[发明专利]酒瓶表面缺陷检测方法、电子装置及存储介质

权利要求书

1.一种酒瓶表面缺陷检测方法，其特征在于，包括：

基于所获取到的酒瓶表面图片得到训练数据集；

构建卷积神经网络并基于所述训练数据集训练所述卷积神经网络，得到深度学习神经网络；

将待检测的酒瓶表面图片输入到所述深度学习神经网络，以获得待检测的所述酒瓶表面图片对应的表面缺陷信息。

2.根据权利要求1所述的一种酒瓶表面缺陷检测方法，其特征在于，所述基于所获取到的酒瓶表面图片得到训练数据集之后，还包括以下步骤：

对所述酒瓶表面图片进行Y轴镜像翻转；

对所述酒瓶表面图片进行增强颜色；

对所述酒瓶表面图片进行增强对比度。

3.根据权利要求1所述的一种酒瓶表面缺陷检测方法，其特征在于，所述构建卷积神经网络并基于所述训练数据集训练所述卷积神经网络，得到深度学习神经网络，包括以下步骤：

基于Faster R-CNN网络和Cascade R-CNN网络构建卷积神经网络；

基于ResNeXt残差网络结构和FPN网络结构优化所述卷积神经网络，得到第一卷积神经网络；

基于所述训练数据集训练所述第一卷积神经网络，得到所述深度学习神经网络。

4.根据权利要求1所述的一种酒瓶表面缺陷检测方法，其特征在于，所述将待检测的酒瓶表面图片输入到所述深度学习神经网络，以获得待检测的所述酒瓶表面图片对应的表面缺陷信息包括以下步骤：

基于所述深度学习神经网络中的检测矩形框将所述酒瓶表面图片中的表面缺陷框出；

根据所述检测矩形框与预设的标注矩形框计算IoU值，若所述IoU值大于预设的IoU阈值，则判断为所述深度学习神经网络检测成功，否则判断为所述深度学习神经网络检测失败。

5.根据权利要求1所述的一种酒瓶表面缺陷检测方法，其特征在于，所述酒瓶表面图片包含至少一个所述表面缺陷信息。

6.根据权利要求1所述的一种酒瓶表面缺陷检测方法，其特征在于，所述深度学习神经网络包括卷积层、RPN层、第一池化层、第二池化层、第三池化层、第一全连接层、第二全连接层、第三全连接层，所述第一全连接层的输出信息为所述第二池化层的输入信息，所述第二全连接层的输出信息为所述第三池化层的输入信息。

7.根据权利要求6所述的一种酒瓶表面缺陷检测方法，其特征在于，所述第一池化层、所述第二池化层、所述第三池化层预设的所述IoU阈值各不相同，所述第一全连接层、所述第二全连接层、所述第三全连接层均执行以下步骤：

基于所述深度学习神经网络中的所述检测矩形框将所述酒瓶表面图片中的表面缺陷框出；

根据所述检测矩形框与预设的所述标注矩形框计算IoU值，若所述IoU值大于预设的IoU阈值，则输出所述检测矩形框。

8.根据权利要求4所述的一种酒瓶表面缺陷检测方法，其特征在于，所述表面缺陷信息包括以下任意一种：

所述表面缺陷的类别；所述表面缺陷的类别名；表示所述表面缺陷的位置对应的检测矩形框；所述深度学习神经网络的置信度排名及数值；判定结果。

9.一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现如权利要求1至8中任一项所述的酒瓶表面缺陷检测方法。

10.计算机可读存储介质，存储有计算机可执行指令，其特征在于：所述计算机可执行指令用于执行如权利要求1至8中任一项所述的酒瓶表面缺陷检测方法。