基于AI深度学习技术的玻璃容器质量检测方法技术

本发明专利技术涉及图像识别和深度学习技术领域，提供了一种基于AI深度学习技术的玻璃容器质量检测方法，包括步骤1，将具有缺陷标签的玻璃容器图像数据作为训练集输入深度学习模型进行训练；步骤2，对训练集进行预处理和归一化；步骤3，对训练集进行特征提取；步骤4，通过特征和训练集生成损失函数，使深度学习模型收敛；步骤5，将待检测玻璃容器图像数据输入训练后的深度学习模型；步骤6，通过深度学习模型对待检测玻璃容器图像数据进行缺陷预测，生成回归框和缺陷类型；步骤7，对回归框对应缺陷进行二次特征提取，进一步判断缺陷类型。本发明专利技术通过对玻璃容器复杂背景区域的训练，可以解决传统算法无法检测的缺陷。算法无法检测的缺陷。算法无法检测的缺陷。

【技术实现步骤摘要】
基于AI深度学习技术的玻璃容器质量检测方法


[0001]本专利技术涉及图像识别和深度学习
，特别涉及一种基于AI深度学习技术的玻璃容器质量检测方法。

技术介绍

[0002]随着玻璃容器生产工艺的不断发展，我国日用玻璃行业生产技术越发成熟，与国际先进技术的差距不断缩小。但是随着生产工艺的不断发展，现在客户对于玻璃容器的检测要求越来越高。
[0003]在玻璃容器行业，现有技术主要的检测手段是基于传统机器视觉的各种处理技术，包括Blob分析、形态学处理、以及特征匹配等。在专利《CN201720728586.2一种玻璃容器制造颈部裂纹缺陷视觉检测系统》、《CN201510427763.9透明玻璃容器制造缺陷视觉检测系统及方法》以及《CN202020271276.4用于药用玻璃瓶在线视觉检测的旋转装置》中，都是采用传统机器视觉的处理技术来解决需要处理的问题。
[0004]随着玻璃容器形态和花纹的多样化，复杂化，越来越多的缺陷出现在花纹周围甚至是花纹里面。无法检测花纹周边的缺陷，正是传统算法的痛点以及难点。对于人类来说，目标检测是一个非常简单的任务。然而，计算机能够“看到”的是图像被编码之后的数字，传统算法很难理解图像中出现了人们定义的产品缺陷这样的高层语义概念，也就更加难以定位目标出现在图像中哪个区域。最终导致的就是检测效率低下，以及检测精度低的结果。

