本发明涉及图像检测，具体而言，涉及一种基于深度学习的酒盒异常自动检测方法及系统。
背景技术：
1、当今中国，酒类市场随着时代的发展而日益繁荣。在这一背景下，消费者对酒类产品包装的要求不断提升，促使生产商对酒盒包装的质量给予了前所未有的重视。酒盒包装，作为连接产品与消费者的桥梁，其重要性不仅体现在提升产品附加值、满足消费者精神需求上，更在于巩固品牌与企业形象，成为市场竞争中的关键要素。
2、对于酒水生产企业而言，酒盒不仅是产品的外在包装，更是品牌形象的直接体现。一个精美、结实耐用的酒盒，不仅能够显著提升酒水的档次和美观度，增强产品的市场竞争力，还能有效保护酒瓶，防止在运输和存储过程中发生破碎等意外情况，确保产品安全到达消费者手中。
3、目前，在酒盒包装的生产过程中，仍存在一些亟待解决的问题。首先，为了确保酒瓶在酒盒内的稳定性，通常会在酒盒底部嵌设泡沫内托。但在实际操作中，由于人为疏忽，竖装酒盒偶现内托遗漏，书本式酒盒则有时遭遇内托装反的状况，致使酒瓶难以顺利置入。其次，为了提升包装的美观度，生产商常会在酒盒上粘贴工艺精细的铭牌。然而，在粘贴过程中，铭牌贴反、贴歪甚至未贴的问题时有发生，严重影响了酒盒的整体美观和品牌形象。
4、目前部分企业在装配内托和铭牌后，没有单独设置工作人员对酒盒内托和表面铭牌是否装配合格进行检测；即使配备了专门的工作人员进行复查，也是依靠人工目视检测，通常要求工作人员的注意力长时间集中在被检测产品上，眼睛疲劳、情绪波动都会影响检测结果，这种方法存在误检率高、劳动强度大等问题，且检测速度慢，难以满足快速自动化的生产要求。
5、经检索，申请号为cn202122410528.4，授权公告号为cn216050657u的专利文献，公开了一种包装酒盒的异常检测方法，硬件设备包括有工作台、龙门架、检测机构、第一驱动机构、夹持机构、第二驱动机构和控制器，龙门架设于工作台上，在龙门架的顶面设有导轨，并在龙门架的顶面设有可沿导轨移动的支撑盒，第一驱动机构设于支撑盒中，检测机构通过龙门架与第一驱动机构相连接，系统通过检测机构与待检测酒盒内嵌设于底部的内托相抵接状态来判断酒盒深度，从而判断酒盒是否装配内托；这种检测方式虽然可以对不同的酒盒进行检测，满足物料更换的需求，但是不能对铭牌的贴放进行检测，并且检测的速度较慢，难以匹配要求更高的生产任务。
6、经检索，申请号为cn202311558750.6，授权公告号为cn117657676b的专利文献，公开了一种酒盒生产智能检测方法，硬件设备包括输送机构、推料机构和检测修正机构，检测修正机构包括第三液压缸、第三伸缩杆、第二推料板、修正板、滑杆、第二弹簧和传感器，第三液压缸的输出端固定连接有第三伸缩杆，第三伸缩杆的输出端固定连接有第二推料板，第三伸缩杆内开设有滑槽，滑槽内壁靠近第三液压缸的一端固定连接有第二弹簧，第二弹簧的另一端固定连接有滑杆，滑杆贯穿至第二推料板外部的一端转动连接有修正板，第二推料板上开设有限位槽的一端边缘位置设置有多个传感器，系统通过传感器检测与底座之间的距离来判断内托是否安装，从而实现自动化对酒盒本体中的底座进行规整并检测修正，保证底座放置平整到位。此方法具有较快的检测速度，更准确的检测精度，但是同样不能对铭牌的贴放进行检测，并且对硬件设备维护的需求比较高。
7、经检索，申请号为cn202322034782.8，授权公告号为cn220635363u的专利文献，公开了一种酒盒外观检测方法，通过设置检测模块、皮带输送线模块和剔除回收模块，检测模块固定安装在皮带输送线模块上，剔除回收模块包括设置在皮带输送线模块一侧的剔除组件、位于皮带输送线模块另一侧并与剔除组件对应设置的回收组件，待检测的酒盒从检测模块的入口处经过皮带输送线模块输送，使多组相机组件对酒盒的多个面进行拍摄取像，将拍摄图像与模板图片对比以识别出有缺陷的酒盒外观，以此判断区分不良品和良品，良品会从检测模块的出口处顺利流出至下一个工位，而不良品在出口处，会被剔除组件推动直至进入回收组件内并存储，以实现不良品的自动剔除和集中回收。这种方法利用视觉技术，通过与正常模板匹配来识别不良品，降低了硬件成本，并且通过增设工位可以添加识别铭牌是否贴放正确的功能，但模板对比的方法对检测环境的要求高，受光照影响大、图像处理复杂，难以满足复杂多变的生产环境。
技术实现思路
1、为了解决上述背景技术中存在的技术问题，本发明提供了一种基于深度学习的酒盒异常自动检测方法、检测系统。
2、本发明提供了一种基于深度学习的酒盒异常自动检测方法，包括以下步骤：
3、s1、获取正常酒盒和异常酒盒的图像样本，建立酒盒异常检测数据集，并对数据集进行数据增强和标注；
4、s2、构建基于yolov8算法的目标检测模型，并引入注意力机制；
5、s3、将酒盒异常检测数据集输入到目标检测模型进行训练，直至损失值下降到最低并趋于稳定；在训练过程中，目标检测模型获取异常酒盒的特征信息；
