【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種基于人工智能的瓶蓋缺陷檢測(cè)方法及系統(tǒng)，涉及工業(yè)產(chǎn)品制造檢測(cè)領(lǐng)域。
技術(shù)介紹
1、工業(yè)制造領(lǐng)域?qū)Ξa(chǎn)品的質(zhì)量合格率極為看重。在工業(yè)產(chǎn)品的生產(chǎn)過程中，每一個(gè)零件都至關(guān)重要。任何一個(gè)環(huán)節(jié)出現(xiàn)問題都可能導(dǎo)致產(chǎn)品的質(zhì)量不達(dá)標(biāo)，進(jìn)而影響產(chǎn)品的可用性。特別是在瓶蓋制造過程中，若存在缺陷如劃痕、缺肉、污漬等會(huì)直接影響產(chǎn)品質(zhì)量和銷售，甚至引發(fā)食品安全事故,導(dǎo)致不可預(yù)見的后果。傳統(tǒng)的圖像處理算法檢測(cè)速度慢，需要為每一種缺陷設(shè)計(jì)對(duì)應(yīng)的算法，操作復(fù)雜，泛化性差，并且部分缺陷依賴專業(yè)人員檢測(cè)，具有一定的主觀性。
2、基于有監(jiān)督的深度學(xué)習(xí)方法在檢測(cè)瓶蓋缺陷時(shí)，需要大量的異常缺陷樣本。然而，有監(jiān)督學(xué)習(xí)存在一些問題。其一是在實(shí)際生產(chǎn)線上，缺陷樣本數(shù)量稀少，獲取成本高。通常需要人工制作缺陷樣本，但是人工無(wú)法完全模擬真實(shí)缺陷樣本的特征，導(dǎo)致訓(xùn)練時(shí)網(wǎng)絡(luò)模型學(xué)習(xí)不充分，當(dāng)出現(xiàn)訓(xùn)練集中未學(xué)習(xí)過的圖像樣本時(shí)，模型識(shí)別準(zhǔn)確率低。其二是有監(jiān)督學(xué)習(xí)需要將所有的異常樣本在網(wǎng)絡(luò)訓(xùn)練前進(jìn)行標(biāo)注，而在瓶蓋異常檢測(cè)任務(wù)中，缺陷樣本的數(shù)量往往高達(dá)上萬(wàn)張，并且人工標(biāo)注容易出錯(cuò)，存在效率低、耗時(shí)長(zhǎng)等問題。近些年出現(xiàn)的無(wú)監(jiān)督異常檢測(cè)模型有效的規(guī)避了人工標(biāo)注的繁瑣，但是產(chǎn)線上的正常樣本分布多變，現(xiàn)有模型無(wú)法充分學(xué)習(xí)到特征分布關(guān)系，導(dǎo)致出現(xiàn)對(duì)正樣本的大批量誤檢，并且模型對(duì)小目標(biāo)缺陷檢出率堪憂，因此無(wú)監(jiān)督異常檢測(cè)模型并未應(yīng)用在瓶蓋異常檢測(cè)的工業(yè)場(chǎng)景中。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于克服現(xiàn)有技術(shù)中，缺陷樣本較少，獲取成
2、本專利技術(shù)的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：
3、一種基于人工智能的的瓶蓋檢測(cè)方法，包括以下步驟：
4、s1.拍攝生產(chǎn)工廠中瓶蓋圖像，構(gòu)建瓶蓋數(shù)據(jù)集，將數(shù)據(jù)集進(jìn)行對(duì)應(yīng)的預(yù)處理方法；
