【技术实现步骤摘要】
本专利技术涉及生产检测，尤其涉及一种瓶盖检测方法、装置、设备及介质。
技术介绍
1、现有瓶盖检测器的设计应满足以下两个条件：第一，需要高精度检测各种类型瓶盖及支撑环；第二，检测算法的速度必须满足生产线高效生产的需求要求即实时和低延迟。传统的检测方法在复杂场景、光照变化和视角变化等情况下，检测效果可能不佳。而基于深度学习的目标检测方法，能更好地解决这些问题，并且具有更强的泛化能力和稳定性。
2、常见的基于深度学习的瓶盖目标检测算法主要包括两类：
3、第一类是基于区域提议生成的二阶段方法，如faster r-cnn，这类方法在第一阶段产生感兴趣区域，在第二阶段进行分类和回归，但会丢失局部目标在整张图片中的空间信息，检测速度也难以达到实时。
4、第二类是单阶段检测器，如yolo、retinanet和ssd，这类算法直接对全幅图像进行回归预测而不是产生感兴趣区域，所以检测速度一般可以满足实时要求。但是这类方法在精细瓶盖的定位准确度和召回率方面存在问题。
5、现有技术中，yolov8采用一次性预测多个目标的设计，检测速度极快，且通过无锚框和网络结构优化改进了yolov5和yolov7的检测精度问题。但是，由于其网络模型过于简单，检测精度并不能满足工业应用的标准。
6、因此，亟需提出一种瓶盖检测方法，以解决在面临复杂场景、光照变化和视角变化时，瓶盖检测效果未能平衡检测精度和实时性的问题。
技术实现思路
1、为克服相关技术中存在的问题，
2、本说明书一个或多个实施例提供了一种瓶盖检测方法，包括以下步骤：
3、采集瓶盖缺陷图像，构建图片集，对所述图片集进行标注；
4、构建st-yolo检测模型，使用所述图片集对所述st-yolo检测模型进行训练，直至收敛，得到训练好的st-yolo检测模型；
5、其中，st-yolo检测模型包括用于提取特征的卷积层，用于将全局特征和局部特征进行融合生成多尺度特征图的cst模块，用于对多层特征融合的bifpn网络，以及对bifpn网络输出的特征进行分类与回归的分类层；
6、将待检测的瓶盖图像采用训练好的st-yolo检测模型进行检测获得检测结果。
7、优选地，还包括步骤：
8、所述st-yolo检测模型的损失函数为mpdiou函数。
9、优选地，所述cst模块包括n个swinbottleneck模块和残差连接层，各swinbottleneck模块的输出作为下一个swinbottleneck模块的输入及残差连接层的输入；
10、所述swinbottleneck模块将输入特征图分为两路，一路直接向下传递特征，另一路分别输入到第一cbs模块和第一transformer block模块中，所述第一cbs模块输出和第一transformer block模块输出融合后作为到第二cbs模块的输入，第一transformerblock模块的输出作为第二transformer block模块的输入，将第二cbs模块的输出、第二transformer block模块的输出与输入特征融合后输出；
11、所述第一transformer block模块采用基于窗口的多头自注意力模块，所述第二transformer block模块采用基于移动窗口的多头自注意力模块。
12、优选地，所述bifpn网络通过自顶向下的路径和自底向上的路径进行特征双向融合，在特征的原始输入和输出节点之间设置横向同尺度跨层连接；
13、所述自顶向下的路径是上采样操作和cst模块提取特征的过程；
14、所述自底向上的路径是下采样操作和cst模块提取特征的过程。
15、本说明书一个或多个实施例提供了一种瓶盖检测装置，包括：
16、数据集建立模块，用于采集瓶盖缺陷图像，构建图片集，对所述图片集进行标注；
17、模型构建模块，用于构建st-yolo检测模型，使用所述图片集对所述st-yolo检测模型进行训练，直至收敛，得到训练好的st-yolo检测模型；
18、其中，st-yolo检测模型包括用于提取特征的卷积层，用于将全局特征和局部特征进行融合生成多尺度特征图的cst模块，用于对多层特征融合的bifpn网络，以及对bifpn网络输出的特征进行分类与回归的分类层；
19、检测模块，用于采用训练好的st-yolo检测模型对所述测试集进行检测。
20、优选地，还包括：
21、所述st-yolo检测模型的损失函数为mpdiou函数。
22、优选地，所述cst模块包括n个swinbottleneck模块和残差连接层，各swinbottleneck模块的输出作为下一个swinbottleneck模块的输入及残差连接层的输入；
