CN115035092A - 基于图像的瓶体检测方法、装置、设备及存储介质 - Google Patents

基于图像的瓶体检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115035092A
CN115035092A CN202210775092.5A CN202210775092A CN115035092A CN 115035092 A CN115035092 A CN 115035092A CN 202210775092 A CN202210775092 A CN 202210775092A CN 115035092 A CN115035092 A CN 115035092A
Authority
CN
China
Prior art keywords
image
bottle
bottle body
detection
detection result
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
Application number
CN202210775092.5A
Other languages
English (en)
Inventor
罗晓忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjian Intelligent Control Shenzhen Technology Co ltd
Original Assignee
Xinjian Intelligent Control Shenzhen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinjian Intelligent Control Shenzhen Technology Co ltd filed Critical Xinjian Intelligent Control Shenzhen Technology Co ltd
Priority to CN202210775092.5A priority Critical patent/CN115035092A/zh
Publication of CN115035092A publication Critical patent/CN115035092A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及人工智能领域，公开了一种基于图像的瓶体检测方法、装置、设备及存储介质，用于提高瓶体检测的效率。所述基于图像的瓶体检测方法包括：获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。

Description

基于图像的瓶体检测方法、装置、设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于图像的瓶体检测方法、装置、设备及存储介质。
背景技术
在工业自动化生产线中，瓶体表面容易出现黑点、色斑、焦料、缺料、凹陷、色线、飞边、毛刺等缺陷，这些缺陷对于产品的美观度、使用性及稳定性等带来不良的影响，为了将不合格的产品分拣出来，提高产品的出厂合格率，需要对产品进行细致的检测。
传统的检测是通过专业人员利用人工视觉目检完成，其缺点是速度慢、效率低且检测质量不稳定，即现有方案的检测效率低。
发明内容
本发明提供了一种基于图像的瓶体检测方法、装置、设备及存储介质，用于提高瓶体检测的效率。
本发明第一方面提供了一种基于图像的瓶体检测方法，所述基于图像的瓶体检测方法包括：获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。
可选的，在本发明第一方面的第一种实现方式中，在所述获取目标瓶体的待检测瓶体图像之前，所述基于图像的瓶体检测方法还包括：获取多个带有瑕疵的样本图像和训练模型；分别对所述样本图像进行信息标注，得到多个标注图像；将所述标注图像输入所述训练模型进行模型训练，得到样本检测结果；调用预置的损失函数计算所述样本检测结果和所述标注图像的损失值；根据所述损失值对所述训练模型进行参数调优，直至所述训练模型收敛，得到深度学习检测模型。
可选的，在本发明第一方面的第二种实现方式中，所述对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，包括：对所述多个瓶体部位图像进行降噪处理，得到降噪后的瓶体部位图像；对所述降噪后的瓶体部位图像进行数据增强处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像。
可选的，在本发明第一方面的第三种实现方式中，所述分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果，包括：将所述瓶顶图像输入预置的深度学习检测模型进行瓶顶瑕疵检测，得到瓶顶瑕疵检测结果；将所述瓶身图像输入预置的模板差分检测模型进行瓶身瑕疵检测，得到瓶身瑕疵检测结果；将所述瓶底图像输入所述深度学习检测模型进行瓶底瑕疵检测，得到瓶底瑕疵检测结果；将所述瓶口图像输入预置的上边缘处滑动窗口检测模型进行瓶口瑕疵检测，得到瓶口瑕疵检测结果。
