一种基于深度学习的瓶装产品铝箔封口检测方法技术

本发明专利技术提出了一种基于深度学习的瓶装产品铝箔封口检测方法，包括如下步骤：获取瓶装产品铝箔封口原始数据集；通过图像灰度化对获取的瓶装产品铝箔封口图像进行预处理；对预处理后的图像进行分割；对分割后的瓶装产品铝箔封口缺陷图像输入进图像增强模型，进行图像增强训练，图像增强训练结束后，存储及打标签，生成样本训练集一、样本训练集二、样本训练集三、样本训练集四、样本训练集五和样本训练集六；将所有瓶装产品铝箔封口图像输入分类模型，训练完成后，生成图像识别模型以及分类器一、分类器二、分类器三、分类器四、分类器五和分类器六。该方案能通过多样本训练集，分类模型提高缺陷识别通用性，实现多类别缺陷图像识别。实现多类别缺陷图像识别。实现多类别缺陷图像识别。

【技术实现步骤摘要】
一种基于深度学习的瓶装产品铝箔封口检测方法


[0001]本专利技术涉及图像识别及深度学习领域，更具体地，涉及一种基于深度学习的瓶装产品铝箔封口检测方法。

技术介绍

[0002]瓶装产品在生产过程中需要使用铝箔进行封口，以确保产品的质量和安全性。然而，瓶装产品铝箔封口不完整或损伤，可能会导致产品受到外界环境污染，从而影响产品的质量和安全性。
[0003]传统的瓶装产品铝箔封口检测方法主要采用人工视觉或机器视觉技术，例如使用光学传感器或高速相机进行检测。这些方法存在检测效率低、误踢率高、对光线和环境的依赖性强、很难通过图像识别的方法自动分类等局限性。因此，需要开发一种基于深度学习的方法，提高瓶装产品铝箔封口的检测准确度和自动化程度。
[0004]深度学习作为一种新兴的机器学习算法，已经广泛应用于计算机视觉领域。基于深度学习的瓶装产品铝箔封口检测方法可以通过采集大量图像数据集，在训练过程中提取特征，利用神经网络自动学习图像特征，进而提高瓶装产品铝箔封口的检测精度和稳定性。

