一种利用AI视觉检测玻璃容器的方法及系统与流程

本发明涉及玻璃容器检测，特别是一种利用ai视觉检测玻璃容器的方法及系统。

背景技术：

1、随着玻璃容器生产工艺的不断发展，我国日用玻璃行业生产技术越发成熟，与国际先进技术的差距不断缩小。但是随着生产工艺的不断发展，现在客户对于玻璃容器的检测要求越来越高。

2、但是玻璃的质量检测仍然处于传统的人工灯检上，该检测方法存在效率低、成本高等诸多缺点，严重影响规模化生产需求。近年来，随着人工智能、机械学习等相关理论的迅猛发展，基于机器视觉的无损检测技术日趋用于各类工业产品的检测中，逐步代替人工检测的过程，扩大了社会生产力，创造了良好的社会效益。当前国内许多检测设备厂商对玻璃进行了缺陷检测算法的研发，但该缺陷检测方法存在精度不够，漏检率或过检率过高的问题。

技术实现思路

1、针对上述缺陷，本发明的目的在于提出一种利用ai视觉检测玻璃容器的方法及系统，以提高玻璃容器在检测时的精度以及速度。

2、为达此目的，本发明采用以下技术方案：一种利用ai视觉检测玻璃容器的方法，包括以下步骤：

3、步骤s1：采集玻璃容器带有缺陷的图片，作为训练模型所使用的图片；

4、步骤s2：对图片进行预处理和归一化处理，生成数据集文件；

5、步骤s3：设置模型参数，创建训练模型；

6、步骤s4：将数据集文件按比例划分出训练集与测试集，将训练集输入值训练模型中对模型进行训练，使用测试集对训练后模型的准确度进行检测；

7、步骤s5：获取准确率高于阈值的训练模型，作为检测模型，通过检测模型对待检测的玻璃容器的图片进行缺陷检测；

8、其中步骤s5的具体步骤如下：

9、获取待检测的玻璃容器的瓶身照片，作为待检测照片；

10、将待检测照片划分为s*s个网格，设置边界框的个数为x；

11、每一个网格使用x个边界框进行置信度预测，其中预测过程调用所述检测模型；

12、根据置信度预测得到玻璃容器中缺陷的位置与类别。

13、优选的，所述步骤s2中预处理的方式为：调整图片的大小、对图片去噪以及图片清洗；

14、归一化的方式为：

15、

16、其中x′为表示归一化后的数据，x为原始数据。

17、优选的，步骤s3中设置模型的参数包括周期、图片大小以及类别数。

18、优选的，所述步骤s4中对于训练模型的训练优化方法如下：

19、步骤a1：在训练集中按照批次将训练数据送入模型进行训练，将选择的样本输入到模型中进行前向传播计算，得到该样本的预测结果；

20、步骤a2：将样本的预测结果以及真实标签进行比较，获取本次样本的损失函数值；

21、步骤a3：通过损失函数值计算训练模型参数的梯度，根据梯度计算训练模型参数的更新值；

22、通过更新值对训练模型的参数进行更新；

23、步骤a4：使用验证集样本输入训练模型中，获取该次样本的模型性能评分，若模型性能评分大于阈值，则输出训练模型作为检测模块，若模型性能评分小于阈值，则表示方向不正确，停止训练，并做出网络结构或参数调整；

24、其中损失函数值计算公示如下：

25、l＝λ*l1+(1-λ)*l2；

26、

27、其中l为损失函数值，l1为类别损失函数值，l2为位置损失函数值，λ为比例系数，pij表示第i个样本属于第j类的概率,yij为一个向量，具体如下:

28、f(xi)为第i个样本预测位置，yi为样本的实际位置，n为处理的样本总数，c为类别的总数；

29、模型性能评分的计算公示如下：

30、

31、其中q为缺陷类别的集合，q表示第q类缺陷，avep(q)表示第q类缺陷的平均准确率，tpi表示在第i次训练中，预测为正样本，实际为也正样本的样本个数，fpi表示在第i次训练中，预测为正样本，实际为负样本的样本个数。

32、优选的，步骤s4中使用测试集对训练后模型的准确度进行检测的步骤如下：

33、将验证集的图片输入至训练中的训练模型，获取样本的预测结果与实际结果，根据预测结果与实际结果获取训练模型的准确率和召回率；

34、在训练过程中或完成训练后，若准确率和召回率均满足预期，则保留本次训练的训练模型，若小于，则重复步骤s3～s4；

35、其中训练模型的准确率的获取公式如下：

36、

37、召回率的获取公示如下：

38、

39、其中tp为预测为正样本，实际为正样本的样本个数，fp为预测为正样本，实际为负样本的样本个数；tn为预测为负样本，实际为负样本的样本个数；

40、fn为预测为负样本，实际为正样本的样本个数。

41、优选的，所述步骤s5中置信度的获取公式如下：

42、confidence＝pr(object)*iou；

43、其中

44、iou表示边界框与网格的交集与并集的比值。

45、一种利用ai视觉检测玻璃容器的系统，使用所述一种利用ai视觉检测玻璃容器的方法，包括：采集模块、处理模块、设置模块、训练模块以及运用模块；

46、所述采集模块用于采集玻璃容器带有缺陷的图片，作为训练模型所使用的图片；

47、所述处理模块用于对图片进行预处理和归一化处理，生成数据集文件；

48、所述设置模块用于设置模型参数，创建训练模型；

49、所述训练模块用于将数据集文件按比例划分出训练集、验证集与测试集，将训练集输入值训练模型中对模型进行训练，使用测试集对训练后的模型进行测试，人为观察测试效果是否符合预期，并统计数据，反应检测效果，使用验证集在训练过程中把控训练方向；

50、所述运用模块用于获取准确率、精确度、召回率满足预期，并在测试集测试中表现良好的模型作为检测模型，通过检测模型对待检测的玻璃容器的图片进行缺陷检测。

51、优选的，所述处理模块包括预处理模块与归一化模块；

52、所述预处理模块用于调整图片的大小、对图片去噪以及图片清洗；

53、所述归一化模块为对预处理后的图片进行归一化。

54、优选的，所述训练模块包括选择模块、损失值获取模块、更新模块以及评分模块；

55、所述选择模块用于在训练集中按照批次将训练数据送入模型进行训练，将选择的样本输入到模型中进行前向传播计算，得到该样本的预测结果；

56、所述损失值获取模块用于将样本的预测结果以及真实标签进行比较，获取本次样本的损失函数值；

57、所述更新模块用于通过损失函数值计算训练模型参数的梯度，根据梯度计算训练模型参数的更新值；

58、所述评分模块用于使用验证集样本输入训练模型中，获取该次样本的模型性能评分，若模型性能评分大于阈值，则输出训练模型作为检测模块，若模型性能评分小于阈值，则表示方向不正确，停止训练，并做出网络结构或参数调整。

59、上述技术方案中的一个技术方案具有如下优点或有益效果：在本发明中，首先会对玻璃容器的照片分割为多个待检测的网格，并在每个网格中使用多个边界框进行置信度预测，可以更精确地定位缺陷的位置。每个边界框可以捕捉到缺陷的不同位置和大小，从而提供更详细和准确的缺陷信息，增加检测的精度。