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：