玻璃瓶质量检测是制瓶产业的重要环节,质量把控关系到客户需求,数据统计助于工艺改进。玻璃瓶成型过程处于高温条件下(最高达1560℃),工艺把控非常困难(8%-10%的不合格率),所以质量检测显得尤为重要。通过对生产线上质量检测的实地考察,发现玻璃瓶上的缺陷小且区分难度大,特别是位于瓶口的缺陷,现有基于机器视觉方法的设备区分缺陷类别的效果不好,对玻璃瓶底模号的分类精度不高,因此提出了改进方法:基于卷积神经网络实现玻璃瓶弱特征缺陷和瓶底模号分类,并实现检测数据可视化界面设计。主要内容总结如下:(1)瓶口缺陷和瓶底模号图像集预处理。本文针对的是千禾酱油瓶,研究对象为5类瓶口图像(4类缺陷及1类正常瓶)和5类瓶底模号,图像来源于现用照相检验机的图片库。通过对收集的图像集进行旋转、平移、翻转操作实现数量扩充(每类1万张);对缺陷图像集使用对比度增强、双边滤波去噪的方法排除干扰;对缺陷图像集进行去均值和归一化操作,使像素值中心化,取值映射到0～1,以提升网络的收敛速度。(2)搭建并优化瓶底模号和瓶口缺陷卷积网络。基于卷积网络模型,逐步实现瓶底模号分类卷积网络的搭建和改进,最终到达98.95%的分类精度,并与三类经典网络进行对比,以评估搭建网络的性能。将模号分类网络结构迁移到缺陷训练上,根据实验中训练集和验证集精度曲线的变化情况,逐步调整原结构中的激活函数和参数更新方法,调整卷积核维度、Batch＿Size值、迭代次数、学习率等参数,并引入Dropout层和BN(Batch Normalization)层,最后在网络结构中增加了Inception、Res Net结构,并将瓶底模号图像集的权值、Fashion-MNIST中五类图像集训练后的权值作为缺陷分类网络的权重初始值,完成缺陷网络训练,最终精度达97.86%。将该网络与两类经典网络进行比较,结果显示经典网络在缺陷分类上也有较好表现,但搭建的网络更加简洁,以最少的层数和较好的性能实现了分类任务。(3)玻璃瓶底模号和瓶口缺陷分类系统部署,主要分为图像获取模块、图像分类模块、数据存储模块、可视化显示模块:通过相机获取图像数据,输入到训练好的模号和缺陷分类卷积网络模型中;将分类结果存储于搭建的数据库中;使用Python提供的Tkinter库完成界面前端设计,实现检测图像和数据的实时显示;基于Python连接并搭建用于存储检测结果的数据库,使用其提供的Matplotlib库实现统计图绘制;基于“微信开发者”软件平台,实现微信小程序设计,方便移动端的数据查看。最后进行了系统软件测试,实现了分类效果。