CN105957082A - 一种基于面阵相机的印刷质量在线监测方法 - Google Patents
一种基于面阵相机的印刷质量在线监测方法 Download PDFInfo
- Publication number
- CN105957082A CN105957082A CN201610284385.8A CN201610284385A CN105957082A CN 105957082 A CN105957082 A CN 105957082A CN 201610284385 A CN201610284385 A CN 201610284385A CN 105957082 A CN105957082 A CN 105957082A
- Authority
- CN
- China
- Prior art keywords
- image
- picture
- leaflet
- printing quality
- standard form
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于面阵相机的印刷质量在线监测方法,其包括以下工艺步骤,步骤1:通过面阵相机采集印刷品图像;步骤2:用步骤1所采集到的图像制作标准模板;步骤3:将步骤1所采集到的待测图像与步骤2所制作的标准模板图像进行配准,并通过对两幅图像进行比对,以判断印刷质量是否有缺陷。本发明具有以下优点:1、制作程序简单,能适应小批量、多品种印刷的经常换线的需求;2、检测速度快,能满足高速生产线的需求;3、基于面阵相机的检测方法除了能检测划痕、异物等缺陷外,还能检测印刷质量的颜色异常等缺陷,能全覆盖印刷质量的缺陷;4、方法简单,不需要对面阵相机进行校正,维护方便,能很好适应实际工程环境,具有较高可靠性。
Description
技术领域
本发明涉及印刷监测技术领域,尤其涉及一种基于面阵相机的印刷质量在线监测方法。
背景技术
目前,印刷行业面临着所有种类的印刷物都必须满足小批量、交货快及更严格的质量管理等要求。但是,越是追求质量管理,便越需要返工,这样就会出现增加“生产时间”和“人工费”而引起的生产效率大幅度降低的问题。为了解决上述问题,就很有必要研发一种在线实时监测印刷图像质量的系统。这种印刷质量监测系统集成先进的图像检测算法,能在印刷机流水线生产过程中进行检测,早期发现缺陷部分,帮助操作人员将印刷不良的发生率抑制在最小限度内。
当前国内外印刷品自动检测技术现状如下所述:印刷图像质量自动检测技术起步于上个世纪八、九十年代。1990年,日本东京的Katsuyuki Tanimizu进行了印刷工业自动质量检测研究,提了一种用于自动检测印刷品表面缺陷的索引空间法(Index SpaceMethod),以X、Y表示各像素点的位置坐标,以Z轴表示像点灰度值,建立了空间坐标系,这样每一图点都能在此坐标系中找到其相应的位置,通过比较坐标系中模板图像和待检图像的对位置的灰度值,确定待检图像中是否存在缺陷点,这种方法的图像处理过程和检测过程相互独立,能够检测较复杂的图片。但其算法比较复杂,应用上有很多不便。
1993年,法国的B.Mehenni也进行了本课题的研究工作,他提出了一种把n-tupe法和逐像素比较法相结合的方法,这种方法具有速度快、参数输出多等特点,但它要求专门的硬件设备,同时要通过示教才能完成自动质量检测的任务。
1998年,又陆续有学者把Gabor filter法引入到印刷品图像质量检测中,此种方法可检测出多种图像缺陷,且有一定的自适应性,适用于对大数据系统的检测,但Gabor方法有一大缺陷,识别速度慢,因为它的良好识别性是建立在精确匹配基础上的,这大大提高了运算的复杂性,同时降低了它的实用性。
2003年,英国埃克塞特大学的J.Luo和Z.Zhang,基于图像处理技术,提出了一种彩色印刷品检测算法。该算法首先进行照明修正,然后给出色彩三维直方图,进行特征提取,最后利用神经网络进行图像分类,识别合格图像。然而,这种系统操作复杂,系统训练的最优点不易把握,也很难实现在线实时监测。
发明内容
本发明的目的在于针对现有技术的不足而提供一种基于面阵相机的印刷质量在线监测方法,该基于面阵相机的印刷质量在线监测方法能够有效地满足现代印刷行业的小批量、速度快、质量高的要求,且能在印刷品种多、检测环境变化等实际工程环境下,实时准确地检测出划痕、异物或颜色异常等印刷质量的缺陷。
为达到上述目的,本发明通过以下技术方案来实现。
一种基于面阵相机的印刷质量在线监测方法,包括有以下工艺步骤,具体为,
步骤1:通过面阵相机采集印刷品图像;
步骤2:用步骤1所采集到的图像制作标准模板;
步骤3:将步骤1所采集到的待测图像与步骤2所制作的标准模板图像进行配准,并通过对两幅图像进行比对,以判断印刷质量是否有缺陷。
其中,所述步骤2包括有以下工艺步骤,具体为,
步骤21:面阵相机实时拍摄当前场景图像,,判断拍摄的当前场景中的图像是否包含印刷品前端的边缘;
步骤22:如果该位置的图片不包含印刷品前端的边缘,则等到下一个印刷品的前端边缘,且同时判断图片的大部分是否是印刷品图像部分;
步骤23:如果当前场景中图像包含印刷品前端的边缘,并且图片的大部分是印刷品图像部分,则就用这个位置所拍摄到的图片制作标准模板;
步骤24:如果当前场景中图像包含印刷品前端的边缘,但是图片的大部分是印刷品背景部分,则需要等到后面几帧的图片,检测到图片的大部分是印刷品图像部分,就可以用该位置的图片来做标准模板。
其中,于所述步骤21中,判断图片是否包含印刷品的前端边缘的具体方法为:
