一种植物纤维包装制品密封性检测方法及其应用与流程

本技术涉及食品包装，特别是一种涉及植物纤维包装制品密封性检测方法及其应用。

背景技术：

1、植物纤维模塑制品作为一种创新的环保包装解决方案，近年来已在食品包装领域得到广泛应用。这类制品以天然植物纤维（如竹子、稻草、甘蔗渣等）为主要原料，通过模塑工艺制成，不仅具有良好的生物降解性、资源循环利用率高，还能显著降低对石化资源的依赖，顺应全球可持续发展的趋势。然而，要确保植物纤维模塑制品制成的食品包装容器在实际应用中达到理想的防护效果，特别是保持良好的密封性能，至关重要。

2、传统的食品包装容器密封性测试方法已广泛应用于各类包装材料，但对于植物纤维模塑制品这一特定材质，其独特的物理特性（如多孔性、纤维交织结构等）要求针对性的测试手段以确保准确评估其密封性能。现有的常见密封性测试方法包括：

3、真空衰减法：通过抽真空并监测包装内真空度的变化来检测微小泄漏，适用于各种形状和尺寸的包装容器，包括植物纤维模塑制品。

4、高压放电检漏法：利用高压电场下电火花的出现来定位微小泄漏点，适用于检测细微结构差异可能导致的泄漏问题。

5、气泡测试法：通过在水中观察气泡冒出以识别泄漏，简单直观但可能无法检测微小泄漏。

6、负压/正压保持法：通过维持恒定压力并监测压力变化来判断密封性能，适用于多种包装类型。

7、氦质谱检漏法：对包装内充入氦气并检测环境中氦浓度变化，极高灵敏度但成本较高，适用于高密封要求的场合。

8、晃动测试：把盒底倒入水至2/3位置，盖上盒盖，轻轻晃动无漏水，组合密封好后安装固定盒底后，盒盖朝下，设置参数开始试验。控制的方式：旋转时间为30秒，旋转频率为120次/min，设定时间到停止旋转，传统目视检查判断结合处有无漏出，结束试验，记录结果。适用于各种形状和尺寸的包装容器，包括植物纤维模塑制品。

9、尽管上述方法在一定程度上能够满足植物纤维模塑食品包装容器的密封性测试需求，但在实际操作中仍存在一些局限性。而且实际生产过程中，还会测试包装容器的盒底和盒盖的分离力（用于检测扣合紧密度）。但是目前的手段无法很好地结合分离力与传统密封性测试来评价整体的密封性能，例如，无法验证盒底和盒盖的分离力与密封性的关系，无法为优化盒盖与盒底连接结构提供有效指导。

技术实现思路

1、本技术实施例提供了一种植物纤维包装制品密封性检测方法及其应用，针对目前技术存在的密封性测试方法可能无法充分揭示分离力与密封性之间的内在关系，也无法为优化盒盖与盒底连接结构提供有效指导等问题。

2、本发明核心技术主要是通过自动化检测与深度学习模型相结合，实现对植物纤维包装制品密封性的高效、准确评估。

3、第一方面，本技术提供了一种植物纤维包装制品密封性检测方法，所述方法包括以下步骤：

4、s00、采集待测的包装容器的盒底与盒盖的分离力测试数据；采集包装容器在晃动测试的漏水情况数据，并使得每个包装容器对应一组分离力测试数据和一组漏水情况数据；

5、其中，分离力测试数据包括盒底与盒盖分离时的力的最大值以及分离力与位移的曲线；漏水情况数据包括在设定频率晃动过程中盒底与盒盖之间出现漏水时的晃动频率和晃动时间；

6、s10、对分离力测试数据和漏水情况数据进行预处理，使得每个包装容器的数据表示为一个由分离力特征向量和晃动测试特征向量组成的复合特征向量；

7、s20、构建深度学习网络模型并输入多个包装容器的数据进行训练，得到训练完成的模型，该深度学习网络模型包括用于接受分离力特征向量和晃动测试特征向量的输入层、隐藏层以及用于输出密封性评分的输出层；

8、s30、将待评估的包装容器的分离力测试数据和漏水情况数据输入训练好的深度学习模型，得到其密封性评分。

9、进一步地，s00步骤中，通过高速摄像机录制晃动测试中的视频，并通过计算机对视频的视频流进行分析识别，当识别到漏水后立即停止晃动测试，并记录当前晃动频率和晃动时间。

