CN115326319B - 液体包装检测方法、装置和存储介质 - Google Patents
液体包装检测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN115326319B CN115326319B CN202210944584.2A CN202210944584A CN115326319B CN 115326319 B CN115326319 B CN 115326319B CN 202210944584 A CN202210944584 A CN 202210944584A CN 115326319 B CN115326319 B CN 115326319B
- Authority
- CN
- China
- Prior art keywords
- sample
- package
- near infrared
- infrared spectrum
- packaging box
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 239000007788 liquid Substances 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004806 packaging method and process Methods 0.000 claims abstract description 89
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims description 37
- 238000002835 absorbance Methods 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 16
- 238000012856 packing Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 239000000853 adhesive Substances 0.000 claims 1
- 230000001070 adhesive effect Effects 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 9
- 230000002950 deficient Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 93
- 239000000047 product Substances 0.000 description 11
- 238000004026 adhesive bonding Methods 0.000 description 10
- 239000004831 Hot glue Substances 0.000 description 4
- 238000002189 fluorescence spectrum Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 239000012263 liquid product Substances 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 2
- 229910052721 tungsten Inorganic materials 0.000 description 2
- 239000010937 tungsten Substances 0.000 description 2
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012468 concentrated sample Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- -1 for example Substances 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 235000019990 fruit wine Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/38—Investigating fluid-tightness of structures by using light
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种液体包装检测方法、装置和存储介质,涉及仪器仪表技术领域,所述方法包括:采集参比板的参比光谱;对于样本包装盒集中的每个样本包装盒,采集所述样本包装盒的样本近红外光谱;根据所述参比光谱以及各个样本包装盒的样本近红外光谱训练包装检测模型,训练后的所述包装检测模型用于检测目标包装盒是否胶合完善。解决了现有技术中可能会造成资源浪费或者对成品外观造成影响的问题,达到了在包装盒出厂之前也即在还未装入液体之前即可检测得到包装盒是否胶合完善,从而避免不良品流入后续工序,避免了液体资源浪费以及可能会影响成品外观的问题。
