具体实施方式

现在将在下文中参考附图更全面地描述示例实施例，在附图中示出一些但不是所有实施例。事实上，实施例可采取许多不同的形式，并且不应当被解释为限于本文中阐述的实施例；而是，提供这些实施例使得本公开将满足可适用的法律要求。相同的参考标号指代各处相同的元件。根据一些示例实施例，用语“数据”、“内容”、“信息”和类似用语可能够互换地使用，以指代能够被传输、接收、操作和/或存储的数据。此外，如本文中可使用的用语“示例性”不是提供用于传达任何定性评估，而相反，仅仅用于传达示例的说明。因此，任何这样的用语的使用不应当被视为限制本发明的实施例的精神和范围。

参考图1至图2，示出形成包装物品的示例性实施例。在一些实施例中，包装物品可使用任何已知的方法制造，只要如本文中所描述的指示剂并入到包装物品中。在一些实施例中，固体聚合物珠(未图示)被供给到多个挤出机28(为了简单起见，仅图示一个挤出机)。在挤出机28内部，聚合物珠被推进、熔融和脱气，在这之后所得的无气泡熔体被推进到模具头30中，并通过环形模具挤出，从而造成环形条带32。

在通过来自冷却环34的水喷雾冷却和淬火之后，环形条带32被夹辊36压扁成平铺构造。然后，处于平铺构造的环形条带32穿过由屏蔽物40包围的辐照室38，在那里利用来自铁芯变压器加速器42的高能电子(即电离辐射)辐照环形条带32。环形条带32在辊44上被引导通过辐照室38。

在辐照之后，经辐照的环形条带46被导引通过预涂覆夹辊48，在这之后经辐照的环形条带46被轻微充胀，从而造成截留的气泡50。在截留的气泡50处，经辐照的环形条带46没有被显著地纵向拉拔，因为后涂覆夹辊52的表面速度与预涂覆夹辊48的表面速度大致相同。此外，经辐照的条带46仅充胀到足以将环形条带放置成基本上圆形的构造，而没有显著的横向取向，即没有横向拉伸。

被气泡50轻微充胀的经辐照的环形条带46穿过真空室54，并且此后被推进通过涂覆模具56。环形涂覆流58从涂覆模具56中熔融挤出，并被涂覆到充胀的经辐照的环形条带46上，以形成经涂覆的环形条带60。涂覆流58包括由PVDC制成的O₂阻挡层以及额外的层，所有这些层都不穿过电离辐射。上面描述的涂覆步骤的进一步细节大体上如授予BRAX等人的美国专利No. 4278738中所阐述那样，该专利以其整体通过引用其而并入本文中。在辐照和涂覆之后，经涂覆的环形条带60被卷绕到卷绕辊62上。

此后，转到图2，在制造期望的可热收缩膜管材的过程中的第二阶段，卷绕辊62作为退绕辊64安装。经涂覆的环形条带60从退绕辊64退绕，并且经过导辊66，此后经涂覆的环形条带60进入包含热水70的热水浴槽68。仍处于平铺构造的经涂覆的管状膜60被浸入热水70中足够长的时间，以使环形条带60达到其软化点，即当经涂覆的环形条带处于固态时针对双轴取向的期望温度。

此后，经涂覆的环形条带60被导引通过夹辊72，并且气泡74被吹动，从而横向地固态拉伸经涂覆的环形条带60。此外，当被吹制(即横向地拉伸)时，夹辊76在纵向方向上拉拔环形条带60，因为夹辊76所具有的表面速度高于夹辊72的表面速度。作为横向拉伸和纵向拉拔的结果，环形条带60在固态下双轴取向，以形成双轴取向的可热收缩膜管材78。可热收缩膜管材78被横向地拉伸，并且被纵向地拉拔。当气泡74保持在成对的夹辊72和76之间时，所得到的吹制膜管材78被辊80压扁成平铺构造。此后，处于平铺构造的膜管材78被输送通过夹辊76并横跨导辊82，并且然后被卷到卷绕辊84上。惰辊86确保良好的卷绕。

如本文中所使用的，用语“膜”包括塑料幅材，无论它是膜、袋还是片。如本文中公开的多层膜可具有至多0.15 mm的总厚度。在实施例中，多层膜包括：A)第一层，其为第一外膜层并且用作热密封层；B)第二层，其为第二外层并且用作外用层；C)在第一层和第二层之间的第三膜层，第三层用作功能层；D)在第一层和第三层之间的第四膜层，第四层用作第一结合层；和E)在第二层和第三层之间的第五膜层，第五层用作第二结合层。在一些实施例中，膜可包括如上面描述的第一层、第二层和第三层，而没有第一和第二结合层。功能层包括但不限于氧阻挡层、感官阻挡层、水分阻挡层、有害化学物质阻挡层、微生物阻挡层、酸层、酸性盐层、细菌素层、噬菌体层、金属层、金属盐层、天然油层、天然提取物层、含有聚六亚甲基双胍盐酸盐的层、含有对羟基苯甲酸酯的层、含有接枝硅烷-季铵的层、含有三氯生的层、含有银、铜和/或锌的沸石的层。

在实施例中，膜粘附到诸如托盘的包装支撑件或另一个膜以形成包装物品。在实施例中，包装物品是选自由端部密封袋、侧面密封袋、小袋或后接缝包装物品组成的组的一种。在一些实施例中，包装物品可为像袋(例如，端部密封袋、侧面密封袋等)一样的膜容器，其具有包围产品的膜。膜可包括在其中的基本上均匀分布的荧光指示剂，使得包装的产品可在产品的所有侧面上指示包装物品内的气体。在一些实施例中，包装物品可包括刚性或半刚性壳，其中膜覆盖物或密封件包封该壳。在实施例中，放置在包装物品中的产品是食物产品。在实施例中，食物产品包括选自由肉和奶酪组成的组的至少一种。

现在参考图3，图3是用于检测包装物品的密封区域中的缺陷的示例性过程流的框图。膜或包装物品由密封机构31密封，以通过将膜密封到其自身或另一包装支撑件来产生密封区域。在一些实施例中，包装物品可包括膜、小袋、袋、管材、刚性或半刚性壳或托盘，其中膜覆盖物或密封件包封壳或托盘。在一些实施例中，包装物品可包括贴体包。密封机构31在膜中产生密封区域。密封机构31是热生成密封机构，诸如来自密封棒的加热、脉冲密封、超声波密封、高速热密封(每分钟密封至少100个密封)或激光密封。密封机构将膜密封到其自身。在如上面描述的膜管材的实例中，密封机构密封管材的一个端部以产生具有一个开口的包装物品。应当理解，密封机构还可密封包装物品的侧面，并且还可在产品已经放置在包装物品中之后密封最终开口。

在包装物品的密封之后，热成像视觉系统33捕获密封区域的热成像图像。来自由密封机构31执行的密封过程的余热保留在密封区域中。这允许捕获密封区域的热成像图像。热图像在密封之后2和40秒之间被捕获。在实施例中，热图像在密封之后5和30秒之间被捕获。在实施例中，热图像在密封之后10和20秒之间被捕获。在实施例中，热图像在密封之后约15秒被捕获。在实施例中，热图像在密封之后约20秒被捕获。应当理解，诸如吹气、冷空气、冷室等的主动冷却系统可用于减少图像捕获时间帧。

热成像是一种非接触式无损测试方法，其中基于由被检查现场发出的红外辐射的量来记录表面温度分布(热谱图)。被检查的物体被热激发，并且对该激发的响应被及时记录。主动热成像数据是三维的，因为每个空间像素的温度被及时评估。主动热成像用于基于热物理性质的差异检测(亚)表面缺陷。

热成像视觉系统33包括至少一个热成像图像捕获设备和视觉检查引擎。在一些实施例中，热成像视觉系统33包括光源、多个光源(呈相同或不同类型)、滤波器、多个图像捕获设备或反射器。在实施例中，热成像图像捕获设备是热相机。光源可为连续光源或闪光光源。光源可为白光、过滤光、漫射光、红外光、紫外光、在可见光光谱内或在可见光光谱外。在一些实施例中，热成像视觉系统33被容纳在外壳中，以为图像捕获设备捕获图像提供隔离的环境。外壳可隔离或减小外部光源和诸如灰尘的污染物对成像区域的影响。

在一个实施例中，热成像图像捕获设备捕获每个包装物品的至少一个密封的图像。在另一个实施例中，热成像图像捕获设备捕获每个包装物品的至少一个密封的至少两个图像。在另一个实施例中，热成像图像捕获设备捕获每个包装物品的至少一个密封的至少四个图像。在一个实施例中，热成像图像捕获设备以每秒至少20帧的帧速率捕获图像数据。在一个实施例中，热成像图像捕获设备以每秒至少40帧的帧速率捕获图像数据。在一个实施例中，热成像图像捕获设备以每秒至少60帧的帧速率捕获图像数据。具有密封的额外的图像数据提供了额外的数据，并可造成更可靠的密封品质确定。在实施例中，热成像图像捕获设备以视频格式传输图像数据，视频格式包括但不限于运动JPEG、MPEG、SEQ和H.264格式。在实施例中，热成像图像捕获设备捕获热图像数据。在另一个实施例中，热成像图像捕获设备捕获多光谱动态图像数据。

由热成像设备采集的图像数据被发送到视觉检查引擎。如本文中更详细描述的，视觉检查引擎能够分析图像并确定密封是否可接受或者密封是否具有缺陷。视觉检查引擎创建涉及密封区域的品质的密封分数。视觉检查引擎分析颜色梯度变化、光强度、颜色强度、来自相邻像素的数据的变化、来自相邻像素区段的数据的变化以及它们的组合中的至少一个，以创建密封分数。在实施例中，视觉检查引擎分析颜色梯度变化、光强度、颜色强度、来自相邻像素的数据的变化、来自相邻像素区段的数据的变化以及它们的组合中的至少一个，以进一步创建置信度分数。置信度分数提供了指定的密封分数的可靠性的评估。视觉检查引擎可位于热成像视觉系统33本地、集成到系统的另一部分中或者是远程的。

仍然参考图3，缺陷机构35接收指令以识别具有有缺陷的密封或具有低于某个阈值的置信度等级的包装物品。在一个实施例中，缺陷机构将有缺陷的包装物品从生产线上拉出，以用于离线测试、验证、回收、重新包装或废弃，从而仅允许具有适当密封的包装物品超过缺陷机构35继续。在实施例中，缺陷机构在包装物品上系挂、标记或印刷至少一个标志，以将包装物品识别为可能具有有缺陷的密封。在实施例中，有缺陷的密封的检测可造成缺陷机构激活警报、标记有缺陷的包装物品、显示有缺陷的密封或包装物品的图像、显示与有缺陷的密封相关的数据以及生成有缺陷的密封或包装物品的报告。在实施例中，缺陷机构移除具有有缺陷的密封的包装物品。缺陷机构可在包装物品被卸下时暂停生产线，或者缺陷机构可在不暂停生产线的情况下移除包装物品。在实施例中，缺陷机构包括与机器人臂组合利用的真空吸盘，以自动地移除包装物品。在另一个实施例中，缺陷机构将包装移动到远离包装没有有缺陷的密封的物品的生产线的缺陷生产线。

