一种基于深度学习的外包装热封口缺陷检测系统技术方案

本发明专利技术公开了一种基于深度学习的外包装热封口缺陷检测系统，包括步骤1：对产品图像区域整体分割；步骤2：对产品图像进行预处理；步骤3：选取不同类型的缺陷图片和正常图片合成训练样本集；步骤4：采用GPU离线训练深度学习算法，训练得出分类模型；步骤5：利用训练的分类模型在线检测产品缺陷，解决了传统图像处理算法无法解决的误判太高问题，而且随着图片数量的增加，可以进行自我学习并不断提高算法精度；另外还提供了一种基于深度学习的软包装食品外包装热封口缺陷检测装置，该装置包括图像采集模块，图像处理模块，通信模块，缺陷产品剔除模块，可以提高产品质量的检测速度，将工人从重复的体力劳动中解放出来。从重复的体力劳动中解放出来。从重复的体力劳动中解放出来。

【技术实现步骤摘要】
一种基于深度学习的外包装热封口缺陷检测系统


[0001]本专利技术涉及视觉检测
，具体涉及一种基于深度学习的外包装热封口缺陷检测系统。

技术介绍

[0002]随着社会的发展和人们生活水平的提高，消费者对食品的质量要求越来越高，而包装袋封口的完好度是影响产品外观和质量的重要因素。在这种背景下，如何对包装袋的封口质量进行快速准确的检测就成了一个重要的课题。
[0003]软包装食品产品外包装袋采用热封方式进行封口封装，常存在夹料、漏封、封口浅、封宽、封窄、封斜、脏污等缺陷，严重影响产品质量。但是，目前几乎所有的软包装食品生产企业都是采用人工目视的方式进行封口缺陷检测。在自动化生产线中，人工检测依赖工人的经验和熟练程度，评价标准不稳定不一致，无法保证产品的质量稳定。而且缺陷检测对工人来说是一个繁重的体力劳动，且极大的伤害工人的视力。
[0004]近年来，随着信息化和智能化的发展，机器检测越来越受到各企业的青睐，目前主流的检测方法包括近红外光谱检测（利用近红外光谱技术对软包装物品进行封口质量检测。近红外光谱技术可以测量物品表面的吸收光谱，通过分析吸收光谱的变化来判断物品的封口质量）、X射线检测（利用X射线技术对软包装物品进行封口质量检测。X射线技术可以通过物品的表面形态和内部结构来判断物品的封口质量）、激光检测（利用激光技术对软包装物品进行封口质量检测。激光技术可以测量物品表面的曲率，通过分析曲率的变化来判断物品的封口质量）等方法。但是这些方式不仅成本高，而且对于软包装的检测效果并不稳定。
[0005]除此之外，机器视觉检测也是一个重要的检测方法，其原理是利用机器视觉技术对软包装物品进行封口质量检测。机器视觉技术可以通过摄像机拍摄物品图像，然后使用计算机进行图像分析，判断物品的封口质量。不过，软包装由于容易变形、弯曲、反光等特点，如果只是利用传统的图像处理方法会面临巨大的挑战。
[0006]随着近几年深度学习的持续发展 ，其在计算机视觉检测领域所表现出的高精度、速度快等特点，使得更容易解决传统图像处理方法无法完成的任务。因此，本专利技术尝试使用深度学习方法进行软包装食品软包装封口质量检测。

