CN116342540A - 包装膜缺陷检测方法、装置、设备及存储介质 - Google Patents
包装膜缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116342540A CN116342540A CN202310316559.4A CN202310316559A CN116342540A CN 116342540 A CN116342540 A CN 116342540A CN 202310316559 A CN202310316559 A CN 202310316559A CN 116342540 A CN116342540 A CN 116342540A
- Authority
- CN
- China
- Prior art keywords
- image
- packaging film
- detected
- defect
- classification
- 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
- 229920006280 packaging film Polymers 0.000 title claims abstract description 247
- 239000012785 packaging film Substances 0.000 title claims abstract description 247
- 230000007547 defect Effects 0.000 title claims abstract description 215
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000003709 image segmentation Methods 0.000 claims description 22
- 230000002950 deficient Effects 0.000 claims description 18
- 235000002566 Capsicum Nutrition 0.000 claims description 5
- 239000006002 Pepper Substances 0.000 claims description 5
- 235000016761 Piper aduncum Nutrition 0.000 claims description 5
- 235000017804 Piper guineense Nutrition 0.000 claims description 5
- 235000008184 Piper nigrum Nutrition 0.000 claims description 5
- 150000003839 salts Chemical class 0.000 claims description 5
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000004891 communication Methods 0.000 description 6
- 241000722363 Piper Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种包装膜缺陷检测方法、装置、设备及存储介质，包括：确定待检测包装膜图像的图像采集位置；将待检测包装膜图像输入至图像采集位置对应的图像分类模型，获得图像分类结果；在图像分类结果为良品时，将待检测包装膜图像输入至图像采集位置对应的目标检测模型进行缺陷检测；获取缺陷检测结果，并将缺陷检测结果作为待检测包装膜的检测结果。本发明通过分类模型对待检测包装膜图像中相对明显的缺陷进行检测，并在分类模型检测通过时，再通过目标检测模型对待检测包装膜图像中的难检缺陷进行检测，使得难检缺陷和明显缺陷都能被检测出，提高了待检测包装膜缺陷检测的准确度。
Description
技术领域
本发明涉及视觉检测技术领域，尤其涉及一种包装膜缺陷检测方法、装置、设备及存储介质。
背景技术
目前，人工智能在工业检测中的应用已经越来越多地深入到生产环节的各个领域，用机器代替人工检验已经成为智能制造车间的发展趋势，随着视觉检测技术的发展，利用传统的视觉检测方法虽然能够检测一些典型的外观类别的缺陷，但是受制于外包装膜在热缩工艺过程中会形成不规则的缺陷特征纹理，其中有些缺陷很难被识别，导致包装膜缺陷检测的准确度低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种包装膜缺陷检测方法、装置、设备及存储介质，旨在解决现有技术包装膜缺陷检测的准确度低的技术问题。
为实现上述目的，本发明提供了一种包装膜缺陷检测方法，所述方法包括以下步骤：
确定待检测包装膜图像的图像采集位置；
将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果；