10、进一步地，s00步骤中，晃动测试时，以t秒为晃动时间，每t秒后递增晃动频率，直至出现漏水。

11、进一步地，s00步骤中，分析识别的具体步骤为：

12、对视频的视频帧进行逐帧处理，通过cnn提取特征映射，得到特征向量；

13、将每帧图像通过cnn特征提取器得到的特征向量串联成一个时间序列；

14、构建lstm模型作为时间序列分析器，包含一个或多个lstm层，以及相应的全连接层进行分类；

15、准备训练数据集，该训练数据集中的每个样本包括一个时间序列特征向量和对应的二分类标签，用于指示该视频片段是否包含漏水现象；

16、将训练数据集分批次按顺序输入到lstm+cnn混合模型中训练，得到训练完成的混合模型；

17、将待识别视频输入到混合模型中进行实时分析，输出漏水情况。

18、进一步地，训练数据集为一系列包含可能漏水情况的视频片段，具体准备步骤包括：

19、通过对每个视频片段帧提取，按照设定帧率拆分为连续的帧图像序列；

20、对帧图像序列中的每个图像帧进行标注，表明是否存在漏水情况；

21、应用cnn模型对每个标注后的图像帧进行特征提取，得到固定维度的特征向量，以作为lstm模型的输入；

22、将同一视频片段内所有帧对应的特征向量串联在一起，形成一个时间序列，以使得序列反映漏水现象在空间特征上的变化过程；

23、将原始的图像帧标注转换为对应视频片段的整体标签；

24、若一个视频片段内的任何一帧被标记为漏水，则整个片段的标签记为“存在漏水”；否则记为“无漏水”，以使得每个时间序列都有一个对应的二分类标签。

25、进一步地，s30步骤中，深度学习网络模型的内部运算包括：

26、对分离力测试数据的特征向量和漏水情况数据的特征向量进行加权求和或拼接或利用注意力机制进行融合，得到融合特征；

27、对融合特征进行非线性变换；

28、在输出层，利用激活函数计算出单一的数值作为密封性评分。

29、进一步地，还包括s40步骤、根据密封性评分输出对应的密封等级。

30、第二方面，本技术提供了一种植物纤维包装制品密封性检测装置，包括：

31、数据采集模块，用于采集包装容器的分离力测试数据和漏水情况数据，并使得每个包装容器对应一组分离力测试数据和一组漏水情况数据；

32、其中，分离力测试数据为包装容器的盒底与盒盖被分离开需要的力的最大值和分离力与位移的曲线；漏水情况数据为包装容器内装入水或色素溶液在设定晃动频率下出现漏水的晃动频率和晃动时间；

33、数据预处理模块，用于对分离力测试数据和漏水情况数据进行预处理，使得每个包装容器的数据表示为一个由分离力特征向量和晃动测试特征向量组成的复合特征向量；

34、深度学习模型模块，构建深度学习网络模型并输入多个包装容器的数据进行训练，得到训练完成的模型，该深度学习网络模型包括用于接受分离力特征向量和晃动测试特征向量的输入层、隐藏层以及用于输出密封性评分的输出层；

35、输出模块，将待评估的包装容器的分离力测试数据和漏水情况数据输入训练好的深度学习模型，得到其密封性评分。

36、第三方面，本技术提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的植物纤维包装制品密封性检测方法。

37、第四方面，本技术提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的植物纤维包装制品密封性检测方法。

38、本发明的主要贡献和创新点如下：1、与现有技术相比，本发明专为植物纤维模塑制品设计，充分考虑其多孔性、纤维交织结构等物理特性，提供一种兼顾分离力与密封性双重评估的检测方法，弥补现有技术在特定材质包装容器检测方面的不足。

39、2、与现有技术相比，本发明独创性地将盒底与盒盖的分离力测试与晃动测试相结合，通过分离力测试数据（最大值）与漏水情况数据（晃动频率、时间、漏水识别）的综合分析，揭示两者间的内在关系，为优化盒盖与盒底连接结构提供科学依据，这是现有技术所缺乏的重要功能。

40、3、与现有技术相比，本发明创新性地引入深度学习模型进行数据处理与密封性评分计算，通过将分离力特征向量和晃动测试特征向量输入深度学习网络，利用模型的自动特征学习和非线性表达能力，实现对植物纤维包装制品密封性的高效、准确评估。这种方法超越了传统统计分析或阈值判断的局限，提高了检测的智能化水平。

41、4、与现有技术相比，本发明采用高速摄像机录制晃动测试视频，结合cnn-lstm混合模型进行实时漏水识别。通过cnn提取图像特征，lstm捕捉时间序列信息，实现对漏水现象的精准、快速识别，优于传统目视检查或简单阈值判断，尤其适用于微小泄漏的检测。

42、5、与现有技术相比，本发明在获取密封性评分的基础上，进一步提供s40步骤，根据评分输出对应的密封等级，为用户提供易于理解的结论，有助于质量控制和决策制定。

43、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。