CN107492091A - 基于机器视觉的标签外观检测方法及终端设备 - Google Patents

基于机器视觉的标签外观检测方法及终端设备 Download PDF

Info

Publication number
CN107492091A
CN107492091A CN201710546278.2A CN201710546278A CN107492091A CN 107492091 A CN107492091 A CN 107492091A CN 201710546278 A CN201710546278 A CN 201710546278A CN 107492091 A CN107492091 A CN 107492091A
Authority
CN
China
Prior art keywords
detected
label
image
feature point
standard picture
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.)
Granted
Application number
CN201710546278.2A
Other languages
English (en)
Other versions
CN107492091B (zh
Inventor
孔庆杰
孙旭光
陈智慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Elite Vision Intelligent Technology (shenzhen) Co Ltd
Dongguan University of Technology
Original Assignee
Elite Vision Intelligent Technology (shenzhen) Co Ltd
Dongguan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Elite Vision Intelligent Technology (shenzhen) Co Ltd, Dongguan University of Technology filed Critical Elite Vision Intelligent Technology (shenzhen) Co Ltd
Priority to CN201710546278.2A priority Critical patent/CN107492091B/zh
Publication of CN107492091A publication Critical patent/CN107492091A/zh
Application granted granted Critical
Publication of CN107492091B publication Critical patent/CN107492091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于标签外观检测技术领域，提供了一种基于机器视觉的标签外观检测方法及终端设备，包括：采集待检测标签图像；对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量；根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像；所述差值比对为像素差值比对；在所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。本发明能够提高标签外观检测效率，降低错误率。

Description

基于机器视觉的标签外观检测方法及终端设备
技术领域
本发明属于标签外观检测技术领域，尤其涉及一种基于机器视觉的标签外观检测方法及终端设备。
背景技术
市场上出售的饮料瓶和药瓶等商品瓶身上通常都贴有标签，目前，瓶身贴上标签后通常由人工对标签外观进行质量检测，如检测标签是否存在划痕、污迹、褶皱、缺角等缺陷，这种方法检测效率很低。
发明内容
有鉴于此，本发明实施例提供了一种基于机器视觉的标签外观检测方法及终端设备，以解决现有技术中对瓶身标签的外观质量检测效率低的问题。
本发明实施例的第一方面提供了一种基于机器视觉的标签外观检测方法，包括：
采集待检测标签图像；
对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量；
根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像；所述差值比对为像素差值比对；
所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
优选的，所述采集待检测标签图像之前，所述方法还包括：
对标准图像模板进行特征点检测，得到第二特征点和第二特征描述向量。
优选的，所述对标准图像模板进行特征点检测，得到第二特征点和第二特征描述向量，具体为：
将所述标准图像模板分成N部分，分别对每部分进行特征点检测，得到第二特征点和第二特征描述向量；
所述对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量，具体为：
将所述待检测标签图像分成N部分，分别对每部分进行特征点检测，得到第一特征点和第一特征描述向量；
