本發(fā)明涉及圖像識別，特別是一種通過ai檢測玻璃瓶螺紋的方法、系統(tǒng)、電子設備及存儲介質。

背景技術：

1、玻璃容器在生產流程中，歷經多道工序，每一環(huán)節(jié)都可能因溫度控制、原料純凈度、模具精度等多種因素，在瓶口螺紋部位造成諸如螺紋缺失、微小氣泡嵌入、結石殘留以及偶發(fā)的炸裂裂紋等質量缺陷。這些缺陷不僅影響容器的密封性能與美觀度，還可能對后續(xù)灌裝產品的安全與質量構成潛在威脅。

2、傳統(tǒng)上，制造商傾向于采用通用的瓶身檢測算法來識別包括瓶口螺紋在內的各種缺陷。然而，這一做檢測方法存在有如下問題：瓶口螺紋區(qū)域的結構復雜多變，其獨特的螺旋形態(tài)導致光線反射與折射現象異常復雜，極易產生陰影、反光等成像難題。導致普通的瓶身檢測方法難易對玻璃瓶的螺紋進行檢測，因此一款能夠識別瓶口螺紋的檢測方法亟待出現。

技術實現思路

1、針對上述缺陷，本發(fā)明的目的在于提出一種通過ai檢測玻璃瓶螺紋的方法、系統(tǒng)、電子設備及存儲介質，提高螺紋缺陷的識別成功率以及效率，確保玻璃瓶的質量。

2、為達此目的，本發(fā)明采用以下技術方案：一種通過ai檢測玻璃瓶螺紋的方法，包括如下步驟：

3、獲取目標玻璃瓶的待測瓶口螺紋的檢測圖像；

4、基于訓練好的識別模型對檢測圖像進行結果檢測，獲取瓶口螺紋的識別結果；

5、其中所述識別模型是基于非正常的瓶口螺紋樣本圖片進行訓練得到。

6、優(yōu)選的，所述識別模型包括依次連接輸入層、基準網絡提取特征層、neck加工特征層以及輸出端預測層。

7、優(yōu)選的，所述接輸入層用于將檢測圖像縮放到192*640的大小，并設置有3個不同倍數的錨框；

8、其中在8倍下采樣錨框的設置為：[5,13；16,30；33,23]；

9、其中在16倍下采樣錨框的設置為：[30,61；48,45；59,119]；

10、其中在32倍下采樣錨框的設置為：[70,150；90,250；170,355]。

11、優(yōu)選的，基準網絡提取特征層由11層組成，至少包括的foucs模塊、conv卷積網絡、c3模塊以及sppf模塊；

12、構成所述基準網絡提取特征層的11個層依次為：

13、1，foucs模塊；

14、1,conv卷積網絡；

15、1,conv卷積網絡；

16、3,c3模塊；

17、1,conv卷積網絡；

18、6,c3模塊；

19、1,conv卷積網絡；

20、9,c3模塊；

21、1,conv卷積網絡；

22、3,c3模塊；

23、1,sppf模塊。

24、優(yōu)選的，使用識別模型前，還需要對識別模型進行訓練，其中訓練的步驟如下:

25、獲取樣本圖片，對樣本圖片進行預處理，其中預處理包括缺陷的標注以及尺寸調整；

26、對預處理后的樣本圖片進行歸一化操作，得到歸一化后的數據；

27、將歸一化數據進行劃分，得到訓練集數據、驗證集數據以及測試集數據；

28、將訓練集所有數據按照批次大小分組，依次送入識別模型中，進行前向傳播計算，當所有數據計算完一次后為一個周期完成；

29、一個周期訓練完畢后，使用驗證集數據，將當前模型的預測結果與真實標注的標簽做比較，獲取該周期的判斷參數，其中判斷參數包括準確率、精確度、平均精確度的平均值、召回率以及損失函數，判斷所述判斷參數是否均滿足閾值，若均滿足閾值，則進行下一周期的訓練，若非均滿足閾值，則調整模型參數；

30、當周期數量達到次數閾值后，將測試集中的數據投入到模型中進行推理，得到缺陷在圖像中的位置和置信度，當置信度大于置信度閾值時，識別模型完成訓練，若置信度小于置信度閾值，則重新訓練識別模型。

