CN109544548A - 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 - Google Patents
餐盒的缺陷检测方法、装置、服务器、设备和存储介质 Download PDFInfo
- Publication number
- CN109544548A CN109544548A CN201811458919.XA CN201811458919A CN109544548A CN 109544548 A CN109544548 A CN 109544548A CN 201811458919 A CN201811458919 A CN 201811458919A CN 109544548 A CN109544548 A CN 109544548A
- Authority
- CN
- China
- Prior art keywords
- cutlery box
- defect
- image
- detection
- box image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B25/00—Packaging other articles presenting special problems
- B65B25/001—Packaging other articles presenting special problems of foodstuffs, combined with their conservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Abstract
本发明实施例公开一种餐盒的缺陷检测方法、装置、服务器、设备和存储介质。该方法包括:接收用户端发送的包括餐盒图像的检测请求,其中所述餐盒图像是用户端通过图像采集器对餐盒进行采集得到的;通过缺陷检测模型所述响应检测请求,对所述餐盒图像进行缺陷识别。本发明实施例通过对实时采集的餐盒图像进行餐盒图像中餐盒缺陷的检测,实现基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高餐盒质检的自动化程度和可扩展性。
Description
技术领域
本发明实施例涉及检测技术领域,尤其涉及一种餐盒的缺陷检测方法、装置、服务器、设备和存储介质。
背景技术
在互联网和通信领域快速发展的时代,餐饮行业也随之蓬勃发展,随之带动着餐盒的需求也越来越大,因此对餐盒进行质量检测突显的尤为重要。
现有技术中,通常采用人工检测方式或基于光学检测的半自动检测方式对餐盒的外表进行质量检测。其中,人工检测方式单纯通过质检人员的肉眼对餐盒的外观照片进行观察,依赖质检人员的经验给出判断结果。基于光学检测的半自动检测方式,主要由具有一定判断能力的质检系统过滤掉没有缺陷的餐盒,然后再由质检人员对疑似存在缺陷的餐盒的照片进行检测判断。
然而,现有技术受质检人员的主观影响因素较大,难以统一对餐盒缺陷的判断标准,且对于质检人员的眼睛伤害较大。因此现有技术检测准确率和检测效率均较低,且现有技术无法覆盖餐盒厂商所有的检测标准,扩展性较低。
发明内容
本发明实施例提供了一种餐盒的缺陷检测方法、装置、服务器、设备和存储介质,能够自动化地对餐盒进行质量检测,提高餐盒的缺陷检测效率和准确度。
第一方面,本发明实施例提供了一种餐盒的缺陷检测方法,包括:
接收用户端发送的包括餐盒图像的检测请求,其中所述餐盒图像是用户端通过图像采集器对餐盒进行采集得到的;
通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
第二方面,本发明实施例提供了一种餐盒的缺陷检测方法,包括:
通过图像采集器对餐盒进行采集,得到餐盒图像;
生成包括所述餐盒图像的检测请求;
向服务器发送所述检测请求,其中所述检测请求用于指示所述服务器通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
第三方面,本发明实施例提供了一种餐盒的缺陷检测装置,包括:
检测请求接收模块,用于接收用户端发送的包括餐盒图像的检测请求,其中所述餐盒图像是用户端通过图像采集器对餐盒进行采集得到的;
餐盒缺陷识别模块,用于通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
第四方面,本发明实施例提供了一种餐盒的缺陷检测装置,包括:
餐盒图像采集模块,用于通过图像采集器对餐盒进行采集,得到餐盒图像;
检测请求生成模块,用于生成包括所述餐盒图像的检测请求;
检测请求发送模块,用于向服务器发送所述检测请求,其中所述检测请求用于指示所述服务器通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
第五方面,本发明实施例提供了一种服务器,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例第一方面所述的餐盒的缺陷检测方法。
第六方面,本发明实施例提供了一种设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例第二方面所述的餐盒的缺陷检测方法。
第七方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例第一方面所述的餐盒的缺陷检测方法,或者该程序被处理器执行时实现本发明任意实施例第二方面所述的餐盒的缺陷检测方法。
本发明实施例接收用户端发送的包括餐盒图像的检测请求,通过缺陷检测模型响应该检测请求,从而实现对餐盒图像进行缺陷识别。其中,餐盒图像是用户端通过图像采集器对餐盒生产线进行实时地图像采集得到的,并依据餐盒图像生成检测请求发予服务器。本发明实施例通过对实时采集的餐盒图像进行餐盒缺陷的检测,实现了基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免了利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高了餐盒质检的自动化程度和可扩展性。
附图说明
图1为本发明实施例一提供的一种餐盒的缺陷检测方法的流程图;
图2为本发明实施例二提供的一种餐盒的缺陷检测方法的流程图;
图3为本发明实施例三提供的一种餐盒的缺陷检测方法的流程图;
图4为本发明实施例四提供的一种餐盒的缺陷检测方法的流程图;
图5为本发明实施例五提供的餐盒缺陷检测流程的示例图;
图6为本发明实施例六提供的一种餐盒的缺陷检测装置的结构示意图;
图7为本发明实施例七提供的一种餐盒的缺陷检测装置的结构示意图;
图8为本发明实施例八提供的一种服务器的结构示意图;
