[发明专利]一种基于人工智能的纸盒缺陷检测方法

权利要求书

1.一种基于人工智能的纸盒缺陷检测方法，其特征在于，包括：

S1：获取纸盒图片，进行灰度处理得到纸盒图片的灰度图，计算出灰度图中每个像素点的灰度熵，得到灰度图对应的灰度熵热图；

S2：获取灰度熵热图中大于热度阈值的像素点在灰度图中对应的像素点集合，对像素点集合进行连通域处理，计算出连通域边界像素点灰度熵的对比度均值，将边界像素点灰度熵的对比度均值大于阈值的连通域作为可能起泡区域；

S3：对可能起泡区域进行遮挡，得到遮挡区域和非遮挡区域，根据非遮挡区域的灰度信息，使用EM算法拟合出初始混合高斯模型；

S4：将遮挡区域和非遮挡区域均匀划分为多个矩形区域，用初始混合高斯模型中的每个单高斯模型拟合出每个矩形区域内的灰度分布，根据每个矩形区域内单高斯模型拟合出的灰度分布和该矩形区域内的实际灰度分布得到每个矩形区域对每个单高斯模型的响应度；

S5：根据初始混合高斯模型拟合出每个矩形区域内的灰度分布和每个矩形区域的实际灰度分布差异计算出每个矩形区域中的拟合损失率；

S6：根据遮挡区域和非遮挡区域内的每个矩形区域对每个单高斯模型的响应度和每个矩形区域的拟合损失率对每个单高斯模型在混合高斯模型中的权重进行调整；

S7：利用调整后的混合高斯模型拟合出遮挡区域和非遮挡区域的灰度分布和遮挡区域和非遮挡区域的实际灰度进行对比，得到混合高斯模型的拟合精度，若精度不达标，执行S4-S7，直到获得精度达标的混合高斯模型，若精度达标，则执行S8；

S8：将满足拟合精度的混合高斯模型拟合得到的纸盒灰度图和实际纸盒灰度分布图作差，得到灰度差值，根据灰度差值确定起泡区域。

2.根据权利要求1所述的一种基于人工智能的纸盒缺陷检测方法，其特征在于，所述每个矩形区域对每个单高斯模型的响应度的计算方法为：

遮挡区域内每个矩形区域对每个单高斯模型的响应度为：

式中，为遮挡区域内第个矩形区域对第个单高斯模型的响应度，,、分别为中心坐标为的矩形区域的最小行坐标和最小列坐标，遮挡区域被划分为行列个矩形区域，为遮挡区域内的矩形区域的总个数，为第个高斯单模型拟合出的在遮挡区域内的第个矩形区域内的位置处的灰度值，为该矩形区域内的位置处的实际灰度值，，为单高斯模型总数；

非遮挡区域内每个矩形区域对每个单高斯模型的响应度为：

式中，为非遮挡区域内第个矩形区域对第个单高斯模型的响应度，为非遮挡区域内第个矩形区域内的位置处的实际灰度值。

3.根据权利要求1所述的一种基于人工智能的纸盒缺陷检测方法，其特征在于，所述每个矩形区域中的拟合损失率的计算方法为：

遮挡区域内每个矩形区域中的拟合损失率为：

式中，为混合高斯模型在遮挡区域内第个矩形区域中的拟合损失率，为混合高斯模型拟合出第个矩形区域中在坐标位置处的灰度值，为该矩形区域在坐标位置处的实际灰度值；

非遮挡区域内每个矩形区域中的拟合损失率为：

式中，为混合模型在非遮挡区域内第个矩形区域中的拟合损失率。

4.根据权利要求1所述的一种基于人工智能的纸盒缺陷检测方法，其特征在于，所述对每个单高斯模型在混合高斯模型中的权重进行调整的方法为：

式中，表示混合高斯模型中第个高斯模型调整后的权重值，为以为中心的第个矩形区域的损失率，表示以为中心的第个矩形区域对第个高斯模型的响应度，为遮挡区域和非遮挡区域包含的矩形区域总数，若第个矩形区域为遮挡区域，则为，为，若第个矩形区域为非遮挡区域，则为，为，为混合高斯模型中第个高斯模型的原来权重值。

5.根据权利要求1所述的一种基于人工智能的纸盒缺陷检测方法，其特征在于，所述拟合精度的计算方法为：

式中，为拟合精度，表示非遮挡区域的总行数，表示非遮挡地区的总列数，表示非遮挡区域在第个矩形区域内坐标位置处的拟合灰度值，表示非遮挡区域内第个矩形区域内坐标处的实际灰度值，表示遮挡区域在第个矩形区域内坐标位置处的拟合灰度值，表示遮挡区域在第个矩形区域内坐标位置的实际灰度值，，，分别表示遮挡区域的最小行、列数，分别表示遮挡区域的最大行列数。

6.根据权利要求1所述的一种基于人工智能的纸盒缺陷检测方法，其特征在于，所述根据灰度差值确定起泡区域的方法如下：

将灰度差值的区域作为起泡区域，其中表示拟合精度。