1.本发明属于香烟检测领域，尤其是一种基于深度学习的烟盒包装缺陷识别方法和装置。
背景技术：2.香烟生产过程中，常常伴随出现各种质量缺陷。如何有效的识别烟盒包装上的质量缺陷成为提高香烟质量的一个重要手段。现有工厂中也存在一些烟盒包装的检测方法，例如机器人视觉检测技术，通过实时采集生产线上烟盒的彩色图像，提取几何特征，识别烟盒上的外形、四周封口等信息，剔除不合格的烟盒。
3.但是，在实际检测过中，存在各式各样的包装缺陷，需要对此逐一设计相关的算法，而且用户在使用过程中逐步追加检测项。而上述机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。
技术实现要素：4.本发明的发明目的是提供一种基于深度学习的烟盒包装缺陷识别方法、装置、服务器及可读存储介质，以解决背景技术中所涉及的问题。
5.基于上述技术问题，本发明提出了一种基于深度学习的烟盒包装缺陷识别方法、装置、服务器及可读存储介质，包括如下四个方面。
6.第一方面，本发明提供一种基于深度学习的烟盒包装缺陷识别方法，所述方法包括：
7.获取烟盒包装的第一图像信息；
8.预设第一训练模型，所述第一训练模型采用无监督的深度学习和训练得到；所述第一训练模型以第一区分特征作为监督数据；所述第一区分特征包括烟盒包装上混入需要区分的粘胶带或其他异物，表面破损或其它肉眼可见的不良；
9.将所述第一图像信息输出第一训练模型中，判断所述第一图像新型是否符合要求；如果符合要求，执行下一步，反之输出不合格；
10.预设第二训练模型，所述第二训练模型为有监督的深度学习和训练得到；所述第一训练模型以第二区分特征作为监督数据；所述第二区分特征包括烟盒包装上普通的翻边和露白缺陷；
11.将所述第一图像信息输出第二训练模型中，判断所述第一图像新型是否符合要求；如果符合要求输出合格，反之输出不合格。
12.优选地或可选地，所述方法还包括：
13.将所述第一图像信息输出第一训练模型中之前，对第一图像信息进行第一预处理；所述第一预处理方法为将第一图像信息的进行压缩。
14.优选地或可选地，所述第一预处理方法包括：
15.读取原始图像，并确定最佳的压缩范围；
16.根据原始图像的尺寸大小进行截图处理，然后判断截图后的图像是否符合上述最佳的压缩范围；
17.若是则停止压缩，反之对截图处理的图像进一步压缩，使得压缩率位于上述最佳的压缩范围内。
18.优选地或可选地，所述截图处理的图像进一步压缩的压缩方法包括：
19.将截图处理的图像进行二值化，得到像素值矩阵；
20.然后判断像素值矩阵中任意两个相邻的像素点是否满足以下条件，
21.|r
0-r1|+|g
0-g1|+|b
0-b1|＜l；
22.其中，r0、g0、b0分别为某一像素点的rgb值，r1、g1、b1分别为相邻像素点的rgb值，l为要合并的颜色之间预设的最大距离，l的大小与所述最佳的压缩范围存在关系；
23.将的上述两个像素点归结为相对应的一种颜色。
24.优选地或可选地，所述最佳的压缩范围的确定方法包括：
25.预先构建图像压缩率与图像像素之间的变化曲线或是对照表；根据原始图像获取所述原始图像像素，查找最佳的压缩范围。
26.优选地或可选地，所述方法还包括：
27.将所述第一图像信息输出第二训练模型中之前，对第一图像信息进行第二预处理；所述第二预处理方法为将第一图像信息进行定位框提取，裁剪获取缺陷区域的图像信息。
28.优选地或可选地，所述第二预处理方法包括：
29.将第一图像信息二值化，得到像素值矩阵；
30.根据像素值矩阵获取烟盒中的标志性特征的位置，
31.根据标志性特征相对于烟盒周边的间距，通过滚雪球的方式搜索，可以逐步获得烟盒的边界，得到第一图像信息中烟盒的定位框。
32.第二方面，本发明还提供一种基于深度学习的烟盒包装缺陷识别装置，所述装置包括：
33.第一获取单元，适于获取烟盒包装的第一图像信息；
34.第一处理单元，适于预设第一训练模型，所述第一训练模型采用无监督的深度学习和训练得到；所述第一训练模型以第一区分特征作为监督数据；所述第一区分特征包括烟盒包装上混入需要区分的粘胶带或其他异物，表面破损或其它肉眼可见的不良；
35.第一判断单元，适于将所述第一图像信息输出第一训练模型中，判断所述第一图像新型是否符合要求；
