【技术实现步骤摘要】
本专利技术涉及图像检测，具体是一种容器表面缺陷检测方法及系统。
技术介绍
1、玻瓶是酒类、化妆品、药品和化学品的重要包装器皿，玻瓶生产工艺中可能造成黑斑、亮丝、间歇齿、结石等缺陷，不仅影响产品外观形象，也可能导致潜在的安全隐患。
2、针对玻瓶表面多种缺陷的检测，目前主要通过人工视觉、机器视觉等方式实现。但是针对复杂玻瓶多种缺陷的检测，目前仍是行业难题，例如：尺寸在1mm以下的微裂纹检测是行业难题，复杂起伏玻璃表面的裂纹检测是行业难题。
3、现有技术存在检测精度低等问题。
技术实现思路
1、为克服现有技术的不足，本专利技术提供了一种容器表面缺陷检测方法及系统，解决现有技术存在的检测精度低等问题。
2、本专利技术解决上述问题所采用的技术方案是：
3、一种容器表面缺陷检测方法，包括以下步骤：
4、s1，模型构建：建立面向容器表面缺陷检测的神经网络模型；
5、s2，训练集构建：构建神经网络模型的训练集；
6、s3，模型训练：依据训练集进行对神经网络模型进行训练，并在神经网络模型中引入误检率降低策略；
7、s4，表面缺陷检测：利用训练好的神经网络模型对容器进行表面缺陷检测。
8、作为一种优选的技术方案，步骤s1中，神经网络模型包括依次连接的crc模块l1、att模块、第一复合模块l2、第二复合模块l3、第一concatenate函数层、第三复合模块l4、第二concatenate函数层
9、作为一种优选的技术方案，步骤s2中，依托复眼成像技术采集得到的复眼相机图像，通过噪声叠加和多数据混合构成数据增强的训练集；所述的复眼相机为相机阵列，包括至少2台相机。
10、作为一种优选的技术方案，多数据混合是指利用同一玻瓶、复眼相机的多幅复眼图像进行混合，具体方式为：从训练集中随机抽取两幅图像，分别经过数据增广操作处理后，以像素值取平均值的形式叠加两幅图像合成一个新的样本。
11、作为一种优选的技术方案，步骤s2中，噪声叠加过程结合网络前向噪声调整策略，为每个神经网络模型每一层属性添加个性化噪声，为神经网络模型每一层分别遍历属性、噪声等级、不同折，为各个属性选择最佳的噪声添加方法；具体方式为：首先，对于一个属性x，取多个不同噪声等级，分别训练神经网络模型并得到最终的损失函数值，取损失函数值最小的一个噪声等级作为属性x最佳的注入噪声等级，最终确定不同属性的最佳噪声注入方式。
12、作为一种优选的技术方案，步骤s3中，误检率降低策略包括以下方法的一种或两种：采用训练策略、采用损失函数。
13、作为一种优选的技术方案，步骤s2中，训练策略包括困难样本挖掘、增加负样本、标签平滑。
14、作为一种优选的技术方案，损失函数为：
15、
16、其中，fl(pt)表示对目标pt的损失函数，pt表示目标，αt表示一个权重因子，γ表示一个调制因子，表示样本的实际标签。
17、作为一种优选的技术方案，步骤s4中，将复原相机采集到的图像输入神经网络模型中，神经网络模型输出图像中的各个特征点的置信度，当置信度大于设定阈值时，则判断为瑕疵。
18、一种容器表面缺陷检测系统，用于实现所述的一种容器表面缺陷检测方法，包括依次连接的以下模块：
19、模型构建模块：用以，建立面向容器表面缺陷检测的神经网络模型；
20、训练集构建模块：用以，构建神经网络模型的训练集；
21、模型训练模块：用以，依据训练集进行对神经网络模型进行训练，并在神经网络模型中引入误检率降低策略；
22、表面缺陷检测模块：用以，利用训练好的神经网络模型对容器进行表面缺陷检测。
23、本专利技术相比于现有技术，具有以下有益效果：
24、本专利技术可获得复杂玻瓶表面缺陷的完全清晰成像，对瑕疵的分辨率达到亚毫米级，同时具有精度高、误检率低及易于部署等优点。
本文档来自技高网...【技术保护点】
