(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210670439.X (22)申请日 2022.06.14 (71)申请人 山东瑞邦自动化设备有限公司 地址 255000 山东省淄博市高新区青龙山 路5688号 (72)发明人 李彬　岳飞飞　贾金容　梁文鑫　 黄潇翔　梁世鑫　 (74)专利代理 机构 青岛橡胶谷知识产权代理事 务所(普通 合伙) 37341 专利代理师 韩静 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/22(2022.01) G06V 10/44(2022.01)G06V 10/82(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 缺陷手套识别多 模型预测方法 (57)摘要 本发明属于手套检测技术领域， 涉及缺陷手 套识别多模型预测方法,其包括如下的步骤： S1、 采集手套生产线不同工位的产品图像并进行预 处理； S2、 建立缺陷预测模型M， 所述缺陷预测模 型M包括分类预测模型MC与目标检测预测模型 MT,S3、 使用若干个缺陷预测模型对产品缺陷情 况进行预测， 所述缺陷预测模型包括分类预测模 型MC、 目标检测预测模型MT中的一种或若干种独 立模型的组合。 本发明通过分类预测模型MC与目 标检测预测模型MT两种模型的一种或若干种进 行组合， 以该方式进行检测， 从而弥补单模型的 缺陷， 严格控制缺陷的检出率、 误检率、 严重缺陷 的漏检率等指标， 以实现对合格品与不合格品的 精细筛分预测。 权利要求书1页 说明书5页 附图4页 CN 115063366 A 2022.09.16 CN 115063366 A 1.缺陷手套识别多模型 预测方法， 其特 征在于， 其包括如下的步骤： S1、 采集手套生产线不同工位的产品图像并进行 预处理； S2、 建立缺陷预测模型M， 所述缺陷预测模型M包括分类预测模型MC与目标检测预测模 型MT； S3、 使用若干个缺陷预测模型对产品缺陷情况进行预测， 所述缺陷预测模型包括分类 预测模型M C、 目标检测预测模型MT中的一种或若干种独立模型的组合。 2.根据权利要求1所述的缺陷手套识别多模型预测方法， 其特征在于， 分类预测模型MC 和目标检测预测模型MT都是通过卷积神经网络或全连接神经网络一种或多种结合的深度 学习方法去抽取检测图像的特征并进 行处理， 分类预测模型MC根据特征提取加全连接神经 网络可以实现图像的分类， 目标检测预测模型MT可以实现图像目标定位与分类。 3.根据权利要求1所述的缺陷手套识别多模型预测方法， 其特征在于， 所述分类预测模 型MC设置有置信度阈值θC， 预测基于 置信度阈值θC的合格品与不 合格品的分类结果； 所述目标检测预测模型MT设置有置信度阈值θT， 预测基于置信度阈值θT的合格品与不 合格品的分类结果,以及不 合格品的缺陷所属类别、 具体位置 。 4.根据权利要求1所述的缺陷手套识别多模型预测方法， 其特征在于， 步骤S3中， 采用 双目标预测模型MT1+MT2， 相互配合进行 预测， 其中MT1为主模型， MT2为辅助模型， 其中： MT1定义全品类缺陷D1i， 在模型训练时主模型用D1i进行模型训练； MT2定义严重缺陷D2i， 在模型训练时主模型用D2i进行模型训练； 首先在主模型中设置某类别缺陷的置信度阈值σ1， 主模型对待检测图像数据的该类别 缺陷进行预测， 若检测到缺陷的置信度小于设定 阈值σ1， 则将此图像数据送入MT2再次进行 预测； MT2设定有置信度阈值σ2， σ2代表与D1i对应的严重缺陷D2i的置信度阈值； 若MT2检测到 缺陷的置信度大于设定阈值σ2， 则认定为该图像数据对应的产品具有严重缺陷； 所述MT1+ MT2双模型用于避免严重缺陷的漏检。 