[发明专利]一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法

说明书

本发明涉及一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法。该方法首先通过参数重构并结构设计的MobileNetV3主干特征提取网络对输入样本进行轻量级特征提取；其次对增强特征提取网络进行深度可分离卷积结构设计以降低参数计算量；然后根据精度需求，创新了全路径聚合网络并引入通道注意力机制以提升增强特征提取网络对于目标特征的靶向表达；最后将设计的轻量化网络进行模型训练和精度测试，并对比了其它目标检测算法的性能以揭示本文方法的优越性。结果表明，本发明能够在成品缺陷检测上保持精度前提下大幅提升检测速度，满足实际生产需要。

技术领域

本发明涉及一种检测方法，特别指一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法。

背景技术

目前，在高粘稠流质食品灌装生产线中，灌装成品的缺陷检测是必不可少的重要环节，而其中尤为重要的则是封盖和贴标的检测。在压盖环节，经过复杂的滚压过程后，缺陷产品随着时间的推移大程度会出现密封不严而导致产品提前变质，这就有可能会使得消费者因食用变质产品而受到身体伤害；而在贴标环节，商品的标签代表了该产品外观的好坏，这关系到产品的口碑和消费者的购买意愿。因此，对于灌装成品封盖和贴标的检测是很有必要的。

在现有研究中，已有许多学者提出了灌装成品缺陷的检测方法，并有部分机器视觉技术在灌装成品缺陷检测上得到了较好的应用，但由于其需要大量的实验来确定判定规则而导致检测方法的自适应性较差，并且无法使用单一标准来检测多类缺陷，因而极大增加了检测难度。在上述背景下，深度学习技术因在模型调优、特征提取、目标检测方面的优势而被我们逐渐推崇。自深度学习标志性算法AlexNet问世以来，在工业领域中将深度学习技术应用于产品缺陷检测即成为可能。但是深度学习分类模型一般只在单目标多类别检测上拥有较好的效果，而无法满足多目标、多类别的检测。因此，为了实现在灌装成品多缺陷目标、多类别的同时检测，深度学习目标检测算法便成为我们较好的选择。目标检测发展至今，已经在缺陷检测领域有所应用。但是目前在灌装产品缺陷检测领域依然鲜有研究。此外，我们也清楚的看到任何复杂算法在高性能设备加持下皆能实现快速检测，但与之增加的是指数级的成本投入，所以仅仅将现有的成熟模型应用至灌装成品检测上来是不具有现实意义的，因此在保持精度阈值的前提下对算法模型轻量化设计就尤为重要。所以本研究将着重于在具有较好精度目标检测算法基础上进行轻量化改进，以实现其在精度下降适中的范围内达到高速检测的目的。

发明内容

本发明针对现有灌装成品缺陷检测技术中，传统检测方案无法满足多目标、多类别、快速实时检测的问题，提供一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法，解决现有机器视觉技术无法同时多目标检测和现有目标检测算法检测速度慢的问题。

为实现上述目的，本发明采用以下技术方案：

一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法，包括以下步骤：

S1、建立灌装成品缺陷检测模型；

S2、建立灌装成品缺陷数据集；

S3、轻量化主干特征提取网络；

S4、重构增强特征提取网络；

S5、对灌装成品缺陷进行检测，输出缺陷检测结果。

在其中一个实施例中，所述步骤S1中灌装成品缺陷检测模型主要包含主干特征提取网络、增强特征提取网络、多尺度结果输出三个网络，另外还包含额外子网络即施加ECA机制的深度可分离卷积网络。

优选的，所述的主干特征提取网络主要进行输入图像样本的特征提取。其由普通卷积和bneck卷积构成，其中bneck卷积为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过SE-Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果。该网络进行特征提取之后即得到特征图输出①、特征图输出②、特征图输出③，其中特征图输出①和特征图输出②将进入增强提取网络中的2b，而特征图输出③将进入增强提取网络中的2a。