技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种通过AI检测玻璃瓶螺纹的方法、系统、电子设备及存储介质与流程  >  正文

一种通过AI检测玻璃瓶螺纹的方法、系统、电子设备及存储介质与流程

  • 国知局
  • 2024-11-06 15:03:10

本发明涉及图像识别,特别是一种通过ai检测玻璃瓶螺纹的方法、系统、电子设备及存储介质。

背景技术:

1、玻璃容器在生产流程中,历经多道工序,每一环节都可能因温度控制、原料纯净度、模具精度等多种因素,在瓶口螺纹部位造成诸如螺纹缺失、微小气泡嵌入、结石残留以及偶发的炸裂裂纹等质量缺陷。这些缺陷不仅影响容器的密封性能与美观度,还可能对后续灌装产品的安全与质量构成潜在威胁。

2、传统上,制造商倾向于采用通用的瓶身检测算法来识别包括瓶口螺纹在内的各种缺陷。然而,这一做检测方法存在有如下问题:瓶口螺纹区域的结构复杂多变,其独特的螺旋形态导致光线反射与折射现象异常复杂,极易产生阴影、反光等成像难题。导致普通的瓶身检测方法难易对玻璃瓶的螺纹进行检测,因此一款能够识别瓶口螺纹的检测方法亟待出现。

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通过ai检测玻璃瓶螺纹的方法、系统、电子设备及存储介质,提高螺纹缺陷的识别成功率以及效率,确保玻璃瓶的质量。

2、为达此目的,本发明采用以下技术方案:一种通过ai检测玻璃瓶螺纹的方法,包括如下步骤:

3、获取目标玻璃瓶的待测瓶口螺纹的检测图像;

4、基于训练好的识别模型对检测图像进行结果检测,获取瓶口螺纹的识别结果;

5、其中所述识别模型是基于非正常的瓶口螺纹样本图片进行训练得到。

6、优选的,所述识别模型包括依次连接输入层、基准网络提取特征层、neck加工特征层以及输出端预测层。

7、优选的,所述接输入层用于将检测图像缩放到192*640的大小,并设置有3个不同倍数的锚框;

8、其中在8倍下采样锚框的设置为:[5,13;16,30;33,23];

9、其中在16倍下采样锚框的设置为:[30,61;48,45;59,119];

10、其中在32倍下采样锚框的设置为:[70,150;90,250;170,355]。

11、优选的,基准网络提取特征层由11层组成,至少包括的foucs模块、conv卷积网络、c3模块以及sppf模块;

12、构成所述基准网络提取特征层的11个层依次为:

13、1,foucs模块;

14、1,conv卷积网络;

15、1,conv卷积网络;

16、3,c3模块;

17、1,conv卷积网络;

18、6,c3模块;

19、1,conv卷积网络;

20、9,c3模块;

21、1,conv卷积网络;

22、3,c3模块;

23、1,sppf模块。

24、优选的,使用识别模型前,还需要对识别模型进行训练,其中训练的步骤如下:

25、获取样本图片,对样本图片进行预处理,其中预处理包括缺陷的标注以及尺寸调整;

26、对预处理后的样本图片进行归一化操作,得到归一化后的数据;

27、将归一化数据进行划分,得到训练集数据、验证集数据以及测试集数据;

28、将训练集所有数据按照批次大小分组,依次送入识别模型中,进行前向传播计算,当所有数据计算完一次后为一个周期完成;

29、一个周期训练完毕后,使用验证集数据,将当前模型的预测结果与真实标注的标签做比较,获取该周期的判断参数,其中判断参数包括准确率、精确度、平均精确度的平均值、召回率以及损失函数,判断所述判断参数是否均满足阈值,若均满足阈值,则进行下一周期的训练,若非均满足阈值,则调整模型参数;

