[发明专利]一种融合机器视觉和深度学习的口罩检测方法

说明书

本发明公开一种融合机器视觉和深度学习的口罩检测方法，属于人工智能领域，调节视觉系统成像效果；放料，采集大量图像；对上表面相机采集到的图像用现有的深度学习检测分类算法进行训练；对下表面相机采集的图像取四行字符区域建立模板，保存相关参数信息；对下表面相机图片提取到的字符做传统ocr训练和深度学习ocr训练；放料，上、下表面相机分别开始检测；上表面相机执行口罩缺陷检测分类算法，将口罩分成OK/NG两类，NG口罩报警，下表面相机执行口罩反面字符定位和识别算法。本发明的检测方法鲁棒性好、准确率高、效率高，降低了生产成本。

技术领域

本发明涉及人工智能技术领域，特别涉及一种融合机器视觉和深度学习的口罩检测方法。

背景技术

当前新冠疫情肆虐，为防止疫情扩散及交叉传染，在公共场合佩戴口罩尤为重要。口罩是防护新冠疫情的最有效工具，口罩质量很重要，直接关系到人民的生命安全，佩戴劣质口罩会相当于直接和外部接触。所以在口罩生产制造过程中的质量检测应运而生。

传统的口罩检测是基于人工检测，工作人员不能长时间不间断劳动，而且容易疲劳、效率低、准确率低、漏检率高、人工成本也高。袋装口罩由于缺陷种类较多，有空袋、一个袋内含有两个口罩、口罩褶皱、含有膜接头、压耳带、口罩袋连包、喷码异常、膜面褶皱、卷膜移位、封合开口、无耳带、袋内含杂物及污染等缺陷。口罩反面的字符印刷位置并不固定，而且字符很小，含有粘连，人眼检测识别会很难很慢，所以人工检测费时费力，效果还不好，亟需一种高速的、准确的口罩检测识别方法。

目前市面上有只基于传统机器视觉的口罩检测系统，但是能检测口罩缺陷的种类不多，而且鲁棒性不强，不能检测恶劣光照不均匀光照下的缺陷，检测系统参数很依赖当前成像环境，当相机镜头光源等成像部件稍有改动就要重新调整系统参数，非常麻烦，而且这类检测系统准确率也不高。而且不能处理未知种类的缺陷，当增加缺陷种类时，可能准确率下降，还需要增加检测工位。基于传统机器视觉的检测系统，针对反面字符的定位和识别也不准，处理粘连字符或恶劣光照下的字符效果不好，字符有破损或脏污干扰时准确率也不高。

发明内容

本发明的目的在于提供一种融合机器视觉和深度学习的口罩检测方法，以解决目前对口罩的检测准确率和鲁棒性以及智能化的问题。

为解决上述技术问题，本发明提供了一种融合机器视觉和深度学习的口罩检测方法，包括：

步骤一、调整皮带输送线速度，调整光源高度亮度、镜头视野和线扫相机参数，使成像清晰，特征明显；

步骤二、放料，使口罩正面朝上，反面朝下，上、下表面相机同时采集图像，分别采集口罩正面和反面；

上表面相机先采集若干张无缺陷的口罩图像，再采集若干张含各种缺陷的口罩图像，采集的两组图像分别放在OK/NG文件夹中；下表面相机采集无缺陷口罩的反面图像，放在ocr文件夹下；

步骤三、对上表面相机采集的图像用深度学习检测分类算法进行训练；

对下表面相机采集的图像，统计要检测的4行字符跳动范围的最大区域，相对于口罩的相对矩形坐标；

同时以正角度口罩的4行字符区域建立模板；

步骤四、放料，上、下表面相机分别开始检测；

上表面相机执行口罩缺陷检测分类算法，将口罩分成OK/NG两类，NG口罩报警；

下表面相机执行口罩反面字符定位和识别算法；

步骤五：下表面相机执行口罩反面生产日期字符识别算法。

可选的，所述皮带为处于同一水平线上的、相同速度、相同宽度的三段皮带线，三段皮带线之间有两个连接处，每个连接处分别安装一套视觉系统：