图9为本发明实施例九提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种餐盒的缺陷检测方法的流程图,本实施例可适用于对餐盒进行质量检测的情况,该方法应用于服务器端,可由一种餐盒的缺陷检测装置来执行。该方法具体包括如下步骤:
S110、接收用户端发送的包括餐盒图像的检测请求,其中所述餐盒图像是用户端通过图像采集器对餐盒进行采集得到的。
在本发明具体实施例中,用户端是指对餐盒生产线进行控制和图像采集的前端。用户端中配置有图像采集器,图像采集器是指摄像机等能够进行图像采集的设备,其中可以采用高精度的图像采集摄像头进行高精度图像的采集,通过调节拍摄角度、辅助光线、滤镜、倍镜以及焦距等拍摄参数,对餐盒生产线上的情况进行图像采集,以此得到包括餐盒的餐盒图像。其中,待检测的餐盒的材质不受限制,任何需要进行缺陷检测的餐盒都可以应用于本实施例中,例如可以是塑料餐盒、塑料泡沫餐盒、金属餐盒或者玻璃餐盒等。
本实施例中,用户端依据图像采集器采集的餐盒图像生成检测请求,并发送给服务器,从而服务器接收用户端发送的检测请求,以此触发服务器对于餐盒图像的缺陷识别。其中,检测请求中包括餐盒图像,餐盒图像可以为一张图像,也可以为同一检测目标的多张多视角的餐盒图像。
S120、通过缺陷检测模型响应检测请求,对餐盒图像进行缺陷识别。
在本发明具体实施例中,服务器中部署有缺陷检测模型,缺陷检测模型用于对餐盒图像进行缺陷的检测。其中,不同服务器中可以部署相同的缺陷检测模型,不同服务器当中也可以部署检测功能不同的缺陷检测模型。相应的,可以通过训练引擎对历史标注的样本餐盒图像和业务场景需求来训练缺陷检测模型。具体的,可以预先划分餐盒的缺陷类别,例如划痕、缺失以及变色等缺陷类别,从而基于样本餐盒图像中的缺陷位置和缺陷类别,利用样本餐盒图像对神经网络模型进行训练,得到用于检测餐盒缺陷的缺陷检测模型。进而服务器对检测请求进行响应,利用服务器自身搭载的缺陷检测模型对餐盒图像进行缺陷识别,从而获得对餐盒图像的缺陷检测结果。其中,若检测存在缺陷,则缺陷检测结果中可以包括缺陷类型和缺陷位置坐标等参数。
本实施例中,由于摄像设备、摄像技术以及摄像环境的影响,导致图像的图像数据特征存在差异,因此在目标服务器对餐盒图像进行识别之前,可以通过确定餐盒图像中各像素点取值的平均值和标准差,对餐盒图像中各像素点取值进行归一化处理,以此统一待检测餐盒图像的像素数据,便于后续进行标准化的缺陷检测,减少检测误差。
相应的,在通过目标服务器上搭载的缺陷检测模型响应检测请求,对餐盒图像进行缺陷识别之后,服务器可以依据对餐盒图像的缺陷检测结果,并结合业务场景需求,对餐盒执行响应行为。
示例性的,若检测到餐盒图像具有缺陷,则根据识别到的缺陷类型和/或缺陷位置生成缺陷报警指示,并向用户端发送缺陷报警指示,以指示用户端根据缺陷报警指示进行报警,以此告知工作人员检测到有缺陷的餐盒以及缺陷类型和位置。或者,还可以根据识别的缺陷类型生成餐盒分拣指示,并向用户端发送餐盒分拣指示,以指示用户端中的机械臂对餐盒进行分拣处理,以此筛选出有缺陷的餐盒,还可以按照缺陷类型对塑料餐盒进行分拣,以备工作人员对不同缺陷类型的餐盒进行针对性的处理。例如,对于划痕类的餐盒可以进行二次补救和使用。
其中,采集到的餐盒图像、缺陷检测的结果以及响应行为等数据可以存储于数据库中,以备复查缺陷检测和定位的准确率,以此更新缺陷检测模型。示例性的,依据工作人员或检测设备反馈的对于餐盒图像的缺陷识别结果的修正信息,从数据库中提取中修正信息对应的餐盒图像形成新的缺陷检测样本,以及根据缺陷检测样本更新缺陷检测模型。
本实施例的技术方案,接收用户端发送的包括餐盒图像的检测请求,通过缺陷检测模型响应该检测请求,从而实现对餐盒图像进行缺陷识别。其中,餐盒图像是用户端通过图像采集器对餐盒生产线进行实时地图像采集得到的,并依据餐盒图像生成检测请求发予服务器。本发明实施例通过对实时采集的餐盒图像进行餐盒缺陷的检测,实现了基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免了利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高了餐盒质检的自动化程度和可扩展性。
实施例二
本实施例在上述实施例一的基础上,提供了餐盒的缺陷检测方法的一个优选实施方式,能够利用基于神经网络的缺陷检测模型对餐盒图像进行缺陷识别。图2为本发明实施例二提供的一种餐盒的缺陷检测方法的流程图,如图2所示,该方法包括以下具体步骤:
S210、接收用户端发送的包括餐盒图像的检测请求。
在本发明具体实施例中,用户端依据图像采集器采集的餐盒图像生成检测请求,并发送给服务器,从而服务器接收用户端发送的检测请求,以此触发服务器对于餐盒图像的缺陷识别。其中,检测请求中包括餐盒图像,餐盒图像可以为一张图像,也可以为同一检测目标的多张多视角的餐盒图像。
S220、确定餐盒图像中各像素点取值的平均值和标准差;根据平均值和标准差,对餐盒图像中各像素点取值进行归一化处理。
在本发明具体实施例中,由于摄像设备、摄像技术以及摄像环境的影响,导致图像的图像数据特征存在差异,因此在目标服务器对餐盒图像进行识别之前,可以通过确定餐盒图像中各像素点取值的平均值和标准差,对餐盒图像中各像素点取值进行归一化处理,以此统一待检测餐盒图像的像素数据,便于后续进行标准化的缺陷检测,减少检测误差。
S230、通过缺陷检测模型响应检测请求,对餐盒图像进行缺陷识别。
在本发明具体实施例中,服务器中部署有缺陷检测模型,缺陷检测模型用于对餐盒图像进行缺陷的检测。其中,可以通过训练引擎对历史标注的样本餐盒图像和业务场景需求来训练缺陷检测模型,以原始餐盒图像或特征图为输入,以此判断餐盒图像是否存在缺陷,若存在缺陷,则输出缺陷类别和缺陷位置坐标。
具体的,训练引擎采用深度卷积神经网络结构,采用基于Faster RCNN算法的MaskRCNN实例分割算法和样本餐盒图像进行缺陷检测模型的训练。深度卷积神经网络结构主要由卷积层、池化层和全连接层等组成。其中,卷积层中利用全职不同的卷积核对样本餐盒图像或特征图进行扫描卷积,从中提取中有意义的数据特征,并输出至特征图中。池化层则对特征图进行降维处理,保留特征图中的主要特征。利用这种具有卷积、池化操作的深度神经网络模型,可以对生产线上的餐盒图像的变形、模糊和光照变化等具有较高的鲁棒性,对于分类任务具有更高的可泛化性。全连接层则将提取的特征映射到缺陷定位分类网络。对于不同的餐盒图像数据特征和餐盒的生产场景,可以通过设计不同深度、不同数量神经元、不同的卷积池化组织方式构成相应的深度卷积神经模型,并进行训练。
Mask RCNN算法在Faster RCNN算计基础上,增加了实例分割的网络分支。该分支利用基于二分插值的算法将特征图还原到原图大小,对每一个像素所属的实例进行预测。对于每个像素的预测结果,与真实值做交叉熵运算,得到其损失。然后将该损失与FasterRCNN的损失结合到一起做组合训练,优化网络模型参数。
