【技术实现步骤摘要】
本专利技术属于餐具生产领域，具体是一种基于图像识别的可降解餐具质检方法及系统。
技术介绍
1、随着环境保护意识的增强，市场上对可降解餐具的需求增加，但质量控制要求也随之提高。传统的人工检查方式可能效率低下且依赖于操作者的经验，因此需要一种更智能化的质检方案。基于图像识别的方法利用先进的深度学习技术，如卷积神经网络，可以从大量的图像数据中学习并识别各种类型的缺陷。图像融合技术在此过程中被用来增加训练数据的多样性和复杂性。基于图像识别的可降解餐具质检方法通过自动化缺陷检测，能够提高质检的准确性和效率，同时减少人为因素对检测结果的影响。此外，通过持续的反馈机制，系统可以不断优化和改进，确保在不同生产批次中的稳定性和一致性。
2、现有的可降解餐具质检方法，大多对可降解餐具进行固定比例的抽检，难以根据可降解餐具的初检数据，灵活设置抽检率，造成人力和时间成本的浪费。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一；为此，本专利技术提出了一种基于图像识别的可降解餐具质检方法及系统，用于解决难以根据可降解餐具的初检数据，灵活设置抽检率，造成人力和时间成本的浪费的技术问题。
2、为解决上述问题，本专利技术的第一方面提供了一种基于图像识别的可降解餐具质检方法，包括以下步骤：
3、根据生产线的布局，将可降解餐具按照生产线的不同分为若干生产线组，将生产线组中的可降解餐按照产品批次的不同，分若干为生产批次小组；
4、在生产批次小组的质检流
5、通过深度学习技术识别每个生产批次小组的可降解餐具的图像数据，检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷；
6、根据生产批次小组检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷数据，评估对应生产批次小组的合格度，根据不同生产批次小组的合格度评估值，设置对应生产批次小组的抽检率；
7、根据生产批次小组的抽检率对对应生产批次小组的可降解餐具进行抽检，对抽检出的可降解餐具进行耐性测试和成分检测；根据耐性测试和成分检测的结果，调节对应生产批次小组所在生产线组产品的抽检率，并判断对应生产批次小组的可降解餐具是否合格。
8、作为本专利技术进一步的方案：通过深度学习技术识别每个生产批次小组的可降解餐具的图像数据，检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷，包括以下步骤：
9、获取每个生产线的合格和有缺陷的可降解餐具的图像数据的历史数据，对图像进行预处理，包括：去噪和增强对比度；
10、将有缺陷的可降解餐具的缺陷类型分为尺寸缺陷、表面破损缺陷和表面颜色缺陷，对有缺陷的可降解餐具的图像数据的缺陷类型进行标注，添加缺陷类型标签，并对缺陷位置通过标记框进行标记；
11、从尺寸缺陷、表面破损缺陷和表面颜色缺陷的缺陷类型图像数据中随机抽取相同数量的图像数据，抽取的不同缺陷类型的图像数据进行随机组合，将组合的图像数据进行图像融合，融合的图像数据保留所有图像数据的缺陷类型标签；
12、通过标记过的图像数据和融合后的图像数据，训练神经网络模型，用于识别可降解餐具的缺陷；
13、通过训练后的神经网络模型，检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷。
14、作为本专利技术进一步的方案：根据生产批次小组检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷数据，评估对应生产批次小组的合格度，包括以下步骤：
15、获取生产批次小组检测的可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷数据；
16、统计每种缺陷类型可降解餐具的数量；
17、通过以下公式，评估对应生产批次小组的合格度：
18、
19、其中，w为生产批次小组的合格度的评价值，s为生产批次小组中可降解餐具的总数，s为生产批次小组中有缺陷的可降解餐具的总数，a1为生产批次小组中尺寸缺陷的可降解餐具的数量，b1为生产批次小组中表面破损缺陷的可降解餐具的数量，c1为生产批次小组中表面颜色缺陷的可降解餐具的数量。
20、作为本专利技术进一步的方案：根据不同生产批次小组的合格度评估值，设置对应生产批次小组的抽检率，包括以下步骤：
21、获取不同生产批次小组的合格度评估值；
22、通过以下公式，设置对应生产批次小组的抽检率：
23、
24、其中，f为对应生产批次小组的抽检率。
25、作为本专利技术进一步的方案：根据生产批次小组的抽检率对对应生产批次小组的可降解餐具进行抽检，对抽检出的可降解餐具进行耐性测试和成分检测，包括以下步骤：
26、根据生产批次小组的抽检率对对应生产批次小组的可降解餐具进行抽检，将抽检出的可降解餐具随机分为两组进行耐性测试；
27、对两组可降解餐具分别进行机械性能测试和热稳定性测试，并采集测试过程中的可降解餐具的图像数据；
28、并对完成耐性测试的可降解餐具，进行成分检测。
29、作为本专利技术进一步的方案：对两组可降解餐具分别进行机械性能测试和热稳定性测试，并采集测试过程中的可降解餐具的图像数据，包括以下步骤：
30、对两组可降解餐具分别进行机械性能测试和热稳定性测试；