36.第一执行单元，如果符合要求执行下一步，反之输出不合格；
37.第二处理单元，适于预设第二训练模型，所述第二训练模型为有监督的深度学习和训练得到；所述第一训练模型以第二区分特征作为监督数据；所述第二区分特征包括烟盒包装上普通的翻边和露白缺陷；
38.第二判断单元，适于将所述第一图像信息输出第二训练模型中，判断所述第一图像新型是否符合要求；
39.第二执行单元，如果符合要求输出合格，反之输出不合格。
40.第三方面，本发明还提供一种基于深度学习的烟盒包装缺陷识别用服务器，包括
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现所述基于深度学习的烟盒包装缺陷识别方法的步骤。
41.第四方面，一种计算机可读存储介质，该程序被处理器执行时实现所述基于深度学习的烟盒包装缺陷识别方法的步骤。
42.有益效果：本发明涉及一种基于深度学习的烟盒包装缺陷识别方法和装置，本发明对烟盒包装存在的缺陷进行分类，根据缺陷类型设计了监督学习和无监督学习两种训练模型结合，实现了烟盒包装上的多种缺陷的检测，提高了缺陷检测的广度和精度。另外，根据缺陷的种类设计合适的预处理方式，在保证检测精度的同时，提高检测的效率，可解决客户至少95％以上的质量缺陷的检测需求。
附图说明
43.图1为本发明实施例1中一种基于深度学习的烟盒包装缺陷识别方法的流程示意图。
44.图2为本发明实施例2中一种基于深度学习的烟盒包装缺陷识别装置。
45.图3为本发明实施例3中示例性电子设备的结构示意图。
46.图4为本发明实施例1中第一图像信息中的多种示例。
47.附图标记说明：第一获取单元11、第一处理单元12、第一判断单元13、第一执行单元14、第二处理单元15、第二判断单元16、第二执行单元17、总线300、接收器301、处理器302、发送器303、存储器304、总线接口305。
具体实施方式
48.在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
49.实施例1
50.如附图1所示，图1为本发明实施例1中一种基于深度学习的烟盒包装缺陷识别方法的流程示意图，一种基于深度学习的烟盒包装缺陷识别方法包括如下步骤：
51.s100、获取烟盒包装的第一图像信息；
52.具体而言，所述第一图像信息为用户通过相机拍摄烟盒得到的图像；在实际生产中，在所述烟盒包装的生产线的一侧设置ccd相机，根据生产线的传输速度以预定间隙抓拍生产线中烟盒包装的封装面，一般为烟盒的侧面。并根据图像信息中包含的条形码信息对烟盒进行排序，以便后期统计和核查。
53.s200、预设第一训练模型；
54.具体地，所述第一训练模型通过多组训练数据采用无监督的深度学习和训练得到。所述多组训练数据包括第一区分特征，具体包括烟盒包装上混入需要区分的粘胶带或其他异物，表面破损或其它肉眼可见的不良。例如污渍、破盒，粘结异物、无喷码、压皱、破损等情况。
55.由于第一区分特征包含的情形复杂，存在的情况也比较多，不确定性因素过多。而
且随着后期实际使用过程中，不可避免的需要更新检测指标，因此，所述第一训练模型通过多组训练数据采用无监督的深度学习和训练得到。具体到本实施例中，在无监督的深度学习和训练中，只是给定了一组数据，所述数据中既包括标准的图像信息，也包括存在缺陷的图像信息，目标是发现这组数据中的特殊结构，通过滑窗确认区别对比的阈值，从而进行缺陷的检测，将这组数据分成两个不同的分组，实现对这组数据的聚类。通过实测，可检测出很小的缺陷样品。
56.s300、对第一图像信息进行第一预处理；所述第一预处理方法为将第一图像信息的进行压缩；
57.具体地，将第一图像信息进行压缩，以节省存储空间，同时可以大幅度检测效率。由于第一区分特征的一种重要指标为肉眼可见，适当的对第一图像信息进行压缩并不会对检测的准确度有影响。其中，所述压缩方法包括如下步骤：读取原始图像，并确定最佳的压缩范围；根据原始图像的尺寸大小进行截图处理，然后判断截图后的图像是否符合上述最佳的压缩范围；若是则停止压缩，反之对截图处理的图像进一步压缩，使得压缩率位于上述最佳的压缩范围内。首先，本技术通过对原始图像进行截图处理，一方面能实现对第一图像的预压缩，而且可以将不同格式的图片转化为统一格式，例如将jpg格式、gif格式、jxr格式、avif格式、wdbp格式等图片统一转化为png格式的图像，无需考虑到第一训练模块是否识第一图像信息，方便后期进行第一训练模块对图像的处理，提高第一训练模型与第一图像信息的获取单元的适配程度，如此，对于本领域技术人员，无需考虑到获取单元的具体种类和型号。