在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测；
获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。
可选地，所述图像分类模型包括第一分类模型和第二分类模型，所述图像采集位置包括侧面采集位置和上/下面采集位置；
所述将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果，包括：
在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像输入至所述第一分类模型，获得第一图像分类结果；以及
在待检测包装膜图像从所述上/下面采集位置采集时，将所述待检测包装膜图像输入至所述第二分类模型，获得第二图像分类结果。
可选地，所述第一分类模型包括N个第一子分类模型，N为待检测包装膜的包装膜缺陷类别数量，各第一子分类模型用于检测不同类型的包装膜缺陷；
所述在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像输入至所述第一分类模型，获得第一图像分类结果，包括：
在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像依次输入至各第一子分类模型；
在各第一子分类模型均输出的分类结果均为良品时，确定第一图像分类结果为良品；以及
在存在第一子分类模型输出的分类结果为缺陷品时，确定第一图像分类结果为缺陷品。
可选地，所述确定待检测包装膜图像的图像采集位置之前，还包括：
获取初始包装膜图像，并将所述初始包装膜图像转换为格式化包装膜图像；
去除所述格式化包装膜图像中的椒盐噪声，获得待检测包装膜图像。
可选地，所述将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果之后，还包括：
在所述图像分类结果为良品时，将所述待检测包装膜图像输入至图像分割模型；
通过所述图像分割模型检测所述待检测包装膜图像中的缺陷轮廓信息，并将所述缺陷轮廓信息输出。
可选地，所述通过所述图像分割模型检测所述待检测包装膜图像中的缺陷轮廓信息，并将所述缺陷轮廓信息输出，包括：
通过所述图像分割模型检测缺陷图像在所述待检测包装膜图像中的图像位置；
根据所述图像位置勾勒所述缺陷轮廓信息，并将所述缺陷轮廓信息输出。
可选地，所述根据所述图像位置勾勒所述缺陷轮廓信息，并将所述缺陷轮廓信息输出之后，还包括：
根据所述缺陷轮廓信息的数量确定待检测包装对应的各类型缺陷的缺陷比例。
此外，为实现上述目的，本发明还提出一种包装膜缺陷检测装置，所述装置包括：
确定模块，用于确定待检测包装膜图像的图像采集位置；
第一输入模块，用于将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果；
第二输入模块，用于在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测；
结果确定模块，用于获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。
此外，为实现上述目的，本发明还提出一种包装膜缺陷检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的包装膜缺陷检测程序，所述包装膜缺陷检测程序配置为实现如上文所述的包装膜缺陷检测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有包装膜缺陷检测程序，所述包装膜缺陷检测程序被处理器执行时实现如上文所述的包装膜缺陷检测方法的步骤。
本发明确定待检测包装膜图像的图像采集位置；将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果；在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测；获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。本发明通过分类模型对待检测包装膜图像中相对明显的缺陷进行检测，并在分类模型检测通过时，再通过目标检测模型对待检测包装膜图像中的难检缺陷进行检测，使得难检缺陷和明显缺陷都能被检测出，提高了待检测包装膜缺陷检测的准确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的包装膜缺陷检测设备的结构示意图；
图2为本发明包装膜缺陷检测方法第一实施例的流程示意图；
图3为本发明包装膜缺陷检测方法第二实施例的流程示意图；
图4为本发明包装膜缺陷检测方法第三实施例的流程示意图；
图5为本发明包装膜缺陷检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的包装膜缺陷检测设备结构示意图。
