CN111126391A - 一种印刷字符缺陷定位方法 - Google Patents
一种印刷字符缺陷定位方法 Download PDFInfo
- Publication number
- CN111126391A CN111126391A CN201911345386.9A CN201911345386A CN111126391A CN 111126391 A CN111126391 A CN 111126391A CN 201911345386 A CN201911345386 A CN 201911345386A CN 111126391 A CN111126391 A CN 111126391A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- image set
- character
- images
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 18
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000013519 translation Methods 0.000 claims abstract description 5
- 230000002950 deficient Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000005855 radiation Effects 0.000 abstract description 2
- 230000002411 adverse Effects 0.000 abstract 1
- 238000011179 visual inspection Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种印刷字符缺陷定位方法,属于视觉检测技术领域,通过仿射变换生成缺陷图像集,将缺陷图像集中不同图像随机区域置为白色形成训练图像集;将缺陷图像集与训练图像集的对应图像相减,通过将对应图像中相同区域像素被置和不同区域像素重置形成对应的标签图像集;将缺陷图像集与标签图像集输入神经网络模型中对样本进行训练,待训练完成后将模型固化导出用于字符缺陷预测,通过预测结果确定所述字符缺陷图像的实际缺陷。在扭曲等放射变换情况下也能够快速检测印刷字符少墨、缺失、漏印缺陷,模拟生产线上的字符印刷过程,不受限于固定模板,能够在图像扭曲、平移等各种不利条件下实现印刷字符少墨、缺失、漏印缺陷的准确检测。
Description
技术领域
本发明属于视觉检测技术领域,具体涉及一种在扭曲等放射变换情况下印刷字符缺陷(少墨)的定位检测方法。
背景技术
在工业印刷机对产品外包装、产品说明书等相关印刷品上的印刷字符批量印刷过程中,字符缺失和漏印等问题对印刷质量带来了严重的质量影响。如何提高字符印刷质量以及提高字符缺陷定位精度对机器视觉技术提出了严峻考验。传统的模板匹配技术可以快速实现印刷字符的缺陷(缺失或漏印)定位,如图3所示的英文字符"Tensorflow"以及中文字符"深度学习"中,在平面情况下,字母“e”和汉字“习”的少墨缺陷,模板匹配方法能够很清晰识别字符,但其算法需要基于已有固定的模板。但是在工业加工流水线上,若待检测字符与已有模板之间带有位置偏差或者存在一定的仿射变换(包括图形任意倾斜、扭曲、旋转等仿射变换)时,传统模板匹配算法由于只能基于固有模板,则无法适应变换后的图像,检测结果一般如图4所示,在扭曲情况下发生错位和重影等与原有图形之间的偏差,特别是对于汉字印刷缺陷的识别误差更大,因而便不能发挥准确的检测优势。
发明内容
本发明要解决的技术问题是,针对印刷字符存在的少墨、缺失或漏印缺陷以及字符印刷过程中存在的扭曲、旋转等仿射变换造成与原有图形之间偏差,本发明提供了一种印刷字符缺陷定位方法,能够用于检测多位姿下的印刷字符少墨、缺失或漏印缺陷,提高印刷字符缺陷定位精度,改善字符印刷质量。
为解决上述技术问题,本发明采用如下技术问题:
一种印刷字符缺陷定位方法,其特征在于包括如下步骤:
(1)模拟生产线上的字符印刷过程,通过仿射变换生成不同的缺陷字符图像样本,形成缺陷图像集ImageSet;
(2)模拟字符缺陷或少墨现象,将缺陷图像集ImageSet中不同图像中随机区域设置为白色,将对应形成的图像集命名为训练图像集TrainSet;
(3)将缺陷图像集ImageSet与训练图像集TrainSet的对应图像相减,通过将对应图像中相同区域像素被置和不同区域像素重置来对缺陷类型进行标记,形成对应的标签图像集LabelSet;
(4)构建基于缺陷图像的神经网络模型,所述神经网络模型包括特征提取网络以及特征预测网络;将缺陷图像集ImageSet与标签图像集LabelSet输入所述神经网络模型中对样本进行训练,待训练完成后将模型固化导出为model.pb;
(5)获取字符图像并输入所述神经网络模型,并调用model.pb文件进行缺陷预测,通过预测结果确定所述字符缺陷图像的实际缺陷,预测结果中0指代背景区域,1指代缺陷区域。
上述方案中,步骤(1)图像软件随机生成字符图像,将生成的所述字符图像进行不同程度的扭曲、旋转、平移、仿射变换得到m幅缺陷字符图像样本以构成缺陷图像集ImageSet;所述缺陷字符图像样本为RGB三通道图像,且图像尺寸为[m,n,3],m对应单幅图像的长,n对应单幅图像的宽。
