[发明专利]缺陷手套识别多模型预测方法

说明书

本发明属于手套检测技术领域，涉及缺陷手套识别多模型预测方法,其包括如下的步骤：S1、采集手套生产线不同工位的产品图像并进行预处理；S2、建立缺陷预测模型M，所述缺陷预测模型M包括分类预测模型MC与目标检测预测模型MT,S3、使用若干个缺陷预测模型对产品缺陷情况进行预测，所述缺陷预测模型包括分类预测模型MC、目标检测预测模型MT中的一种或若干种独立模型的组合。本发明通过分类预测模型MC与目标检测预测模型MT两种模型的一种或若干种进行组合，以该方式进行检测，从而弥补单模型的缺陷，严格控制缺陷的检出率、误检率、严重缺陷的漏检率等指标，以实现对合格品与不合格品的精细筛分预测。

技术领域

本发明涉及医用手套技术领域，具体为缺陷手套识别多模型预测方法。

背景技术

一次性医用手套，大多用于医用检查或侵入性手术，扯断和拉断伸长的受力或手套缺的陷识别要求比检查手套更严格。

在一次性医用手套生产完成后，由于使用者大多为医护人员，所以对手套的缺陷识别更加严格，但现有的针对手套缺陷的识别大多还处于人工识别，不仅效率低下，且识别精度不高。

现有的机器识别手套缺陷大多为单模型识别，并且为整块区域进行识别，在手套的生产过程中，对于不同的产品批次，关于缺陷的检出率、误检率、严重缺陷的漏检率等指标可能有不同的要求，且不同的客户对于缺陷或者严重缺陷的定义及标准不同，现有技术的检测模型难以满足上述要求。

基于现有的技术不足，本发明设计了缺陷手套识别多模型预测方法。

发明内容

为解决背景技术中的问题，本发明提供了如下技术方案：缺陷手套识别多模型预测方法，其包括如下的步骤：

S1、采集手套生产线不同工位的产品图像并进行预处理；

S2、建立缺陷预测模型M，所述缺陷预测模型M包括分类预测模型MC与目标检测预测模型MT；

S3、使用若干个缺陷预测模型对产品缺陷情况进行预测，所述缺陷预测模型包括分类预测模型MC、目标检测预测模型MT中的一种或若干种独立模型的组合。

进一步，分类预测模型MC和目标检测预测模型MT都是通过卷积神经网络或全连接神经网络一种或多种结合的深度学习方法去抽取检测图像的特征并进行处理，分类预测模型MC根据特征提取加全连接神经网络可以实现图像的分类，目标检测预测模型MT可以实现图像目标定位与分类。

进一步，所述分类预测模型MC设置有置信度阈值θ_C，预测基于置信度阈值θ_C的合格品与不合格品的分类结果；

所述目标检测预测模型MT设置有置信度阈值θ_T，预测基于置信度阈值θ_T的合格品与不合格品的分类结果,以及不合格品的缺陷所属类别、具体位置。

进一步，步骤S3中，采用双目标预测模型MT₁+MT₂，相互配合进行预测，其中MT₁为主模型，MT₂为辅助模型，其中：

MT₁定义全品类缺陷D1_i，在模型训练时主模型用D1_i进行模型训练；

MT₂定义严重缺陷D2_i，在模型训练时主模型用D2_i进行模型训练；

首先在主模型中设置某类别缺陷的置信度阈值σ₁，主模型对待检测图像数据的该类别缺陷进行预测，若检测到缺陷的置信度小于设定阈值σ₁，则将此图像数据送入MT₂再次进行预测；