可选的，在本发明第一方面的第四种实现方式中，所述将所述瓶身图像输入预置的模板差分检测模型进行瓶身瑕疵检测，得到瓶身瑕疵检测结果，包括：将所述瓶身图像输入预置的模板差分检测模型；通过所述模板差分检测模型定位模板区域，并计算所述模板区域的坐标信息；基于所述坐标信息创建瓶身模板；基于所述瓶身模板对所述瓶身图像进行模板匹配并计算匹配坐标信息；对所述匹配坐标信息进行模板区域仿射处理，得到匹配成功的区域信息；对所述匹配成功的区域信息进行差集运算，得到差集面积；基于所述差集面积生成瓶身瑕疵检测结果。
可选的，在本发明第一方面的第五种实现方式中，所述将所述瓶口图像输入预置的上边缘处滑动窗口检测模型进行瓶口瑕疵检测，得到瓶口瑕疵检测结果，包括：将所述瓶口图像输入预置的上边缘处滑动窗口检测模型，其中，所述上边缘处滑动窗口检测模型包括卷积网络；通过固定大小的窗口和固定步长扫描所述瓶口图像，并将所述瓶口图像处于所述窗口中的图像输入所述卷积网络进行检测，得到瓶口瑕疵检测结果。
可选的，在本发明第一方面的第六种实现方式中，所述对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果，包括：对每个瓶体部位的检测结果进行综合分析，得到目标瓶体检测结果，其中，所述目标瓶体检测结果包括：瓶体有瑕疵和瓶体无瑕疵；若所述目标瓶体检测结果为瓶体有瑕疵，则对所述目标瓶体进行剔除，并根据所述目标瓶体检测结果生成告警信息；将所述告警信息输入预置的监控终端，并对所述告警信息进行可视化展示。
本发明第二方面提供了一种基于图像的瓶体检测装置，所述基于图像的瓶体检测装置包括：获取模块，用于获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；分割模块，用于对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；预处理模块，用于对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；检测模块，用于分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；整合模块，用于对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。
可选的，在本发明第二方面的第一种实现方式中，所述基于图像的瓶体检测装置还包括：训练模块，用于获取多个带有瑕疵的样本图像和训练模型；分别对所述样本图像进行信息标注，得到多个标注图像；将所述标注图像输入所述训练模型进行模型训练，得到样本检测结果；调用预置的损失函数计算所述样本检测结果和所述标注图像的损失值；根据所述损失值对所述训练模型进行参数调优，直至所述训练模型收敛，得到深度学习检测模型。
可选的，在本发明第二方面的第二种实现方式中，所述预处理模块具体用于：对所述多个瓶体部位图像进行降噪处理，得到降噪后的瓶体部位图像；对所述降噪后的瓶体部位图像进行数据增强处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像。
可选的，在本发明第二方面的第三种实现方式中，所述检测模块还包括：第一检测单元，用于将所述瓶顶图像输入预置的深度学习检测模型进行瓶顶瑕疵检测，得到瓶顶瑕疵检测结果；第二检测单元，用于将所述瓶身图像输入预置的模板差分检测模型进行瓶身瑕疵检测，得到瓶身瑕疵检测结果；第三检测单元，用于将所述瓶底图像输入所述深度学习检测模型进行瓶底瑕疵检测，得到瓶底瑕疵检测结果；第四检测单元，用于将所述瓶口图像输入预置的上边缘处滑动窗口检测模型进行瓶口瑕疵检测，得到瓶口瑕疵检测结果。
可选的，在本发明第二方面的第四种实现方式中，所述第二检测单元具体用于：将所述瓶身图像输入预置的模板差分检测模型；通过所述模板差分检测模型定位模板区域，并计算所述模板区域的坐标信息；基于所述坐标信息创建瓶身模板；基于所述瓶身模板对所述瓶身图像进行模板匹配并计算匹配坐标信息；对所述匹配坐标信息进行模板区域仿射处理，得到匹配成功的区域信息；对所述匹配成功的区域信息进行差集运算，得到差集面积；基于所述差集面积生成瓶身瑕疵检测结果。
可选的，在本发明第二方面的第五种实现方式中，所述第四检测单元具体用于：将所述瓶口图像输入预置的上边缘处滑动窗口检测模型，其中，所述上边缘处滑动窗口检测模型包括卷积网络；通过固定大小的窗口和固定步长扫描所述瓶口图像，并将所述瓶口图像处于所述窗口中的图像输入所述卷积网络进行检测，得到瓶口瑕疵检测结果。
可选的，在本发明第二方面的第六种实现方式中，所述整合模块具体用于：对每个瓶体部位的检测结果进行综合分析，得到目标瓶体检测结果，其中，所述目标瓶体检测结果包括：瓶体有瑕疵和瓶体无瑕疵；若所述目标瓶体检测结果为瓶体有瑕疵，则对所述目标瓶体进行剔除，并根据所述目标瓶体检测结果生成告警信息；将所述告警信息输入预置的监控终端，并对所述告警信息进行可视化展示。
本发明第三方面提供了一种基于图像的瓶体检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于图像的瓶体检测设备执行上述的基于图像的瓶体检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于图像的瓶体检测方法。
