1.瓶盖检测
1.1 俯视图顶盖检测
1.1.1 算法思考
使用 Vision Pro 软件将顶盖区域圈出，因为顶盖边缘和背景区域颜色变化较大，所以可以被快速确认。在顶盖圈内，通过设定相应的颜色灰度变化范围，识别出顶盖上的物体或污渍，将该顶盖判定为 NG。此处做了相应的测试，效果如下：
1.1.2 讨论
问题：
- 给的数据相对较少
- 瓶盖的种类较多。
**建议：**如后续有不同种类的瓶盖可以将瓶盖数据分类放置。（例：瓶盖有无文字，不同颜色的瓶盖）
1.2 侧视图顶盖检测
1.2.1 算法思考
通过 VIsion Pro，建立带有合格铝盖的模板，对检测图进行匹配，当匹配失败时，一律做 NG 处理。
1.2.2 讨论
问题：
- 不同颜色的顶盖是否代表不同种类的冻干粉，如是不同种类的冻干粉，则瓶子的尺寸大小不同，无法以尺寸大小做相应的检测。
- 打光角度不合适，瓶身有反光会影响检测效果
- 数据量不够
- 铝盖卷边不易识别，和部分 OK 差距较小（例：左图中（1，3）与（2，5）位置两图）
建议：
- 按照数据的种类分类（例：不同颜色顶盖分成不同数据文件）
- 更改光源和摄像机位置，尽量减少反光带来的影响
- 增加数据量
1.3 顶盖效果图
1.3.1 算法思考
通过 Vision Pro 软件的模板匹配工具，固定出顶盖，胶塞和玻璃瓶的大致位置。当检测不到顶盖的四个拐角位置，以及黑色区域高度不够时，一律 NG 处理。
同时在固定住玻璃瓶侧壁的时候，检测两侧玻璃瓶的阴影区域，如果大于某个区域的话就可以直接判定为 NG，问题为异形。例：
有关头发的检测，当固定住玻璃瓶，对玻璃瓶内部的白色区域统计灰度直方图，当与正常情况有较大差别时，做 NG 处理。
1.3.2 讨论
**问题：**1.玻璃瓶的摆放位置不统一，胶塞的形状不确定。
2.瓶子本身的一些缺陷会影响头发检测，在统计灰度直方图时产生一定的影响
建议：
- 请解释一下胶塞的形状，或者在拍摄时固定角度
- 增加数据集
2.瓶底检测
2.1 环光瓶底检测图
2.1.1 算法思考
使用 Vision Pro 的模板匹配工具，利用冻干粉与玻璃瓶边缘颜色差距较大，匹配出冻干粉的瓶底区域。并对圆内的像素统计直方图。当匹配到的圆过小，或统计直方图的平均值较小时一律判定为 NG。
对于黑点的检测，在匹配出圆后判断圆内是否有较大的像素变化，如有，则圈出，并做 NG 处理。
示例如下：
（左侧为正常冻干粉粉底图，右侧为统计的灰度直方图）
（两侧都是检测出黑点演示图）
（出现问题的图，下方为对应的统计的灰度直方图）
2.1.2 讨论
问题：
- 冻干粉有较多种类，观察到玻璃瓶底部有玻璃瓶侧壁厚度的区别，以及底部有无数字，因为冻干粉玻璃瓶的尺寸大小不一，所以在检测时会给模板匹配带来一定的困难
- 状态种类太多（错误种类），是否直接以 NG 判断，还是要准确标出每一类的错误
- 数据量不够
建议：
- 将冻干粉瓶子种类列出，并将相应的数据集分类别处理
- 有待商榷
3.粉饼顶部检测
3.1 粉饼顶部检测图
3.1.1 算法思考
通过采用深度学习的算法对该部分进行检测
3.1.2 讨论
问题：
- 深度学习需要大量的数据，数据量不够
- 问题种类较多且不好判别，直接判定 NG，还是需要每个种类都分开
- 有光照和玻璃瓶异形的影响，打光和拍摄角度不合适
- 给出的异常错误没有具体到一个区域，难以分辨。不利于深度学习的标签制作
建议：
- 增加数据量
- 更改拍摄和光源照射角度，使相机可以拍到整个粉饼平面
4.粉饼侧壁检测
4.1 粉饼侧壁检测图
4.1.1 算法思考
通过采用深度学习的算法对该部分进行检测
4.1.2 讨论
问题：
- 数据量不足
- 灯光光照影响
- 错误种类是否需要全部列出，还是可以直接以 NG 判断
- 给出的异常错误没有具体到一个区域，难以分辨。不利于深度学习的标签制作
建议：
- 更改光源和拍照角度和位置
- 增加数据量
- 给出明确的 NG 区域方便后续制作标签进行训练
欢迎来到这里！
我们正在构建一个小众社区，大家在这里相互信任，以平等 • 自由 • 奔放的价值观进行分享交流。最终，希望大家能够找到与自己志同道合的伙伴，共同成长。
注册 关于