液态PET瓶装饮品吹洗灌旋一体机及其方法技术

本申请涉及包装技术领域，其具体地公开了一种液态PET瓶装饮品吹洗灌旋一体机及其方法，其采用基于深度学习的人工智能检测技术，以通过卷积神经网络模型来挖掘液态PET瓶的冲洗后图像和参考图像中关于液态PET瓶的冲洗后洁净度的高维隐含特征信息，并将两者进行对比来进行冲洗后洁净度的质量检测判断，从而避免后续灌装过程中出现水质污染，保证液态PET瓶装饮品的灌装质量。装饮品的灌装质量。装饮品的灌装质量。

【技术实现步骤摘要】
液态PET瓶装饮品吹洗灌旋一体机及其方法


[0001]本申请涉及包装
，且更为具体地，涉及一种液态PET瓶装饮品吹洗灌旋一体机及其方法。

技术介绍

[0002]近年来PET瓶被越来越多地应用到液态饮品包装领域。PET瓶所具有的容量大、轻便、易携、可冷藏、坚固、可回收等特点扩大了其在液态饮品包装领域中的应用范围。
[0003]目前，在液态PET瓶装饮品的生产中，采用一体机技术能够比一般分体机节约用地，减少操作人员的工作量。在液态PET瓶装饮品吹洗灌旋一体机的运行中，其通过在线冲洗，在线灌装，在线旋盖节约生产占地面积，减少包材染菌风险，提高饮品的生产质量。
[0004]在上述工序执行的过程中，在线冲洗环节尤为关键，如果在线冲洗的质量无法满足预定要求，后续灌装过程中会出现水质污染，而在线旋盖也没有任何执行的必要性。
[0005]因此，期待一种智能化的液态PET瓶装饮品吹洗灌旋一体机，其能够对在线冲洗的质量进行判断以确保冲洗后的洁净度。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种液态PET瓶装饮品吹洗灌旋一体机及其方法，其采用基于深度学习的人工智能检测技术，以通过卷积神经网络模型来挖掘液态PET瓶的冲洗后图像和参考图像中关于液态PET瓶的冲洗后洁净度的高维隐含特征信息，并将两者进行对比来进行冲洗后洁净度的质量检测判断，从而避免后续灌装过程中出现水质污染，保证液态PET瓶装饮品的灌装质量。
[0007]相应地，根据本申请的一个方面，提供了一种液态PET瓶装饮品吹洗灌旋一体机，其包括：
[0008]图像数据采集模块，用于获取待检测液态PET瓶的冲洗后图像；
[0009]参考图像采集模块，用于获取参考图像，所述参考图像为洁净度符合预定标准的液态PET瓶的冲洗后图像，所述参考图像和所述待检测液态PET瓶的冲洗后图像具有相同的图像尺寸；
[0010]分块处理模块，用于对所述待检测液态PET瓶的冲洗后图像和所述参考图像进行图像分块处理以得到检测图像块序列和参考图像块序列；
[0011]图像特征提取模块，用于将所述检测图像块序列中的各个图像块和所述参考图像块序列中的各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个检测图像块特征向量和多个参考图像块特征向量；
[0012]优化模块，用于基于所述检测图像块序列和所述参考图像块序列，对所述多个检测图像块特征向量和所述多个参考图像块特征向量进行特征值区分度强化以得到多个优化检测图像块特征向量和多个优化参考图像块特征向量；
[0013]差异性特征提取模块，用于计算所述多个优化检测图像块特征向量和所述多个优
化参考图像块特征向量中每一对优化检测图像块特征向量和优化参考图像块特征向量之间的余弦距离值以得到由多个余弦距离值组成的分类特征向量；以及
[0014]洁净度结果检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测液态PET瓶的冲洗后洁净度是否符合预定标准。
[0015]在上述液态PET瓶装饮品吹洗灌旋一体机中，所述分块处理模块，进一步用于：对所述待检测液态PET瓶的冲洗后图像和所述参考图像进行均匀分块处理以得到所述检测图像块序列和所述参考图像块序列。
[0016]在上述液态PET瓶装饮品吹洗灌旋一体机中，所述图像特征提取模块，进一步用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述检测图像块特征向量或参考图像块特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述检测图像块序列中的各个图像块或所述参考图像块序列中的各个图像块。
[0017]在上述液态PET瓶装饮品吹洗灌旋一体机中，所述优化模块，包括：加权特征提取单元，用于将所述检测图像块序列和所述参考图像块序列中的各个图像块分别通过非过滤特征提取的卷积神经网络模型以得到多个图像块特征图；区分单元，用于对所述多个图像块特征图中的每个图像块特征图进行特征相关性累积区分机制建模以得到多个加权特征向量；以及，加权优化单元，用于将所述多个加权特征向量分别与所述多个检测图像块特征向量和所述多个参考图像块特征向量进行点乘以得到所述多个优化检测图像块特征向量和所述多个优化参考图像块特征向量。
[0018]在上述液态PET瓶装饮品吹洗灌旋一体机中，所述加权特征提取单元，进一步用于：使用所述非过滤特征提取的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述非过滤特征提取的卷积神经网络模型的最后一层的输出为所述图像块特征图，所述非过滤特征提取的卷积神经网络模型的第一层的输入为所述检测图像块序列或所述参考图像块序列中的各个图像块。
