本發(fā)明涉及玻璃容器檢測，特別是一種利用ai視覺檢測玻璃容器的方法及系統(tǒng)。

背景技術(shù)：

1、隨著玻璃容器生產(chǎn)工藝的不斷發(fā)展，我國日用玻璃行業(yè)生產(chǎn)技術(shù)越發(fā)成熟，與國際先進(jìn)技術(shù)的差距不斷縮小。但是隨著生產(chǎn)工藝的不斷發(fā)展，現(xiàn)在客戶對于玻璃容器的檢測要求越來越高。

2、但是玻璃的質(zhì)量檢測仍然處于傳統(tǒng)的人工燈檢上，該檢測方法存在效率低、成本高等諸多缺點，嚴(yán)重影響規(guī)模化生產(chǎn)需求。近年來，隨著人工智能、機(jī)械學(xué)習(xí)等相關(guān)理論的迅猛發(fā)展，基于機(jī)器視覺的無損檢測技術(shù)日趨用于各類工業(yè)產(chǎn)品的檢測中，逐步代替人工檢測的過程，擴(kuò)大了社會生產(chǎn)力，創(chuàng)造了良好的社會效益。當(dāng)前國內(nèi)許多檢測設(shè)備廠商對玻璃進(jìn)行了缺陷檢測算法的研發(fā)，但該缺陷檢測方法存在精度不夠，漏檢率或過檢率過高的問題。

技術(shù)實現(xiàn)思路

1、針對上述缺陷，本發(fā)明的目的在于提出一種利用ai視覺檢測玻璃容器的方法及系統(tǒng)，以提高玻璃容器在檢測時的精度以及速度。

2、為達(dá)此目的，本發(fā)明采用以下技術(shù)方案：一種利用ai視覺檢測玻璃容器的方法，包括以下步驟：

3、步驟s1：采集玻璃容器帶有缺陷的圖片，作為訓(xùn)練模型所使用的圖片；

4、步驟s2：對圖片進(jìn)行預(yù)處理和歸一化處理，生成數(shù)據(jù)集文件；

5、步驟s3：設(shè)置模型參數(shù)，創(chuàng)建訓(xùn)練模型；

6、步驟s4：將數(shù)據(jù)集文件按比例劃分出訓(xùn)練集與測試集，將訓(xùn)練集輸入值訓(xùn)練模型中對模型進(jìn)行訓(xùn)練，使用測試集對訓(xùn)練后模型的準(zhǔn)確度進(jìn)行檢測；

7、步驟s5：獲取準(zhǔn)確率高于閾值的訓(xùn)練模型，作為檢測模型，通過檢測模型對待檢測的玻璃容器的圖片進(jìn)行缺陷檢測；

8、其中步驟s5的具體步驟如下：

9、獲取待檢測的玻璃容器的瓶身照片，作為待檢測照片；

10、將待檢測照片劃分為s*s個網(wǎng)格，設(shè)置邊界框的個數(shù)為x；

11、每一個網(wǎng)格使用x個邊界框進(jìn)行置信度預(yù)測，其中預(yù)測過程調(diào)用所述檢測模型；

12、根據(jù)置信度預(yù)測得到玻璃容器中缺陷的位置與類別。

13、優(yōu)選的，所述步驟s2中預(yù)處理的方式為：調(diào)整圖片的大小、對圖片去噪以及圖片清洗；

14、歸一化的方式為：

15、

16、其中x′為表示歸一化后的數(shù)據(jù)，x為原始數(shù)據(jù)。

17、優(yōu)選的，步驟s3中設(shè)置模型的參數(shù)包括周期、圖片大小以及類別數(shù)。

18、優(yōu)選的，所述步驟s4中對于訓(xùn)練模型的訓(xùn)練優(yōu)化方法如下：

19、步驟a1：在訓(xùn)練集中按照批次將訓(xùn)練數(shù)據(jù)送入模型進(jìn)行訓(xùn)練，將選擇的樣本輸入到模型中進(jìn)行前向傳播計算，得到該樣本的預(yù)測結(jié)果；

20、步驟a2：將樣本的預(yù)測結(jié)果以及真實標(biāo)簽進(jìn)行比較，獲取本次樣本的損失函數(shù)值；

21、步驟a3：通過損失函數(shù)值計算訓(xùn)練模型參數(shù)的梯度，根據(jù)梯度計算訓(xùn)練模型參數(shù)的更新值；

22、通過更新值對訓(xùn)練模型的參數(shù)進(jìn)行更新；

23、步驟a4：使用驗證集樣本輸入訓(xùn)練模型中，獲取該次樣本的模型性能評分，若模型性能評分大于閾值，則輸出訓(xùn)練模型作為檢測模塊，若模型性能評分小于閾值，則表示方向不正確，停止訓(xùn)練，并做出網(wǎng)絡(luò)結(jié)構(gòu)或參數(shù)調(diào)整；

24、其中損失函數(shù)值計算公示如下：

25、l＝λ*l1+(1-λ)*l2；

26、

27、其中l(wèi)為損失函數(shù)值，l1為類別損失函數(shù)值，l2為位置損失函數(shù)值，λ為比例系數(shù)，pij表示第i個樣本屬于第j類的概率,yij為一個向量，具體如下:

28、f(xi)為第i個樣本預(yù)測位置，yi為樣本的實際位置，n為處理的樣本總數(shù)，c為類別的總數(shù)；

29、模型性能評分的計算公示如下：

30、

31、其中q為缺陷類別的集合，q表示第q類缺陷，avep(q)表示第q類缺陷的平均準(zhǔn)確率，tpi表示在第i次訓(xùn)練中，預(yù)測為正樣本，實際為也正樣本的樣本個數(shù)，fpi表示在第i次訓(xùn)練中，預(yù)測為正樣本，實際為負(fù)樣本的樣本個數(shù)。

32、優(yōu)選的，步驟s4中使用測試集對訓(xùn)練后模型的準(zhǔn)確度進(jìn)行檢測的步驟如下：

33、將驗證集的圖片輸入至訓(xùn)練中的訓(xùn)練模型，獲取樣本的預(yù)測結(jié)果與實際結(jié)果，根據(jù)預(yù)測結(jié)果與實際結(jié)果獲取訓(xùn)練模型的準(zhǔn)確率和召回率；

34、在訓(xùn)練過程中或完成訓(xùn)練后，若準(zhǔn)確率和召回率均滿足預(yù)期，則保留本次訓(xùn)練的訓(xùn)練模型，若小于，則重復(fù)步驟s3～s4；

35、其中訓(xùn)練模型的準(zhǔn)確率的獲取公式如下：

36、

37、召回率的獲取公示如下：

38、

39、其中tp為預(yù)測為正樣本，實際為正樣本的樣本個數(shù)，fp為預(yù)測為正樣本，實際為負(fù)樣本的樣本個數(shù)；tn為預(yù)測為負(fù)樣本，實際為負(fù)樣本的樣本個數(shù)；

40、fn為預(yù)測為負(fù)樣本，實際為正樣本的樣本個數(shù)。

41、優(yōu)選的，所述步驟s5中置信度的獲取公式如下：

42、confidence＝pr(object)*iou；

43、其中

44、iou表示邊界框與網(wǎng)格的交集與并集的比值。

45、一種利用ai視覺檢測玻璃容器的系統(tǒng)，使用所述一種利用ai視覺檢測玻璃容器的方法，包括：采集模塊、處理模塊、設(shè)置模塊、訓(xùn)練模塊以及運用模塊；

46、所述采集模塊用于采集玻璃容器帶有缺陷的圖片，作為訓(xùn)練模型所使用的圖片；

47、所述處理模塊用于對圖片進(jìn)行預(yù)處理和歸一化處理，生成數(shù)據(jù)集文件；

48、所述設(shè)置模塊用于設(shè)置模型參數(shù)，創(chuàng)建訓(xùn)練模型；

49、所述訓(xùn)練模塊用于將數(shù)據(jù)集文件按比例劃分出訓(xùn)練集、驗證集與測試集，將訓(xùn)練集輸入值訓(xùn)練模型中對模型進(jìn)行訓(xùn)練，使用測試集對訓(xùn)練后的模型進(jìn)行測試，人為觀察測試效果是否符合預(yù)期，并統(tǒng)計數(shù)據(jù)，反應(yīng)檢測效果，使用驗證集在訓(xùn)練過程中把控訓(xùn)練方向；

50、所述運用模塊用于獲取準(zhǔn)確率、精確度、召回率滿足預(yù)期，并在測試集測試中表現(xiàn)良好的模型作為檢測模型，通過檢測模型對待檢測的玻璃容器的圖片進(jìn)行缺陷檢測。

51、優(yōu)選的，所述處理模塊包括預(yù)處理模塊與歸一化模塊；

52、所述預(yù)處理模塊用于調(diào)整圖片的大小、對圖片去噪以及圖片清洗；

53、所述歸一化模塊為對預(yù)處理后的圖片進(jìn)行歸一化。

54、優(yōu)選的，所述訓(xùn)練模塊包括選擇模塊、損失值獲取模塊、更新模塊以及評分模塊；

55、所述選擇模塊用于在訓(xùn)練集中按照批次將訓(xùn)練數(shù)據(jù)送入模型進(jìn)行訓(xùn)練，將選擇的樣本輸入到模型中進(jìn)行前向傳播計算，得到該樣本的預(yù)測結(jié)果；

56、所述損失值獲取模塊用于將樣本的預(yù)測結(jié)果以及真實標(biāo)簽進(jìn)行比較，獲取本次樣本的損失函數(shù)值；

57、所述更新模塊用于通過損失函數(shù)值計算訓(xùn)練模型參數(shù)的梯度，根據(jù)梯度計算訓(xùn)練模型參數(shù)的更新值；

58、所述評分模塊用于使用驗證集樣本輸入訓(xùn)練模型中，獲取該次樣本的模型性能評分，若模型性能評分大于閾值，則輸出訓(xùn)練模型作為檢測模塊，若模型性能評分小于閾值，則表示方向不正確，停止訓(xùn)練，并做出網(wǎng)絡(luò)結(jié)構(gòu)或參數(shù)調(diào)整。

59、上述技術(shù)方案中的一個技術(shù)方案具有如下優(yōu)點或有益效果：在本發(fā)明中，首先會對玻璃容器的照片分割為多個待檢測的網(wǎng)格，并在每個網(wǎng)格中使用多個邊界框進(jìn)行置信度預(yù)測，可以更精確地定位缺陷的位置。每個邊界框可以捕捉到缺陷的不同位置和大小，從而提供更詳細(xì)和準(zhǔn)確的缺陷信息，增加檢測的精度。