如图1所示，该包装膜缺陷检测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对包装膜缺陷检测设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及包装膜缺陷检测程序。
在图1所示的包装膜缺陷检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明包装膜缺陷检测设备中的处理器1001、存储器1005可以设置在包装膜缺陷检测设备中，所述包装膜缺陷检测设备通过处理器1001调用存储器1005中存储的包装膜缺陷检测程序，并执行本发明实施例提供的包装膜缺陷检测方法。
本发明实施例提供了一种包装膜缺陷检测方法，参照图2，图2为本发明包装膜缺陷检测方法第一实施例的流程示意图。
本实施例中，所述包装膜缺陷检测方法包括以下步骤：
步骤S10：确定待检测包装膜图像的图像采集位置。
需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的电子设备、包装膜缺陷检测设备等。以下以包装膜缺陷检测设备(简称检测设备)为例，对本实施例及下述各实施例进行说明。
可以理解的是，待检测包装膜图像可以是通过视觉装置拍摄的待检测包装膜的图像，待检测包装膜有多个面，每个面可以对应设置视觉装置来拍摄该面的图像，视觉装置可以是视觉相机、红外相机等，本实施例在此不作限制；图像采集位置可以是拍摄待检测包装膜图像的位置，图像采集位置包括待检测包装膜的上表面、下表面和侧面。
步骤S20：将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果。
需要说明的是，各图像采集位置都有对应的图像分类模型，图像分类模型可以是经过训练数据训练获得的能够对待检测包装膜图像进行分类的模型，在训练模型时，可针对不同的图像采集位置训练对应的图像分类模型；图像分类模型可以是ResNet或其他具有相同或相似功能的模型，本实施例在此不作限制；图像分类模型主要是对待检测包装膜图像中具有明显特征的缺陷进行检测，图像分类模型可以是检测出来的缺陷包括包装膜损坏、包装残留物、残留物标签纸、明显皱纹、明显的热缩线偏移或其他具有相对明显特征的缺陷。
可以理解的是，图像分类结果可以是图像分类模型输出的待检测包装膜图像是否存在缺陷的结果；若图像分类模型未检测到待检测包装膜图像存在缺陷，则图像分类结果为待检测包装膜为良品；若图形分类模型检测到待检测包装膜图像存在缺陷，则图像分类结果为待检测包装膜为缺陷品。
步骤S30：在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测。
在本实施例中，在图像采集位置对应的图像分类模型输出的图像分类结果为待检测包装膜为良品时，将该待检测包装膜图像继续输入至与图像采集位置对应的目标检测模型进行缺陷检测；目标检测模型可以是经过训练数据训练的能够对待检测包装膜图像中的目标缺陷进行检测的模型；目标检测模型主要是对待检测包装膜图像中的细粒度缺陷进行检测，目标检测模型检测的细粒度缺陷包括：皱纹、细纹、凹凸点、变色、纤维和杂质、压碎角、划痕或其他不容易检测出的缺陷。
步骤S40：获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。
在本实施例中，在图像分类模型输出的图像分类结果为良品时，将待检测包装膜图像继续输入至对应的目标检测模型，若目标检测模型输出的缺陷检测结果为无缺陷，则待检测包装膜的检测结果为良品；若目标检测模型输出的缺陷检测结果为存在缺陷，则待检测包装膜的检测结果为缺陷品。
在具体实施中，例如包装膜缺陷检测方法采用图像分类模型和目标检测模型多重模型级联的方式，而且为了提高检测效率，针对不同的图像采集位置设置有对应的图像分类模型和目标检测模型，通过预先设置的视觉相机采集待检测包装膜的图像，获得待检测包装膜图像，将待检测包装膜图像输入与图像采集位置对应的图像分类模型，若图像分类模型输出的图像分类结果为缺陷品，则判定待检测包装膜的检测结果为缺陷品；若图像分类模型输出的图像分类结果为良品，则继续将待检测包装膜图像输入至与图像采集位置对应的目标检测模型，若目标检测模型输出的缺陷检测结果为无缺陷，则判定待检测包装膜的检测结果为良品；若目标检测模型输出的缺陷检测结果为存在缺陷，则判定待检测包装膜的检测结果为缺陷品，并输出待检测包装膜存在的具体缺陷类型。
进一步地，为了提高包装膜缺陷检测的准确度，所述步骤S10之前，还包括：获取初始包装膜图像，并将所述初始包装膜图像转换为格式化包装膜图像；去除所述格式化包装膜图像中的椒盐噪声，获得待检测包装膜图像。
可以理解的是，初始包装膜图像可以是通过视觉装置采集的未经处理的包装膜图像；格式化包装膜图像可以是CV格式的包装膜图像。
在本实施例中，采用了图像分类模型和目标检测模型多重模型级联的方式来进行包装膜缺陷检测，能够减少缺陷的漏检率，对于待检测包装膜图像中相对明显的缺陷，通过图像分类模型保证一定的检测效率和质量，其中相对明显的缺陷可以是缺陷的语义占比比较显著，对于一些缺陷特征不是很明显的缺陷，在图像分类模型后又挂载专用的目标检测模型来辅助二次检测，目标检测模型的主要目的就是检测待检测包装膜图像中的细粒度缺陷，通过图像分类模型对待检测包装膜图像中的粗颗粒度缺陷进行检测，再通过目标检测模型对待检测包装膜图像中的细粒度缺陷进行检测，通过双模型的检测可以很好地控制漏检率的发生。
