[发明专利]基于AI深度学习技术的玻璃容器质量检测方法

权利要求书

1.一种基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，所述基于AI深度学习技术的玻璃容器质量检测方法包括以下步骤：

步骤1，将具有缺陷标签的玻璃容器图像数据作为训练集输入深度学习模型进行训练；

步骤2，对训练集进行预处理和归一化；

步骤3，对训练集进行特征提取；

步骤4，通过特征和训练集生成损失函数，使深度学习模型收敛；

步骤5，将待检测玻璃容器图像数据输入训练后的深度学习模型；

步骤6，通过深度学习模型对待检测玻璃容器图像数据进行缺陷预测，生成回归框和缺陷类型；

步骤7，对回归框对应缺陷进行二次特征提取，进一步判断缺陷类型。

2.根据权利要求1所述基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，在步骤1中，所述缺陷标签包括瓶口常见缺陷：亮剪刀印、亮结石、暗剪刀印和暗结石；瓶底常见缺陷：结石、气泡污点和裂纹。

3.根据权利要求1所述基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，在步骤7中，所述检测方法还包括以下步骤：

步骤71，通过置信度对多个缺陷对应的回归框分别进行筛选，生成真实缺陷；

步骤72，对深度学习模型预测的多个缺陷对应的回归框分别进行分割；

步骤73，基于回归框进行缺陷动态聚类；

步骤74，通过缺陷滤波器对瓶底花纹区进行二次特征提取，确定缺陷类型和准确位置。

4.根据权利要求3所述基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，在步骤73中，还包括以下步骤：

步骤731，计算回归框进内每个像素的特征向量：

f(x,y)＝[I(x,y),G_sigmaI(x,y),G_sigmaI²(x,y)]

其中，i(x,y)表示图像中像素(x,y)的灰度值，G_sigmaI和G_sihmaI²分别表示图像I和I²的高斯模糊结果，sigma表示高斯核的标准差；

步骤732，对回归框进内所有像素的特征向量进行聚类，得到聚类中心集合：

C＝{c₁,c₂,…,c_k}

其中，c_k为聚类中心，k是聚类中心的个数；

步骤733，对回归框进内所有像素(x,y)，计算该像素与聚类中心的相似度：

S_k(x,y)＝f(x,y)·c_k

其中，f(x,y)·c_k表示特征向量f(x,y)与聚类中心c_k的点积；

步骤734，计算每个聚类中心c_k的阈值：

T_k＝max{f(x,y)·c_k}

步骤735，并将像素(x,y)的阈值设为最接近它的聚类中心的阈值；

步骤736，通过阈值提取回归框中有效缺陷。

5.根据权利要求3所述基于AI深度学习技术的玻璃容器质量检测方法，其特征在于，在步骤74中，还包括以下步骤：

步骤741，构造特征集合：

F＝{area,width,height,anisometry,…m}

area表示聚类区域面积，width表示聚类区域长度，height表示聚类区域宽度，anisometry表示长半轴与短半轴的比，m表示构造特征集合项目数；

步骤742：构造特征权值向量：

L＝{a,b,c,d,...,m′}

其中，a,b,c,d,...,m′分别表示构造特征集合F中对应构造特征的权值；

步骤743：特征集合与特征权值的卷积操作输出样本特征值

其中，i∈(1，m)表示构造特征集合中第i项。

步骤744，将计算的样本特征值与预设的特征条件进行比较，符合预设的特征条件则判断为存在缺陷，否则不视为缺陷。