产品外包装聚丙烯薄膜缺陷检测的方法及装置

1.本技术涉及计算机视觉领域，更涉及一种产品外包装缺陷检测的方法及装置。


背景技术：

2.近年来随着工业自动化水平的不断提升，工业产品的外包装质检也变得尤为重要。目前大部分产品采用透明的聚丙烯薄膜材料进行外包装。产品外包装质检即是查验产品外包装薄膜是否存在破损、散包、泡松、褶皱等缺陷，并进行在线剔除。目前大部分生产企业对产品的外包装的缺陷检测都需要人工处理，经常会出现人力资源紧张的现在，并且人力检测劳动强度大，容易造成工人疲劳而使检测结果不准确，这些都会导致在工业流水线上生产效率的降低。
3.近年来随着计算机视觉领域与视觉检测新技术的不断创新，工业生产线缺陷检测技术得到了一定发展，逐渐成为产品外观质检及产品外包装质检的一个有效解决方案。但目前市场上的外观缺陷检测仅局限于针对不透明的外包装检测，对于透明聚丙烯薄膜的检测还没有成熟的检测系统，依然依靠人力进行检测。该缺陷检测系统如果成功投入到生产实际，将节约大量人力成本、提高检测速度的同时，提高了生产效率。
4.现有的专利申请cn113715201a中提供了一种用于烟包透明纸包装过程中散包检测的装置及方法与流程。其检测方法包括：控制器实时读取包装机编码器的信号，确定包装机的运行位置和相位；当包装机运行到设定的图像触发相位时，单片机模组控制相应的条形光源和图像采集模块进行曝光和触发拍照操作，图像采集模块完成图像采集后通过图像采集接口将图像上传至cpu模组，cpu模组对拍摄的图像进行相应处理，检测透明纸的偏移和缺失情况；当包装机运行到设定的光电信号采集相位时，单片机模组控制光电数据采集模块对顶部上光光纤头组件、顶部下光纤头组件、底部上光纤头组件、底部下光纤头组件进行数据采集，形成四条曲线数据，数据采集完成后将四条曲线数据上传到cpu模组进行相应的数据处理，检测透明纸的破损和褶皱情况；最后，cpu模组对图像处理结果与光电数据处理结果汇总后发送给单片机模组，单片机模组根据烟包包装机的运行相位将检测结果发送给包装机控制柜，完成缺陷产品的在线剔除。
5.cn218489985u公开了一种用于透明纸散包检测的光电动态数据采集装置，其检测方法包括：首先，将两个传感器组件分别设置在包装机的六角轮出口位置的两侧，用于在待测烟包从出口位置通过时实时采集烟包透明纸的信息；其次，将两个信号采集组件分别与对应的传感器组件连接，用于收集传感器组件传出的信号，将该信号转换后传输至处理单元；再次，处理单元对收到的信号进行分析和判断，根据预设的阈值和标准，确定烟包是否存在透明纸散包缺陷；最后，处理单元将检测结果发送给包装机控制柜，完成缺陷产品的在线剔除。
6.cn217779051u公开了一种小盒烟包透明纸外观检测系统，其检测方法包括：在相机的镜头前安装光纤头组件，用于将光源发出的光线引导到烟包的透明纸表面，相机后方的图像采集卡将相机拍摄的烟包图像传输到图像处理器；然后图像处理器对烟包图像进行
预处理、分割、特征提取和分类等操作，以检测烟包透明纸表面是否存在缺陷，如散包、褶皱、划伤、污点等；如果检测到缺陷，图像处理器将缺陷标记出来，并通过控制器控制报警器发出报警信号，并控制剔除装置将不合格的烟包剔除出去。
7.但是，目前上述的外观检测装置存在一些问题：检测范围有限，只能检测烟包的正面和背面，不能检测产品的侧面和顶部；检测效果受光线、背景、产品间距等因素的影响，出现漏检或误检；检测速度较慢，不能适应高速包装机的生产要求，还没有明确的解决方法。


技术实现要素：

8.本技术提供一种产品外包装聚丙烯薄膜全视角成像系统，以及适用于透明薄膜的外观缺陷检测算法，能够在解决不透明的外观缺陷检测的基础上，实现透明薄膜的缺陷检测，从而实现多场所的应用示范。