30、当周期数量达到次数阈值后,将测试集中的数据投入到模型中进行推理,得到缺陷在图像中的位置和置信度,当置信度大于置信度阈值时,识别模型完成训练,若置信度小于置信度阈值,则重新训练识别模型。

31、优选的,所述归一化操作的方式具体操作如下:

32、

33、其中x为样本图片原始数据;

34、准确率的获取公式如下:

35、

36、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,fn为预测为负样本,实际为正样本的样本个数;

37、精确度的获取公式如下:

38、

39、召回率的获取公式如下:

40、

41、平均精确度的平均值的获取公式如下:

42、

43、其中q为缺陷类别的集合,q表示第q类缺陷,ap(q)表示第q类缺陷的平均精确度;

44、损失函数的获取公式如下:

45、l=λ*l1+(1-λ)*l2;

46、

47、其中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,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;

48、置信度计算公式如下:

49、confidence=pro(object)*iou;

50、其中iou表示真实框与预测框面积的交集与并集比值。

51、一种通过ai检测玻璃瓶螺纹的系统,使用所述一种通过ai检测玻璃瓶螺纹的方法,包括输入模块以及识别模块;

52、所述输入模块用于获取目标玻璃瓶的待测瓶口螺纹的检测图像;

53、所述识别模块用于基于训练好的识别模型对检测图像进行结果检测,获取瓶口螺纹的识别结果。

54、一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如所述的一种通过ai检测玻璃瓶螺纹的方法。

55、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如所述的一种通过ai检测玻璃瓶螺纹的方法。

56、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:在发明中,设置识别模型,通过对非正常的瓶口螺纹样本图片对识别模型进行训练,由于识别模型是专门基于非正常的瓶口螺纹样本图片进行训练的,因此它特别擅长于识别和区分出那些不符合标准或存在缺陷的瓶口螺纹。这种针对性强的训练方式能够显著提高模型对于异常情况的检测能力。其中在对非正常的瓶口螺纹样本图片进行标注时,可以增加阴影的标注。避免了因光线反射与折射产生阴影而导致无法识别的问题。

技术特征:

1.一种通过ai检测玻璃瓶螺纹的方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的一种通过ai检测玻璃瓶螺纹的方法,其特征在于,

3.根据权利要求1所述的一种通过ai检测玻璃瓶螺纹的方法,其特征在于,使用识别模型前,还需要对识别模型进行训练,其中训练的步骤如下:

4.根据权利要求3所述的一种通过ai检测玻璃瓶螺纹的方法,其特征在于,所述归一化操作的方式具体操作如下:

5.一种通过ai检测玻璃瓶螺纹的系统,使用权利要求1~4任一项所述一种通过ai检测玻璃瓶螺纹的方法,其特征在于,包括输入模块以及识别模块;

6.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~4任一项所述的一种通过ai检测玻璃瓶螺纹的方法。

7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~4任一项所述的一种通过ai检测玻璃瓶螺纹的方法。

技术总结本发明涉及图像识别技术领域,特别是一种通过AI检测玻璃瓶螺纹的方法、系统、电子设备及存储介质,包括如下步骤:获取目标玻璃瓶的待测瓶口螺纹的检测图像;基于训练好的识别模型对检测图像进行结果检测,获取瓶口螺纹的识别结果;其中识别模型是基于非正常的瓶口螺纹样本图片进行训练得到。通过对非正常的瓶口螺纹样本图片对识别模型进行训练,因此它特别擅长于识别和区分出那些不符合标准或存在缺陷的瓶口螺纹。这种针对性强的训练方式能够显著提高模型对于异常情况的检测能力。其中在对非正常的瓶口螺纹样本图片进行标注时,可以增加阴影的标注。避免了因光线反射与折射产生阴影而导致无法识别的问题。技术研发人员:黄志鑫,李星受保护的技术使用者:佛山市三力智能设备科技有限公司技术研发日:技术公布日:2024/11/4

本文地址:https://www.jishuxx.com/zhuanli/20241106/325093.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。