CN110533635B - 一种基于机器视觉的软包装表面质量检测方法 - Google Patents

一种基于机器视觉的软包装表面质量检测方法 Download PDF

Info

Publication number
CN110533635B
CN110533635B CN201910693508.7A CN201910693508A CN110533635B CN 110533635 B CN110533635 B CN 110533635B CN 201910693508 A CN201910693508 A CN 201910693508A CN 110533635 B CN110533635 B CN 110533635B
Authority
CN
China
Prior art keywords
image
point
machine vision
surface quality
matrix
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.)
Active
Application number
CN201910693508.7A
Other languages
English (en)
Other versions
CN110533635A (zh
Inventor
余光辉
范洪辉
徐镪
朱洪锦
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.)
Jiangsu University of Technology
Original Assignee
Jiangsu 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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN201910693508.7A priority Critical patent/CN110533635B/zh
Publication of CN110533635A publication Critical patent/CN110533635A/zh
Application granted granted Critical
Publication of CN110533635B publication Critical patent/CN110533635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的软包装表面质量检测方法，其技术方案要点是：具体包括以下步骤：S1：采用高速摄像机采集印品图像；S2：高速摄像机对采集的印品图像使用SURF算法进行处理，SURF算法的具体执行处理步骤如下：S21、通过SURF算法中的核心Hessian矩阵获得Hessian矩阵行列式的局部最大值，利用Hessian矩阵行列式的局部最大值确定特征点的位置和尺度；S22、通过Hessian矩阵求极值点并获取稳定点；基于机器视觉的软包装表面质量检测方法可以快速实现对软包装上印刷图案的质量检测，通过多次反复与对应点毕竟能够准确分析每个像素，能够提高对比的精度，使得基于机器视觉的软包装表面质量检测方法具有较高的判断精度。

Description

一种基于机器视觉的软包装表面质量检测方法
技术领域
本发明涉及视觉处理领域，特别是指一种基于机器视觉的软包装表面质量检测方法。
背景技术
随着我国经济的飞速发展，商品的快速生产流通，随之而来的是对商品包装提出了更高的要求，其中商品软包装极为重要。高质量、高精度和多色彩的软包装受到越来越多顾客的喜爱，这也给印刷行业带来巨大的挑战。为了满足软包装印刷需求，商品印刷朝着机械化、自动化和智能化方向发展。软包装作为产品包装的一种主要形式，具有外观精美、清洁卫生、成本低廉、使用方便等优点，大量用作食品、药品、日用品等产品的外包装。软包装材质多样、对印刷精度要求高的同时对检测速度也有很高要求。
国内软包装印刷工艺以凹印为主，配以复合、分切、制袋等印后处理，印刷过程中可能会产生各种各样的印刷缺陷。由于软包装的重要性和其独特的高速印刷特点，同时随着生活水平的提高，对软包装的印刷质量提出了更高的要求，如何控制好软包装印品的质量一直是困扰所有软包装印刷企业的难题。目前软包装印刷质量控制主要包括过程控制和结果控制两方面。在凹印生产过程中，过程控制和结果控制两方面缺一不可，它们既是在印刷企业中进行质量改进的关键点，也是制定质量改进措施的基础。软包装表面图样的人工检查劳心劳力，即使企业提供更高的工资，依然招人非常困难；即使质检人员充足，却往往因为人们一时的疏漏或一些视角的局限会带来漏检。因此需要开发一种基于机器视觉的软包装表面质量检测方法来对软包装印刷进行质检。
发明内容
针对背景技术中提到的问题，本发明的目的是提供一种基于机器视觉的软包装表面质量检测方法，以解决背景技术中提到的问题。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于机器视觉的软包装表面质量检测方法，具体包括以下步骤：
S1：采用高速摄像机采集印品图像；
S2：高速摄像机对采集的印品图像使用SURF算法进行处理，SURF算法的具体执行处理步骤如下：
S21、通过SURF算法中的核心Hessian矩阵获得Hessian矩阵行列式的局部最大值，利用Hessian矩阵行列式的局部最大值确定特征点的位置和尺度；
S22、通过Hessian矩阵求极值点并获取稳定点，用矩阵行列式的局部最大值来标记块状特征结构的位置；
令函数f(x,y)，Hessian矩阵H是由函数偏导数组成，可表示为式(1)：
Figure GDA0004197391170000021
Hessian矩阵判别式为：
Figure GDA0004197391170000022
式(2)中，d(H)是H矩阵的特征值，利用判别结果的符号将所有点进行分类，根据判别式取正负，判别该点是否为极值点；
在SURF算法中，用图像像素X(x,y)代替函数值f(x,y)，选用二阶标准高斯函数作为滤波器，通过特定核间的卷积计算二阶偏导数，计算出在尺度σ下的H矩阵的3个矩阵元素Lxx(X,σ)，Lyy(X,σ),Lxy(X,σ)从而计算出H矩阵；
得到式(3)和式(4)：
Figure GDA0004197391170000023
Figure GDA0004197391170000031
式(3)和式(4)中，g(t)为高斯函数，t为高斯方差，Lxx(X,σ)是高斯二阶导数
Figure GDA0004197391170000032
与图像I在x点处的卷积，Lxy(X,σ)，Lyy(X,σ)分别是高斯滤波后图像在y和xy方向上的二阶偏导数和二维图像的卷积；
S23、通过计算得到图像中每个像素H行列式的决定值，并用此值来判别特征点，H矩阵判别式的计算可表示为式(5)：
d(Happrox)＝DxxDyy-(wDxy)2 (5)；
其中,w为权重系数；
S24、图像的解析处理：图像的尺度空间是一幅图像在不同解析度下的表示，通过高斯核的卷积来实现，图像的尺度大小用高斯标准差来表示，假设Hessian的行列式函数记为H(x,y,s),并且x＝(x，y,s)T，根据泰勒展开式可以得到式(6)和式(7)：
Figure GDA0004197391170000033
通过H(x,y,σ)的导数获取插值区域的极值，
Figure GDA0004197391170000034
当H(x,y,σ)＝0时，得到：
Figure GDA0004197391170000035
其函数导数利用相邻像素间的差异来近似得到，若
Figure GDA0004197391170000036
在x,y,σ三个方向中的值大于0.5，则需要调整特征点的位置并再次使用插值算法，直到在所有方向上/>
Figure GDA0004197391170000037
小于0.5；
S25、图像的比对：使用欧式距离找到实例点的邻距，FLANN算法模型的特征空间可表示为n维实数向量空间Rn,特征点p和q的特征分向量可记为Dp和Dq,则d(p,q)的欧式距离可以表示为式(8)：
d(p,q)＝<Dp_Dq.Dq-Dp> (8)；
通过KD-TREE将数据点在n维空间Rn划分为特定的几个部分，检索在KD-TREE中与查询点距离最近的欧式距离，将向量空间Rn中所有欧式距离d(p,q)通过KD-TREE结构存储，通过KD-TREE由上往下递归搜索，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在右区域，然后循环和对应点进行比较，直到目标搜索成功为止。
较佳的，SURF算法采用不同尺寸的框式滤波器进行处理，SURF算法利用插值技术在亚像素精度寻找空间和尺度的位置以获得特征。
较佳的，所述S23中，通过计算得到图像中每个像素H行列式的决定值，并用此值来判别特征点，H矩阵判别式的计算可表示为式(5)：
d(Happrox)＝DxxDyy-(wDxy)2(5)；
其中,w为权重系数，取0.9。
较佳的，所述S22中二阶偏导数的计算方法为：d2L(x)/dx2＝(L(x+1)-L(x))-(L(x)-L(x-1))＝-2*L(x)+L(x+1)+L(x-1)，其中L(x)＝g(h(x))，其中h(x)为原始图像的灰度值，L(x)是将h(x)高斯滤波处理后的图像。
较佳的，所述S25中当以某一特定维数为基准将目标点和分割点的值进行比较时，目标点循环和对应点进行比较，如目标点循环和对应点一一对应说明软包装印刷正确，当目标点循环和对应点存在不对应之处说明软包装印刷出错。
较佳的，当所述S25中目标点循环和对应点存在不对应之处，即软包装印刷出错时，警报器发出警报并将印刷出错的软包装定位。
较佳的，所述高速摄像机的成像系统与工业计算机的图像信号输入端相连，所述高速摄像机为两台并设置有专用光源，所述专用光源为其中一台高速摄像机拍照时提供照明；另外一台高速摄像机的镜头通过所述专用光源的中间取景，拍照后将获得的图像输送到工业计算机内存。
综上所述，本发明主要具有以下有益效果：
基于机器视觉的软包装表面质量检测方法可以快速实现对软包装上印刷图案的质量检测，基于机器视觉的软包装表面质量检测方法采用了最新的SURF算法，SURF算法在分析之后选取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在右区域，然后循环和对应点进行比较，直到目标搜索成功为止，通过多次反复与对应点毕竟能够准确分析每个像素，能够提高对比的精度，使得基于机器视觉的软包装表面质量检测方法具有较高的判断精度；通过利用基于机器视觉的软包装表面质量检测方法使使得印刷企业在印刷生产中得以进行质量改进，也是制定质量改进措施的基础。通过基于机器视觉的软包装表面质量检测方法取代传统的软包装表面图样的人工检查，能够节省劳力，提高企业生产效率，并能降低企业成本，提高企业的竞争力。
附图说明
图1是基于机器视觉的软包装表面质量检测方法的运行框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1，一种基于机器视觉的软包装表面质量检测方法，具体包括以下步骤：
S1：采用高速摄像机采集印品图像；
S2：高速摄像机对采集的印品图像使用SURF算法进行处理，SURF算法的具体执行处理步骤如下：
S21、通过SURF算法中的核心Hessian矩阵获得Hessian矩阵行列式的局部最大值，利用Hessian矩阵行列式的局部最大值确定特征点的位置和尺度；
S22、通过Hessian矩阵求极值点并获取稳定点，用矩阵行列式的局部最大值来标记块状特征结构的位置；
令函数f(x,y)，Hessian矩阵H是由函数偏导数组成，可表示为式(1)：
Figure GDA0004197391170000061
Hessian矩阵判别式为：
Figure GDA0004197391170000062
式(2)中，d(H)是H矩阵的特征值，利用判别结果的符号将所有点进行分类，根据判别式取正负，判别该点是否为极值点；
在SURF算法中，用图像像素X(x,y)代替函数值f(x,y)，选用二阶标准高斯函数作为滤波器，通过特定核间的卷积计算二阶偏导数，计算出在尺度σ下的H矩阵的3个矩阵元素Lxx(X,σ)，Lyy(X,σ),Lxy(X,σ)从而计算出H矩阵；
得到式(3)和式(4)：
Figure GDA0004197391170000063
Figure GDA0004197391170000064
式(3)和式(4)中，g(t)为高斯函数，t为高斯方差，Lxx(X,σ)是高斯二阶导数
Figure GDA0004197391170000065
与图像I在x点处的卷积，Lxy(X,σ)，Lyy(X,σ)分别是高斯滤波后图像在y和xy方向上的二阶偏导数和二维图像的卷积；
S23、通过计算得到图像中每个像素H行列式的决定值，并用此值来判别特征点，H矩阵判别式的计算可表示为式(5)：
d(Happro)＝DxxDyy-(wDxy)2 (5)；
其中,w为权重系数；
S24、图像的解析处理：图像的尺度空间是一幅图像在不同解析度下的表示，通过高斯核的卷积来实现，图像的尺度大小用高斯标准差来表示，假设Hessian的行列式函数记为H(x,y,s),并且x＝(x，y,s)T，根据泰勒展开式可以得到式(6)和式(7)：
Figure GDA0004197391170000071
通过H(x,y,σ)的导数获取插值区域的极值，
Figure GDA0004197391170000072
当H(x,y,σ)＝0时，得到：
Figure GDA0004197391170000073
其函数导数利用相邻像素间的差异来近似得到，若
Figure GDA0004197391170000074
在x,y,σ三个方向中的值大于0.5，则需要调整特征点的位置并再次使用插值算法，直到在所有方向上/>
Figure GDA0004197391170000075
小于0.5；
S25、图像的比对：使用欧式距离找到实例点的邻距，FLANN算法模型的特征空间可表示为n维实数向量空间Rn,特征点p和q的特征分向量可记为Dp和Dq,则d(p,q)的欧式距离可以表示为式(8)：
d(p,q)＝<Dp_Dq.Dq-Dp> (8)；
通过KD-TREE将数据点在n维空间Rn划分为特定的几个部分，检索在KD-TREE中与查询点距离最近的欧式距离，将向量空间Rn中所有欧式距离d(p,q)通过KD-TREE结构存储，通过KD-TREE由上往下递归搜索，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在右区域，然后循环和对应点进行比较，直到目标搜索成功为止。
其中，SURF算法采用不同尺寸的框式滤波器进行处理，SURF算法利用插值技术在亚像素精度寻找空间和尺度的位置以获得特征。
其中，S23中，通过计算得到图像中每个像素H行列式的决定值，并用此值来判别特征点，H矩阵判别式的计算可表示为式(5)：
d(Happrox)＝DxxDyy-(wDxy)2(5)；
其中,w为权重系数，取0.9。
其中，S22中二阶偏导数的计算方法为：d2L(x)/dx2＝(L(x+1)-L(x))-(L(x)-L(x-1))＝-2*L(x)+L(x+1)+L(x-1)，其中L(x)＝g(h(x))，其中h(x)为原始图像的灰度值，L(x)是将h(x)高斯滤波处理后的图像。
其中，S25中当以某一特定维数为基准将目标点和分割点的值进行比较时，目标点循环和对应点进行比较，如目标点循环和对应点一一对应说明软包装印刷正确，当目标点循环和对应点存在不对应之处说明软包装印刷出错。
其中，当S25中目标点循环和对应点存在不对应之处，即软包装印刷出错时，警报器发出警报并将印刷出错的软包装定位。
其中，高速摄像机的成像系统与工业计算机的图像信号输入端相连，高速摄像机为两台并设置有专用光源，专用光源为其中一台高速摄像机拍照时提供照明；另外一台高速摄像机的镜头通过专用光源的中间取景，拍照后将获得的图像输送到工业计算机内存。
综上，基于机器视觉的软包装表面质量检测方法可以快速实现对软包装上印刷图案的质量检测，基于机器视觉的软包装表面质量检测方法采用了最新的SURF算法，SURF算法在分析之后选取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在右区域，然后循环和对应点进行比较，直到目标搜索成功为止，通过多次反复与对应点毕竟能够准确分析每个像素，能够提高对比的精度，使得基于机器视觉的软包装表面质量检测方法具有较高的判断精度；通过利用基于机器视觉的软包装表面质量检测方法使使得印刷企业在印刷生产中得以进行质量改进，也是制定质量改进措施的基础。通过基于机器视觉的软包装表面质量检测方法取代传统的软包装表面图样的人工检查，能够节省劳力，提高企业生产效率，并能降低企业成本，提高企业的竞争力。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于机器视觉的软包装表面质量检测方法，其特征在于：具体包括以下步骤：
S1：采用高速摄像机采集印品图像；
S2：高速摄像机对采集的印品图像使用SURF算法进行处理，SURF算法的具体执行处理步骤如下：
S21、通过SURF算法中的核心Hessian矩阵获得Hessian矩阵行列式的局部最大值，利用Hessian矩阵行列式的局部最大值确定特征点的位置和尺度；
S22、通过Hessian矩阵求极值点并获取稳定点，用矩阵行列式的局部最大值来标记块状特征结构的位置；
令函数f(x,y)，Hessian矩阵H是由函数偏导数组成，可表示为式(1)：
Figure FDA0004197391160000011
Hessian矩阵判别式为：
Figure FDA0004197391160000012
式(2)中，d(H)是H矩阵的特征值，利用判别结果的符号将所有点进行分类，根据判别式取正负，判别该点是否为极值点；
在SURF算法中，用图像像素X(x,y)代替函数值f(x,y)，选用二阶标准高斯函数作为滤波器，通过特定核间的卷积计算二阶偏导数，计算出在尺度σ下的H矩阵的3个矩阵元素Lxx(X,σ)，Lyy(X,σ),Lxy(X,σ)从而计算出H矩阵；
得到式(3)和式(4)：
Figure FDA0004197391160000013
Figure FDA0004197391160000021
式(3)和式(4)中，g(t)为高斯函数，t为高斯方差，Lxx(X,σ)是高斯二阶导数
Figure FDA0004197391160000022
与图像I在x点处的卷积，Lxy(X,σ)，Lyy(X,σ)分别是高斯滤波后图像在y和xy方向上的二阶偏导数和二维图像的卷积；
S23、通过计算得到图像中每个像素H行列式的决定值，并用此值来判别特征点，H矩阵判别式的计算可表示为式(5)：
d(Happrox)＝DxxDyy-(wDxy)2 (5)；
其中,w为权重系数；
S24、图像的解析处理：图像的尺度空间是一幅图像在不同解析度下的表示，通过高斯核的卷积来实现，图像的尺度大小用高斯标准差来表示，假设Hessian的行列式函数记为H(x,y,s),并且x＝(x，y,s)T，根据泰勒展开式可以得到式(6)和式(7)：
Figure FDA0004197391160000023
通过H(x,y,σ)的导数获取插值区域的极值，
Figure FDA0004197391160000024
当H(x,y,σ)＝0时，得到：
Figure FDA0004197391160000025
其函数导数利用相邻像素间的差异来近似得到，若
Figure FDA0004197391160000026
在x,y,σ三个方向中的值大于0.5，则需要调整特征点的位置并再次使用插值算法，直到在所有方向上/>
Figure FDA0004197391160000027
小于0.5；
S25、图像的比对：使用欧式距离找到实例点的邻距，FLANN算法模型的特征空间可表示为n维实数向量空间Rn,特征点p和q的特征分向量可记为Dp和Dq,则d(p,q)的欧式距离可以表示为式(8)：
d(p,q)＝<Dp_Dq.Dq-Dp> (8)；
通过KD-TREE将数据点在n维空间Rn划分为特定的几个部分，检索在KD-TREE中与查询点距离最近的欧式距离，将向量空间Rn中所有欧式距离d(p,q)通过KD-TREE结构存储，通过KD-TREE由上往下递归搜索，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在右区域，然后循环和对应点进行比较，直到目标搜索成功为止。
2.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：SURF算法采用不同尺寸的框式滤波器进行处理，SURF算法利用插值技术在亚像素精度寻找空间和尺度的位置以获得特征。
3.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：所述S23中，通过计算得到图像中每个像素H行列式的决定值，并用此值来判别特征点，H矩阵判别式的计算可表示为式(5)：
d(Happrox)＝DxxDyy-(wDxy)2(5)；
其中,w为权重系数，取0.9。
4.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：所述S22中二阶偏导数的计算方法为：d2L(x)/dx2＝(L(x+1)-L(x))-(L(x)-L(x-1))＝-2*L(x)+L(x+1)+L(x-1)，其中L(x)＝g(h(x))，其中h(x)为原始图像的灰度值，L(x)是将h(x)高斯滤波处理后的图像。
5.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：所述S25中当以某一特定维数为基准将目标点和分割点的值进行比较时，目标点循环和对应点进行比较，如目标点循环和对应点一一对应说明软包装印刷正确，当目标点循环和对应点存在不对应之处说明软包装印刷出错。
6.根据权利要求5所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：当所述S25中目标点循环和对应点存在不对应之处，即软包装印刷出错时，警报器发出警报并将印刷出错的软包装定位。
7.根据权利要求1所述的一种基于机器视觉的软包装表面质量检测方法，其特征在于：所述高速摄像机的成像系统与工业计算机的图像信号输入端相连，所述高速摄像机为两台并设置有专用光源，所述专用光源为其中一台高速摄像机拍照时提供照明；另外一台高速摄像机的镜头通过所述专用光源的中间取景，拍照后将获得的图像输送到工业计算机内存。
CN201910693508.7A 2019-07-30 2019-07-30 一种基于机器视觉的软包装表面质量检测方法 Active CN110533635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910693508.7A CN110533635B (zh) 2019-07-30 2019-07-30 一种基于机器视觉的软包装表面质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910693508.7A CN110533635B (zh) 2019-07-30 2019-07-30 一种基于机器视觉的软包装表面质量检测方法