所述将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像，具体为：
将所述待检测标签图像的每一部分分别与所述标准图像模板的对应部分进行匹配和差值比对，得到差值图像；
所述N为大于1的整数。
优选的，所述根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像，具体包括：
将所述第一特征点和所述第一特征描述向量分别与所述第二特征点和所述第二特征描述向量进行匹配，并生成匹配误差值；
若所述匹配误差值大于预设误差值，则去除所述匹配点，再通过随机抽样一致性算法去除错误的匹配点，得到剩余匹配点；
通过剩余匹配点生成仿射变换矩阵；所述仿射变换矩阵为所述标准图像模板与所述待检测标签图像之间的转换矩阵；
通过所述仿射变换矩阵对所述标准图像模板进行变换，得到变换标准图像模板；
根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述变换标准图像模板进行配准和差值比对，得到差值图像。
优选的，所述在所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷，具体包括：
提取所述标准图像模板中的字符区域，根据所述字符区域，去除所述差值图像中所述字符区域覆盖范围内的虚警；和/或采用模板先验场景信息，去除灰度值差异造成的虚警；
在去除虚警后的所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
优选的，所述将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像，具体包括：
将所述待检测标签图像与所述标准图像模板进行匹配；
通过快速鲁棒直线检测方法对匹配后的所述标准图像模板和所述待检测标签图像进行边缘检测；
通过差值比对得到差值图像。
优选的，所述方法还包括：
提取所述待检测标签图像的条形码位置；
根据所述条形码位置判断所述待检测标签图像是否存在倾斜缺陷。
本发明实施例的第二方面提供了一种基于机器视觉的标签外观检测装置，包括：
图像采集单元，用于采集待检测标签图像；
第一特征点检测单元，用于对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量；
差值图像获取单元，根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像；所述差值比对为像素差值比对；
分析单元，用于所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
本发明实施例的第三方面提供了一种基于机器视觉的标签外观检测终端设备，包括：
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面提供的基于机器视觉的标签外观检测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明实施例第一方面提供的基于机器视觉的标签外观检测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过对采集的待检测标签图像进行特征点给检测，再将待检测标签图像与标准图像模板进行匹配和差值比对，得到差值图像，在检测到差值图像的像素值大于预设像素值时，判定待检测标签图像是否存在缺陷。本发明实施例能够提高检测效率，并降低错误率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的基于机器视觉的标签外观检测方法的实现流程示意图；
图2是本发明实施例二提供的基于机器视觉的标签外观检测装置的示意图；
图3是本发明实施例三提供的基于机器视觉的标签外观检测终端设备示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
请参考图1，图1是本发明实施例一提供的基于机器视觉的标签外观检测方法的实现流程示意图，基于机器视觉的标签外观检测方法包括以下步骤：
步骤S101，采集待检测标签图像。
在本发明实施例中，通过面阵相机采集瓶身各个面的标签图像作为待检测标签图像。面阵相机的个数与瓶身上贴有标签的面的个数一致，例如，瓶身上有三个面贴有标签，则采用三个面阵相机分别采集瓶身上每个面的标签图像。
步骤S102，对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量。
在本发明实施例中，可以通过加速稳健特征(Seeped Up Robust Features，SURF)算法对所述待检测标签图像进行特征点检测，保证特征点不变性和效率。
优选的，采集待检测标签图像之前，该基于机器视觉的标签外观检测方法还包括：对标准图像模板进行特征点检测，得到第二特征点和第二特征描述向量。
在本发明实施例中，在采集待检测标签图像之前，需要对标准图像模板进行特征点检测，得到第二特征点和第二特征描述向量。所述标准图像模板可以通过采集标准标签图像作为标准图像模板，或者，采集待检测标签图像，若通过人工判断所述待检测标签图像无外观缺陷，则选取所述待检测标签图像作为标准图像模板，若通过人工判断所述待检测标签图像存在外观缺陷，则重新采集另一个待检测标签图像，所述待检测标签图像为需要检测的瓶身标签图像。