1.一种容器表面缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种容器表面缺陷检测方法，其特征在于，步骤S1中，神经网络模型包括依次连接的CRC模块L1、Att模块、第一复合模块L2、第二复合模块L3、第一Concatenate函数层、第三复合模块L4、第二Concatenate函数层、第四复合模块L5、第五复合模块L6、FC模块，第一复合模块L2与第一Concatenate函数层连接，Att模块与第二Concatenate函数层连接，第一复合模块L2、第二复合模块L3、第三复合模块L4、第四复合模块L5、第五复合模块L6均包括相互连接的CRC模块、自注意力机制模块。
3.根据权利要求1所述的一种容器表面缺陷检测方法，其特征在于，步骤S2中，依托复眼成像技术采集得到的复眼相机图像，通过噪声叠加和多数据混合构成数据增强的训练集；所述的复眼相机为相机阵列，包括至少2台相机。
4.根据权利要求1所述的一种容器表面缺陷检测方法，其特征在于，多数据混合是指利用同一玻瓶、复眼相机的多幅复眼图像进行混合，具体方式为：从训练集中随机抽取两幅
5.根据权利要求1所述的一种容器表面缺陷检测方法，其特征在于，步骤S2中，噪声叠加过程结合网络前向噪声调整策略，为每个神经网络模型每一层属性添加个性化噪声，为神经网络模型每一层分别遍历属性、噪声等级、不同折，为各个属性选择最佳的噪声添加方法；具体方式为：首先，对于一个属性x，取多个不同噪声等级，分别训练神经网络模型并得到最终的损失函数值，取损失函数值最小的一个噪声等级作为属性x最佳的注入噪声等级，最终确定不同属性的最佳噪声注入方式。
6.根据权利要求1所述的一种容器表面缺陷检测方法，其特征在于，步骤S3中，误检率降低策略包括以下方法的一种或两种：采用训练策略、采用损失函数。
7.根据权利要求6所述的一种容器表面缺陷检测方法，其特征在于，步骤S2中，训练策略包括困难样本挖掘、增加负样本、标签平滑。
8.根据权利要求7所述的一种容器表面缺陷检测方法，其特征在于，损失函数为：
9.根据权利要求1至8任一项所述的一种容器表面缺陷检测方法，其特征在于，步骤S4中，将复原相机采集到的图像输入神经网络模型中，神经网络模型输出图像中的各个特征点的置信度，当置信度大于设定阈值时，则判断为瑕疵。
10.一种容器表面缺陷检测系统，其特征在于，用于实现权利要求1至9任一项所述的一种容器表面缺陷检测方法，包括依次连接的以下模块：
...【技术特征摘要】
1.一种容器表面缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种容器表面缺陷检测方法，其特征在于，步骤s1中，神经网络模型包括依次连接的crc模块l1、att模块、第一复合模块l2、第二复合模块l3、第一concatenate函数层、第三复合模块l4、第二concatenate函数层、第四复合模块l5、第五复合模块l6、fc模块，第一复合模块l2与第一concatenate函数层连接，att模块与第二concatenate函数层连接，第一复合模块l2、第二复合模块l3、第三复合模块l4、第四复合模块l5、第五复合模块l6均包括相互连接的crc模块、自注意力机制模块。
3.根据权利要求1所述的一种容器表面缺陷检测方法，其特征在于，步骤s2中，依托复眼成像技术采集得到的复眼相机图像，通过噪声叠加和多数据混合构成数据增强的训练集；所述的复眼相机为相机阵列，包括至少2台相机。
4.根据权利要求1所述的一种容器表面缺陷检测方法，其特征在于，多数据混合是指利用同一玻瓶、复眼相机的多幅复眼图像进行混合，具体方式为：从训练集中随机抽取两幅图像，分别经过数据增广操作处理后，以像素值取平均值的形式叠加两幅图像合成一个新的样本。
5.根据权利要求1所述的一种容器表面缺陷检测...
【专利技术属性】
技术研发人员：雷知昊，金睿焱，雷波，
申请(专利权)人：成都德图福思科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。