Faster RCNN算法首先利用分类模型的卷积操作得到其特征图,然后利用候选区域网络(Region Proposal Network,RPN)计算原样本餐盒图像的某一区域内是否包含特定的餐盒。若包含,则利用卷积网络进行特征提取,预测其物体类别和边界盒子(boundingbox);若不包含,则不进行分类。这样,将三个网络分支的损失结合到一起做组合训练,进一步优化模型参数。当模型的输出与真值之间的误差值小于预先设定的符合业务要求的阈值时,则停止训练。对于每一次训练好的模型可通过小流量上线的方式逐步取代正在线上运行的旧模型,以达到模型随业务动态扩展泛化的目的。
本实施例中,不同服务器中可以部署相同的缺陷检测模型,不同服务器当中也可以部署检测功能不同的缺陷检测模型。进而服务器对检测请求进行响应,利用服务器上搭载的缺陷检测模型,以餐盒图像为缺陷检测模型的输入,对餐盒图像进行缺陷识别,从而获得对餐盒图像的缺陷检测结果。其中,若检测存在缺陷,则输出结果中可以包括缺陷类型和缺陷位置坐标等参数。随后控制模块可以依据对餐盒图像的缺陷检测结果,并结合业务场景需求,对餐盒执行响应行为。
可选的,若检测到餐盒图像具有缺陷,则根据识别到的缺陷类型和/或缺陷位置生成缺陷报警指示,并向用户端发送缺陷报警指示。
本实施例中,若检测到餐盒图像具有缺陷,则服务器可以根据识别的缺陷类型和/或缺陷位置生成缺陷报警指示,并向用户端发送缺陷报警指示,以指示用户端根据缺陷报警指示进行报警,以此告知工作人员检测到有缺陷的餐盒以及缺陷类型和位置。
可选的,若检测到餐盒图像具有缺陷,则根据识别的缺陷类型生成餐盒分拣指示,并向用户端发送所述餐盒分拣指示,其中所述餐盒分拣指示用于指示所述用户端中的机械臂对具有缺陷的餐盒进行分拣。
本实施例中,若检测到餐盒图像具有缺陷,则可以根据识别的缺陷类型生成餐盒分拣指示,并向用户端发送餐盒分拣指示,以指示用户端中的机械臂对餐盒进行分拣处理,以此筛选出有缺陷的餐盒,还可以按照缺陷类型对塑料餐盒进行分拣,以备工作人员对不同缺陷类型的餐盒进行针对性的处理。例如,对于划痕类的餐盒可以进行二次补救和使用等。
可选的,若获取餐盒图像的缺陷识别结果的修正信息,则根据修正信息形成新的缺陷检测样本;根据缺陷检测样本更新缺陷检测模型。
本实施例中,采集到的餐盒图像、缺陷检测的结果以及响应行为等数据可以存储于数据库中,以备在系统运行一段时间后,人工可以通过生成数据库中的信息,复查缺陷检测和定位的准确率,然后更新训练据库,重新训练缺陷检测模型,以提高缺陷检测准确率。或者,依据工作人员或检测设备反馈的对于餐盒图像的缺陷识别结果的修正信息,从数据库中提取中修正信息对应的餐盒图像形成新的缺陷检测样本,以及根据缺陷检测样本更新缺陷检测模型。
本实施例的技术方案,接收用户端发送的包括餐盒图像的检测请求,通过缺陷检测模型响应该检测请求,从而实现对餐盒图像进行缺陷识别。其中,餐盒图像是用户端通过图像采集器对餐盒生产线进行实时地图像采集得到的,并依据餐盒图像生成检测请求发予服务器;缺陷检测模型是基于深度学习神经网络和预先标注有缺陷类型的样本餐盒图像训练得到的。本发明实施例通过对实时采集的餐盒图像进行餐盒缺陷的检测,实现了基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免了利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高了餐盒质检的自动化程度和可扩展性。
实施例三
图3为本发明实施例三提供的一种餐盒的缺陷检测方法的流程图,本实施例可适用于对餐盒进行质量检测的情况,该方法应用于用户端,可由一种餐盒的缺陷检测装置来执行。该方法具体包括如下步骤:
S310、通过图像采集器对餐盒进行采集,得到餐盒图像。
在本发明具体实施例中,图像采集器是指摄像机等能够进行图像采集的设备,其中可以采用高精度的图像采集摄像头进行高精度图像的采集,通过调节拍摄角度、辅助光线、滤镜、倍镜以及焦距等拍摄参数,对餐盒生产线上的情况进行图像采集,以此得到包括餐盒的餐盒图像。
具体的,为了提高餐盒图像的采集准确度,图像采集器可以依据生产线的运行速度,以一定的频率进行图像的采集;且图像采集器的数量可以为一个,也可以为多个,图像采集器可以随着拍摄需求而进行姿态的调整。相应的,依据生产环境和检测需求,在一次图像采集时可以采集至少一张餐盒图像,得到的餐盒图像中可以包括餐盒在不同视角上的成像结果,从而为餐盒的全面检测提供图像依据。
S320、生成包括餐盒图像的检测请求。
在本发明具体实施例中,对于接收到图像采集器传输的餐盒图像,可以单独接收同一检测目标的一张餐盒图像,也可以同时接收同一检测目标的多张多视角的餐盒图像,以此根据接收到的餐盒图像生成对于检测目标的检测请求。
S330、向服务器发送检测请求,其中所述检测请求用于指示服务器通过缺陷检测模型响应检测请求,对餐盒图像进行缺陷识别。
在本发明具体实施例中,服务器可以为一个,也可以为多个。不同服务器中可以部署了相同的缺陷检测模型,缺陷检测模型用于对餐盒图像进行缺陷的检测。从而用户端依据各服务器的负载信息进行宏观调度,确定检测实时餐盒图像的目标服务器,以此使多个服务器之间均衡进行缺陷检测任务。此外,当存在多个服务器时,则不同服务器当中可以部署了检测功能不同的缺陷检测模型,不同的缺陷检测模型用于对不同生成环境下的餐盒图像进行缺陷的检测。相应的,控制台可以根据缺陷检测模型的部署情况和各服务器的负载信息进行宏观调度,通过对餐盒图像中餐盒的餐盒形状、生产环境以及厂商需求等条件进行初步识别,确定能够检测实时餐盒图像的目标服务器,以此使餐盒图像得到有针对性的检测。最终,控制台将检测请求发送至目标服务器,以此触发对餐盒图像的缺陷检测。
本发明实施例通过图像采集器对餐盒生产线进行实时地图像采集,得到待检测的餐盒图像,并依据餐盒图像生成检测请求发送给服务器,从而触发服务器中的缺陷检测模型对餐盒图像进行缺陷识别。本发明实施例通过实时图像的采集,并生成检测请求触发缺陷检测模型对餐盒图像中的餐盒进行缺陷检测,实现了基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免了利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高了餐盒质检的自动化程度和可扩展性。
实施例四
本实施例在上述实施例三的基础上,提供了餐盒的缺陷检测方法的一个优选实施方式,能够选择合适的目标服务器进行餐盒的缺陷检测。图4为本发明实施例四提供的一种餐盒的缺陷检测方法的流程图,如图4所示,该方法包括以下具体步骤:
S410、通过图像采集器对餐盒进行采集,得到餐盒图像。