上述方案中,步骤(1)和步骤(5)的所述字符图像至少包括英文字符和中文字符中的一种。
上述方案中,步骤(2)采用Matlab软件产生[0,0]到[m,n]的随机二维坐标,设置ImageSet图像集中的字符缺陷,将对应的缺陷区域像素值置为255,即显示为白色,处理后的图像集为训练图像集TrainSet;且训练图像集TrainSet中的图像均为RGB三通道图像,其对应图像尺寸为[m,n,3]。
上述方案中,步骤(3)将缺陷图像集ImageSet与训练图像集TrainSet的对应图像相减后,得到的图像转成uint8单通道格式并形成为标签图像集LabelSet。
上述方案中,步骤(3)通过将对应图像中相同区域像素被置为0、不同区域像素被置为1来对是否存在缺陷进行标记,形成对应的标签图像集LabelSet。
上述方案中,步骤(3)中不同区域设定为缺陷区域,缺陷区域像素被置为1。
上述方案中,步骤(3)中所述的缺陷类型为少墨、缺失、漏印缺陷中的至少一种。
上述方案中,步骤(4)中,所述特征提取网络前端采用小卷积核卷积层用于局部特征提取,中端以及末端采取大卷积核卷积层用于全局特征提取,并在卷积层后连接池化层以实现特征降维处理,终端连接两个全连接层用于将所提取的特征按背景和字符缺陷这两类进行特征分类。
上述方案中,步骤(4)中,所述特征预测网络采用池化层和一个全连接层;所述池化层用于防止特征数据过拟合,所述全连接层用于恢复标签图像集LabelSet预测图为输入图像尺寸。
相对于现有技术,本发明的字符缺陷检测方法具有如下有益效果:
通过仿射变换生成不同的缺陷样本图像,能够模拟工业流水线上字符的少墨、旋转、偏移以及扭曲等实际工况,,相对于模板匹配视觉检测方法能够更加准确地对缺陷字符进行定位,检测精度得到显著提高。特别适用于仿射变换情况下字符少墨、旋转、偏移以及扭曲等实际工况的检测现场,可用于检测多位姿下的印刷字符缺陷在线检测。
同时,本发明基于小样本缺陷图像构建神经网络,综合考虑工艺加工流水线上字符的旋转、偏移以及仿射变换,网络模型比较简单,不用手动对缺陷类型进行标记分类,只需要将背景简单置白即可,训练速度快计算量少,能快速适应工业流水线上字符的实际缺陷种类,可快速识别字符缺陷,检测速度可以与模板匹配方法相当。
最后,本发明的字符检测针对字母检测和汉字检测的效果均比较准确,特别适用于字母检测和汉字检测。
附图说明
图1为本发明印刷字符缺陷定位方法的流程图。
图2为本发明神经网络模型的架构图。
图3为传统模板匹配字符缺陷预测效果图。
图4为仿射变换条件下的传统模板匹配字符缺陷预测效果图。
图5为本发明的字符缺陷定位检测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1和2所示,本发明的印刷字符缺陷定位方法,包括如下步骤:
(1)模拟生产线上的字符印刷过程,通过仿射变换生成不同的缺陷字符图像样本,形成缺陷图像集ImageSet。
本实施例中,缺陷样本制作优选采用PhotoShop软件生成字符图像,通过旋转、平移、仿射变换生成m幅不同样式的图像,用于模拟生产线上的字符印刷图像,并且该m幅图像构成模型训练图像集合ImageSet,ImageSet图像集中图像为RGB三通道图像,对应图像尺寸为[m,n,3],其中m对应单幅图像的长,n对应单幅图像的宽。
(2)模拟字符缺陷或少墨现象,将缺陷图像集ImageSet中不同图像中随机区域设置为白色,将对应形成的图像集命名为训练图像集TrainSet。
具体的,采用Matlab产生[0,0]到[m,n]的随机二维坐标,手动制造ImageSet图像集中的字符缺陷,并将对应缺陷区域像素值置为255,即显示为白色,处理后的图像集为缺陷训练图像集TrainSet,TrainSet图像集中图像为RGB三通道图像,其对应图像尺寸为[m,n,3],其中m对应单幅图像的长,n对应单幅图像的宽。
(3)将缺陷图像集ImageSet与训练图像集TrainSet的对应图像相减,通过将对应图像中相同区域像素被置和不同区域像素重置来对缺陷类型进行标记,形成对应的标签图像集LabelSet。
具体的,将ImageSet图像集与训练图像集TrainSet中对应图像相减,得到的图像转成uint8单通道格式。
(4)构建基于缺陷图像的神经网络模型,所述神经网络模型包括特征提取网络以及特征预测网络;将缺陷图像集ImageSet与标签图像集LabelSet输入所述神经网络模型中对样本进行训练,待训练完成后将模型固化导出为model.pb;
(5)获取字符图像并输入所述神经网络模型,并调用model.pb文件进行缺陷预测,通过预测结果确定所述字符缺陷图像的实际缺陷,预测结果中0指代背景区域,1指代缺陷区域。
特别的,如图2所示,本发明设计自主搭建网络模型架构用于解决小样本训练问题,所设计网络模型架构包括特征提取网络以及特征预测网络,其中特征提取网络包括:14个卷积层,5个池化层以及2个全连接层,特征预测网络包括:5个池化层和1个全连接层。为优化提取字符缺陷图像特征,本发明专利特征提取网络前端采用小卷积核卷积层用于局部特征提取,中端以及末端采取大卷积核卷积层用于全局特征提取,并在卷积层后连接池化层以实现特征降维处理,终端连接两个全连接层用于特征分类,即背景和字符缺陷(少墨)。本发明专利特征预测网络采用池化层用于防止特征数据过拟合,以及一个全连接层用于恢复Label预测图为输入图像尺寸。
