CN110632094A - 一种基于逐点比对分析的图纹质量检测方法,装置与系统 - Google Patents
一种基于逐点比对分析的图纹质量检测方法,装置与系统 Download PDFInfo
- Publication number
- CN110632094A CN110632094A CN201910671886.5A CN201910671886A CN110632094A CN 110632094 A CN110632094 A CN 110632094A CN 201910671886 A CN201910671886 A CN 201910671886A CN 110632094 A CN110632094 A CN 110632094A
- Authority
- CN
- China
- Prior art keywords
- detection
- detection area
- image
- positioning
- detected
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于逐点比对分析的图纹质量检测方法,装置与系统,应用于工业现场印刷,包括:用于根据产品的参考图像选取多个定位核和检测区,建立每一检测区与对应距离最近定位核的对应关系,并为每一检测区设置图像检测参数;用于根据产品的多张训练图像进行定位、处理、生成以及统计操作,获取二维待统计数据序列,将所述二维待统计数据序列分析得到的统计数据序列与所述检测阈值生成参数计算得到高检测阈值序列和低检测阈值序列;用于根据产品的待检图像进行定位、处理以及生成操作获取待检数据序列,并将根据所述待检数据序列计算得到的高超差数据序列、低超差数据序列与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果。
Description
技术领域
本发明涉及工业印刷领域,尤其涉及一种基于逐点比对分析的图纹质量检测方法,装置与系统。
背景技术
在民用印刷、印钞、包装、标签等很多行业,对表面印刷质量都有着很高的要求,尤其是对图纹形状、颜色深浅的一致性等。例如,图1表示的图纹缺印或颜色偏浅现象,图2表示的图纹多墨或颜色偏深现象等,是这些行业经常遇到并可能导致大量产品作废的缺陷类型。为此,工业印刷领域需要对产品的待检图像进行图纹质量检测。
工业印刷领域的许多企业为印刷设备配置了质量检测系统,及时发现印刷过程中的质量缺陷,以期杜绝大量连续废品的产生,保证颜色一致性,在控制极低废品率的前提下,提升产品的印刷质量。参考图像、训练图像、待检图像可以是灰度图像,也可以是彩色图像的某个分量。本检测方法正是用于在线、离线等印刷质量检测设备,针对图纹形状、颜色深浅等问题,提出的一种有效检测手段。
鉴于此,提出本发明。
发明内容
本发明提出一种基于逐点比对分析的图纹质量检测方法,装置与系统,用于工业印刷现有技术中待检图像存在的图纹形状和颜色深浅问题的检测。
为实现上述目的,根据本发明的一个方面,提供一种基于逐点比对分析的图纹质量检测方法,并采用如下技术方案:
所述基于逐点比对分析的图纹质量检测方法,包括:
基于产品的训练图像对每一检测区对应的定位核执行定位运算,获取来自所述训练图像的待统计数据序列,选取多张训练图像重复执行此过程,获取来自所述多张训练图像的二维待统计数据序列;将所述二维待统计数据序列按照检测区维度进行统计,得到来自所述多张训练图像的统计数据序列,并根据所述统计数据序列和预设的检测阈值生成参数计算得到来自所述多张训练图像的高检测阈值序列和低检测阈值序列;基于待检图像对每一检测区对应的定位核执行定位运算,获取所述待检图像的待检数据序列,并根据所述待检数据序列与所述高检测阈值序列、所述低检测阈值序列分别计算得到来自所述待检图像的高超差数据序列、低超差数据序列;处理所述高超差数据序列、低超差数据序列生成来自所述待检图像的超差点集数据,将所述超差点集数据与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果。
根据本发明的另外一个方面,提供一种基于逐点比对分析的图纹质量检测装置,并采用如下技术方案:
所述基于逐点比对分析的图纹质量检测装置,包括:
模型建立模块,用于根据产品的参考图像选取多个定位核和多个检测区,建立每一检测区与对应距离最近定位核的对应关系,并为每一检测区设置图像检测参数;模型训练模块,用于根据产品的多张训练图像进行定位、处理、生成以及统计操作,获取来自多张训练图像的二维待统计数据序列,将所述二维待统计数据序列分析得到的统计数据序列与所述检测阈值生成参数计算得到高检测阈值序列和低检测阈值序列;模型检测模块,用于根据产品的待检图像进行定位、处理以及生成操作获取所述待检图像的待检数据序列,并将根据所述待检数据序列计算得到的高超差数据序列、低超差数据序列与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果。
根据本发明的又一个方面,提供一种基于逐点比对分析的图纹质量检测系统,并采用如下技术方案:
所述基于逐点比对分析的图纹质量检测系统,包括上述的基于逐点比对分析的图纹质量检测装置。