58.至于进一步压缩方式，本实施例给出一种示例性方法，所述压缩方法包括：将截图处理的图像进行二值化，得到像素值矩阵，然后将二维像素值矩阵中符合一定色相的范围的颜色归结为相对应的一种颜色；例如，判断像素值矩阵中任意两个相邻的像素点是否满足以下条件，即可将的上述两个像素点归结为相对应的一种颜色；|r
0-r1|+|g
0-g1|+|b
0-b1|＜l；其中，r0、g0、b0分别为某一像素点的rgb值，r1、g1、b1分别为相邻像素点的rgb值，l为要合并的颜色之间预设的最大距离，l的大小与上述最佳的压缩范围存在一定关系。通过根据压缩范围预先求出l的大小，可以通过一次操作完成压缩过程，能够有效的提高压缩效率，进而提高整个系统的检测速度。
59.由上可知，在压缩过程中，图像的压缩率和图像质量是一组相互矛盾的变量需要综合考虑，压缩率过高，会导致图像的失真率过高，导致很多细节变得模糊不清，相反的，压缩率过低，则会导致图像压缩后，仍具有比较大的内存，降低了第一训练模块的运行速度。为了保证对毫米级别的缺陷具有比较高的识别准确率，压缩率不宜过高。通过多次试验，构建图像压缩率与图像像素之间的变化曲线或是对照表，根据原始图像获取所述原始图像像素，查找最佳的压缩范围。
60.基于上述压缩方法，目前的单张图像检测速度可达8ms，快于直接采用原图进行识别的30ms的检测速度；原图png为1.2m，通过实际新算法进行压缩，图像可压缩到20k以内，为原图的1.7％，可以大幅节省存储空间。
61.s400、将所述第一图像信息输出第一训练模型中，判断所述第一图像信息是否符合要求；如果符合要求，执行下一步，反之输出不合格；
62.具体地，人工智能(artificial intelligence)是一个最广泛的概念，人工智能的
目的就是让计算机这台机器能够象人一样思考，而机器学习(machine learning)是人工智能的分支，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，使之不断改善自身的性能。深度学习(deep learning)是一种机器学习的方法，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层(神经网络)对数据进行高层抽象的算法。简单地讲，它是一个数学模型。神经网络模型由网络拓扑节点特点和学习规则来表示。在本技术实施例中，将第一图像信息作为输入数据，输入到第一训练模型中，每一组输入的训练数据中包括第一区分特征的训练样本和正常的训练样本，采用预设的聚类算法，从而对第一图像信息进行聚类训练，将所述收敛的平局值作为所述数据集合的中心数据，然后根据所述中心数据，获得输出数据，从而从众多的第一图像信息中自动分选出符合第一区分特征的待监管物的图像信息。
63.s500、预设第二训练模型；
64.具体地，所述第一训练模型以第二区分特征作为监督数据；所述第二区分特征包括烟盒包装上普通的翻边和露白缺陷；由于第二区分特征属于烟盒包装检测中常见两种质量问题，而且发生频率相对较高，因此，所述第二训练模型为有监督的深度学习和训练得到，如此，可以在短时间获得一个检测精度相对较高的训练模型。具体到本实施例中，，通过存在普通的翻边和露白缺陷的训练样本去训练得到一个最优模型，及第二训练模型，再利用第二训练模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。
65.s600、对第一图像信息进行第二预处理；
66.具体地，由于第二区分特征对检测的精度要求比较高，因此第二预处理不能够像第一预处理一样，通过降低第一图像信息的分辨度，进而提高检测的效率。因此，所述第二预处理方法为将第一图像信息进行定位框提取，裁剪获取缺陷区域的图像信息。
