[发明专利]一种混合深度学习模型的口红质检系统

说明书

本发明涉及产品智能质检技术领域，具体为一种混合深度学习模型的口红质检系统，包括图像采集模块、图像分割模块、不良品检测模块、表面缺陷分类模块、中转存储模块、中央存储模块、迁移优化模块，迁移优化模块包括新增数据标注单元和迁移训练单元；新增数据标注单元用于对新增的不良品进行人工标注；迁移训练单元将ResNet神经网络模型通过新增数据标注以及配套的标注数据，利用迁移学习的方法进行二次训练，用以对表面缺陷分类模块进行优化，提升模型的检测、分类性能。该系统利用传统数字图像处理方法与深度学习结合的方法，在保证生产效率和检测精度的前提下，极大的减小生产过程中人力的投入，便于使用。

技术领域

本发明涉及产品智能质检技术领域，具体为一种混合深度学习模型的口红质检系统。

背景技术

目前口红生产企业生产线还未达到全自动化的程度，许多环节需要人工全程在线的干预，其中质检部分是产能提升的瓶颈之一，人工质检的效率存在上限；人力无法长时间持续在线，不仅对质检工人身体有所伤害，质检准确度也会随时间推移而下降；人工质检即使在工人有完备精力的状况下，仍然存在漏检、误检的情况；对生产数据的统计也局限于人工记录。

通过专利检索发现，专利申请号为CN201480071110.5的发明专利公开了“表面缺陷检测方法及表面缺陷检测装置”，该发明利用传统数字图像处理方法，提供一种能够高精度地辨别水锈、无害纹理和表面缺陷的表面缺陷检测方法及表面缺陷检测装置，但其利用纯数字图像出现的方式对于环境的依赖性较高且泛化性不足；

专利申请号为201911293863.1的发明专利公开了“一种神经网络训练方法、工件表面缺陷分类与检测方法及装置”，该发明利用深度学习技术，解决缺陷检测只能检测缺陷的存在，而不能识别缺陷特征的细节，进而导致无法从缺陷检测结果中评估和改进制造过程的技术问题，但其并未有效解决利用深度模型算法检测效率的问题，且其未给出对模型二次优化的方案。

通过文献查找发现，乔天宇等人所著的“基于深度学习的表面缺陷检测系统”[J].电子世界,2020(09):126-127.提出对VggNet、ResNet等深度卷积神经网络进行框架融合，得到一个工业零件表面缺陷检测系统，但其完全依赖于深度学习模型，受到检测效率和泛化性的限制；

彭宽宽等人所著的“基于图像处理技术的油污干扰下硅钢片缺陷检测”[J].航空制造技术，2019,62(20):77-82。采用中值滤波配合维纳滤波抑制硅钢片表面的纹理干扰方法、连接并补全断开的油污轮廓边缘、制作亮斑掩膜等一系列图像处理方法，有效检测出油污干扰下的硅钢片表面缺陷,例如细小缺陷、表面刮伤和裂纹，但其利用纯数字图像出现的方式对于环境的依赖性较高。鉴于此，我们提出一种混合深度学习模型的口红质检系统。

发明内容

本发明的目的在于提供一种混合深度学习模型的口红质检系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种混合深度学习模型的口红质检系统，包括：

图像采集模块，通过工业像机和摄像头在既定环境下，以频闪拍摄的形式，获取待检口红的多张图像；

图像分割模块，对拍摄的图像依次进行无效区域的裁切、U-Net分割、灰度均衡化处理，并将处理后的图像按待检口红的编号进行分组，得到单支待检口红的图组；

不良品检测模块，将单支待检口红的图组送入异常缺陷和表面异常并行检测算法中进行检测，用以挑拣出异常缺陷和表面异常的不良品，在检测到图组的异常缺陷和表面异常的同时，发送不良品分拣信号；

表面缺陷分类模块，通过ResNet神经网络模型对表面缺陷的不良品分类为划痕、孔洞、刮膏等，并将分类结果进行储存；

中转存储模块，存储不良品检测模块的异常缺陷和表面异常不良品图组，以及表面缺陷分类模块的分类结果；