【技术实现步骤摘要】
本专利技术涉及物品包装缺陷检测领域，具体为一种物品包装缺陷的检测方法及系统。
技术介绍
1、在物品包装设计方面，往往会通过包装盒实现对产品的包装，之后通过塑料薄膜等透明薄膜实现对包装盒的进一步塑封，从而实现防水防尘的目的，在实际的生产过程的最后阶段需要检测产品的完整性，此时需要检测薄膜是否完好，以及包装是否出现破损、变形和图样异常等缺陷。
2、目前对含有薄膜的物品包装进行检测时主要有人工和图像识别两种方式，人工方式需要大量的人力成本，而通过图像识别的方式实现物品包装的识别时，据部分合作工厂的反馈，存在识别错误的情况，经过调取图像识别过程中用于识别的物品包装图像发现，一方面由于薄膜很薄且为透明材料，薄膜出现孔洞等缺损时难以准确识别，另一方面，如图3所示，透明薄膜表面反射有厂内其他物品的图像，如图3中白色方框所示的反射图像，因此造成图像识别系统误判物品包装上的图样异常，从而出现误报警的情况。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种物品包装缺陷的检测方法及系统，解决了目前含有薄膜的物品包装在通过图像识别方式识别包装缺陷时，难以准确识别薄膜是否存在破损以及物品包装上的图样是否存在异常的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种物品包装缺陷的检测方法，该检测方法具体包括如下步骤：
4、s1、获取若干组包含物品包装的红外图像和rgb图像作为输入图像；
5、s2、基于输入图像中表征包装物品表面
6、s3、根据薄膜特征判断输入图像上的各区域是否属于完好图像；
7、若是，则将该区域标记为完好图像；
8、若否，则将该区域标记为缺损区域，并输出；
9、s4、提取完好图像中的干扰特征和中间特征，并将中间特征通过eca通道后与中间特征相乘以获得干扰图像；
10、s5、提取完好图像的包装特征，并将包装特征通过若干层rstb模块后转化为二维特征以获得包装图像；
11、s6、利用干扰图像修复包装图像以获得待检测图像，并识别待检测图像中的缺陷。
12、作为优选，在步骤s1中，具体包括如下步骤：
13、s11、通过rgb相机拍摄包含物品包装的rgb图像；
14、s12、布置若干个红外相机，并测量红外相机镜头与物品包装表面的连线和物品包装表面的最大夹角；
15、s13、设置角度阈值，并通过各红外相机拍摄物品包装上最大夹角小于角度阈值的各区域以获得若干组红外图像；
16、s14、将每个红外图像和包含有对应位置的rgb图像标记为一组输入图像，以获得若干组输入图像。
17、作为优选，在步骤s13中，所述角度阈值为70度。
18、作为优选，在步骤s2中，具体包括如下步骤：
19、s21、基于神经网络模型的编码器分别提取各组红外图像和rgb图像中物品包装表面对应位置在不同尺度上的一维特征；提取红外图像和rgb图像对应位置在不同尺度上的一维特征的计算公式为：
20、；
21、上式中，表示在第i个尺度上提取的红外图像或rgb图像的一维特征，的范围为，表示经过预训练的主干网络，表示输入的红外图像或rgb图像；
22、s22、将各组一维特征转化为二维特征，之后将转化后的红外图像和rgb图像的二维特征进行通道连接以获得融合特征；融合特征的计算公式如下：
23、；
24、上式中，表示提取的rgb图像在第i个尺度上的一维特征，表示提取的红外图像在第i个尺度上的一维特征，表示内核为的卷积神经网络的卷积层，表示通道注意力模块，表示将括号内的元素进行通道连接，表示函数，和分别表示经过se通道处理的rgb图像和红外图像的一维特征在第i个尺度上的特征，表示融合特征；
25、s23、计算rgb图像和红外图像的一维特征在第i个尺度上经过se通道后的特征之差，以获得差异特征；差异特征的计算公式为：
26、；
27、上式中，表示差异特征；
28、s24、通过激活函数将差异特征转化为注意力权重后与融合特征相乘以获得不同尺度上的薄膜特征；不同尺度上的薄膜特征的计算公式为：
29、；
30、上式中，表示在第i个尺度上的薄膜特征，表示激活函数；
