箱外包装油污破损检测系统


[0001]本专利技术属于计算机视觉
，尤其涉及一种卷烟箱外包装油污破损检测系统。

技术介绍

[0002]件烟外包装是否完好、是否存在破损以及油渍污染等异常现象是香烟产品是否能顺利进入烟草库房的重要评判标准。
[0003]目前件烟入库的扫码以及分组已经逐渐实现自动化，但在件烟外包装破损及油污的识别判断上还未有成熟的产品；其主要原因在于：一是因为件烟入库时，传送带的震动会导致摄像头拍摄的画面出现严重畸形或模糊，传统的目标检测算法难以胜任；二是破损可能出现在箱体的任意位置，箱体的多个面都需要算法实时检测，算法实时性难以保证。

技术实现思路

[0004]为了解决上述现有技术中存在的技术问题，本专利技术提供了一种卷烟箱外包装油污破损检测系统，拟解决目前的检测算法难以胜任箱体油污以及破损的检测。
[0005]为解决上述技术问题，本专利技术采用的技术方案如下：一种卷烟箱外包装油污破损检测系统，包括箱体图像获取模块以及服务器；所述箱体图像获取模块用于获取待检测箱体表面的图像，并将获取的所述图像传输给服务器进行处理；所述服务器中设置有油污破损检测模型，所述油污破损检测模型包括DLA34网络、第一BiFPN网络、第二BiFPN网络以及SegHead网络；所述DLA34网络对检测到的箱体表面图像进行下采样，并将下采样后的特征热图传输给第一BiFPN网络，第一BiFPN网络将特征热图处理成四组高维特征并将四组高维特征传输给第二BiFPN网络，第二BiFPN网络选择四组高维特征中分辨率最高的一组作为输出；所述SegHead网络获取第二BiFPN网络输出的特征图，对特征图进行语义分割，得到语义分割结果。
[0006]由于语义分割具有很强的鲁棒性和泛化能力，因此当画面存在模糊、扭曲或/和光照过暗，甚至在拍摄角度大幅度改变等不利的情况下，基于本专利技术对箱体、油污以及破损的检测依然具有十分稳定的检测能力。
[0007]优选的，所述SegHead网络包括第一卷积层、ReLU层、第二卷积层以及三通道热图语义通道；所述第一卷积层、ReLU层以及第二卷积层对第二BiFPN网络输出的特征图进行特征转换，并将特征信息分别输送到三通道热图语义通道中，分别得到纸箱、破损和油污三种情况的语义分割结果。
[0008]优选的，对应所述纸箱的热图语义通道采用交叉熵损失函数；对应所述破损及油污的热图语义通道采用Focal Loss损失函数。
[0009]优选的，所述油污破损检测模型的学习策略采用Adam算法，初始学习率为0.001。
[0010]优选的，还包括后处理模块，所述后处理模块中设置有破损阈值和油污阈值；所述后处理模块获取油污破损检测模型中输出的检测结果；所述后处理模块基于检测结果判断破损面积占整个箱体的面积是否超过破损阈值，若超过则输出存在破损；若小于或等于则输出不存在破损；所述后处理模块基于检测结果判断油污面积占整个箱体的面积是否超过油污阈值，若超过则输出，存在油污；若小于或等于则输出不存在油污。
[0011]优选的，所述箱体图像获取模块包括设置在箱体传送带两侧的相机；两个所述相机的拍摄范围相加后覆盖箱体的五个待检测面。
[0012]优选的，两个所述相机间隔两米，且摄像头的拍摄角度朝下45度。
[0013]优选的，两个所述相机的拍摄范围分别覆盖箱体的三个待检测面。
[0014]优选的，还包括相机拍摄触发模块和控制模块；所述控制模块与所述箱体图像获取模块和相机拍摄触发模块通信；所述相机拍摄触发模块用于检测所述箱体的位置信息，当箱体到达指定位置后，相机拍摄触发模块将信息传输给控制模块，控制模块控制所述箱体图像获取模块获取箱体图像。
[0015]优选的，所述相机拍摄触发模块采用红外线传感器。
[0016]本专利技术的有益效果包括：由于语义分割具有很强的鲁棒性和泛化能力，因此当画面存在模糊、扭曲或/和光照过暗，甚至在拍摄角度大幅度改变等不利的情况下，基于本专利技术对箱体、油污以及破损的检测依然具有十分稳定的检测能力。
附图说明
[0017]图1为本专利技术的整体系统结构示意图。