步骤S103，根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像；所述差值比对为像素差值比对。
在本发明实施例中，将待检测标签图像与标准图像模板进行匹配，再根据待检测标签图像与标准图像模板的像素差值得到差值图像。
优选的，将所述待检测标签图像分成N部分，分别对每部分进行特征点检测，得到第一特征点和第一特征描述向量；将所述标准图像模板分成N部分，分别对每部分进行特征点检测，得到第二特征点和第二特征描述向量；根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像的每一部分分别与所述标准图像模板的对应部分进行匹配和差值比对，得到差值图像；所述N为大于1的整数。
在本发明实施例中，可以分别将待检测标签和标准图像模板平均分成六部分，以使得分割后的每一部分满足特征点提取条件。对待检测标签和标准图像模板进行分割后，再分别对待检测标签和标准图像模板的每部分进行特征点检测，得到待检测标签的第一特征点和第一特征描述向量和标准图像模板的第二特征点和第二特征描述向量。将待检测标签的每一部分分别与标准图像模板的对应部分进行匹配和差值比对，得到各部分的差值图像。通过对待检测标签图像和标准标签图像进行分割后再进行匹配和差值比对，得到的差值图像更加准确。
优选的，步骤S103中根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像可以通过以下过程实现：将所述第一特征点和所述第一特征描述向量分别与所述第二特征点和所述第二特征描述向量进行匹配，并生成匹配误差值；若所述匹配误差值大于预设误差值，则去除所述匹配点，再通过随机抽样一致性算法去除错误的匹配点，得到剩余匹配点；通过剩余匹配点生成仿射变换矩阵；所述仿射变换矩阵为所述标准图像模板与所述待检测标签图像之间的转换矩阵；通过所述仿射变换矩阵对所述标准图像模板进行变换，得到变换标准图像模板；根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述变换标准图像模板进行配准和差值比对，得到差值图像。
在本发明实施例中，通过匹配误差值去除误差大的匹配点，通过随机抽样一致性算法去除匹配错误的匹配点，用剩下的好匹配点生成仿射变换矩阵，通过仿射变换矩阵对标准图像模板进行变换得到变换标准图像模板，再见标准图像模板与待检测标签图像进行匹配和差值比对，得到差值图像。可以分别将待检测标签图像和标准图像模板分成N部分，将待检测标签图像的各部分分别与标准图像模板的对应部分进行匹配，分别去除每一部分误差大的匹配点和匹配错误的匹配点，再分别通过每一部分的剩余匹配点生成仿射变换矩阵，通过仿射变换矩阵分别对标准图像模板的各部分进行变化，得到各部分的变换标准图像模板，最后将各部分的变换标准图像模板分别与待检测标签图像的对应部分进行差值比对，得到差值图像。通过去除误差大的匹配点和错误的匹配点使匹配结果更加准确。
优选的，步骤S103中所述将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像具体可以通过以下过程实现：将所述待检测标签图像与所述标准图像模板进行匹配；通过快速鲁棒直线检测方法对匹配后的所述标准图像模板和所述待检测标签图像进行边缘检测；通过差值比对得到差值图像。
在本发明实施例中，通过步骤S101-S103得到的差值图像，在检测待检测标签是否存在折角缺陷时，检测结果易造成不准确。通过鲁棒直线检测方法对匹配后的所述标准图像模板和所述待检测标签图像进行边缘检测，通过差值比对得到差值图形，所述差值图像包括所述待检测标签图像和所述标准图像模板的边缘框像素差值，通过所述边缘框像素差值判定待检测标签是否存在折角缺陷。
步骤S104，在所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
在本发明实施例中，可以通过差值图像的像素值判定待检测标签图像是否存在缺陷。首先，设置预设像素值，所述预设像素值是判定所述待检测标签图像是否存在缺陷的临界值，若所述差值图像的像素值大于预设像素值，则判定所述待检测标签图像存在缺陷，若所述差值图像的像素值不大于预设像素值，则判定所述待检测标签不存在缺陷。所述缺陷包括但不限于脏污、划痕、褶皱。
优选的，步骤S104中所述在所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷具体可以通过以下过程实现：提取所述标准图像模板中的字符区域，根据所述字符区域，去除所述差值图像中所述字符区域覆盖范围内的虚警；和/或采用模板先验场景信息，去除灰度值差异造成的虚警；在去除虚警后的所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
在本发明实施例中，差值图像中存在虚警，待检测标签中的字符区域会形成虚警，另外，由于拍摄角度和待检测标签粘贴位置的变化，待检测标签中可能会存在反光，从而导致灰度值差异，由于灰度值差异也可能会形成虚警。通过对标准图像模板进行二值化和膨胀学操作，得到标准图像模板中的字符区域，并以此为参照，在差值图像中，去除差值图像中字符区域覆盖范围内的虚警，采用模板先验场景信息，去除灰度值差异造成的虚警。通过去除虚警后的差值图像判定待检测标签图像是否存在缺陷，从而保证对差值图像的缺陷分析的正确性。