Publications (2)

Publication Number Publication Date
CN110533635A CN110533635A (zh) 2019-12-03
CN110533635B true CN110533635B (zh) 2023-07-14

Family

ID=68661023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910693508.7A Active CN110533635B (zh) 2019-07-30 2019-07-30 一种基于机器视觉的软包装表面质量检测方法

Country Status (1)

Country Link
CN (1) CN110533635B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170066014A (ko) * 2015-12-04 2017-06-14 광운대학교 산학협력단 시점 변화에 강인한 특징점 정합 방법
CN109712112A (zh) * 2018-11-22 2019-05-03 中北大学 基于局部特征的航拍绝缘子图像的定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170066014A (ko) * 2015-12-04 2017-06-14 광운대학교 산학협력단 시점 변화에 강인한 특징점 정합 방법
CN109712112A (zh) * 2018-11-22 2019-05-03 中北大学 基于局部特征的航拍绝缘子图像的定位方法

Also Published As

Publication number Publication date
CN110533635A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN105608671B (zh) 一种基于surf算法的图像拼接方法
CN106469448A (zh) 利用3d视觉进行自动化工业检查
CN103424409A (zh) 一种基于dsp的视觉检测系统
CN105913415A (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
Mainali et al. Robust low complexity corner detector
JP2015041164A (ja) 画像処理装置、画像処理方法およびプログラム
CN113034488B (zh) 一种喷墨印刷品的视觉检测方法
US20180260661A1 (en) Image processing apparatus, image processing method, and image processing program
CN113378976B (zh) 一种基于特征顶点组合的目标检测方法、可读存储介质
CN111915485A (zh) 一种特征点稀疏工件图像的快速拼接方法及系统
CN111127417A (zh) 一种基于sift特征匹配和改进的ssd算法的软包装卷料印刷缺陷检测方法
CN111160450A (zh) 一种基于神经网络的果蔬称重方法及储存介质、装置
CN108021914B (zh) 基于卷积神经网络的印刷品字符区域提取方法
CN110533635B (zh) 一种基于机器视觉的软包装表面质量检测方法
Jarvis Research directions in industrial machine vision: A workshop summary
CN107886530A (zh) 一种改进的基于sift特征的图像配准算法
CN117351078A (zh) 基于形状先验的目标尺寸与6d姿态估计方法
CN117218633A (zh) 一种物品检测方法、装置、设备及存储介质
Shao A Monocular SLAM System Based on the ORB Features
Li et al. Vehicle seat detection based on improved RANSAC-SURF algorithm
You et al. A mechanical part sorting system based on computer vision
CN114092396A (zh) 一种包装盒撞角瑕疵检测的方法及装置
Hu et al. A novel vision-based mold monitoring system in an environment of intense vibration
CN112365324A (zh) 适用于电商平台的商品图片检测方法
Qi et al. On-line detection of Hami big jujubes' size and shape based on machine vision

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