Description
技术领域
本发明涉及一种液体包装检测方法、装置和存储介质,属于仪器仪表技术领域。
背景技术
目前,很多行业中的液体产品会采用纸质包装盒进行包装,比如,牛奶和果汁可以通过纸质包装盒独立包装。
然而实际实现时,包装盒可能会由于胶合不合格而导致漏液。现有方案中,为检测是否发生漏液,在液体封装完毕之后,对装有液体的包装盒加压,并采集荧光光谱,根据液体和包装盒的荧光光谱不同来检测是否有泄露的液体,也即在采集的荧光光谱中存在液体对应的光谱时,则确定发生漏液。
显而易见的是,上述方案中检测的对象是封装液体后的产品,也即在检测结果为存在泄露时,包装盒内的液体产品将直接浪费,存在资源浪费的问题。并且,在上述检测中需要进行加压,加压无疑会对包装盒造成损坏,影响出厂产品的外观。
发明内容
本发明的目的在于提供一种液体包装检测方法、装置和存储介质,用于解决现有技术中存在的问题。
为达到上述目的,本发明提供如下技术方案:
根据第一方面,本发明实施例提供了一种液体包装检测方法,所述方法包括:
采集参比板的参比光谱;
对于样本包装盒集中的每个样本包装盒,采集所述样本包装盒的样本近红外光谱;
根据所述参比光谱以及各个样本包装盒的样本近红外光谱训练包装检测模型,训练后的所述包装检测模型用于检测目标包装盒是否胶合完善。
可选地,所述各个样本包装盒的热胶面固定在导轨上,所述采集所述样本包装盒的样本近红外光谱,包括:
通过所述导轨定时移动所述样本包装盒;
在每次移动所述样本包装盒后,采集一次所述样本包装盒的样本近红外光谱。
可选地,所述根据所述参比光谱以及各个样本包装盒的样本近红外光谱训练包装检测模型,包括:
将各个样本包装盒的样本近红外光谱划为训练集和验证集;
对于每个样本包装盒,根据所述参比光谱和所述样本包装盒的样本近红外光谱计算样本吸光度;
根据所述训练集中的各个样本近红外光谱的样本吸光度训练所述包装检测模型;
根据所述验证集中的各个样本近红外光谱的样本吸光度验证训练得到的所述包装检测模型。
可选地,所述将各个样本包装盒的样本近红外光谱为训练集和验证集,包括:
采用光谱理化值共生距离SPXY算法将所述各个样本包装盒的样本近红外光谱划分为训练集和验证集。
可选地,所述根据所述训练集中的各个样本近红外光谱的样本吸光度训练所述包装检测模型,包括:
通过所述训练集中的各个样本近红外光谱的样本吸光度训练至少两个候选包装检测模型,所述至少两个候选包装检测模型的模型结构各不相同;
所述通过所述验证集中的各个样本近红外光谱的样本吸光度验证训练后的所述包装检测模型,包括:
通过所述验证集中的各个样本近红外光谱的样本吸光度分别验证训练后的各个候选包装检测模型,获取对各个候选包装检测模型的验证精度;
将训练后的所述至少两个候选包装检测模型中精度满足预设条件的候选包装检测模型确定为训练后的所述包装检测模型。
可选地,所述获取对各个候选包装检测模型的验证精度,包括:
对于每个候选包装检测模型,所述验证精度为V_sample_correct/V_sample_all;
其中,V_sample_correct为所述验证集中预测正确的样本数量,V_sample_all为所述验证集中的全部样本的样本数量。
可选地,所述候选包装检测模型为偏最小二乘判别PLS-DA、支持向量机SVM、随机森林RF或者神经网络MLP。
第二方面,提供了一种液体包装检测方法,所述方法包括:
采集参比板的参比光谱;
采集目标包装盒的目标近红外光谱;
根据所述参比光谱、所述目标近红外光谱以及包装检测模型,检测所述目标包装盒是否胶合完善,所述包装检测模型为通过权利要求1至7任一所述的方法训练得到的模型。
第三方面,提供了一种液体包装检测装置,所述装置包括存储器和处理器,所述存储器中存储有至少一条程序指令,所述处理器通过加载并执行所述至少一条程序指令以实现如第一方面或者第二方面所述的方法。
第四方面,提供了一种计算机存储介质,所述计算机存储介质中存储有至少一条程序指令,所述至少一条程序指令被处理器加载并执行以实现如第一方面或者第二方面所述的方法。
通过采集参比板的参比光谱;对于样本包装盒集中的每个样本包装盒,采集所述样本包装盒的样本近红外光谱;根据所述参比光谱以及各个样本包装盒的样本近红外光谱训练包装检测模型,训练后的所述包装检测模型用于检测目标包装盒是否胶合完善。解决了现有技术中可能会造成资源浪费或者对成品外观造成影响的问题,达到了在包装盒出厂之前也即在还未装入液体之前即可检测得到包装盒是否胶合完善,从而避免不良品流入后续工序,避免了液体资源浪费以及可能会影响成品外观的问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明一个实施例提供的液体包装检测方法的方法流程图;
图2为本发明一个实施例提供的液体包装检测装置的结构示意图;
图3为本发明一个实施例提供的液体包装检测方法的方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
请参考图1,其示出了本申请一个实施例提供的液体包装检测方法的方法流程图,如图1所示,所述方法包括:
步骤101,采集参比板的参比光谱;