优选的，该基于机器视觉的标签外观检测方法还可以包括：提取所述待检测标签图像的条形码位置；根据所述条形码位置判断所述待检测标签图像是否存在倾斜缺陷。
在本发明实施例中，根据待检测标签图像中条形码的位置判定待检测标签是否存在倾斜缺陷。对待检测标签图像进行二值化和膨胀学操作，提取待检测标签中条形码的位置，根据条形码的位置得到条形码的四个顶点位置，根据条形码四个顶点的相邻两个顶点的连线的角度来判定待检测标签是否倾斜，例如，根据条形码水平方向两个顶点的连线角度来判定待检测标签是否倾斜。
本发明实施例通过对采集的待检测标签图像进行特征点给检测，再将待检测标签图像与标准图像模板进行匹配和差值比对，得到差值图形，在检测到差值图像的像素值大于预设像素值时，判定待检测标签图像是否存在缺陷。本发明实施例避免了人工检测标签，提高了检测效率，并且降低了错误率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
请参考图2，图2是与本发明实施例一对应的基于机器视觉的标签外观检测装置的示意图。基于机器视觉的标签外观检测装置200包括：图像采集单元201、第一特征点检测单元202、差值图像获取单元203和分析单元204。
所述图像采集单元201，用于采集待检测标签图像。
所述第一特征点检测单元202，用于对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量。
所述差值图像获取单元203，根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像；所述差值比对为像素差值比对。
所述分析单元204，用于在所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
优选的，所述装置还包括：
第二特征点检测单元，用于对标准图像模板进行特征点检测，得到第二特征点和第二特征描述向量。
优选的，所述第二特征点检测单元，具体用于将所述标准图像模板分成N部分，分别对每部分进行特征点检测，得到第二特征点和第二特征描述向量；
所述第一特征点检测单元202，具体用于将所述待检测标签图像分成N部分，分别对每部分进行特征点检测，得到第一特征点和第一特征描述向量；
所述将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像，具体为：
将所述待检测标签图像的每一部分分别与所述标准图像模板的对应部分进行匹配和差值比对，得到差值图像；
所述N为大于1的整数。
优选的，所述差值图像获取单元203，具体包括：
第一匹配单元，用于将所述第一特征点和所述第一特征描述向量分别与所述第二特征点和所述第二特征描述向量进行匹配，并生成匹配误差值；
剩余匹配点获取单元，用于若所述匹配误差值大于预设误差值，则去除所述匹配点，再通过随机抽样一致性算法去除错误的匹配点，得到剩余匹配点；
仿射变换矩阵生成单元，用于通过剩余匹配点生成仿射变换矩阵；所述仿射变换矩阵为所述标准图像模板与所述待检测标签图像之间的转换矩阵；
变换单元，用于通过所述仿射变换矩阵对所述标准图像模板进行变换，得到变换标准图像模板；
第一差值图像获取子单元，用于根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述变换标准图像模板进行配准和差值比对，得到差值图像。
优选的，所述分析单元204具体包括：
虚警去除单元，用于提取所述标准图像模板中的字符区域，根据所述字符区域，去除所述差值图像中所述字符区域覆盖范围内的虚警；和/或采用模板先验场景信息，去除灰度值差异造成的虚警；
分析子单元，用于在去除虚警后的所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
优选的，所述差值图像获取单元203具体包括：
第二匹配单元，用于将所述待检测标签图像与所述标准图像模板进行匹配；
边缘检测单元，用于通过快速鲁棒直线检测方法对匹配后的所述标准图像模板和所述待检测标签图像进行边缘检测；
第二差值获取子单元，用于通过差值比对得到差值图像。
优选的，所述基于机器视觉的标签外观检测装置300还包括：
条形码位置获取单元，用于提取所述待检测标签图像的条形码位置；
倾斜检测单元，用于根据所述条形码位置判断所述待检测标签图像是否存在倾斜缺陷。
实施例三
请参考图3，图3是本发明实施例三提供的基于机器视觉的标签外观检测终端设备示意图。如图3所示，该实施例的基于机器视觉的标签外观检测终端设备300包括：处理器301、存储器302以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序303。所述处理器301执行所述计算机程序303时实现上述基于机器视觉的标签外观检测方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器301执行所述计算机程序303时实现上述各装置实施例中各单元的功能，例如图2所示单元201至204的功能。
示例性的，所述计算机程序303可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述基于机器视觉的标签外观检测终端设备300中的执行过程。例如，所述计算机程序303可以被分割成图像采集单元、第一特征点检测单元、差值图像获取单元和分析单元，各单元具体功能如下：
所述图像采集单元，用于采集待检测标签图像。