先对图像进行二值化处理,而后进行边缘检测,最后对边缘检测后的图像进行直线搜索,如果存在所允许方向的直线,则表示该图片包含印刷品的前端边缘,否则就表示该图片不包含印刷品的前端边缘。
其中,于所述步骤22、所述步骤23、所述步骤24中,判断图片中大部分是否是印刷品部分的方法为:
图片的印刷品背景部分一般和前景相差很大,而且背景部分色彩单一,则可以用背景部分的颜色作为图片二值化的参考颜色,先对图像进行二值化处理,而后对图像进行运动方向上的投影,对投影方向上满足条件的像素数目小于一定阈值的进行清零,最后计算图片投影最前端和图片的前端边缘距离,如果距离小于相机采样帧时间间隔内铁皮在场景中的移动距离,则表示图片中大部分是印刷品部分,否则就表示图片中大部分不是印刷品部分。
其中,所述步骤3包括有以下工艺步骤,具体为,
步骤31:分别提取标准模板图像和待测图像的特征点;
步骤32:分别计算标准模板特征点和待测图像特征点的描述特征向量;
步骤33:匹配步骤32中的两个描述特征向量;
步骤34:剔除步骤33中的误差大的误匹配点,用剩下的好匹配点生成一个仿射变换矩阵,即标准模板图像和待测图像之间的转换矩阵;
步骤35:用步骤34中的仿射变换矩阵校正标准模板图像或待测图像;
步骤36:对比校正过的标准模板图像和待测图像,根据其边缘差异值是否超过设定的阈值,判断印刷质量是否存在划痕或异物等缺陷;
步骤37:对比校正过的标准模板图像和待测图像,根据其颜色差异值是否超过设定的阈值,判断印刷质量是否存在颜色异常等缺陷。
其中,所述步骤34具体做法为:
先计算匹配点之间的距离,剔除超过设定距离阈值的匹配点,而后在剩下的点中用随机抽样一致算法剔除错误的匹配点,即误匹配点,用最终留下的好匹配点来生成仿射变换矩阵。
其中,所述步骤36包括由以下工艺步骤,具体为,
步骤361:将标准模板图像和待测图像分别分成3个通道B、G、R的3幅图像,标准模板图像的3幅图像为B1、G1、R1,待测图像的3幅图像为B2、G2、R2;
步骤362:分别计算B1和B2两幅图像的差值绝对值图像B12、G1和G2两幅图像的差值绝对值图像G12、R1和R2两幅图像的差值绝对值图像R12;
步骤363:对图像B12,G12,R12进行二值化处理,处理后的图像分别为B120、G120、R120;
步骤364:对图像B120、G120、R120进行轮廓查找,并计算轮廓围绕的面积,根据面积的大小是否超过设定的阈值,以判断印刷存在划痕或异物缺陷。
其中,所述步骤37包括有以下工艺步骤,具体为,
步骤371:将标准模板图像和待测图像分别分成3个通道B、G、R的3幅图像,标准模板图像的3幅图像为B1、G1、R1,待测图像的3幅图像为B2、G2、R2;
步骤372:分别将B1、G1、R1、B2、G2、R2从RGB颜色系统转换到HSV颜色系统,转换后的图像分别为B1h、G1h、R1h、B2h、G2h、R2h:
步骤373:分别计算图像B1h、G1h、R1h、B2h、G2h、R2h的HSV颜色系统中的色调(H)平均值,分别为H(b1)、H(g1)、H(r1)、H(b2)、H(g2)、H(r2);
步骤374:分别计算BL(b)=H(b2)/ H(b1)、BL(g) = H(g2)/ H(g1)、BL(r) = H(r2)/ H(r1),根据比例值是否超过设定的阈值,判断印刷质量是否颜色异常。
本发明的有益效果为:本发明所述的一种基于面阵相机的印刷质量在线监测方法,其包括以下工艺步骤,具体为,步骤1:通过面阵相机采集印刷品图像;步骤2:用步骤1所采集到的图像制作标准模板;步骤3:将步骤1所采集到的待测图像与步骤2所制作的标准模板图像进行配准,并通过对两幅图像进行比对,以判断印刷质量是否有缺陷。通过上述工艺步骤设计,本发明具有以下优点:1、制作程序简单,能适应小批量、多品种印刷的经常换线的需求;2、检测速度快,能满足高速生产线的需求;3、相对于线阵相机只检测划痕、异物等缺陷,基于面阵相机的检测方法除了能检测划痕、异物等缺陷外,还能检测印刷质量的颜色异常等缺陷,能全覆盖印刷质量的缺陷;4、方法简单,不需要对面阵相机进行校正,维护方便,能很好地适应实际的工程环境,具有较高的可靠性;故而,本发明能够有效地克服现有技术在实际工程应用方面难以解决的困难,即可真正实现对印刷质量的在线监测。
附图说明
下面利用附图来对本发明进行进一步的说明,但是附图中的实施例不构成对本发明的任何限制。
图1为本发明的流程图;
图2为本发明的图像配准和对比算法的流程图。
具体实施方式
下面结合具体的实施方式来对本发明进行说明。
如图1和图2所示,一种基于面阵相机的印刷质量在线监测方法,其包括有以下工艺步骤,具体为,
步骤1:通过面阵相机采集印刷品图像,其中,面阵相机采集印刷品图像要注意以下几个方面,具体为,
(1)、面阵相机的相元尺寸、像素数:相元尺寸要合理,相元太小,图像就不够清晰,相元太大,成本就会提高;像素数要合理,像素数太小,就不能全部覆盖待测的区域,像素数太大,会拍照到无关的物体,就会增加成本和降低采集速度;
(2)、面阵相机的曝光时间t和光源的亮度:待测物体在流水线上移动速度合理设定面阵相机的曝光时间保证相机拍的图片清晰,没有拖影;
(3)、面阵相机的帧率f:帧率f太小,就会跟不上生产线的速度,就会出现漏测的区域;帧率f太大,就会采集太多重复的区域,就会给图像处理的带来过多的重复运算量;
步骤2:用步骤1所采集到的图像制作标准模板;
步骤3:将步骤1所采集到的待测图像与步骤2所制作的标准模板图像进行配准,并通过对两幅图像进行比对,以判断印刷质量是否有缺陷。