本步骤可以通过光谱仪采集参比板的参比光谱。并且,实际实现时,可以将参比板放入样本支架中,通过光源照射该参比板,通过光纤汇聚至光谱仪,光谱仪根据接收到的光生成参比光谱。其中,生成的参比光谱为近红外光谱。并且,为了提高参比光谱的精度,照射参比板之后的光可以通过滤光片、反射镜、透射镜等等之后经过光纤。
步骤102,对于样本包装盒集中的每个样本包装盒,采集所述样本包装盒的样本近红外光谱;
包装盒在生产过程中通过胶合来制作成预设形状,进而用于盛放液体,本申请所述的胶合完善指盛放液体之后不发生漏液,胶合不完善指盛放液体之后可能发生漏液。其中,液体可以为牛奶、果汁、酒水或者汽水等等,本申请对此并不做限定,并且本申请所述的液体可以为浓度较高的液体也可以为浓度较低的液体。
样本包装盒集中包括大量的样本包装盒,并且样本包装盒同时包括胶合完善的包装盒以及胶合不完善的包装盒,并且为了后续的精度,胶合完善的包装盒和胶合不完善的包装盒的数量均需要大于预设阈值,预设阈值可以为数值较大的数值,比如,可以为500、1000等等,对此并不做限定。
此外,本申请所述的样本包装盒为包装盒制作流水线上最后制作得到的包装盒,该包装盒暂未流入装液工序,也即还未装入液体。
可选地,本步骤可以包括:通过红外光谱仪采集样本包装盒的样本近红外光谱。并且,在一种可能的实施例中,请参考图2,其示出了本申请一种可能的包装检测装置的结构示意图,如图2所示,包装检测装置可以包括光谱仪、流通池架、导轨、丝杆电机、控制系统(图中未示出)和光源。其中,包装盒可以固定在导轨上,控制系统发出脉冲通过丝杆电机控制导轨移动,光源照射包装盒,并将照射后的光通过光纤汇聚至光谱仪,光谱仪根据接收到的光生成近红外光谱。在一种可能的实施例中,光源可以为钨灯,具体的为5W的钨灯。其中,为了更好的获得热胶面的胶合情况,可以将包装盒的热胶面固定在导轨上,并且导轨的移动速度可以通过控制系统进行控制。也即本步骤可以包括:
第一,通过所述导轨定时移动所述样本包装盒;
可选的,光谱仪可以在包装盒每次移动预设距离采集一次近红外光谱,因此,本步骤即可在光谱仪每次采集光谱的期间不进行移动,比如,光谱仪采集光谱需要1s,则本步骤为每隔1秒移动样本包装盒一次,并且,实际实现时,通过导轨移动样本包装盒预设距离,比如,每次移动1mm。
第二,在每次移动所述样本包装盒后,采集一次所述样本包装盒的样本近红外光谱。
在包装盒的所有部位均采集完毕之后,对于该包装盒的采集结束。
通过定时移动包装盒并在每次移动后采集一次近红外光谱直至最终采集结束,达到了可以均匀的采集得到热胶面的连续光谱,进而提高了后续处理的精度的效果。
步骤103,根据所述参比光谱以及各个样本包装盒的样本近红外光谱训练包装检测模型,训练后的所述包装检测模型用于检测目标包装盒是否胶合完善。
本步骤包括:
第一,将各个样本包装盒的样本近红外光谱划为训练集和验证集;
实际实现时,可以通过各种可能的训练集和验证集的划分方法进行划分。当然,在一种可能的实施例中,采用SPXY(sample set partitioning based on joint x-ydistance,光谱理化值共生距离)算法将所述各个样本包装盒的样本近红外光谱划分为训练集和验证集;
具体的,可以根据SPXY算法将各个样本近红外光谱中的60%划分为训练集,40%划分为验证集。可选地,以上所述的百分比均为胶合完善的百分比和胶合不完善的百分比,也即在每个集合中胶合完善的样本比例和胶合不完善的样本比例相同。比如,仍然以上述举例来举例说明,将60%划分为训练集即是将胶合完善的各个样本中的60%的样本近红外光谱以及胶合不完善的各个样本中的60%的样本近红外光谱均划分至训练集,而将各类中剩余的40%划分至验证集。
第二,对于每个样本包装盒,根据所述参比光谱和所述样本包装盒的样本近红外光谱计算样本吸光度;
某一样本包装盒的样本近红外光谱为S_sample,参比光谱为S_ref,则计算得到的该样本包装盒对应的吸光度为:S_ref/S_sample。
第三,根据所述训练集中的各个样本近红外光谱的样本吸光度训练所述包装检测模型;
可选地,包装检测模型的模型结构可以为PLS-DA(Partial least squaresDiscriminant Analysis,偏最小二乘判别)、SVM(Support Vector Machine,支持向量机)、RF(Random Forest,随机森林)和MLP(Multilayer Perceptron,神经网络)中的任一种,本申请对其具体实现并不做限定。
第四,根据所述验证集中的各个样本近红外光谱的样本吸光度验证训练得到的所述包装检测模型。
在得到训练后的包装检测模型之后,为了确认包装检测模型的检测精度是否符合需求,可以通过验证集中的样本近红外光谱的吸光度验证训练后的包装检测模型。并且,可以获取验证后的验证精度,验证精度=V_sample_correct/V_sample_all;
其中,V_sample_correct为所述验证集中预测正确的样本数量,V_sample_all为所述验证集中的全部样本的样本数量。
其中,验证正确是指对于验证集中的某一样本若其真实对应与胶合完善,则在包装检测模型的预测结果为该样本包装盒为胶合完善时则表明预测正确,反之,若预测结果为胶合不完善时则表明预测错误。