技术实现思路

[0007]针对
技术介绍
中存在的技术缺陷，本专利技术提出一种基于深度学习的外包装热封口缺陷检测系统，解决了上述技术问题以及满足了实际需求，具体的技术方案如下所示：一种基于深度学习的外包装热封口缺陷检测系统，包括：步骤1：对产品图像区域整体分割，将封口区域图像准确分割出来。
[0008]步骤2：对产品图像进行预处理，对分割出来的封口区域图像进行预处理。
[0009]步骤3：选取不同类型的缺陷图片和正常图片合成训练样本集。
[0010]步骤4：采用GPU离线训练深度学习算法，训练得出分类模型。
[0011]步骤5：利用训练的分类模型在线检测产品缺陷。
[0012]作为上述方案的改进，步骤2中的图像预处理具体为对图像进行噪声处理，对分割后的封口区域图像的一致性处理。
[0013]作为上述方案的改进，步骤3中的训练样本集包括使用图像增强方法增加训练样本集的样本数量，具体包括：对图像进行归一化处理、对图像随机左右翻转处理、对图像随机亮度调整处理和对图像随机改变对比度处理。
[0014]作为上述方案的改进，步骤4中采用GPU离线训练深度学习算法，利用训练样本集在GPU上训练分类模型，训练采用DENSENET模型，具体过程如下：步骤41：构造DENSENET模型；步骤42：根据获得的训练样本集，采用ADAGRAD梯度下降算法训练优化DENSENET模型；步骤43：采用TENSORFLOW框架，在GPU上训练DENSENET模型。
[0015]作为上述方案的改进，在步骤41中，DENSENET模型包括输入层、卷积层、池化层和全连接层，其中输入层1层、卷积层120层、池化层5层和全连接层1层；其中输入层为分辨率s*s的图片，第1层为7*7的卷积层；第2层为3*3的池化层；第3到14层为1*1卷积和3*3卷积组成的模块，而且这个模块重复6次；第15层位1*1的卷积层；第16层为2*2的池化层；第17到40层为1*1卷积和3*3卷积组成的模块，而且这个模块重复12次；第41层位1*1的卷积层；第42层为2*2的池化层；第43到90层为1*1卷积和3*3卷积组成的模块，而且这个模块重复24次；第91层位1*1的卷积层；第92层为2*2的池化层；第93到124层为1*1卷积和3*3卷积组成的模块，而且这个模块重复16次；第125层位7*7的池化层；第126层位全连接层，并用SOFTMAX作为激活函数。
[0016]作为上述方案的改进，步骤4中的训练过程具体举例：单次随机从训练样本集中随机选取50张图片输入，对DENSENET模型迭代10000次，使用ADAGRAD梯度下降算法对模型误差进行优化。
[0017]一种基于深度学习的外包装热封口缺陷检测装置，包括设有图像采集模块、图像处理模块和缺陷产品剔除模块，所述图像采集模块包括工业CCD平面相机和工业专用光源；所述图像处理模块包括采用工控机搭载图像处理模块的上位机软件，所述上位机软件包括图像处理交互界面、深度学习算法、数据库以及通讯模块，利用深度学习算法对采集的图像进行封口部分的缺陷检测得到缺陷信息，并把缺陷信息发送给控制执行单元，深度学习算法利用google开源的深度学习框架TENSORFLOW进行开发；所述缺陷产品剔除模块根据所述图像处理模块传送过来的信号，采用可编程逻辑控制器PLC对封口缺陷产品进行剔除。
[0018]作为上述方案的改进，所述图像处理交互界面设有接口让用户设置参数以及让用户选取训练样本集，同时设有显示窗口让用户观察封口缺陷检测的实时情况。
[0019]作为上述方案的改进，所述数据库设有相应的存储单元对具有封口缺陷的图像检测结果进行存储和管理，所述通信模块采用以太网TCP/IP协议，分别连接上位机软件和缺
陷产品剔除模块的下位机。
[0020]本专利技术具有的有益效果在于：提供了一种基于深度学习的外包装热封口缺陷检测系统，使用深度学习方法进行软包装食品软包装封口质量检测，可以提高产品质量的检测速度，将工人从重复的体力劳动中解放出来，具有自动化功能的检测系统可以很快的提高生产效率，节省人力成本，促进企业的全自动生产转型。
附图说明
[0021]图1为本专利技术一种基于深度学习的外包装热封口缺陷检测系统的逻辑框图。
[0022]图2为本专利技术一种基于深度学习的外包装热封口缺陷检测系统步骤4的逻辑框图。
[0023]图3为本专利技术一种基于深度学习的外包装热封口缺陷检测系统Dense block的网络拓扑图。
[0024]图4为本专利技术一种基于深度学习的外包装热封口缺陷检测装置的结构框图。
[0025]其中：图像采集模块1、工业CCD平面相机10、工业专用光源11、图像处理模块2、图像处理交互界面20、深度学习算法21、数据库22、通讯模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的外包装热封口缺陷检测系统，其特征在于，包括：步骤1：对产品图像区域整体分割，将封口区域图像准确分割出来；步骤2：对产品图像进行预处理，对分割出来的封口区域图像进行预处理；步骤3：选取不同类型的缺陷图片和正常图片合成训练样本集；步骤4：采用GPU离线训练深度学习算法，训练得出分类模型；步骤5：利用训练的分类模型在线检测产品缺陷。2.根据权利要求1所述的基于深度学习的外包装热封口缺陷检测系统，其特征在于，步骤2中的产品图像预处理具体为对产品图像进行噪声处理，对产品图像分割后的封口区域图像的一致性处理。3.根据权利要求1所述的基于深度学习的外包装热封口缺陷检测系统，其特征在于，步骤3中的训练样本集包括使用图像增强方法增加训练样本集的样本数量，具体包括：对产品图像进行归一化处理、对产品图像随机左右翻转处理、对产品图像随机亮度调整处理和对产品图像随机改变对比度处理。4.根据权利要求1所述的基于深度学习的外包装热封口缺陷检测系统，其特征在于，步骤4中采用GPU离线训练深度学习算法，利用训练样本集在GPU上训练分类模型，训练采用DENSENET模型，具体过程如下：步骤41：构造DENSENET模型；步骤42：根据获得的训练样本集，采用ADAGRAD梯度下降算法训练优化DENSENET模型；步骤43：采用TENSORFLOW框架，在GPU上训练DENSENET模型。5.根据权利要求4所述的基于深度学习的外包装热封口缺陷检测系统，其特征在于，在步骤41中，DENSENET模型包括输入层、卷积层、池化层和全连接层，其中输入层1层、卷积层120层、池化层5层和全连接层1层；其中输入层为分辨率s*s的图片，第1层为7*7的卷积层；第2层为3*3的池化层；第3到14层为1*1卷积和3*3卷积组成的模块，而且这个模块重复6次；第15层位1*1的卷积层；第16层为2*2的池化层；第17到40层为1*1卷积和3*3卷积组成的模...

【专利技术属性】
技术研发人员：郑大军，秦文，
申请(专利权)人：深圳市霍克视觉科技有限公司，
类型：发明
国别省市：