CN115797324A - 一种玻璃瓶口缺陷检测方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本申请涉及一种玻璃瓶口缺陷方法、装置、电子设备以及存储介质，涉及质量检测技术领域，该方法包括以下步骤：获取目标玻璃瓶的待测瓶口表面图像；基于训练好的卷积神经网络模型，提取所述待测瓶口表面图像中的深层图像特征；基于所述深层图像特征以及训练好的分类模型，获取所述目标玻璃瓶的瓶口表面缺陷检测结果；其中，所述分类模型是基于正常瓶口表面样本图像训练而成。由于本申请中的分类模型是以正常瓶口表面样本图像训练而成，规避了训练样本分布不均匀的问题；另外，依据正常瓶口表面样本训练而成的分类模型已提取了较多正常瓶口的图像特征，对有缺陷的瓶口表面样本就可以更快地识别出来，提高了对玻璃瓶口表面缺陷检测的效率。

Description

一种玻璃瓶口缺陷检测方法、装置、电子设备以及存储介质

技术领域

本申请涉及缺陷检测技术领域，具体涉及一种玻璃瓶口缺陷检测方法、装置、电子设备以及存储介质。

背景技术

我国作为工业大国，玻璃瓶的生产量不断增长，但是在玻璃瓶的生产过程中会出现裂纹、气泡、冷斑等缺陷。表面缺陷的存在极大地影响着玻璃瓶的使用性能，玻璃瓶口缺陷存在着噪音多、缺陷不明显等问题，为了保证玻璃瓶生产速度与生产质量，在生产过程中引入缺陷检测系统是大规模生产中的必要手段。

随着深度学习的兴起，视觉检测系统因其快速、高效的特点，应用范围不断扩展。基于深度学习的缺陷检测方法应用十分广泛，但是一般的深度学习检测方法需要大量已标记的训练数据，而且在生产中缺乏有效的缺陷样本，限制模型精度检测精度。

因此，考虑到工业生产中正常样本的数量远多于正常样本和模型训练时间的问题，为更加符合实际生产的需要，能够研究一种训练快速且能够以少量不平衡样本训练得到高精度模型十分有必要。

发明内容

本申请提供一种玻璃瓶口缺陷检测方法、装置、电子设备以及存储介质，能够以少量不平衡样本且训练快速地获取玻璃瓶口缺陷检测模型，再基于该模型高效地完成对玻璃瓶口表面的缺陷进行检测。