9.1.一种产品外包装聚丙烯薄膜缺陷检测的方法，其特征在于，包括：
10.(1)获取样本数据，所述样本数据包括预设的聚丙烯薄膜的图像及其标注信息；
11.(2)构建缺陷检测网络；
12.(3)对所述样本数据进行图像预处理与数据增强，得到训练集与测试集；
13.(4)通过所述训练集训练缺陷检测模型的参数，其中，所述测试集用于测试所述缺陷检测模型在未见过的数据上的表现；
14.(5)将所述产品外包装聚丙烯薄膜缺陷图像输入训练好的所述缺陷检测网络中进行缺陷检测，得到标识出缺陷目标的产品外包装聚丙烯薄膜缺陷图像。
15.2.根据权利要求1所述的一种产品外包装聚丙烯薄膜缺陷检测的方法，其特征在于，所述步骤(3)包括：
16.(1)对所述产品外包装聚丙烯薄膜缺陷图像进行二值化处理；
17.(2)对所述产品外包装聚丙烯薄膜缺陷图像进行中值滤波操作；
18.(3)按照设定比例将经过预处理的产品外包装聚丙烯薄膜缺陷图像划分为所述训练集与所述测试集。
19.3.根据权利要求1所述的一种产品外包装聚丙烯薄膜缺陷检测网络的方法，其特征在于，所述缺陷检测网络包括主干特征提取网络、加强特征提取网络与预测头。
20.其中，所述步骤(4)包括：
21.通过利用所述主干特征提取网络将输入的产品外包装缺陷图片进行特征提取；
22.利用所述加强特征提取网络从所提取的特征中提取出加强特征；
23.结合不同尺度的特征信息对所述加强特征进行特征融合；
24.将融合后的特征信息送入所述预测头进行预测先验框，所述预测头对所属融合特征构成的特征图上的特征点进行分析，判断所述特征点上的先验框是否存在物体与其对应，其中，在特征点上还预测了置信度与类别概率，在判断是否存在物体时，所述模型将置信度和类别概率相乘得到得分，得分高于设定阈值时，则认为检测出缺陷目标的产品外包装聚丙烯薄膜缺陷图像。
25.4.根据权利要求3所述的一种产品外包装聚丙烯薄膜缺陷检测网络的方法，所述缺陷检测网络的损失函数包括：角度损失部分、距离损失部分、形状损失部分和交叉损失部分，其中，通过调整所述距离损失部分、所述形状损失部分和所述交叉损失部分的权重来平
衡不同部分的影响。
26.5.一种产品外包装聚丙烯薄膜缺陷检测装置，其特征在于，包括：
27.(1)照明单元，用于在收集产品外包装聚丙烯薄膜图像时使图像更加清晰；
28.(2)图像采集单元，用于收集产品外包装聚丙烯薄膜图像；
29.(3)管理系统，用于将收集到的图像进行预处理操作，缺陷检测单元用于将预处理后的图像进行缺陷检测，找出缺陷目标进行排除。
30.6.根据权利要求5所述的一种产品外包装聚丙烯薄膜缺陷检测装置，其特征在于，所述图像采集单元采用了全视角产品成像方案收集所属产品外包装聚丙烯薄膜图像；
31.其中，所述图像采集单元包括六个工业相机对所述产品的六个矩形面进行全方位检测；所述相机上带有传感器，在产品到位时会向系统发出检测信号，使所述图像采集单元迅速开始采集所述产品外包装聚丙烯薄膜图像。
32.7.根据权利要求5所述的一种产品外包装聚丙烯薄膜缺陷检测装置，其特征在于，所述管理系统包括：
33.图像处理单元，被配置为对所述样本数据进行图像预处理与数据增强，得到训练集与测试集，其中，所述训练集用于训练缺陷检测模型的参数，所述测试集用于测试所述模型在未见过的数据上的表现；
34.缺陷检测单元，被配置为将所述产品外包装聚丙烯薄膜缺陷图像输入预先构建的缺陷检测网络中进行缺陷检测，得到标识出缺陷目标的产品外包装聚丙烯薄膜缺陷图像。
附图说明
35.图1是本技术提供的产品外包装聚丙烯薄膜缺陷检测定位的方法流程示意图；