本发明在产品的参考图像选取多个定位核和多个检测区,通过产品的多张训练图像的定位、处理、生成以及统计步骤,获取来自所述多张训练图像的高检测阈值序列和低检测阈值序列,获取产品待检图像的待检数据序列,并将待检数据序列与高检测阈值序列、低检测阈值序列处理生成高超差数据序列、低超差数据序列,高超差数据序列、低超差数据序列与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1表示背景技术中图纹缺印或颜色偏浅现象的产品印刷图;
图2表示背景技术中图纹多墨或颜色偏深现象的产品印刷图;
图3表示本发明实施例所述的基于逐点比对分析的图纹质量检测方法总流程图;
图4表示本发明实施例参考图像中各检测区与定位核的对应关系示意图;
图5表示本发明实施例所述的建模操作和训练操作的总流程图;
图6表示本发明实施例所述的检测操作的流程图;
图7表示本发明实施例所述的基于色调直方图统计的颜色检测装置总流程图。
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。
图3表示本发明实施例所述的基于逐点比对分析的图纹质量检测方法总流程图。
参见图3所示,一种基于逐点比对分析的图纹质量检测方法包括:
S101:基于产品的训练图像对每一检测区对应的定位核执行定位运算,获取来自所述训练图像的待统计数据序列,选取多张训练图像重复执行此过程,获取来自所述多张训练图像的二维待统计数据序列;
S103:将所述二维待统计数据序列按照检测区维度进行统计,得到来自所述多张训练图像的统计数据序列,并根据所述统计数据序列和预设的检测阈值生成参数计算得到来自所述多张训练图像的高检测阈值序列和低检测阈值序列;
S105:基于每一待检图像对每一检测区对应的定位核执行定位运算,获取所述待检图像的待检数据序列,并根据所述待检数据序列与所述高检测阈值序列、所述低检测阈值序列分别计算得到来自所述待检图像的高超差数据序列、低超差数据序列;
S107:处理所述高超差数据序列、低超差数据序列生成来自所述待检图像的超差点集数据,将所述超差点集数据与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果。
图5表示本发明实施例所述的建模操作和训练操作的总流程图。
如图5所示,在步骤S101之前,执行图纹质量检测方法的建模操作,包括步骤101:采集参考图像,建立定位核、检测区,建立定位核与检测区的对应关系,为检测区设定各种参数;具体实施方案如下:
首先,调用检测系统图像采集功能,采集一张标准产品的图像作为参考图像;
其次,在参考图像上,选取若干个匹配分数较高的图纹区域作为定位核,并记录各定位核在参考图像中的坐标,记作K1、K2、……、Kn,其中n为参考图像中定位核的数量。值得注意的是,尽量让所有定位核均匀分布在所述参考图像中,或者每一个检测区附近存在一个或几个定位核;
再次,在参考图像上,选取需要进行质量检测的图纹区域作为检测区,并记录各检测区在参考图像中的坐标,记作A1、A2、……、Am,其中m为参考图像中检测区的数量;
然后,在参考图像上,如图4所示,建立各检测区与距离检测区最近的定位核的对应关系,以便在训练图像或待检图像中,使检测区可以使用对应定位核的坐标定位结果;最外层大方框为相机视场范围(即检测系统采集的图像范围),三个小方框为建模选取的定位核;三个虚线方框为建模选取的检测区;
最后,为各检测区设置检测阈值生成参数,包括:高阈值加系数、低阈值加系数、高阈值乘系数、低阈值乘系数、高阈值邻域系数、低阈值邻域系数。
本实施例通过上述方案,即提供一种模型建立模块,在产品的参考图像中,建立每一检测区与对应距离最近定位核的对应关系,并为每一检测区设置图像检测参数,给模型训练模块和模型检测模块提供必要的检测参数。
如图5所示,在完成图纹质量检测方法的建模操作后,基于若干幅训练图像执行图纹质量检测方法训练操作,包括:
201:获取一幅训练图像;
202:全部定位和执行定位运算,得到各自的坐标偏移量;
203:根据坐标偏移量,得到全部检测区的待统计数据;
204:对全部检测区,逐点统计最大值,次大值,均值,次小值,最小值;
205:计算并存储全部检测区高、低检测阈值,具体实施方案如下:
在步骤S101中,基于产品的训练图像对每一检测区对应的定位核执行定位运算,获取来自所述训练图像的待统计数据序列,选取多张训练图像重复执行此过程,获取来自所述多张训练图像的二维待统计数据序列,具体方法如下:
定位阶段:就是利用快速匹配算法,获取所有定位核在训练图像中的实际坐标。定位核在进行快速匹配运算时的搜索范围应大于产品在图像(相机视场)中的波动范围。定位核的匹配精度根据实际检测精度进行选择,如整像素精度、1/4亚像素精度、1/8亚像素精度等。定位核在训练图像中的实际坐标减去定位核在参考图像中的坐标,等于定位核坐标的偏移量。定位计算完成后,每一个定位核都会得到一个在当前训练图像中的偏移量。
坐标处理阶段:循环每一个检测区,可以得到该检测区对应的定位核在当前训练图像中的坐标偏移量,将其作为该检测区在当前训练图像中的坐标偏移量。该检测区在参考图像中的坐标加上此偏移量,即可得到该检测区在该训练图像中的实际坐标Areal(x,y)。