在本发明具体实施例中,图像采集器是指摄像机等能够进行图像采集的设备,其中可以采用高精度的图像采集摄像头进行高精度图像的采集,通过调节拍摄角度、辅助光线、滤镜、倍镜以及焦距等拍摄参数,对餐盒生产线上的情况进行图像采集,以此得到包括餐盒的餐盒图像。
具体的,为了提高餐盒图像的采集准确度,图像采集器可以依据生产线的运行速度,以一定的频率进行图像的采集;且图像采集器的数量可以为一个,也可以为多个,图像采集器可以随着拍摄需求而进行姿态的调整。相应的,依据生产环境和检测需求,在一次图像采集时可以采集至少一张餐盒图像,得到的餐盒图像中可以包括餐盒在不同视角上的成像结果,从而为餐盒的全面检测提供图像依据。
S420、生成包括餐盒图像的检测请求。
在本发明具体实施例中,对于接收到图像采集器传输的餐盒图像,可以单独接收同一检测目标的一张餐盒图像,也可以同时接收同一检测目标的多张多视角的餐盒图像,以此根据接收到的餐盒图像生成对于检测目标的检测请求。
S430、根据各服务器的负载信息选择目标服务器。
在本发明具体实施例中,服务器可以为一个,也可以为多个。不同服务器中可以部署了相同的缺陷检测模型,缺陷检测模型用于对餐盒图像进行缺陷的检测。从而用户端依据各服务器的负载信息进行宏观调度,确定检测实时餐盒图像的目标服务器,以此使多个服务器之间均衡进行缺陷检测任务。此外,当存在多个服务器时,则不同服务器当中可以部署了检测功能不同的缺陷检测模型,不同的缺陷检测模型用于对不同生成环境下的餐盒图像进行缺陷的检测。相应的,用户端可以根据缺陷检测模型的部署情况和各服务器的负载信息进行宏观调度,通过对餐盒图像中餐盒的餐盒形状、生产环境以及厂商需求等条件进行初步识别,确定能够检测实时餐盒图像的目标服务器,以此使餐盒图像得到有针对性的检测。
S440、向目标服务器发送所述检测请求,其中检测请求用于指示目标服务器通过目标服务器上搭载的缺陷检测模型响应检测请求,对餐盒图像进行缺陷识别。
在本发明具体实施例中,目标服务器可以是用户端经过负载信息判断,当前能够承载该餐盒图像缺陷识别任务的服务器,也可以是用户端经过缺陷检测模型的部署情况判断,符合当前餐盒图像检测需求的服务器,也可以是符合上述两种条件的服务器。进而用户端将包含该餐盒图像的检测请求发送给目标服务器,以使目标服务器通过自身搭载的缺陷检测模型响应检测请求,对餐盒图像进行缺陷识别。相应的提高了缺陷检测的效率和准确度。
本发明实施例通过图像采集器对餐盒生产线进行实时地图像采集,得到待检测的餐盒图像,并依据餐盒图像生成检测请求,同时根据各服务器的负载信息选择用于检测该餐盒图像的最佳的目标服务器,最终将检测请求发送给目标服务器。以使目标服务器通过其上搭载的缺陷检测模型响应检测请求,对餐盒图像进行缺陷识别。本发明实施例通过对实时采集的图像生成检测请求,并发送给适合当前餐盒图像检测的最佳目标服务器,将检测请求发送给目标服务器触发缺陷检测模型对餐盒图像中的餐盒进行缺陷检测,实现了基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免了利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高了餐盒质检的自动化程度和可扩展性。
实施例五
图5为本发明实施例五提供的餐盒缺陷检测流程的示例图。由图5可以看出,用户端中的图像采集器对餐盒生产线进行实时地图像采集,以此获得待检测的餐盒图像;其次用户端中的控制台根据的到的待检测的餐盒图像生成检测请求,并发送给目标服务器。从而目标服务器中的缺陷检测模型响应检测请求,得到对餐盒图像检测的缺陷类型和位置,并依据检测结果生成控制指示。相应的,用户端中的控制模块依据目标服务器发送的控制指示,例如报警指示和分拣指示灯,触发并执行业务响应。同时,餐盒图像、检测结果以及控制指示均可以存储在数据库中,从而依据数据库中存储的数据反向更新缺陷检测模型,以达到缺陷检测模型随业务动态扩展泛化的目的。
本发明实施例通过服务器与用户端的相互配合,实现了数据的采集、决策的生成、图像的检测以及生产流程的控制,从而实现了基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免了利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高了餐盒质检的自动化程度和可扩展性。
实施例六
图6为本发明实施例六提供的一种餐盒的缺陷检测装置的结构示意图,本实施例可适用于对餐盒进行质量检测的情况,该装置应用于服务器端,可实现本发明任意实施例所述的餐盒的缺陷检测方法。该装置具体包括:
检测请求接收模块610,用于接收用户端发送的包括餐盒图像的检测请求,其中所述餐盒图像是用户端通过图像采集器对餐盒进行采集得到的;
餐盒缺陷识别模块620,用于通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
可选的,所述缺陷检测模型是通过如下方式训练得到的:
根据样本餐盒图像以及样本餐盒图像中的缺陷位置和缺陷类型,对神经网络模型进行训练。
进一步的,所述装置还包括像素归一化模块630,所述像素归一化模块630具体用于:
在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之前,确定所述餐盒图像中各像素点取值的平均值和标准差;
根据所述平均值和标准差,对所述餐盒图像中各像素点取值进行归一化处理。
进一步的,所述装置还包括缺陷报警指示模块640;所述缺陷报警指示模块640具体用于:
在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之后,若检测到所述餐盒图像具有缺陷,则根据识别到的缺陷类型和/或缺陷位置生成缺陷报警指示,并向所述用户端发送所述缺陷报警指示。
进一步的,所述装置还包括餐盒分拣指示模块650;所述餐盒分拣指示模块650具体用于:
在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之后,若检测到所述餐盒图像具有缺陷,则根据识别的缺陷类型生成餐盒分拣指示,并向用户端发送所述餐盒分拣指示,其中所述餐盒分拣指示用于指示所述用户端中的机械臂对具有缺陷的餐盒进行分拣。
进一步的,所述装置还包括模型更新模块660;所述模型更新模块660具体用于:
若获取餐盒图像的缺陷识别结果的修正信息,则根据修正信息形成新的缺陷检测样本;
根据缺陷检测样本更新所述缺陷检测模型。
本实施例的技术方案,通过各个功能模块之间的相互配合,实现了缺陷检测模型的训练、检测请求的接收、餐盒图像的缺陷检测、对检测具有缺陷的餐盒的行为指示以及缺陷检测模型的更新等功能。本发明实施例通过对实时采集的餐盒图像进行餐盒缺陷的检测,实现了基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免了利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高了餐盒质检的自动化程度和可扩展性。