23、所述swinbottleneck模块将输入特征图分为两路，一路直接向下传递特征，另一路分别输入到第一cbs模块和第一transformer block模块中，所述第一cbs模块输出和第一transformer block模块输出融合后作为到第二cbs模块的输入，第一transformerblock模块的输出作为第二transformer block模块的输入，将第二cbs模块的输出、第二transformer block模块的输出与输入特征融合后输出；
24、所述第一transformer block模块采用基于窗口的多头自注意力模块，所述第二transformer block模块采用基于移动窗口的多头自注意力模块。
25、优选地，所述bifpn网络通过自顶向下的路径和自底向上的路径进行特征双向融合，在特征的原始输入和输出节点之间设置横向同尺度跨层连接；
26、所述自顶向下的路径是上采样操作和cst模块提取特征的过程；
27、所述自底向上的路径是下采样操作和cst模块提取特征的过程。
28、本说明书一个或多个实施例提供了一种计算机设备，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上述一种瓶盖检测方法。
29、本说明书一个或多个实施例提供了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上述一种瓶盖检测方法的步骤。
30、本公开提供的一种瓶盖检测方法、装置、设备及介质，优点在于，通过构建的st-yolo检测模型，包括用于提取全局特征和局部特征且进行融合的cst模块以实现更好地捕获特征之间的关联，提升全局特征建模的能力，以及用于能够进行不同尺度间的融合，同时缓解由于网络层数过多而导致本文档来自技高网...
【技术保护点】
1.一种瓶盖检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的瓶盖检测方法，其特征在于，所述ST-YOLO检测模型的损失函数为MPDIoU函数。
3.如权利要求1所述的瓶盖检测方法，其特征在于，所述CST模块包括多个SwinBottleneck模块和残差连接层，各SwinBottleneck模块的输出作为下一个SwinBottleneck模块的输入及残差连接层的输入；
4.如权利要求1所述的瓶盖检测方法，其特征在于，所述BiFPN网络通过自顶向下的路径和自底向上的路径进行特征双向融合，在特征的原始输入和输出节点之间设置横向同尺度跨层连接；
5.一种瓶盖检测装置，其特征在于，包括：
6.如权利要求5所述的瓶盖检测装置，其特征在于，还包括：
7.如权利要求5所述的瓶盖检测装置，其特征在于，所述CST模块包括N个SwinBottleneck模块和残差连接层，各SwinBottleneck模块的输出作为下一个SwinBottleneck模块的输入及残差连接层的输入；
8.如权利要求5所述的瓶盖检
9.一种计算机设备，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至4任一项所述的一种瓶盖检测方法。
10.一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至4任一项所述的一种瓶盖检测方法的步骤。
...【技术特征摘要】
1.一种瓶盖检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的瓶盖检测方法，其特征在于，所述st-yolo检测模型的损失函数为mpdiou函数。
3.如权利要求1所述的瓶盖检测方法，其特征在于，所述cst模块包括多个swinbottleneck模块和残差连接层，各swinbottleneck模块的输出作为下一个swinbottleneck模块的输入及残差连接层的输入；
4.如权利要求1所述的瓶盖检测方法，其特征在于，所述bifpn网络通过自顶向下的路径和自底向上的路径进行特征双向融合，在特征的原始输入和输出节点之间设置横向同尺度跨层连接；
5.一种瓶盖检测装置，其特征在于，包括：
6.如权利要求5所述的瓶盖检测装置，其特征在于，还包括：
7.如权利要求5所述的瓶盖检测装...
【专利技术属性】
技术研发人员：魏华中，
申请(专利权)人：北京壹码科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。