为实现上述目的，本申请提供以下方案。

第一方面，本申请提供了一种玻璃瓶口缺陷检测方法，所述方法包括以下步骤：

获取目标玻璃瓶的待测瓶口表面图像；

基于训练好的卷积神经网络模型，提取所述待测瓶口表面图像中的深层图像特征；

基于所述深层图像特征以及训练好的分类模型，获取所述目标玻璃瓶的瓶口缺陷检测结果。

进一步的，所述所述获取目标玻璃瓶的待测瓶口表面图像，包括以下步骤：

基于OTUS迭代分割算法，分别提取所述待测瓶口表面图像的背景区域以及前景区域。

进一步的，所述基于训练后的瓶口缺陷检测模型，提取所述待测瓶口表面图像中的深层图像特征之前，包括以下步骤：

对所述前景区域进行椭圆拟合计算，获取椭圆拟合参数；

基于所述拟合椭圆参数，获取所述目标玻璃瓶的瓶身放置角度；

基于所述瓶身放置角度，获取所述目标玻璃瓶瓶口所在区域。

进一步的，所述卷积神经网络模型可以是GooGleNet V3模型；所述分类模型可以是OC-SVM模型。

进一步的，所述基于训练好的卷积神经网络模型，提取所述待测瓶口表面图像中的深层图像特征，包括以下步骤：

利用所述GooGleNet V3模型中的多个卷积层对所述待测瓶口表面图像进行卷积与池化操作；

利用所述GooGleNet V3模型中的Inception-v3网络模块对不同通道的图像特征图进行加权运算；

基于不同尺寸以及不同深度上的特征进行融合，获取所述待测瓶口表面图像中的深层图像特征。

进一步的，所述OC-SVM模型的训练过程，包括以下步骤：

加载训练数据集，所述训练数据集中的每一玻璃瓶口表面的样本图像，且每一样本图像被标记为正常；

将每个样本图像通过核函数映射到高维特征空间，在所述高维特征空间中求解最优超球体；

基于Lagrange乘子法与所述最优超球体，获取训练好的OC-SVM模型。

进一步的，所述基于所述深层图像特征以及训练好的OC-SVM模型，获取所述目标玻璃瓶的瓶口缺陷检测结果，包括以下步骤：

基于所述深层图像特征与所述核函数，获取与所述深层图像特征相对应的决策边界式；

基于所述决策边界式，获取所述目标玻璃瓶的瓶口缺陷检测结果。

第二方面，本申请提供了一种玻璃瓶口缺陷检测装置，所述装置包括：

待测图像获取模块，其用于获取目标玻璃瓶的待测瓶口表面图像；

特征提取模块，其用于基于训练好的卷积神经网络模型，提取所述待测瓶口表面图像中的深层图像特征；

分类结果获取模块，其用于基于所述深层图像特征以及训练好的分类模型，获取所述目标玻璃瓶的瓶口缺陷检测结果。

进一步的，所述待测图像获取模块还用于：

基于OTUS迭代分割算法，分别提取所述待测瓶口表面图像的背景区域以及前景区域。

进一步的，所述待测图像模块包括：

拟合参数获取子模块，其用于对所述背景区域进行椭圆拟合计算，获取椭圆拟合参数；

放置角度获取子模块，其用于基于所述拟合椭圆参数，获取所述目标玻璃瓶的瓶身放置角度；

区域获取子模块，其用于基于所述瓶身放置角度，获取所述目标玻璃瓶瓶口所在区域。

进一步的，所述卷积神经网络模型可以是GooGleNet V3模型；所述分类模型可以是OC-SVM模型。

进一步的，所述特征提取模块包括：

卷积子模块，其用于利用所述GooGleNet V3模型中的多个卷积层对所述待测瓶口表面图像进行卷积与池化操作；

加权运算子模块，其用于利用所述GooGleNet V3模型中的Inception-v3网络模块对不同通道的图像特征图进行加权运算；

特征融合子模块，其用于基于不同尺寸以及不同深度上的特征进行融合，获取所述待测瓶口表面图像中的深层图像特征。

进一步地，所述装置还包括：

数据集加载模块，其用于加载训练数据集，所述训练数据集中的每一玻璃瓶口表面的样本图像，且每一样本图像被标记为正常；

求解模块，其用于将每个样本图像通过核函数映射到高维特征空间，在所述高维特征空间中求解最优超球体；

训练模块，其用于基于Lagrange乘子法与所述最优超球体，获取训练好的OC-SVM模型。

进一步地，所述分类结果获取模块，包括：

第一计算子模块，其用于基于所述深层图像特征与所述核函数，获取与所述深层图像特征相对应的决策边界式；

第二计算子模块，其用于基于所述决策边界式，获取所述目标玻璃瓶的瓶口缺陷检测结果。

本申请提供的技术方案带来的有益效果包括：

本申请获取目标玻璃瓶的待测瓶口表面图像；基于训练好的卷积神经网络模型，提取待测瓶口表面图像中的深层图像特征；基于深层图像特征以及训练好的分类模型，获取目标玻璃瓶的瓶口缺陷检测结果。由于本申请中的分类模型是以正常瓶口表面样本图像训练而成，规避了训练样本分布不均匀的问题；另外，依据正常瓶口表面样本训练而成的分类模型已提取了较多正常瓶口的图像特征，对有缺陷的瓶口表面样本就可以更快地识别出来，提高了对玻璃瓶口缺陷检测的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中提供的玻璃瓶口缺陷检测的步骤流程图；