其中,步骤2进一步包括以下工艺步骤,具体为,
步骤21:面阵相机拍摄当前场景中图像,判断拍摄到的当前场景图像是否包含印刷品前端的边缘,具体的,先对图像进行二值化处理,而后进行边缘检测,最后对边缘检测后的图像进行直线搜索,如果存在所允许方向的直线,则表示该图片包含印刷品的前端边缘,否则就表示该图片不包含印刷品的前端边缘;需进一步解释,图像中直线的检测是用Hough变换,Hough变换思想为:在原始图像坐标系下的一个点对应了参数坐标系中的一条直线,同样参数坐标系的一条直线对应了原始坐标系下的一个点,然后,原始坐标系下呈现直线的所有点,它们的斜率和截距是相同的,所以它们在参数坐标系下对应于同一个点,这样在将原始坐标系下的各个点投影到参数坐标系下之后,看参数坐标系下有没有聚集点,这样的聚集点就对应了原始坐标系下的直线;在实际应用中,形式的直线方程没有办法表示形式的直线(这时候,直线的斜率为无穷大),所以实际应用中,是采用参数方程;这样,图像平面上的一个点就对应到参数平面上的一条曲线上,其它的还是一样。
步骤22:如果拍摄到的当前场景中图像不包含印刷品前端的边缘,则重复步骤21直至等到下一个印刷品的前端边缘,且同时判断图片的大部分是否是印刷品图像部分;
步骤23:如果拍摄到的当前场景中图像包含印刷品前端的边缘,并且图片的大部分是印刷品图像部分,将当前场景图像制作标准模板;
步骤24:如果拍摄到的当前场景中图像包含印刷品前端的边缘,但是图片的大部分是印刷品背景部分,则需要等到后面几帧的图片,检测到图片的大部分是印刷品图像部分,就可以用该片来做标准模板。
需进一步指出,于步骤22、步骤23、步骤24中,判断图片中大部分是否是印刷品部分的方法为:
图片的印刷品背景部分一般和前景相差很大,而且背景部分色彩单一,则可以用背景部分的颜色作为图片二值化的参考颜色,先对图像进行二值化处理,而后对图像进行运动方向上的投影,对投影方向上满足条件的像素数目小于一定阈值的进行清零,最后计算图片投影最前端和图片的前端边缘距离,如果距离小于相机采样帧时间间隔内铁皮在场景中的移动距离,则表示图片中大部分是印刷品部分,否则就表示图片中大部分不是印刷品部分。
需进一步指出,步骤3进一步包括以下工艺步骤,具体为,
步骤31:分别提取标准模板图像和待测图像的特征点;
步骤32:分别计算标准模板特征点和待测图像特征点的描述特征向量;
步骤33:匹配步骤32中的两个描述特征向量;
步骤34:剔除步骤33中的误差大的误匹配点,用剩下的好匹配点生成一个仿射变换矩阵,即标准模板图像和待测图像之间的转换矩阵;
步骤35:用步骤34中的仿射变换矩阵校正标准模板图像或待测图像;
步骤36:对比校正过的标准模板图像和待测图像,根据其边缘差异值是否超过设定的阈值,判断印刷质量是否存在划痕或异物等缺陷;
步骤37:对比校正过的标准模板图像和待测图像,根据其颜色差异值是否超过设定的阈值,判断印刷质量是否存在颜色异常等缺陷。
其中,在步骤31和步骤32中,标准模板图像和待测图像的特征点检测及计算其描述特征向量都是用SURF算法来实现的。SURF算法的全称是Speed-up robust features(加速健壮特征),是SIFT(Scale-invariant feature transformation,尺度不变特征变换)算法的加速版。SURF检测图像的特征点包括三个步骤:积分图的建立,箱式滤波器建立图像的尺度空间,然后在建立的尺度空间上对特征点进行定位;SURF检测图像的特征点的核心是Hessian 矩阵,定义如下:对于空间的任意一点,对应尺度空间中的尺度为,其表达式为:
;
其中,,,是图像上的点分别与高斯二阶偏导数、、卷积的结果,其中g为高斯函数。为了减少计算量,此处又做了一个近似,采用箱式滤波模板与原始输入图像的卷积记为、、来分别代替、、,把的初始箱式滤波器与σ等于1.2的二阶高斯偏导近似,Hessian矩阵的行列式计算可以近似表示为:
;
其中,权重系数约为0.9。
另外,SURF计算描述特征向量分为两个步骤,首先求取特征点的主方向,这样可以保证算法的旋转不变性,然后将特征点的领域旋转到主方向,对特征点进行描述。
对于步骤33而言,进行描述子向量匹配的是FLANN匹配器,FLANN全称是快速最近邻逼近搜索函数库(Fast Approximate Nearest Neighbor Search Library) ;FLANN方法基于K均值树或KD-TREE搜索操作所实现的,可以根据数据集的分布特点、对映射精度和空间资源消耗的要求来推荐索引类型和检索参数,在高维空间最近邻查找不受局部敏感哈希影响;FLANN 算法模型的特征空间一般是n维实数向量空间,核心在于使用欧式距离找到实例点的邻居。特征点 p 和q的特征分向量可记为和,则的欧氏距离可以表示为式: ;通过KD-TREE将数据点在n维空间划分为特定的几个部分,其目的是检索在KD-TREE中与查询点距离最近的欧氏距离;向量空间中所有欧氏距离通过KD-TREE 结构存储后,便可以有效搜索与参考点距离最邻近的点;整个搜索过程是 KD-TREE 由上至下的递归过程。首先以某一特定维数为基准将目标点和分割点的值进行比较,判别目标点是在左区域还是右区域;然后循环和对应节点进行比较,直到目标搜索成功为止。
进一步的,步骤34的具体做法分下面两步进行:先计算匹配点之间的距离(例如欧式距离等),剔除超过设定距离阈值的匹配点;然后在剩下的点中,用随机抽样一致算法(random sample consensus,RANSAC)剔除错误的匹配点,用最终留下的好匹配点来生成仿射变换矩阵。其中,RANSAC基本思想描述如下:
(1)、考虑一个最小抽样集的势为n的模型(n为初始化模型参数所需的最小样本数)和一个样本集P,集合P的样本数#(P)>n,从P中随机抽取包含n个样本的P的子集S初始化模型M;
(2)、余集SC=P\S中与模型M的误差小于某一设定阈值t的样本集以及S构成S*,S*认为是内点集,它们构成S的一致集(Consensus Set);
(3)、若#(S*)≥N,认为得到正确的模型参数,并利用集S*(内点inliers)采用最小二乘等方法重新计算新的模型M*;重新随机抽取新的S,重复以上过程;
(4)、在完成一定的抽样次数后,若未找到一致集则算法失败,否则选取抽样后得到的最大一致集判断内外点,算法结束。
对于步骤36而言,其进一步包括以下工艺步骤,具体为,
步骤361:将标准模板图像和待测图像分别分成3个通道B、G、R的3幅图像,标准模板图像的3幅图像为B1、G1、R1,待测图像的3幅图像为B2、G2、R2。
步骤362:分别计算B1和B2两幅图像的差值绝对值图像B12、G1和G2两幅图像的差值绝对值图像G12、R1和R2两幅图像的差值绝对值图像R12;设B1、B2、G1、G2、R1、R2、B12、G12、R12图像的像素值分别为、、、、、、、、,其中i、j是图像坐标,其有以下关系:,,;
步骤363:对图像B12,G12,R12进行二值化处理,处理后的图像分别为B120、G120、R120;
步骤364:对图像B120、G120、R120进行轮廓查找,并计算轮廓围绕的面积,根据面积的大小是否超过设定的阈值,以判断印刷存在划痕或异物缺陷。
对于步骤37而言,其进一步包括有以下工艺步骤,具体为,
步骤371:将标准模板图像和待测图像分别分成3个通道B、G、R的3幅图像,标准模板图像的3幅图像为B1、G1、R1,待测图像的3幅图像为B2、G2、R2;
步骤372:分别将B1、G1、R1、B2、G2、R2从RGB颜色系统转换到HSV颜色系统,转换后的图像分别为B1h、G1h、R1h、B2h、G2h、R2h:
步骤373:分别计算图像B1h、G1h、R1h、B2h、G2h、R2h的HSV颜色系统中的色调(H)平均值,分别为H(b1)、H(g1)、H(r1)、H(b2)、H(g2)、H(r2);
步骤374:分别计算BL(b)=H(b2)/ H(b1)、BL(g) = H(g2)/ H(g1)、BL(r) = H(r2)/ H(r1),根据比例值是否超过设定的阈值,判断印刷质量是否颜色异常。
综合上述情况可知,通过上述工艺步骤设计,本发明具有以下优点,具体为:1、制作程序简单,能适应小批量、多品种印刷的经常换线的需求;2、检测速度快,能满足高速生产线的需求;3、相对于线阵相机只检测划痕、异物等缺陷,基于面阵相机的检测方法除了能检测划痕、异物等缺陷外,还能检测印刷质量的颜色异常等缺陷,能全覆盖印刷质量的缺陷;4、方法简单,不需要对面阵相机进行校正,维护方便,能很好地适应实际的工程环境,具有较高的可靠性;故而,本发明能够有效地克服现有技术在实际工程应用方面难以解决的困难,即可真正实现对印刷质量的在线监测。
另外,本发明针对印刷行业对印刷质量在线实时监测的需要,利用计算机视觉技术,实现了对印刷质量的在线实时监测,具有维护操作简便、速度快、可靠性强等优点,特别是系统维护简便,不需要相机标定等复杂操作,自动制作程序的标准模板,实现印刷质量的在线监测,克服了以往技术方法都难以克服的难点,也消除了实现真正工程应用的主要障碍。
再者,本发明使用计算机视觉理论中的图像配准和比对技术,实现了对印刷质量的实时监测,最终为基于面阵相机的在线监测系统提供了可靠的关键技术。
以上内容仅为本发明的较佳实施例,对于本领域的普通技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于面阵相机的印刷质量在线监测方法,其特征在于,包括有以下工艺步骤,具体为,
步骤1:通过面阵相机采集印刷品图像;
步骤2:用步骤1所采集到的图像制作标准模板;
步骤3:将步骤1所采集到的待测图像与步骤2所制作的标准模板图像进行配准,并通过对两幅图像进行比对,以判断印刷质量是否有缺陷。
2.根据权利要求1所述的一种基于面阵相机的印刷质量在线监测方法,其特征在于,所述步骤2包括有以下工艺步骤,具体为,
步骤21:面阵相机实时拍摄当前场景图像,判断拍摄的当前场景图像是否包含印刷品前端的边缘;
步骤22:如果当前场景中图像不包含印刷品前端的边缘,则重读步骤21直至等到下一个印刷品的前端边缘,且同时判断图片的大部分是否是印刷品图像部分;
步骤23:如果当前场景中拍摄到的图像包含印刷品前端的边缘,并且图片的大部分是印刷品图像部分,则就用这个位置所拍摄到的图片制作标准模板;
步骤24:如果当前场景中图像包含印刷品前端的边缘,但是图片的大部分是印刷品背景部分,则需要等到后面几帧的图片,检测到图片的大部分是印刷品图像部分,就可以用该位置的图片来做标准模板。
3.根据权利要求2所述的一种基于面阵相机的印刷质量在线监测方法,其特征在于,于所述步骤21中,判断图片是否包含印刷品的前端边缘的具体方法为:
先对图像进行二值化处理,而后进行边缘检测,最后对边缘检测后的图像进行直线搜索,如果存在所允许方向的直线,则表示该图片包含印刷品的前端边缘,否则就表示该图片不包含印刷品的前端边缘。
4.根据权利要求2所述的一种基于面阵相机的印刷质量在线监测方法,其特征在于,于所述步骤22、所述步骤23、所述步骤24中,判断图片中大部分是否是印刷品部分的方法为:
图片的印刷品背景部分一般和前景相差很大,而且背景部分色彩单一,则可以用背景部分的颜色作为图片二值化的参考颜色,先对图像进行二值化处理,而后对图像进行运动方向上的投影,对投影方向上满足条件的像素数目小于一定阈值的进行清零,最后计算图片投影最前端和图片的前端边缘距离,如果距离小于相机采样帧时间间隔内铁皮在场景中的移动距离,则表示图片中大部分是印刷品部分,否则就表示图片中大部分不是印刷品部分。
5.根据权利要求1所述的一种基于面阵相机的印刷质量在线监测方法,其特征在于,所述步骤3包括有以下工艺步骤,具体为,
步骤31:分别提取标准模板图像和待测图像的特征点;
步骤32:分别计算标准模板特征点和待测图像特征点的描述特征向量;
步骤33:匹配步骤32中的两个描述特征向量;
步骤34:剔除步骤33中的误差大的误匹配点,用剩下的好匹配点生成一个仿射变换矩阵,即标准模板图像和待测图像之间的转换矩阵;
步骤35:用步骤34中的仿射变换矩阵校正标准模板图像或待测图像;
步骤36:对比校正过的标准模板图像和待测图像,根据其边缘差异值是否超过设定的阈值,判断印刷质量是否存在划痕或异物等缺陷;
步骤37:对比校正过的标准模板图像和待测图像,根据其颜色差异值是否超过设定的阈值,判断印刷质量是否存在颜色异常等缺陷。
6.根据权利要求5所述的一种基于面阵相机的印刷质量在线监测方法,其特征在于,所述步骤34具体做法为:
先计算匹配点之间的距离,剔除超过设定距离阈值的匹配点,而后在剩下的点中用随机抽样一致算法剔除错误的匹配点,即误匹配点,用最终留下的好匹配点来生成仿射变换矩阵。
7.根据权利要求5所述的一种基于面阵相机的印刷质量在线监测方法,其特征在于,所述步骤36包括由以下工艺步骤,具体为,
步骤361:将标准模板图像和待测图像分别分成3个通道B、G、R的3幅图像,标准模板图像的3幅图像为B1、G1、R1,待测图像的3幅图像为B2、G2、R2;
步骤362:分别计算B1和B2两幅图像的差值绝对值图像B12、G1和G2两幅图像的差值绝对值图像G12、R1和R2两幅图像的差值绝对值图像R12;
步骤363:对图像B12,G12,R12进行二值化处理,处理后的图像分别为B120、G120、R120;
步骤364:对图像B120、G120、R120进行轮廓查找,并计算轮廓围绕的面积,根据面积的大小是否超过设定的阈值,以判断印刷存在划痕或异物缺陷。
8.根据权利要求5所述的一种基于面阵相机的印刷质量在线监测方法,其特征在于,所述步骤37包括有以下工艺步骤,具体为,
步骤371:将标准模板图像和待测图像分别分成3个通道B、G、R的3幅图像,标准模板图像的3幅图像为B1、G1、R1,待测图像的3幅图像为B2、G2、R2;
步骤372:分别将B1、G1、R1、B2、G2、R2从RGB颜色系统转换到HSV颜色系统,转换后的图像分别为B1h、G1h、R1h、B2h、G2h、R2h:
步骤373:分别计算图像B1h、G1h、R1h、B2h、G2h、R2h的HSV颜色系统中的色调(H)平均值,分别为H(b1)、H(g1)、H(r1)、H(b2)、H(g2)、H(r2);
步骤374:分别计算BL(b)=H(b2)/ H(b1)、BL(g) = H(g2)/ H(g1)、BL(r) = H(r2)/ H(r1),根据比例值是否超过设定的阈值,判断印刷质量是否颜色异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610284385.8A CN105957082A (zh) | 2016-05-04 | 2016-05-04 | 一种基于面阵相机的印刷质量在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610284385.8A CN105957082A (zh) | 2016-05-04 | 2016-05-04 | 一种基于面阵相机的印刷质量在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105957082A true CN105957082A (zh) | 2016-09-21 |
Family
ID=56914710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610284385.8A Pending CN105957082A (zh) | 2016-05-04 | 2016-05-04 | 一种基于面阵相机的印刷质量在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957082A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407057A (zh) * | 2016-09-23 | 2017-02-15 | 南昌欧菲生物识别技术有限公司 | 检测方法及检测装置 |
CN106651849A (zh) * | 2016-12-27 | 2017-05-10 | 广东锐视智能检测有限公司 | 基于面阵相机的pcb裸板缺陷检测方法 |
CN106657789A (zh) * | 2016-12-29 | 2017-05-10 | 核动力运行研究所 | 一种螺纹全景图像合成方法 |
CN107590827A (zh) * | 2017-09-15 | 2018-01-16 | 重庆邮电大学 | 一种基于Kinect的室内移动机器人视觉SLAM方法 |
CN107948464A (zh) * | 2017-09-15 | 2018-04-20 | 兰州交通大学 | 一种印刷品检测图像侧向偏移的几何校正方法及系统 |
CN108154497A (zh) * | 2017-12-05 | 2018-06-12 | 北京掌行通信息技术有限公司 | 一种图示路况的自动化检测方法及系统 |
CN108335296A (zh) * | 2018-02-28 | 2018-07-27 | 中际山河科技有限责任公司 | 一种极板识别装置及方法 |
CN108489994A (zh) * | 2018-03-30 | 2018-09-04 | 湖北工程学院 | 卷对卷塑质面膜检验及控制方法 |
CN108583009A (zh) * | 2017-03-10 | 2018-09-28 | 嘉善铂汉塑胶五金有限公司 | 一种自动移印控制方法 |
CN109738461A (zh) * | 2019-01-04 | 2019-05-10 | 安徽地势坤光电科技有限公司 | 一种应用于丝网印刷设备中的网版视觉检测方法 |
CN110009558A (zh) * | 2019-01-17 | 2019-07-12 | 柳州康云互联科技有限公司 | 一种简易的图像色彩归一化的办法 |
CN110053372A (zh) * | 2018-01-19 | 2019-07-26 | 柯尼卡美能达株式会社 | 图像形成装置以及记录介质 |
CN110363752A (zh) * | 2019-07-08 | 2019-10-22 | 创新奇智(青岛)科技有限公司 | 一种成衣材质缺陷模拟生成方法、计算机可读介质及系统 |
CN110457670A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 一种基于机器学习降低印前版面处理错误率的方法 |
CN110650316A (zh) * | 2019-09-27 | 2020-01-03 | 万翼科技有限公司 | 智能巡逻及预警处理方法、装置、电子设备及存储介质 |
CN110744932A (zh) * | 2019-10-17 | 2020-02-04 | 广州乔拓科技有限公司 | 打印瑕疵检测系统 |
CN110940670A (zh) * | 2019-11-25 | 2020-03-31 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测系统及其实现方法 |
CN110987968A (zh) * | 2019-09-30 | 2020-04-10 | 烟台南山学院 | 一种利用三维矩阵表示的图像进行布料表面瑕疵检测的方法 |
CN111242896A (zh) * | 2019-12-31 | 2020-06-05 | 电子科技大学 | 一种彩色印刷标签缺陷检测与质量评级方法 |
CN111231530A (zh) * | 2020-01-14 | 2020-06-05 | 天津迦自机器人科技有限公司 | 一种双色打印机质量检测方法 |
CN111650220A (zh) * | 2020-07-15 | 2020-09-11 | 博科视(苏州)技术有限公司 | 一种基于视觉的图文缺陷检测方法 |
CN112561849A (zh) * | 2019-09-26 | 2021-03-26 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
CN113916131A (zh) * | 2021-12-15 | 2022-01-11 | 深圳市浩创盛科技有限公司 | 一种基于图案的pcb板孔位智能检测系统及方法 |
CN114281282A (zh) * | 2022-03-08 | 2022-04-05 | 中体彩印务技术有限公司 | 一种印刷监控方法及其系统 |
CN115908364A (zh) * | 2022-12-12 | 2023-04-04 | 浙江工业大学 | 一种数字印刷印品缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1712887A (zh) * | 2005-06-16 | 2005-12-28 | 姚晓栋 | 基于数字影像的印制线路板现场测试方法 |
US20110280480A1 (en) * | 2009-01-24 | 2011-11-17 | Simske Steven J | System and method for enhancing security printing |
CN102509300A (zh) * | 2011-11-18 | 2012-06-20 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及系统 |
CN103500459A (zh) * | 2013-09-24 | 2014-01-08 | 华南理工大学 | 一种基于规则化参数的印刷电路板缺陷检测方法 |
CN103646390A (zh) * | 2013-09-27 | 2014-03-19 | 北京中钞钞券设计制版有限公司 | 基于多层次图像定位的图像处理系统和方法 |
-
2016
- 2016-05-04 CN CN201610284385.8A patent/CN105957082A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1712887A (zh) * | 2005-06-16 | 2005-12-28 | 姚晓栋 | 基于数字影像的印制线路板现场测试方法 |
US20110280480A1 (en) * | 2009-01-24 | 2011-11-17 | Simske Steven J | System and method for enhancing security printing |
CN102509300A (zh) * | 2011-11-18 | 2012-06-20 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及系统 |
CN103500459A (zh) * | 2013-09-24 | 2014-01-08 | 华南理工大学 | 一种基于规则化参数的印刷电路板缺陷检测方法 |
CN103646390A (zh) * | 2013-09-27 | 2014-03-19 | 北京中钞钞券设计制版有限公司 | 基于多层次图像定位的图像处理系统和方法 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407057A (zh) * | 2016-09-23 | 2017-02-15 | 南昌欧菲生物识别技术有限公司 | 检测方法及检测装置 |
CN106407057B (zh) * | 2016-09-23 | 2021-09-17 | 江西欧迈斯微电子有限公司 | 检测方法及检测装置 |
CN106651849A (zh) * | 2016-12-27 | 2017-05-10 | 广东锐视智能检测有限公司 | 基于面阵相机的pcb裸板缺陷检测方法 |
CN106657789A (zh) * | 2016-12-29 | 2017-05-10 | 核动力运行研究所 | 一种螺纹全景图像合成方法 |
CN108583009A (zh) * | 2017-03-10 | 2018-09-28 | 嘉善铂汉塑胶五金有限公司 | 一种自动移印控制方法 |
CN108583009B (zh) * | 2017-03-10 | 2020-12-08 | 嘉善铂汉塑胶五金有限公司 | 一种自动移印控制方法 |
CN107948464B (zh) * | 2017-09-15 | 2019-07-23 | 兰州交通大学 | 一种印刷品检测图像侧向偏移的几何校正方法及系统 |
CN107948464A (zh) * | 2017-09-15 | 2018-04-20 | 兰州交通大学 | 一种印刷品检测图像侧向偏移的几何校正方法及系统 |
CN107590827A (zh) * | 2017-09-15 | 2018-01-16 | 重庆邮电大学 | 一种基于Kinect的室内移动机器人视觉SLAM方法 |
CN108154497A (zh) * | 2017-12-05 | 2018-06-12 | 北京掌行通信息技术有限公司 | 一种图示路况的自动化检测方法及系统 |
CN110053372A (zh) * | 2018-01-19 | 2019-07-26 | 柯尼卡美能达株式会社 | 图像形成装置以及记录介质 |
CN108335296B (zh) * | 2018-02-28 | 2021-10-01 | 中际山河科技有限责任公司 | 一种极板识别装置及方法 |
CN108335296A (zh) * | 2018-02-28 | 2018-07-27 | 中际山河科技有限责任公司 | 一种极板识别装置及方法 |
CN108489994A (zh) * | 2018-03-30 | 2018-09-04 | 湖北工程学院 | 卷对卷塑质面膜检验及控制方法 |
CN109738461A (zh) * | 2019-01-04 | 2019-05-10 | 安徽地势坤光电科技有限公司 | 一种应用于丝网印刷设备中的网版视觉检测方法 |
CN110009558A (zh) * | 2019-01-17 | 2019-07-12 | 柳州康云互联科技有限公司 | 一种简易的图像色彩归一化的办法 |
CN110363752A (zh) * | 2019-07-08 | 2019-10-22 | 创新奇智(青岛)科技有限公司 | 一种成衣材质缺陷模拟生成方法、计算机可读介质及系统 |
CN110363752B (zh) * | 2019-07-08 | 2022-10-14 | 创新奇智(青岛)科技有限公司 | 一种成衣材质缺陷模拟生成方法、计算机可读介质及系统 |
CN110457670A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 一种基于机器学习降低印前版面处理错误率的方法 |
CN112561849A (zh) * | 2019-09-26 | 2021-03-26 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
CN110650316A (zh) * | 2019-09-27 | 2020-01-03 | 万翼科技有限公司 | 智能巡逻及预警处理方法、装置、电子设备及存储介质 |
CN110987968A (zh) * | 2019-09-30 | 2020-04-10 | 烟台南山学院 | 一种利用三维矩阵表示的图像进行布料表面瑕疵检测的方法 |
CN110744932A (zh) * | 2019-10-17 | 2020-02-04 | 广州乔拓科技有限公司 | 打印瑕疵检测系统 |
CN110940670B (zh) * | 2019-11-25 | 2023-04-28 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测系统及其实现方法 |
CN110940670A (zh) * | 2019-11-25 | 2020-03-31 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测系统及其实现方法 |
CN111242896A (zh) * | 2019-12-31 | 2020-06-05 | 电子科技大学 | 一种彩色印刷标签缺陷检测与质量评级方法 |
CN111231530B (zh) * | 2020-01-14 | 2021-10-01 | 天津迦自机器人科技有限公司 | 一种双色打印机质量检测方法 |
CN111231530A (zh) * | 2020-01-14 | 2020-06-05 | 天津迦自机器人科技有限公司 | 一种双色打印机质量检测方法 |
CN111650220B (zh) * | 2020-07-15 | 2022-08-09 | 博科视(苏州)技术有限公司 | 一种基于视觉的图文缺陷检测方法 |
CN111650220A (zh) * | 2020-07-15 | 2020-09-11 | 博科视(苏州)技术有限公司 | 一种基于视觉的图文缺陷检测方法 |
CN113916131A (zh) * | 2021-12-15 | 2022-01-11 | 深圳市浩创盛科技有限公司 | 一种基于图案的pcb板孔位智能检测系统及方法 |
CN114281282A (zh) * | 2022-03-08 | 2022-04-05 | 中体彩印务技术有限公司 | 一种印刷监控方法及其系统 |
CN115908364A (zh) * | 2022-12-12 | 2023-04-04 | 浙江工业大学 | 一种数字印刷印品缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957082A (zh) | 一种基于面阵相机的印刷质量在线监测方法 | |
CN112070818B (zh) | 基于机器视觉的机器人无序抓取方法和系统及存储介质 | |
Tian et al. | HyNet: Learning local descriptor with hybrid similarity measure and triplet loss | |
CN103093191B (zh) | 一种三维点云数据结合数字影像数据的物体识别方法 | |
CN108520114B (zh) | 一种纺织布疵点检测模型及其训练方法和应用 | |
CN109550712A (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN110473184A (zh) | 一种pcb板缺陷检测方法 | |
CN110378995B (zh) | 一种利用投射特征进行三维空间建模的方法 | |
CN111739003B (zh) | 一种用于外观检测的机器视觉方法 | |
CN114136975A (zh) | 一种微波裸芯片表面缺陷智能检测系统和方法 | |
CN116433733A (zh) | 一种电路板的光学图像与红外图像之间的配准方法及装置 | |
Matas | Colour-based object recognition | |
CN116935013B (zh) | 基于三维重建的电路板点云大范围拼接方法及系统 | |
CN108182700B (zh) | 一种基于两次特征检测的图像配准方法 | |
CN116385401B (zh) | 一种高精度纺织品缺陷可视化检测方法 | |
CN110458234B (zh) | 一种基于深度学习的以图搜车方法 | |
CN111709429A (zh) | 一种基于卷积神经网络的机织物结构参数识别方法 | |
Zhang | Using deep learning to automatic inspection system of printed circuit board in manufacturing industry under the internet of things | |
CN115880220A (zh) | 多视角苹果成熟度检测方法 | |
CN117635619B (zh) | 一种基于机器视觉的原木材积检测方法及系统 | |
Zhao et al. | Steel plate surface defect recognition method based on depth information | |
Junhong et al. | On-line inspection system for finished circuit board based on machine vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20190507 |