67.至于定位框的提取方法，有很多种形式，例如利用烟盒本身的颜色、纹理来提取烟盒轮廓；利用数学形态学烟盒的位置进行预测；以及利用神经网络只能识别的方式对烟盒的位置进行准确的定位，但是上述方法都或多或少的存在一定问题。本实施例给出一种示例性的方法，所述提取方法包括：将第一图像信息二值化，得到像素值矩阵；根据像素值矩阵获取烟盒中的标志性特征的位置，根据标志性特征相对于烟盒周边的间距，通过滚雪球的方式搜索，可以逐步获得烟盒的边界，得到第一图像信息中烟盒的定位框。所述标志性特征征可以是位于烟盒侧面的二维码、条形码，或位于烟盒正面的logo。如此，即不需要像颜色特征一样容易受到外界环境的影响，也不需要像数学形态学的提取方式、神经网络预测一样需要进行复杂的数学处理，能够快速准确的获取定位框的位置。
68.s700、将所述第一图像信息输出第二训练模型中，判断所述第一图像信息是否符合要求；如果符合要求输出合格，反之输出不合格。
69.具体来说，应该是将第一图像信息处理后截取的图像输入到第二训练模型中。在本技术实施例中，将第一图像信息作为输入数据，输入到第二训练模型中，每一组输入的训练数据中都是包括第二区分特征的训练样本，所述第二区分特征包括烟盒包装上普通的翻边和露白缺陷。其中第二区分特征作为监督数据，从而对第一图像信息进行训练，获得输出数据，从而从众多第二图像信息中自动筛选出符合第二区分特征的待监管物的图像信息。
70.相对于现有技术而言，本实施例具有如下优点：本发明对烟盒包装存在的缺陷进
行分类，根据缺陷类型设计了监督学习和无监督学习两种训练模型结合，实现了烟盒包装上的多种缺陷的检测，提高了缺陷检测的广度和精度。另外，根据缺陷的种类设计合适的预处理方式，在保证检测精度的同时，提高检测的效率，可解决客户至少95％以上的质量缺陷的检测需求。
71.实施例2
72.基于与前述实施例1中一种基于深度学习的烟盒包装缺陷识别方法同样的发明构思，本发明还提供一种基于深度学习的烟盒包装缺陷识别装置，如图2所示，所述装置包括：
73.第一获取单元11，适于获取烟盒包装的第一图像信息；
74.第一处理单元12，适于预设第一训练模型，所述第一训练模型采用无监督的深度学习和训练得到；所述第一训练模型以第一区分特征作为监督数据；所述第一区分特征包括烟盒包装上混入需要区分的粘胶带或其他异物，表面破损或其它肉眼可见的不良；
75.第一判断单元13，适于将所述第一图像信息输出第一训练模型中，判断所述第一图像新型是否符合要求；
76.第一执行单元14，如果符合要求执行下一步，反之输出不合格；
77.第二处理单元15，适于预设第二训练模型，所述第二训练模型为有监督的深度学习和训练得到；所述第一训练模型以第二区分特征作为监督数据；所述第二区分特征包括烟盒包装上普通的翻边和露白缺陷；
78.第二判断单元16，适于将所述第一图像信息输出第二训练模型中，判断所述第一图像新型是否符合要求；
79.第二执行单元17，如果符合要求输出合格，反之输出不合格。
80.进一步的，所述装置还包括：
81.第三处理单元，适于将所述第一图像信息输出第一训练模型中之前，对第一图像信息进行第一预处理；所述第一预处理方法为将第一图像信息的进行压缩。
82.进一步的，所述装置还包括：
83.第四处理单元，适于读取原始图像，并确定最佳的压缩范围；
84.第三判断单元，适于根据原始图像的尺寸大小进行截图处理，然后判断截图后的图像是否符合上述最佳的压缩范围；
85.第三执行单元，若是则停止压缩，反之对截图处理的图像进一步压缩，使得压缩率位于上述最佳的压缩范围内。
86.进一步的，所述装置还包括：
87.第五处理单元，适于将截图处理的图像进行二值化，得到像素值矩阵；
88.第四判断单元，适于判断像素值矩阵中任意两个相邻的像素点是否满足以下条件，
89.|r
0-r1|+|g
0-g1|+|b
0-b1|＜l；
90.其中，r0、g0、b0分别为某一像素点的rgb值，r1、g1、b1分别为相邻像素点的rgb值，l为要合并的颜色之间预设的最大距离，l的大小与所述最佳的压缩范围存在关系；
91.第四执行单元，适于将的上述两个像素点归结为相对应的一种颜色。
92.进一步的，所述装置还包括：