图2为本申请实施例中提供的图像处理流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图对本申请的实施例作进一步详细说明。

参见图1所示，本申请实施例提供一种玻璃瓶口缺陷检测方法，该方法包括以下步骤：

S1、获取目标玻璃瓶的待测瓶口表面图像。

可以理解的是，本申请提出的玻璃瓶口缺陷检测方法可以应用在玻璃瓶生产系统中，当玻璃瓶制作完成后，将制作完成的玻璃瓶通过流水生产线运送至固定的玻璃瓶口表面图像采集端，图像采集端将获取到的目标玻璃瓶瓶口表面图像发送至数据处理器。

由于本申请中只需对瓶口表面的缺陷进行处理，因此为了保证缺陷检测结果的精确度，需将图像采集端将获取到的目标玻璃瓶瓶口表面图像中的冗余图像特征进行清理。

在一申请实施例中，可以利用OTUS迭代分割算法将待测瓶口表面图像的背景区域以及前景区域进行分割，其中前景区域是指待测瓶口表面图像中瓶口圆所在区域，背景区域是指除了瓶口圆所在区域以外的其他区域。

S2、基于训练好的卷积神经网络模型，提取所述待测瓶口表面图像中的深层图像特征。

其中，卷积神经网络模型是用于提取待测瓶口表面图像中前景区域中的深层图像特征。该卷积神经网络是由瓶口表面正常样本或者缺陷样本训练而成。在对该卷积神经网络训练之前，首先获取训练样本以及测试样本，随机选择对训练样本增加转动角度或者随机选择对训练样本在水平方向上进行拉伸或压缩，以提升图像在角度方面的图像多样性，再将所有的训练样本的尺寸进行统一，再将处理过的训练样本用来训练该卷积神经网络。

其中，该卷积神经网络模型可以是GooGleNet V3模型。

具体地，数据处理器利用GooGleNet V3模型中的多个卷积层对所述待测瓶口表面图像进行卷积与池化操作，再利用GooGleNet V3模型中的Inception-v3网络模块对不同通道的图像特征图进行加权运算；基于不同尺寸以及不同深度上的特征进行融合，获取待测瓶口表面图像中的深度图像特征。

S3、基于深层图像特征以及训练好的分类模型，获取目标玻璃瓶的瓶口缺陷检测结果。

其中，该分类模型是基于单类学习算法，以正常瓶口表面样本图像训练而成的模型。其中，单类学习算法可以是OC-SVM模型。

其中，对OC-SVM模型的训练过程包括：加载训练数据集，所述训练数据集中的每一玻璃瓶口表面的样本图像，且每一样本图像被标记为正常，再将每个样本图像通过核函数映射到高维特征空间，在高维特征空间中求解最优超球体，最后基于Lagrange乘子法与最优超球体，获取训练好的OC-SVM模型。

具体地，数据处理器基于S2获取的深层图像特征与核函数，获取与深层图像特征相对应的决策边界式，再基于决策边界式，获取目标玻璃瓶的瓶口缺陷检测结果。

本申请获取目标玻璃瓶的待测瓶口表面图像；基于训练好的卷积神经网络模型，提取待测瓶口表面图像中的深层图像特征；基于深层图像特征以及训练好的分类模型，获取目标玻璃瓶的瓶口缺陷检测结果。由于本申请中的分类模型是以正常瓶口表面样本图像训练而成，规避了训练样本分布不均匀的问题；另外，依据正常瓶口表面样本训练而成的分类模型已提取了较多正常瓶口的图像特征，对有缺陷的瓶口表面样本就可以更快地识别出来，提高了对玻璃瓶口缺陷检测的效率。

在一申请实施例中，如图2所示，步骤S1包括：

S101、基于OTUS迭代分割算法，分别提取待测瓶口表面图像的背景区域以及前景区域；

S102、对前景区域进行椭圆拟合计算，获取椭圆拟合参数；

其中，椭圆拟合计算方法是指，对于给定平面上的一组样本点，寻找一个椭圆，使其尽可能靠近这些样本点。也就是说到，将图像中的一组数据以椭圆方程为模型进行拟合，使某一椭圆方程尽量满足这些数据，并求出该椭圆方程的各个参数。