5、s2.將經(jīng)過預(yù)處理和增強(qiáng)后的正常圖像輸入到mgad網(wǎng)絡(luò)模型中，得到學(xué)習(xí)后的正樣本特征分布；所述mgad模型包括：使用層次化特征提取器抽取預(yù)訓(xùn)練網(wǎng)絡(luò)efficientnetv1第3、4、5模塊卷積末層特征輸入至分布學(xué)習(xí)階段；在混合高斯判別模塊中融合高斯混合模型(gmm)策略進(jìn)行逐像素概率密度估計(jì)，設(shè)計(jì)權(quán)重分配機(jī)制賦予不同類別特征分布的同比例抽取概率，充分考慮各種正常樣本的形態(tài)樣貌；引入基于穩(wěn)健協(xié)方差行列式（mcd）方法計(jì)算保存正樣本的高斯分布，在推理計(jì)算通過最小穩(wěn)健馬氏距離計(jì)算方法實(shí)現(xiàn)瓶蓋異常檢測(cè)；
6、s3.將待檢測(cè)圖像輸入至所述瓶蓋異常檢測(cè)模型mgad，得到相關(guān)圖像的異常分割圖。
7、進(jìn)一步的，所述在所述s1步驟中，將數(shù)據(jù)集進(jìn)行對(duì)應(yīng)的預(yù)處理方法，所述圖像預(yù)處理方法包括：
8、對(duì)圖像按照瓶蓋logo區(qū)域進(jìn)行瓶蓋位姿矯正；將矯正后的瓶蓋圖像通過模板匹配進(jìn)行瓶蓋區(qū)域裁剪。
9、進(jìn)一步的，所述對(duì)圖像按照瓶蓋logo區(qū)域進(jìn)行瓶蓋位姿矯正具體步驟為：
10、在所述瓶蓋數(shù)據(jù)集中隨機(jī)選擇一張圖像，對(duì)瓶蓋的logo區(qū)域進(jìn)行框選，以獲取瓶蓋的形狀特征；在選定了logo區(qū)域后，利用模板匹配算法，將logo區(qū)域與整個(gè)待處理圖像進(jìn)行匹配，以尋找與模板最相似的區(qū)域；模板匹配過程中，使用算法為：
11、
12、其中，和?分別為模板區(qū)域和圖像區(qū)域的像素值；使用旋轉(zhuǎn)矩陣和平移向量的組合來描述剛性變換對(duì)瓶蓋圖像進(jìn)行位姿矯正；首先計(jì)算形狀模型和圖像重心之間的差值，確定平移向量：
13、
14、其中，和分別代表形狀模型的重心位置，和表示圖像的重心位置；通過計(jì)算形狀模型的角度與圖像角度之間的差值，得到旋轉(zhuǎn)矩陣：
15、
16、其中，為形狀模型與圖像之間的角度差；
17、最后，通過將平移向量和旋轉(zhuǎn)矩陣結(jié)合起來，得到完整相對(duì)于圖像的剛性變換參數(shù)：
18、
19、通過這一過程，實(shí)現(xiàn)了對(duì)圖像的精確旋轉(zhuǎn)，使得圖像在保持形狀和內(nèi)容不變的前提下，根據(jù)形狀模型的位置和角度信息進(jìn)行了準(zhǔn)確的調(diào)整和定位。
20、這樣，按照上述操作對(duì)每一張圖像完成旋轉(zhuǎn)平移變換，實(shí)現(xiàn)瓶蓋logo對(duì)齊。
21、進(jìn)一步的，將矯正后的瓶蓋圖像通過模板匹配進(jìn)行瓶蓋區(qū)域裁剪具體為：基于歸一化互相關(guān)（ncc）的模板匹配原理，首先從瓶蓋數(shù)據(jù)集中選擇一張模板圖像，在圖像中沿著瓶蓋外側(cè)和內(nèi)側(cè)各框選兩個(gè)圓形輪廓，扣選中間交界處地圓環(huán)輪廓，作為匹配模板，提取模板圖像的局部特征和計(jì)算每個(gè)特征點(diǎn)的像素值，創(chuàng)建ncc模型；在模板匹配過程中，將矯正后的瓶蓋圖像與創(chuàng)建的ncc模型進(jìn)行匹配；具體而言，對(duì)矯正后的圖像執(zhí)行ncc匹配操作，在每個(gè)位置處計(jì)算圖像與模板之間的相似度。這個(gè)相似度是通過比較模板圖像和待匹配圖像在每個(gè)位置處的像素值之間的相關(guān)性來衡量的；ncc算法將模板圖像和待匹配圖像對(duì)齊，并在不同位置進(jìn)行比較，然后找到使得相關(guān)性達(dá)到最大的位置作為最佳匹配位置；于給定的模板圖像和待匹配圖像，ncc匹配操作計(jì)算公式為：
22、
23、其中，表示模板圖像的像素值，?表示待匹配圖像在位置?處的像素值，和分別表示模板圖像和待匹配圖像的平均像素值，的值越大表示兩個(gè)圖像越相似；