本发明提供的技术方案中，获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。本发明通过对目标瓶体进行分块检测并对每个部分的瓶体采用不同的检测方案，有效提高了瓶体检测的效率。
附图说明
图1为本发明实施例中基于图像的瓶体检测方法的一个实施例示意图；
图2为本发明实施例中基于图像的瓶体检测方法的另一个实施例示意图；
图3为本发明实施例中基于图像的瓶体检测装置的一个实施例示意图；
图4为本发明实施例中基于图像的瓶体检测装置的另一个实施例示意图；
图5为本发明实施例中基于图像的瓶体检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于图像的瓶体检测方法、装置、设备及存储介质，用于提高瓶体检测的效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于图像的瓶体检测方法的一个实施例包括：
101、获取目标瓶体的待检测瓶体图像，其中，待检测瓶体图像包括多角度的瓶体图像；
可以理解的是，本发明的执行主体可以为基于图像的瓶体检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，目标瓶体可以为高速生产线上的瓶体，该高速生产线瓶体瑕疵检测装置包括执行机构模组、光学采图模组、瑕疵检测算法模组，其中，光学采图模组包括打光装置、不同角度的工业相机、传感器等，用于完成待测瓶体包括瓶身、瓶顶、瓶底、瓶口的多角度采图。
102、对多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；
具体的，服务器通过图像算法计算该瓶体图像的瓶体高度，然后采用等间隔的分割方式对该多角度的瓶体图像进行分割，得到多个瓶体部位图像。
103、对多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；
具体的，服务器对多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像，其中预处理包括对图像进行降噪处理和数据增强处理。
104、分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；
可选的，服务器获取多个带有瑕疵的样本图像和训练模型；服务器分别对样本图像进行信息标注，得到多个标注图像；服务器将标注图像输入训练模型进行模型训练，得到样本检测结果；服务器调用预置的损失函数计算样本检测结果和标注图像的损失值；服务器根据损失值对训练模型进行参数调优，直至训练模型收敛，得到深度学习检测模型。
其中，深度学习检测模型的训练通过光学采图模组进行各类瑕疵样品的采图，人工标注形成训练集，使用训练集离线训练深度学习模型，在线上工控机上完成部署，深度学习模型完成各类瑕疵的特征提取和高效、高精度的瑕疵类别判定。
105、对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。
具体的，服务器通过检测结果后处理模块进行整合处理，综合瓶体各部位的检测结果来判定是否瑕疵品，然后将是否剔除的信号给到执行机构模块，由执行机构模块完成剔除，同时图像显示模块则从检测结果后处理模块获取检测结果和警告信息，完成可视化。
本发明实施例中，获取目标瓶体的待检测瓶体图像，其中，待检测瓶体图像包括多角度的瓶体图像；对多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；对多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。本发明通过对目标瓶体进行分块检测并对每个部分的瓶体采用不同的检测方案，有效提高了瓶体检测的效率。
请参阅图2，本发明实施例中基于图像的瓶体检测方法的另一个实施例包括：
201、获取目标瓶体的待检测瓶体图像，其中，待检测瓶体图像包括多角度的瓶体图像；
具体的，目标瓶体可以为高速生产线上的瓶体，该高速生产线瓶体瑕疵检测装置包括执行机构模组、光学采图模组、瑕疵检测算法模组，其中，光学采图模组包括打光装置、不同角度的工业相机、传感器等，用于完成待测瓶体包括瓶身、瓶顶、瓶底、瓶口的多角度采图。
202、对多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；
具体的，服务器通过图像算法计算该瓶体图像的瓶体高度，然后采用等间隔的分割方式对该多角度的瓶体图像进行分割，得到多个瓶体部位图像。
203、对多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；
具体的，服务器对多个瓶体部位图像进行降噪处理，得到降噪后的瓶体部位图像；服务器对降噪后的瓶体部位图像进行数据增强处理，得到每个瓶体部位图像对应的标准图像，其中，标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像。
204、将瓶顶图像输入预置的深度学习检测模型进行瓶顶瑕疵检测，得到瓶顶瑕疵检测结果；