在具体实施中，以对待检测包装膜的上表面进行缺陷检测为例进行说明，通过设置在生产线上方的视觉相机采集待检测包装膜的上表面图像，将上表面图像转换为格式化图像，并将格式化图像中的椒盐噪声去除，获得待检测上表面图像，将待检测上表面图像输入至与包装膜上表面对应的图像分类模型，假设图像分类模型输出的图像分类结果为包装膜损坏，则判定待检测包装膜存在缺陷，并输出包装膜损坏的提示信息；假设图像分类模型输出的图像分类结果为良品，则继续将待检测上表面图像输入至与图像分类模型级联的目标检测模型，假设图像分类模型输出的缺陷检测结果为无缺陷，则判定待检测包装膜的上表面不存在缺陷，假设图像分类模型输出的缺陷检测结果为压碎角，则待检测包装膜的上表面检测结果为存在缺陷，并输出上表面存在压碎角的缺陷提示信息；待检测包装膜其余面的缺陷检测过程与上表面的缺陷检测过程类似，本实施例在此不再赘述。
本实施例确定待检测包装膜图像的图像采集位置；将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果；在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测；获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。本实施例通过分类模型对待检测包装膜图像中相对明显的缺陷进行检测，并在分类模型检测通过时，再通过目标检测模型对待检测包装膜图像中的难检缺陷进行检测，使得难检缺陷和明显缺陷都能被检测出，提高了待检测包装膜缺陷检测的准确度。
参考图3，图3为本发明包装膜缺陷检测方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述图像分类模型包括第一分类模型和第二分类模型，所述图像采集位置包括侧面采集位置和上/下面采集位置，所述步骤S20包括：
步骤S201：在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像输入至所述第一分类模型，获得第一图像分类结果。
在本实施例中，图像分类模型包括第一分类模型和第二分类模型，第一分类模型与侧面采集位置对应，第二分类模型与上/下面采集位置对应；为了提高检测效率，还可为每个面设置对应的图像分类模型，例如待检测包装膜有6个面，则设置6个图像分类模型分别对待检测包装膜的6个面进行检测，本实施例在此不作限制；第一图像分类结果可以是第一分类模型对侧面包装膜图像进行缺陷检测的检测结果。
步骤S202：在待检测包装膜图像从所述上/下面采集位置采集时，将所述待检测包装膜图像输入至所述第二分类模型，获得第二图像分类结果。
可以理解的是，第二图像分类结果可以是第二分类模型对上/下面包装膜图像进行缺陷检测的检测结果。
进一步地，若在使用图像分类模型的过程中，图像分类模型的准确度无法达到要求，则需要对模型做优化，为了提高后续模型优化的效率，所述第一分类模型包括N个第一子分类模型，N为待检测包装膜的包装膜缺陷类别数量，各第一子分类模型用于检测不同类型的包装膜缺陷；
所述在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像输入至所述第一分类模型，获得第一图像分类结果，包括：在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像依次输入至各第一子分类模型；在各第一子分类模型均输出的分类结果均为良品时，确定第一图像分类结果为良品；以及在存在第一子分类模型输出的分类结果为缺陷品时，确定第一图像分类结果为缺陷品。
需要说明的是，由于典型的包装膜一般包括6个面，在缺陷检测的过程中，对缺陷检测时长也有一定要求，例如：每个面的最大检测时长为200ms、220ms等，而且后续若分类模型不符合检测要求，则需求进一步对模型进行优化，若一个分类模型需要检测多种缺陷，则需要针对多种缺陷同时进行优化，导致优化的工作量增大，本实施例将典型的多类别训练解耦成为每个缺陷所独有的专有分类模型，如果后续在实际应用过程中某一缺陷类别对应的模型不符合检测要求，则只需要更改或优化该模型即可，不需要重新训练全部整个模型，在减少模型重新训练造成的检出率表现不一致的情况的同时，提高了后续模型优化的效率。
可以理解的是，第二分类模型包括M个第二子分类模型，M为待检测包装膜的上/下面存在的缺陷类别数量；在待检测包装膜图像从上/下面采集位置采集时，将待检测包装膜图像依次输入至各第二子分类模型；在各第二子分类模型均输出的分类结果均为良品时，确定第二图像分类结果为良品；以及在存在第二子分类模型输出的分类结果为缺陷品时，确定第二图像分类结果为缺陷品。
