[发明专利]一种基于深度自学习的烟包包装外观检测方法

权利要求书

1.一种基于深度自学习的烟包包装外观检测方法，其特征在于：包括

步骤一，采集至少三个标准包装外观的六个面的图像，采用基于积分图像的生成模板图像，然后利用NCC算法对其他标准图像进行计算，最后根据多个NCC计算结果计算标准偏差；

步骤二，采集至少20个不合格包装外观的六个面的NG图，使用NCC算法对NG图像进行检测，而后根据标准偏差找出缺陷区域，并获得缺陷区域的几何特征参数，最后根据几何特征参数自动设置允许的缺陷公差；

步骤三，利用双工位CCD传感器采集待测烟包的六个面图像，对图像采取进行对齐、融合和光照迁移修正处理，将获得的图像进行NCC计算，而后根据标准偏差找出缺陷区域，并得到待测烟包缺陷特征数据；

所述步骤三中的对齐处理包括

步骤a：使用sobel滤波核获得的烟包梯度图像；

步骤b：进行烟包梯度强度排序，获得区域梯度均值最大的五个区域；

步骤c：以这五个区域图像的梯度直方图作为匹配特征描述符HOG，在偏离中心范围的领域内，以滑动窗算法搜索使得标准图像和检测图像的HOG特征描述符差值最小的偏移位置，获得5个强梯度区域的特征映射点对集合；

步骤d：最后利用RANSAC算法求出变化矩阵，完成图像对齐变换；

所述步骤三中的融合处理包括使用金字塔算法，并根据高亮密度分布核函数获得双工位CCD传感器采集的两幅烟包图像的高亮反射区域，进行区域替换和基于加权平均的融合方法实现两幅图像高亮发射区域融合；

所述步骤三中的修正处理包括

步骤1)对标准图像进行快速离散傅里叶变换获得标准图像的频域图像，对频域图像采用低通滤波，经过傅里叶逆变换获得图像的光强分布图像；

步骤2)对光强分布图像采用KNN算法进行分割，计算标准图像各分割区域光强均值；

步骤3)对检测图像进行快速离散傅里叶变换获得检测图像的频域图像，对频域图像采用低通滤波，经过傅里叶逆变换获得检测图像的光强分布图像；

步骤4)对步骤3)中的光强分布图像采用KNN算法进行分割，计算检测图像各分割区域光强均值；

步骤5)获得所述区域标准图像和检测图像的光强均值偏差率；

步骤6)根据步骤5)中的均值偏差率进行检测图像的光照修正，降低因为光照差异引起的误检；

步骤四，将步骤三得到的待测烟包缺陷特征数据与模板进行对比，如果缺陷特征数据在步骤二设置的允许的缺陷公差之内，则判断此待测烟包包装外观合格，否则判断此待测烟包外观不合格，并发出剔除不合格件的指令。

2.根据权利要求1所述的基于深度自学习的烟包包装外观检测方法，其特征在于：所述步骤一中从标准图像上到下、从左到右计算得到和的标准模板积分图像公式如下：

ii(x,y)＝ii(x-1,y)+i(x,y)+ii(x,y-1)-ii(x-1,y-1)

其中ii(x,y)表示为(0,0)到(x,y)所有像素点灰度值之和,即积分图，i(x,y)表示(x,y)处像素点灰度值；

NCC的计算公式可以表示为如下：

其中m*n表示窗口大小,且(x,y)∈m*n，f表示模板图像，r表示检测图像，∑_i∑_jf²(x+i,y+j)表示模板积分图平方和，∑_i∑_jr²(x+i,y+j)表示待检积分图平方和，μ_f表示模板积分图任意窗口的均值，μ_r表示待检积分图像任意窗口的均值，

通过NCC公式计算，积分图像建立起来窗口下面的待检测图像与模板的和与平方和以及他们的交叉乘积五个积分图索引之后，输出计算结果。

3.根据权利要求1所述的基于深度自学习的烟包包装外观检测方法，其特征在于：所述步骤二中，需要至少三包以上标准图像，启用自动设置缺陷公差时至少需要20包以上NG烟包图像，不启用自动设置缺陷公差时可以手动修改。

4.根据权利要求1所述的基于深度自学习的烟包包装外观检测方法，其特征在于：在步骤三进行烟包在线检测时，检测系统的灯光和灰尘的变化，若合格，则进入步骤四；若不合格，则对其是否达到报警阈值进行判断；若达到，则进行故障报警；若未到达，则进行校准，并返回步骤一。