技术实现思路

[0005]本专利技术的目的是提供一种基于深度学习的瓶装产品铝箔封口检测方法。
[0006]为了解决上述问题，本专利技术提供了一种基于深度学习的瓶装产品铝箔封口检测方法，包括如下步骤：
[0007]步骤S1，获取瓶装产品铝箔封口原始数据集；
[0008]步骤S2，通过图像灰度化对获取的瓶装产品铝箔封口图像进行预处理；
[0009]步骤S3，对预处理后的瓶装产品铝箔封口图像进行分割，提取出前景主体；
[0010]步骤S4，将分割后的瓶装产品铝箔封口缺陷图像输入进图像增强模型，训练后进行存储及打标签，生成瓶装产品铝箔封口图像样本训练集和瓶装产品铝箔封口图像测试集；
[0011]步骤S5，将瓶装产品铝箔封口图像样本训练集进行分类模型训练得到图像识别模型，以及生成分类器，进行瓶装产品铝箔封口图像测试集测试。
[0012]进一步的，所述步骤S2中通过图像灰度化对获取的瓶装产品铝箔封口图像进行预处理包括：通过红外热像仪实际拍摄获取预设数量的瓶装产品铝箔封口图片并裁剪成预设分辨率尺寸大小的未预处理的原始图片，所述预设分辨率尺寸大小均为256像素；
[0013]进一步的，所述预设分辨率尺寸大小的未预处理的原始图片包括：预设分辨率尺寸大小的未预处理的原始图片存储到所述瓶装产品铝箔封口数据集。
[0014]进一步的，所述步骤S4中图像增强模型包括：对原始DCGAN模型结构及网络函数进行优化，得到DCGAN网络模型，包括：
[0015]步骤S41，使用卷积和微步卷积替代原有的池化层，网络在自己的空间学习下采
样，应用于生成器G和判别器D模型中，全局平均池化替代全连接层；
[0016]步骤S42，在原始DCGAN模型的生成器G和判别器D中，进行批量标准化处理；
[0017]步骤S43，将DCGAN网络中生成器G的激活函数ReLU替换为ELU中的ELU激活函数的表达式为：
[0018][0019]其中α是一个可调整的参数，控制ELU负值部分在何时饱和；函数中的x参数就是神经网络的输入数据，或者说是某一个神经元接收的输入值，ELU函数将这个输入值进行处理，最后返回一个激活的结果值，这结果值会继续传递到下一层神经元；e
x
用来对输入值进行非线性变换的作用，使得ELU函数在输入值小于等于零的区间上可以提供更加平滑的输出响应。
[0020]步骤S44，将DCGAN网络的损失函数替换为交叉熵损失函数中的交叉熵损失函数的标准形式如下：
[0021][0022]其中x表示样本，y表示实际的标签，a表示预测的输出，n表示样本总数量。
[0023]进一步的，所述步骤S4中瓶装产品铝箔封口图像样本训练集包括：将瓶装产品铝箔封口图像样本训练集存储打标签划分为样本训练集一、样本训练集二、样本训练集三、样本训练集四、样本训练集五和样本训练集六。
[0024]进一步的，所述步骤S5中瓶装产品铝箔封口图像样本训练集进行训练得到图像识别模型，瓶装产品铝箔封口图像样本训练集中的样本训练集一、样本训练集二、样本训练集三、样本训练集四、样本训练集五和样本训练集六训练，分别生成分类器一、分类器二、分类器三、分类器四、分类器五和分类器六；
[0025]进一步的，所述生成分类器一、分类器二、分类器三、分类器四、分类器五和分类器六所对应瓶装产品铝箔封口结果分别为合格、铝箔缺失、铝箔反装、铝箔边缘破损、铝箔穿孔和铝箔褶皱。
[0026]相对现有技术，本专利技术的实施例至少具有如下优点或有益效果：
[0027]本专利技术实例采用多样本训练集、分类学习方式，提高缺陷图像识别准确率，能实现对多种缺陷图像进行识别分类。
[0028]本专利技术的其他特征和优点将在随后的说明中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术了解。本专利技术的目的和其他优点可通过在所写的说明书，权利要求书、以及附图中所特别指出的结构来实现和获得。
[0029]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0030]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施案例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术的实施例的流程示意图；
[0032]图2为原始DCGAN模型结构原理图；
[0033]图3为本专利技术改进的DCGAN模型结构原理图；
[0034]图4为本专利技术瓶装产品铝箔封口实物样例图。
具体实施方式
[0035]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互结合。
[0037]本专利技术的一种基于深度学习的瓶装产品铝箔封口检测方法，其操作流程如图1所示，具体包括如下步骤：
[0038]步骤S1，获取瓶装产品铝箔封口原始数据集；
[0039]在一些实施方式中，在图像增强和训练图像识别模型之前，需要采集瓶装产品铝箔封口原始数据集、所述瓶装产品铝箔封口原始数据集包括多张瓶装产品铝箔封口图像以及对应的类别。所述瓶装产品铝箔封口数原始据集包括四个类别；
[0040]在一个可选的实施例中，所述采集瓶装产品铝箔封口原始数据集包括：使用红外热像仪手动拍摄多张瓶装产品铝箔封口图像；本实施例中，瓶装产品铝箔封口图像的来源旋盖操作和加热密封后的瓶装产品铝箔封口，其中旋盖操作是旋盖本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的瓶装产品铝箔封口检测方法，其特征在于，包括如下步骤：步骤S1，获取瓶装产品铝箔封口原始数据集；步骤S2，通过图像灰度化对获取的瓶装产品铝箔封口图像进行预处理；步骤S3，对预处理后的瓶装产品铝箔封口图像进行分割，提取出前景主体；步骤S4，将分割后的瓶装产品铝箔封口缺陷图像输入进图像增强模型，训练后进行存储及打标签，生成瓶装产品铝箔封口图像样本训练集和瓶装产品铝箔封口图像测试集；步骤S5，将瓶装产品铝箔封口图像样本训练集进行分类模型训练得到图像识别模型，生成分类器，进行瓶装产品铝箔封口图像测试集测试。2.根据权利要求1所述一种基于深度学习的瓶装产品铝箔封口检测方法，其特征在于，所述步骤S2中通过图像灰度化对获取的瓶装产品铝箔封口图像进行预处理包括：通过红外热像仪实际拍摄获取预设数量的瓶装产品铝箔封口图片并裁剪成预设分辨率尺寸大小的未预处理的原始图片，所述预设分辨率尺寸大小均为256像素。3.根据权利要求2所述一种基于深度学习的瓶装产品铝箔封口检测方法，其特征在于，所述预设分辨率尺寸大小的未预处理的原始图片包括：预设分辨率尺寸大小的未预处理的原始图片存储到所述瓶装产品铝箔封口数据集。4.根据权利要求1所述一种基于深度学习的瓶装产品铝箔封口检测方法，其特征在于，所述步骤S4图像增强模型包括：对原始DCGAN模型结构及网络函数进行优化，得到DCGAN网络模型。5.根据权利要求4所述一种基于深度学习的瓶装产品铝箔封口检测方法，其特征在于，所述对原始DCGAN模型结构及网络函数进行优化包括：使用卷积和微步卷积替代原有的池化层，网络在自己的空间学习下采样，应用于生成器G和判别器D模型中，全局平均池化替代全连接层；在原始DCGAN模型的生成器G和判别器D中，进行批量标准化处理；将...

【专利技术属性】
技术研发人员：魏长赟，夏煜，杨颖，
申请(专利权)人：河海大学，
类型：发明
国别省市：