实施例七
图7为本发明实施例七提供的一种餐盒的缺陷检测装置的结构示意图,本实施例可适用于对餐盒进行质量检测的情况,该装置应用于用户端,可实现本发明任意实施例所述的餐盒的缺陷检测方法。该装置具体包括:
餐盒图像采集模块710,用于通过图像采集器对餐盒进行采集,得到餐盒图像;
检测请求生成模块720,用于生成包括所述餐盒图像的检测请求;
检测请求发送模块730,用于向服务器发送所述检测请求,其中所述检测请求用于指示所述服务器通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
可选的,所述检测请求发送模块730,包括:
服务器选择单元,用于根据各服务器的负载信息选择目标服务器;
检测请求发送单元,用于向目标服务器发送所述检测请求。
本实施例的技术方案,通过各个功能模块之间的相互配合,实现了餐盒图像的实时采集、检测请求的生成、目标服务器的确定、检测请求的发送以及对检测具有缺陷的餐盒的行为响应等功能。本发明实施例通过对实时采集的餐盒图像进行餐盒缺陷的检测,实现了基于视觉地且自动化地对生产线上的餐盒进行缺陷的检测,避免了利用人工对餐盒的质量进行检测,提高餐盒的缺陷检测效率和准确度,且提高了餐盒质检的自动化程度和可扩展性。
实施例八
图8为本发明实施例八提供的一种服务器的结构示意图,图8示出了适于用来实现本发明实施例实施方式的示例性服务器的框图。图8显示的服务器仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
图8显示的服务器812仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,服务器812以通用计算服务器的形式表现。服务器812的组件可以包括但不限于:一个或者多个处理器816,系统存储器828,连接不同系统组件(包括系统存储器828和处理器816)的总线818。
总线818表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器812典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器812访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器828可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)830和/或高速缓存存储器832。服务器812可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统834可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线818相连。系统存储器828可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明实施例各实施例的功能。
具有一组(至少一个)程序模块842的程序/实用工具840,可以存储在例如系统存储器828中,这样的程序模块842包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块842通常执行本发明实施例所描述的实施例中的功能和/或方法。
服务器812也可以与一个或多个外部服务器814(例如键盘、指向设备、显示器824等)通信,还可与一个或者多个使得用户能与该服务器812交互的设备通信,和/或与使得该服务器812能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口822进行。并且,服务器812还可以通过网络适配器820与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器820通过总线818与服务器812的其它模块通信。应当明白,尽管图中未示出,可以结合服务器812使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器816通过运行存储在系统存储器828中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的餐盒的缺陷检测方法。
实施例九
图9为本发明实施例九提供的一种设备的结构示意图,图9示出了适于用来实现本发明实施例实施方式的示例性设备的框图。图9显示的设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
图9显示的设备912仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,设备912以通用计算设备的形式表现。设备912的组件可以包括但不限于:一个或者多个处理器916,系统存储器928,连接不同系统组件(包括系统存储器928和处理器916)的总线918。
总线918表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备912典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备912访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器928可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)930和/或高速缓存存储器932。设备912可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统934可以用于读写不可移动的、非易失性磁介质(图9未显示,通常称为“硬盘驱动器”)。尽管图9中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线918相连。系统存储器928可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明实施例各实施例的功能。
具有一组(至少一个)程序模块942的程序/实用工具940,可以存储在例如系统存储器928中,这样的程序模块942包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块942通常执行本发明实施例所描述的实施例中的功能和/或方法。