具体的，服务器将将瓶顶图像输入训练完成的深度学习检测模型进行瓶顶瑕疵检测，得到瓶顶瑕疵检测结果。该深度学习检测模型可以为目标检测网络，检测则关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息，服务器确定这一目标的描述(类别和位置)，因而，检测模型的输出是一个列表，列表的每一项使用一个数据组给出检出目标的类别和位置(常用矩形检测框的坐标表示，服务器根据该坐标表示生成瓶顶瑕疵检测结果。
205、将瓶身图像输入预置的模板差分检测模型进行瓶身瑕疵检测，得到瓶身瑕疵检测结果；
可选的，服务器将瓶身图像输入预置的模板差分检测模型；服务器通过模板差分检测模型定位模板区域，并计算模板区域的坐标信息；服务器基于坐标信息创建瓶身模板；服务器基于瓶身模板对瓶身图像进行模板匹配并计算匹配坐标信息；服务器对匹配坐标信息进行模板区域仿射处理，得到匹配成功的区域信息；服务器对匹配成功的区域信息进行差集运算，得到差集面积；服务器基于差集面积生成瓶身瑕疵检测结果。
具体的，模板差分检测模型主要检测瓶体的损坏，凸起，破洞，缺失等。服务器先定位模板区域后，求得模板区域的坐标，创建物品的形状模板，服务器匹配模板时，由于物品的缺陷使形状有局部的改变，所以要把参数设置小一点，否则匹配不到模板，服务器求得匹配项的坐标。服务器将模板区域仿射变换到匹配成功的区域。由于差集运算是在相同的区域内作用的，所以服务器把模板区域转换到匹配项的区域。服务器求差集，根据差集部分的面积判断该物品是否有缺陷，生成瓶身瑕疵检测结果。
206、将瓶底图像输入深度学习检测模型进行瓶底瑕疵检测，得到瓶底瑕疵检测结果；
具体的，服务器将瓶底图像输入深度学习检测模型进行瓶底瑕疵检测，得到瓶底瑕疵检测结果，该步骤中所使用的深度学习检测模型与上述步骤204中所使用的深度学习模型相同，在模型训练的过程中采用的是瓶底的样本图像进行训练，因此该深度学习模型可以对瓶底图像进行特异性识别。
207、将瓶口图像输入预置的上边缘处滑动窗口检测模型进行瓶口瑕疵检测，得到瓶口瑕疵检测结果；
可选的，服务器将瓶口图像输入预置的上边缘处滑动窗口检测模型，其中，上边缘处滑动窗口检测模型包括卷积网络；服务器通过固定大小的窗口和固定步长扫描瓶口图像，并将瓶口图像处于窗口中的图像输入卷积网络进行检测，得到瓶口瑕疵检测结果。
可选的，服务器需要预先训练卷积网络，将数据集(经过裁剪，使检测的物体尽量处于图像中心并占据图片较大位置)进行训练，然后通过固定大小的窗口以及固定步长扫描需要检测的图片，服务器将图片中处于窗口中的图像送入训练好的卷积网络(也就是，上边缘滑动窗口检测模型)进行检测，判断有无物体输出，最终通过变换扫描窗口的大小，可以检测出有无物体以及物体的大致定位，得到瓶口瑕疵检测结果。
208、对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。
可选的，服务器对每个瓶体部位的检测结果进行综合分析，得到目标瓶体检测结果，其中，目标瓶体检测结果包括：瓶体有瑕疵和瓶体无瑕疵；服务器若目标瓶体检测结果为瓶体有瑕疵，则对目标瓶体进行剔除，并根据目标瓶体检测结果生成告警信息；服务器将告警信息输入预置的监控终端，并对告警信息进行可视化展示。
本发明的高速生产线瓶体瑕疵检测通过使用深度学习模型进行瑕疵检测，可自主学习各种瑕疵的特征，实现生产线上实时高速准确的瑕疵检测，及时反馈产线问题，指导产线工艺改进，有效提高了瓶体检测的效率。
本发明实施例中，获取目标瓶体的待检测瓶体图像，其中，待检测瓶体图像包括多角度的瓶体图像；对多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；对多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。本发明通过对目标瓶体进行分块检测并对每个部分的瓶体采用不同的检测方案，有效提高了瓶体检测的效率。
上面对本发明实施例中基于图像的瓶体检测方法进行了描述，下面对本发明实施例中基于图像的瓶体检测装置进行描述，请参阅图3，本发明实施例中基于图像的瓶体检测装置的一个实施例包括：
获取模块301，用于获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；
分割模块302，用于对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；
预处理模块303，用于对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；
检测模块304，用于分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；
整合模块305，用于对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。
本发明实施例中，获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。本发明通过对目标瓶体进行分块检测并对每个部分的瓶体采用不同的检测方案，有效提高了瓶体检测的效率。
请参阅图4，本发明实施例中基于图像的瓶体检测装置的另一个实施例包括：
获取模块301，用于获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；
分割模块302，用于对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；