在实施例中，响应于有缺陷的密封的信号在幅材保持运动时(即，即时地和在线地)生成并激活警报、标记、间断图像显示、间断数据、间断数据的报告等。备选地，响应于有缺陷的密封的信号在生产完成之后(即离线地)生成。响应于间断的信号可包括电子消息、电子邮件、数据日志和报告。

应当理解，视觉系统和缺陷机构可在包装物品的形成之后和产品包装之前实施。在另一个实施例中，视觉系统和缺陷机构可在包装物品中的产品的包装和密封之后实施。

现在参考图4，图4是用于检测包装物品的密封区域中的缺陷的示例性过程流的框图。如上面描述的，膜或包装物品由密封机构31密封。密封机构31在膜中产生密封区域。密封机构31可为密封棒热密封、脉冲密封、超声波密封、高速热密封或激光密封。在一个实施例中，密封机构每分钟产生至少100个密封。在另一个实施例中，密封机构每分钟产生至少300个密封。密封机构将膜密封到其自身。在如上面描述的膜管材的实例中，密封机构密封管材的一个端部以产生具有一个开口的包装物品。应当理解，密封机构还可密封包装物品的侧面，并且还可在产品已经放置在包装物品中之后密封最终开口。

膜定位在彼此正交设置的两个交叉偏振滤波器之间。第一滤波器使取向在第一方向上的光通过。第二滤波器取向成正交于第一滤波器，以阻挡通过第一滤波器的所有光。当一件透明材料定位在两个滤波器之间时，光旋转。旋转量随材料的类型和材料内的内部应变的量而变化。在光旋转出第二滤波器的偏振平面的情况下，一些光穿过第二滤波器。

在包装物品的密封之后，光弹性视觉系统43捕获密封区域的图像。光弹性视觉系统43包括至少一个光弹性图像捕获设备、光源、第一偏振光滤波器、第二偏振光滤波器和视觉检查引擎。在一些实施例中，光弹性视觉系统43包括多个光源(呈相同或不同类型)、滤波器、多个图像捕获设备或反射器。在实施例中，光弹性图像捕获设备是高速相机。光源可为连续光源或闪光光源。光源可为白光、过滤光、漫射光、红外光、紫外光、在可见光光谱内或在可见光光谱外。在一些实施例中，光弹性视觉系统43被容纳在外壳中，以为图像捕获设备捕获图像提供隔离的环境。外壳可隔离或减小外部光源和诸如灰尘的污染物对成像区域的影响。

在一个实施例中，光弹性图像捕获设备捕获每个包装物品的至少一个密封的图像。在另一个实施例中，光弹性图像捕获设备捕获每个包装物品的至少一个密封的至少两个图像。在另一个实施例中，光弹性图像捕获设备捕获每个包装物品的至少一个密封的至少四个图像。在一个实施例中，光弹性图像捕获设备以每秒至少20帧的帧速率捕获图像数据。在一个实施例中，光弹性图像捕获设备以每秒至少40帧的帧速率捕获图像数据。在一个实施例中，光弹性图像捕获设备以每秒至少60帧的帧速率捕获图像数据。具有密封的额外的图像数据提供了额外的数据，并可造成更可靠的密封品质确定。在实施例中，紫外图像捕获设备是能够捕获可见光光谱中的图像的RGB相机。

由光弹性成像设备采集的图像数据被发送到视觉检查引擎。如本文中更详细描述的，视觉检查引擎能够分析图像并确定密封是否可接受或者密封是否具有缺陷。在实施例中，视觉检查引擎确定置信度等级以及密封分类。视觉检查引擎可位于光弹性视觉系统43本地、集成到系统的另一部分中或者是远程的。视觉检查引擎针对相邻像素颜色梯度的变化、区段比较等分析图像。视觉检查引擎可对图像的多个像素或区段进行关于下者中的一项或多项的比较：平均值、变量、偏斜、最小值、最大值、范围或密封区域中的变化。图像的像素或区段之间的变化可指示密封缺陷。

仍然参考图4，缺陷机构35接收指令以识别具有有缺陷的密封或具有低于某个阈值的置信度等级的包装物品。在一个实施例中，缺陷机构将有缺陷的包装物品从生产线上拉出，以用于离线测试、验证、回收、重新包装或废弃，从而仅允许具有适当密封的包装物品超过缺陷机构35继续。在实施例中，缺陷机构在包装物品上系挂、标记或印刷至少一个标志，以将包装物品识别为可能具有有缺陷的密封。在实施例中，有缺陷的密封的检测可造成缺陷机构激活警报、标记有缺陷的包装物品、显示有缺陷的密封或包装物品的图像、显示与有缺陷的密封相关的数据以及生成有缺陷的密封或包装物品的报告。

在实施例中，响应于有缺陷的密封的信号在幅材保持运动时(即，即时地和在线地)生成并激活警报、标记、间断图像显示、间断数据、间断数据的报告等。备选地，响应于有缺陷的密封的信号在生产完成之后(即离线地)生成。响应于间断的信号可包括电子消息、电子邮件、数据日志和报告。

应当理解，视觉系统和缺陷机构可在包装物品的形成之后和产品包装之前实施。在另一个实施例中，视觉系统和缺陷机构可在包装物品中的产品的包装和密封之后实施。

现在参考图5，图5是用于检测包装物品的密封区域中的缺陷的示例性过程流的框图。膜或包装物品由密封机构31密封。在一些实施例中，包装物品可包括膜、小袋、袋、管材、刚性或半刚性壳，其中膜覆盖物或密封件包封该壳。在一些实施例中，膜可包括允许检测密封缺陷的可检测成分。在一些实施例中，包装物品可包括贴体包。在一些实施例中，具有基于紫外(“UV”)荧光的指示剂的膜可仅部分地包围产品。

膜包括诸如基于荧光的指示剂的可检测成分。在实施例中，膜包含包括聚合物和任何功能层中的基于荧光的指示剂的共混物的层，其中基于总层重量，基于荧光的指示剂的浓度在共混物中以从约5至50 ppm的量存在，其中基于荧光的指示剂与聚合物均匀地共混。指示剂/聚合物共混物中指示剂的均匀性是指：基于共混物中指示剂的目标浓度，在取10个随机样品(每个样品具有10克的大小)时，共混物中指示剂的浓度经受不超过20%且不小于20%的变化。在实施例中，聚合物包括PVDC(即聚偏二氯乙烯)、乙烯-乙烯醇或尼龙。

UV荧光指示剂可以以能够由检测器检测的任何水平存在于功能层中，同时允许功能层保持其预期功能。过多的荧光指示剂可干扰层功能。过少的荧光指示剂可变得不能够被检测器检测到。在实施例中，荧光指示剂可以以至少百万分之(ppm) 0.5的水平存在。如本文中所使用的，短语“百万分之”和等效表达“ppm”是指荧光指示剂的重量与层的总重量(荧光指示剂的重量+层中剩余成分的重量)的关系。当然，层的主要成分是在室温下为固体的一种或多种热塑性聚合物。层的荧光指示剂和热塑性聚合物两者在室温下都可为固体。在实施例中，荧光指示剂可以以至少1 ppm、或至少1.5 ppm、或至少2 ppm、或至少3 ppm、或至少5 ppm、或至少10 ppm、或至少20 ppm、或至少40 ppm、或至少80 ppm、或至少120 ppm、或至少160 ppm、或至少200 ppm、或至少300 ppm、或至少500 ppm的水平存在。在实施例中，荧光指示剂可以以从0.5至40 ppm、或从1至20 ppm、或从1.5至10 ppm、或从2至5 ppm的水平存在于层中。为了使膜适合于食物接触的最终用途，荧光指示剂以不超过150 ppm的量存在于层中。

基于UV的荧光指示剂是具有独特吸收和/或荧光性质的UV吸收化合物。优选的UV吸收荧光指示剂成分具有独特的光学特征，这种光学特征在自然界中是不存在的，并且不容易与来自天然来源的信号混淆。优选的UV荧光指示剂在其UV光谱中具有多种独特的吸收或荧光特征。例如，如本文中所使用的，使用处于375纳米的电磁辐射作为入射辐射来激发被称为2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)的荧光指示剂，其被指定CAS注册号7128-64-5，并且也被称为：2,2'-(2,5-噻吩二基)双[5-叔丁基苯并恶唑]；2,5-双-2(5-叔丁基-苯并草酰基)噻吩；2,5-双(5-叔丁基-2-苯并恶唑基)噻吩；2,5-双-(5-叔丁基苯并恶唑基-[2-基])-噻吩；2,5-双-(5-叔丁基-2-苯并恶唑-2-基)噻吩；2,5-双(5'-叔丁基-2-苯并恶唑-2-基)噻吩；2,5-双(5'-叔丁基-2'-苯并恶唑基)噻吩；2,5-双(5-叔丁基-2-苯并恶唑基)噻吩；2,5-双(5-叔丁基-苯并恶唑-2-基)噻吩；2,5-双(5-叔丁基苯并恶唑基)-2-噻吩；2,5-二(5-叔丁基苯并恶唑-2-基)噻吩；2,2'-(2,5-噻吩二基)双[5-(1,1-二甲基乙基)-苯并恶唑；2,5-双(5'-叔丁基-2-苯并恶唑基)噻吩；和2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)。处于375纳米的入射辐射的吸收使激发的2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)光学增亮剂可检测成分发出处于435纳米的辐射。荧光指示剂均匀地共混到PVDC树脂中，该树脂用于产生多层膜的氧阻挡层。将所得的环形条带和/或可热收缩膜管材暴露于处于375 nm的入射辐射激发2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)光学增亮剂发出处于435纳米的辐射。发出的435 nm辐射被机器视觉系统检测到，这揭示了条带和多层膜管材的PVDC阻挡层的存在、连续性和厚度。在实施例中，基于UV的荧光指示剂包括选自由下者组成的组的至少一种：紫外指示剂、红外指示剂、染料、颜料、光学增亮剂、荧光增白剂、2,2’-(2,5-亚噻吩二基)双(5-叔丁基苯并恶唑)、羟基-4-(对甲苯基氨基)蒽-9,10-二酮、2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)和蒽醌染料。指示剂呈如下的类型：如果暴露于处于第一峰值波长的辐射，则发出处于第二峰值波长的辐射。

在实施例中，可检测成分包括选自由下者组成的组的至少一种：紫外指示剂、红外指示剂、染料、颜料、光学增亮剂、荧光增白剂、以及2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)、2,2’-(2,5-亚噻吩二基)双(5-叔丁基苯并恶唑)、羟基-4-(对甲苯基氨基)蒽-9,10-二酮、2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)和蒽醌染料。2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)作为光学增亮剂由多家供应商销售，供应商包括BASF公司(TINOPAL OP® 2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)荧光增亮剂)和Mayzo, Inc (BENETEX OB PLUS®2,5-噻吩二基双(5-叔丁基-1,3-苯并恶唑)荧光增亮剂)。指示剂呈如下的类型：如果暴露于处于第一峰值波长的辐射，则发出处于第二峰值波长的辐射。