36.图2是本技术提供的检测模型原理示意图；
37.图3是本技术提供的产品外包装聚丙烯薄膜缺陷检测装置模块示意图；
38.图4是本技术提供的产品外包装聚丙烯薄膜缺陷检测装置结构示意图。
具体实施方式
39.现将参照附图来对本技术的各种进行描述。应该理解，这些附图仅描绘本技术公开的一些实施方式，并不用于限定本技术。
40.图1是根据本技术的产品外包装聚丙烯薄膜缺陷检测定位方法，其具体步骤如下：
41.步骤s101首先对工业外包装产品图像进行缺陷标注，将其对应标注信息作为样本数据；
42.步骤s102对样本数据进行预处理操作，得到训练集与测试集，其中具体步骤包括：
43.(1)对带有聚丙烯薄膜外包装产品图像进行二值化处理，使图像呈现明显的黑白效果，减少数据维度，并且排除原图中噪声带来的干扰，凸显有效区域的轮廓结构；
44.(2)对经过二值化的图像进行滤波操作，针对聚丙烯薄膜外包装散包、反包、褶皱等缺陷纹理特征比较复杂，图像的对比度不高等特点，选择对图像进行滤波操作，经对比后选择使用中值滤波实现图像增强；
45.(3)最终按9：1的比例将经过预处理操作的图像划分为训练集与测试集。
46.步骤s103是缺陷检测网络的构建，图2是根据本技术提供的缺陷检测网络的原理
示意图，其中缺陷检测定位方法如下：
47.在本技术中，综合考虑系统的准确性与运行效率，采用基于yolov7网络改进的缺陷检测网络来实现本技术的各个实现方式。如图2所示为示例性的基于yolov7网络改进的缺陷检测网络结构。如图1所示，该网络结构由主干特征提取网络(201)，加强特征提取网络(205)，预测头网络(211)三部分组成。
48.网络201中包含了cbs模块(202)、模块203(203)与mp模块(204)。yolov7的模块202由一个卷积层，一个批量化规范层，还有一个激活函数层silu组成，在本技术中，模块202的激活函数层mish激活函数，其结构如图1所示，其具有以下特点：
49.1.mish函数具有无上界，非饱和的特点，可以避免因饱和而导致的梯度爆炸，进而导致训练速度大大下降；
50.2.mish函数具有自正则化效果，可以使梯度与函数更加平滑，使模型更容易优化与泛化，随着网络深入，信息可以更深入地流动；
51.3.mish函数为非单调函数，有助于训练稳定性和最终准确性。
52.mish函数公式如下：
53.f(x)＝x*tanh(ln(1+e
x
))
54.其中ln(1+e
x
)表示归一化指数函数，x表示输出。
55.网络201中的模块203是其特有的聚合网络，其结构如图2所示，由多个卷积块组成。模块203有两条分支，第一条分支是经过一个1x1的卷积做通道数的变化，第二条分支首先经过一个1x1的卷积块，做通道数的变化。然后再经过四个3x3的卷积块，做特征提取。模块203采用多重堆叠，对应了更密集的残差结构，使网络更加容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
56.网络201中的模块204的主要作用为下采样，其结构如图2所示，由两个卷积层和一个最大池化层组成，其中最大池化层的步长为2，卷积核大小为3x3，卷积层的通道数分别为输入通道数的一半和输出通道数，其结构如图1所示；其这样的结构可以减少计算量和参数量，同时保持较好的性能，从而可以提高模型的速度和精度。
57.假设网络输入图片大小为640
×
640
×
3，在经过第一个步长为1，3x3的卷积后，其高和宽不会发生变化，通道数变为32；第二个3x3卷积，步长为2，高和宽压缩为320
×
320，通道数变化为64；第三个3x3卷积步长为1，故大小不变；第四个3x3卷积，步长为2，高和宽压缩为160
