[发明专利]一种结合深度学习和图像处理的烟盒缺陷识别方法

说明书

本发明公开了一种结合深度学习和图像处理的烟盒缺陷识别方法，该方法包括：获取原始图像并对原始图像进行处理，得到样本图像和烟盒图像；根据样本图像训练神经网络模型，得到特征提取模型；将烟盒图像输入到特征提取模型，并对特征提取模型中的卷积层的数据进行求导及加权求和，得到热力图；根据热力图和烟盒图像，计算得到烟盒图像中的缺陷长宽。通过使用本发明，能准确判断工业流水线上的烟盒是否存在缺陷并计算出烟盒中的缺陷区域范围和缺陷的具体大小。本发明作为一种结合深度学习和图像处理的烟盒缺陷识别方法，可广泛应用于图像处理领域。

技术领域

本发明涉及图像处理领域，尤其涉及一种结合深度学习和图像处理的烟盒缺陷识别方法。

背景技术

近年来，国内烟包印刷竞争日趋激烈，精美烟包产品层出不穷，烟包设计和印刷工艺越来越复杂，所用材料也越来越讲究，凹印、胶印、柔印、全息烫印、镭射铝箔纸等技术纷纷上阵，多种印刷技术组合的烟盒随处可见。随着印刷工艺的复杂化和多样化，对成品检验的要求也越来越高。各道工序出现烟盒缺陷(如污渍、刮痕、炸耳等)后，最终流入到最后检验工序，若全部由人工完成，工作量极大，且仅依靠人的视力检测很难保持持久和稳定，检测效率低、成本高、劳动强度大，容易产生疲劳和漏检现象，有缺陷的烟盒流入到烟厂或用户手中，将造成质量事故。

发明内容

为了解决上述技术问题，本发明的目的是提供一种结合深度学习和图像处理的烟盒缺陷识别方法，能准确判断工业流水线上的烟盒是否存在缺陷并计算出烟盒中的缺陷区域范围和缺陷的具体大小。

本发明所采用的第一技术方案是：一种结合深度学习和图像处理的烟盒缺陷识别方法，包括以下步骤：

获取原始图像并对原始图像进行处理，得到样本图像和烟盒图像；

根据样本图像训练神经网络模型，得到特征提取模型；

将烟盒图像输入到特征提取模型，并对特征提取模型中的卷积层的数据进行求导及加权求和，得到热力图；

根据热力图和烟盒图像，计算得到烟盒图像中的缺陷长宽。

进一步，所述获取原始图像并对原始图像进行处理，得到样本图像和烟盒图像这一步骤，其具体包括：

获取原始图像并对原始图像进行预处理，得到分类后的预处理图像；

将分类后的预处理图像进行图像增强，得到多个样本图像和烟盒图像。

进一步，所述对原始图像进行预处理具体为将原始图像大小调整为384x512并根据原始图像的真实缺陷情况对原始图像进行缺陷分类。

进一步，所述将分类后的预处理图像进行图像增强，得到多个样本图像和烟盒图像这一步骤，其具体包括：

对分类后的预处理图像进行随机裁剪、左右翻转和随机旋转的操作，得到第一样本图像；

对分类后的预处理图像的缺陷区域进行粗截取，得到各种类型不同角度的缺陷贴图；

将缺陷贴图进行缩放和旋转操作后融合到原始图像中，得到第二样本图像；

结合第一样本图像、第二样本图像和原始图像，得到多个样本图像和烟盒图像。

进一步，所述训练神经网络模型具体为基于resnet18神经网络结构模型进行训练并使用交叉熵损失函数、三元组损失函数进行训练。

进一步，将烟盒图像输入到特征提取模型，并对特征提取模型中的卷积层的数据进行求导及加权求和，得到热力图这一步骤，其具体包括：

将烟盒图像输入到特征提取模型，对烟盒图像进行推断并提取得到特征图；

对特征提取模型中最后一个卷积层的数据进行求导得到梯度，并将梯度的均值作为特征图的权重；