在实施例中，基于UV的荧光指示剂存在于膜的至少一个层中，其中基于层重量，指示剂以从0.5至150 ppm的水平存在。在另一个实施例中，指示剂存在于膜的至少一个层中，其中基于层重量，指示剂以从1至20 ppm或从2至10 ppm的水平存在。在实施例中，可检测成分以至少百万分之1的水平存在于膜层中。

在实施例中，基于UV的荧光指示剂呈如下的类型：如果暴露于处于第一峰值波长的辐射，则发出处于第二峰值波长的辐射。

仍然参考图5，密封机构31在膜中产生密封区域。密封机构31将膜密封到其自身或另一个包装物品。在实施例中，密封机构是热生成密封机构，诸如来自密封棒的加热、脉冲密封、超声波密封或激光密封。密封机构将膜密封到其自身。在如上面描述的膜管材的实例中，密封机构密封管材的一个端部以产生具有一个开口的包装物品。应当理解，密封机构还可密封包装物品的侧面，并且还可在产品已经放置在包装物品中之后密封最终开口。

在包装物品的密封之后，紫外系统53捕获密封区域的紫外图像。紫外视觉系统53包括至少一个紫外图像捕获设备、紫外光源和视觉检查引擎。在实施例中，紫外图像捕获设备是能够捕获可见光光谱中的图像的RGB相机。在一些实施例中，紫外视觉系统53包括多个光源(呈相同或不同类型)、滤波器、多个图像捕获设备或反射器。光源可为连续光源或闪光光源。额外的光源可为白光、过滤光、漫射光、红外光、紫外光、在可见光光谱内或在可见光光谱外。在一些实施例中，紫外视觉系统53被容纳在外壳中，以为图像捕获设备捕获图像提供隔离的环境。外壳可隔离或减小外部光源和诸如灰尘的污染物对成像区域的影响。紫外视觉系统53的光源激发包装物品的密封区域中的可检测成分。可检测成分允许图像捕获设备识别可检测成分。

在实施例中，可检测成分是UV荧光指示剂和下者中的至少一种：(i)与适当的密封相比，在密封缺陷所在的区域中荧光电磁能量强度更高，或者(ii)与适当的密封相比，在密封缺陷所在的区域中出现荧光电磁能量颜色偏移(能量向下，即更长的波长、更低的频率)。

在实施例中，相对于适当的密封，在密封缺陷所在的区域中荧光电磁能量强度高至少10%。在另一个实施例中，相对于密封适当的区域中的荧光电磁能量的强度，在密封缺陷所在的区域中，荧光电磁能量强度高≥15%、或高≥20%、或高≥30%、或高≥40%、或高≥50%、或高≥60%。可影响由包装发出的荧光图像的因素尤其包括：(i)视角，(ii)成像设备和所考虑的包装区域之间的焦距，(iii)曝光时间，(iv)激发量，和(v)膜中的厚度变化，包括在膜到其自身或到另一个膜的热密封处的厚度的增加。

在一个实施例中，紫外图像捕获设备捕获每个包装物品的至少一个密封的图像。在另一个实施例中，紫外图像捕获设备捕获每个包装物品的至少一个密封的至少两个图像。在另一个实施例中，紫外图像捕获设备捕获每个包装物品的至少一个密封的至少四个图像。在一个实施例中，紫外图像捕获设备以每秒至少20帧的帧速率捕获图像数据。在一个实施例中，紫外图像捕获设备以每秒至少40帧的帧速率捕获图像数据。在一个实施例中，紫外图像捕获设备以每秒至少60帧的帧速率捕获图像数据。具有密封的额外的图像数据提供了额外的数据，并可造成更可靠的密封品质确定。

由紫外成像设备采集的图像数据被发送到视觉检查引擎。如本文中更详细描述的，视觉检查引擎能够分析图像并确定密封是否可接受或者密封是否具有缺陷。在实施例中，图像数据的采集使用紫外成像设备来执行，该紫外成像设备生成由受激发指示剂发出的荧光电磁能量的图像数据，其中图像数据的评估使用视觉检查引擎来执行，该视觉检查引擎利用能够评估由受激发指示剂发出的荧光电磁能量的强度的算法来编程。在实施例中，视觉检查引擎确定置信度等级以及密封分类。视觉检查引擎可位于紫外视觉系统33本地、集成到系统的另一部分中或者是远程的。

仍然参考图5，缺陷机构35接收指令以识别具有有缺陷的密封或具有低于某个阈值的置信度等级的包装物品。在一个实施例中，缺陷机构将有缺陷的包装物品从生产线上拉出，以用于离线测试、验证、回收、重新包装或废弃，从而仅允许具有适当密封的包装物品超过缺陷机构35继续。在实施例中，缺陷机构在包装物品上系挂、标记或印刷至少一个标志，以将包装物品识别为可能具有有缺陷的密封。在实施例中，有缺陷的密封的检测可造成缺陷机构激活警报、标记有缺陷的包装物品、显示有缺陷的密封或包装物品的图像、显示与有缺陷的密封相关的数据以及生成有缺陷的密封或包装物品的报告。

在实施例中，响应于有缺陷的密封的信号在幅材保持运动时(即，即时地和在线地)生成并激活警报、标记、间断图像显示、间断数据、间断数据的报告等。备选地，响应于有缺陷的密封的信号在生产完成之后(即离线地)生成。响应于间断的信号可包括电子消息、电子邮件、数据日志和报告。

应当理解，视觉系统和缺陷机构可在包装物品的形成之后和产品包装之前实施。在另一个实施例中，视觉系统和缺陷机构可在包装物品中的产品的包装和密封之后实施。

在一些实施例中，设想多个视觉系统。视觉系统可作为类似类型的视觉系统或利用不同光源、图像捕获设备、照明角度、照明性质等的不同视觉系统而为冗余的。现在参考图6，图6是用于检测包装物品的密封区域中的缺陷的示例性过程流的框图。该过程类似于上面参考图3至图5描述的实施例，增加了包括的额外的视觉系统。热成像视觉系统33、光弹性视觉系统43和紫外视觉系统53各自将图像数据发送到视觉检查引擎。应当理解，设想公共共享视觉检查引擎或多个视觉检查引擎。视觉检查引擎利用一种或多种算法编程，该算法能够评估热成像图像、光弹性图像和由受激发指示剂发出的荧光电磁能量的强度。来自三个视觉系统的组合图像数据造成更高的置信度等级，该置信度等级被发送到缺陷机构35。虽然示出热成像视觉系统33、光弹性视觉系统43和紫外视觉系统53，但是设想仅利用两个视觉系统的系统。

现在参考图7，图7是用于在产品被密封在包装物品内之后检测包装物品的密封区域中的缺陷的示例性过程流的框图。产品装载机构将产品装载到包装物品中。在一个实施例中，产品是食物产品。在另一个实施例中，产品是肉或奶酪。在产品被装载之后，密封机构31将产品密封在包装物品中。在一些实施例中，密封机构包括真空室以将产品真空密封在包装物品中。在实施例中，包装物品围绕产品收缩。在实施例中，包装物品是非收缩包装物品。包装物品的一个或多个密封然后由热成像视觉系统33、光弹性视觉系统43和紫外视觉系统53以及(多个)视觉检查引擎进行分析，如本文中更全面描述的。来自三个视觉系统的组合图像数据造成更高的置信度等级，该置信度等级被发送到缺陷机构35。虽然示出热成像视觉系统33、光弹性视觉系统43和紫外视觉系统53，但是设想仅利用两个视觉系统的系统。

现在转到图8，示出根据一个实施例的热成像视觉系统81。膜100被运输到密封机构85，以将膜100密封到其自身或另一个物品。在一个实施例中，密封机构每分钟产生至少10个密封。在实施例中，密封机构每分钟产生至少50个密封。在实施例中，密封机构每分钟产生至少100个密封。在实施例中，密封机构每分钟产生至少250个密封。在一个实施例中，密封机构85是热生成密封机构，诸如密封棒密封器、脉冲密封、超声波密封或激光密封。

在密封之后，膜100超过密封机构85继续，在那里，热成像图像捕获设备87捕获由密封机构85产生的密封的至少一个图像。热成像图像捕获设备是红外扫描仪或相机。在实施例中，当膜在运动时，红外相机能够捕获每个密封的至少两个图像。在实施例中，当膜在运动时，红外相机能够捕获每个密封的至少四个图像。在实施例中，红外相机能够以每秒至少30帧的速度捕获每个密封的图像。在实施例中，红外相机能够以每秒至少60帧的速度捕获每个密封的图像。在实施例中，热成像图像捕获设备87定位成在由密封机构85在膜100中产生密封之后2至40秒之间捕获密封的图像。在实施例中，热成像图像捕获设备87定位成在由密封机构85在膜100中产生密封之后5至30秒捕获密封的图像。在实施例中，热成像图像捕获设备87定位成在由密封机构85在膜100中产生密封之后10至20秒捕获密封的图像。在实施例中，热成像图像捕获设备87定位成在由密封机构85在膜100中产生密封之后约2秒捕获密封的图像。在实施例中，热成像图像捕获设备87定位成在由密封机构85在膜100中产生密封之后约5秒捕获密封的图像。在实施例中，热成像图像捕获设备87定位成在由密封机构85在膜100中产生密封之后约10秒捕获密封的图像。在实施例中，热成像图像捕获设备87定位成在由密封机构85在膜100中产生密封之后约20秒捕获密封的图像。来自密封机构85的余热允许热成像图像捕获设备87捕获密封的热图像以及沿着密封区域的温度的变化。这样的变化可指示有缺陷的密封。由热图像捕获设备87捕获的图像数据被发送到视觉检查引擎101，如本文中更详细描述的。

现在参考图9，示出根据一个实施例的光弹性视觉系统91。膜100被运输到光弹性图像捕获设备96捕获穿过膜100的密封区域、线性偏振器94和95的光的图像的位置。在实施例中，光弹性图像捕获设备是能够捕获可见光光谱中的图像的RGB相机。来自光源91的光穿过用于漫射光的漫射板93、第一线性偏振器94，该第一线性偏振器94所具有的偏振方向取向在第一方向上，以偏振来自光源91的光。应当理解，可利用漫射光源来代替漫射板，或者除了使用漫射板之外还可利用漫射光源。偏振光然后穿过膜100，从而使光旋转。旋转量基于诸如膜的类型、密封强度和密封完整性的变量而变化。在一些光旋转的情况下，该光然后穿过第二线性偏振器95，该第二线性偏振器95具有取向成正交于第一线性偏振器94的第一方向的偏振方向。在不存在膜100的情况下，没有光将从光源91传输到光弹性图像捕获设备96。然而，由于膜100旋转光，光弹性图像捕获设备96捕获膜100的图像。

在实施例中，光源91是具有从400 nm至700 nm的波长光谱的白光源。在实施例中，光源是膜下方的背景灯。在另一个实施例中，光源是偏振白光源，从而消除了对第一线性偏振器的需求。