5.根据权利要求1所述的缺陷手套识别多模型预测方法， 其特征在于： 步骤S3中， 采用 目标预测模型MT1+分类预测模型M C1， 相互配合进行 预测， 具体为： 首先对MT1设置低水平的置信度阈值σ1； 其次用MT1将所有待检图像数据进行预测， 检测到的缺陷区域包含大量的误检检测框， 然后使用像素切割将预测框切割出来形成独立图像； 然后将切割下来的图像送入M C1判断是否误检。 6.根据权利要求1所述的缺陷手套识别多模型预测方法， 其特征在于： 步骤S3中， 采用 目标预测 模型MT1+目标预测 模型MT2+分类预测模型MC1， 相互配合进行预测， 用于在提高检 出率的同时， 降低误检率， 其中： MT1为主模型、 MT2为辅助模型， 主模型和辅助模型将预测框切割出来形成独立图像后， 由MC1再一次进行分类预测。权　利　要　求　书 1/1 页 2 CN 115063366 A 2缺陷手套识别多模型预测方 法 技术领域 [0001]本发明涉及医用手套技 术领域， 具体为 缺陷手套识别多模型 预测方法。 背景技术 [0002]一次性医用手套， 大多用于医用检查或侵入性手术， 扯断和拉断伸长 的受力或手 套缺的陷识别要求比检查手套更严格。 [0003]在一次性医用手套生产完成后， 由于使用者大多为医护人员， 所以对手套的缺陷 识别更加严格， 但现有的针对手套缺陷的识别大多还处于人工识别， 不仅效率低下， 且识别 精度不高。 [0004]现有的机器识别手套缺陷大多为单模型识别， 并且为整块区域进行识别， 在手套 的生产过程中， 对于不同的产品批次， 关于缺陷的检出率、 误检率、 严重缺陷的漏检率等指 标可能有不同的要求， 且不同的客户对于缺陷或者严重缺陷的定义及标准不同， 现有技术 的检测模型难以满足上述要求。 [0005]基于现有的技 术不足， 本发明设计了缺陷手套识别多模型 预测方法。 发明内容 [0006]为解决背景技术中的问题， 本发明提供了如下技术方案： 缺陷手套识别多模型预 测方法， 其包括如下的步骤： [0007]S1、 采集手套生产线不同工位的产品图像并进行 预处理； [0008]S2、 建立缺陷预测模型M， 所述缺陷预测模型M包括分类预测模型MC与目标检测 预 测模型MT； [0009]S3、 使用若干个缺陷预测模型对产品缺陷情况进行预测， 所述缺陷预测模型包括 分类预测模型M C、 目标检测预测模型MT中的一种或若干种独立模型的组合。 [0010]进一步， 分类预测模型MC和目标检测预测模型MT都是通过卷积神经网络或全连接 神经网络一种或多种结合的深度学习方法去抽取检测图像的特征并进 行处理， 分类预测模 型MC根据特征提取加全连接神经网络可以实现图像的分类， 目标检测预测模型MT 可以实现 图像目标定位与分类。 [0011]进一步， 所述分类 预测模型MC设置有置信 度阈值θC， 预测基于置信度阈值θC的合格 品与不合格品的分类结果； [0012]所述目标检测预测 模型MT设置有置信度阈值θT， 预测基于置信度阈值θT的合格品 与不合格品的分类结果,以及不 合格品的缺陷所属类别、 具体位置 。 [0013]进一步， 步骤S3中， 采用双目标预测模型MT1+MT2， 相互配合进行预测， 其中MT1为主 模型， MT2为辅助模型， 其中： [0014]MT1定义全品类缺陷D1i， 在模型训练时主模型用D1i进行模型训练； [0015]MT2定义严重缺陷D2i， 在模型训练时主模型用D2i进行模型训练； [0016]首先在主模型中设置某类别缺陷的置信度阈值σ1， 主模型对待检测图像数据的该说　明　书 1/5 页 3 CN 115063366 A 3