一种基于图像识别的酒瓶检测系统技术方案

本发明专利技术涉及酒瓶检测技术领域，且公开了一种基于图像识别的酒瓶检测系统，包括有瓶口特征抽取模块和特征模型建立模块，瓶口特征抽取模块包括对传统特征和高级特征的提取，所述传统特征包括有人工提取颜色

【技术实现步骤摘要】
一种基于图像识别的酒瓶检测系统


[0001]本专利技术涉及酒瓶检测
，具体为一种基于图像识别的酒瓶检测系统
。

技术介绍

[0002]目标检测
、
识别等机器视觉的发展已经从传统特征提取发展到深度学习方法
。
[0003]传统特征，包括人工提取颜色
、
形状
、
纹理特征，需要人工设计，这类方法只能处理局部的底层的特征，对于复杂目标无法应对
。
[0004]深度神经网络采用自动学习目标从低级到高级特征的方法，已经证明了相比传统方法的优势，传统方法无法应对如此复杂图像目标，而深度神经网络可以在学习过程中找到不同层级的多维特征
。

技术实现思路

[0005](
一
)
解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于图像识别的酒瓶检测系统
。
[0007](
二
)
技术方案
[0008]为实现上述目的，本专利技术提供如下技术方案：一种基于图像识别的酒瓶检测系统，包括有瓶口特征抽取模块和特征模型建立模块，瓶口特征抽取模块包括对传统特征和高级特征的提取，所述传统特征包括有人工提取颜色
、
形状
、
纹理特征，所述高级特征包括有纹理
、
细节
、
轮廓和形状特征
。
[0009]优选的，所述瓶口特征抽取模块利用瓶口图像的提取使用深度神经网络算法实现，首先将摄像头采集到的图像进行预处理，包括噪点消除
、
颜色空间转换，通道分离
、
区域分割等，以去除干扰因素，凸显瓶口本身的特征
。
[0010]优选的，所述瓶口特征抽取模块其次通过深度神经网络将图片中的瓶口分割出来，并标注瓶口的位置
。
[0011]优选的，所述特征模型建立模块建立训练模型，训练模型包括几个关键参数，特征大小
、
网络深度
、
训练集和验证集的图片比例和采样密度
。
[0012]优选的，所述训练集和验证集的图片比例，按经验值本模型按3比1分割，采样密度按经验值本模型位4个像素采样一次
。
[0013]优选的，所述检测系统还包括有时序系统
、
仓库管理系统和拍摄系统，所述时序系统提供的
API
接口采集对接到检测系统，拍摄系统通过现场摄像头实时拍摄，推送到检测系统，仓库管理系统读取卸垛机空瓶对应
PLC
信号推送到检测系统
。
[0014]优选的，所述时序系统检测酒瓶的时间日期
、
生产计划和产线信息，所述仓库管理系统将
sku
瓶型
、
垛号
、
层号和空瓶对应的供应商信息推送到检测系统，仓库管理系统通过人工录入信息，进一步对接物流系统
。
[0015]优选的，所述训练模型经过不断识别训练，准确识别图片中空瓶数量，推送到检测系统
。
[0016]优选的，所述检测系统还包括有对缺失量统计，根据日期
、
班次
、
产线
、sku
瓶型等维度进行筛选，查看空瓶的计划使用量
、
实际使用量以及空瓶的缺失率
。
[0017](
三
)
有益效果
[0018]与现有技术相比，本专利技术提供了一种基于图像识别的酒瓶检测系统，具备以下有益效果：
[0019]该基于图像识别的酒瓶检测系统，与传统方法相比，深度学习方法可以找到目标的不同结构特征浅层是纹理
、
细节等特征，深层是轮廓
、
形状等特征
。
这样的特征组合方式也符合人的识别方法，可以大大提升目标识别精度
。
目前使用深度神经网络的视觉识别成功率已高于人本身的识别能力了
。
附图说明
[0020]图1为本专利技术空瓶缺失率示意图；
[0021]图2为本专利技术空瓶缺失率结构示意图；
[0022]图3为本专利技术训练集和验证集示意图
。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅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
。
[0024]请参阅图1‑3，一种基于图像识别的酒瓶检测系统，包括有瓶口特征抽取模块和特征模型建立模块，瓶口特征抽取模块包括对传统特征和高级特征的提取，传统特征包括有人工提取颜色
、
形状
、
纹理特征，高级特征包括有纹理
、
细节
、
轮廓和形状特征
。
[0025]瓶口特征抽取模块利用瓶口图像的提取使用深度神经网络算法实现，首先将摄像头采集到的图像进行预处理，包括噪点消除
、
颜色空间转换，通道分离
、
区域分割等，以去除干扰因素，凸显瓶口本身的特征
。
[0026]瓶口特征抽取模块其次通过深度神经网络将图片中的瓶口分割出来，并标注瓶口的位置
。
[0027]特征模型建立模块建立训练模型，训练模型包括几个关键参数，特征大小
、
网络深度
、
训练集和验证集的图片比例和采样密度
。
[0028]训练集和验证集的图片比例，按经验值本模型按3比1分割，采样密度按经验值本模型位4个像素采样一次
。
[0029]检测系统还包括有时序系统
、
仓库管理系统和拍摄系统，时序系统提供的
API
接口采集对接到检测系统，拍摄系统通过现场摄像头实时拍摄，推送到检测系统，仓库管理系统读取卸垛机空瓶对应
PLC
信号推送到检测系统
。
[0030]时序系统检测酒瓶的时间日期
、
生产计划和产线信息，仓库管理系统将
sku
瓶型
、
垛号
、
层号和空瓶对应的供应商信息推送到检测系统，仓库管理系统通过人工录入信息，进一步对接物流系统
。
[0031]训练模型经过不断识别训练，准确识别图片中空瓶数量，推送到检测系统
。
[0032]检测系统还包括有对缺失量统计，根据日期
、
班次
、
产线
、sku
瓶型等维度进行筛选，查看空瓶的计划使用量
、
实际使用量以及空瓶的缺失率
。
...