虽然上面描述了两个线性偏振器，但是设想通过利用光弹性图像捕获设备的光源或透镜上的偏振过滤膜来替换线性偏振器中的至少一个。在另一个实施例中，光弹性图像捕获设备包括偏振透镜，以消除对第二线性偏振器的需求。在另一个实施例中，光源是偏振光源。在实施例中，当膜在运动时，光弹性相机能够捕获每个密封的至少两个图像。在实施例中，当膜在运动时，光弹性相机能够捕获每个密封的至少四个图像。在实施例中，光弹性相机能够以每秒至少30帧的速度捕获每个密封的图像。在实施例中，光弹性相机能够以每秒至少60帧的速度捕获每个密封的图像。

由光弹性图像捕获设备97捕获的图像数据被发送到视觉检查引擎101，如本文中更详细描述的。

现在参考图10，图10是光弹性操作的示意图。第一偏振滤波器1002所具有的偏振方向正交于第二偏振滤波器1004的偏振方向。非偏振光1001穿过第一偏振滤波器1002(即线性偏振器)，从而使非偏振光1001变成偏振光1003。在不存在膜1005的情况下，偏振光1003被第二偏振滤波器1004过滤，并且没有或很少有光穿过第二偏振滤波器1004。相比之下，当偏振光103穿过膜1005时，偏振光1003旋转，从而引起偏移的偏振光1006。这种旋转允许一些光穿过第二偏振滤波器1004。改变光的旋转或过滤量的变量包括膜的厚度、膜的应力、膜的应变。旋转的变化量允许如上面描述的图像的捕获。

现在参考图11，示出根据一个实施例的紫外视觉系统1100。膜100被运输到黑暗的外壳1102中。紫外光源1101照亮膜100，从而使膜中的可检测成分激发并发出荧光电磁能量。紫外图像捕获设备1106捕获膜100的密封区域的至少一个图像。在实施例中，蓝光通滤波器用于滤除低于450 nm和约525 nm的波长的光。蓝光通滤波器改善了在高于正常环境照明条件下的使用。在一个实施例中，光源或蓝光通滤波器传输425-495 nm之间的光。

在实施例中，当膜在运动时，紫外相机能够捕获每个密封的至少两个图像。在实施例中，当膜在运动时，紫外相机能够捕获每个密封的至少四个图像。在实施例中，紫外相机能够以每秒至少30帧的速度捕获每个密封的图像。在实施例中，紫外相机能够以每秒至少60帧的速度捕获每个密封的图像。密封的性质允许紫外图像捕获设备1106捕获密封的紫外图像以及沿着密封区域发出的能量的变化。这样的变化可指示有缺陷的密封。由紫外图像捕获设备101捕获的图像数据被发送到视觉检查引擎101，如本文中更详细描述的。

示例系统架构

如图12中所图示的，在一些实施例中，诸如计算装置的一个或多个计算系统可用于控制(多个)成像设备1204、(多个)光源1205和视觉系统1201。在一些实施例中，一个或多个计算系统可控制或指导其它计算系统来控制包装环境内的其它功能，诸如在线输送机和材料搬运设备。

视觉检查引擎101(诸如图8、图9和图11中所示出的)可为计算装置1203，其可包括处理器1206、存储器1207、输入/输出电路1208、通信电路1211、视觉检查电路1210和采集电路1209，并且可配置成执行本文中描述的功能。在一些实施例中，处理器1206(和/或协处理器或者辅助处理器或以其它方式与处理器相关联的任何其它处理电路)可经由总线与存储器1207通信，以用于在装置的构件之间传递信息。在一些实施例中，计算装置1203可为远程定位的计算设备和/或计算构件的分布式系统。在一些实施例中，计算装置1203可为本地的或远程的。存储器1207可为非暂时性的，并且可包括例如一个或多个易失性和/或非易失性存储器。换句话说，例如，存储器可为电子存储设备(例如，计算机可读存储介质)。存储器可配置成存储信息、数据、内容、应用程序、指令等，以用于使装置能够根据本发明的任何示例实施例执行多种功能。

处理器1206可以以多种不同的方式体现，并且可例如包括配置成独立地执行的一个或多个处理设备。另外或备选地，处理器可包括经由总线串联配置的一个或多个处理器，以实现指令、流水线和/或多线程的独立执行。

在示例实施例中，处理器1206可配置成执行存储在存储器1207中或者处理器能够以其它方式访问的指令。另外或备选地，处理器可配置成执行硬编码功能。照此，无论是通过硬件或软件方法配置，还是通过它们的组合配置，处理器都可表示能够在相应地配置的同时执行根据本发明的实施例的操作的实体(例如，物理上体现在电路中)。备选地，作为另一示例，当处理器体现为软件指令的执行器时，指令可具体地配置处理器，以在指令被执行时执行本文中描述的算法和/或操作。

在一些实施例中，视觉系统1201可包括输入/输出电路1208，输入/输出电路1208继而可与处理器1206通信，以向用户提供输出，并且在一些实施例中接收用户输入的指示。输入/输出电路1208可包括用户接口，并且可包括显示器，并且可包括网络用户接口、移动应用程序、客户端设备、信息亭等。在一些实施例中，输入/输出电路1208还可包括键盘、鼠标、操纵杆、触摸屏、触摸区域、软键、麦克风、扬声器或其它输入/输出机构。处理器和/或包括处理器的用户接口电路可配置成通过存储在处理器可访问的存储器(例如，存储器1207和/或类似物)上的计算机程序指令(例如，软件和/或固件)来控制一个或多个用户接口元件的一个或多个功能。

同时，通信电路1211可为诸如以硬件或硬件和软件的组合体现的设备或电路的任何装置，其配置成从网络和/或与计算装置1203通信的任何其它设备或模块接收数据和/或向网络和/或所述任何其它设备或模块传输数据。就这一点而言，通信电路可包括例如将(多个)成像设备1204和(多个)光源1205连接到视觉系统1201的一根或多根线缆(例如，USB线缆)，以用于与本文中描述的软件和硬件配置一起使用。在一些实施例中，通信电路1211可包括例如天线(或多个天线)和支持硬件和/或软件，以用于实现与无线通信网络或一个或多个无线设备的通信。另外或备选地，通信接口可包括用于与(多根)线缆和/或(多个)天线交互的电路，以引起经由(多根)线缆和/或(多个)天线的信号传输或处理经由(多根)线缆和/或(多个)天线接收的信号的接收。在一些环境中，通信接口可另外或备选地支持与网络(例如，以太网)的有线通信。照此，例如，通信接口可包括通信调制解调器和/或其它硬件/软件，以用于支持经由线缆、数字用户线路(DSL)、通用串行总线(USB)或其它机制的通信。

采集电路1212可用于缓冲在(多个)成像设备1204(例如，(多个)相机)处捕获的一系列图像和数据。在一些实施例中，(多个)成像设备1204可捕获入射到成像设备内的一个或多个表面(例如，图像传感器的一个或多个基板上)的原始数据。(多个)成像设备1204可经由一个或多个电路将原始数据转换成计算机可读图像数据，并且可将图像数据传输到采集电路1212。在一些实施例中，图像数据可包括对应于用于检测包装产品中的缺陷的电磁能量的波长和/或强度的任何传感器数据。图像数据可包括：单独的图像；图像序列；视频；等等。采集电路1212可进一步控制(多个)成像设备1204和(多个)光源1205来触发和定时根据本发明的任何实施例的包装产品的相应照明和原始数据的捕获。在一些实施例中，图像数据可以以人工、自主以及部分人工和部分自主的操作形式通过本文中公开的用于生成图像数据的任何装置来捕获，该装置包括但不限于本文中公开的任何成像设备(例如，相机、传感器等)。

视觉检查电路1210可用于促进从采集电路1212接收的图像数据的处理和分析。视觉检查电路1210可进一步基于处理和分析的结果触发警报或其它下游通知或动作。视觉检查电路可进一步连接到一个或多个远程服务器，以用于数据挖掘和存储(例如，以访问模型和从其训练新模型的数据)。在一些实施例中，视觉系统1201和视觉检查电路1210可包括单个计算装置，或者可包括本地连接或者通过有线和/或无线网络交互的多个装置。

在一些实施例中，视觉系统1201可包括操作者用户接口(例如，作为输入/输出电路1208的部分)。缺陷数据(例如，来自视觉检查电路1210)可显示在接口上，并在数据库中本地或远程(例如，经由本地连接或网络连接)存档。缺陷数据和图像可实时显示在接口上。在一些实施例中，还可在接口上按需查看即时、历史和统计数据。计算装置1203可被设置成选择性地检测和准确地分类包装产品中的缺陷，包括检测指示包装物品内截留的气体的受激发的基于荧光的指示剂。

每个缺陷的图像可被分类、存储、显示，并与其它缺陷的先前和未来图像进行比较。计算装置1203可实时捕获每个缺陷的高分辨率图像。诸如单个缺陷的几何信息和组缺陷的统计数据的离散缺陷信息可被提供用于关于过程改进和监测的即时决策和动作，诸如缺陷报警。在一些实施例中，每个潜在的缺陷可显示给操作者，以用于人工决策如何处理有缺陷的包装产品。在一些实施例中，有缺陷的包装产品的筛选、标记和/或分离可部分或全部自动地完成。在一些实例中，人类操作者可验证其它方面自动的系统的工作。

可为不同的缺陷严重程度设置用于标识/标记、报警和自主的多种输出。例如，可将数据导出到位于网络上任何位置的微软Excel和/或SQL数据库，其中数据挖掘软件允许容易地自动和/或按需生成多种报告。缺陷数据可在诸如数字处理板的处理单元上处理。标记可与分离和/或丢弃具有损坏膜或损坏超过预确定阈值的膜的包装产品结合使用。可通过在膜中的缺陷的位置(或对应于缺陷的位置)处将标签施加到膜来进行标记，以用于人工或自动分离(例如，利用机器人包装分离器)。在一些实施例中，有缺陷的包装(例如，显示泄漏或低真空条件的包装产品)可被拆开包装并利用新的包装物品重新包装。

在实施例中，输入/输出电路1208可允许外部信号输入，诸如新卷或新生产过程指示和暂停检查指示。基于用户限定的缺陷警报标准的警报输出也通过输入/输出电路1208(例如，用户接口)来处理。也可启动输出来控制下游标记或标识设备。可针对不同预限定严重程度或标准的缺陷激活警报。来自计算装置1203的警报和缺陷信息可经由OPC(即软件接口标准)发送到工厂网络、可编程逻辑控制器(PLC)或监督控制和数据采集/人机接口(SCADA/HMI)。

在实施例中，编码器(未示出)可用于测量输送机速度，使得能够确定检测到的有缺陷的包装产品的位置。来自编码器的一系列脉冲被系统接收并计数。计数被发送到处理器1206，以确定检测到的有缺陷的包装产品所在的沿着输送机的距离，并且可用于对缺陷分离器的操作进行计时，以在送走之前(当包装产品移动离开生产线时)将有缺陷的包装产品从生产线上移除。