6、s4、调整传送带上酒盒的姿态，使得酒盒的待检测面正对相机镜头；
7、s5、实时获取传送带上每一帧酒盒图像并进行预处理，将预处理后的酒盒图像输入到训练好的目标检测模型中：
8、s6、若目标检测模型输出结果为异常，则将对应酒盒进行剔除操作。
9、进一步的，在步骤s5中，所述预处理包括：等比例缩放、对比度增强、锐化和添加掩膜。
10、进一步的，在步骤s5中，具体包括：
11、目标检测模型处理每一帧酒盒图像，获取一系列目标物体的边界框，每个边界框包含以下信息：中心坐标 (xc,yc)、宽度 w 、高度 h、置信度 s和类别标签 cls，其中，置信度 s表示该边界框内存在目标物体的概率，类别标签 cls表示边界框内目标物体的类别；
12、对于检测到的每一个边界框，若置信度 s<置信度阈值ts，则对该边界框进行滤除；
13、计算边界框之间的交并比iou，去除重叠的边界框；其中，交并比iou为两个边界框交集面积与并集面积的比值；
14、对于每个当前帧的边界框，计算其与上一帧中所有已跟踪目标物体的边界框之间的交并比iou，选择交并比iou最高的边界框作为匹配目标；若匹配成功，则使用当前帧的信息来更新匹配目标的状态。
15、进一步的，在步骤s6中，具体包括：
16、在每一帧中为每个成功跟踪的目标物体分配一个唯一的id，当目标物体的id连续出现在指定数量的帧中时，根据目标物体的中心坐标xc和类别 cls来做出决策：
17、如果目标物体位于放行区域且类别符合要求，计算目标物体整个跟踪过程中的检测结果，且检测结果未发生突变，则发送信号给气缸进行放行操作；
18、如果目标物体位于剔除区域或类别不符合要求，计算目标物体整个跟踪过程中的检测结果，且检测结果未发生突变，则发送信号给气缸进行剔除操作；
19、如果目标物体出现消失情况或检测结果的突变，则重新进行检测，放弃先前帧的检测结果。
20、进一步的，在步骤s6中，具体包括：
21、根据酒盒图像的检测结果，控制气缸推动酒盒，合格物料轻推一次，制造传感器与后续物料间的距离差异，不合格物料推动两次，与合格物料进行区分，同时报警器提示检测到不合格物料，等待后续工作人员操作。
22、进一步的，在步骤s6中，具体包括：
23、获取当前帧的物料检测结果，若检测结果为不合格，控制气缸推动酒盒，与合格物料进行区分；若检测结果合格，气缸不做操作。
24、本发明还提供一种基于深度学习的酒盒异常自动检测系统，包括图像采集模块、图像处理模块、异常检测模块、结果显示模块和物料分选模块；其中，
25、所述图像采集模块用于对流水线进行持续拍摄，通过前置传感器检测物料位置，当物料进入待检测区域，获取当前帧的物料图像；
26、所述图像处理模块对采集到的物料图像进行预处理，包括等比例缩放、对比度增强、锐化、添加掩膜；
27、所述异常检测模块利用深度学习模型，配合后处理算法，识别酒盒内托、铭牌的装配情况；
28、所述结果显示模块将检测结果实时显示在前端界面，供生产管理人员参考；
29、所述物料分选模块对传送带上不合格物料进行分选。
30、本发明的有益效果在于：
31、本发明融合计算机视觉技术，实现了对各类异常的快速、精准检测，极大提升了检测效率，充分满足了大规模生产的要求；采用深度学习技术，能够灵活应对生产环境中复杂多变的光照条件和背景变化，展现出卓越的抗干扰能力，确保检测的准确性和稳定性；本发明的异常检测部分创新性地设计了单帧与多帧两种检测模式。单帧模式以其高速处理能力和对复杂光照环境的适应性，成为大规模生产场景下的优选；而多帧模式则凭借其卓越的抗干扰能力和高精度检测，尤其适合对产品质量有精细要求的场景。两种模式相辅相成，硬件兼容，可根据实际物料特性和工况灵活切换，极大提升了系统的灵活性和适应性；在物料替换过程中，本发明的系统无需复杂的算法重写、参数调整或模型重训，有效缩短了生产准备时间，显著提升了工业流水线的生产效率和灵活性。
1.一种基于深度学习的酒盒异常自动检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的酒盒异常自动检测方法，其特征在于，在步骤s5中，所述预处理包括：等比例缩放、对比度增强、锐化和添加掩膜。
3.根据权利要求1所述的一种基于深度学习的酒盒异常自动检测方法，其特征在于，在步骤s5中，具体包括：
4.根据权利要求3所述的一种基于深度学习的酒盒异常自动检测方法，其特征在于，在步骤s6中，具体包括：
5.根据权利要求4所述的一种基于深度学习的酒盒异常自动检测方法，其特征在于，在步骤s6中，具体包括：
6.根据权利要求3所述的一种基于深度学习的酒盒异常自动检测方法，其特征在于，在步骤s6中，具体包括：
7.一种基于深度学习的酒盒异常自动检测系统，其特征在于：包括图像采集模块、图像处理模块、异常检测模块、结果显示模块和物料分选模块；其中，