在具体实施中，在待检测包装膜的图像采集位置为侧面采集位置时，将待检测包装膜图像依次输入至各第一子分类模型，在各第一子分类模型的输出结果均为良品时，则确定第一图像分类结果为良品；在存在第一子分类模型的输出结果为缺陷品时，确定第一图像分类结果为缺陷品，并输出具体的缺陷提示信息，例如存在包装膜损坏、存在包装残留物等提示信息；第二图像分类结果的确定过程与第一图像分类结果的确定过程类型，本实施例在此不再赘述。
本实施例在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像输入至所述第一分类模型，获得第一图像分类结果；在待检测包装膜图像从所述上/下面采集位置采集时，将所述待检测包装膜图像输入至所述第二分类模型，获得第二图像分类结果。本实施例通过不同的分类模型对待检测包装膜的各面进行缺陷检测，提高了缺陷检测效率，并且降低了后续进行模型维护的工作量。
参考图4，图4为本发明包装膜缺陷检测方法第三实施例的流程示意图。
基于上述各实施例，在本实施例中，所述步骤S20之后，所述方法还包括：
步骤S50：在所述图像分类结果为良品时，将所述待检测包装膜图像输入至图像分割模型。
可以理解的是，图像分割模型可以是经过训练数据训练的能够对特定缺陷进行识别的模型；例如特定缺陷包括墨迹、细微划痕等，图像分割模型包括全卷积网络、Deep Mask等。
步骤S60：通过所述图像分割模型检测所述待检测包装膜图像中的缺陷轮廓信息，并将所述缺陷轮廓信息输出。
在具体实施中，在图像分类结果为良品时，将待检测包装膜图像输入至图像分割模型，通过图像分割模型检测待检测包装膜图像中的缺陷轮廓信息，并将检测到的缺陷轮廓信息输出。
进一步地，为了输出缺陷轮廓信息，所述步骤S60，包括：通过所述图像分割模型检测缺陷图像在所述待检测包装膜图像中的图像位置；根据所述图像位置勾勒所述缺陷轮廓信息，并将所述缺陷轮廓信息输出。
在具体实施中，图像分割模型能够标识缺陷图像在待检测包装膜图像中具体的图像位置，并勾勒出缺陷图像的缺陷轮廓信息，为后续统计缺陷图像的像素占比奠定了基础。
进一步地，为了确定各类型缺陷的比例，所述步骤S60之后，还包括：根据所述缺陷轮廓信息的数量确定待检测包装对应的各类型缺陷的缺陷比例。
本实施例在所述图像分类结果为良品时，将所述待检测包装膜图像输入至图像分割模型；通过所述图像分割模型检测所述待检测包装膜图像中的缺陷轮廓信息，并将所述缺陷轮廓信息输出。本实施例通过图像分割模型定位并勾勒出缺陷图像在待检测包装膜图像中的缺陷轮廓信息，为统计缺陷图像的像素占比奠定了基础。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有包装膜缺陷检测程序，所述包装膜缺陷检测程序被处理器执行时实现如上文所述的包装膜缺陷检测方法的步骤。
参照图5，图5为本发明包装膜缺陷检测装置第一实施例的结构框图。
如图5所示，本发明实施例提出的包装膜缺陷检测装置包括：
确定模块10，用于确定待检测包装膜图像的图像采集位置；
第一输入模块20，用于将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果；
第二输入模块30，用于在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测；
结果确定模块40，用于获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。
本实施例确定待检测包装膜图像的图像采集位置；将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果；在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测；获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。本实施例通过分类模型对待检测包装膜图像中相对明显的缺陷进行检测，并在分类模型检测通过时，再通过目标检测模型对待检测包装膜图像中的难检缺陷进行检测，使得难检缺陷和明显缺陷都能被检测出，提高了待检测包装膜缺陷检测的准确度。
基于本发明上述包装膜缺陷检测装置第一实施例，提出本发明包装膜缺陷检测装置的第二实施例。
在本实施例中，所述第一输入模块20，还用于在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像输入至所述第一分类模型，获得第一图像分类结果；以及在待检测包装膜图像从所述上/下面采集位置采集时，将所述待检测包装膜图像输入至所述第二分类模型，获得第二图像分类结果；所述图像分类模型包括第一分类模型和第二分类模型，所述图像采集位置包括侧面采集位置和上/下面采集位置。
所述第一输入模块20，还用于在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像依次输入至各第一子分类模型；在各第一子分类模型均输出的分类结果均为良品时，确定第一图像分类结果为良品；以及在存在第一子分类模型输出的分类结果为缺陷品时，确定第一图像分类结果为缺陷品；所述第一分类模型包括N个第一子分类模型，N为待检测包装膜的包装膜缺陷类别数量，各第一子分类模型用于检测不同类型的包装膜缺陷。