虽然描绘了本地系统，但是应当理解，可通过经由网络连接多个计算装置来利用分布式系统。在一些实施例中，网络可包括任何有线或无线通信网络，包括例如有线或无线局域网(LAN)、个人区域网(PAN)、城域网(MAN)、广域网(WAN)等，以及实施该网络所需的任何硬件、软件和/或固件(诸如例如网络路由器等)。例如，网络可包括蜂窝电话、802.11、802.16、802.20和/或WiMax网络。此外，网络可包括诸如因特网的公共网络、诸如内联网的私有网络、或它们的组合，并且可利用现在可用的或以后开发的多种联网协议，包括但不限于基于TCP/IP的联网协议。

在一些实施例中，多个计算装置可共同包括上面关于图4描述的计算装置1203的特征。在一些实施例中，任何数量的计算装置可组成计算装置。

示例检测模型和算法

在一些实施例中，可实施多种算法、模型和过程来检测产品包装和包装产品的密封中的缺陷。算法、模型和过程中的每个可配置成定位和识别密封缺陷。在一些实施例中，可实施人工智能算法(例如，如图13中所示出的)，而在其它实施例中，可基于接收的传感器信息使用算法方法(例如，如图14中所示出的)。本文中公开的过程(例如，算法解决方案、基于模型的解决方案等)可接收处于一个或多个处理和预处理状态的图像数据；可进一步处理、排序、分类和分析图像数据；并且可基于图像数据识别包装物品中存在的密封缺陷。

图13图示用于评估包装物品的密封是否具有缺陷的基于模型的过程500的流程图(描绘为功能框图)。过程500可体现在例如本文中的图8、图9和图11中所示出的视觉系统中并由其执行。如所描绘的，该系统可包括一个或多个成像设备210、数据采集系统502(例如，利用图12中所示出的计算装置1203和采集电路1212)、视觉检查引擎504(例如，利用图12中所示出的计算装置1203和图12中所示出的视觉检查电路1210)、在线动作系统506、数据库管理系统508、数据收集系统510(例如，利用图12中所示出的计算装置1203和数据收集电路1213)和模型生成器520(例如，利用图12中所示出的计算装置1203和图12中所示出的过程生成电路1209)。图13示出用于执行根据一些实施例描述的过程500的示例流程图。

在所描绘的实施例中，使用成像设备(例如，包括透镜和/或传感器选择)和照明(例如，经由(多个)光源215)的适当组合，采集一系列图像并将其馈送到采集系统502中，在采集系统502中，数据被采集、缓冲并传输到视觉检查引擎504或数据收集系统510之一。图13所描绘的实施例包括两个示例用例：模型生成工作流和模型应用工作流。

在模型生成工作流中，过程500可从多个图像生成模型。图像可由(多个)成像设备210捕获，并由采集系统502接收。采集系统可包括图像采集引擎540、采集例程542、存储缓冲器544和工作空间546。采集系统502可缓冲图像并将图像传输到数据收集系统510，数据收集系统510可标记512图像(例如，良好/充分密封或不良/弱密封)并存储图像514。在一些实施例中，模型生成工作流可直接从存储装置514中检索图像，或者图像(例如，训练集)可单独加载到系统中(例如，经由图12中所示出的通信电路1211)。

可使用本文中描述的任何过程来标记512图像。例如，用户可将与每个图像相关联的标记输入到系统中。在一些实施例中，包装物品可包括吊牌或标签，该吊牌或标签向用户或视觉系统识别包装物品的特征，以用于与包装物品的相应图像相关联。

来自数据收集系统510的已标记图像可被输入到模型生成器520以生成一个或多个模型，这些模型可在第一步骤521中通过在图像数据库522中接收已标记图像并初始化图像523以用于在模型生成器中使用来接收图像。初始化的图像然后可被传递到图像分析器524中，在图像分析器524中，图像可被预处理525并且可被分析526。然后可执行模型生成527，以使用本文中描述的训练过程基于分析的图像来创建多个模型528，并且在一些实施例中可基于在测试数据中其预测的模型评估矩阵(其包括诸如准确性、假阳性、真阳性、召回、精度等的参数)来测试模型并选择529优选模型。

一旦在模型生成器520中创建并选择模型，就可在模型应用工作流中将模型部署到视觉检查引擎504。在模型应用工作流中，图像可由(多个)成像设备210捕获，并被馈送到采集系统502中，在采集系统502中，数据被采集、缓冲并传输到视觉检查引擎504。在视觉检查引擎504中，模型可应用于未知图像，以基于由模型生成器520在模型生成工作流中开发的人工智能算法对图像进行分类(例如，良好/充分密封或不良/弱密封)。该过程可包括初始化模型532，图像可被输入到决策函数534中，以在检测模型输出536处接收决策。

检测结果538可被馈送到在线动作系统506中，以设置预确定的警报、膜标记、显示有缺陷密封的图像(例如，经由用户接口)、显示与一个或多个缺陷相关的数据(包括显示与有缺陷密封区域的几何特征、缺陷的位置、缺陷发生程度、缺陷的严重性相关的数据)、生成缺陷数据的报告和/或任何其它期望输出。与缺陷相关的数据可被即时和在线显示，或者在生产完成之后(即，离线或非联机)显示，数据能够在离线数据库管理系统508中访问。使用数据挖掘，可对数据进行操纵、可视化，并将其组织成任何期望的按需报表。

检测结果可进一步作为已标记图像从视觉检查引擎504传输到数据收集系统510，以存储在图像存储装置514中，并在随后的模型生成过程中使用，以基于模型评估矩阵递归地减少目标函数的损失并提高模型的性能。

可设置数据处理软件和硬件，以适应不同的密封类型，同时最大限度地减少诸如曝光时间和光强度的参数的联机调整需要。在一些实施例中，过程500的部分可离线或远程完成。例如，数据收集系统510和/或模型生成器520可相对于过程的剩余部分远程地定位(例如，在服务器上执行)。此外，视觉检查过程中的一些或全部可远程进行。

转到图14，示出算法过程550的示例流程图(描绘为功能框图)，该过程用于评估包装物品是否具有有缺陷的密封。过程550可体现在例如本文中的图8、图9和图11中所示出的视觉系统中并由其执行。如所描绘的，该系统可包括一个或多个成像设备210、数据采集系统502(例如，利用图12中所示出的计算装置1203和采集电路1212)、视觉检查引擎504(例如，利用图12中所示出的计算装置1203和图12中所示出的视觉检查电路1210)、在线动作系统506、数据库管理系统508、数据收集系统510(例如，利用图12中所示出的计算装置1203和数据收集电路1213)和推理引擎560(例如，利用图12中所示出的计算装置1203和图12中所示出的过程生成电路1209)。图14示出用于执行根据一些实施例描述的过程550的示例流程图。

在所描绘的实施例中，使用(多个)成像设备210(例如，包括透镜和/或传感器选择)和(多个)光源215(例如，经由照明器、UV照明、偏振光)的适当组合，采集一系列图像并将其馈送到采集系统502中，在采集系统502中，数据被采集、缓冲并传输到视觉检查引擎504或数据收集系统510之一。图14所描绘的实施例包括两个示例用例：算法生成工作流和算法应用工作流。

在算法生成工作流中，过程550可从多个图像生成算法。图像可由(多个)成像设备210捕获，并由采集系统502接收。采集系统可包括图像采集引擎540、采集例程542、存储缓冲器544和工作空间546。采集系统502可缓冲图像并将图像传输到数据收集系统510，数据收集系统510可标记512图像(例如，良好/充分密封或不良/弱密封)并存储图像514。在一些实施例中，算法生成工作流可直接从存储装置514中检索图像，或者图像(例如，图像的测试集)可单独加载到系统中(例如，经由图12中所示出的通信电路1211)。

可使用本文中描述的任何过程来标记512图像。例如，用户可将与每个图像相关联的标记输入到系统中。在一些实施例中，包装产品可包括吊牌或标签，该吊牌或标签向用户或视觉系统识别包装产品的特征，以用于与产品的相应图像相关联。在一些实施例中，训练集可预加载有标签。

来自数据收集系统510的已标记图像可被输入到推理引擎560以生成并识别一个或多个算法，这些算法可在第一步骤561中通过在图像数据库562中接收已标记图像并初始化图像563以用于在推理引擎中使用来接收图像。初始化的图像然后可被传递到图像分析器564中，在图像分析器564中，图像可被预处理565并且可被分析566。然后可执行算法确定567，以使用本文中描述的过程基于分析的图像来创建一个或多个算法568，并且在一些实施例中可基于在测试数据中其预测的模型评估矩阵来测试算法并选择569优选算法。在一些实施例中，使用一百个测试图像。在一些实施例中，使用一千个测试图像。在一些实施例中，用户可人工地识别图像中的期望特征和/或图像处理参数，以在算法生成期间或之前识别特征。在一些实施例中，系统可使用本文中描述的技术部分或完全自主地处理图像和/或检测图像中的期望特征。

一旦在推理引擎560中创建和选择算法，就可在算法应用工作流中将该算法部署到视觉检查引擎504。在算法应用工作流中，图像可由(多个)成像设备210捕获，并被馈送到采集系统502中，在采集系统502中，数据被采集、缓冲并传输到视觉检查引擎504。在视觉检查引擎504中，算法可应用于未知(例如，未标记)图像，以基于在算法生成工作流中的推理引擎560中选择的算法对图像进行分类(例如，良好/充分密封或不良/弱密封)。该过程可包括初始化算法572，图像可被输入到决策函数574中，以在检测算法输出576处接收决策。

检测结果578可被馈送到在线动作系统506中，以设置预确定的警报、膜标记、显示密封区域的图像(例如，经由用户接口)、显示与一个或多个缺陷相关的数据(包括显示与密封的几何特征、缺陷的位置、缺陷发生程度、缺陷的严重性相关的数据)、生成缺陷数据的报告和/或任何其它期望输出。与缺陷相关的数据可被即时和在线显示，或者在生产完成之后(即，离线或非联机)显示，数据能够在离线数据库管理系统508中访问。使用数据挖掘，可对数据进行操纵、可视化，并将其组织成任何期望的按需报表。

检测结果可进一步作为已标记图像从视觉检查引擎504传输到数据收集系统510，以存储在图像存储装置514中，并在随后的算法生成过程中使用，以改进算法的评估矩阵。在一些实施例中，推理引擎560中的图像分析和算法生成可自主地执行。在一些实施例中，推理引擎560中的图像分析和算法生成可部分人工地执行。在一些实施例中，推理引擎560中的图像分析和算法生成可人工地执行。

可设置数据处理软件和硬件，以适应不同的浓度水平，同时最大限度地减少诸如曝光时间和光强度的参数的联机调整需要。在一些实施例中，过程550的部分可离线或远程完成。例如，数据收集系统510和/或推理引擎560可相对于过程的剩余部分远程地定位(例如，在服务器上执行)。此外，视觉检查过程中的一些或全部可远程进行。

