烟盒装箱缺陷检测方法、装置、设备、介质和程序产品与流程
本申请涉及检测,特别是涉及一种烟盒装箱缺陷检测方法、装置、设备、介质和程序产品。
背景技术:
1、在烟草制造行业中,烟盒的自动化装箱过程受设备机械冲击、推装压力不均、输送定位偏差等机械因素,以及人工辅助规整、补位操作不规范等人为因素的共同影响,极易产生压破、缺条、歪斜、错位、箱体变形等各类装箱异常缺陷,直接影响成品烟包装质量,造成产品损耗与品质隐患。
2、相关技术中,主要依靠人工抽检或传统目标检测模型完成装箱缺陷识别。其中,人工抽检方式高度依赖人工经验与视觉状态,存在检测效率低、主观性强、漏检误检率高的问题;而传统目标检测模型仅针对局部缺陷目标进行孤立识别,面对复杂缺陷场景的识别能力不足,导致装箱缺陷的识别精度较低。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高烟盒装箱缺陷的识别精度的烟盒装箱缺陷检测方法、装置、设备、介质和程序产品。
2、第一方面,本申请提供了一种烟盒装箱缺陷检测方法,包括:
3、获取多个烟盒在装箱后的烟盒装箱图像;
4、调用局部检测模型对所述烟盒装箱图像进行局部缺陷检测,得到局部缺陷检测结果;所述局部缺陷检测结果包括局部缺陷的局部缺陷类型和置信度;
5、调用全局检测模型对所述烟盒装箱图像进行全局缺陷感知,得到全局缺陷感知结果;所述全局缺陷感知结果包括所述烟盒装箱图像中存在目标缺陷类型对应的缺陷的概率;所述目标缺陷类型包括全局缺陷类型和所述局部缺陷类型;
6、基于所述全局缺陷感知结果对所述局部缺陷检测结果进行修正,得到烟盒装箱缺陷检测结果。
7、第二方面,本申请还提供了一种烟盒装箱缺陷检测装置,包括:
8、获取模块,用于获取多个烟盒在装箱后的烟盒装箱图像;
9、局部缺陷检测模块,用于调用局部检测模型对所述烟盒装箱图像进行局部缺陷检测,得到局部缺陷检测结果;所述局部缺陷检测结果包括局部缺陷的局部缺陷类型和置信度;
10、全局缺陷检测模块,用于调用全局检测模型对所述烟盒装箱图像进行全局缺陷感知,得到全局缺陷感知结果;所述全局缺陷感知结果包括所述烟盒装箱图像中存在目标缺陷类型对应的缺陷的概率;所述目标缺陷类型包括全局缺陷类型和所述局部缺陷类型;
11、输出模块,用于基于所述全局缺陷感知结果对所述局部缺陷检测结果进行修正,得到烟盒装箱缺陷检测结果。
12、第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上方法的步骤。
13、第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
14、第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
15、上述烟盒装箱缺陷检测方法、装置、设备、介质和程序产品,针对烟盒装箱后的烟盒装箱图像,调用局部检测模型进行局部缺陷检测,通过局部缺陷检测可以有效捕捉图像中的细微的纹理变化,同时,调用全局检测模型进行全局缺陷感知,通过全局缺陷感知可以有效感知整箱烟盒的整体排列状态,最后,基于所述全局缺陷感知结果对所述局部缺陷检测结果进行修正,得到烟盒装箱缺陷检测结果,在上述过程中,通过独立的局部检测模型和全局检测模型,从不同维度进行缺陷检测,并通过结果级的修正对两个维度的检测结果进行融合,兼顾了局部细节识别和全局排列规律的识别,提高了复杂缺陷场景下烟盒装箱缺陷的识别精度。
1.一种烟盒装箱缺陷检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述全局缺陷感知结果对所述局部缺陷检测结果进行修正,得到烟盒装箱缺陷检测结果,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据所述全局缺陷感知结果中所述目标缺陷类型的缺陷的概率,对所述局部缺陷检测结果中定位的局部缺陷的置信度进行更新,包括:
4.根据权利要求2所述的方法,其特征在于,所述根据所述全局缺陷感知结果,补充所述局部缺陷检测结果中包含的缺陷,包括:
5.根据权利要求1所述的方法,其特征在于,所述全局检测模型包括多尺度特征提取网络、双向特征金字塔网络、状态空间序列建模网络和多标签分类头;
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
7.一种烟盒装箱缺陷检测装置,其特征在于,所述装置包括:
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com