纸杯缺陷自动检测方法及其系统技术方案

本申请涉及智能检测领域，其具体公开了一种纸杯缺陷自动检测方法及其系统，其通过从待检测纸杯的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断纸杯是否存在缺陷的特征表示，提高对于待检测纸杯是否存在缺陷的检测精准度。测精准度。测精准度。

【技术实现步骤摘要】
纸杯缺陷自动检测方法及其系统


[0001]本申请涉及智能检测领域，且更为具体的涉及一种纸杯缺陷自动检测方法及其系统。

技术介绍

[0002]现有的纸杯检测在生产过程中，由于各种原因导致的纸杯缺陷问题仍然存在，例如变形、裂口、异物等，这些问题可能影响到产品的品质和安全性，同时也会增加生产成本和环境污染。为了检测出这些缺陷，传统的方法是通过人工进行检查，但是这种方式效率低下、误判率高、成本较高。因此，需要开发一种自动检测技术能够有效地解决这个问题。随着计算机视觉和图像处理技术的发展，我们可以基于待检测图像和参考图像之间的差异判断纸杯是否存在缺陷。这样，可以快速、准确地检测出纸杯的缺陷，从而提高生产效率和质量，并降低人力成本和废品率。

技术实现思路

[0003]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种纸杯缺陷自动检测方法及其系统，其通过从待检测纸杯的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断纸杯是否存在缺陷的特征表示，提高对于待检测纸杯是否存在缺陷的检测精准度。
[0004]根据本申请的一个方面，提供了一种纸杯缺陷自动检测方法，其包括：
[0005]获取待检测纸杯的检测图像和参考图像，所述参考图像为没有缺陷的纸杯的图像；
[0006]将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；
[0007]对所述检测特征图和所述参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到所述差分特征图；以及
[0008]将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纸杯是否存在缺陷。
[0009]在上述的纸杯缺陷自动检测方法中，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构，包括：
[0010]使用所述第一卷积神经网络的多层卷积层对所述检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；
[0011]将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及
[0012]计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。
[0013]在上述的纸杯缺陷自动检测方法中，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构，包括：
[0014]使用所述第二卷积神经网络的多层卷积层对所述参考图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图；
[0015]将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图；以及
[0016]计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述参考特征图。
[0017]在上述的纸杯缺陷自动检测方法中，对所述检测特征图和所述参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到所述差分特征图，包括：
[0018]将所述检测特征图和所述参考特征图分别展开为检测特征向量和参考特征向量；
[0019]计算所述检测特征向量和所述参考特征向量之间的协方差矩阵；
[0020]对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；
[0021]将所述多个特征向量排列为联合特征矩阵，并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵；
[0022]计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到检测投影特征向量和参考投影特征向量；以及，
[0023]计算所述检测投影特征向量和所述参考投影特征向量之间的按位置插值以得到差分特征向量，并将所述差分特征向量重构为所述差分特征图。
[0024]在上述的纸杯缺陷自动检测方法中，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纸杯是否存在缺陷，包括：
[0025]将所述差分特征图基于行向量或列向量展开为分类特征向量；
[0026]使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
[0027]将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0028]根据本申请的另一方面，还提供了一种纸杯缺陷自动检测系统，其包括：
[0029]图像采集模块，用于获取待检测纸杯的检测图像和参考图像，所述参考图像为没有缺陷的纸杯的图像；
[0030]孪生网络模块，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；
[0031]特征差异模块，用于对所述检测特征图和所述参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到所述差分特征图；以及
[0032]检测结果生成模块，用于将所述差分特征图通过分类器以得到分类结果，所述分
类结果用于表示待检测纸杯是否存在缺陷。
[0033]与现有技术相比，本申请提供的纸杯缺陷自动检测方法及其系统，其通过从待检测纸杯的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断纸杯是否存在缺陷的特征表示，提高对于待检测纸杯是否存在缺陷的检测精准度。
附图说明
[0034]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0035]图1为根据本申请实施例的纸杯缺陷自动检测方法的应用场景图。
[0036]图2为根据本申请实施例的纸杯缺陷自动检测方法的流程图。
[0037]图3为根据本申请实施例的纸杯缺陷自动检测方法的架构图。
[0038]图4为根据本申请实施例的纸杯缺陷自动检测方法中对所述检测特征图和所述参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到所述差分特征图的流程图。
[0039]图5为根据本申请实施例的纸杯缺陷自动检测方法中将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷的流程图。
[0040]图6本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种纸杯缺陷自动检测方法，其特征在于，包括：获取待检测纸杯的检测图像和参考图像，所述参考图像为没有缺陷的纸杯的图像；将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；对所述检测特征图和所述参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图；以及将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纸杯是否存在缺陷。2.根据权利要求1所述的纸杯缺陷自动检测方法，其特征在于，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构，包括：使用所述第一卷积神经网络的多层卷积层对所述检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。3.根据权利要求2所述的纸杯缺陷自动检测方法，其特征在于，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构，包括：使用所述第二卷积神经网络的多层卷积层对所述参考图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图；将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图；以及计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述参考特征图。4.根据权利要求3所述的纸杯缺陷自动检测方法，其特征在于，对所述检测特征图和所述参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到所述差分特征图，包括：将所述检测特征图和所述参考特征图分别展开为检测特征向量和参考特征向量；计算所述检测特征向量和所述参考特征向量之间的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；将所述多个特征向量排列为联合特征矩阵，并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵；计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到
检测投影特征向量和参考投影特征向量；以及，计算所述检测投影特征向量和所述参考投影特征向量之间的按位置插值以得到差分特征向量，并将所述差分特征向量重构为所述差分特征图。5.根据权利要求4所述的纸杯缺陷自动检测方法，其特征在于，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纸杯是否存在缺陷，包括：将所述差分特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Sof...

【专利技术属性】
技术研发人员：刘勇江，熊强，黄邦友，冷松平，
申请(专利权)人：嘉兴环强机械有限公司，
类型：发明
国别省市：