31、s25、将不同尺度上的薄膜特征按照通道相连接后送入到卷积层，以获得薄膜特征；薄膜特征的计算公式如下：
32、；
33、上式中，表示在第i个尺度上的薄膜检测结果，为卷积神经网络的上采样操作，表示最终获取的薄膜特征，表示卷积神经网络的内核为的卷积层。
34、作为优选，在步骤s4中，具体包括如下步骤：
35、s41、基于卷积神经网络模型提取完好图像中的干扰特征；干扰特征的表达式为：
36、；
37、上式中，表示卷积神经网络的内核为的卷积层，i表示输入的完好图像，代表relu激活函数，表示批量归一化函数，和分别表示在第i个和i-1个尺度上提取的干扰特征；
38、s42、将各尺度上的干扰特征分别通过若干个卷积层和激活函数后以获得中间特征；中间特征的计算公式为：
39、；
40、上式中，表示在第i个尺度上的中间特征，的范围为，代表relu激活函数，表示卷积神经网络的内核为的卷积层；表示在尺度上提取的干扰特征；
41、s43、将中间特征通过eca通道后与中间特征相乘再与对应尺度上的干扰特征相加以获得中间干扰图像；中间干扰图像的计算公式如下：
42、；
43、上式中，表示在第i个尺度上的中间特征，表示在第i个尺度上的中间干扰图像，表示卷积神经网络模型的高效通道注意力层，表示在第i个尺度上提取的干扰特征；
44、s44、设置提取次数，并统计当前经过步骤s42的次数是否大于提取次数；
45、若是，则将中间干扰图像标记为干扰图像后进入步骤s5；
46、若否，则将中间干扰图像标记为干扰特征，之后返回步骤s42。
47、作为优选，在步骤s5中，具体包括如下步骤：
48、s51、通过vgg-19卷积神经网络模型提取完好图像的包装特征；包装特征的表达式为：
49、；
50、上式中，、、和分别表示通过vgg-19卷积神经网络模型提取完好图像在第1、2、3和4个尺度上的包装特征，表示通过vgg-19卷积神经网络模型提取完好图像的包装特征；
51、s52、将包装特征通过若干层rstb以获得一维包装特征，并将其转化为二维包装特征以获得包装图像；二维包装特征的计算公式如下：
52、；
53、上式中，表示在尺度上的二维包装特征，的范围为，表示通过vgg-19卷积神经网络模型提取完好图像本文档来自技高网...
【技术保护点】
1.一种物品包装缺陷的检测方法，其特征在于，该检测方法具体包括如下步骤：
2.根据权利要求1所述的检测方法，其特征在于，在步骤S1中，具体包括如下步骤：
3.根据权利要求2所述的检测方法，其特征在于，在步骤S13中，所述角度阈值为70度。
4.根据权利要求1所述的检测方法，其特征在于，在步骤S2中，具体包括如下步骤：
5.根据权利要求1所述的检测方法，其特征在于，在步骤S4中，具体包括如下步骤：
6.根据权利要求1所述的检测方法，其特征在于，在步骤S5中，具体包括如下步骤：
7.根据权利要求1所述的检测方法，其特征在于，在步骤S6中，具体包括如下步骤：
8.根据权利要求1所述的检测方法，其特征在于，在步骤S61中，所述、和分别为1，2和5。
9.根据权利要求1所述的检测方法，其特征在于，在步骤S65中，损失函数的表达式为：
10.一种用于实现权利要求1-9任一项所述的物品包装缺陷的检测方法的系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被
...【技术特征摘要】
1.一种物品包装缺陷的检测方法，其特征在于，该检测方法具体包括如下步骤：
2.根据权利要求1所述的检测方法，其特征在于，在步骤s1中，具体包括如下步骤：
3.根据权利要求2所述的检测方法，其特征在于，在步骤s13中，所述角度阈值为70度。
4.根据权利要求1所述的检测方法，其特征在于，在步骤s2中，具体包括如下步骤：
5.根据权利要求1所述的检测方法，其特征在于，在步骤s4中，具体包括如下步骤：
6.根据权利要求1所述的检测方法，其特征在于，在步骤s5中，具体包括如下步...
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。