×
160，通道数变化为128；接下来进行模块203，经过多重卷积堆叠特征提取，其通道数变为256，高和宽不变；然后进行三次模块204与模块203，每次使其高和宽压缩为原来的一半，前两次通道数增大为原来的2倍，最后一次通道数不变，得到三次的特征图大小分别为80
×
80
×
512，40
×
40
×
1024，20
×
20
×
1024。
58.网络205中包含了模块202、模块206、模块204、模块208与模块207。在本技术中，对网络205进行了改进，将模块209和模块210注意力机制模块加入到了网络205中，可以有助于模型在检测过程中更有效地提取物体的特征信息，其结构如图1所示。
59.网络205中的模块206与模块203非常相似，其结构在模块203中选取了三个输出进行最后相加，而在模块206中选取了五个输出进行相加。
60.网络205中的模块206可以将不同大小的特征图进行池化，从而使得网络可以对不
同大小的物体进行检测。其结构如图2所示，该模块由spp模块与csp模块组成，spp模块能够增大感受野，使算法适应不同的分辨率图像，首先经过三个卷积块后进行分别为5，9，13的最大池化和一条无处理的分支，通过四个不同尺度的四种感受野代表处理不同的对象，用来区别大目标和小目标。csp模块首先将特征分为两部分，其中的一个部分进行常规的处理，另外一个部分进行spp结构的处理，最后把这两个部分合并在一起，这样子就能够减少一半的计算量，使得速度变得快，精度反而会提升。模块206可以提高网络的感受野，增强网络的特征提取能力，从而提高目标检测的精度。
61.网络205中的模块208是一个上采样的模块，它使用的上采样方式是最近邻插值，它可以将输入的特征图进行上采样，使得特征图的尺寸变大。模块208被用于将低分辨率的特征图上采样到高分辨率，以便于后续的特征融合。
62.本技术中在网络205中包含模块209，模块209是一种简单的transformer风格的卷积神经网络，transformer是舍弃了各种用于提取特征的卷积运算，采用了自注意力机制，模型全部由注意力机制组成一个神经网络。模块209相比其他模型的优势在于其简单性和高效性，它利用卷积调制操作对自注意力进行了简化，进而构建了一种新的卷积神经网络架构。模块209采用金字塔架构，即包含四个阶段、四种不同尺寸的特征，相邻阶段之间通过图像块嵌入模块降低特征空间分辨率，其结构为一个卷积核与步长均为2的卷积。模块209主要由两个子模块组成：卷积模块和自注意力模块。其中，卷积模块主要用于提取局部特征，自注意力模块主要用于提取全局特征。
63.本技术中在网络205中包含注意力机制模块210，模块210是一种全局注意力机制，它可以在不同的空间尺度上对特征进行加权。模块210的主要思想是通过一个全局池化层来获取全局信息，然后将全局信息与每个空间位置的特征进行融合。模块210的优点在于它可以自适应地对不同的特征进行加权，从而提高模型的性能。此外，模块210还可以在不同的任务中进行迁移学习，从而提高模型的泛化能力。模块210由空间注意子模块与通道注意子模块组成，其空间注意子模块使用两个卷积层进行信息融合；通道注意子模块使用3d排序来保存三个维度信息，其多层感知器用于放大跨维通道相关性。通过减少信息损失和放大全局交互特征提高了深度神经网络性能。
64.yolov7提取多特征层进行目标检测，一共提取三个特征层，但在本技术中增加了一个预测头，故需要多提取一个特征层。当输入的图像像素大小为640
×
640
×
3时，特征层1的形状feat0＝160
×
160
×
