基于轻量化YOLOv4的黏稠食品灌装成品缺陷检测
2021-06-27张昌凡孟德志王燕囡
包装学报 2021年2期
张昌凡 孟德志 王燕囡
1. 湖南工业大学 电气与信息工程学院 湖南 株洲 412007
2. 广州达意隆包装机械股份有限公司 广东 广州 510530
1 研究背景
目前,在黏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环节。有封盖缺陷的产品随着时间推移会出现密封不严的问题,易导致产品提前变质。贴标缺陷会影响产品口碑和消费者购买意愿。因此,对灌装成品的封盖和贴标进行检测极其必要。
在现有研究中,已有许多学者提出了灌装成品缺陷检测方法。C. Arun Prakash等[1]利用机器视觉技术对瓶盖进行检测,该方法简单、省时,检测正确率高;C. Toxqui-Quitl等[2]提出了一种基于图像频率滤波的聚对苯二甲酸乙二酯(poly(ethyleneterephthalate),PET)瓶身缺陷检测方法,对采集的瓶身图像进行伽马自适应校正,实现了对于瓶面、瓶壁和瓶底较高准确度的检测;彭玉等[3]针对灌装成品防盗环难以检测的问题,提出了一种基于轮廓曲率的防盗环断裂检测方法,该算法检测正确率能满足生产要求。尽管上述机器视觉技术在灌装成品缺陷检测上得到了较好的应用,但需要大量的样本构建检测模型且难以同时检测多类缺陷。
近年来,深度学习技术在模型调优、特征提取、目标检测方面的优势显而易见[4]。深度学习标志性算法AlexNet的问世[5],使深度学习技术应用于产品缺陷检测成为可能。2018年,俞芳芳等[6]利用卷积神经网络(convolutional neural network,CNN)对食用油灌装生产线全流程包装缺陷进行检测。传统CNN网络结构复杂,参数多,运算时间长,因此在保持精度阈值的前提下对网络结构轻量化设计尤为重要。……
登录APP查看全文