所述第一特征点检测单元，用于对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量。
所述差值图像获取单元，根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像；所述差值比对为像素差值比对。
所述分析单元，用于若所述差值图像的像素值大于预设像素值，则所述待检测标签图像存在缺陷。
所述基于机器视觉的标签外观检测终端设备300可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于机器视觉的标签外观检测终端设备300可包括，但不仅限于，处理器301、存储器302。本领域技术人员可以理解，图3仅仅是基于机器视觉的标签外观检测终端设备300的示例，并不构成对基于机器视觉的标签外观检测终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于机器视觉的标签外观检测终端设备300还可以包括输入输出设备、网络接入设备、总线等。
所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器302可以是所述基于机器视觉的标签外观检测终端设备300的内部存储单元，例如基于机器视觉的标签外观检测终端设备300的硬盘或内存。所述存储器302也可以是所述基于机器视觉的标签外观检测终端设备300的外部存储设备，例如所述基于机器视觉的标签外观检测终端设备300上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器302还可以既包括所述基于机器视觉的标签外观检测终端设备300的内部存储单元也包括外部存储设备。所述存储器302用于存储所述计算机程序以及所述基于机器视觉的标签外观检测终端设备300所需的其他程序和数据。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机器视觉的标签外观检测方法，其特征在于，包括：
采集待检测标签图像；
对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量；
根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像；所述差值比对为像素差值比对；
在所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
2.如权利要求1所述的基于机器视觉的标签外观检测方法，其特征在于，所述采集待检测标签图像之前，所述方法还包括：
对标准图像模板进行特征点检测，得到第二特征点和第二特征描述向量。
3.如权利要求2述的基于机器视觉的标签外观检测方法，其特征在于，所述对标准图像模板进行特征点检测，得到第二特征点和第二特征描述向量，具体为：
将所述标准图像模板分成N部分，分别对每部分进行特征点检测，得到第二特征点和第二特征描述向量；
所述对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量，具体为：
将所述待检测标签图像分成N部分，分别对每部分进行特征点检测，得到第一特征点和第一特征描述向量；
所述将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像，具体为：
将所述待检测标签图像的每一部分分别与所述标准图像模板的对应部分进行匹配和差值比对，得到差值图像；
所述N为大于1的整数。
4.如权利要求1所述的基于机器视觉的标签外观检测方法，其特征在于，所述根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像，具体包括：
将所述第一特征点和所述第一特征描述向量分别与所述第二特征点和所述第二特征描述向量进行匹配，并生成匹配误差值；
若所述匹配误差值大于预设误差值，则去除所述匹配点，再通过随机抽样一致性算法去除错误的匹配点，得到剩余匹配点；
通过剩余匹配点生成仿射变换矩阵；所述仿射变换矩阵为所述标准图像模板与所述待检测标签图像之间的转换矩阵；
通过所述仿射变换矩阵对所述标准图像模板进行变换，得到变换标准图像模板；
根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述变换标准图像模板进行配准和差值比对，得到差值图像。
5.如权利要求1所述的基于机器视觉的标签外观检测方法，其特征在于，所述在所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷，具体包括：
提取所述标准图像模板中的字符区域，根据所述字符区域，去除所述差值图像中所述字符区域覆盖范围内的虚警；和/或采用模板先验场景信息，去除灰度值差异造成的虚警；
在去除虚警后的所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
6.如权利要求1所述的基于机器视觉的标签外观检测方法，其特征在于，所述将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像，具体包括：
将所述待检测标签图像与所述标准图像模板进行匹配；
通过快速鲁棒直线检测方法对匹配后的所述标准图像模板和所述待检测标签图像进行边缘检测；
通过差值比对得到差值图像。