24、通過執(zhí)行基于ncc的模板匹配，可以準(zhǔn)確地在矯正后的瓶蓋圖像中找到與模板最相似的位置，從而實(shí)現(xiàn)了對(duì)瓶蓋區(qū)域的精確定位；最終，根據(jù)匹配結(jié)果，可以裁剪出瓶蓋區(qū)域，完成對(duì)瓶蓋圖像的區(qū)域提取操作。
25、進(jìn)一步的，將經(jīng)過預(yù)處理和增強(qiáng)后的正常圖像輸入到mgad網(wǎng)絡(luò)模型中，得到學(xué)習(xí)后的正樣本特征分布并計(jì)算異常得分，具體包括：
26、將所述經(jīng)過預(yù)處理的圖像輸入層次化特征提取器，選擇三幅中層卷積特征圖、、組合輸入層次特征串聯(lián)模塊(hierarchy?feature?concatenation,)成為嵌入向量：
27、
28、其中，為層次特征串聯(lián)模塊，通過滑動(dòng)窗口操作預(yù)處理特征圖，確保維度一致；操作算法為：
29、
30、所述操作對(duì)特征圖進(jìn)行重采樣和區(qū)域提取，實(shí)現(xiàn)尺度和維度一致化；處理后的特征圖通過串聯(lián)操作形成嵌入向量，算法為：
31、
32、其中，每個(gè)為調(diào)整大小和歸一化后的特征圖，串聯(lián)操作通過堆疊這些特征圖生成綜合特征表示；通過預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到的特征圖集合組成了輸入圖像從局部細(xì)節(jié)結(jié)構(gòu)信息到全局語(yǔ)義結(jié)構(gòu)的多層級(jí)特征表達(dá)。
33、進(jìn)一步的，在混合高斯判別模塊（mgd）中融合高斯混合模型(gmm)策略進(jìn)行逐像素概率密度估計(jì)，對(duì)圖像特定位置(i,j)的第c通道中從n張訓(xùn)練圖像提取的特征集進(jìn)行分析，并假設(shè)其遵循由若干單高斯分布組成的混合分布；
34、設(shè)有組分布，表示當(dāng)前特征的不同分布情況；其中，表示第m個(gè)分布，其概率分布由以下式子給出：
35、
36、其中，表示第m個(gè)高斯分布被選中的概率，表示第m個(gè)高斯分布的概率密度函數(shù)，和分別是該分布的均值本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，所述在所述S1步驟中，將數(shù)據(jù)集進(jìn)行對(duì)應(yīng)的預(yù)處理，所述圖像預(yù)處理為：對(duì)圖像按照瓶蓋LOGO區(qū)域進(jìn)行瓶蓋位姿矯正，將矯正后的瓶蓋圖像通過模板匹配進(jìn)行瓶蓋區(qū)域的裁剪。
3.根據(jù)權(quán)利要求2所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，所述對(duì)圖像按照瓶蓋LOGO區(qū)域進(jìn)行瓶蓋位姿矯正具體步驟為：
4.根據(jù)權(quán)利要求3所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，將矯正后的所述的瓶蓋圖像通過模板匹配進(jìn)行瓶蓋區(qū)域裁剪具體為：在瓶蓋數(shù)據(jù)集中選擇一張模板圖像，提取局部特征和每個(gè)特征點(diǎn)的像素值；創(chuàng)建NCC模型，將矯正后的圖像執(zhí)行NCC匹配操作，計(jì)算圖像與模板的相似度，其中，為模板圖像、為待匹配圖像，NCC匹配操作計(jì)算公式為：
5.根據(jù)權(quán)利要求1所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，在所述步驟S2中，將經(jīng)過預(yù)處理和增強(qiáng)后的正常圖像輸入到MGAD網(wǎng)絡(luò)模型中，得到學(xué)習(xí)后的正樣本特征分布并計(jì)算異