预处理模块303，用于对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；
检测模块304，用于分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；
整合模块305，用于对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。
可选的，基于图像的瓶体检测装置还包括：训练模块306，用于获取多个带有瑕疵的样本图像和训练模型；分别对所述样本图像进行信息标注，得到多个标注图像；将所述标注图像输入所述训练模型进行模型训练，得到样本检测结果；调用预置的损失函数计算所述样本检测结果和所述标注图像的损失值；根据所述损失值对所述训练模型进行参数调优，直至所述训练模型收敛，得到深度学习检测模型。
可选的，预处理模块303具体用于：对所述多个瓶体部位图像进行降噪处理，得到降噪后的瓶体部位图像；对所述降噪后的瓶体部位图像进行数据增强处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像。
可选的，检测模块304还包括：第一检测单元，用于将所述瓶顶图像输入预置的深度学习检测模型进行瓶顶瑕疵检测，得到瓶顶瑕疵检测结果；第二检测单元，用于将所述瓶身图像输入预置的模板差分检测模型进行瓶身瑕疵检测，得到瓶身瑕疵检测结果；第三检测单元，用于将所述瓶底图像输入所述深度学习检测模型进行瓶底瑕疵检测，得到瓶底瑕疵检测结果；第四检测单元，用于将所述瓶口图像输入预置的上边缘处滑动窗口检测模型进行瓶口瑕疵检测，得到瓶口瑕疵检测结果。
可选的，第二检测单元具体用于：将所述瓶身图像输入预置的模板差分检测模型；通过所述模板差分检测模型定位模板区域，并计算所述模板区域的坐标信息；基于所述坐标信息创建瓶身模板；基于所述瓶身模板对所述瓶身图像进行模板匹配并计算匹配坐标信息；对所述匹配坐标信息进行模板区域仿射处理，得到匹配成功的区域信息；对所述匹配成功的区域信息进行差集运算，得到差集面积；基于所述差集面积生成瓶身瑕疵检测结果。
可选的，第四检测单元具体用于：将所述瓶口图像输入预置的上边缘处滑动窗口检测模型，其中，所述上边缘处滑动窗口检测模型包括卷积网络；通过固定大小的窗口和固定步长扫描所述瓶口图像，并将所述瓶口图像处于所述窗口中的图像输入所述卷积网络进行检测，得到瓶口瑕疵检测结果。
可选的，整合模块305具体用于：对每个瓶体部位的检测结果进行综合分析，得到目标瓶体检测结果，其中，所述目标瓶体检测结果包括：瓶体有瑕疵和瓶体无瑕疵；若所述目标瓶体检测结果为瓶体有瑕疵，则对所述目标瓶体进行剔除，并根据所述目标瓶体检测结果生成告警信息；将所述告警信息输入预置的监控终端，并对所述告警信息进行可视化展示。
本发明实施例中，获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。本发明通过对目标瓶体进行分块检测并对每个部分的瓶体采用不同的检测方案，有效提高了瓶体检测的效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于图像的瓶体检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于图像的瓶体检测设备进行详细描述。
图5是本发明实施例提供的一种基于图像的瓶体检测设备的结构示意图，该基于图像的瓶体检测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于图像的瓶体检测设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于图像的瓶体检测设备500上执行存储介质530中的一系列指令操作。
基于图像的瓶体检测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的基于图像的瓶体检测设备结构并不构成对基于图像的瓶体检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于图像的瓶体检测设备，所述基于图像的瓶体检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于图像的瓶体检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于图像的瓶体检测方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于图像的瓶体检测方法，其特征在于，所述基于图像的瓶体检测方法包括：
获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；
对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；
对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；
分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；