具体地，在前进区域中获取瓶口边缘像素点，将各边缘像素点确定样本点，基于椭圆拟合算法对各样本点的坐标位置信息进行计算，获取椭圆拟合参数，该椭圆拟合参数包括拟合出的椭圆的长轴参数、短轴参数以及圆心坐标位置。

S103、基于拟合椭圆参数，获取目标玻璃瓶的瓶身放置角度；

应当理解的是，由于流水线上目标玻璃瓶是以与水平方向相垂直的方向放置的，因此放置于玻璃瓶正上方的数据采集端在正常情况下，获取的目标玻璃瓶瓶口图像应为一个正圆。然而，在实际的流水生产线上，玻璃瓶的放置方向可能并不能与水平方向完全垂直，因此，数据采集端获取到的瓶口所在圆通常为一个椭圆。

在对目标玻璃瓶口缺陷进行检测之前，可以标定出瓶口所在椭圆与目标玻璃瓶的瓶身放置角度之间的对应关系。

S104、基于瓶身放置角度，获取目标玻璃瓶瓶口所在区域。

具体地，利用仿射变换转变瓶身的角度，然后利用霍夫圆检测得到圆心坐标，对图像中圆心的偏移量进行多次修正，得到处理后的玻璃瓶口图像。

本申请实施例利用基于OTUS的改进迭代分割算法分割图像前景与背景，该方法能够尽减少图像当中背景像素的数量，随着分割次数的增加，可以将图像中的目标区域更加显著地突显出来。

在一申请实施例中，步骤S2包括以下步骤：

S201、利用GooGleNet V3模型中的多个卷积层对经过处理的待测瓶口表面图像进行卷积与池化操作；

卷积层是指在特征维度上使用随机和稀疏连接表组合密集的网络形成逐层结构。在本实施例中，GooGleNet V3模型中的包含两层卷积层，分别为1×3和3×1大小的卷积层，通过两层卷积层提取经过处理后的待测瓶口表面图像特征，再将该图像特征输入3×3的池化层过滤器。

S202、利用GooGleNet V3模型中的Inception-v3网络模块对不同通道的图像特征图进行加权运算；

在经过前两卷积层核池化层之后，输入到Inception-v3结构中，使用多种小卷积核进行多尺度特征提取，而且小卷积核可以大大减少参数量，最后融合多通道的多尺度特征，输出1×1×n的特征，作为下个Inception-v3的输入，可以对Inception-v3结构串行连接，形成有3个Inception的结构，从而获取不同尺寸不同深度的特征通道输出的特征值。

S203、基于不同尺寸以及不同深度上的特征进行融合，获取所述待测瓶口表面图像中的深层图像特征。

将不同尺寸、不同深度上的图像特征进行归一化并融合为深层图像特征。

在本实施例中，使用处理过的玻璃瓶口样本图像来训练卷积神经网络，使得训练好的卷积神经网络可以待测图像中的深层图像特征，从而提高玻璃瓶口缺陷的检测效率。

在一实施例中，对OC-SVM模型的训练过程，包括以下步骤：

加载训练数据集，其中，训练数据集中的每一玻璃瓶口表面的样本图像，且每一样本图像被标记为正常；将每个样本图像通过核函数映射到高维特征空间，在高维特征空间中求解最优超球体；基于Lagrange乘子法与所述最优超球体，获取训练好的OC-SVM模型。

具体地，将S203获取的深层图像特征映射到特征空间的过程可以利用核函数代替图像的点积过程：

k(X,Y)＝(φ(X)·φ(Y))

(1)

OCSVM对分类超平面的计算过程为：

s.t.ω·φ(x)≥ρ-ξ_i,ξ_i≥0

其中ω为权重；υ为离群值，他控制着训练样本中离群值的上限；ξ_i为非负松弛变量；为求解模型优化式(2)的对偶问题，写出拉格朗日方程：

对参数ω,ξ,ρ分别求导，得到下式：

ω＝∑_iα_iφ(x)