6.根據(jù)權(quán)利要求5所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，在所述步驟S2中，在所述混合高斯判別模塊MGD中融合高斯混合模型GMM策略進(jìn)行逐像素概率密度估計(jì)，對(duì)圖像特定位置(i,j)的第c通道中從N張訓(xùn)練圖像提取的特征集進(jìn)行分析，并假設(shè)其遵循由若干單高斯分布組成的混合分布；
7.根據(jù)權(quán)利要求6所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，在所述步驟S2中，在核心集選擇階段，通過MGD篩選后的特征集被用于MCD方法；需要找到一個(gè)子集，由中的一個(gè)比例的樣本組成，使得其協(xié)方差行列式最小：
8.根據(jù)權(quán)利要求7所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，在計(jì)算協(xié)方差矩陣時(shí)，使用一個(gè)正則化項(xiàng)I和正則化參數(shù)確保其是滿秩且可逆的；
9.一種基于人工智能的瓶蓋缺陷檢測(cè)系統(tǒng)，其特征在于，該系統(tǒng)用于執(zhí)行根據(jù)權(quán)利要求1-8中任一項(xiàng)所述的方法。
10.一種可讀取存儲(chǔ)介質(zhì)，存儲(chǔ)有指令，其特征在于，所述指令在由機(jī)器的一個(gè)或多個(gè)處理器執(zhí)行時(shí)使得所述處理器執(zhí)行根據(jù)權(quán)利要求1-8中任一項(xiàng)所述的方法。
...【技術(shù)特征摘要】
1.一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，所述在所述s1步驟中，將數(shù)據(jù)集進(jìn)行對(duì)應(yīng)的預(yù)處理，所述圖像預(yù)處理為：對(duì)圖像按照瓶蓋logo區(qū)域進(jìn)行瓶蓋位姿矯正，將矯正后的瓶蓋圖像通過模板匹配進(jìn)行瓶蓋區(qū)域的裁剪。
3.根據(jù)權(quán)利要求2所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，所述對(duì)圖像按照瓶蓋logo區(qū)域進(jìn)行瓶蓋位姿矯正具體步驟為：
4.根據(jù)權(quán)利要求3所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，將矯正后的所述的瓶蓋圖像通過模板匹配進(jìn)行瓶蓋區(qū)域裁剪具體為：在瓶蓋數(shù)據(jù)集中選擇一張模板圖像，提取局部特征和每個(gè)特征點(diǎn)的像素值；創(chuàng)建ncc模型，將矯正后的圖像執(zhí)行ncc匹配操作，計(jì)算圖像與模板的相似度，其中，為模板圖像、為待匹配圖像，ncc匹配操作計(jì)算公式為：
5.根據(jù)權(quán)利要求1所述的一種基于人工智能的瓶蓋缺陷檢測(cè)方法，其特征在于，在所述步驟s2中，將經(jīng)過預(yù)處理和增強(qiáng)后的正常圖像輸入到mgad網(wǎng)絡(luò)模型中，得到學(xué)習(xí)后的正樣本特征分布并計(jì)算...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：魏華中，張金帥，
申請(qǐng)(專利權(quán))人：北京壹碼科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。