对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。
2.根据权利要求1所述的基于图像的瓶体检测方法，其特征在于，在所述获取目标瓶体的待检测瓶体图像之前，所述基于图像的瓶体检测方法还包括：
获取多个带有瑕疵的样本图像和训练模型；
分别对所述样本图像进行信息标注，得到多个标注图像；
将所述标注图像输入所述训练模型进行模型训练，得到样本检测结果；
调用预置的损失函数计算所述样本检测结果和所述标注图像的损失值；
根据所述损失值对所述训练模型进行参数调优，直至所述训练模型收敛，得到深度学习检测模型。
3.根据权利要求1所述的基于图像的瓶体检测方法，其特征在于，所述对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，包括：
对所述多个瓶体部位图像进行降噪处理，得到降噪后的瓶体部位图像；
对所述降噪后的瓶体部位图像进行数据增强处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像。
4.根据权利要求1所述的基于图像的瓶体检测方法，其特征在于，所述分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果，包括：
将所述瓶顶图像输入预置的深度学习检测模型进行瓶顶瑕疵检测，得到瓶顶瑕疵检测结果；
将所述瓶身图像输入预置的模板差分检测模型进行瓶身瑕疵检测，得到瓶身瑕疵检测结果；
将所述瓶底图像输入所述深度学习检测模型进行瓶底瑕疵检测，得到瓶底瑕疵检测结果；
将所述瓶口图像输入预置的上边缘处滑动窗口检测模型进行瓶口瑕疵检测，得到瓶口瑕疵检测结果。
5.根据权利要求4所述的基于图像的瓶体检测方法，其特征在于，所述将所述瓶身图像输入预置的模板差分检测模型进行瓶身瑕疵检测，得到瓶身瑕疵检测结果，包括：
将所述瓶身图像输入预置的模板差分检测模型；
通过所述模板差分检测模型定位模板区域，并计算所述模板区域的坐标信息；
基于所述坐标信息创建瓶身模板；
基于所述瓶身模板对所述瓶身图像进行模板匹配并计算匹配坐标信息；
对所述匹配坐标信息进行模板区域仿射处理，得到匹配成功的区域信息；
对所述匹配成功的区域信息进行差集运算，得到差集面积；
基于所述差集面积生成瓶身瑕疵检测结果。
6.根据权利要求4所述的基于图像的瓶体检测方法，其特征在于，所述将所述瓶口图像输入预置的上边缘处滑动窗口检测模型进行瓶口瑕疵检测，得到瓶口瑕疵检测结果，包括：
将所述瓶口图像输入预置的上边缘处滑动窗口检测模型，其中，所述上边缘处滑动窗口检测模型包括卷积网络；
通过固定大小的窗口和固定步长扫描所述瓶口图像，并将所述瓶口图像处于所述窗口中的图像输入所述卷积网络进行检测，得到瓶口瑕疵检测结果。
7.根据权利要求1-6中任一项所述的基于图像的瓶体检测方法，其特征在于，所述对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果，包括：
对每个瓶体部位的检测结果进行综合分析，得到目标瓶体检测结果，其中，所述目标瓶体检测结果包括：瓶体有瑕疵和瓶体无瑕疵；
若所述目标瓶体检测结果为瓶体有瑕疵，则对所述目标瓶体进行剔除，并根据所述目标瓶体检测结果生成告警信息；
将所述告警信息输入预置的监控终端，并对所述告警信息进行可视化展示。
8.一种基于图像的瓶体检测装置，其特征在于，所述基于图像的瓶体检测装置包括：
获取模块，用于获取目标瓶体的待检测瓶体图像，其中，所述待检测瓶体图像包括多角度的瓶体图像；
分割模块，用于对所述多角度的瓶体图像进行等间隔分割，得到多个瓶体部位图像；
预处理模块，用于对所述多个瓶体部位图像进行预处理，得到每个瓶体部位图像对应的标准图像，其中，所述标准图像包括：瓶顶图像、瓶身图像、瓶底图像和瓶口图像；
检测模块，用于分别对每个瓶体部位图像对应的标准图像进行瑕疵检测，得到每个瓶体部位对应的检测结果；
整合模块，用于对每个瓶体部位的检测结果进行整合处理，得到目标瓶体检测结果。
9.一种基于图像的瓶体检测设备，其特征在于，所述基于图像的瓶体检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于图像的瓶体检测设备执行如权利要求1-7中任一项所述的基于图像的瓶体检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于图像的瓶体检测方法。
CN202210775092.5A 2022-07-01 2022-07-01 基于图像的瓶体检测方法、装置、设备及存储介质 Pending CN115035092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210775092.5A CN115035092A (zh) 2022-07-01 2022-07-01 基于图像的瓶体检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210775092.5A CN115035092A (zh) 2022-07-01 2022-07-01 基于图像的瓶体检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115035092A true CN115035092A (zh) 2022-09-09

