全自动纸气泡袋生产设备及其方法与流程

本技术涉及智能检测领域，且更为具体地，涉及一种全自动纸气泡袋生产设备及其方法。

背景技术：

1、纸气泡袋是一种常见的包装材料，用于保护易碎物品。纸气泡袋的生产步骤为首先准备原材料,包括纸张和气泡膜；接着将纸张送入涂胶机，涂上一层胶水；然后将气泡膜铺在涂有胶水的纸张上，确保气泡面向纸张；将涂有胶水和粘贴了气泡膜的纸张送入烘干机使胶水干燥；将干燥后的纸张和气泡膜组合进行切割，得到所需要的尺寸和形状；将纸张和气泡膜折叠形成气泡袋的结构并进行封口操作；最后，对生产好的纸气泡袋进行质量检查，确保没有瑕疵或损坏。传统的检查方式主要依赖于人工目视检查，这种方式容易受到人为主观因素的影响，而且效率较低。

2、因此，需要一种全自动气泡袋生产设备。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种全自动纸气泡袋生产设备及其方法，其采用基于深度学习的人工智能检测技术，通过对纸气泡袋图像进行特征提取从而来判断其是否存在缺陷。这样，可以实现纸气泡袋生产时的自动化缺陷检测，大大提高了检测的效率和准确率。

2、根据本技术的一个方面，提供了一种全自动纸气泡袋生产设备，其包括：

3、纸气泡袋数据获取模块，用于获取由摄像头拍摄的待检测的纸气泡袋图像；

4、图像畸变校正模块，用于将所述纸气泡袋图像通过基于自动编解码器的图像畸变校正单元以得到校正后纸气泡袋图像；

5、图像特征提取模块，用于将所述校正后气泡袋图像通过作为特征提取器的卷积神经网络模型以得到纸气泡袋特征图；

6、特征优化模块，用于对所述纸气泡袋特征图进行高维特征分布的流形约束以得到优化纸气泡袋特征图；

7、图像局部特征展开模块，用于将所述优化纸气泡袋特征图沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量；

8、图像特征全局关联模块，用于将所述多个局部特征向量通过基于转换器的上下文编码器以得到分类特征向量；

9、检测结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示纸气泡袋是否存在缺陷。

10、在上述全自动纸气泡袋生产设备中，所述图像畸变校正模块，包括：图像特征编码单元，用于将所述纸气泡袋图像输入所述图像畸变校正单元的编码器，其中，所述编码器使用卷积层对所述纸气泡袋图像进行显式空间编码以得到图像特征；图像特征解码单元，用于将所述图像特征输入所述图像畸变校正单元的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后纸气泡袋图像。

11、在上述全自动纸气泡袋生产设备中，所述图像特征提取模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述纸气泡袋特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述校正后纸气泡袋图像。

12、在上述全自动纸气泡袋生产设备中，所述特征优化模块，包括：特征分布展平化单元，用于将所述纸气泡袋特征图的沿通道维度的各个特征矩阵进行特征分布展平化以得到多个分类特征局部展开特征向量；布雷柯蒂斯距离计算单元，用于计算所述多个分类特征局部展开特征向量中任意两个分类特征局部展开特征向量之间的布雷柯蒂斯距离以得到布雷柯蒂斯距离度量矩阵；流形主成分特征向量生成单元，用于将所述布雷柯蒂斯距离度量矩阵通过基于卷积神经网络模型的流形稀疏特征提取器以得到流形主成分特征向量，其中，所述流形主成分特征向量的尺度与所述纸气泡袋特征图的通道数相同；加权单元，用于以所述流形主成分特征向量中各个位置的特征值作为权重，对所述纸气泡袋特征图的沿通道维度的各个特征矩阵特征进行加权以得到所述优化纸气泡袋特征图。

13、在上述全自动纸气泡袋生产设备中，所述图像特征全局关联模块，包括：局部特征向量排列单元，用于将所述多个局部特征向量排列为输入向量；输入向量转化单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意关联矩阵生成单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化处理单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；激活单元，用于将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加单元，用于将所述自注意力特征矩阵与以所述多个局部特征向量中各个局部特征向量作为值向量分别进行相乘以得到所述多个上下文特征向量；上下文级联单元，用于将所述多个上下文特征向量进行级联以得到所述分类特征向量。

14、在上述全自动纸气泡袋生产设备中，所述检测结果生成模块，包括：全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示纸气泡袋存在缺陷和用于表示纸气泡袋未存在缺陷；分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。

15、根据本技术的另一方面，提供了一种全自动纸气泡袋生产设备的检测方法，其包括：

16、获取由摄像头拍摄的待检测的纸气泡袋图像；

17、将所述纸气泡袋图像通过基于自动编解码器的图像畸变校正单元以得到校正后纸气泡袋图像；

18、将所述校正后气泡袋图像通过作为特征提取器的卷积神经网络模型以得到纸气泡袋特征图；

19、对所述纸气泡袋特征图进行高维特征分布的流形约束以得到优化纸气泡袋特征图；

20、将所述优化纸气泡袋特征图沿通道维度的各个特征矩阵展开为一维特征向量以得到多个局部特征向量；

21、将所述多个局部特征向量通过基于转换器的上下文编码器以得到分类特征向量；

22、将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示纸气泡袋是否存在缺陷。

23、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的全自动纸气泡袋生产设备的检测方法。

24、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的全自动纸气泡袋生产设备的检测方法。

25、与现有技术相比，本技术提供的全自动纸气泡袋生产设备及其方法，其采用基于深度学习的人工智能检测技术，通过对纸气泡袋图像进行特征提取从而来判断其是否存在缺陷。这样，可以实现纸气泡袋生产时的自动化缺陷检测，大大提高了检测的效率和准确率。