7.如权利要求1所述的基于机器视觉的标签外观检测方法，其特征在于，所述方法还包括：
提取所述待检测标签图像的条形码位置；
根据所述条形码位置判断所述待检测标签图像是否存在倾斜缺陷。
8.一种基于机器视觉的标签外观检测装置，其特征在于，包括：
图像采集单元，用于采集待检测标签图像；
第一特征点检测单元，用于对所述待检测标签图像进行特征点检测，得到第一特征点和第一特征描述向量；
差值图像获取单元，根据所述待检测标签图像的第一特征点和第一特征描述向量，以及标准图像模板的第二特征点和第二特征描述向量，将所述待检测标签图像与所述标准图像模板进行匹配和差值比对，得到差值图像；所述差值比对为像素差值比对；
分析单元，用于所述差值图像的像素值大于预设像素值时，判定所述待检测标签图像存在缺陷。
9.一种基于机器视觉的标签外观检测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201710546278.2A 2017-07-06 2017-07-06 基于机器视觉的标签外观检测方法及终端设备 Active CN107492091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710546278.2A CN107492091B (zh) 2017-07-06 2017-07-06 基于机器视觉的标签外观检测方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710546278.2A CN107492091B (zh) 2017-07-06 2017-07-06 基于机器视觉的标签外观检测方法及终端设备

Publications (2)

Publication Number Publication Date
CN107492091A true CN107492091A (zh) 2017-12-19
CN107492091B CN107492091B (zh) 2020-09-04

Family

ID=60644624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710546278.2A Active CN107492091B (zh) 2017-07-06 2017-07-06 基于机器视觉的标签外观检测方法及终端设备

Country Status (1)

Country Link
CN (1) CN107492091B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801287A (zh) * 2019-01-30 2019-05-24 温州大学 一种基于模板匹配与图像质量评估的标贴破损检测方法
CN109961447A (zh) * 2019-03-29 2019-07-02 京东方科技集团股份有限公司 价签检测方法及装置、电子设备、存储介质
CN110514675A (zh) * 2019-08-29 2019-11-29 珠海格力电器股份有限公司 一种标签的智能检测方法及系统
CN110956630A (zh) * 2019-12-18 2020-04-03 浙江大学 平面印刷缺陷检测方法、装置以及系统
CN110991446A (zh) * 2019-11-22 2020-04-10 上海欧冶物流股份有限公司 标签识别方法、装置、设备及计算机可读存储介质
CN111340109A (zh) * 2020-02-25 2020-06-26 深圳市景阳科技股份有限公司 图像匹配方法、装置、设备及存储介质
CN111369545A (zh) * 2020-03-10 2020-07-03 创新奇智(重庆)科技有限公司 边缘缺陷检测方法、装置、模型、设备及可读存储介质
CN111462038A (zh) * 2020-02-26 2020-07-28 东莞理工学院 一种基于深度学习的风机齿轮缺陷检测方法
CN111580393A (zh) * 2020-02-29 2020-08-25 佛山市云米电器科技有限公司 冲水控制方法、马桶和存储介质
CN111640094A (zh) * 2020-05-21 2020-09-08 上海威侃电子材料有限公司 检测图像边缘差异消除方法及装置
CN112200976A (zh) * 2020-09-30 2021-01-08 苏州艾隆科技股份有限公司 药品检测方法、装置、电子终端及存储介质
CN112528827A (zh) * 2020-12-03 2021-03-19 和远智能科技股份有限公司 一种高铁接触网供电设备裂损自动检测方法
WO2021135605A1 (zh) * 2019-12-30 2021-07-08 歌尔股份有限公司 一种字符缺陷检测方法及装置
CN113465511A (zh) * 2021-06-19 2021-10-01 精锐视觉智能科技(上海)有限公司 一种钢卷尺寸在线测量及全方位端面缺陷在线检测方法
WO2022088663A1 (zh) * 2020-10-30 2022-05-05 北京市商汤科技开发有限公司 缺陷检测方法及装置、电子设备和存储介质
CN114693531A (zh) * 2020-12-28 2022-07-01 富泰华工业（深圳）有限公司 图像对比方法及相关设备