设备912也可以与一个或多个外部设备914(例如键盘、指向设备、显示器924等)通信,还可与一个或者多个使得用户能与该设备912交互的设备通信,和/或与使得该设备912能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口922进行。并且,设备912还可以通过网络适配器920与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器920通过总线918与设备912的其它模块通信。应当明白,尽管图中未示出,可以结合设备912使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器916通过运行存储在系统存储器928中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的餐盒的缺陷检测方法。
实施例十
本发明实施例十还提供一种计算机可读存储介质,其上存储有计算机程序(或称为计算机可执行指令),该程序被处理器执行时可实现上述任意实施例中由服务器端执行的一种餐盒的缺陷检测方法,该方法包括:
接收用户端发送的包括餐盒图像的检测请求,其中所述餐盒图像是用户端通过图像采集器对餐盒进行采集得到的;
通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
本发明实施例十还提供一种计算机可读存储介质,其上存储有计算机程序(或称为计算机可执行指令),该程序被处理器执行时可实现上述任意实施例中由用户端执行的一种餐盒的缺陷检测方法,该方法包括:
通过图像采集器对餐盒进行采集,得到餐盒图像;
生成包括所述餐盒图像的检测请求;
向服务器发送所述检测请求,其中所述检测请求用于指示所述服务器通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机、服务器或设备上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明实施例进行了较为详细的说明,但是本发明实施例不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (19)
1.一种餐盒的缺陷检测方法,其特征在于,包括:
接收用户端发送的包括餐盒图像的检测请求,其中所述餐盒图像是用户端通过图像采集器对餐盒进行采集得到的;
通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
2.根据权利要求1所述的方法,其特征在于,所述缺陷检测模型是通过如下方式训练得到的:
根据样本餐盒图像以及样本餐盒图像中的缺陷位置和缺陷类型,对神经网络模型进行训练。
3.根据权利要求1所述的方法,其特征在于,在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之前,还包括:
确定所述餐盒图像中各像素点取值的平均值和标准差;
根据所述平均值和标准差,对所述餐盒图像中各像素点取值进行归一化处理。
4.根据权利要求1所述的方法,其特征在于,在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之后,还包括:
若检测到所述餐盒图像具有缺陷,则根据识别到的缺陷类型和/或缺陷位置生成缺陷报警指示,并向所述用户端发送所述缺陷报警指示。
5.根据权利要求1所述的方法,其特征在于,在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之后,还包括:
若检测到所述餐盒图像具有缺陷,则根据识别的缺陷类型生成餐盒分拣指示,并向用户端发送所述餐盒分拣指示,其中所述餐盒分拣指示用于指示所述用户端中的机械臂对具有缺陷的餐盒进行分拣。
6.根据权利要求1所述的方法,其特征在于,在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之后,还包括:
若获取餐盒图像的缺陷识别结果的修正信息,则根据修正信息形成新的缺陷检测样本;
根据缺陷检测样本更新所述缺陷检测模型。
7.一种餐盒的缺陷检测方法,其特征在于,包括:
通过图像采集器对餐盒进行采集,得到餐盒图像;
生成包括所述餐盒图像的检测请求;
向服务器发送所述检测请求,其中所述检测请求用于指示所述服务器通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
8.根据权利要求7所述的方法,其特征在于,所述向服务器发送所述检测请求,包括:
根据各服务器的负载信息选择目标服务器;
向目标服务器发送所述检测请求。
9.一种餐盒的缺陷检测装置,其特征在于,包括:
检测请求接收模块,用于接收用户端发送的包括餐盒图像的检测请求,其中所述餐盒图像是用户端通过图像采集器对餐盒进行采集得到的;
餐盒缺陷识别模块,用于通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
10.根据权利要求9所述的装置,其特征在于,所述缺陷检测模型是通过如下方式训练得到的:
根据样本餐盒图像以及样本餐盒图像中的缺陷位置和缺陷类型,对神经网络模型进行训练。
11.根据权利要求9所述的装置,其特征在于,所述装置还包括像素归一化模块,所述像素归一化模块具体用于:
在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之前,确定所述餐盒图像中各像素点取值的平均值和标准差;
根据所述平均值和标准差,对所述餐盒图像中各像素点取值进行归一化处理。
12.根据权利要求9所述的装置,其特征在于,所述装置还包括缺陷报警指示模块;所述缺陷报警指示模块具体用于:
在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之后,若检测到所述餐盒图像具有缺陷,则根据识别到的缺陷类型和/或缺陷位置生成缺陷报警指示,并向所述用户端发送所述缺陷报警指示。
13.根据权利要求9所述的装置,其特征在于,所述装置还包括餐盒分拣指示模块;所述餐盒分拣指示模块具体用于:
在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之后,若检测到所述餐盒图像具有缺陷,则根据识别的缺陷类型生成餐盒分拣指示,并向用户端发送所述餐盒分拣指示,其中所述餐盒分拣指示用于指示所述用户端中的机械臂对具有缺陷的餐盒进行分拣。
14.根据权利要求9所述的装置,其特征在于,所述装置还包括模型更新模块;所述模型更新模块具体用于:
在所述通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别之后,若获取餐盒图像的缺陷识别结果的修正信息,则根据修正信息形成新的缺陷检测样本;
根据缺陷检测样本更新所述缺陷检测模型。