256，特征层2的形状feat1＝80
×
80
×
512，特征层3的形状feat2＝40
×
40
×
1024，特征层4的形状feat3＝20
×
20
×
1024。feat3首先利用模块207进行特征提取，以提高yolov7的感受野，之后进行一次1
×
1卷积调整通道，然后进行上采样模块208后与feat2进行一次卷积后的特征层进行结合，然后与concat模块进行特征提取获得特征层40
×
40
×
256，再通过模块206、模块209与上采样模块208后与feat1进行一次卷积后的特征层进行结合，获得特征层为80
×
80
×
128，同理再通过同样的模块与feat0进行一次卷积后的特征层进行结合获得特征层为160
×
160
×
64；模型从之前所得到的的特征层通过模块206、模块进行下采样并于与之前的特征层进行堆叠，并且通过模块204特征提取，最终分别得到大小为80
×
80
×
128、40
×
40
×
256、20
×
20
×
512的特征层，最终通过这三个特征层与feat0进行一次卷积后获得的特征层共四个特征层传入网络211获得预测结果。
65.在包装缺陷检测的数据集中，包含了许多非常小的缺陷，使得网络检测非常困难，
故本技术在yolov7三个检测头的基础上增加了一个检测头，增加网络检测小缺陷的能力与网络的稳定性，尽管增加检测头增加了计算和内存成本，但检测小缺陷时会变得更加精确。
66.网络211使用了一个残差卷积的结构，其特点是训练的时候引入特殊的残差结构辅助训练，在实际预测的时候，可以将复杂的残差结构等效于一个普通的3x3卷积，可以使网络的复杂度下降，并且维持同样的预测性能。yolov7的预测过程是将输入图像分成多个网格，每个网格预测一定数量的边界框和类别概率，然后使用非极大值抑制来合并重叠的框。
67.构架上述网络后，yolov7通过计算损失函数所需内容，包括：角度损失部分l
angle
、距离损失部分l
dis
、形状损失部分l
shape
和交叉损失iou组成，其中角度损失部分如公式所示：
[0068][0069]
其中zh为真实框与预测框中心点的高度差，σ为真实框与预测框中心点的距离，与为真实框的中心坐标，与为预测框的中心坐标。
[0070]
距离损失部分具体公式如下所示:
[0071][0072]
其中cw与ch为真实框与预测狂最小外接矩形宽高。
[0073]
形状损失部分如下列公式所示：
[0074][0075]
其中w
p
与h
p
为预测框宽高，w
t
与h
t
为真实框宽高，θ为常数，用于控制对象装损失的注意程度。
[0076]
最终将三部分进行联合组成，最终计算损失函数来完成训练，其公式如下：
[0077][0078]
a与b为真实框与预测框的面积交集与并集，α为控制损失函数梯度收敛速度的参数。
[0079]
通过使用自建烟盒包装缺陷检测数据集对其进行训练，该数据集分为训练集和测试集，并为数据集中的每张图像都以pascalvoc格式标注了边界框和类别信息，按9：1的比例将经过预处理操作的图像划分为训练集与测试集。其中，训练集用于训练模型的参数，测试集用于测试模型在未见过的数据上的表现。本技术将训练集像素大小调整为640
×
640
×
3，并输入进网络进行训练，得到网络各层的权重参数信息。向训练得到的网络结构中输入预先确定的测试数据集以及对应类别的标签向量。测试数据集的像素大小同样为640
×
640
×
3。通过向网络输入上述测试数据集以及对应类别的标签向量，可对网络的输出结果进行检测，所检测的结果与标准数据进行比对，以根据比对的误差对网络权重进行调整。重复上面步骤，直到得到测试准确率达到预定的标准，例如准确率为99％以上。