具体的,通过限定模型训练的计算loss值以及迭代循环次数,保存模型训练的权重文件model.ckpt.data-00000-of-00001,参数变量文件model.ckpt.index以及网络文件model.ckpt.meta,本发明设计将三个文件固化为一个模型文件即model.pb,其对应网络输入为RGB三通道图像,对应图像尺寸为[m,n,3],其中m对应单幅图像的长,n对应单幅图像的宽,网络输出为单通道图像,对应图像尺寸为[m,n],其中m对应单幅图像的长,n对应单幅图像的宽。
下面结合附图5的具体字样图片的字符缺陷预测效果对本发明方法作进一步说明。
(1) 采用PhotoShop软件生成字符图像,包含英文字符"Tensorflow"以及中文字符"深度学习",并调用PhotoShop软件中的扭曲变换,将该字符图像进行不同程度的扭曲变换,对应图像集命名为:缺陷图像集ImageSet;
(2) 采用Matlab软件随机产生缺陷区域,即将ImageSet图像集中不同图像中随机区域设置为白色,模拟字符缺陷(少墨),对应图像集命名为:训练图像集TrainSet;
(3) 将缺陷图像集ImageSet与训练图像集TrainSet对应图像相减,则对应图像中相同区域像素被置为0,不同区域即缺陷区域像素被置为1,1对应一类缺陷:少墨,对应图像集命名为:标签图像集LabelSet;
(4) 将缺陷图像集ImageSet与标签图像集LabelSet输入本发明模型网络架构中,设置模型训练步数为3000,待训练完成后将模型固化导出为model.pb;
(5) 输入字符缺陷图像(少墨),并调用model.pb文件进行模型预测,预测结果仅包含0,1两种类型像素,0指代背景,1指代缺陷。
可以看出,与此图3对应传统模板匹配算法下的字符缺陷预测效果(少墨缺陷),图4对应传统模板匹配算法下的带扭曲字符缺陷预测效果相比(扭曲情况下的少墨),即使在字符被扭曲情况下,本发明依然能够非常准确地识别字符“英文字符"Tensorflow"以及中文字符"深度学习"在扭曲情况下的少墨缺陷,字母“e”的横段和汉字“深”的竖段的漏墨缺陷就显示地非常清晰,可以实现字母字符和汉字字符的印刷缺陷准确定位。且由于小样本训练,能够快速实现检测,适用于对不同空间位姿下的字符进行在线检测,提高缺陷定位精度以及印刷质量。
本发明的少墨、缺失或漏印缺陷在除扭曲以外的其他仿射变换情况下也同样适用,本领域技术人员可以将其应用在其他旋转、平移等图像仿射变换情况下。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种印刷字符缺陷定位方法,其特征在于包括如下步骤:
(1)模拟生产线上的字符印刷过程,通过仿射变换生成不同的缺陷字符图像样本,形成缺陷图像集ImageSet;
(2)模拟字符缺陷或少墨现象,将缺陷图像集ImageSet中不同图像中随机区域设置为白色,将对应形成的图像集命名为训练图像集TrainSet;
(3)将缺陷图像集ImageSet与训练图像集TrainSet的对应图像相减,通过将对应图像中相同区域像素被置和不同区域像素重置来对缺陷类型进行标记,形成对应的标签图像集LabelSet;
(4)构建基于缺陷图像的神经网络模型,所述神经网络模型包括特征提取网络以及特征预测网络;将缺陷图像集ImageSet与标签图像集LabelSet输入所述神经网络模型中对样本进行训练,待训练完成后将模型固化导出为model.pb;
(5)获取字符图像并输入所述神经网络模型,并调用model.pb文件进行缺陷预测,通过预测结果确定所述字符缺陷图像的实际缺陷,预测结果中0指代背景区域,1指代缺陷区域。
2.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(1)图像软件随机生成字符图像,将生成的所述字符图像进行不同程度的扭曲、旋转、平移、仿射变换得到m幅缺陷字符图像样本以构成缺陷图像集ImageSet;所述缺陷字符图像样本为RGB三通道图像,且图像尺寸为[m,n,3],m对应单幅图像的长,n对应单幅图像的宽。
3.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(1)和步骤(5)的所述字符图像至少包括英文字符和中文字符中的一种。
4.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(2)采用Matlab软件产生[0,0]到[m,n]的随机二维坐标,设置ImageSet图像集中的字符缺陷,将对应的缺陷区域像素值置为255,即显示为白色,处理后的图像集为训练图像集TrainSet;且训练图像集TrainSet中的图像均为RGB三通道图像,其对应图像尺寸为[m,n,3]。
5.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(3)将缺陷图像集ImageSet与训练图像集TrainSet的对应图像相减后,得到的图像转成uint8单通道格式并形成为标签图像集LabelSet。
6.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(3)通过将对应图像中相同区域像素被置为0、不同区域像素被置为1来对是否存在缺陷进行标记,形成对应的标签图像集LabelSet。