15.一种餐盒的缺陷检测装置,其特征在于,包括:
餐盒图像采集模块,用于通过图像采集器对餐盒进行采集,得到餐盒图像;
检测请求生成模块,用于生成包括所述餐盒图像的检测请求;
检测请求发送模块,用于向服务器发送所述检测请求,其中所述检测请求用于指示所述服务器通过缺陷检测模型响应所述检测请求,对所述餐盒图像进行缺陷识别。
16.根据权利要求15所述的装置,其特征在于,所述检测请求发送模块,包括:
服务器选择单元,用于根据各服务器的负载信息选择目标服务器;
检测请求发送单元,用于向目标服务器发送所述检测请求。
17.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的餐盒的缺陷检测方法。
18.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求7-8中任一项所述的餐盒的缺陷检测方法。
19.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的餐盒的缺陷检测方法,或者该程序被处理器执行时实现如权利要求7-8中任一项所述的餐盒的缺陷检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811458919.XA CN109544548A (zh) | 2018-11-30 | 2018-11-30 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
US16/697,944 US11676257B2 (en) | 2018-11-30 | 2019-11-27 | Method and device for detecting defect of meal box, server, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811458919.XA CN109544548A (zh) | 2018-11-30 | 2018-11-30 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109544548A true CN109544548A (zh) | 2019-03-29 |
Family
ID=65851797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811458919.XA Pending CN109544548A (zh) | 2018-11-30 | 2018-11-30 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11676257B2 (zh) |
CN (1) | CN109544548A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261392A (zh) * | 2019-06-19 | 2019-09-20 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和系统 |
CN110648323A (zh) * | 2019-09-26 | 2020-01-03 | 上海御微半导体技术有限公司 | 一种缺陷检测分类系统及其方法 |
CN111948213A (zh) * | 2020-07-09 | 2020-11-17 | 黄鹏 | 一种基于注意力胶囊网络的口红缺陷检测装置及其检测方法 |
CN115937184A (zh) * | 2022-12-28 | 2023-04-07 | 中轻长泰(长沙)智能科技股份有限公司 | 一种物品装配检测方法、装置及终端设备 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188765B (zh) * | 2019-06-05 | 2021-04-06 | 京东方科技集团股份有限公司 | 图像语义分割模型生成方法、装置、设备及存储介质 |
CN111855668A (zh) * | 2020-07-17 | 2020-10-30 | 上海洪朴信息科技有限公司 | 一种产品缺陷检测系统 |
JP7439953B2 (ja) | 2020-11-13 | 2024-02-28 | 日本電気株式会社 | 学習装置、処理装置、学習方法、処理方法及びプログラム |
US11544923B2 (en) * | 2021-03-12 | 2023-01-03 | Agot Co. | Image-based kitchen tracking system with order accuracy management |
CN113838015B (zh) * | 2021-09-15 | 2023-09-22 | 上海电器科学研究所(集团)有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
CN115447853A (zh) * | 2022-09-28 | 2022-12-09 | 厦门烟草工业有限责任公司 | 缺陷烟包识别装置及识别方法、剔除装置及香烟加工系统 |
CN115561276B (zh) * | 2022-11-10 | 2023-08-08 | 诸暨市振宇新材料科技有限公司 | 一种餐盒生产质量测试装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030118230A1 (en) * | 2001-12-22 | 2003-06-26 | Haoshi Song | Coiled tubing inspection system using image pattern recognition |
US8699784B2 (en) * | 2010-08-10 | 2014-04-15 | Camtek Ltd. | Inspection recipe generation and inspection based on an inspection recipe |
US9134257B2 (en) * | 2013-03-14 | 2015-09-15 | Graphic Packaging International, Inc. | Method and apparatus for identifying defects in susceptors of microwave food containers |
SG10201501672PA (en) | 2015-03-05 | 2016-10-28 | Emage Vision Pte Ltd | Inspection of sealing quality in blister packages |