[0080]
为了评估改进的yolov7算法对目标的检测效果，本技术使用了精确率(precision)、召回率(recall)、平均精确率(average precision,ap)、平均精确率均值(mean average precision,map)、参数量大小、检测速度(fps)作为评价指标。ap是一种类别的平均精准度，而map是所有ap值的平均值。选取交并比iou＝0.5情况下获取map值，即为map@0.5。具体公式如下所示：
[0081][0082][0083][0084][0085]
式中，tp为正类预测为正类数，fn为将正类预测为负类数，fp为将负类预测为正类数，c表示类别数。
[0086]
图3是根据本技术的产品外包装聚丙烯薄膜缺陷检测系统示意图，其在工业流水线进行缺陷检测时由图中四个步骤进行。
[0087]
照明单元301，用于对产品外包装表面进行照明，使拍摄出的图像更加清晰。
[0088]
图像采集单元302，用于对在工业生产过程中进行高速运动的产品表面进行图像采集。
[0089]
图像处理单元303，用于对样本图像进行处理，对已经包装过的产品图像进行系统分析，判别图像是否合格。
[0090]
缺陷检测单元304，用于在进行产品缺陷检测时，对产品图像中的每种缺陷位置进
行定位，得到检测结果输入判断网络，判断产品外包装是否存在缺陷，检测缺陷类型及位置。
[0091]
图4是根据本技术的产品外包装聚丙烯薄膜缺陷检测装置示意图，具体包括：
[0092]
照明单元401，包括led光源，用于对产品外包装进行照明，针对聚丙烯薄膜透明的特点，使聚丙烯薄膜透明外包装在图像采集时显得更加清晰，减少缺陷检测时由于图像不清晰原因导致的误差。
[0093]
图像采集单元402，包括六台工业相机，用于对在工业生产过程中进行高速运动的产品表面进行图像采集分别对聚丙烯薄膜外包装的六个面进行全视角成像，以防止存在未被检测到的缺陷。工业相机上带有光纤传感器，当产品到位时会向系统发出检测信号，使系统迅速开始采集图像，并且在检测出缺陷外包装产品后，使缺陷外包装产品能与流水线分离。当待检测产品穿过系统相机取景区时，led光源照明系统照亮产品，光纤信号采集系统捕捉产品信号传送到控制单元，工业相机开始拍摄图像。
[0094]
管理系统403，包含图像处理单元404与缺陷检测单元405，对单元401、单元402等系统上传的数据进行处理，可以对图像进行处理与分析，下达控制指令。
[0095]
终端设备406，包括存储器407和处理器408，407内存储有可在408上运行的产品外包装缺陷检测程序，407包含高速ram存储器；408用于执行所述产品外包装缺陷检测程序时实现上述产品外包装聚丙烯薄膜缺陷检测方法。该设备还包括通信接口，用于处理器与外围设备之间的通信。
[0096]
以上所述仅为本技术的具体实施方式，并不用以限制本技术，凡在本技术揭露的技术范围内可轻易想到的各种变化或替换，这些都应涵盖在本技术保护范围内。因此，本技术保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种产品外包装聚丙烯薄膜缺陷检测的方法，其特征在于，包括：（1）获取样本数据，所述样本数据包括预设的聚丙烯薄膜的图像及其标注信息；（2）构建缺陷检测网络；（3）对所述样本数据进行图像预处理与数据增强，得到训练集与测试集；（4）通过所述训练集训练缺陷检测模型的参数，其中，所述测试集用于测试所述缺陷检测模型在未见过的数据上的表现；（5）将所述产品外包装聚丙烯薄膜缺陷图像输入训练好的所述缺陷检测网络中进行缺陷检测，得到标识出缺陷目标的产品外包装聚丙烯薄膜缺陷图像。