在一些示例实施例中，算法过程可用于检测包装物品的密封品质。例如，在一些实施例中，基于特征提取的算法可用于检测包装物品中的密封的部分，该部分表现出高于预确定阈值强度或处于预确定波长或来自入射光的波长变化的受激发荧光。在一些实施例中，基于特征提取的算法可用于检测包装物品中表现出不同于基线热梯度的热梯度的密封部分。在一些实施例中，暗特征检测可用于识别捕获的图像数据中的暗点和亮点，这可将低荧光的区域与高荧光的区域分离，其中高荧光区域指示有缺陷的密封的可能性。在一些实施例中，亮特征检测可以以类似于暗特征检测的方式使用。在一些实施例中，暗特征检测和亮特征检测可基于图像数据的灰度值阈值来计算。在一些实施例中，特征提取可包括提取图像的一个或多个纹理。可将图像纹理与参考图像进行比较，以识别有缺陷的密封。在一些实施例中，特征提取可进一步用于排除不期望的区域，诸如背景或围绕密封的区域。例如，在一些实施例中，包装物品的密封可具有不一致的纹理或厚度，这可在捕获的图像上产生假阳性。在一些实施例中，由密封引起的亮点可从算法中排除。

在一些实施例中，算法过程可包括条纹检测。条纹检测可基于捕获的图像中提取的几何特征。

参考图15，在示例实施例中，算法600(例如，由推理引擎560生成的算法)和相关联的图像处理可包括以下步骤：(1)捕获图像602；(2)对图像应用去噪604；(3)将图像转换成灰度606；(4)应用阈值化来减小图像的要考虑的区段608；(5)在一些实施例中，消除图像的不期望的区域610；以及(6)识别剩余图像中对应于有缺陷的密封的特征612。在一些实施例中，算法600可进一步包括基于检测到的特征对图像进行分类614。在一些实施例中，前面提到的算法的步骤可消除，只要可识别有缺陷的密封即可。

如上面注意到的，在一些实施例中，人工智能算法(例如，图13中所示出的检测模型)可被开发来对密封的图像数据进行分类(例如，使用图13中所示出的模型生成器520来训练)。图16中描绘了开发经训练的图像分类模型的方法700的实施例。在框702处，获得密封区域的训练图像数据。在一些实施例中，训练图像数据包括具有已知状态的密封的图像和/或视频(即图像的序列)。在一些实施例中，用于获得训练图像数据的视觉系统与在创建经训练的图像分类模型之后将用于获得未知状态的包装物品的密封区域的图像数据的视觉系统(例如，最终生产线中的视觉系统)相同。在一些实施例中，可使用测试台或其它实验配置来获得训练图像数据。在框704处，训练图像数据被人工地标记有训练图像数据中包装物品的密封区域的状态。例如，用户可为图像数据中密封的每个图像和/或视频人工地输入状态(例如，包装物品具有有缺陷的密封、具有适当的密封或具有特定的缺陷)。人工地标记图像数据可包括物理地测试密封以确定单独密封是适当的还是有缺陷的，并且然后基于物理测试的结果将标记应用到图像数据。训练样本可包括多个密封和多个有缺陷的密封。在一些实施例中，训练图像数据中表示的密封的数量在几十个密封、几百个密封、几千个密封或更多的范围内。在这些数量下，训练图像数据的人工标记过程可为劳动密集和时间密集的过程。在框706处，将已标记的训练图像数据输入到训练模块中。

在一些实施例中，训练模型是机器学习模块，诸如“深度学习”模块。深度学习是机器学习的子集，它基于提供给它的训练数据集生成模型。在一些实施例中，训练模型可使用监督学习技术、半监督学习技术、包括聚类、异常检测、Hebbian学习的无监督学习技术，以及学习潜变量模型，诸如期望最大化算法、矩量法(均值、协方差)和盲信号分离技术，盲信号分离技术包括主成分分析、独立成分分析、非负矩阵分解和奇异值分解。在一个示例中，无监督学习技术与包括成像纹理分析(例如，计算泄漏点检测指数(Leaker DetectionIndex)值)的几种图像预处理/后处理技术组合利用，以实现检测和分类。在另一个实施例中，无监督学习技术异常检测与包括成像纹理分析的几种图像预处理/后处理技术组合利用，以实现检测和分类。

在实施例中，无监督学习技术包括以下步骤。1) 数据收集，其中针对所有类型的密封收集图像，而没有任何类别限定。实施最佳实践以确保仅产生基线密封。2) 算法开发，其中基于输入数据规范和预期输出来设计自动编码器构件(如编码器、解码器和潜在空间向量)。3) 算法训练，其中在具有目标的基线密封数据集上训练自动编码器神经网络，以再现具有最精细细节的样本。4) 缺陷隔离，其中自动编码器在训练后被部署到生产中。产生偏离基线示例的误差的输入密封被隔离。5) 算法再训练，其中隔离的缺陷由人类验证。准备一组假阳性样本，并将其用于再训练自动编码器，以进一步提高准确性。可重复该过程以提高性能。

在实施例中，半监督学习技术包括以下步骤。1) 使用自动编码器将有缺陷的密封与基线隔离。2) 通过使用聚类算法基于相似度分数将有缺陷密封分组来对有缺陷密封进行聚类。3) 人工分类，其通过人类评估有缺陷的密封簇并指定类别。4) 自动分类，其需要基于人工分类缺陷开发分类算法。

在框708处，开发人工智能算法以将密封分类。在一些实施例中，当人工智能算法被开发时，一种或多种学习算法用于基于训练图像数据中密封的标记状态来创建人工智能算法。在一些实施例中，人工智能算法基于指示密封的特征的一个或多个输入向量来创建。在一个示例中，输入向量可为密封中的皱褶。在另一个示例中，如上面描述的，根据所使用的特定指示剂和照明，输入向量可为由膜中的受激发的基于荧光的指示剂发出的荧光电磁能量的性质。例如，输入向量可包括下者中的一个或多个：由受激发的基于荧光的指示剂发出的荧光电磁能量的波长；由受激发的基于荧光的指示剂发出的荧光电磁能量的强度；和/或与来自照明器的入射电磁能量相比，由受激发的基于荧光的指示剂发出的荧光电磁能量的波长的变化。在一些实施例中，输入向量可对应于由受激发的基于荧光的指示剂发出的荧光电磁能量的波长(其为可见光光谱中的一种或多种颜色)、使用不可见电磁能量(例如，紫外线、红外线)检测包装物品的膜中的添加剂、热成像扫描、可见光扫描、光弹性扫描、膜折叠的存在和数量或者任何其它数量的可能输入向量。在实施例中，(多个)光源215可为具有用于控制快门速度和光强度的软件的紫外背光源。在其它实施例中，(多个)光源215是白光。在一些实施例中，由受激发的基于荧光的指示剂发出的荧光电磁能量的波长可至少在紫外范围内。在一些实施例中，由受激发的基于荧光的指示剂发出的荧光电磁能量的波长可至少在可见光光谱中。在一些实施例中，由受激发的基于荧光的指示剂发出的荧光电磁能量的波长可至少在蓝光或紫光范围内。在一些实施例中，来自照明器的入射光的波长可至少在紫外范围内。在一些实施例中，来自照明器的入射光的波长可限定紫外范围内的峰值。在一些实施例中，入射光的波长可在紫外范围内，并且由受激发的基于荧光的指示剂发出的荧光电磁能量可在可见光范围内。在其中该过程被设计成在针对同一膜的相同时间同时检查多个膜层的实施例中，多个光源215和/或多个成像设备210可与用于快门速度、光强度、光源、背光或强光的一个或多个控制器一起使用。

使用输入向量进行训练可有助于人工智能算法在不识别潜在原因的情况下识别有缺陷的密封。例如，密封可具有小皱褶，使用当包装物品正在运输系统上移动时捕获的图像数据将难以检测到该小皱褶。本文中详述的输入向量、基于荧光的指示剂、热图像数据、光弹性图像数据的使用允许人工智能算法检测到密封有缺陷，而不需要识别缺陷本身。在输入向量被建模之后，人工智能算法可被开发为基于多个输入向量的决策过程。决策过程的示例包括决策树、神经网络等。在一些实施例中，人工智能算法的决策过程基于对决策过程中输入向量的可接受排列的确定。

在框708中开发人工智能算法的结果是在框710处描绘的人工智能算法。人工智能算法可在正常操作(例如，不用于训练人工智能算法的操作)期间用于识别密封的状态。在一些实施例中，人工智能算法包括具有多个层的神经网络。图20中描绘的是神经网络1800的示例，其为多层神经网络。在所描绘的实施例中，神经网络1800包括具有三个输入节点的第一层1802、具有五个隐藏节点的第二层1804、具有四个隐藏节点的第三层1806、具有四个隐藏节点的第四层1808以及具有一个输出节点的第五层1810。

神经网络1800还包括在第一层1802中的三个输入节点和第二层1804中的五个输入节点中的每对之间的第一组连接1812、在第二层1804中的五个输入节点和第三层1806中的四个隐藏节点中的每对之间的第二组连接1814、在第三层1806中的四个隐藏节点和第四层1808中的四个隐藏节点中的每对之间的第三组连接1816、以及在第四层808中的四个隐藏节点和第五层1810中的输出节点中的每对之间的第四组连接1818。在一些实施例中，输入节点表示到人工智能算法中的输入(例如，图像数据、与图像数据相关联的元数据等)，隐藏节点中的一个或多个(例如，隐藏节点的层之一)可表示在模型的开发期间确定的输入向量之一，并且输出节点表示密封的确定的状态。

现在参考图17，图17是使用经训练的图像分类模型对密封的状态(例如，皱褶、弱密封、冷密封、通道皱褶)进行分类的方法900的实施例。在框902处，采集密封的图像数据(例如，通过(多个)成像设备210)。密封的图像数据可通过视觉系统获得。在一些实施例中，密封的图像数据在包装物品正在由运输系统运输时获得。应当理解，图像数据可在包装物品的形成中形成密封之后或者在形成用于密封包装物品中的产品的密封之后被捕获。

在框904处，密封的图像数据被输入到经训练的图像分类模型中。经训练的图像分类模型可在计算设备或远离本地计算设备的远程计算设备上操作。经训练的图像分类模型配置成基于图像数据对密封的状态进行分类。在框906处，从经训练的图像分类模型接收密封的状态的分类。在一些实施例中，分类的状态包括密封有缺陷、无缺陷或具有特定缺陷的指示和/或关于密封是有缺陷、无缺陷还是具有特定缺陷的确定度的指示。在一些实施例中，分类的状态通过在用户接口输出设备上显示分类、经由通信接口将分类传送到一个或多个外部设备、或将分类存储在数据库中的一者或多者来接收。在一些实施例中，接收到的密封的分类包括密封的分类的状态或密封的分类的状态的确定度中的一个或多个。在一个具体示例中，状态被传送到路由系统(例如，送走装置)，该路由系统配置成基于包装物品的密封状态在运输系统上路由包装物品，诸如将有缺陷的包装路由到用于测试、重新包装、回收和/或废物处置的位置。