[0018]图2为本专利技术的油污破损检测模型结构示意图。
[0019]图3为本专利技术的后处理模块的处理逻辑框图。
实施方式
[0020]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0021]下面结合附图1
‑
附图3对本专利技术作进一步的详细说明：参见附图1所示，一种卷烟箱外包装油污破损检测系统，包括箱体图像获取模块以及服务器；服务器中设置有油污破损检测模型（附图1所示的破损油污检测算法）；所述箱体图像获取模块包括分别摆放在件烟传输带两侧的摄像头，两个摄像头高
约两米，在传送带的传输方向上间隔两米；摄像头拍的角度朝下约45度，拍摄范围分别覆盖箱体的三个面；如图1所示，1号摄像头的拍摄范围覆盖箱体的待检测面1、4和5；2号摄像头的拍摄范围覆盖箱体的待检测面1、2和3。
[0022]在本实施例中，所述系统还包括红外线传感器，所述红外线传感器用于检测箱体是否达到摄像头的工作区域，若达到相应的工作区域，则将检测信号传输给控制模块，控制模块控制两个所述摄像拍摄箱体画面；摄像头将拍摄到的箱体画面传输到服务器中，通过服务器中设置的油污破损检测模型实现对油污及破损的检测。
[0023]参见附图2所示，本专利技术所述的油污破损检测模型采用DLA34网络+第一BiFPN网络+第二BiFPN网络+SegHead网络的分割框架；本实施例中，油污破损检测模型的主干网络采用DLA34网络，具体介绍请参见如下文献：Yu F, Wang D, Shelhamer E, et al. Deep Layer Aggregation[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE Computer Society, 2018: 2403
‑
2412。
[0024]DLA34网络具备多层信息融合结构，在保证速度的前提下，能更有效的提出中级语义信息。
[0025]而由于DLA34网络的上采样结构IDA(Iterative Deep Aggregation)受到设计的限制，只能对图像进行一次多尺度信息融合，不利于高层信息的丰富化，因此在本实施例中，采用Bi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷烟箱外包装油污破损检测系统，其特征在于，包括箱体图像获取模块以及服务器；所述箱体图像获取模块用于获取待检测箱体表面的图像，并将获取的所述图像传输给服务器进行处理；所述服务器中设置有油污破损检测模型，所述油污破损检测模型包括DLA34网络、第一BiFPN网络、第二BiFPN网络以及SegHead网络；所述DLA34网络对检测到的箱体表面图像进行下采样，并将下采样后的特征热图传输给第一BiFPN网络，第一BiFPN网络将特征热图处理成四组高维特征并将四组高维特征传输给第二BiFPN网络，第二BiFPN网络选择四组高维特征中分辨率最高的一组作为输出；所述SegHead网络获取第二BiFPN网络输出的特征图，对特征图进行语义分割，得到语义分割结果。2.根据权利要求1所述的一种卷烟箱外包装油污破损检测系统，其特征在于，所述SegHead网络包括第一卷积层、ReLU层、第二卷积层以及三通道热图语义通道；所述第一卷积层、ReLU层以及第二卷积层对第二BiFPN网络输出的特征图进行特征转换，并将特征信息分别输送到三通道热图语义通道中，分别得到纸箱、破损和油污三种情况的语义分割结果。3.根据权利要求2所述的一种卷烟箱外包装油污破损检测系统，其特征在于，对应所述纸箱的热图语义通道采用交叉熵损失函数；对应所述破损及油污的热图语义通道采用Focal Loss损失函数。4.根据权利要求1所述的一种卷烟箱外包装油污破损检测系统，其特征在于，所述油污破损检测模型的学习策略采用Adam算法，初始学习率...

【专利技术属性】
技术研发人员：徐伟，曾华，刘永海，许海洋，蒋雯，李涛，胡晓峰，张林，周幸，李瑞，廖建，肖凯，马爱军，王静雅，
申请(专利权)人：中国烟草总公司四川省公司，
类型：发明
国别省市：