2.根据权利要求1所述的一种产品外包装聚丙烯薄膜缺陷检测的方法，其特征在于，所述步骤（3）包括：（1）对所述产品外包装聚丙烯薄膜缺陷图像进行二值化处理；（2）对所述产品外包装聚丙烯薄膜缺陷图像进行中值滤波操作；（3）按照设定比例将经过预处理的产品外包装聚丙烯薄膜缺陷图像划分为所述训练集与所述测试集。3.根据权利要求1所述的一种产品外包装聚丙烯薄膜缺陷检测网络的方法，其特征在于，所述缺陷检测网络包括主干特征提取网络、加强特征提取网络与预测头；其中，所述步骤（4）包括：通过利用所述主干特征提取网络将输入的产品外包装缺陷图片进行特征提取；利用所述加强特征提取网络从所提取的特征中提取出加强特征；结合不同尺度的特征信息对所述加强特征进行特征融合；将融合后的特征信息送入所述预测头进行预测先验框，所述预测头对所属融合特征构成的特征图上的特征点进行分析，判断所述特征点上的先验框是否存在物体与其对应，其中，在特征点上还预测了置信度与类别概率，在判断是否存在物体时，所述模型将置信度和类别概率相乘得到得分，得分高于设定阈值时，则认为检测出缺陷目标的产品外包装聚丙烯薄膜缺陷图像。4.根据权利要求3所述的一种产品外包装聚丙烯薄膜缺陷检测网络的方法，所述缺陷检测网络的损失函数包括：角度损失部分、距离损失部分、形状损失部分和交叉损失部分，其中，通过调整所述距离损失部分、所述形状损失部分和所述交叉损失部分的权重来平衡不同部分的影响。5.一种产品外包装聚丙烯薄膜缺陷检测装置，其特征在于，包括：（1）照明单元，用于在收集产品外包装聚丙烯薄膜图像时使图像更加清晰；（2）图像采集单元，用于收集产品外包装聚丙烯薄膜图像；（3）管理系统，用于将收集到的图像进行预处理操作，缺陷检测单元用于将预处理后的图像进行缺陷检测，找出缺陷目标进行排除。6.根据权利要求5所述的一种产品外包装聚丙烯薄膜缺陷检测装置，其特征在于，所述图像采集单元采用了全视角产品成像方案收集所属产品外包装聚丙烯薄膜图像；其中，所述图像采集单元包括六个工业相机对所述产品的六个矩形面进行全方位检测；所述相机上带有传感器，在产品到位时会向系统发出检测信号，使所述图像采集单元
迅速开始采集所述产品外包装聚丙烯薄膜图像。7.根据权利要求5所述的一种产品外包装聚丙烯薄膜缺陷检测装置，其特征在于，所述管理系统包括：图像处理单元，被配置为对所述样本数据进行图像预处理与数据增强，得到训练集与测试集，其中，所述训练集用于训练缺陷检测模型的参数，所述测试集用于测试所述模型在未见过的数据上的表现；缺陷检测单元，被配置为将所述产品外包装聚丙烯薄膜缺陷图像输入预先构建的缺陷检测网络中进行缺陷检测，得到标识出缺陷目标的产品外包装聚丙烯薄膜缺陷图像。

技术总结
本申请公开了一种产品外包装聚丙烯薄膜缺陷检测方法及装置，其中所述方法包括：对原始工业产品外包装图像进行缺陷标注，将图像及其对应标注信息作为样本数据；对样本数据进行预处理与数据增强，获得训练集、测试集；将图像对构建好的缺陷检测网络进行训练，得到训练好的缺陷检测模型，将待检测的工业产品外包装图像输入模型中进行缺陷检测，获得图像缺陷信息。所述装置包括照明单元，用于对产品外包装表面进行照明；图像采集单元，用于对在工业生产过程中进行高速运动的产品表面进行图像采集；管理系统，用于对样本图像进行处理与缺陷检测。本申请能高效准确地检测出透明聚丙烯薄膜的缺陷，对缺陷产品外包装进行检测。对缺陷产品外包装进行检测。对缺陷产品外包装进行检测。


技术研发人员：谢英红 阴滮 王朝辉 韩晓微 郝岩
受保护的技术使用者：沈阳大学
技术研发日：2023.07.04
技术公布日：2023/10/7