【技术实现步骤摘要】
本专利技术涉及包装产品检测图像处理，具体的说是一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法、质量检测装置及质量检测计算机设备。
技术介绍
1、包装作为产品外在形象与防伪的关键，其质量直接影响消费选择及品牌发展。在高速生产线中，材质、环境及设备等因素易导致包装表面质量问题。随着包装材料质量及印刷工艺要求的提升，特别是转移类与复合类卡纸及烫印工艺的广泛应用，检测难度显著增加。为确保市场流通产品质量，研发高精度、高效且易部署的包装产品表面缺陷检测技术显得尤为迫切。
2、目前常见的包装产品质量检测方法主要有两种。
3、第一种是主观目测法，主观目测法是针对包装产品质量检测的传统人工检测方案。在特定光源条件下，检验员主观的对待测样品做出评估，依据检验员的视觉来评价包装是否存在表面缺陷。然而，主观目测法是一种完全主观的评价方法，很容易受到检测人员经验、心理以及生理等各种因素的影响，比如对包装材料长时间的连续检查极易产生视觉疲劳，导致漏检和误检现象，并且难以达成统一的检测标准，量化工作困难。
4、第二种是机器学习方法，机器学习方法在工业缺陷检测中依赖人工特征设计，面临高难度任务时挑战重重，容易出现误检漏检。
5、随着工业成像和计算机视觉等技术的进步，基于cnn的深度学习技术显著提升了表面缺陷检测能力。目前，该领域主要分为两阶段与单阶段检测法。两阶段法，如r-cnn系列，精度高但速度较慢；单阶段法，如yolo系列模型，则在速度与效率上更胜一筹，成为实际应用热门。
6、但是，
技术实现思路
1、为了解决现有技术的问题，本专利技术提供一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法、质量检测装置及质量检测计算机设备，提升了包装产品色差检测和缺陷检测的精度。
2、本专利技术为解决上述技术问题所采用的技术方案为：一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法，包括以下步骤：
3、s1，获取模板图像，在模板图像上设置色差待检测区域；
4、s2，获取待检测的样本图像并进行预处理；
5、s3，将色差检测区域信息映射至cielab色彩空间，并且计算模板图像与样本图像在色差检测区域内的色差值得到色差检测结果；
6、s4，使用预先训练好的检测模型对样本图像进行表面缺陷检测，检测模型包括头部网络、颈部网络和主干网络；
7、主干网络用于提取所述样本图像的图像特征并得到多个特征图，颈部网络通过改进的tfe模块对所述特征图进行融合得到融合特征，头部网络用于增强所述融合特征并输出缺陷检测结果；
8、s5、将色差检测结果和缺陷检测结果映射到样本图像中。
9、作为专利技术一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法的进一步优化：所述主干网络包括emo网络，emo网络包括四组依次连接的irmb模块，irmb模块用于提取所述样本图像的图像特征并得到特征图。
10、作为专利技术一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法的进一步优化：所述主干网络还包括下采样模块和sppf模块，下采样模块用于对所述特征图进行下采样处理得到下采样数据，sppf模块将下采样数据输送至所述颈部网络进行特征融合，得到所述融合特征。
11、作为专利技术一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法的进一步优化：所述颈部网络通过改进的tfe模块对所述特征图进行融合得到融合特征的具体方法包括：
12、基于特征图的尺寸将特征图划分为大尺寸特征图、中尺寸特征图和小尺寸特征图；
13、所述tfe模块包括rfcbam子模块和carafe子模块；
14、利用rfcbam子模块将大尺寸的特征图通道数调整为1c，并且通过最大池化和平均池化进行下采样得到第一采样数据；
15、利用卷积模块对中尺寸的特征图进行特征提取得到第二采样数据；
16、利用carafe子模块将小尺寸的特征图通道数通过卷积调整为1c，并且通过上采样得到第三采样数据；
17、将第一采样数据、第二采样数据和第三采样数据进行拼接得到所述融合特征。
18、作为专利技术一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法的进一步优化：所述头部网络包括scp结构和解耦合头，scp结构包括带有残余连接的上下文聚合块，上下文聚合块用于对融合特征进行上下文聚合，解耦合头包括全连接头和卷积头，全连接头用于对融合特征降维得到降维特征，对降维特征并行分支，卷积头用于对融合特征定位并输出缺陷检测结果。
19、作为专利技术一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法的进一步优化：所述上下文聚合的方式如下：
20、
21、其中，pi和qi表示特征金字塔中第i层的输入和输出特征映射，pi和qi每个都包含ni个像素；j,m∈{1,ni}表示每个像素的指数；wk和wv是用于投影特征映射的线性投影矩阵。
22、作为专利技术一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法的进一步优化：所述色彩差异的计算方法为：
23、提取到的色差检测区域的rgb颜色值通过伽马校正转换为xyz颜色空间；
24、将xyz值经过非线性变换计算得到cielab颜色空间中的l、a、b值；
25、通过所述δe计算公式计算色彩差异。
26、作为专利技术一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法的进一步优化：对所述待检测的样本图像进行预处理的具体方法包括：
27、对所述样本图像裁剪并去除无关背景信息；
28、通过sift特征匹配和flann匹配器得到样本图像与所述模板图像之间的匹配点，并计算单应性矩阵；
29、通过透视变换将样本图像与模板图像对齐。
30、本专利技术为解决上述技术问题所采用的技术方案为：质量检测装置，包括：
31、模板选定模块，用于选定模板图像，并指定色差检测区域；
32、样本采集模块，用于获取包装产品表面的缺陷数据集；
33、色差检测模块，用于通过δe计算公式量化模板图像与样本图像同区域的色本文档来自技高网...
【技术保护点】
1.一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述主干网络包括EMO网络，EMO网络包括四组依次连接的iRMB模块，iRMB模块用于提取所述样本图像的图像特征并得到特征图。
3.如权利要求2所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述主干网络还包括下采样模块和SPPF模块，下采样模块用于对所述特征图进行下采样处理得到下采样数据，SPPF模块将下采样数据输送至所述颈部网络进行特征融合，得到所述融合特征。
4.如权利要求1所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述颈部网络通过改进的TFE模块对所述特征图进行融合得到融合特征的具体方法包括：
5.如权利要求1所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述头部网络包括SCP结构和解耦合头，SCP结构包括带有残余连接的上下文聚合块，上下文聚合块用于对融合特征进
6.如权利要求5所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述上下文聚合的方式如下：
7.如权利要求1所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述色彩差异的计算方法为：
8.如权利要求1所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，对所述待检测的样本图像进行预处理的具体方法包括：
9.质量检测装置，其特征在于，包括：
10.计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-8任一项所述质量检测方法。
...【技术特征摘要】
1.一种结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述主干网络包括emo网络，emo网络包括四组依次连接的irmb模块，irmb模块用于提取所述样本图像的图像特征并得到特征图。
3.如权利要求2所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述主干网络还包括下采样模块和sppf模块，下采样模块用于对所述特征图进行下采样处理得到下采样数据，sppf模块将下采样数据输送至所述颈部网络进行特征融合，得到所述融合特征。
4.如权利要求1所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述颈部网络通过改进的tfe模块对所述特征图进行融合得到融合特征的具体方法包括：
5.如权利要求1所述的结合深度学习和图像处理技术的包装产品全幅面质量检测方法，其特征在于，所述头部...
【专利技术属性】
技术研发人员：牛群峰，陈飞达，王莉，陈瑞召，王一航，王涛，张元，
申请(专利权)人：河南工业大学，
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。