Family

ID=83128099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210775092.5A Pending CN115035092A (zh) 2022-07-01 2022-07-01 基于图像的瓶体检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115035092A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115876785A (zh) * 2023-02-02 2023-03-31 苏州誉阵自动化科技有限公司 一种用于产品缺陷检测的视觉识别系统
CN116721103A (zh) * 2023-08-10 2023-09-08 山东明佳科技有限公司 乳玻瓶内底净度的图像检测方法、系统、设备和存储介质
CN116858838A (zh) * 2023-05-25 2023-10-10 苏州誉阵自动化科技有限公司 一种瓶状物瑕疵检测系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115876785A (zh) * 2023-02-02 2023-03-31 苏州誉阵自动化科技有限公司 一种用于产品缺陷检测的视觉识别系统
CN116858838A (zh) * 2023-05-25 2023-10-10 苏州誉阵自动化科技有限公司 一种瓶状物瑕疵检测系统及方法
CN116858838B (zh) * 2023-05-25 2024-03-19 苏州誉阵自动化科技有限公司 一种瓶状物瑕疵检测系统及方法
CN116721103A (zh) * 2023-08-10 2023-09-08 山东明佳科技有限公司 乳玻瓶内底净度的图像检测方法、系统、设备和存储介质
CN116721103B (zh) * 2023-08-10 2023-10-27 山东明佳科技有限公司 乳玻瓶内底净度的图像检测方法、系统、设备和存储介质

Similar Documents

Publication Publication Date Title
CN110570410B (zh) 一种自动识别检测焊缝缺陷的检测方法
CN106952250B (zh) 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置
CN110826416B (zh) 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN115035092A (zh) 基于图像的瓶体检测方法、装置、设备及存储介质
CN111080622B (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN109886298B (zh) 一种基于卷积神经网络的焊缝质量检测方法
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN106934800B (zh) 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
CN108917593B (zh) 一种基于待测工件基元组态的智能测量系统及方法
CN107622277B (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN102529019B (zh) 一种模具检测、保护及零件检测、摘取的方法
CN111982916A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法及系统
CN107966454A (zh) 一种基于fpga的端塞缺陷检测装置及检测方法
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
CN111582294A (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
CN111815555A (zh) 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置
CN113706490B (zh) 一种晶片缺陷检测方法
CN114910480A (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
JP2015197396A (ja) 画像検査方法および画像検査装置
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN115861274A (zh) 一种融合三维点云与二维图像的裂缝检测方法
CN109622404B (zh) 一种基于机器视觉的微工件自动分拣系统及方法
Sulaiman et al. DEFECT INSPECTION SYSTEM FOR SHAPE-BASED MATCHING USING TWO CAMERAS.

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