如果检测区的实际坐标为整数,则在当前训练图像中拷贝坐标为Areal(x,y)区域的图像数据,即可得到该检测区在当前训练图像的待统计数据,记作AData,其宽、高与检测区相同。如果检测区的实际坐标为小数,则需要对当前训练图像中坐标为Areal(x,y)区域的邻域图像数据进行亚像素插值(如:双线性插值),从而得到该检测区在当前训练图像的待统计数据。
当完成全部检测区的上述计算,可以得到针对当前训练图像的待统计数据序列,记作AData1,AData2,……,ADatam,其中m为检测区的数量。
二维序列生成阶段:当完成对全部训练图像的上述计算,即可得到检测区待统计数据的一个二维序列,记作:
其中,m为检测区的数量,k为训练图像的数量。
在步骤S103中,将步骤S101获取的二维待统计数据序列按照检测区维度进行统计,得到来自所述多张训练图像的统计数据序列,并根据所述统计数据序列和预设的检测阈值生成参数计算得到来自所述多张训练图像的高检测阈值序列和低检测阈值序列,具体方法如下:
数据统计阶段:此时,可以统计每一个检测区所有待统计数据的每一个像素,在全部训练图像中的最大值、次大值、最小值、次小值以及平均值,并构成以下序列:检测区最大值序列,记作AMax1,AMax2,……,AMaxm;检测区次大值序列,记作ASedMax1,ASedMax2,……,ASedMaxm;检测区最小值序列,记作AMin1,AMin2,……,AMinm;检测区次小值序列,记作ASedMin1,ASedMin2,……,ASedMinm;检测区平均值序列,记作AMean1,AMean2,……,AMeanm;上述序列的每一个元素与对应检测区(或检测区待统计数据)都具有相同的宽、高维度。
检测阈值计算阶段:循环每一个检测区,逐个像素点计算该检测区的高、低检测阈值。计算公式如下:
ThrH=AMean+(ASedMax-AMean)×MulH+AddH+NeibH×NeiVal
ThrL=AMean-(AMean-ASedMin)×MulL-AddL-NeibL×NeiVal
其中,ThrH、ThrL、AMean、ASedMax、ASedMin为该检测区的高阈值、低阈值、平均值、次大值和次小值,它们与对应的检测区具有相同的宽、高维度,其中,平均值、次大值和次小值由训练过程计算得到;MulH、MulL、AddH、AddL、NeibH、NeibL为该检测区的高阈值乘系数、低阈值乘系数、高阈值加系数、低阈值加系数、高阈值邻域系数、低阈值邻域系数,这些系数是在建模时设定的一个常数;NeiVal为该检测区的邻域公差值,其与对应的检测区具有相同的宽、高维度,其每一个点的值等于该点对应像素在参考图像上邻域(如:3×3邻域)的公差值,即邻域内最大值减去最小值。
检测阈值序列生成阶段:当完成全部检测区的上述计算,可以得到这些检测区的高、低检测阈值序列,记作ThrH1,ThrH2,……,ThrHm与ThrL1,ThrL2,……,ThrLm,其中m为检测区的数量。最后保存这些高、低检测阈值,提供给模型检测模块使用。
本实施例通过上述方案,即提供一种模型训练模块的具体实施方案,通过定位、坐标处理、生成、统计及计算等过程,从多张训练图像中获取各检测区的高、低检测阈值,用于检测模型检测模块获取的待检图像。
图6表示本发明实施例所述的检测操作的流程图。
如图6所述,在完成图纹质量检测方法的训练操作后,基于一幅待检图像执行图纹质量检测方法的检测操作,包括:
301:读取所有检测区高、低检测阈值与缺陷检测参数;
302:获取一幅待检图像;
303:全部定位核执行定位运算,得到各自的坐标偏移量;
304:根据坐标偏移量,得到全部检测区的待检数据;
305:计算全部检测区的高、低超差数据;
306:对高、低值超差数据进行分析,检出符合条件的印刷缺陷,具体实施方案如下:
在步骤S105中,基于每一待检图像对每一检测区对应的定位核执行定位运算,获取所述待检图像的待检数据序列,并根据所述待检数据序列与所述高检测阈值序列、所述低检测阈值序列分别计算得到来自所述待检图像的高超差数据序列、低超差数据序列,具体方法如下:
定位阶段:就是利用快速匹配算法,获取所有定位核在待检图像中的实际坐标。定位核在进行快速匹配运算时的搜索范围应大于产品在图像(相机视场)中的波动范围。定位核的匹配精度根据实际检测精度进行选择,如整像素精度、1/4亚像素精度、1/8亚像素精度等。定位核在待检图像中的实际坐标减去定位核在参考图像中的坐标,等于定位核坐标的偏移量。定位计算完成后,每一个定位核都会得到一个在当前待检图像中的偏移量。
坐标处理阶段:与训练操作相同,循环每一个检测区,利用同样的方式得到检测区在该待检图像中的实际坐标。同样利用拷贝(针对检测区实际坐标为整数)方式或者亚像素插值(针对检测区实际坐标为小数)方式,得到检测区在当前待检图像的待检数据,同样记作Adata。
当完成全部检测区的上述计算,可以得到针对当前待检图像的待检数据序列,记作AData1,AData2,……,ADatam,其中m为检测区的数量。
超差数据计算阶段:循环每一个检测区,针对该检测区的每一个像素计算该检测区的高、低超差值。