7.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(3)中不同区域设定为缺陷区域,缺陷区域像素被置为1。
8.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(3)中所述的缺陷类型为少墨、缺失、漏印缺陷中的至少一种。
9.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(4)中,所述特征提取网络前端采用小卷积核卷积层用于局部特征提取,中端以及末端采取大卷积核卷积层用于全局特征提取,并在卷积层后连接池化层以实现特征降维处理,终端连接两个全连接层用于将所提取的特征按背景和字符缺陷这两类进行特征分类。
10.根据权利要求1所述的印刷字符缺陷定位方法,其特征在于步骤(4)中,所述特征预测网络采用池化层和一个全连接层;所述池化层用于防止特征数据过拟合,所述全连接层用于恢复标签图像集LabelSet预测图为输入图像尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345386.9A CN111126391B (zh) | 2019-12-24 | 2019-12-24 | 一种印刷字符缺陷定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345386.9A CN111126391B (zh) | 2019-12-24 | 2019-12-24 | 一种印刷字符缺陷定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126391A true CN111126391A (zh) | 2020-05-08 |
CN111126391B CN111126391B (zh) | 2023-10-31 |
Family
ID=70501798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911345386.9A Active CN111126391B (zh) | 2019-12-24 | 2019-12-24 | 一种印刷字符缺陷定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126391B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462120A (zh) * | 2020-06-17 | 2020-07-28 | 熵智科技(深圳)有限公司 | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 |
CN111507357A (zh) * | 2020-06-17 | 2020-08-07 | 熵智科技(深圳)有限公司 | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 |
CN112001396A (zh) * | 2020-08-12 | 2020-11-27 | 浙江大学 | 一种轴承表面形变及文字混合缺陷图像检测方法 |
CN113344880A (zh) * | 2021-06-09 | 2021-09-03 | 浙江国研智能电气有限公司 | 基于Fast-RCNN的低压电器移印图案缺陷检测方法 |
CN114359201A (zh) * | 2021-12-29 | 2022-04-15 | 丽台(上海)信息科技有限公司 | 一种汽车生产线上镌刻标识质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5794094A (en) * | 1997-05-08 | 1998-08-11 | Hewlett-Packard Company | Accurate toner level feedback via active artificial intelligence |
CA3029031A1 (en) * | 2016-07-20 | 2018-01-25 | Ball Corporation | System and method for aligning an inker of a decorator |
CN107945172A (zh) * | 2017-12-08 | 2018-04-20 | 博众精工科技股份有限公司 | 一种字符检测方法及系统 |
CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
-
2019
- 2019-12-24 CN CN201911345386.9A patent/CN111126391B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5794094A (en) * | 1997-05-08 | 1998-08-11 | Hewlett-Packard Company | Accurate toner level feedback via active artificial intelligence |
CA3029031A1 (en) * | 2016-07-20 | 2018-01-25 | Ball Corporation | System and method for aligning an inker of a decorator |
CN107945172A (zh) * | 2017-12-08 | 2018-04-20 | 博众精工科技股份有限公司 | 一种字符检测方法及系统 |
CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
彭思阳;廖华丽;: "热敏打印机打印缺陷检测方法研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462120A (zh) * | 2020-06-17 | 2020-07-28 | 熵智科技(深圳)有限公司 | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 |
CN111507357A (zh) * | 2020-06-17 | 2020-08-07 | 熵智科技(深圳)有限公司 | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 |
CN112001396A (zh) * | 2020-08-12 | 2020-11-27 | 浙江大学 | 一种轴承表面形变及文字混合缺陷图像检测方法 |
CN112001396B (zh) * | 2020-08-12 | 2022-08-23 | 浙江大学 | 一种轴承表面形变及文字混合缺陷图像检测方法 |
CN113344880A (zh) * | 2021-06-09 | 2021-09-03 | 浙江国研智能电气有限公司 | 基于Fast-RCNN的低压电器移印图案缺陷检测方法 |
CN114359201A (zh) * | 2021-12-29 | 2022-04-15 | 丽台(上海)信息科技有限公司 | 一种汽车生产线上镌刻标识质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111126391B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126391B (zh) | 一种印刷字符缺陷定位方法 | |
CN106952250B (zh) | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
US8654398B2 (en) | Method for simulating impact printer output, evaluating print quality, and creating teaching print samples | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN111145163B (zh) | 一种纸张褶皱缺陷检测方法及装置 | |
CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
CN111080622A (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
US8971663B2 (en) | System and method for producing synthetic golden template image for vision system inspection of multi-layer patterns | |
CN109886954B (zh) | 一种印刷品缺陷检测方法 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN110853013A (zh) | 一种白色家电外壁喷涂质量检测方法 | |
CN112132196A (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
WO2023207064A1 (zh) | 基于弱光补偿的MaskRCNN渗水检测方法及系统 | |
CN114266764A (zh) | 一种印刷标签的字符完整性检测方法及其装置 | |
CN111696079A (zh) | 一种基于多任务学习的表面缺陷检测方法 | |
CN112529989A (zh) | 一种基于票据模板的图片重构方法 | |
CN110956147B (zh) | 生成训练数据的方法及装置 | |
CN110889374A (zh) | 印章图像处理方法、装置、计算机及存储介质 | |
CN114187247A (zh) | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 | |
Valente et al. | Print defect mapping with semantic segmentation | |
CN112884741A (zh) | 一种基于图像相似性对比的印刷表观缺陷检测方法 | |
CN102135503B (zh) | 一种利用图像边缘信息的彩色套印偏差的检测方法 | |
CN107516309B (zh) | 一种印刷面板缺陷视觉检测方法 |
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 |