录用日期: 2026-04-21
摘要:
卷烟生产线上包装盒外观瑕疵检测是保障产品质量的关键环节。随着生产线速度的提升,传统基于模板匹配或有监督学习的视觉检测方法面临着对微小瑕疵(如细微划痕、局部漏印)识别率低,且难以应对复杂反光材质和未知缺陷的问题。针对这些问题,为了提高卷烟包装质量检测的准确性和鲁棒性,本研究提出了一种基于无监督学习的细粒度视觉识别算法。首先,设计基于预训练卷积神经网络的特征提取模块,提取包装盒图像的多尺度语义特征。然后,引入坐标注意力机制强化高频局部特征,以适应细粒度瑕疵的识别。最后,利用马氏距离构建正常样本的多元正态分布模型,计算测试样本的异常得分以实现瑕疵定位。根据实验可知,该方法在无缺陷样本标注的条件下,对各类型卷烟包装瑕疵的检出率达到 96.5%,单张图像处理时间仅为 12ms,能够完美适配高速生产线的实时监测需求。