一种酒类包装智能分类识别方法与流程

1.本发明涉及包装分类技术领域，具体涉及一种酒类包装智能分类识别方法。


背景技术：

2.在瓶装产品包装过程中，即压盖、贴标、喷码、压提环和装箱过程中，比如酒类生产时，需要对酒类包装进行识别来进行分类挑拣。
3.比如，现有的酒类包装分类挑拣方法均为通过人眼观测手动挑拣，由于酒类包装色彩样式众多，每天的分类量也达到十万瓶左右，故人工目视分类效率低且误判率高，想保持稳定而准确的分类效果十分困难。加之近年来劳动力成本上升，所以采用机器视觉自动化分类取代传统分类方法显得非常必要。


技术实现要素：

4.本发明的目的在于提供一种酒类包装智能分类识别方法，解决以下技术问题：
5.如何提升酒类包装分类的效率和准确度，并降低成本。
6.本发明的目的可以通过以下技术方案实现：
7.一种酒类包装智能分类识别方法，包括以下步骤：
8.针对待测包装采集对应的分类图片；
9.按照预设重组规则对所述分类图片进行处理得到对应的重组图片；
10.将所述重组图片发送机器视觉模块，所述机器视觉模块输出对应的分类结果；其中，所述机器视觉模块为训练完成的深度学习模型。
11.作为本发明进一步的方案：所述预设重组规则包括：
12.将所述分类图片按照预设分合规则进行分割后得到p块分图；
13.将p块所述分图按照所述预设分合规则进行合并得到重组图片；
14.其中，p》2。
15.作为本发明进一步的方案：所述预设分合规则包括：
16.将分割标签添加至所述分类图片的预设位置；
17.按照所述分合标签对应的分割方法对所述分类图片进行分割，得到p块所述分图；
18.按照所述分合标签对应的合并方法对p块所述分图进行合并，得到所述重组图片。
19.作为本发明进一步的方案：所述机器视觉模块接收所述重组图片后，根据所述分合标签选择对应的识别模块对所述重组图片进行分类。
20.作为本发明进一步的方案：所述预设重组规则包括：
21.将所述分类图片按照预设分合规则进行分割后得m块分图；其中，m＝p*n，n为按照预设分合规则进行分割的次数，n》2；
22.将m块所述分图按照所述预设分合规则进行合并得到n个所述重组图片。
23.作为本发明进一步的方案：所述机器视觉模块取n个所述重组图片对应的n个分类结果中出现概率最高的分类结果作为最终分类结果。
24.作为本发明进一步的方案：针对一个所述待测包装，若n个分类结果中出现概率最高为50％，则在预置时间范围内继续针对所述待测包装获取c张重组图片；c为正奇数。
25.本发明的有益效果：
26.本发明通过对待测包装进行分类图片的采集，处理得到的重组图片发送机器视觉模块进行分类，能够大幅度的提升酒类包装的分类效率和准确度，从而大幅度的减少成本。而且，能够通过在对分类图片进行分割合并后得到的重组图片进行相应的识别模块的切换，来进一步的提升识别精准度。
附图说明
27.下面结合附图对本发明作进一步的说明。
28.图1是本发明的分类方法流程示意图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
30.请参阅图1所示，本发明为一种酒类包装智能分类识别方法，包括以下步骤：
31.针对待测包装采集对应的分类图片；
32.按照预设重组规则对分类图片进行处理得到对应的重组图片；
33.将重组图片发送机器视觉模块，机器视觉模块输出对应的分类结果；其中，机器视觉模块为训练完成的深度学习模型。
34.本发明通过对待测包装进行分类图片的采集，处理得到的重组图片发送机器视觉模块进行分类，能够大幅度的提升酒类包装的分类效率和准确度，从而大幅度的减少成本。
35.作为本发明进一步的方案：预设重组规则包括：
36.将分类图片按照预设分合规则进行分割后得到p块分图；
37.将p块分图按照预设分合规则进行合并得到重组图片；
38.其中，p》2。
39.对分类图片进行分割得到的分图经过合并，得到的重组图片为像素点数量不变但是像素点排列情况发生改变的图片，由此能够将分类图片中色域相近的像素点进行分割，从而减少相邻像素点在色域排列上的连续性，比如在分割线和合并线处会发生色域的突变，从而能够更加凸显差异性，有利于提升机器视觉模块的分类准确度。
40.作为本发明进一步的方案：预设分合规则包括：
41.将分割标签添加至分类图片的预设位置；
42.按照分合标签对应的分割方法对分类图片进行分割，得到p块分图；
43.按照分合标签对应的合并方法对p块分图进行合并，得到重组图片。
44.因为针对同一个分类图片，分割方法和合并方法的不同会产生不同的重组图片，为对重组图片进行区分，提升后续机器视觉模块识别的精准度，可以在进行相应的分割方法前，可将对应的分割标签添加至分类图片的预设位置，机器视觉模块接收重组图片后，根
据分合标签选择对应的识别模块对重组图片进行分类。
45.比如，可针对像素点为800*800的分类图片进行处理，采用4等分的分割方法，其对应得分割标签为a4，可将该分割标签设置在分类图片的左上角，得到4个400*400的分图，之后便可采用对应的合并方法，如将该4个400*400的分图按照顺时针旋转90度的方式进行排列后合并，得到重组图片，机器视觉模块识别时可得到分割标签位置发生变动以及如何变动的信息，继而调动相应的训练完成的模块进行识别，提升识别精准度。
46.因此，机器视觉模块在训练时，同样会采用带有相应分类标签的经过分割合并重组或不经过分割合并重组的样本图片进行训练，不经过分割合并重组的样本图片可训练得到一个分类模型，经过分割合并重组的样本图片根据其分合规则进行区分，方便在后续分类识别使用时进行调动。
47.作为本发明进一步的方案：预设重组规则包括：
48.将分类图片按照预设分合规则进行分割后得m块分图；其中，m＝p*n，n为按照预设分合规则进行分割的次数，n》2；
49.将m块分图按照预设分合规则进行合并得到n个重组图片。
50.作为本发明进一步的方案：机器视觉模块取n个重组图片对应的n个分类结果中出现概率最高的分类结果作为最终分类结果。
51.作为本发明进一步的方案：针对一个待测包装，若n个分类结果中出现概率最高为50％，则在预置时间范围内继续针对待测包装获取c张重组图片；c为正奇数。
52.本发明的工作原理：本发明通过对待测包装进行分类图片的采集，处理得到的重组图片发送机器视觉模块进行分类，能够大幅度的提升酒类包装的分类效率和准确度，从而大幅度的减少成本。而且，能够通过在对分类图片进行分割合并后得到的重组图片进行相应的识别模块的切换，来进一步的提升识别精准度。
53.在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”等指示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、以及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，“第一”、“第二”仅由于描述目的，且不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
54.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”等应做广义理解，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连接，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。
55.以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。