(4)

利用式(4)得到核函数，结合式(1)和式(2)，得到决策边界式：

f(x)＝sgn(ω·φ(x)-ρ)＝sgn(∑_iα_ik(x_i,X)-ρ)

(6)

在利用模型对图像进行检测时，f(x)为1则表示图像中无缺陷，为-1则表示图像中存在缺陷。

在本申请实施例中，由于本申请中的分类模型是以正常瓶口表面样本图像训练而成，规避了训练样本分布不均匀的问题；另外，依据正常瓶口表面样本训练而成的分类模型已提取了较多正常瓶口的图像特征，对有缺陷的瓶口表面样本就可以更快地识别出来，提高了对玻璃瓶口缺陷检测的效率。数据处理器依据正常瓶口表面样本训练而成的分类模型已提取了较多正常瓶口的图像特征，对有缺陷的瓶口表面样本就可以更快地识别出来，提高了对玻璃瓶口缺陷检测的效率。

在一申请实施例中，步骤S3包括以下步骤：

S301、基于深层图像特征与核函数，获取与深层图像特征相对应的决策边界式；

将深层图像特征输入训练好的OC-SVM模型，也就是将深层图像特征代入核函数，从而获取与深层图像特征相对应的决策边界式。

S302、基于决策边界式，获取目标玻璃瓶的瓶口缺陷检测结果。

基于该决策边界式，获取目标玻璃瓶的瓶口缺陷检测结果。具体地，由最优的图像采集方案得到的瓶口图像，瓶口处主要缺陷为裂纹，整个数据集图像共84张图像，其中63张正常图像，21张缺陷图像。通过划分得到训练集正常图像50张，测试集正常图像13张，异常图像21张。

本申请获取目标玻璃瓶的待测瓶口表面图像；基于训练好的卷积神经网络模型，提取待测瓶口表面图像中的深层图像特征；基于深层图像特征以及训练好的分类模型，获取目标玻璃瓶的瓶口缺陷检测结果。由于本申请中的分类模型是以正常瓶口表面样本图像训练而成，规避了训练样本分布不均匀的问题；另外，依据正常瓶口表面样本训练而成的分类模型已提取了较多正常瓶口的图像特征，对有缺陷的瓶口表面样本就可以更快地识别出来，提高了对玻璃瓶口缺陷检测的效率。

需要说明的是，本申请实施例中的各步骤的步骤标号，其并不限制本申请技术方案中各操作的前后顺序。

第二方面，本申请实施例提供一种玻璃瓶口缺陷检测装置，该装置中包含：待测图像获取模块，其用于获取目标玻璃瓶的待测瓶口表面图像；特征提取模块，其用于基于训练好的卷积神经网络模型，提取所述待测瓶口表面图像中的深层图像特征；分类结果获取模块，其用于基于所述深层图像特征以及训练好的分类模型，获取所述目标玻璃瓶的瓶口缺陷检测结果。

可以理解的是，本申请提出的玻璃瓶口缺陷检测方法可以应用在玻璃瓶生产系统中，当玻璃瓶制作完成后，将制作完成的玻璃瓶通过流水生产线运送至固定的玻璃瓶口表面图像采集端，图像采集端将获取到的目标玻璃瓶瓶口表面图像发送至数据处理器。

在一申请实施例中，可以利用OTUS迭代分割算法将待测瓶口表面图像的背景区域以及前景区域进行分割，其中前景区域是指待测瓶口表面图像中瓶口圆所在区域，背景区域是指除了瓶口圆所在区域以外的其他区域。

具体地，数据处理器利用GooGleNet V3模型中的多个卷积层对所述待测瓶口表面图像进行卷积与池化操作，再利用GooGleNet V3模型中的Inception-v3网络模块对不同通道的图像特征图进行加权运算；基于不同尺寸以及不同深度上的特征进行融合，获取待测瓶口表面图像中的深度图像特征。