所述确定模块10，还用于获取初始包装膜图像，并将所述初始包装膜图像转换为格式化包装膜图像；去除所述格式化包装膜图像中的椒盐噪声，获得待检测包装膜图像。
所述第二输入模块30，还用于在所述图像分类结果为良品时，将所述待检测包装膜图像输入至图像分割模型；通过所述图像分割模型检测所述待检测包装膜图像中的缺陷轮廓信息，并将所述缺陷轮廓信息输出。
所述第二输入模块30，还用于通过所述图像分割模型检测缺陷图像在所述待检测包装膜图像中的图像位置；根据所述图像位置勾勒所述缺陷轮廓信息，并将所述缺陷轮廓信息输出。
所述第二输入模块30，还用于根据所述缺陷轮廓信息的数量确定待检测包装对应的各类型缺陷的缺陷比例。
本发明包装膜缺陷检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种包装膜缺陷检测方法，其特征在于，所述方法包括：
确定待检测包装膜图像的图像采集位置；
将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果；
在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测；
获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。
2.如权利要求1所述的方法，其特征在于，所述图像分类模型包括第一分类模型和第二分类模型，所述图像采集位置包括侧面采集位置和上/下面采集位置；
所述将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果，包括：
在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像输入至所述第一分类模型，获得第一图像分类结果；以及
在待检测包装膜图像从所述上/下面采集位置采集时，将所述待检测包装膜图像输入至所述第二分类模型，获得第二图像分类结果。
3.如权利要求2所述的方法，其特征在于，所述第一分类模型包括N个第一子分类模型，N为待检测包装膜的包装膜缺陷类别数量，各第一子分类模型用于检测不同类型的包装膜缺陷；
所述在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像输入至所述第一分类模型，获得第一图像分类结果，包括：
在待检测包装膜图像从所述侧面采集位置采集时，将所述待检测包装膜图像依次输入至各第一子分类模型；
在各第一子分类模型均输出的分类结果均为良品时，确定第一图像分类结果为良品；以及
在存在第一子分类模型输出的分类结果为缺陷品时，确定第一图像分类结果为缺陷品。
4.如权利要求1-3任一项所述的方法，其特征在于，所述确定待检测包装膜图像的图像采集位置之前，还包括：
获取初始包装膜图像，并将所述初始包装膜图像转换为格式化包装膜图像；
去除所述格式化包装膜图像中的椒盐噪声，获得待检测包装膜图像。
5.如权利要求1-3任一项所述的方法，其特征在于，所述将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果之后，还包括：
在所述图像分类结果为良品时，将所述待检测包装膜图像输入至图像分割模型；
通过所述图像分割模型检测所述待检测包装膜图像中的缺陷轮廓信息，并将所述缺陷轮廓信息输出。
6.如权利要求5所述的方法，其特征在于，所述通过所述图像分割模型检测所述待检测包装膜图像中的缺陷轮廓信息，并将所述缺陷轮廓信息输出，包括：
通过所述图像分割模型检测缺陷图像在所述待检测包装膜图像中的图像位置；
根据所述图像位置勾勒所述缺陷轮廓信息，并将所述缺陷轮廓信息输出。
7.如权利要求6所述的方法，其特征在于，所述根据所述图像位置勾勒所述缺陷轮廓信息，并将所述缺陷轮廓信息输出之后，还包括：
根据所述缺陷轮廓信息的数量确定待检测包装对应的各类型缺陷的缺陷比例。
8.一种包装膜缺陷检测装置，其特征在于，所述装置包括：
确定模块，用于确定待检测包装膜图像的图像采集位置；
第一输入模块，用于将所述待检测包装膜图像输入至所述图像采集位置对应的图像分类模型，获得图像分类结果；
第二输入模块，用于在所述图像分类结果为良品时，将所述待检测包装膜图像输入至所述图像采集位置对应的目标检测模型进行缺陷检测；
结果确定模块，用于获取缺陷检测结果，并将所述缺陷检测结果作为待检测包装膜的检测结果。
9.一种包装膜缺陷检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的包装膜缺陷检测程序，所述包装膜缺陷检测程序配置为实现如权利要求1至7中任一项所述的包装膜缺陷检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有包装膜缺陷检测程序，所述包装膜缺陷检测程序被处理器执行时实现如权利要求1至7任一项所述的包装膜缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310316559.4A CN116342540A (zh) | 2023-03-24 | 2023-03-24 | 包装膜缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310316559.4A CN116342540A (zh) | 2023-03-24 | 2023-03-24 | 包装膜缺陷检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116342540A true CN116342540A (zh) | 2023-06-27 |