【技术保护点】

【技术特征摘要】
1.
一种基于图像识别的酒瓶检测系统，其特征在于：包括有瓶口特征抽取模块和特征模型建立模块，瓶口特征抽取模块包括对传统特征和高级特征的提取，所述传统特征包括有人工提取颜色
、
形状
、
纹理特征，所述高级特征包括有纹理
、
细节
、
轮廓和形状特征
。2.
根据权利要求1所述的一种基于图像识别的酒瓶检测系统，其特征在于：所述瓶口特征抽取模块利用瓶口图像的提取使用深度神经网络算法实现，首先将摄像头采集到的图像进行预处理，包括噪点消除
、
颜色空间转换，通道分离
、
区域分割等，以去除干扰因素，凸显瓶口本身的特征
。3.
根据权利要求1所述的一种基于图像识别的酒瓶检测系统，其特征在于：所述瓶口特征抽取模块其次通过深度神经网络将图片中的瓶口分割出来，并标注瓶口的位置
。4.
根据权利要求1所述的一种基于图像识别的酒瓶检测系统，其特征在于：所述特征模型建立模块建立训练模型，训练模型包括几个关键参数，特征大小
、
网络深度
、
训练集和验证集的图片比例和采样密度
。5.
根据权利要求4所述的一种基于图像识别的酒瓶检测系统，其特征在于：所述训练集和验证集的图片比例，按经验值本模型按3比1分割，采样密度按经验值本模型位4...

【专利技术属性】
技术研发人员：郑志喜，邱永向，张木水，陈辉晖，罗丽琴，
申请(专利权)人：福建省思诚信息科技有限公司，
类型：发明
国别省市：