其中,BlobH、BlobL为该检测区的高、低超差值,它们与对应的检测区具有相同的宽、高维度;ThrH、ThrL为该检测区的高、低检测阈值;AData为检测区待检数据;(x,y)为某像素点相对于检测区左上角像素点的坐标值。
当完成全部检测区的上述计算,可以得到针对当前待检图像的高、低超差数据序列,记作BlobH1,BlobH2,……,BlobHm与BlobL1,BlobL2,……,BlobLm,其中m为检测区的数量。
在步骤S107中,处理所述高超差数据序列、低超差数据序列生成来自所述待检图像的超差点集数据,将所述超差点集数据与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果,具体方法如下:
循环每一个检测区,分析该检测区的高、低超差数据,判断在这些超差数据中是否存在满足缺陷检测条件的印刷缺陷。
在该检测区的高值超差数据(或低值超差数据)中,分析每一个连通超差点集(通常称为“Blob”)的面积与平均超差值。当Blob的面积大于设定面积阈值,同时平均超差值大于设定能量阈值时,我们认为这个Blob对应的待检图像区域存在印刷缺陷。如果该Blob存在于高值超差数据,则缺陷类型通常为图纹缺印或颜色偏浅;如果该Blob存在于低值超差数据,则缺陷类型通常为图纹多墨或颜色偏深。其中,面积阈值、能量阈值为建模时设定的参数。
本实施例通过上述方案,即提供一种模型检测模块的具体实施方案,通过定位、坐标处理、生成以及统计等过程,从一张待检图像中获取各检测区的待检数据,基于检测区的待检数据和高、低检测阈值计算检测区的高、低超差数据,将获取的连通超差点集与预设的缺陷检测条件进行比较,从而确认待检图像的印刷缺陷。
本发明的第二个方面,提供一种基于逐点比对分析的图纹质量检测装置,如图7所示,包括:
模型建立模块10,用于根据产品的参考图像选取多个定位核和多个检测区,建立每一检测区与对应距离最近定位核的对应关系,并为每一检测区设置图像检测参数;模型训练模块20,用于根据产品的多张训练图像进行定位、处理、生成以及统计操作,获取来自多张训练图像的二维待统计数据序列,将所述二维待统计数据序列分析得到的统计数据序列与所述检测阈值生成参数计算得到高检测阈值序列和低检测阈值序列;模型检测模块30,用于根据产品的待检图像进行定位、处理以及生成操作获取所述待检图像的待检数据序列,并将根据所述待检数据序列计算得到的高超差数据序列、低超差数据序列与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果。
本发明的第三个方面,提供基于逐点比对分析的图纹质量检测系统,包括上述的基于逐点比对分析的图纹质量检测装置。
综上,本发明公开的基于逐点比对分析的图纹质量检测方法,通过模型建立模块获取参考图像的多个定位核和检测区,以及检测区图像检测参数,通过模型训练模块获取来自多张训练图像的高检测阈值序列和低检测阈值序列,并通过模型检测模块获取待检图像的待检数据序列,并将待检数据序列与高检测阈值序列、低检测阈值序列处理生成的高超差数据序列、低超差数据序列与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果,有效检测工业印刷领域的印刷产品的图纹形状、颜色深浅异常等问题。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种基于逐点比对分析的图纹质量检测方法,其特征在于,包括:
基于产品的训练图像对每一检测区对应的定位核执行定位运算,获取来自所述训练图像的待统计数据序列,选取多张训练图像重复执行此过程,获取来自所述多张训练图像的二维待统计数据序列;
将所述二维待统计数据序列按照检测区维度进行统计,得到来自所述多张训练图像的统计数据序列,并根据所述统计数据序列和预设的检测阈值生成参数计算得到来自所述多张训练图像的高检测阈值序列和低检测阈值序列;
基于产品的待检图像对每一检测区对应的定位核执行定位运算,获取所述待检图像的待检数据序列,并根据所述待检数据序列与所述高检测阈值序列、所述低检测阈值序列分别计算得到来自所述待检图像的高超差数据序列、低超差数据序列;
处理所述高超差数据序列、低超差数据序列生成来自所述待检图像的超差点集数据,将所述超差点集数据与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果。
2.如权利要求1所述的基于逐点比对分析的图纹质量检测方法,其特征在于,在所述基于产品的训练图像对每一检测区对应的定位核执行定位运算之前,还包括:
基于产品的参考图像选取多个定位核和多个检测区,建立每一检测区与距离最近的定位核的对应关系,并为每一检测区设置图像检测参数。
3.如权利要求2所述的基于逐点比对分析的图纹质量检测方法,其特征在于,所述基于产品的参考图像选取多个定位核和多个检测区,建立每一检测区与距离最近的定位核的对应关系,并为每一检测区设置图像检测参数,具体包括:
定位核选取阶段:选取产品的标准图像作为参考图像,均匀选取所述参考图像中多个匹配度高的图纹区域作为定位核,并分别记录多个定位核的定位核第一坐标;
检测区选取阶段:选取所述参考图像中多个需要进行质量检测的图纹区域作为检测区,并分别记录多个检测区的检测区第一坐标;
坐标关系建立阶段:基于所述检测区第一坐标和所述定位核第一坐标,建立每一检测区与距离最近的定位核的对应关系;
参数设置阶段:为每一检测区设置图像检测参数,所述图像检测参数包括检测阈值生成参数和缺陷检测条件。
4.如权利要求1所述的基于逐点比对分析的图纹质量检测方法,其特征在于,所述基于产品的训练图像对每一检测区对应的定位核执行定位运算,获取来自所述训练图像的待统计数据序列,选取产品的多张训练图像重复执行此过程,获取来自所述多张训练图像的二维待统计数据序列,具体包括:
定位核定位阶段:基于产品的训练图像调用快速匹配算法对定位核进行定位,获取训练图像中所述定位核的定位核第二坐标,并进行以下计算得到所述定位核的第一坐标偏移量:第一坐标偏移量=定位核第二坐标-定位核第一坐标;
检测区定位阶段:与所述定位核存在所述对应关系的检测区在所述训练图像的坐标偏移量等同于所述第一坐标偏移量,进行下列计算得到所述检测区的检测区第二坐标:检测区第二坐标=检测区第一坐标+第一坐标偏移量;
检测区坐标处理阶段:判断所述检测区第二坐标是否为整数,根据判断结果确认所述检测区的待统计数据;
待统计数据序列生成阶段:所述训练图像的每一定位核均经过所述定位核定位阶段、检测区定位阶段以及检测区坐标处理阶段,得到来自所述训练图像的待统计数据序列;
二维待统计数据序列生成阶段:选取产品的多张训练图像重复依次执行所述定位核定位阶段、检测区定位阶段、检测区坐标处理阶段以及待统计数据序列生成阶段,获取来自所述多张训练图像的二维待统计数据序列;所述二维待统计数据序列的行表示训练图像,列表示检测区,第一行第一列表示第一张训练图像的第一个检测区的待统计数据。
5.如权利要求4所述的基于逐点比对分析的图纹质量检测方法,其特征在于,所述检测区坐标处理阶段,具体包括:
在所述检测区第二坐标为整数时,所述训练图像中所述检测区的待统计数据即为所述训练图像中检测区第二坐标所在的区域图像数据,所述待统计数据与对应检测区的宽维度和高维度均相同;
在所述检测区第二坐标为小数时,对所述训练图像中检测区第二坐标所在的邻域图像数据进行亚像素插值,得到所述训练图像中所述检测区的待统计数据。
6.如权利要求1所述的基于逐点比对分析的图纹质量检测方法,其特征在于,所述将所述二维待统计数据序列按照检测区进行统计,得到来自所述多张训练图像的统计数据序列,并根据所述统计数据序列和预设的检测阈值生成参数计算得到来自所述多张训练图像的高检测阈值序列和低检测阈值序列,具体包括:
数据统计阶段:基于所述二维待统计数据序列,逐一训练图像对某一检测区的待统计数据进行逐像素点统计最大值,得到所述检测区的检测区最大值,所述检测区最大值与对应检测区的宽维度和高维度相同,逐一检测区重复上述过程,得到来自所述多张训练图像的检测区最大值序列;同理可统计来自所述多张训练图像的统计数据序列包括:检测区次大值序列、检测区最小值序列、检测区次小值序列以及检测区平均值序列;
检测阈值计算阶段:基于某个检测区的统计数据和所述检测阈值生成参数对所述检测区进行逐像素点计算,得到所述检测区的高检测阈值、低检测阈值,所述高检测阈值、低检测阈值均与所述检测区的宽维度和高维度相同,计算公式如下:
像素点高检测阈值=检测区中所述像素点的平均值+(检测区中所述像素点的次大值-检测区中所述像素点的平均值)×高阈值乘系数+高阈值加系数+高阈值邻域系数×像素点邻域公差值,其中,所述像素点邻域公差值=像素点邻域最大值-像素点邻域最小值;
像素点低检测阈值=检测区中所述像素点的平均值-(检测区中所述像素点的平均值-检测区中所述像素点的次小值)×低阈值乘系数-低阈值加系数-低阈值邻域系数×像素点邻域公差值,其中,所述高阈值乘系数、高阈值加系数、高阈值邻域系数、低阈值乘系数、低阈值加系数、低阈值邻域系数包括在所述检测区预设的检测阈值生成参数;
检测阈值序列生成阶段:对每一检测区执行检测阈值计算阶段,得到来自所述多张训练图像的高检测阈值序列和低检测阈值序列。
7.如权利要求1所述的基于逐点比对分析的图纹质量检测方法,其特征在于,所述基于产品的待检图像对每一检测区对应的定位核执行定位运算,获取来自所述待检图像的待检数据序列,具体包括:
基于产品的待检图像,执行所述定位核定位阶段获得待检图像中所述定位核的第二坐标偏移量;执行所述检测区定位阶段对所述第二坐标偏移量进行处理,得到所述检测区的检测区第三坐标;执行所述检测区坐标处理阶段对所述检测区第三坐标进行处理,获取来自所述待检图像的待检数据序列。
9.如权利要求1所述的基于逐点比对分析的图纹质量检测方法,其特征在于,所述处理所述高超差数据序列、低超差数据序列生成来自所述待检图像的超差点集数据,将所述超差点集数据与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果,包括:
超差点集数据统计阶段:基于某个检测区的高超差数据、低超差数据计算所述检测区中每一连通超差点集的超差面积和平均超差值;
缺陷判断阶段:所述缺陷检测条件包括超差面积阈值和能量阈值,在所述超差面积大于所述超差面积阈值,且所述平均超差值大于所述能量阈值时,确认所述检测区某一连通超差点集存在印刷缺陷;
缺陷分析阶段:在所述连通超差点集存在于所述高超差数据时,则确认所述连通超差点集的印刷缺陷为图纹缺印或颜色偏浅;在所述连通超差点集存在于所述低超差数据时,则所述连通超差点集的印刷缺陷类型为图纹多墨或颜色偏深;
检测区缺陷分析:对所述检测区的每一连通超差点集,执行所述缺陷判断阶段以及所述缺陷分析阶段,确认所述检测区的印刷缺陷状况;
待检图像缺陷分析:对所述待检图像的每一检测区,执行所述超差点集数据统计阶段、所述缺陷判断阶段以及所述缺陷分析阶段确认所述待检图像的印刷缺陷状况。
10.一种基于逐点比对分析的图纹质量检测装置,其特征在于,包括:
模型建立模块,用于根据产品的参考图像选取多个定位核和多个检测区,建立每一检测区与对应距离最近定位核的对应关系,并为每一检测区设置图像检测参数;
模型训练模块,用于根据产品的多张训练图像进行定位、处理、生成以及统计操作,获取来自多张训练图像的二维待统计数据序列,将所述二维待统计数据序列分析得到的统计数据序列与所述检测阈值生成参数计算得到高检测阈值序列和低检测阈值序列;
模型检测模块,用于根据产品的待检图像进行定位、处理以及生成操作获取所述待检图像的待检数据序列,并将根据所述待检数据序列计算得到的高超差数据序列、低超差数据序列与预设的缺陷检测条件对比,确认所述待检图像的图纹质量检测结果。
11.一种基于逐点比对分析的图纹质量检测系统,其特征在于,包括权利要求10所述的基于逐点比对分析的图纹质量检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671886.5A CN110632094B (zh) | 2019-07-24 | 2019-07-24 | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671886.5A CN110632094B (zh) | 2019-07-24 | 2019-07-24 | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110632094A true CN110632094A (zh) | 2019-12-31 |
CN110632094B CN110632094B (zh) | 2022-04-19 |
Family
ID=68969156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671886.5A Active CN110632094B (zh) | 2019-07-24 | 2019-07-24 | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632094B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837287A (zh) * | 2021-01-29 | 2021-05-25 | 山东建筑大学 | 一种板面缺陷区域的提取方法及装置 |
CN114295561A (zh) * | 2022-03-03 | 2022-04-08 | 北京中科慧眼科技有限公司 | 基于设备无关颜色空间的色差测量方法和系统 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6282304B1 (en) * | 1999-05-14 | 2001-08-28 | Biolink Technologies International, Inc. | Biometric system for biometric input, comparison, authentication and access control and method therefor |
JP2004108779A (ja) * | 2002-09-13 | 2004-04-08 | Fuji Xerox Co Ltd | 画像欠陥検査装置 |
CN101216435A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于多分形特征参数的织物瑕疵自动检测方法 |
CN101398392A (zh) * | 2007-09-26 | 2009-04-01 | 中国科学院自动化研究所 | 一种基于hsi颜色空间的棉花杂质高速实时检测方法 |
CN101576956A (zh) * | 2009-05-11 | 2009-11-11 | 天津普达软件技术有限公司 | 基于机器视觉的在线字符检测方法和系统 |
CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
CN103674962A (zh) * | 2013-09-27 | 2014-03-26 | 北京中钞钞券设计制版有限公司 | 印版质量检测系统和方法 |
CN105241894A (zh) * | 2015-08-28 | 2016-01-13 | 北京大恒图像视觉有限公司 | 一种用于多工序柔性印刷品检测的模板配准方法 |
CN106097379A (zh) * | 2016-07-22 | 2016-11-09 | 宁波大学 | 一种使用自适应阈值的图像篡改检测与定位方法 |
CN106340012A (zh) * | 2016-08-23 | 2017-01-18 | 凌云光技术集团有限责任公司 | 印刷品颜色检测方法及装置 |
CN107369179A (zh) * | 2017-07-31 | 2017-11-21 | 征图新视(江苏)科技有限公司 | 一种高精度图像定位方法 |
CN107464336A (zh) * | 2017-07-26 | 2017-12-12 | 南昌印钞有限公司 | 一种无色磷光印刷图纹质量在线检测方法及装置 |
CN107507204A (zh) * | 2017-07-31 | 2017-12-22 | 征图新视(江苏)科技有限公司 | 一种烟包缺陷检测中自动提取检测区的方法 |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
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 |
CN108364017A (zh) * | 2018-01-24 | 2018-08-03 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
CN108776140A (zh) * | 2018-06-08 | 2018-11-09 | 福建新大陆电脑股份有限公司 | 一种基于机器视觉的印刷品瑕疵检测方法及系统 |
CN109242823A (zh) * | 2018-07-25 | 2019-01-18 | 北京中科慧眼科技有限公司 | 一种用于定位计算的参考图像选择方法、装置与自动驾驶系统 |
CN109427048A (zh) * | 2017-09-04 | 2019-03-05 | 株式会社三丰 | 图像处理装置和存储介质 |
CN109507209A (zh) * | 2019-01-22 | 2019-03-22 | 中科院金华信息技术有限公司 | 一种薄膜印刷缺陷检测系统及方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
-
2019
- 2019-07-24 CN CN201910671886.5A patent/CN110632094B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6282304B1 (en) * | 1999-05-14 | 2001-08-28 | Biolink Technologies International, Inc. | Biometric system for biometric input, comparison, authentication and access control and method therefor |
JP2004108779A (ja) * | 2002-09-13 | 2004-04-08 | Fuji Xerox Co Ltd | 画像欠陥検査装置 |
CN101398392A (zh) * | 2007-09-26 | 2009-04-01 | 中国科学院自动化研究所 | 一种基于hsi颜色空间的棉花杂质高速实时检测方法 |
CN101216435A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于多分形特征参数的织物瑕疵自动检测方法 |
CN101576956A (zh) * | 2009-05-11 | 2009-11-11 | 天津普达软件技术有限公司 | 基于机器视觉的在线字符检测方法和系统 |
CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
CN103674962A (zh) * | 2013-09-27 | 2014-03-26 | 北京中钞钞券设计制版有限公司 | 印版质量检测系统和方法 |
CN105241894A (zh) * | 2015-08-28 | 2016-01-13 | 北京大恒图像视觉有限公司 | 一种用于多工序柔性印刷品检测的模板配准方法 |
CN106097379A (zh) * | 2016-07-22 | 2016-11-09 | 宁波大学 | 一种使用自适应阈值的图像篡改检测与定位方法 |
CN106340012A (zh) * | 2016-08-23 | 2017-01-18 | 凌云光技术集团有限责任公司 | 印刷品颜色检测方法及装置 |
CN107464336A (zh) * | 2017-07-26 | 2017-12-12 | 南昌印钞有限公司 | 一种无色磷光印刷图纹质量在线检测方法及装置 |
CN107369179A (zh) * | 2017-07-31 | 2017-11-21 | 征图新视(江苏)科技有限公司 | 一种高精度图像定位方法 |
CN107507204A (zh) * | 2017-07-31 | 2017-12-22 | 征图新视(江苏)科技有限公司 | 一种烟包缺陷检测中自动提取检测区的方法 |
CN109427048A (zh) * | 2017-09-04 | 2019-03-05 | 株式会社三丰 | 图像处理装置和存储介质 |
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 |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN108364017A (zh) * | 2018-01-24 | 2018-08-03 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
CN108776140A (zh) * | 2018-06-08 | 2018-11-09 | 福建新大陆电脑股份有限公司 | 一种基于机器视觉的印刷品瑕疵检测方法及系统 |
CN109242823A (zh) * | 2018-07-25 | 2019-01-18 | 北京中科慧眼科技有限公司 | 一种用于定位计算的参考图像选择方法、装置与自动驾驶系统 |
CN109507209A (zh) * | 2019-01-22 | 2019-03-22 | 中科院金华信息技术有限公司 | 一种薄膜印刷缺陷检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
陈功明等: "包装彩盒检测中定位核提取算法", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837287A (zh) * | 2021-01-29 | 2021-05-25 | 山东建筑大学 | 一种板面缺陷区域的提取方法及装置 |
CN114295561A (zh) * | 2022-03-03 | 2022-04-08 | 北京中科慧眼科技有限公司 | 基于设备无关颜色空间的色差测量方法和系统 |
CN114295561B (zh) * | 2022-03-03 | 2022-09-20 | 北京中科慧眼科技有限公司 | 基于设备无关颜色空间的色差测量方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110632094B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200133182A1 (en) | Defect classification in an image or printed output | |
CN112837303A (zh) | 一种用于模具监视的缺陷检测方法、装置、设备及介质 | |
JP2020017549A (ja) | Oledスタック膜の品質査定のためのシステム、デバイス、および方法 | |
CN110632094B (zh) | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 | |
CN111915485B (zh) | 一种特征点稀疏工件图像的快速拼接方法及系统 | |
CN114240939A (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
CN115131444A (zh) | 一种基于单目视觉点胶平台的标定方法 | |
CN102279191A (zh) | 周期性纹理图像中缺陷的检测方法和装置 | |
CN111062934A (zh) | 一种织物图像缺陷实时检测方法 | |
CN108710837A (zh) | 吸烟行为识别方法、装置、计算机设备和存储介质 | |
CN112669286A (zh) | 基于红外热像的外墙外保温系统缺陷识别与损伤程度评价方法 | |
CN111476758A (zh) | Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN114266764A (zh) | 一种印刷标签的字符完整性检测方法及其装置 | |
CN114419045A (zh) | 光刻掩模板缺陷检测方法、装置、设备及可读存储介质 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN113838144B (zh) | 一种基于机器视觉和深度学习的uv打印机上物件定位方法 | |
CN110288619B (zh) | 基于视觉的太阳花模组表面螺钉孔位置检测方法 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN111079575B (zh) | 一种基于包装图像特征的物料识别方法及系统 | |
CN111062910B (zh) | 局部阈值分割方法及缺陷检测方法 | |
CN114503157A (zh) | 教师数据生成方法、训练学习模型以及系统 | |
CN115375689B (zh) | 基于机器视觉的烟丝桶检测方法、装置、设备及介质 | |
CN113850100B (zh) | 一种校正二维码的方法和电子设备 | |
CN115984197A (zh) | 基于标准pcb图像的缺陷检测方法及相关装置 |
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 |