可选地,为了提高训练得到的包装检测模型的检测精度,在一种可能的实现方式中,上述训练步骤可以实现为如下子步骤:
通过所述训练集中的各个样本近红外光谱的样本吸光度训练至少两个候选包装检测模型,所述至少两个候选包装检测模型的模型结构各不相同。
其中,各个候选包装检测模型为PLS-DA、SVM、RF或者MLP中的任一种。
相应的,在本步骤中可以分别对每个候选包装检测模型进行验证,并分别获取每个候选包装检测模型的验证精度。并且,此时,为了提高预测精度,本申请可以将训练后的所述至少两个候选包装检测模型中精度满足预设条件的候选包装检测模型确定为训练后的所述包装检测模型。
其中,预设条件包括精度最高,或者,精度超过预设阈值中的任一个,并且其获取验证精度的步骤与上述所述方法类似,对此并不做限定。
至此,包装检测模型训练完毕,后续可以用于包装盒的检测。
综上所述,通过采集参比板的参比光谱;对于样本包装盒集中的每个样本包装盒,采集所述样本包装盒的样本近红外光谱;根据所述参比光谱以及各个样本包装盒的样本近红外光谱训练包装检测模型,训练后的所述包装检测模型用于检测目标包装盒是否胶合完善。解决了现有技术中可能会造成资源浪费或者对成品外观造成影响的问题,达到了在包装盒出厂之前也即在还未装入液体之前即可检测得到包装盒是否胶合完善,从而避免不良品流入后续工序,避免了液体资源浪费以及可能会影响成品外观的问题。
请参考图3,其示出了本申请一个实施例提供的液体包装检测方法的方法流程图,如图3所示,所述方法包括:
步骤301,采集参比板的参比光谱;
步骤302,采集目标包装盒的目标近红外光谱;
目标包装盒为包装盒制作流水线上最后制作得到的包装盒,该目标包装盒暂未流入装液工序,也即还未装入液体。
步骤301和步骤302与上述实施例中的步骤201和步骤202的具体实现类似,不同的是,在步骤302中采集的是目标包装盒的目标近红外光谱,而在步骤202中采集的是样本包装盒的样本近红外光谱,也即采集的近红外光谱的对象不同,详细技术细节请参考上述实施例,本申请在此不再赘述。
步骤303,根据所述参比光谱、所述目标近红外光谱以及包装检测模型,检测所述目标包装盒是否胶合完善。
可选地,本步骤可以包括根据参比光谱和目标近红外光谱计算目标吸光度,将计算得到的目标吸光度和目标近红外光谱输入至包装检测模型中,包装检测模型的输出即为检测结果也即目标包装盒是否胶合完善。
其中,所述包装检测模型为通过上述实施例所述的方法训练得到的模型。
需要补充说明的是,在检测得到目标包装盒是否胶合完善之后,可以展示检测结果,或者对胶合完善和胶合不完善的包装盒分别分类收集,对此并不做限定。当然,实际实现时,为了提高包装盒胶合的良品率,还可以识别各个包装盒胶合不完善的区域,并将识别得到的区域进行汇总分析,进而反之至包装盒胶合工序进行改进。
综上所述,通过采集参比板的参比光谱;采集目标包装盒的目标近红外光谱;根据所述参比光谱、所述目标近红外光谱以及包装检测模型,检测所述目标包装盒是否胶合完善,所述包装检测模型为通过上述方法训练得到的模型。解决了现有技术中可能会造成资源浪费或者对成品外观造成影响的问题,达到了在包装盒出厂之前也即在还未装入液体之前即可检测得到包装盒是否胶合完善,从而避免不良品流入后续工序,避免了液体资源浪费以及可能会影响成品外观的问题。
本申请还提供了一种液体包装检测装置,所述装置包括存储器和处理器,所述存储器中存储有至少一条程序指令,所述处理器通过加载并执行所述至少一条程序指令以实现如上所述的方法。
本申请还提供了一种计算机存储介质,所述计算机存储介质中存储有至少一条程序指令,所述至少一条程序指令被处理器加载并执行以实现如上所述的方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种液体包装检测方法,其特征在于,所述方法包括:
采集参比板的参比光谱;
对于样本包装盒集中的每个样本包装盒,采集所述样本包装盒的样本近红外光谱;
根据所述参比光谱以及各个样本包装盒的样本近红外光谱训练包装检测模型,训练后的所述包装检测模型用于检测目标包装盒是否胶合完善;
其中,所述根据所述参比光谱以及各个样本包装盒的样本近红外光谱训练包装检测模型,包括:
将各个样本包装盒的样本近红外光谱划为训练集和验证集;
对于每个样本包装盒,根据所述参比光谱和所述样本包装盒的样本近红外光谱计算样本吸光度;
根据所述训练集中的各个样本近红外光谱的样本吸光度训练所述包装检测模型;
根据所述验证集中的各个样本近红外光谱的样本吸光度验证训练得到的所述包装检测模型。
2.根据权利要求1所述的方法,其特征在于,所述各个样本包装盒的热胶面固定在导轨上,所述采集所述样本包装盒的样本近红外光谱,包括:
通过所述导轨定时移动所述样本包装盒;
在每次移动所述样本包装盒后,采集一次所述样本包装盒的样本近红外光谱。
3.根据权利要求1所述的方法,其特征在于,所述将各个样本包装盒的样本近红外光谱为训练集和验证集,包括:
采用光谱理化值共生距离SPXY算法将所述各个样本包装盒的样本近红外光谱划分为训练集和验证集。
4.根据权利要求3所述的方法,其特征在于,所述根据所述训练集中的各个样本近红外光谱的样本吸光度训练所述包装检测模型,包括:
通过所述训练集中的各个样本近红外光谱的样本吸光度训练至少两个候选包装检测模型,所述至少两个候选包装检测模型的模型结构各不相同;
所述通过所述验证集中的各个样本近红外光谱的样本吸光度验证训练后的所述包装检测模型,包括:
通过所述验证集中的各个样本近红外光谱的样本吸光度分别验证训练后的各个候选包装检测模型,获取对各个候选包装检测模型的验证精度;
将训练后的所述至少两个候选包装检测模型中精度满足预设条件的候选包装检测模型确定为训练后的所述包装检测模型。
5.根据权利要求4所述的方法,其特征在于,所述获取对各个候选包装检测模型的验证精度,包括:
对于每个候选包装检测模型,所述验证精度为V_sample_correct/V_sample_all;
其中,V_sample_correct为所述验证集中预测正确的样本数量,V_sample_all为所述验证集中的全部样本的样本数量。
6.根据权利要求4所述的方法,其特征在于,所述候选包装检测模型为偏最小二乘判别PLS-DA、支持向量机SVM、随机森林RF或者神经模型MLP。
7.一种液体包装检测装置,其特征在于,所述装置包括存储器和处理器,所述存储器中存储有至少一条程序指令,所述处理器通过加载并执行所述至少一条程序指令以实现如权利要求1至6任一所述的方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有至少一条程序指令,所述至少一条程序指令被处理器加载并执行以实现如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210944584.2A CN115326319B (zh) | 2022-08-08 | 2022-08-08 | 液体包装检测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210944584.2A CN115326319B (zh) | 2022-08-08 | 2022-08-08 | 液体包装检测方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115326319A CN115326319A (zh) | 2022-11-11 |
CN115326319B true CN115326319B (zh) | 2023-11-24 |
Family
ID=83920940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210944584.2A Active CN115326319B (zh) | 2022-08-08 | 2022-08-08 | 液体包装检测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115326319B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6314796B1 (en) * | 1996-12-10 | 2001-11-13 | Boehringer Ingelheim Pharma Kg | Method and device for nondestructively testing fluid-filled containers for leaktightness |
CN107894408A (zh) * | 2017-11-24 | 2018-04-10 | 中国农业科学院油料作物研究所 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
RU2685756C1 (ru) * | 2018-08-06 | 2019-04-23 | Федеральное государственное бюджетное учреждение "Информационно-методический центр по экспертизе, учету и анализу обращения средств медицинского применения" Федеральной службы по надзору в сфере здравоохранения | Способ проведения испытания капсулированных лекарственных препаратов в блистерной упаковке методом бик спектрометрии |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11060945B2 (en) * | 2018-05-22 | 2021-07-13 | Paxxus, Inc. | Ultra-violet fluorescing sealant |
-
2022