如上面注意到的，方法700用于在框710处获得经训练的分类模型，并且然后经训练的分类模型可在方法900中用于对密封进行分类。在一些实施例中，在框702处采集的训练图像数据是用于包装在包装物品中的特定类型产品的密封的图像数据，并且在框902处采集的图像数据是用于包装在包装物品中的特定类型产品的相同类型密封的图像数据。在一个示例中，在框702处采集的训练图像数据是密封的图像数据，并且在框902处采集的图像数据是相同类型密封的图像数据。在一些实施例中，在框702处采集的训练图像数据是特定类型密封的图像数据，并且在框902处采集的图像数据是不同类型密封的图像数据。即使在线成像的密封可为与训练集中使用的密封不同的类型，使用来自训练密封图像数据的训练图像数据的经训练的分类模型也可能够以足够的准确度对密封的状态进行分类。

图18中描绘了开发经训练的图像分类模型的方法1010的实施例。在框1012处，针对多个密封采集训练图像数据。在框1014处，将训练图像数据人工地标记为有缺陷的或无缺陷的。训练图像数据的人工标记可通过用户将针对训练图像数据中表示的密封中的每个的有缺陷或无缺陷的指示输入到计算装置的用户接口输入设备中来完成。在一些实施例中，具有密封的训练包装物品可标记有它们相应的状态(例如，有缺陷或无缺陷)。训练包装物品是具有已知的有缺陷的密封或已知的无缺陷的密封的包装物品。训练包装物品可进一步识别特定的缺陷。训练包装物品用于训练模型，以提高模型的可靠性。

在框1016处，模型信息、训练目标和约束被初始化。在一些示例中，模型信息包括要使用的模型类型，诸如神经网络、多个输入向量等。在一些示例中，训练目标可包括人工智能算法的期望或预期性能，诸如评估矩阵具有大于或等于预确定比率(例如，大于或等于90%、95%、96%、97%、98%或99%中的一个或多个)的置信度等级。在一些示例中，约束可包括人工智能算法的限制，诸如神经网络的最小层数、神经网络的最大层数、输入向量的最小权重、输入向量的最大权重或人工智能算法的任何其它约束。在框1018处，可使用模型信息和模型约束来训练模型。在一些实施例中，训练图像数据被分成两个子集(训练子集和验证子集)，并且在框1018处对模型的训练包括使用图像数据的训练子集来训练模型。

在框1020处，确定是否满足训练目标。在一些实施例中，在框1020处的确定通过将人工智能算法的结果与在框1016处初始化的训练目标进行比较来作出。在其中训练图像数据被分成训练子集和验证子集的一些实施例中，在框1020处的确定包括使用图像数据的验证子集测试在框1018处训练的模型。如果在框1020处确定不满足训练目标，那么方法1010前进到框1022，在框1022处，训练目标和/或约束被更新。在框1022处更新了训练目标和/或约束之后，方法1010返回到框1018，在框1018处，使用更新的训练目标和/或约束来训练模型。如果在框1020处确定满足训练目标，那么方法1010前进到框1024，在框1024处，人工智能算法被存储。存储人工智能算法可包括将人工智能算法存储在计算设备(例如，本地计算设备、远程计算设备等)中的一个或多个存储器中。

在一些实施例中，视觉系统既可用于训练模型以对密封的状态进行分类，又可用于应用人工智能算法以对密封的状态进行分类。图19中描绘了方法1100的实施例，该方法用于使视觉检查引擎既训练模型以对用于包装物品的密封的状态进行分类，又应用人工智能算法以对密封的状态进行分类。在一些实施例中，视觉系统包括图像传感器系统和计算装置，该计算装置可限定视觉检查引擎504和采集系统502。在那些实施例中，模型可在计算装置上操作，同时(多个)成像设备获得用于训练或应用模型的密封的图像数据。

在框1102处，视觉系统和分类模型被初始化。在一些实施例中，视觉系统的初始化包括初始化计算装置和初始化(多个)成像设备，并且分类模型的初始化包括在计算装置上加载包括分类模型的启动软件。在框1104处，采集密封的图像数据(例如，由(多个)成像设备和采集系统)。在一些实施例中，(多个)成像设备采集密封的图像数据并将图像数据提供至计算装置。在框1106处，确定分类模型是否处于训练模式。该确定可由包括分类模型的在计算系统上操作的软件作出。

如果在框1106处确定分类模型处于训练模式，那么模型传递到框1108，在框1108处，确定状态是否可用于密封。当用户人工地将针对密封的状态输入到计算设备中或扫描密封的状态(例如，从训练包装物品上的条形码或其它标志)时，状态可能够用于密封。如果在框1108处确定状态可用，那么该方法前进到框1110。在框1110处，基于图像数据和针对密封的状态更新分类模型。更新分类模型可包括本文中描述的用于训练和/或开发分类模型的方法中的任何。密封状态(例如，人工输入的状态)可用，如在框1112中所示出的。然而，如果在框1106处确定分类模型不处于训练模式，或者如果在框1108处确定状态不可用，那么该方法前进到框1114。

在框1114处，分类模型对密封的状态进行分类。在一些实施例中，由分类模型分类的密封的状态包括密封是有缺陷(例如，皱褶或弱密封)、无缺陷还是具有特定缺陷的确定，以及关于密封是有缺陷、无缺陷还是具有特定缺陷的确定度的指示。在框1116处，确定分类的状态的置信度水平是低还是高。在一些实施例中，置信度水平是表示密封的分类的状态准确的确定度的百分比，并且如果确定度低于可接受的确定度的预确定百分比，则置信度水平低。例如，如果可接受的确定度是90%，那么如果分类的状态的确定度低于90%，则认为密封的分类的状态低。如果在框1116处置信度水平被确定为不低，那么密封状态已经被确定，如在框1118处示出的。然而，如果在框1116处置信度水平被确定为低，那么该方法前进到框1120，在框1120处，密封产品被挑出以用于离线和/或人工分类(例如，由用户在与生产线分离的视觉检查或物理测试之后进行的分类)。在其中利用冗余或者不同类型(例如热和光弹性)的多个视觉系统的实施例中，增加置信度的可能性得到提高。

如果在框1112处或框1118处密封的状态可用，那么该方法前进到框1122。在框1122处，密封的状态被输出。在一些实施例中，输出密封的状态包括在用户接口输出设备上显示密封的状态、经由通信接口将密封的状态传送到一个或多个外部设备、或将密封的状态存储在数据库中的一者或多者。在一些实施例中，密封的状态包括密封是有缺陷、无缺陷还是具有特定缺陷的指示或密封是有缺陷、无缺陷还是具有特定缺陷的确定度中的一者或多者。

无论是在框1122处输出密封的状态还是在框1120处保持包装物品以用于人工分类，方法1100都然后前进到框1124。在框1124处，确定另一包装物品是否可用。在一些实施例中，在框1124处的确定可基于是否在输送机上检测到另一包装物品(例如，经由一个或多个传感器)。在一些实施例中，在框1124处的确定可基于用户是否输入另一包装物品是否可用的指示。如果在框1124处确定另一包装物品不可用，那么在框1126处视觉系统和分类模型被关闭。然而，如果在框1124处确定另一包装物品可用，那么方法1100循环回到框1104，在框1104处，采集下一个包装物品的密封的图像数据，并且如上面描述的，方法1100从框1104前进，以用于下一个包装物品。

如上面所讨论的，用于根据图像数据对用于包装物品的密封的状态进行分类的人工智能算法可包括一个决策过程，诸如决策树或神经网络。在一些实施例中，用于根据图像数据对密封的状态进行分类的人工智能算法可包括多于一个决策过程。图21中描绘了对密封的状态进行分类的方法1200的实施例。在所描绘的实施例中，方法1200部分地由图像传感器系统1202、检测决策过程1204、分类决策过程1206和输出设备1208执行。在框1210处，图像传感器系统采集密封的图像数据。在一些实施例中，在包装物品正在由运输系统运输时，图像传感器系统1202可采集图像数据。在图像数据在框1210处被采集之后，图像传感器系统具有可被传送到检测决策过程1204的图像数据1212。在一个实施例中，检测决策过程1204是在一个或多个计算设备上操作的基于软件的决策过程。

在框1214处，检测决策过程1204处理从图像传感器系统1202接收的图像数据。在一些实施例中，在框1214处的图像数据的处理由人工智能算法执行，该算法已经被训练来检测图像数据中与包装物品的密封相关联的感兴趣区域。在一些实施例中，在框1214处的图像数据的处理包括下者中的一者或多者：围绕图像中检测到的一个或多个密封裁剪图像数据中的图像、从图像数据中的视频中选择帧或帧的子集、从图像数据中的图像中识别不相关像素以及利用图像数据的最低有效值替换不相关像素。在一些实施例中，图像数据的处理产生具有矩形形状的单个图像，其中所识别的密封在图像中基本上居中，并且被认为不相关的像素利用最低有效值替换。在一些实施例中，图像数据的处理可包括掩蔽图像的部分，其中感兴趣区域之外(例如，密封之外)的图像区域利用低值数据替换(例如，像素全部变为黑色)，以减少用于对密封的状态进行分类的处理量，并减小在对密封的状态进行分类时错误的可能性。

在处理图像数据的一个实施例中，围绕图像数据中的密封的表示构建自定义边界。在自定义边界中还构建包含密封的边界框。处理还包括从整个图像数据裁剪边界框。基于自定义边界裁剪图像数据的一个优点是，密封的状态的后期分类可限于感兴趣的区域，而不需要检查图像数据的不感兴趣的区域。这继而可增加分类的置信度水平，并且因此提高分类的整体性能。在其中检测决策过程1204是多层神经网络的一些实施例中，围绕自定义边界创建边界框简化了图像数据和神经网络的第一层之间的兼容性要求。另外，裁剪图像数据造成图像数据的部分被处理以用于分类，而不是处理整个图像数据，这减少了用于分类的处理时间。在一些实施例中，自定义边界可有助于针对密封的区域、其质心或其取向中的一个或多个生成数值。

在框1216处，确定是否在图像数据中检测到密封的存在。在一些实施例中，在框1216处作出的确定是在框1216处的图像数据的处理的部分。在一些实施例中，在框1216处确定是否检测到密封是与在框1216处的图像数据的处理分离的过程。如果在框1216处确定没有检测到密封的存在，那么方法1200前进到框1218，在框1218处，图像数据被丢弃(例如，被删除)，并且方法1200结束。然而，如果在框1216处确定检测到密封的存在，那么在框1220处表示的处理后的图像数据可被传送到分类决策过程1206。在一些实施例中，分类决策过程1206是在一个或多个计算设备上操作的基于软件的决策过程，该计算设备可与检测决策过程1204在其上操作的一个或多个计算设备相同或不同。在一些实施例中，在对数据中表示的密封的状态进行分类之前，在框1214处处理图像数据以获得处理后的图像数据(如在框1220处示出的)增加了由分类决策过程1206稍后执行的分类的评估矩阵。

在框1222处，分类决策过程1206对从检测决策过程1204接收的处理后的图像数据进行分类。在一些实施例中，在框1222处的图像数据的分类由人工智能算法执行，该算法已经被训练来对处理后的图像数据中表示的密封的状态进行分类。在一些实施例中，在框1222处的处理后的图像数据中表示的密封的状态的分类包括确定密封是有缺陷、无缺陷还是具有特定缺陷。在一些实施例中，在框1222处的处理后的图像数据中表示的密封的状态的分类包括确定密封是有缺陷、无缺陷还是具有特定缺陷，以及关于密封是有缺陷、无缺陷还是具有特定缺陷的确定度的指示。