其中，对OC-SVM模型的训练过程包括：加载训练数据集，所述训练数据集中的每一玻璃瓶口表面的样本图像，且每一样本图像被标记为正常，再将每个样本图像通过核函数映射到高维特征空间，在高维特征空间中求解最优超球体，最后基于Lagrange乘子法与最优超球体，获取训练好的OC-SVM模型。

具体地，数据处理器基于S2获取的深层图像特征与核函数，获取与深层图像特征相对应的决策边界式，再基于决策边界式，获取目标玻璃瓶的瓶口缺陷检测结果。

在一申请实施例中，所述待测图像获取模块还用于：

基于OTUS迭代分割算法，分别提取所述待测瓶口表面图像的背景区域以及前景区域。

在一申请实施例中，所述待测图像模块包括：

拟合参数获取子模块，其用于对所述背景区域进行椭圆拟合计算，获取椭圆拟合参数；

具体地，在前进区域中获取瓶口边缘像素点，将各边缘像素点确定样本点，基于椭圆拟合算法对各样本点的坐标位置信息进行计算，获取椭圆拟合参数，该椭圆拟合参数包括拟合出的椭圆的长轴参数、短轴参数以及圆心坐标位置。

放置角度获取子模块，其用于基于所述拟合椭圆参数，获取所述目标玻璃瓶的瓶身放置角度；

区域获取子模块，其用于基于所述瓶身放置角度，获取所述目标玻璃瓶瓶口所在区域。

具体地，利用仿射变换转变瓶身的角度，然后利用霍夫圆检测得到圆心坐标，对图像中圆心的偏移量进行多次修正，得到处理后的玻璃瓶口图像。

在一申请实施例中，所述卷积神经网络模型可以是GooGleNet V3模型；所述分类模型可以是OC-SVM模型。

在一申请实施例中，所述特征提取模块包括：

卷积子模块，其用于利用所述GooGleNet V3模型中的多个卷积层对所述待测瓶口表面图像进行卷积与池化操作；

加权运算子模块，其用于利用所述GooGleNet V3模型中的Inception-v3网络模块对不同通道的图像特征图进行加权运算；

特征融合子模块，其用于基于不同尺寸以及不同深度上的特征进行融合，获取所述待测瓶口表面图像中的深层图像特征。

在一申请实施例中，所述装置还包括：

数据集加载模块，其用于加载训练数据集，所述训练数据集中的每一玻璃瓶口表面的样本图像，且每一样本图像被标记为正常；

加载训练数据集，其中，训练数据集中的每一玻璃瓶口表面的样本图像，且每一样本图像被标记为正常；将每个样本图像通过核函数映射到高维特征空间，在高维特征空间中求解最优超球体；基于Lagrange乘子法与所述最优超球体，获取训练好的OC-SVM模型。

求解模块，其用于将每个样本图像通过核函数映射到高维特征空间，在所述高维特征空间中求解最优超球体；

训练模块，其用于基于Lagrange乘子法与所述最优超球体，获取训练好的OC-SVM模型。

在一申请实施例中，所述分类结果获取模块，包括：

第一计算子模块，其用于基于所述深层图像特征与所述核函数，获取与所述深层图像特征相对应的决策边界式；

第二计算子模块，其用于基于所述决策边界式，获取所述目标玻璃瓶的瓶口缺陷检测结果。

在本申请实施例中，数据处理器依据正常瓶口表面样本训练而成的分类模型已提取了较多正常瓶口的图像特征，对有缺陷的瓶口表面样本就可以更快地识别出来，提高了对玻璃瓶口缺陷检测的效率。