93.第六处理单元，适于预先构建图像压缩率与图像像素之间的变化曲线或是对照
表；
94.第七处理单元，适于根据原始图像获取所述原始图像像素，查找最佳的压缩范围。
95.进一步的，所述装置还包括：
96.第八处理单元，适于将所述第一图像信息输出第二训练模型中之前，对第一图像信息进行第二预处理；所述第二预处理方法为将第一图像信息进行定位框提取，裁剪获取缺陷区域的图像信息。
97.第九处理单元，适于将第一图像信息二值化，得到像素值矩阵；
98.第十处理单元，适于根据像素值矩阵获取烟盒中的标志性特征的位置，
99.第十一处理单元，适于根据标志性特征相对于烟盒周边的间距，通过滚雪球的方式搜索，可以逐步获得烟盒的边界，得到第一图像信息中烟盒的定位框。
100.前述实施例1中的一种基于深度学习的烟盒包装缺陷识别方法的各种变化方式和具体实例同样适用于本实施例的一种基于深度学习的烟盒包装缺陷识别装置，通过前述对一种基于深度学习的烟盒包装缺陷识别方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于深度学习的烟盒包装缺陷识别装置的实施方法，所以为了说明书的简洁，在此不再详述。
101.实施例3
102.基于与前述实施例中一种基于深度学习的烟盒包装缺陷识别方法同样的发明构思，本发明还提供一种基于深度学习的烟盒包装缺陷识别用服务器，如图3所示，图3为实施例3中示例性电子设备，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现前文所述基于深度学习的烟盒包装缺陷识别方法的任一方法的步骤。
103.其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
104.处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
105.实施例4
106.基于与前述实施例中一种基于深度学习的烟盒包装缺陷识别方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取烟盒包装的第一图像信息；预设第一训练模型，所述第一训练模型采用无监督的深度学习和训练得到；所述第一训练模型以第一区分特征作为监督数据；所述第一区分特征包括烟盒包装上混入需要区分的粘胶带或其他异物，表面破损或其它肉眼可见的不良；将所述第一图像信息输出第一训练模型中，判断所述第一图像新型是否符合要求；如果符合要求，执行下一步，反之输出不合格；预设第二训练模型，所述第二训练模型为有监督的深度学习和训练得到；所述第一训练模型以第二区分特征作为监督数据；所述第二区分特征包括烟盒包装上普通的翻边和露白缺陷；将所述第一图像信息输出第二训练模
型中，判断所述第一图像新型是否符合要求；如果符合要求输出合格，反之输出不合格。
107.本发明实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：本发明对烟盒包装存在的缺陷进行分类，根据缺陷类型设计了监督学习和无监督学习两种训练模型结合，实现了烟盒包装上的多种缺陷的检测，提高了缺陷检测的广度和精度。另外，根据缺陷的种类设计合适的预处理方式，在保证检测精度的同时，提高检测的效率，可解决客户至少95％以上的质量缺陷的检测需求。
108.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
技术特征：1.一种基于深度学习的烟盒包装缺陷识别方法，其特征在于，所述方法包括：获取烟盒包装的第一图像信息；预设第一训练模型，所述第一训练模型采用无监督的深度学习和训练得到；所述第一训练模型以第一区分特征作为监督数据；所述第一区分特征包括烟盒包装上混入需要区分的粘胶带或其他异物，表面破损或其它肉眼可见的不良；将所述第一图像信息输出第一训练模型中，判断所述第一图像新型是否符合要求；如果符合要求，执行下一步，反之输出不合格；预设第二训练模型，所述第二训练模型为有监督的深度学习和训练得到；所述第一训练模型以第二区分特征作为监督数据；所述第二区分特征包括烟盒包装上普通的翻边和露白缺陷；将所述第一图像信息输出第二训练模型中，判断所述第一图像新型是否符合要求；如果符合要求输出合格，反之输出不合格。