Family
ID=86882008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310316559.4A Pending CN116342540A (zh) | 2023-03-24 | 2023-03-24 | 包装膜缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342540A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993704A (zh) * | 2023-08-10 | 2023-11-03 | 苏州苏瑞膜纳米科技有限公司 | 反渗透膜缺陷检测系统、检测方法、存储介质和计算机 |
-
2023
- 2023-03-24 CN CN202310316559.4A patent/CN116342540A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993704A (zh) * | 2023-08-10 | 2023-11-03 | 苏州苏瑞膜纳米科技有限公司 | 反渗透膜缺陷检测系统、检测方法、存储介质和计算机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190213725A1 (en) | Board defect filtering method and device thereof and computer-readable recording medium | |
| CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
| CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| CN111680750B (zh) | 图像识别方法、装置和设备 | |
| WO2022148109A1 (zh) | 产品缺陷检测方法、装置、设备及计算机可读存储介质 | |
| CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
| KR100868884B1 (ko) | 유리 기판 유리 불량 정보 시스템 및 분류 방법 | |
| CN112116582A (zh) | 一种库存或陈列场景下的条烟检测识别方法 | |
| CN115880298A (zh) | 一种基于无监督预训练的玻璃表面缺陷检测方法及系统 | |
| CN114612469A (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
| CN114972258B (zh) | 基于机器视觉的电池表面缺陷检测方法、系统及相关设备 | |
| CN116342540A (zh) | 包装膜缺陷检测方法、装置、设备及存储介质 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN111476759B (zh) | 一种屏幕表面检测方法、装置、终端及存储介质 | |
| CN114140684A (zh) | 堵煤漏煤检测方法、装置、设备及存储介质 | |
| CN106846294B (zh) | 视觉检测方法、装置及设备 | |
| CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
| CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
| CN115423755A (zh) | 晶圆微加工结构缺陷检测方法及其装置、设备、介质 | |
| JPH08101915A (ja) | 不良検査方法およびその装置 | |
| CN114463284A (zh) | Pcb缺陷检测方法、装置、设备及存储介质 | |
| CN113780235A (zh) | 图标瑕疵检测方法及系统 | |
| CN113112458A (zh) | 一种基于支持向量机的金属表面缺陷检测方法 | |
| CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 |
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 |