技术实现思路

[0005]本专利技术提供一种基于AI深度学习技术的玻璃容器质量检测方法，所述基于AI深度学习技术的玻璃容器质量检测方法包括以下步骤：
[0006]步骤1，将具有缺陷标签的玻璃容器图像数据作为训练集输入深度学习模型进行训练；
[0007]步骤2，对训练集进行预处理和归一化；
[0008]步骤3，对训练集进行特征提取；
[0009]步骤4，通过特征和训练集生成损失函数，使深度学习模型收敛；
[0010]步骤5，将待检测玻璃容器图像数据输入训练后的深度学习模型；
[0011]步骤6，通过深度学习模型对待检测玻璃容器图像数据进行缺陷预测，生成回归框和缺陷类型；
[0012]步骤7，对回归框对应缺陷进行二次特征提取，进一步判断缺陷类型。
[0013]更近一步地，在步骤1中，所述缺陷标签包括瓶口常见缺陷：亮剪刀印、亮结石、暗剪刀印和暗结石；瓶底常见缺陷：结石、气泡污点和裂纹。
[0014]更近一步地，在步骤7中，所述检测方法还包括以下步骤：
[0015]步骤71，通过置信度对多个缺陷对应的回归框分别进行筛选，生成真实缺陷；
[0016]步骤72，对深度学习模型预测的多个缺陷对应的回归框分别进行分割；
[0017]步骤73，基于回归框进行缺陷动态聚类；
[0018]步骤74，通过缺陷滤波器对瓶底花纹区进行二次特征提取，确定缺陷类型和准确位置。
[0019]更近一步地，在步骤73中，还包括以下步骤：
[0020]步骤731，计算回归框进内每个像素的特征向量：
[0021]f(x,y)＝[I(x,y),G
sigma
I(x,y),G
sigma
I2(x,y)][0022]其中，I(x,y)表示图像中像素(x,y)的灰度值，G
sigma
I和G
sigma
I2分别表示图像I和I2的高斯模糊结果，sigma表示高斯核的标准差；
[0023]步骤732，对回归框进内所有像素的特征向量进行聚类，得到聚类中心集合：
[0024]C＝{c1,c2,
…
,c
k
}
[0025]其中，c
k
为聚类中心，k是聚类中心的个数；
[0026]步骤733，对回归框进内所有像素(x,y)，计算该像素与聚类中心的相似度：
[0027]S
k
(x,y)＝f(x,y)
·
c
k
[0028]其中，f(x,y)
·
c
k
表示特征向量f(x,y)与聚类中心c
k
的点积；
[0029]步骤734，计算每个聚类中心c
k
的阈值：
[0030]T
k
＝max{f(x,y)
·
c
k
}
[0031]步骤735，并将像素(x,y)的阈值设为最接近它的聚类中心的阈值；
[0032]步骤736，通过阈值提取回归框中有效缺陷。
[0033]更近一步地，在步骤74中，还包括以下步骤：
[0034]步骤741，构造特征集合：
[0035]F＝{area,width,height,anisometry,
…
m}
[0036]area表示聚类区域面积，width表示聚类区域长度，height表示聚类区域宽度，anisometry表示长半轴与短半轴的比，m表示构造特征集合项目数；
[0037]步骤742：构造特征权值向量：
[0038]L＝{a,b,c,d,...,m
′
}
[0039]其中，a,b,c,d,...,m
′
分别表示构造特征集合F中对应构造特征的权值；
[0040]步骤743：特征集合与特征权值的卷积操作输出样本特征值
[0041][0042]其中，i∈(1，m)表示构造特征集合中第i项。
[0043]步骤744，将计算的样本特征值与预设的特征条件进行比较，符合预设的特征条件则判断为存在缺陷，否则不视为缺陷。
[0044]本专利技术达到的有益效果是：
[0045]本专利技术通过加强对玻璃容器复杂背景区域的训练，可以解决传统算法无法检测的缺陷。
[0046]本专利技术通过对AI网络模型浅层纹理信息进行监督训练，增强网络对图像纹理信息的特征提取能力，构建检测网路，提高图像抗复杂背景干扰能力，模型鲁棒性强。
附图说明
[0047]图1为基于AI深度学习技术的玻璃容器质量检测方法的流程图。
[0048]图2为基于AI深度学习技术的玻璃容器质量检测方法中图像神经网络简要结构示意图。
[0049]图3为基于AI深度学习技术的玻璃容器质量检测方法中深度学习卷积层示意图。
[0050]图4为基于AI深度学习技术的玻璃容器质量检测方法中特征融合操作示意图。
[0051]图5为基于AI深度学习技术的玻璃容器质量检测方法中维度扩张模块示意图。
[0052]图6为基于AI深度学习技术的玻璃容器质量检测方法中瓶底花纹区域裂纹检测示意图。
[0053]图7为基于AI深度学习技术的玻璃容器质量检测方法中瓶底防滑块复杂背景气泡检测示意图。
[0054]图8为基于AI深度学习技术的玻璃容器质量检测方法中瓶口内环区域崩口示意图。
[0055]图9为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，所述基于AI深度学习技术的玻璃容器质量检测方法包括以下步骤：步骤1，将具有缺陷标签的玻璃容器图像数据作为训练集输入深度学习模型进行训练；步骤2，对训练集进行预处理和归一化；步骤3，对训练集进行特征提取；步骤4，通过特征和训练集生成损失函数，使深度学习模型收敛；步骤5，将待检测玻璃容器图像数据输入训练后的深度学习模型；步骤6，通过深度学习模型对待检测玻璃容器图像数据进行缺陷预测，生成回归框和缺陷类型；步骤7，对回归框对应缺陷进行二次特征提取，进一步判断缺陷类型。2.根据权利要求1所述基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，在步骤1中，所述缺陷标签包括瓶口常见缺陷：亮剪刀印、亮结石、暗剪刀印和暗结石；瓶底常见缺陷：结石、气泡污点和裂纹。3.根据权利要求1所述基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，在步骤7中，所述检测方法还包括以下步骤：步骤71，通过置信度对多个缺陷对应的回归框分别进行筛选，生成真实缺陷；步骤72，对深度学习模型预测的多个缺陷对应的回归框分别进行分割；步骤73，基于回归框进行缺陷动态聚类；步骤74，通过缺陷滤波器对瓶底花纹区进行二次特征提取，确定缺陷类型和准确位置。4.根据权利要求3所述基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，在步骤73中，还包括以下步骤：步骤731，计算回归框进内每个像素的特征向量：f(x,y)＝[I(x,y),G
sigma
I(x,y),G
sigma
I2(x,y)]其中，i(x,y)表示图像中像素(x,y)的灰度值，G
sigma
I和G
sihma
I2分别表示图像I和I2的高斯模糊结果，sigma表示高斯核的标准差；步骤732，对回归框进内所有像素的特征向量进行聚...

【专利技术属性】
技术研发人员：郝福龙，郭蔚然，王铮，王亚鹏，申磊，赵慧阳，
申请(专利权)人：潍坊天恒检测科技有限公司，
类型：发明
国别省市：