CN116523882A (zh) * 2023-05-05 2023-08-01 苏州如涵科技有限公司 一种基于视觉的光学目标区域准确率检测方法与系统
CN117474924A (zh) * 2023-12-28 2024-01-30 山东鲁抗医药集团赛特有限责任公司 基于机器视觉的标签缺陷检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440654A (zh) * 2013-08-27 2013-12-11 南京大学 一种lcd异物缺陷检测方法
CN103698337A (zh) * 2013-12-19 2014-04-02 三峡大学 一种扁平酒瓶标签粘贴缺陷自动检测方法
CN104318573A (zh) * 2014-10-31 2015-01-28 广州超音速自动化科技有限公司 标签缺陷检测方法
CN104641381A (zh) * 2012-09-21 2015-05-20 生物梅里埃公司 用于检测圆形标签中的2d条形码的方法和系统
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105160654A (zh) * 2015-07-09 2015-12-16 浙江工商大学 基于特征点提取的毛巾标签缺陷检测方法
CN106408597A (zh) * 2016-09-08 2017-02-15 西安电子科技大学 基于邻域熵和一致性检测的sar图像配准方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104641381A (zh) * 2012-09-21 2015-05-20 生物梅里埃公司 用于检测圆形标签中的2d条形码的方法和系统
CN103440654A (zh) * 2013-08-27 2013-12-11 南京大学 一种lcd异物缺陷检测方法
CN103698337A (zh) * 2013-12-19 2014-04-02 三峡大学 一种扁平酒瓶标签粘贴缺陷自动检测方法
CN104318573A (zh) * 2014-10-31 2015-01-28 广州超音速自动化科技有限公司 标签缺陷检测方法
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105160654A (zh) * 2015-07-09 2015-12-16 浙江工商大学 基于特征点提取的毛巾标签缺陷检测方法
CN106408597A (zh) * 2016-09-08 2017-02-15 西安电子科技大学 基于邻域熵和一致性检测的sar图像配准方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
周继彦等: ""基于图像处理的包装印刷缺陷检测方法"", 《包装工程》 *
张晓光等: "《射线检测焊接缺陷的提取和自动识别》", 30 October 2004 *
艾自兴等: "《计算机地图制图》", 30 September 2005 *
赵栋涛: ""机器视觉检测技术在饮料灌装行业的应用"", 《饮料工业》 *
闫俊红等: ""基于CCD的手机液晶屏缺陷检测方法"", 《包头职业技术学院学报》 *
马旭燕等: ""高分辨率遥感图像配准控制点均匀化算法"", 《遥感信息》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801287A (zh) * 2019-01-30 2019-05-24 温州大学 一种基于模板匹配与图像质量评估的标贴破损检测方法
CN109961447A (zh) * 2019-03-29 2019-07-02 京东方科技集团股份有限公司 价签检测方法及装置、电子设备、存储介质
CN110514675A (zh) * 2019-08-29 2019-11-29 珠海格力电器股份有限公司 一种标签的智能检测方法及系统
CN110991446A (zh) * 2019-11-22 2020-04-10 上海欧冶物流股份有限公司 标签识别方法、装置、设备及计算机可读存储介质
CN110956630A (zh) * 2019-12-18 2020-04-03 浙江大学 平面印刷缺陷检测方法、装置以及系统
WO2021135605A1 (zh) * 2019-12-30 2021-07-08 歌尔股份有限公司 一种字符缺陷检测方法及装置
US12002198B2 (en) 2019-12-30 2024-06-04 Goertek Inc. Character defect detection method and device
CN111340109A (zh) * 2020-02-25 2020-06-26 深圳市景阳科技股份有限公司 图像匹配方法、装置、设备及存储介质
CN111340109B (zh) * 2020-02-25 2024-01-26 深圳市景阳科技股份有限公司 图像匹配方法、装置、设备及存储介质
CN111462038A (zh) * 2020-02-26 2020-07-28 东莞理工学院 一种基于深度学习的风机齿轮缺陷检测方法
CN111580393A (zh) * 2020-02-29 2020-08-25 佛山市云米电器科技有限公司 冲水控制方法、马桶和存储介质