31、对于进行机械性能测试的分组，对逐渐增加对可降解餐具施加的压力，采集在压力增加过程中，可降解餐具的图像数据；
32、对于进行热稳定性测试的分组，对逐渐增加可降解餐具的测试环境的温度，采集在温度增加过程中，可降解餐具的图像数据和可降解餐具重量数据。
33、作为本专利技术进一步的方案：根据耐性测试和成分检测的结果，调节对应生产批次小组所在生产线组产品的抽检率，并判断对应生产批次小组的可降解餐具是否合格，包括以下步骤：
34、根据测试过程中的可降解餐具的图像数据，评估可降解餐具的机械强度、热稳定性和成分合格率；
35、根据可降解餐具的机械强度、热稳定性和成分合格率的评估结果，评价抽检餐具的耐用性；
36、若生产批次小组的抽检餐具的耐用性评价结果低于预设阈值，则增加对应生产批次小组所在生产线组产品的抽检率，进行二次抽检，若二级抽检的耐用性评价结果低于预设阈值，则对应生产批次小组的可降解餐具不合格，否则，对应生产批次小组的可降解餐具合格。
37、作为本专利技术进一步的方案：根据测试过程中的可降解餐具的图像数据，评估可降解餐具的机械强度、热稳定性和成分合格率，包括以下步骤：
38、获取机械性能测试过程中，通过采集在压力增加过程中，可降解餐具的图像数据，将机械性能测试过程中的图像数据输入到训练的用于识别可降解餐具缺陷的神经网络模型中，采集神经网络模型首次识别到可降解餐具出现尺寸缺陷时，对应的机械性能测试压力值，作为强度压力值，采集神经网络本文档来自技高网...
【技术保护点】
1.一种基于图像识别的可降解餐具质检方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图像识别的可降解餐具质检方法，其特征在于，通过深度学习技术识别每个生产批次小组的可降解餐具的图像数据，检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷，包括以下步骤：
3.根据权利要求1所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据生产批次小组检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷数据，评估对应生产批次小组的合格度，包括以下步骤：
4.根据权利要求3所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据不同生产批次小组的合格度评估值，设置对应生产批次小组的抽检率，包括以下步骤：
5.根据权利要求1所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据生产批次小组的抽检率对对应生产批次小组的可降解餐具进行抽检，对抽检出的可降解餐具进行耐性测试和成分检测，包括以下步骤：
6.根据权利要求5所述的一种基于图像识别的可降解餐具质检方法，其特征在于，对两组可降解餐具分别进行机械性能测试和
7.根据权利要求6所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据耐性测试和成分检测的结果，调节对应生产批次小组所在生产线组产品的抽检率，并判断对应生产批次小组的可降解餐具是否合格，包括以下步骤：
8.根据权利要求7所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据测试过程中的可降解餐具的图像数据，评估可降解餐具的机械强度、热稳定性和成分合格率，包括以下步骤：
9.根据权利要求8所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据可降解餐具的机械强度、热稳定性和成分合格率的评估结果，评价抽检餐具的耐用性，包括以下步骤：
10.一种基于图像识别的可降解餐具质检系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于图像识别的可降解餐具质检方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图像识别的可降解餐具质检方法，其特征在于，通过深度学习技术识别每个生产批次小组的可降解餐具的图像数据，检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷，包括以下步骤：
3.根据权利要求1所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据生产批次小组检测可降解餐具的尺寸缺陷、表面破损缺陷和表面颜色缺陷数据，评估对应生产批次小组的合格度，包括以下步骤：
4.根据权利要求3所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据不同生产批次小组的合格度评估值，设置对应生产批次小组的抽检率，包括以下步骤：
5.根据权利要求1所述的一种基于图像识别的可降解餐具质检方法，其特征在于，根据生产批次小组的抽检率对对应生产批次小组的可降解餐具进行抽检，对抽检出的可降解餐具进行耐性测试和成分检测，包括以下步骤...
【专利技术属性】
技术研发人员：仇兴亚，仇兴东，黄江美，王新安，魏晓童，田忠伟，李夫强，连士忠，
申请(专利权)人：山东辛诚生态科技有限公司，
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。