口服液压盖过程,会出现压盖不良等情况,瓶盖可能会出现划痕、刮花、表面卷曲、压盖破损等缺陷,为保证食品药品安全必须在出厂前进行检测.在基于深度学习的口服液瓶压盖缺陷检测的研究过程中,使用传统卷积神经网络对口服液压盖缺陷数据集进行训练,需要进行人工标注,效率较低.为有效解决上述问题,设计出一种无监督学习的深度卷积去噪自编码器网络模型用于口服液瓶压盖质量检测,并使用结构相似性SSIM作为损失函数.针对口服液压盖质量图像进行预处理,建立合格产品图像数据集,然后构建一种以卷积神经网络为基础,结合多层感知器的去噪自编码器网络模型.该模型仅以无缺陷产品图像进行训练并学习无缺陷产品特征,通过将缺陷图像重构为无缺陷图像,再与缺陷图像相减,获得包含缺陷信息的残差图.实验结果表明:该方法能够很好地识别口服液瓶压盖缺陷,准确率达到95.2％,且具有较好的泛化能力和鲁棒性.
国家科技期刊平台
NSTL
万方数据
维普