2.根据权利要求1所述的基于深度学习的烟盒包装缺陷识别方法，其特征在于，所述方法还包括：将所述第一图像信息输出第一训练模型中之前，对第一图像信息进行第一预处理；所述第一预处理方法为将第一图像信息的进行压缩。3.根据权利要求2所述的基于深度学习的烟盒包装缺陷识别方法，其特征在于，所述第一预处理方法包括：读取原始图像，并确定最佳的压缩范围；根据原始图像的尺寸大小进行截图处理，然后判断截图后的图像是否符合上述最佳的压缩范围；若是则停止压缩，反之对截图处理的图像进一步压缩，使得压缩率位于上述最佳的压缩范围内。4.根据权利要求3所述的基于深度学习的烟盒包装缺陷识别方法，其特征在于，所述截图处理的图像进一步压缩的压缩方法包括：将截图处理的图像进行二值化，得到像素值矩阵；判断像素值矩阵中任意两个相邻的像素点是否满足以下条件，|r
0-r1|+|g
0-g1|+|b
0-b1|＜l；其中，r0、g0、b0分别为某一像素点的rgb值，r1、g1、b1分别为相邻像素点的rgb值，l为要合并的颜色之间预设的最大距离，l的大小与所述最佳的压缩范围存在关系；将的上述两个像素点归结为相对应的一种颜色。5.根据权利要求3或4所述的基于深度学习的烟盒包装缺陷识别方法，其特征在于，所述最佳的压缩范围的确定方法包括：预先构建图像压缩率与图像像素之间的变化曲线或是对照表；根据原始图像获取所述原始图像像素，查找最佳的压缩范围。6.根据权利要求1所述的基于深度学习的烟盒包装缺陷识别方法，其特征在于，所述方法还包括：将所述第一图像信息输出第二训练模型中之前，对第一图像信息进行第二预处理；所述第二预处理方法为将第一图像信息进行定位框提取，裁剪获取缺陷区域的图像信息。
7.根据权利要求6所述的基于深度学习的烟盒包装缺陷识别方法，其特征在于，所述第二预处理方法包括：将第一图像信息二值化，得到像素值矩阵；根据像素值矩阵获取烟盒中的标志性特征的位置，根据标志性特征相对于烟盒周边的间距，通过滚雪球的方式搜索，可以逐步获得烟盒的边界，得到第一图像信息中烟盒的定位框。8.一种基于深度学习的烟盒包装缺陷识别装置，其特征在于，所述装置包括：第一获取单元，适于获取烟盒包装的第一图像信息；第一处理单元，适于预设第一训练模型，所述第一训练模型采用无监督的深度学习和训练得到；所述第一训练模型以第一区分特征作为监督数据；所述第一区分特征包括烟盒包装上混入需要区分的粘胶带或其他异物，表面破损或其它肉眼可见的不良；第一判断单元，适于将所述第一图像信息输出第一训练模型中，判断所述第一图像新型是否符合要求；第一执行单元，如果符合要求执行下一步，反之输出不合格；第二处理单元，适于预设第二训练模型，所述第二训练模型为有监督的深度学习和训练得到；所述第一训练模型以第二区分特征作为监督数据；所述第二区分特征包括烟盒包装上普通的翻边和露白缺陷；第二判断单元，适于将所述第一图像信息输出第二训练模型中，判断所述第一图像新型是否符合要求；第二执行单元，如果符合要求输出合格，反之输出不合格。9.一种基于深度学习的烟盒包装缺陷识别用服务器，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。10.一种计算机可读存储介质，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
技术总结本发明公开了一种基于深度学习的烟盒包装缺陷识别方法和装置，属于香烟检测领域，所述方法包括：获取烟盒包装的第一图像信息；将所述第一图像信息输出第一训练模型中，判断所述第一图像新型是否符合要求，所述第一训练模型采用无监督的深度学习和训练得到；将所述第一图像信息输出第二训练模型中，判断所述第一图像新型是否符合要求，所述第二训练模型为有监督的深度学习和训练得到。本发明对烟盒包装存在的缺陷进行分类，根据缺陷类型设计了监督学习和无监督学习两种训练模型结合，实现了烟盒包装上的多种缺陷的检测，提高了缺陷检测的广度和精度。广度和精度。广度和精度。
技术研发人员：黄良斌 黄良臻 蔡福海
受保护的技术使用者：领先光学技术（常熟）有限公司
技术研发日：2022.04.22
技术公布日：2022/7/5
