一种基于机器视觉的包装瓶盖缺陷检测方法与流程

1.本发明涉及瓶盖检测技术领域，具体涉及一种基于机器视觉的包装瓶盖缺陷检测方法。


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，由于机械故障、包装用品缺陷等问题，常会产生瓶装产品外包装缺陷的问题。
3.比如，现有的瓶装产品的瓶盖缺陷检测方法均为通过人眼在灯光下检测，由于同一瓶油所需检测项目多达十多项，每天的检测量也达到十万瓶左右，故人工目视检测效率低且误判率高，想保持稳定而准确的检测效果十分困难。加之近年来劳动力成本上升，所以采用机器视觉自动化检测取代传统检测方法显得非常必要。


技术实现要素：

4.本发明的目的在于提供一种基于机器视觉的包装瓶盖缺陷检测方法，解决以下技术问题：
5.如何提升瓶盖缺陷检测的效率和准确度，并降低成本。
6.本发明的目的可以通过以下技术方案实现：
7.一种基于机器视觉的包装瓶盖缺陷检测方法，包括以下步骤：
8.针对待测包装瓶盖采集对应的检测图片；
9.由机器视觉模块接收所述检测图片后按照预设的特征提取规则进行处理；
10.根据获取的与所述检测图片对应的特征向量，输出是否存在缺陷的判断；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：所述针对待测包装瓶盖采集对应的检测图片的方法包括：
12.在预设时间内获取与所述待测包装瓶盖对应的n次快照；
13.将n个所述快照同步发送所述机器视觉模块；其中，n》2。
14.作为本发明进一步的方案：所述机器视觉模块取n个所述快照对应的n个判断结果中出现概率最高的判断结果作为最终结果。
15.作为本发明进一步的方案：针对一个所述待测包装瓶盖，若判断存在缺陷的概率等于判断不存在缺陷的概率，则在预置时间范围内继续针对所述待测包装瓶盖获取m张特殊照片；
16.获取所述特殊照片的光照条件与所述快照不同，m为正奇数。
17.作为本发明进一步的方案：所述光照条件包括光照波长为300nm-700nm的随机光照。
18.作为本发明进一步的方案：所述机器视觉模块的通过以下步骤得到：
19.获取第i个瓶盖样本在第j种波长光照射下的照射样本图像p
i,j
；
20.针对每个照射样本图像p
i,j
，根据所述特征提取规则获取所述照射样本图像p
i,j
的特征样本；其中，所述特征样本包含所述瓶盖样本的是否存在缺陷的数字标签；
21.基于照射样本图像集合对深度学习模型进行训练，得到所述机器视觉模块；所述照射样本图像集合包括每个照射样本图像p
i,j
所对应的特征样本。
22.作为本发明进一步的方案：所述特征提取规则包括：
23.针对每个检测图片或照射样本图像p
i,j
，获取所述检测图片或所述照射样本图像p
i,j
的三原色分量r
i,j
、g
i,j
、b
i,j
；
24.所述特征向量或所述特征样本的向量值f
i,j
的计算公式如下：
25.f
i,j
＝(r
i,j
/g
i,j
，g
i,j
/b
i,j
，b
i,j
/r
i,j
)。
26.本发明的有益效果：
27.本发明针对待测包装瓶盖，将采集到的检测图片按照预设的特征提取规则提取对应的特征向量，由训练好的机器视觉模块对该特征向量进行运算，得到待测包装瓶盖是否存在缺陷的判断，从而能够减少人工的参与，降低成本，大幅提升瓶盖缺陷检测的效率和准确度。
附图说明
28.下面结合附图对本发明作进一步的说明。
29.图1是本发明的包装瓶盖缺陷检测方法流程示意图。
具体实施方式
30.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。
31.请参阅图1所示，本发明为一种基于机器视觉的包装瓶盖缺陷检测方法，包括以下步骤：
32.针对待测包装瓶盖采集对应的检测图片；
33.由机器视觉模块接收检测图片后按照预设的特征提取规则进行处理；
34.根据获取的与检测图片对应的特征向量，输出是否存在缺陷的判断；其中，机器视觉模块为训练完成的深度学习模型。
35.本发明针对待测包装瓶盖，将采集到的检测图片按照预设的特征提取规则提取对应的特征向量，由训练好的机器视觉模块对该特征向量进行运算，得到待测包装瓶盖是否存在缺陷的判断，从而能够减少人工的参与，降低成本，大幅提升瓶盖缺陷检测的效率和准确度。
36.作为本发明进一步的方案：针对待测包装瓶盖采集对应的检测图片的方法包括：
37.在预设时间内获取与待测包装瓶盖对应的n次快照；
38.将n个快照同步发送机器视觉模块；其中，n》2。
39.在本发明的本实施例中，预设时间可以为0.09秒，n可以为4，代表在0.09秒内对待测包装瓶盖进行4次快照采集，该快照即为检测图片。之后便可对每个快照进行对应特征向
量的获取，从而可以得到4个判断结果。
40.机器视觉模块取n个快照对应的n个判断结果中出现概率最高的判断结果作为最终结果。在上述案例中，假如3个判断无缺陷，1个判断有缺陷，则可以认为该待测包装瓶盖无缺陷。
41.作为本发明进一步的方案：针对一个待测包装瓶盖，若判断存在缺陷的概率等于判断不存在缺陷的概率，则在预置时间范围内继续针对待测包装瓶盖获取m张特殊照片；
42.获取特殊照片的光照条件与快照不同，m为正奇数。
43.也就是说，假如2个判断无缺陷，2个判断有缺陷，此时无法判断待测包装瓶盖是否存在缺陷，此时可以继续对该待测包装瓶盖进行m次拍摄，来获取m张特殊照片。在本发明的本实施例中，m可为3，则可以继续对这3张特殊图片进行特征向量的获取，从而得到3个判断结果，不会出现概率相等的情况，进而能够获得最终的判断结果。
44.作为本发明进一步的方案：光照条件包括光照波长为300nm-700nm的随机光照。如此设置，是因为在检测图片、快照、或者特殊图片进行获取时的光照条件的不同也会导致判断结果出现变化，因此通过对光照波长的随机选用，则可以尽可能的保证最终判断结果的准确度。
45.作为本发明进一步的方案：机器视觉模块的通过以下步骤得到：
46.获取第i个瓶盖样本在第j种波长光照射下的照射样本图像p
i,j
；
47.针对每个照射样本图像p
i,j
，根据特征提取规则获取照射样本图像p
i,j
的特征样本；其中，特征样本包含瓶盖样本的是否存在缺陷的数字标签；
48.基于照射样本图像集合对深度学习模型进行训练，得到机器视觉模块；照射样本图像集合包括每个照射样本图像p
i,j
所对应的特征样本。
49.作为本发明进一步的方案：特征提取规则包括：
50.针对每个检测图片或照射样本图像p
i,j
，获取检测图片或照射样本图像p
i,j
的三原色分量r
i,j
、g
i,j
、b
i,j
；
51.特征向量或特征样本的向量值f
i,j
的计算公式如下：
52.f
i,j
＝(r
i,j
/g
i,j
，g
i,j
/b
i,j
，b
i,j
/r
i,j
)。
53.本发明的工作原理：本发明针对待测包装瓶盖，将采集到的检测图片按照预设的特征提取规则提取对应的特征向量，由训练好的机器视觉模块对该特征向量进行运算，得到待测包装瓶盖是否存在缺陷的判断，从而能够减少人工的参与，降低成本，大幅提升瓶盖缺陷检测的效率和准确度。
54.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。
55.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。
56.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。