本装置获取目标玻璃瓶的待测瓶口表面图像；基于训练好的卷积神经网络模型，提取待测瓶口表面图像中的深层图像特征；基于深层图像特征以及训练好的分类模型，获取目标玻璃瓶的瓶口缺陷检测结果。由于本申请中的分类模型是以正常瓶口表面样本图像训练而成，规避了训练样本分布不均匀的问题；另外，依据正常瓶口表面样本训练而成的分类模型已提取了较多正常瓶口的图像特征，对有缺陷的瓶口表面样本就可以更快地识别出来，提高了对玻璃瓶口缺陷检测的效率。

需要说明的是，本申请实施例提供的玻璃瓶口缺陷检测装置，其对应的技术问题、技术手段以及技术效果，从原理层面与玻璃瓶口缺陷检测方法的原理类似。

需要说明的是，在本申请中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种玻璃瓶口表面缺陷检测方法，其特征在于，所述方法包括以下步骤：

获取目标玻璃瓶的待测瓶口表面图像；

基于训练好的卷积神经网络模型，提取所述待测瓶口表面图像中的深层图像特征；

基于所述深层图像特征以及训练好的分类模型，获取所述目标玻璃瓶的瓶口表面缺陷检测结果；

其中，所述分类模型是基于正常瓶口表面样本图像训练而成。

2.如权利要求1所述的玻璃瓶口表面缺陷检测方法，其特征在于，所述获取目标玻璃瓶的待测瓶口表面图像，包括以下步骤：

基于OTUS迭代分割算法，分别提取所述待测瓶口表面图像的背景区域以及前景区域。

3.如权利要求2所述的玻璃瓶口表面缺陷检测方法，其特征在于，所述基于训练后的瓶口缺陷检测模型，提取所述待测瓶口表面图像中的深层图像特征之前，包括以下步骤：

对所述前景区域进行椭圆拟合计算，获取椭圆拟合参数；

基于所述拟合椭圆参数，获取所述目标玻璃瓶的瓶身放置角度；

基于所述瓶身放置角度，获取经过处理后的待测瓶口表面图像。

4.如权利要求3所述的玻璃瓶口表面缺陷检测方法，其特征在于，所述卷积神经网络模型为GooGleNet V3模型；所述分类模型为OC-SVM模型。

5.如权利要求4所述的玻璃瓶口表面缺陷检测方法，其特征在于，所述基于训练好的卷积神经网络模型，提取经过处理后的所述待测瓶口表面图像中的深层图像特征，包括以下步骤：

利用所述GooGleNet V3模型中的多个卷积层对所述待测瓶口表面图像进行卷积与池化操作；

利用所述GooGleNet V3模型中的Inception-v3网络模块对不同通道的图像特征图进行加权运算；

基于不同尺寸以及不同深度上的特征进行融合，获取所述待测瓶口表面图像中的深层图像特征。

6.如权利要求4所述的玻璃瓶口表面缺陷检测方法，其特征在于，所述OC-SVM模型的训练过程，包括以下步骤：

加载训练数据集，所述训练数据集中的每一玻璃瓶口表面的样本图像，且每一样本图像被标记为正常；

将每个样本图像通过核函数映射到高维特征空间，在所述高维特征空间中求解最优超球体；

基于Lagrange乘子法与所述最优超球体，获取训练好的OC-SVM模型。

7.如权利要求4所述的玻璃瓶口表面缺陷检测方法，其特征在于，所述基于所述深层图像特征以及训练好的OC-SVM模型，获取所述目标玻璃瓶的瓶口表面缺陷检测结果，包括以下步骤：

基于所述深层图像特征与所述核函数，获取与所述深层图像特征相对应的决策边界式；

基于所述决策边界式，获取所述目标玻璃瓶的瓶口表面缺陷检测结果。

8.一种玻璃瓶口表面缺陷检测装置，其特征在于，所述装置包括：

待测图像获取模块，其用于获取目标玻璃瓶的待测瓶口表面图像；

特征提取模块，其用于基于训练好的卷积神经网络模型，提取所述待测瓶口表面图像中的深层图像特征；

分类结果获取模块，其用于基于所述深层图像特征以及训练好的分类模型，获取所述目标玻璃瓶的瓶口表面缺陷检测结果。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

Images