在框1224处，确定分类的状态的置信度水平是否低。在一些实施例中，置信度水平是表示密封的分类的状态准确的确定度的百分比，并且如果确定度低于可接受的确定度的预确定百分比，则置信度水平低。例如，如果可接受的确定度是90%，那么如果分类的状态的确定度低于90%，则认为密封的分类的状态低。如果在框1224处置信度水平被确定为不低，那么密封状态已经被确定，如在框1226处示出的。然而，如果在框1224处置信度水平被确定为低，那么该方法前进到框1228，在框1228处，密封和/或图像数据被标记以用于人工分类。

在框1230处，在分类决策过程之外人工地分类密封的状态。在一些实施例中，在包装物品的视觉检查或物理测试之后，密封由用户人工地分类。在框1232处，用户将人工分类的密封的状态输入到分类决策过程1206。在框1234处，分类决策过程1206被更新。在其中分类决策过程1206是人工智能算法的实施例中，更新分类决策过程1206包括基于人工分类进一步训练人工智能算法。在更新分类决策过程1206之后，方法1100返回到框1226，在框1226处，真空包装产品的分类的状态是密封的人工分类状态。

在如在框1226处表示的真空包装产品的分类的状态被分类决策过程1206分类或获得之后，分类决策过程1206将密封的分类的状态发送到输出设备1208。在其中分类决策过程1206是在一个或多个计算设备上操作的软件的实施例中，输出设备1208可为用户接口输出设备。在一些实施例中，在框1236处的输出密封的分类的状态包括将密封的分类的状态经由用户接口(例如，监视器、触摸屏等)输出给用户、将密封的分类的状态经由通信电路传送到外部设备或者将密封的分类的状态本地存储在数据库中的一者或多者。

在本文中公开的实施例中的任何中，针对任何一个密封接收的图像数据可包括关于同一密封的多种形式的图像数据。例如，关于密封的图像数据可包括同一密封的可见光范围内的两个图像。在另一个实施例中，关于密封的图像数据可包括三个图像，一个是热成像图像，一个是紫外图像，并且一个是光弹性图像。针对同一密封的这些多种不同形式的图像数据可单独通过人工智能算法。如果人工智能算法使用多种不同形式的图像数据针对密封返回相同的分类的状态，那么可显著增加针对该密封的分类的置信度水平。在一个示例中，如果人工智能算法将图像之一分类为具有在98%的置信度水平下具有不完美密封的包装物品，并将另一图像分类为具有在96%的置信度水平下具有不完美密封的包装物品，那么包装物品具有不完美密封的置信度水平可大于99%。在另一个示例中，如果人工智能算法将图像之一分类为在60%的置信度水平下具有无缺陷密封，并将另一图像分类为在70%的置信度水平下具有无缺陷密封，那么真空包装产品无缺陷的置信度水平可为88%。即使使用两个图像的置信度水平可显著高于单独的任一图像，来自两个图像的组合置信度水平(例如，88%)仍可低于可接受的确定度的预确定百分比(例如，95%)，这可使包装物品被标记以用于人工分类。在一些另外的实施例中，多个相机角度可用于在多个表面上并且从多个视点对密封进行成像，诸如通过包装物品、与包装物品成一角度或者在包装物品的正上方。在一些实施例中，可使用两个或更多个相机角度来对同一密封进行成像。将显而易见的是，多种形式的图像数据的数量不限于两种，而是可为任何数量的图像数据形式。

在一些实施例中，在检测和报告中，并非增加或改变的图像指示剂或缺陷的每个区域都是必要的，并且用户或计算机装置可确定一个或多个阈值，以促进识别有缺陷的密封。阈值可基于本文中详述的参数中的任何，并且可被预先确定或作为算法或模型的结果来应用。可设置阈值，使得仅超过阈值尺寸的改变的图像指示剂和缺陷被标记以用于移除。例如，阈值可设置在具有在至少一个方向上至少2毫米的尺寸的荧光区域(即，具有在机器方向上至少2毫米和/或在横向方向上至少2 mm的尺寸的改变的荧光)。备选地，阈值可被设置为具有在至少一个方向上至少1毫米的尺寸的热图像异常(即，在至少一个方向上至少1毫米的改变的荧光)。在一些实施例中，阈值可设置在预确定的表面积(例如，至少1 mm²、2mm²、3 mm²或4 mm²的面积)。即使系统有能力看到小至在至少一个方向上低至10微米的尺寸的缺陷，也可设置这样的阈值。阈值的设置不同于机器视觉系统检测在至少一个方向上到至少特定尺寸的缺陷的能力。相反，阈值的设置是响应于此触发信号的生成的区域的尺寸的最小值的设置。该阈值可设置为任何期望的值，并且不同于机器视觉系统检测至少小至指定尺寸的缺陷的能力。

在一些实施例中，本文中公开的基于算法或模型的检测手段可用于检测包装物品中的缺陷。例如，在一些实施例中，本文中所描述的基于算法或模型的检测手段可检测具有比密封的大部分高的高荧光的区域，这可指示密封中的皱褶或其它缺陷。在一些实施例中，基于算法或模型的检测手段可检测来自密封的基本上均匀、恒定的荧光，从而指示强密封。在一些实施例中，在密封的区域中荧光较少或没有荧光的区域可指示密封中的间断或弱点。

在一些实施例中，本文中公开的基于算法或模型的检测手段可用于检测包装物品中的缺陷。例如，在一些实施例中，本文中所描述的基于算法或模型的检测手段可检测具有比密封的大部分高的高热辐射浓度的区域，这可指示密封中的皱褶或其它缺陷。在一些实施例中，基于算法或模型的检测手段可检测来自密封的基本上均匀、恒定的热图像，从而指示强密封。在一些实施例中，在密封的区域中热辐射较少或没有热辐射的区域可指示密封中的间断或弱点。

在一些实施例中，本文中公开的基于算法或模型的检测手段可用于检测包装物品中的缺陷。例如，在一些实施例中，本文中所描述的基于算法或模型的检测手段可检测在光弹性图像下可见的缺陷。

示例

在示例实施例中，算法和图像处理可包括以下步骤中的一些或全部：(1)捕获图像；(2)对图像应用去噪；(3)将图像转换成灰度；(4)应用阈值化来减小图像的要考虑的区段；(5)消除图像的不期望的区域；(6)识别剩余图像中对应于包装物品中有缺陷的密封的特征。这些处理步骤中的每个的示例在以下附图中示出和描述。

转到图22，示出充分密封的热图像数据。在包装物品中形成脉冲密封。已知脉冲密封产生非线性或波状密封区域。该图像是在密封产生之后5秒捕获的。在密封之后和图像捕获之前，利用了均匀的主动冷却。这样的充分密封图像可作为良好密封图像用于人工智能算法。图23是有缺陷密封的热图像数据的示例性图像。在包装物品中形成脉冲密封。该图像是在密封产生之后5秒捕获的。在密封之后和图像捕获之前，利用了均匀的主动冷却。该图像和类似的有缺陷密封图像可用于训练人工智能算法来表明缺陷或不充分的密封。

图23是示出具有局部密封皱褶的双直线密封的示例性热图像。在包装物品中形成脉冲密封。该图像是在密封产生之后5秒捕获的。在密封之后和图像捕获之前，利用了均匀的主动冷却。沿着密封区域的热图像中的间断表明冷的且弱的密封。这样的图像在训练如本文中所描述的人工智能算法中是有用的。

图24是示出具有弱密封区域的双直线密封的示例性热图像。在包装物品中形成脉冲密封。该图像是在密封产生之后5秒捕获的。在密封之后和图像捕获之前，利用了均匀的主动冷却。沿着密封区域的热图像中的间断表明冷的且弱的密封。这样的图像在训练如本文中所描述的人工智能算法中是有用的。

现在转到图25和图26，示出表明可接受密封的热图像数据图像。图25和图26是同一密封在两个不同位置和两个不同时间点获取的图像。密封区域沿着密封发出相当一致的热辐射，而没有任何热或冷的点或区域。密封区域中的热是来自密封过程的余热，并且随时间推移而消散。图25是在热密封过程之后15 s获取的图像。图26是在热密封之后20 s获取的图像。在热密封之后捕获热图像的时间可取决于膜、包装物品、膜的厚度、热密封温度和方法来调整。

参考图27和图28，示出表明有缺陷的密封的热图像数据图像。图25和图26是同一密封在两个不同位置和两个不同时间点获取的图像。除了热点3101、3102、3201和3202之外，密封区域沿着密封发出相当一致的热辐射。密封区域中的热是来自密封过程的余热，并且随时间推移而消散。图27是在热密封过程之后15 s获取的图像。图28是在热密封之后20s获取的图像。在热密封之后捕获热图像的时间可取决于膜、包装物品、膜的厚度、热密封温度和方法来调整。

现在转到图29，示出由光弹性成像系统(诸如本文中所描述的)捕获的密封区域。与标准图像捕获技术相比，光弹性图像捕获机制提供增强的视觉能力。图29表明没有任何缺陷的适当密封。

图30和图31表明由光弹性成像系统捕获的密封区域。与标准成像相比，这些图像提高了皱褶缺陷的清晰度。视觉检查引擎针对相邻像素颜色梯度的变化、区段比较等分析图像。视觉检查引擎可对图像的多个像素或区段进行关于下者中的一项或多项的比较：密封区域中的平均值、变量、偏斜、最小值、最大值、范围或变化。图像的像素或区段之间的变化可指示密封缺陷。

图32表明包装物品的获取的紫外图像，该包装物品中设置有光学增亮剂。光学增亮剂在含有皱褶缺陷的密封区域处发出具有更大强度的荧光。额外的材料在皱褶缺陷周围起褶，从而引起额外的照明强度。视觉检查引擎针对相邻像素颜色梯度的变化、区段比较等分析图像。视觉检查引擎可对图像的多个像素或区段进行关于下者中的一项或多项的比较：密封区域中的平均值、变量、偏斜、最小值、最大值、范围或变化。图像的像素或区段之间的变化可指示密封缺陷。

结论

受益于前述描述和相关联的附图中呈现的教导的本文中阐述的发明所涉及的领域中的技术人员将会想到这些发明的许多修改和其它实施例。因此，将理解，本发明不限于所公开的具体实施例，并且修改和其它实施例旨在包括在所附权利要求的范围内。此外，尽管前述描述和相关联的附图在元件和/或功能的某些示例组合的背景下描述示例实施例，但是应当认识到，在不脱离所附权利要求的范围的情况下，备选实施例可提供元件和/或功能的不同组合。就这一点而言，例如，还设想与上面明确描述的那些不同的元件和/或功能的组合，如所附权利要求中的一些中可阐述的。尽管本文中采用具体的用语，但是它们仅在一般和描述性的意义上使用，而不是为了限制的目的。