CN111369545A (zh) * 2020-03-10 2020-07-03 创新奇智(重庆)科技有限公司 边缘缺陷检测方法、装置、模型、设备及可读存储介质
CN111369545B (zh) * 2020-03-10 2023-04-25 创新奇智(重庆)科技有限公司 边缘缺陷检测方法、装置、模型、设备及可读存储介质
CN111640094A (zh) * 2020-05-21 2020-09-08 上海威侃电子材料有限公司 检测图像边缘差异消除方法及装置
CN112200976A (zh) * 2020-09-30 2021-01-08 苏州艾隆科技股份有限公司 药品检测方法、装置、电子终端及存储介质
WO2022088663A1 (zh) * 2020-10-30 2022-05-05 北京市商汤科技开发有限公司 缺陷检测方法及装置、电子设备和存储介质
CN112528827A (zh) * 2020-12-03 2021-03-19 和远智能科技股份有限公司 一种高铁接触网供电设备裂损自动检测方法
CN114693531A (zh) * 2020-12-28 2022-07-01 富泰华工业（深圳）有限公司 图像对比方法及相关设备
CN113465511A (zh) * 2021-06-19 2021-10-01 精锐视觉智能科技(上海)有限公司 一种钢卷尺寸在线测量及全方位端面缺陷在线检测方法
CN113465511B (zh) * 2021-06-19 2022-12-13 精锐视觉智能科技(上海)有限公司 一种钢卷尺寸在线测量及全方位端面缺陷在线检测方法
CN116523882A (zh) * 2023-05-05 2023-08-01 苏州如涵科技有限公司 一种基于视觉的光学目标区域准确率检测方法与系统
CN116523882B (zh) * 2023-05-05 2023-11-24 苏州如涵科技有限公司 一种基于视觉的光学目标区域准确率检测方法与系统
CN117474924A (zh) * 2023-12-28 2024-01-30 山东鲁抗医药集团赛特有限责任公司 基于机器视觉的标签缺陷检测方法
CN117474924B (zh) * 2023-12-28 2024-03-15 山东鲁抗医药集团赛特有限责任公司 基于机器视觉的标签缺陷检测方法

Also Published As

Publication number Publication date
CN107492091B (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN107492091A (zh) 基于机器视觉的标签外观检测方法及终端设备
Sun et al. Template matching-based method for intelligent invoice information identification
CN102999886B (zh) 图像边缘检测器及标尺光栅栅线精度检测系统
CN104268498B (zh) 一种二维码的识别方法及终端
Türkyılmaz et al. License plate recognition system using artificial neural networks
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
CN110533654A (zh) 零部件的异常检测方法及装置
CN108564579A (zh) 一种基于时空相关的混凝土裂缝检测方法及检测装置
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN111259908A (zh) 基于机器视觉的钢卷号识别方法、系统、设备及存储介质
CN112132812B (zh) 证件校验方法、装置、电子设备及介质
CN110490181A (zh) 一种基于ocr识别技术的表单填写审核方法、装置、设备以及计算机存储介质
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN108955901A (zh) 一种红外测温方法、系统及终端设备
CN113158895A (zh) 票据识别方法、装置、电子设备及存储介质
Warif et al. CMF-iteMS: An automatic threshold selection for detection of copy-move forgery
CN105184225A (zh) 一种多国纸币图像识别方法和装置
CN107492187A (zh) 一种拼接钞的识别方法、装置、终端设备和存储介质
CN113486715A (zh) 图像翻拍识别方法、智能终端以及计算机存储介质
CN114581646A (zh) 文本识别方法、装置、电子设备及存储介质
CN108665603A (zh) 识别纸币币种的方法、装置及电子设备
CN108564569A (zh) 一种基于多核分类学习的混凝土裂缝检测方法及装置
Košcevic et al. Automatic visual reading of meters using deep learning
CN109801428A (zh) 纸币边缘直线的检测方法、检测装置及终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant