本發(fā)明涉及商品包裝檢測領(lǐng)域，特別涉及一種基于ai算法和視頻采集分析商品包裝檢驗的方法。

背景技術(shù)：

1、菌絲體包裝以真菌菌絲體為原料，通過培養(yǎng)菌絲體與農(nóng)業(yè)廢棄物（如木屑、秸稈）的混合物，形成一種堅固且可生物降解的材料；這種包裝具有良好的緩沖性能，可用于包裝電子產(chǎn)品、玻璃制品等易碎物品，而且廢棄后能在自然環(huán)境中快速分解，對環(huán)境友好；

2、傳統(tǒng)的菌絲體包裝檢驗方法多依賴人工目視檢測，但人工目視檢測存在以下缺陷：

3、準(zhǔn)確性不足：受主觀因素影響大，不同檢驗人員的判斷標(biāo)準(zhǔn)難以統(tǒng)一，容易出現(xiàn)誤判和漏判的情況，對于一些微小的缺陷或內(nèi)部結(jié)構(gòu)問題難以準(zhǔn)確識別；

4、效率低下：檢測速度慢，在大規(guī)模生產(chǎn)和檢驗過程中，難以滿足快速高效的生產(chǎn)需求，而且長時間的人工檢測容易導(dǎo)致檢驗人員疲勞，進一步影響檢測結(jié)果的準(zhǔn)確性和穩(wěn)定性；

5、近年來，計算機視覺技術(shù)取得了飛速發(fā)展，圖像采集設(shè)備的分辨率和精度不斷提高，能夠獲取高質(zhì)量的菌絲體包裝圖像；同時，圖像處理算法和模型不斷優(yōu)化，在圖像識別、分類和分割等方面表現(xiàn)出卓越的性能，為菌絲體包裝的精確檢測提供了技術(shù)支持；為此，推出一種基于ai算法和視頻采集分析商品包裝檢驗的方法。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種基于ai算法和視頻采集分析商品包裝檢驗的方法，以解決上述背景技術(shù)提出的問題。

2、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：一種基于ai算法和視頻采集分析商品包裝檢驗的方法，包括：

3、步驟一：對生產(chǎn)商品包裝的流水線進行編號，每個流水線隨機抽取x個商品包裝作為檢測樣品，x>50；

4、步驟二：利用工業(yè)攝像機獲取檢測樣品各個角度的圖像，利用三維重建軟件得到檢測樣品各個面的三維立體圖；

5、步驟三：對檢測樣品各個面的孔洞、高度以及裂縫進行分析，得到各檢測樣品的缺陷評估指數(shù)；

6、步驟四：對位于同一流水線的檢測樣品的缺陷評估指數(shù)進行分析，從而得到各流水線的生產(chǎn)指數(shù)；

7、步驟五：基于各流水線的生產(chǎn)指數(shù)，對各流水線的生產(chǎn)情況進行分析和處理。

8、進一步地，所述步驟三中對檢測樣品各個面的孔洞進行分析的具體過程為：

9、s1：從工業(yè)攝像機獲取到的檢測樣品的各個角度的圖像中提取出檢測樣品上下左右六個面的平面圖像，對圖像進行預(yù)處理；

10、s2：定位到平面圖像的孔洞，對平面圖像進行子區(qū)域的劃分，每個子區(qū)域預(yù)設(shè)一個權(quán)重影響因子，計算平面圖像上各孔洞的面積，預(yù)設(shè)各面積區(qū)間，設(shè)置不同面積區(qū)間對應(yīng)不同面積缺陷分?jǐn)?shù)，匹配平面圖像上各孔洞的面積對應(yīng)的面積區(qū)間，從而得到平面圖像上各孔洞對應(yīng)的面積缺陷分?jǐn)?shù)；獲取到平面圖像上各孔洞所在的子區(qū)域，從而得到平面圖像上各孔洞對應(yīng)的權(quán)重影響因子；將平面圖像上各孔洞對應(yīng)的面積缺陷分?jǐn)?shù)與對應(yīng)的權(quán)重影響因子相乘再求和，從而得到平面圖像的孔洞面積缺陷指數(shù)；

11、s3：計算平面圖像各子區(qū)域孔洞的數(shù)量，記為子洞數(shù)，統(tǒng)計各子區(qū)域所有孔洞的面積之和，記為子面和，用子洞數(shù)除以子面和得到對應(yīng)子區(qū)域的洞面比，用洞面比乘以對應(yīng)子區(qū)域的權(quán)重影響因子，從而得到各子區(qū)域的洞面初始指數(shù)，對各子區(qū)域的洞面初始指數(shù)進行均值計算，得到的結(jié)果作為平面圖像的洞面質(zhì)量指數(shù)；

12、s4：預(yù)設(shè)孔洞面積缺陷指數(shù)和洞面質(zhì)量指數(shù)對應(yīng)的權(quán)重影響因子，將孔洞面積指數(shù)和洞面質(zhì)量指數(shù)歸一化處理后與對應(yīng)的權(quán)重影響因子相乘再求和，得到的結(jié)果作為平面圖像的孔洞綜合指數(shù)；

13、s5：對同一檢測樣品的六個面進行步驟s1-s5的計算，從而得到檢測樣品六個面的孔洞綜合指數(shù)，取六個面孔洞綜合指數(shù)的均值作為檢測樣品的孔洞指示值。

14、進一步地，所述步驟三中對檢測樣品各個面的高度進行分析的具體過程為：

15、a1：將檢測樣品六個面的三維立體圖導(dǎo)入到圖像分析軟件中，在三維立體圖中隨機選取兩個點，在兩個點之間隨機生成路徑，利用圖像分析軟件的線掃描工具沿著路徑進行掃描，并記錄路徑上各點的高度值，從而得到高度值集合，對高度值集合中的數(shù)據(jù)進行均值和標(biāo)準(zhǔn)差計算，從而得到高均值gjz和高波值，用高度值集合中的最大值減去最小值從而得到高差值gcz；利用公式：從而得到高度指示值gdz，其中是從預(yù)設(shè)數(shù)據(jù)庫中提取出的高均值的標(biāo)準(zhǔn)值，和是從預(yù)設(shè)數(shù)據(jù)庫中提取出的高均值最大允許差值和高差值最大允許差值，q1和q2分別是高均值gjz和高差值gcz對應(yīng)的權(quán)重影響因子；

16、a2：預(yù)設(shè)高波值各區(qū)間，設(shè)置不同高波值區(qū)間對應(yīng)不同調(diào)整因子，匹配高波值對應(yīng)的高波值區(qū)間，從而得到高波值對應(yīng)的調(diào)整因子，用調(diào)整因子乘以高度指示值gdz從而得到高度初始指數(shù)；

17、a3：在步驟a1的兩個點之間不斷重新生成路徑，計算各次生成路徑下的高度初始指數(shù)；取各次生成路徑下高度初始指數(shù)的均值作為對應(yīng)面的平整度指數(shù)；

18、a4：對檢測樣品的六個面進行步驟a1-a3的操作，從而得到六個面對應(yīng)的平整度指數(shù)，取六個面平整度指數(shù)的均值，作為檢測樣品的粗糙度指示值。

19、進一步地，其特征在于，所述步驟三中對檢測樣品各個面的裂縫進行分析的具體過程為：

20、d1：獲取菌絲體包裝的歷史圖片，并對圖像進行預(yù)處理，對菌絲體包裝歷史圖片中的裂縫區(qū)域進行標(biāo)注，并對標(biāo)注人員進行統(tǒng)一培訓(xùn)；標(biāo)注人員在對裂縫區(qū)域進行標(biāo)注的同時對裂縫區(qū)域標(biāo)注一個嚴(yán)重分?jǐn)?shù)；

21、d2：將菌絲體包裝的歷史圖片按照7:2:1的比例進行分組，占比為7的一組作為訓(xùn)練組，占比為2的一組作為驗證組，占比為1的一組作為測試組，將訓(xùn)練組導(dǎo)入到u-net模型中進行訓(xùn)練，設(shè)置好訓(xùn)練的輪數(shù)和批次大小，通過反向傳播算法計算損失函數(shù)關(guān)于模型參數(shù)的梯度，選擇adam優(yōu)化器自適應(yīng)調(diào)整每個參數(shù)的學(xué)習(xí)率，在訓(xùn)練過程中，定期將驗證組數(shù)據(jù)導(dǎo)入模型中，計算驗證組的損失函數(shù)和評估指標(biāo)，評估指標(biāo)包括準(zhǔn)確率、召回率和交并比，預(yù)設(shè)準(zhǔn)確率、召回率和交并比的權(quán)重影響因子，將準(zhǔn)確率、召回率以及交并比與對應(yīng)的權(quán)重因子相乘后求和，得到的結(jié)果作為評估指數(shù)，預(yù)設(shè)損失函數(shù)閾值和評估指數(shù)閾值，計算相鄰兩次驗證組損失函數(shù)之差和評估指數(shù)之差，若某次驗證組的損失函數(shù)之差小于損失函數(shù)閾值或者評估指數(shù)之差小于評估指數(shù)閾值，則停止對模型的訓(xùn)練；

22、d3：將訓(xùn)練組的數(shù)據(jù)再次進行分組，每一百個為一組，將分組好的測試組數(shù)據(jù)導(dǎo)入到訓(xùn)練好的模型中進行測試，計算各組測試組數(shù)據(jù)的損失函數(shù)和評估指數(shù)，利用標(biāo)準(zhǔn)差公式對各組測試組數(shù)據(jù)的損失函數(shù)和評估指數(shù)進行計算；從而得到損失波值和評估波值，預(yù)設(shè)損失波值閾值和評估波值閾值，若損失波值小于損失波值閾值且評估波值小于評估波值閾值，則將當(dāng)前訓(xùn)練完成的模型作為最終模型，否則，重新對模型進行訓(xùn)練；

23、d4：將檢測樣品的平面圖像導(dǎo)入到已經(jīng)訓(xùn)練好的模型中，從而獲取到各裂縫所在的位置以及嚴(yán)重性得分，匹配各裂縫所在位置的子區(qū)域，從而得到各裂縫對應(yīng)的權(quán)重影響因子，用各裂縫的嚴(yán)重性得分乘以對應(yīng)的權(quán)重影響因子再求和，從而得到裂縫影響指數(shù)；取檢測樣品六個面裂縫影響指數(shù)的均值作為檢測樣品的裂縫指示值。

24、進一步地，所述步驟三中得到各檢測樣品的缺陷評估指數(shù)的具體過程為：

25、預(yù)設(shè)孔洞指示值、粗糙度指示值和裂縫指示值對應(yīng)的權(quán)重影響因子，將孔洞指示值、粗糙度指示值和裂縫指示值歸一化處理后與對應(yīng)的權(quán)重影響因子相乘再求和，得到的結(jié)果作為檢測樣品的缺陷評估指數(shù)。

26、進一步地，所述步驟四中得到各流水線的生產(chǎn)指數(shù)，具體過程為：

27、根據(jù)當(dāng)前批次商品包裝的質(zhì)量要求，預(yù)設(shè)缺陷評估指數(shù)閾值，若檢測樣品的缺陷評估指數(shù)大于預(yù)設(shè)的缺陷評估指數(shù)閾值，判定檢測樣品包裝質(zhì)量不合格；統(tǒng)計質(zhì)量不合格的商品包裝的數(shù)量，記為不合格數(shù)，用不合格數(shù)除以x得到不合格率；

28、用包裝質(zhì)量不合格的檢測樣品的缺陷評估指數(shù)減去缺陷評估指數(shù)閾值，從而得到質(zhì)量差值，預(yù)設(shè)質(zhì)量差值各區(qū)間，不同質(zhì)量差值區(qū)間對應(yīng)不同差值因子，匹配質(zhì)量差值對應(yīng)的質(zhì)量差值區(qū)間，從而得到質(zhì)量差值對應(yīng)的差值因子，用包裝質(zhì)量不合格檢測樣品對應(yīng)的差值因子與質(zhì)量差值相乘，從而得到差值指示值，取所有包裝質(zhì)量不合格檢測樣品差值指示值的均值作為包裝不合格指數(shù)；

29、預(yù)設(shè)不合格率和包裝不合格指數(shù)對應(yīng)的權(quán)重影響因子，用不合格率和包裝不合格指數(shù)與對應(yīng)的權(quán)重因子相乘后求和，從而得到對應(yīng)流水線的生產(chǎn)指數(shù)。

30、進一步地，所述步驟五的具體過程為：

31、預(yù)設(shè)生產(chǎn)指數(shù)閾值，若流水線的生產(chǎn)指數(shù)高于生產(chǎn)指數(shù)閾值，則觸發(fā)分析預(yù)警；

32、提取觸發(fā)分析預(yù)警所在流水線的孔洞指示值、粗糙度指示值和裂縫指示值，預(yù)設(shè)孔洞指示值、粗糙度指示值和裂縫指示值對應(yīng)的閾值，若孔洞指示值大于孔洞指示值閾值，則觸發(fā)孔洞分析指令；若粗糙度指示值大于粗糙度指示值閾值，則觸發(fā)粗糙分析指令；若裂縫指示值大于裂縫指示值閾值，則觸發(fā)裂縫分析指令；

33、孔洞分析指令：提取對應(yīng)流水線切割區(qū)域的視頻，在視頻中隨機抓取一幀含有切割刀具的圖片，將圖片導(dǎo)入到圖像分析軟件中；同時將正常切割刀具的圖片導(dǎo)入到圖像分析軟件中，并調(diào)整兩張圖片的尺寸和分辨率保持相同，對兩張圖片中的切割刀具部分進行重合處理，計算重合面積占正常切割刀具面積的比例，作為磨損比，預(yù)設(shè)磨損比閾值，若磨損比小于磨損比閾值，則生成更換切割刀具指令，并將更換切割刀具指令發(fā)送至維修人員移動終端，由維修人員進行切割刀具的更換；若磨損比大于磨損比閾值，則生成維修切割刀具指令，并將指令發(fā)送至維修人員移動終端，由維修人員對切割刀具進行維修操作；

34、粗糙分析指令：提取對應(yīng)流水線成型區(qū)域的視頻，在視頻中隨機抓取一幀含有成型模具底部的圖片，并將圖片發(fā)送至維修人員的移動終端，由維修人員對圖片進行分析，確定對成型磨具的處理方案，生成處理方案后，將處理方案和成型模具底部照片發(fā)送至后臺管理中心，由管理中心進行后臺授權(quán)后，維修人員才能對成型模具進行相應(yīng)處理方案的處理；

35、裂縫分析指令：提取對應(yīng)流水線熱壓區(qū)域的視頻，預(yù)設(shè)時間區(qū)間，在時間區(qū)間上預(yù)設(shè)時間節(jié)點，獲取熱壓機在時間區(qū)間上各時間節(jié)點的溫度值，得到熱溫集合，利用標(biāo)準(zhǔn)差公式和均值對熱溫集合進行計算，從而得到熱波值和熱均值；

36、預(yù)設(shè)熱波值閾值和熱壓區(qū)間，若熱波值小于熱波值閾值，則調(diào)節(jié)熱壓機的溫度至熱壓區(qū)間；

37、若熱波值大于熱波值閾值，則生成熱壓機維修指令，并暫停流水線的工作，同時將熱壓機維修指令發(fā)送至維修人員移動終端，由維修人員對熱壓機進行維修，維修完成后，重新啟動流水線。

38、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

39、本發(fā)明憑借ai算法的強大數(shù)據(jù)處理能力和視頻采集的高分辨率圖像信息，徹底克服了人工目視檢測因主觀差異導(dǎo)致的判斷不一致問題；它能夠?qū)ι唐钒b的細微之處，如微小孔洞、隱蔽裂縫等進行精準(zhǔn)識別與量化分析，通過嚴(yán)謹(jǐn)?shù)乃惴ú襟E計算出準(zhǔn)確的缺陷評估指數(shù)，極大地增強了檢測結(jié)果的可靠性，為產(chǎn)品質(zhì)量把控提供了堅實保障，有效避免了因包裝缺陷而可能引發(fā)的產(chǎn)品損壞或客戶投訴等問題；

40、本發(fā)明通過對處于同一流水線上的檢測樣品的缺陷評估指數(shù)進行分析，從而得到各流水線的生產(chǎn)指數(shù)，通過設(shè)置閾值，閾值比對的方式觸發(fā)分析預(yù)警和具體分析指令，對切割刀具、成型模具、熱壓機等生產(chǎn)設(shè)備的維護和調(diào)整提供精準(zhǔn)指導(dǎo)，實現(xiàn)從包裝質(zhì)量檢測到生產(chǎn)過程優(yōu)化的全流程管控，保障生產(chǎn)的穩(wěn)定性和產(chǎn)品質(zhì)量的一致性。