[0019]在上述液态PET瓶装饮品吹洗灌旋一体机中，所述区分单元，进一步用于：以如下公式对所述多个图像块特征图中的每个图像块特征图进行特征相关性累积区分机制建模以得到所述多个加权特征向量；其中，所述公式为：
[0020][0021]其中F
i
表示所述多个图像块特征图中的每个图像块特征图，cov1(
·
)和cov2(
·
)分别表示对特征图进行基于不同卷积核的单层卷积操作，ReLU(
·
)表示ReLU激活函数，Sigmoid(
·
)表示Sigmoid激活函数，且GAP表示对特征图的每个特征矩阵进行全局池化操作，
⊕
表示按位置加法，V
i
表示所述多个加权特征向量中的各个加权特征向量。
[0022]在上述液态PET瓶装饮品吹洗灌旋一体机中，所述加权优化单元，进一步用于：以如下公式将所述多个加权特征向量分别与所述多个检测图像块特征向量和所述多个参考图像块特征向量进行点乘以得到所述多个优化检测图像块特征向量和所述多个优化参考
图像块特征向量；其中，所述公式为：
[0023]V
′
b
＝V
a
⊙
V
b
[0024]V
′
c
＝V
a
⊙
V
c
[0025]其中V
a
表示各个加权特征向量，V
b
表示各个检测图像块特征向量，V
c
表示各个参考图像块特征向量，V
b
和V
c
分别表示各个优化检测图像块特征向量和各个优化参考图像块特征向量，
⊙
表示按位置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种液态PET瓶装饮品吹洗灌旋一体机，其特征在于，包括：图像数据采集模块，用于获取待检测液态PET瓶的冲洗后图像；参考图像采集模块，用于获取参考图像，所述参考图像为洁净度符合预定标准的液态PET瓶的冲洗后图像，所述参考图像和所述待检测液态PET瓶的冲洗后图像具有相同的图像尺寸；分块处理模块，用于对所述待检测液态PET瓶的冲洗后图像和所述参考图像进行图像分块处理以得到检测图像块序列和参考图像块序列；图像特征提取模块，用于将所述检测图像块序列中的各个图像块和所述参考图像块序列中的各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个检测图像块特征向量和多个参考图像块特征向量；优化模块，用于基于所述检测图像块序列和所述参考图像块序列，对所述多个检测图像块特征向量和所述多个参考图像块特征向量进行特征值区分度强化以得到多个优化检测图像块特征向量和多个优化参考图像块特征向量；差异性特征提取模块，用于计算所述多个优化检测图像块特征向量和所述多个优化参考图像块特征向量中每一对优化检测图像块特征向量和优化参考图像块特征向量之间的余弦距离值以得到由多个余弦距离值组成的分类特征向量；以及洁净度结果检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测液态PET瓶的冲洗后洁净度是否符合预定标准。2.根据权利要求1所述的液态PET瓶装饮品吹洗灌旋一体机，其特征在于，所述分块处理模块，进一步用于：对所述待检测液态PET瓶的冲洗后图像和所述参考图像进行均匀分块处理以得到所述检测图像块序列和所述参考图像块序列。3.根据权利要求2所述的液态PET瓶装饮品吹洗灌旋一体机，其特征在于，所述图像特征提取模块，进一步用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述检测图像块特征向量或参考图像块特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述检测图像块序列中的各个图像块或所述参考图像块序列中的各个图像块。4.根据权利要求3所述的液态PET瓶装饮品吹洗灌旋一体机，其特征在于，所述优化模块，包括：加权特征提取单元，用于将所述检测图像块序列和所述参考图像块序列中的各个图像块分别通过非过滤特征提取的卷积神经网络模型以得到多个图像块特征图；区分单元，用于对所述多个图像块特征图中的每个图像块特征图进行特征相关性累积区分机制建模以得到多个加权特征向量；以及加权优化单元，用于将所述多个加权特征向量分别与所述多个检测图像块特征向量和所述多个参考图像块特征向量进行点乘以得到所述多个优化检测图像块特征向量和所述
多个优化参考图像块特征向量。5.根据权利要求4所述的液态PET瓶装饮品吹洗灌旋一体机，其特征在于，所述加权特征提取单元，进一步用于：使用所述非过滤特征提取的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述非过滤特征提取的卷积神经网络模型的最后一层的输出为所述图像块特征图，所述非过滤特征提取的卷积神经网络模型的第一层的输入为所述检测图像块序列或所述参考图像块序列中的各个图像块。6.根据权利要求5所述的液态PET瓶装饮品吹洗灌旋一体机，其特征在于，所述区分单元，进一步用于：以如下公式对所述多个图像块特征图中的每个图像块特征图进行特征相关性累积区分机制建模以得到所述多个加权特征向量；其中，所述公式为：其中F
i
表示所述多个图像块特征图中的每个图像块特征图，cov1(
·
...

【专利技术属性】
技术研发人员：刘洋，王亚飞，杨峰，高鹏飞，熊志能，陈丕杰，
申请(专利权)人：德玛克浙江精工科技有限公司，
类型：发明
国别省市：