[发明专利]基于AI深度学习技术的玻璃容器质量检测方法

说明书

本发明涉及图像识别和深度学习技术领域，提供了一种基于AI深度学习技术的玻璃容器质量检测方法，包括步骤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。本发明通过对玻璃容器复杂背景区域的训练，可以解决传统算法无法检测的缺陷。

技术领域

本发明涉及图像识别和深度学习技术领域，特别涉及一种基于AI深度学习技术的玻璃容器质量检测方法。

背景技术

随着玻璃容器生产工艺的不断发展，我国日用玻璃行业生产技术越发成熟，与国际先进技术的差距不断缩小。但是随着生产工艺的不断发展，现在客户对于玻璃容器的检测要求越来越高。

在玻璃容器行业，现有技术主要的检测手段是基于传统机器视觉的各种处理技术，包括Blob分析、形态学处理、以及特征匹配等。在专利《CN201720728586.2一种玻璃容器制造颈部裂纹缺陷视觉检测系统》、《CN201510427763.9透明玻璃容器制造缺陷视觉检测系统及方法》以及《CN202020271276.4用于药用玻璃瓶在线视觉检测的旋转装置》中，都是采用传统机器视觉的处理技术来解决需要处理的问题。

随着玻璃容器形态和花纹的多样化，复杂化，越来越多的缺陷出现在花纹周围甚至是花纹里面。无法检测花纹周边的缺陷，正是传统算法的痛点以及难点。对于人类来说，目标检测是一个非常简单的任务。然而，计算机能够“看到”的是图像被编码之后的数字，传统算法很难理解图像中出现了人们定义的产品缺陷这样的高层语义概念，也就更加难以定位目标出现在图像中哪个区域。最终导致的就是检测效率低下，以及检测精度低的结果。

发明内容

本发明提供一种基于AI深度学习技术的玻璃容器质量检测方法，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。

更近一步地，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。

更近一步地，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。

更近一步地，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：