- 2022-08-08 CN CN202210944584.2A patent/CN115326319B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6314796B1 (en) * | 1996-12-10 | 2001-11-13 | Boehringer Ingelheim Pharma Kg | Method and device for nondestructively testing fluid-filled containers for leaktightness |
CN107894408A (zh) * | 2017-11-24 | 2018-04-10 | 中国农业科学院油料作物研究所 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
RU2685756C1 (ru) * | 2018-08-06 | 2019-04-23 | Федеральное государственное бюджетное учреждение "Информационно-методический центр по экспертизе, учету и анализу обращения средств медицинского применения" Федеральной службы по надзору в сфере здравоохранения | Способ проведения испытания капсулированных лекарственных препаратов в блистерной упаковке методом бик спектрометрии |
Also Published As
Publication number | Publication date |
---|---|
CN115326319A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5614718A (en) | Apparatus and method for noninvasive assessment of pressurized container properties | |
CN100360912C (zh) | 聚对苯二甲酸乙二酯容器之红外线强度测量 | |
US5528036A (en) | Spectral detection of contaminants in containers | |
US8305570B2 (en) | Method and device for determining a foam density | |
CN105209888B (zh) | 自动分析装置以及自动分析方法 | |
CN110473179A (zh) | 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备 | |
US7339171B2 (en) | Method and apparatus for detecting presence of an ophthalmic lens in a package | |
RU2351514C2 (ru) | Способ и система контроля упаковочного или наполнительного процесса | |
JP2009503522A (ja) | 壁厚を監視するための方法及び装置 | |
CN115731165B (zh) | 一种锂电池在线尺寸点检的检测系统及方法 | |
CN104417788A (zh) | 一种具有质量追溯功能的小袋包装横封检测方法及检测系统 | |
CN109841533A (zh) | 宽频晶圆缺陷侦测系统及宽频晶圆缺陷侦测方法 | |
CN105628679A (zh) | 基于红外拉曼紫外荧光超连续谱的血液鉴别仪 | |
CN105160754A (zh) | 基于高度测量的硬币表面质量检测装置及其检测方法 | |
CN115326319B (zh) | 液体包装检测方法、装置和存储介质 | |
CN105675522A (zh) | 一种原油含水率检测装置 | |
JP2012524893A (ja) | マルチパラメータデータ解析の方法及び装置 | |
CN116609354B (zh) | 一种浸渍纸生产的质检预警系统 | |
CN116560123B (zh) | 一种用于移动终端的lcd粘接点胶质量检测方法 | |
CN205719948U (zh) | 一种原油含水率检测装置 | |
US20230084562A1 (en) | Non-destructive inspection method and system based on artificial intelligence | |
CN115371916A (zh) | 包装密封性识别系统、方法、装置和存储介质 | |
CN110427316A (zh) | 基于访问行为感知的嵌入式软件缺陷修复方法 | |
CN110017313A (zh) | 一种新型气缸性能检测系统及其检测方法 | |
CN115684232A (zh) | X射线荧光光谱分析设备的标定方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |