本發(fā)明涉及一種紙杯缺陷檢測(cè)方法，具體涉及一種基于改進(jìn)yolov11模型的紙杯缺陷檢測(cè)方法。

背景技術(shù)：

1、隨著快消品行業(yè)的蓬勃發(fā)展，紙杯作為一種環(huán)保、便攜的包裝材料，在飲料服務(wù)領(lǐng)域中扮演著越來越重要的角色。然而，紙杯生產(chǎn)過程中不可避免地會(huì)出現(xiàn)各種缺陷，如污點(diǎn)、變形、色差、印刷不良、封口不嚴(yán)等。這些缺陷不僅直接影響產(chǎn)品質(zhì)量和使用體驗(yàn)，還可能導(dǎo)致食品安全問題，進(jìn)而損害品牌形象和市場(chǎng)競(jìng)爭(zhēng)力。因此，開發(fā)高效、精準(zhǔn)的缺陷檢測(cè)方法對(duì)于保證產(chǎn)品質(zhì)量、提高生產(chǎn)效率和維護(hù)品牌聲譽(yù)具有重要意義。

2、傳統(tǒng)的缺陷檢測(cè)方法主要包括人工目測(cè)和基于傳統(tǒng)機(jī)器視覺的檢測(cè)方法。人工目測(cè)雖然能夠識(shí)別復(fù)雜的缺陷類型，但其效率低下、主觀性強(qiáng)、一致性差、成本高的問題注定無法滿足現(xiàn)代化大規(guī)模生產(chǎn)的高效需求?；趥鹘y(tǒng)機(jī)器視覺的檢測(cè)方法雖然在一定程度上提高了檢測(cè)效率和一致性，但仍面臨諸多挑戰(zhàn)，例如，對(duì)環(huán)境敏感，適應(yīng)性差；對(duì)于復(fù)雜背景下的缺陷檢測(cè)精度低，易出現(xiàn)漏檢、錯(cuò)檢。且目前傳統(tǒng)視覺檢測(cè)算法需要?jiǎng)澐旨埍瓍^(qū)域進(jìn)行檢測(cè)，算法流程繁瑣，無法實(shí)現(xiàn)端對(duì)端檢測(cè)。

3、近年來，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的圖像處理技術(shù)逐漸成為缺陷檢測(cè)領(lǐng)域的重要工具。其中，yolo(you?only?look?once)系列算法，因其卓越的實(shí)時(shí)性能和高準(zhǔn)確率而受到廣泛關(guān)注。yolov11模型是ultralytics團(tuán)隊(duì)最新發(fā)布的版本，yolov11模型引入了改進(jìn)的骨干網(wǎng)絡(luò)和頸部架構(gòu)，并且采用了多尺度特征融合技術(shù)，使得模型在不同的輸入條件下能夠更好地捕捉重要信息，在處理復(fù)雜數(shù)據(jù)和特征提取方面比yolov5模型更為優(yōu)越，能夠有效提升檢測(cè)的準(zhǔn)確性和魯棒性；在參數(shù)量上yolov11模型使用的參數(shù)比yolov8模型少22％，同時(shí)保持了高精度，將大幅提高模型的計(jì)算效率和速度；在coco數(shù)據(jù)集中，yolov11模型在多個(gè)基準(zhǔn)上表現(xiàn)優(yōu)異，相比yolo的歷代版本都有很大提升，因此，本發(fā)明采用基于改進(jìn)的yolov11模型對(duì)紙杯的缺陷進(jìn)行檢測(cè)。

4、但隨著生產(chǎn)工藝的不斷成熟，紙杯制造過程中某些類型的缺陷發(fā)生概率較低，例如由于杯邊接縫粘合不足導(dǎo)致的暴口缺陷，或在成型過程中造成的變形缺陷，而單純采用深度學(xué)習(xí)技術(shù)來檢測(cè)這些發(fā)生概率較低的缺陷，需要獲取大量的缺陷樣本，否則如果數(shù)據(jù)集的豐富性無法滿足，模型的檢測(cè)性能也會(huì)較差，因此存在為獲取該類缺陷樣本而導(dǎo)致的成本過高問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為了彌補(bǔ)上述提及的低概率缺陷樣本采集困難的問題，將改進(jìn)深度學(xué)習(xí)模型yolov11與自適應(yīng)曲率分析的傳統(tǒng)視覺算法相結(jié)合，通過優(yōu)勢(shì)互補(bǔ)，形成一種端到端的紙杯缺陷檢測(cè)方法，具有對(duì)環(huán)境適應(yīng)能力強(qiáng)以及對(duì)微小缺陷檢測(cè)效果好的技術(shù)優(yōu)勢(shì)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案為：

3、一種基于改進(jìn)yolov11模型的紙杯缺陷檢測(cè)方法，包括如下步驟：

4、步驟1)：通過圖像采集設(shè)備獲取紙杯圖像；

5、步驟2)：對(duì)獲取的紙杯圖像進(jìn)行杯口曲率計(jì)算，比較所計(jì)算出的杯口曲率與設(shè)定的曲率閾值關(guān)系，判斷杯口曲率是否符合設(shè)定標(biāo)準(zhǔn)，若不符合，則將所檢測(cè)的紙杯在線剔除，若符合，則繼續(xù)進(jìn)行下一步；

6、步驟3)：將符合杯口曲率標(biāo)準(zhǔn)的紙杯圖像輸入改進(jìn)的yolov11模型進(jìn)行缺陷檢測(cè)，并輸出缺陷檢測(cè)結(jié)果；

7、改進(jìn)的yolov11模型結(jié)構(gòu)如下：采用adown下采樣模塊代替原始yolov11模型中的傳統(tǒng)下采樣卷積模塊，在原始yolov11模型中新增加p2特征層檢測(cè)頭，將sahi模塊與原始yolov11模型中head網(wǎng)絡(luò)的detect模塊進(jìn)行結(jié)合；

8、步驟4)：對(duì)經(jīng)過步驟3)檢測(cè)有缺陷的紙杯進(jìn)行在線剔除，對(duì)無缺陷的紙杯進(jìn)行理杯包裝。

9、進(jìn)一步，所述步驟2)中的杯口曲率計(jì)算以及判斷方法如下：

10、步驟2.1)：先對(duì)紙杯圖像進(jìn)行二值化處理；

11、步驟2.2)：然后對(duì)杯口進(jìn)行輪廓提??；

12、步驟2.3)：再對(duì)輪廓進(jìn)行曲率計(jì)算；

13、步驟2.4)：設(shè)定曲率閾值為t，t＝μ+kσ，μ和σ分別為平滑后曲率的均值和標(biāo)準(zhǔn)差，k為調(diào)節(jié)系數(shù)，檢測(cè)曲率異常的點(diǎn)集s＝{i|hi＞t}。

14、進(jìn)一步，所述步驟2.1)中，對(duì)紙杯圖像進(jìn)行灰度處理獲得灰度圖像i，然后對(duì)灰度圖像進(jìn)行二值化處理，得到二值圖像b；

15、所述步驟2.2)中，利用canny邊緣檢測(cè)算法來識(shí)別二值圖像b中的輪廓點(diǎn)集c＝[p1,p2,...,pn]，其中，pi＝(xi,yi)表示輪廓上的一個(gè)像素點(diǎn)，n為輪廓點(diǎn)的總數(shù)，通過鏈碼的方法來進(jìn)行跟蹤邊界，以此提取輪廓；

16、首先，計(jì)算原始輪廓的累積弧長s：

17、

18、其中，pi為原始輪廓點(diǎn)，m為原始點(diǎn)的總數(shù)；

19、然后，生成新的等距弧長序列s′：

20、

21、其中，n為新的采樣點(diǎn)數(shù)，然后使用線性插值在總弧長范圍內(nèi)等間距生成新弧長序列，對(duì)重采樣后的輪廓進(jìn)行高斯平滑；

22、所述2.3)中，按下列公式對(duì)平滑后的輪廓進(jìn)行曲率計(jì)算：

23、

24、上式中，ò為防止分母為零的小正數(shù)。

25、進(jìn)一步，所述k＝2，n＝500，ò＝1×10-6。

26、進(jìn)一步，所述步驟3)中的adown下采樣模塊通過結(jié)合平均池化和卷積操作來實(shí)現(xiàn)，即：

27、首先，輸入特征圖經(jīng)過2×2的平均池化；

28、接著，特征圖被分為x1和x2兩部分，x1通過一個(gè)3×3的卷積進(jìn)行處理，步幅為2；x2經(jīng)過3×3的最大池化，步幅為2，隨后通過1×1的卷積進(jìn)行特征映射的調(diào)整。

29、進(jìn)一步，所述改進(jìn)的yolov11模型在使用前按照如下過程完成模型的訓(xùn)練：

30、步驟3.1)：使用圖像采集設(shè)備分別在實(shí)驗(yàn)室環(huán)境和生產(chǎn)線環(huán)境對(duì)紙杯的各種類型缺陷圖像進(jìn)行采集，并完成缺陷的數(shù)據(jù)標(biāo)注；

31、步驟3.2)：對(duì)采集的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理；

32、步驟3.3)：按照比例將增強(qiáng)后的數(shù)據(jù)集劃分為驗(yàn)證集、訓(xùn)練集和測(cè)試集；

33、步驟3.4)：將增強(qiáng)后的訓(xùn)練集輸入改進(jìn)的yolov11模型進(jìn)行訓(xùn)練，每完成一輪訓(xùn)練后通過驗(yàn)證集對(duì)訓(xùn)練后的模型進(jìn)行驗(yàn)證，待模型完成最終的訓(xùn)練后，通過測(cè)試集對(duì)訓(xùn)練后的模型進(jìn)行測(cè)試分析；

34、步驟3.5)：分別采用精度p、召回率r、map、f1得分指標(biāo)對(duì)訓(xùn)練后的模型進(jìn)行評(píng)估。

35、進(jìn)一步，所述步驟3.1)中，圖像采集設(shè)備包括黑白工業(yè)相機(jī)和環(huán)狀光源，將紙杯的缺陷類型劃分為5個(gè)類別，分別為污點(diǎn)、污跡、褶皺、破損和空杯，使用打標(biāo)軟件對(duì)采集到的圖像進(jìn)行數(shù)據(jù)標(biāo)注作成txt格式的標(biāo)簽保存。

36、進(jìn)一步，所述步驟3.2)中，數(shù)據(jù)增強(qiáng)處理過程如下：首先，通過添加高斯噪聲來模擬不同的拍攝環(huán)境；其次，隨機(jī)調(diào)整圖像的亮度增強(qiáng)模型對(duì)光照變化的適應(yīng)能力；此外，使用cutout方法隨機(jī)遮擋圖像中的部分區(qū)域，確保遮擋區(qū)域與目標(biāo)框的重疊度不超過設(shè)定閾值；同時(shí)，隨機(jī)旋轉(zhuǎn)圖像；在裁剪方面，根據(jù)目標(biāo)框信息隨機(jī)裁剪圖像，確保裁剪后的圖像包含所有目標(biāo)框；隨機(jī)平移圖像，確保平移后的圖像仍然包含所有目標(biāo)框；最后，隨機(jī)對(duì)圖像進(jìn)行水平或垂直翻轉(zhuǎn)。

37、進(jìn)一步，所述旋轉(zhuǎn)圖像時(shí)，旋轉(zhuǎn)角度范圍為[-5°,5°]。

38、進(jìn)一步，所述步驟3.3)中，按照8:1:1的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

39、本發(fā)明通過將傳統(tǒng)視覺算法與深度學(xué)習(xí)算法進(jìn)行級(jí)聯(lián)結(jié)合，形成一種多階段檢測(cè)策略，實(shí)現(xiàn)兩種算法的優(yōu)勢(shì)互補(bǔ)；在模型檢測(cè)方面，對(duì)現(xiàn)有的yolov11模型進(jìn)行改進(jìn)，將步長為2的下采樣卷積操作替換為adown卷積，有效減輕細(xì)粒度信息損失，顯著提升模型效率和性能；并設(shè)計(jì)了專門的微小物體檢測(cè)頭，進(jìn)一步提升模型對(duì)小目標(biāo)缺陷的檢測(cè)能力；還使用sahi方法進(jìn)行圖像切片，輔助大分辨率圖像的推斷處理，提升了模型的檢測(cè)精度和推斷效率，特別是對(duì)大幅面圖像中小目標(biāo)缺陷的檢測(cè)能力。