US10753881B2 (en) * | 2016-05-27 | 2020-08-25 | Purdue Research Foundation | Methods and systems for crack detection |
WO2018136262A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
US10586310B2 (en) * | 2017-04-06 | 2020-03-10 | Pixar | Denoising Monte Carlo renderings using generative adversarial neural networks |
US10607119B2 (en) * | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
CN111492401B (zh) * | 2017-12-19 | 2022-04-05 | 利乐拉瓦尔集团及财务有限公司 | 包装容器中的缺陷检测的方法 |
US10346969B1 (en) * | 2018-01-02 | 2019-07-09 | Amazon Technologies, Inc. | Detecting surface flaws using computer vision |
CN108257121B (zh) | 2018-01-09 | 2019-01-25 | 北京百度网讯科技有限公司 | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 |
CN108320278A (zh) | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
CN108846841A (zh) | 2018-07-02 | 2018-11-20 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN110161035B (zh) * | 2019-04-26 | 2020-04-10 | 浙江大学 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
-
2018
- 2018-11-30 CN CN201811458919.XA patent/CN109544548A/zh active Pending
-
2019
- 2019-11-27 US US16/697,944 patent/US11676257B2/en active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261392A (zh) * | 2019-06-19 | 2019-09-20 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和系统 |
CN110648323A (zh) * | 2019-09-26 | 2020-01-03 | 上海御微半导体技术有限公司 | 一种缺陷检测分类系统及其方法 |
CN111948213A (zh) * | 2020-07-09 | 2020-11-17 | 黄鹏 | 一种基于注意力胶囊网络的口红缺陷检测装置及其检测方法 |
CN115937184A (zh) * | 2022-12-28 | 2023-04-07 | 中轻长泰(长沙)智能科技股份有限公司 | 一种物品装配检测方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
US11676257B2 (en) | 2023-06-13 |
US20200175673A1 (en) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544548A (zh) | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 | |
CN109977813B (zh) | 一种基于深度学习框架的巡检机器人目标定位方法 | |
CN110007455B (zh) | 病理显微镜、显示模组、控制方法、装置及存储介质 | |
CN108319907A (zh) | 一种车辆识别方法、装置和存储介质 | |
CN108734143A (zh) | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 | |
CN109084746A (zh) | 用于具有辅助传感器的自主平台引导系统的单目模式 | |
CN108564104A (zh) | 产品缺陷检测方法、装置、系统、服务器及存储介质 | |
CN109993734A (zh) | 用于输出信息的方法和装置 | |
CN109949286A (zh) | 用于输出信息的方法和装置 | |
CN106295568A (zh) | 基于表情和行为双模态结合的人类自然状态情感识别方法 | |
CN108830837A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN110009614A (zh) | 用于输出信息的方法和装置 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN109978870A (zh) | 用于输出信息的方法和装置 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN111783640A (zh) | 检测方法、装置、设备以及存储介质 | |
CN110049121A (zh) | 一种基于增强现实技术的数据中心巡检系统 | |
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
CN104977038B (zh) | 使用与关联存储器耦合的运动感测设备识别移动 | |
CN115661057A (zh) | 一种基于云边协同和深度学习的工业无损检测系统与方法 | |
CN114035606A (zh) | 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质 | |
CN112052730B (zh) | 一种3d动态人像识别监控设备及方法 | |
CN109470708A (zh) | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |