[发明专利]一种基于深度学习的烟支外观缺陷检测方法

说明书

本发明涉及一种基于深度学习的烟支外观缺陷检测方法，包括如下步骤：S通过相机组件采集烟支的正面图像和反面图像；将采集到的图像进行直方图均衡化处理；对处理后的图像进行中值滤波处理；将处理后的图像按比例裁剪，建立基于图像金字塔的灰度模板，根据图像位置和方向进行校正图像位置；将校正后的上图像和下图像合并成为一张图像；将处理后的图像裁剪为三个图像；分别在烟嘴段图像、LOGO段图像和烟身段图像的背景区域生成掩模，并分别将无掩模区域作为感兴趣区域1‑3；利用感兴趣区域样本集建立模型数据集：通过模型数据集建立并优化深度学习算法模型，利用深度学习模型对烟支图像进行缺陷检测。本发明使用的深度学习模型能对缺陷准确分类，可为生产商提供信息排除机械故障和改进生产方案。

技术领域

本发明涉及烟支检测，尤其是一种基于深度学习的烟支外观缺陷检测方法。

背景技术

1.现有基于机器视觉技术的烟支外观在线检测系统均使用面阵CCD相机，采集的烟支端面图像为二维平面信息，无法实现端面空腔深度(三维信息)缺陷检测的问题，且现有检测系统只能实现圆周面或者端面的缺陷检测，存在功能单一的缺点。

2.现有的基于机器视觉技术的烟支外观在线检测系统对于飞沫的排除方法只能减少飞沫干扰，并不能识别出飞沫并排除干扰。现有的排除飞沫干扰的方法是在光学模组安装拍摄角度不同的两个相机，采集烟支同一个圆周面的两幅图像，对比两幅图像缺陷位置来排除飞沫干扰。但当飞沫处于两个相机视场重叠位置时，飞沫会同时出现在两个图像上从而引起误判。

3.现有基于机器视觉技术的烟支外观在线检测系统使用图像对比算法检测缺陷存在不足，由于每根烟支处于滚轮的角度位置不同，采集图像带有logo或花纹等图案的位置也会变化，使用比对算法检测带有图案的烟支容易引起误判，所以现有的比对算法不能实现带有图案烟支区域的缺陷检测。

发明内容

本发明为了解决上市技术问题是：提供一种基于深度学习的烟支外观缺陷检测方法。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的烟支外观缺陷检测方法，包括如下步骤：

S1：通过相对设置在卷烟机两侧的相机组件采集经过该段相机时，烟支的正面图像和反面图像，正面图像或反面图像由两个侧面图像组成，两个侧面图像的交集包含烟支180°圆周面区域；正面图像和反面图像的交集包含烟支360°圆周面区域；

S2：将S1中采集到的图像进行直方图均衡化处理；

S3：对S2处理后的图像进行中值滤波处理；

S4：将S3处理后的图像按高度1：1的比例裁剪为上图像和下图像，分别对两个图像进行S5和S6处理；

S5：建立基于图像金字塔的灰度模板，利用基于灰度模板的模板匹配获取烟支图像的位置和方向；

S6：根据S5的图像位置和方向进行仿射变换，校正图像位置；

S7：将校正后的上图像和下图像合并成为一张图像；

S8：按照无文字烟嘴区域、有文字烟嘴区域和烟身区域将S7处理后的图像裁剪为三个图像，分别为烟嘴段图像、LOGO段图像和烟身段图像；

S9：分别在烟嘴段图像、LOGO段图像和烟身段图像的背景区域生成掩模，烟嘴段图像无掩模区域作为感兴趣区域1，LOGO段图像无掩模区域作为感兴趣区域2，烟身段图像无掩模区域作为感兴趣区域3；

S10：利用感兴趣区域样本集建立模型数据集，感兴趣区域样本集分为训练集与预测集，由训练集与预测集共同组成模型数据集；其中感兴趣区域1的样本集包含无缺陷图像、飞沫干扰无缺陷图像、破损缺陷图像、污渍缺陷图像；其中感兴趣区域2的样本集包含无缺陷图像、飞沫干扰无缺陷图像、破损缺陷图像、污渍缺陷图像；其中感兴趣区域3的样本集包含无缺陷图像、飞沫干扰无缺陷图像、破损缺陷图像、污渍缺陷图像、夹沫缺陷图像；