31、優(yōu)選的，所述歸一化操作的方式具體操作如下：

32、

33、其中x為樣本圖片原始數據；

34、準確率的獲取公式如下：

35、

36、其中tp為預測為正樣本，實際為正樣本的樣本個數，fp為預測為正樣本，實際為負樣本的樣本個數；tn為預測為負樣本，實際為負樣本的樣本個數，fn為預測為負樣本，實際為正樣本的樣本個數；

37、精確度的獲取公式如下：

38、

39、召回率的獲取公式如下：

40、

41、平均精確度的平均值的獲取公式如下：

42、

43、其中q為缺陷類別的集合，q表示第q類缺陷，ap(q)表示第q類缺陷的平均精確度；

44、損失函數的獲取公式如下：

45、l＝λ*l1+(1-λ)*l2；

46、

47、其中l(wèi)1為類別損失函數值，l2為位置損失函數值，λ為比例系數，pij表示第i個樣本屬于第j類的概率，f(xi)為第i個樣本預測位置，yi為樣本的實際位置，n為處理的樣本總數，c為類別的總數；

48、置信度計算公式如下：

49、confidence＝pro(object)*iou；

50、其中iou表示真實框與預測框面積的交集與并集比值。

51、一種通過ai檢測玻璃瓶螺紋的系統(tǒng)，使用所述一種通過ai檢測玻璃瓶螺紋的方法，包括輸入模塊以及識別模塊；

52、所述輸入模塊用于獲取目標玻璃瓶的待測瓶口螺紋的檢測圖像；

53、所述識別模塊用于基于訓練好的識別模型對檢測圖像進行結果檢測，獲取瓶口螺紋的識別結果。

54、一種終端設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現如所述的一種通過ai檢測玻璃瓶螺紋的方法。

55、一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現如所述的一種通過ai檢測玻璃瓶螺紋的方法。

56、上述技術方案中的一個技術方案具有如下優(yōu)點或有益效果：在發(fā)明中，設置識別模型，通過對非正常的瓶口螺紋樣本圖片對識別模型進行訓練，由于識別模型是專門基于非正常的瓶口螺紋樣本圖片進行訓練的，因此它特別擅長于識別和區(qū)分出那些不符合標準或存在缺陷的瓶口螺紋。這種針對性強的訓練方式能夠顯著提高模型對于異常情況的檢測能力。其中在對非正常的瓶口螺紋樣本圖片進行標注時，可以增加陰影的標注。避免了因光線反射與折射產生陰影而導致無法識別的問題。

技術特征：

1.一種通過ai檢測玻璃瓶螺紋的方法，其特征在于，包括如下步驟：

2.根據權利要求1所述的一種通過ai檢測玻璃瓶螺紋的方法，其特征在于，

3.根據權利要求1所述的一種通過ai檢測玻璃瓶螺紋的方法，其特征在于，使用識別模型前，還需要對識別模型進行訓練，其中訓練的步驟如下:

4.根據權利要求3所述的一種通過ai檢測玻璃瓶螺紋的方法，其特征在于，所述歸一化操作的方式具體操作如下：

5.一種通過ai檢測玻璃瓶螺紋的系統(tǒng)，使用權利要求1～4任一項所述一種通過ai檢測玻璃瓶螺紋的方法，其特征在于，包括輸入模塊以及識別模塊；

6.一種終端設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現如權利要求1～4任一項所述的一種通過ai檢測玻璃瓶螺紋的方法。

7.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現如權利要求1～4任一項所述的一種通過ai檢測玻璃瓶螺紋的方法。

技術總結
本發(fā)明涉及圖像識別技術領域，特別是一種通過AI檢測玻璃瓶螺紋的方法、系統(tǒng)、電子設備及存儲介質，包括如下步驟：獲取目標玻璃瓶的待測瓶口螺紋的檢測圖像；基于訓練好的識別模型對檢測圖像進行結果檢測，獲取瓶口螺紋的識別結果；其中識別模型是基于非正常的瓶口螺紋樣本圖片進行訓練得到。通過對非正常的瓶口螺紋樣本圖片對識別模型進行訓練，因此它特別擅長于識別和區(qū)分出那些不符合標準或存在缺陷的瓶口螺紋。這種針對性強的訓練方式能夠顯著提高模型對于異常情況的檢測能力。其中在對非正常的瓶口螺紋樣本圖片進行標注時，可以增加陰影的標注。避免了因光線反射與折射產生陰影而導致無法識別的問題。

技術研發(fā)人員：黃志鑫,李星
受保護的技術使用者：佛山市三力智能設備科技有限公司
技術研發(fā)日：
技術公布日：2024/11/4