CN111798429A - 一种印刷品缺陷的视觉检测方法 - Google Patents
一种印刷品缺陷的视觉检测方法 Download PDFInfo
- Publication number
- CN111798429A CN111798429A CN202010636537.2A CN202010636537A CN111798429A CN 111798429 A CN111798429 A CN 111798429A CN 202010636537 A CN202010636537 A CN 202010636537A CN 111798429 A CN111798429 A CN 111798429A
- Authority
- CN
- China
- Prior art keywords
- image
- rectangular frame
- feature
- contour
- 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
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
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/403—Edge-driven scaling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
-
- 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
Abstract
一种印刷品缺陷的视觉检测方法,包括:采集标准件和待测件的灰度图像Ia和Ib,然后将Ia和Ib配准;将Ia和Ib按缩放系数进行缩放,然后生成二值边缘轮廓图,再对二值边缘轮廓图进行形态学闭操作和形态学膨胀操作,从而获得图Oa和Ob;提取Ob的每条轮廓,并计算每条轮廓的内部面积,然后过滤出内部面积大于阈值的轮廓,获取过滤出每条轮廓的外接矩形框,再将外接矩形框乘以缩放系数,构成矩形框集;从矩形框集中提取每个外接矩形框,并计算每个外接矩形框在Ib中的缺陷位置;汇总并输出矩形框集中所有外接矩形框在Ib中的缺陷位置。本发明属于信息技术领域,能基于计算机视觉对印刷品缺陷进行精准检测,并适用于各种分辨率的图像。
Description
技术领域
本发明涉及一种印刷品缺陷的视觉检测方法,属于信息技术领域。
背景技术
在印刷行业,产品在进入正式生产前,需要进行试生产,以验证生产设备是否调校到位。在试生产阶段,试产样品的印刷内容(包括文字和图案)需要与标准件一模一样,例如,如果条形码印刷错误一个数字,在正式生产中,则会导致整批产品报废,造成巨大的经济损失。因此,必须杜绝试产样品错印现象。
现有对印刷品缺陷的检测方式主要包括人工和基于计算机视觉的两种方式:
(1)传统人工检测方式,使用人眼对比,这种方式非常耗时,效率低下,且容易存在漏检,特别是对于说明书一类的印刷品,漏检率较高。
(2)基于计算机视觉的方式,分别对标准品和试产样品拍照,然后对二者的图像进行配准,对配准后的图像进行比对,发现错印位置。这种方式的关键在于配准精度要足够高,特别是对于大幅面印刷品,需要使用超高分辨率工业相机成像,分辨率在4K以上。问题是对于这种高分辨率图像,配准前即使对图像进行畸变矫正,但依然不能完美去除图像畸变,图像不同局部区域仍然存在不同程度的畸变,导致配准后局部区域存在低至几个像素的偏差。标准品和试产样品在镜头中的前后摆放位置任意,也会加剧上述偏差现象。
因此,如何基于计算机视觉对印刷品缺陷进行精准检测,并适用于各种分辨率的印刷品图像,已经成为技术人员普遍关注的技术问题。
发明内容
有鉴于此,本发明的目的是提供了一种印刷品缺陷的视觉检测方法,能基于计算机视觉对印刷品缺陷进行精准检测,并适用于各种分辨率的印刷品图像。
为了达到上述目的,本发明提供了一种印刷品缺陷的视觉检测方法,包括有:
步骤一、分别采集标准件和待测件的灰度图像Ia和Ib,且图像Ia和Ib大小一致,然后将图像Ia和Ib进行配准;
步骤二、将配准后的图像Ia和Ib按缩放系数进行缩放,然后生成缩放后图像的二值边缘轮廓图,再对二值边缘轮廓图进行相同的形态学闭操作和形态学膨胀操作,从而获得Ia和Ib分别对应的结果图Oa和Ob;
步骤三、提取Ob的每条轮廓,并计算每条提取轮廓的内部面积,然后从所有提取轮廓中过滤出其内部面积大于阈值的轮廓,获取过滤出的每条轮廓的外接矩形框,再将获取到的每条轮廓的外接矩形框乘以缩放系数,最后由所有乘以缩放系数后的外接矩形框构成矩形框集;
步骤四、从矩形框集中逐一提取每个外接矩形框,并计算获得每个外接矩形框在图像Ib中的缺陷位置:从图像Ia和Ib中分别截取所提取外接矩形框对应的子图,将从Ia和Ib中截取得到的两个子图进行配准,然后将配准后的两个子图相减取绝对值,从而得到一个差值图像,利用动态阈值二值化算法对差值图像进行二值分割,再利用形态学闭运算将孤立的微小区域合并,最后对合并后的图像提取轮廓,结合其对应的外接矩形框,获取在图像Ib中的缺陷位置;
步骤五、汇总并输出矩形框集中的所有外接矩形框在图像Ib中的缺陷位置,即从印刷品中检测到的所有缺陷。
与现有技术相比,本发明的有益效果是:本发明自动分析纹理区域,自动选择局部纹理子区域进行单独配准,然后分别对配准后的子区域检测缺陷,从而能最大程度缓解图像不同区域畸变程度不同和采用全局配准方式带来的配准精度不够高的问题,适用于各种分辨率的印刷品图像,尤其能够在高分辨率图像中检测出低至几个像素宽度的缺陷,具有较好的检测效果。
附图说明
图1是本发明一种印刷品缺陷的视觉检测方法的流程图。
图2是图1步骤一或步骤四中将图像进行配准的具体步骤流程图。
图3是应用本发明方法的1个实施例在步骤二中获得的Sa的示意图。
图4是应用本发明方法的1个实施例在步骤二中获得的Sb的示意图。
图5是应用本发明方法的1个实施例在步骤二中获得的Eb的示意图。
图6是应用本发明方法的1个实施例在步骤二中获得的Ob的示意图。
图7是应用本发明方法的1个实施例在步骤三中的矩形框集的所有外接矩形框的示意图。
图8是应用本发明方法的1个实施例在步骤四从图像Ia中截取得到的1个子图的示意图。
图9是应用本发明方法的1个实施例在步骤四从图像Ib中截取得到的1个子图的示意图。
图10是应用本发明方法的1个实施例在步骤四中的一个外接矩形框在图像Ib中的缺陷位置的示意图。
图11是应用本发明方法的1个实施例在步骤五汇总得到的所有缺陷位置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
本发明提供一种基于计算机视觉的印刷品缺陷检测方法,适合各种分辨率的图像,尤其能够在高分辨率图像中检测低至几个像素宽度的缺陷。如图1所示,本发明一种印刷品缺陷的视觉检测方法,包括有:
步骤一、分别采集标准件和待测件的灰度图像Ia和Ib,且图像Ia和Ib大小一致,然后将图像Ia和Ib进行配准;
步骤二、将配准后的图像Ia和Ib按缩放系数进行缩放,然后生成缩放后图像的二值边缘轮廓图,再对二值边缘轮廓图进行相同的形态学闭操作和形态学膨胀操作,从而获得Ia和Ib分别对应的结果图Oa和Ob;
步骤三、提取Ob的每条轮廓,并计算每条提取轮廓的内部面积,然后从所有提取轮廓中过滤出其内部面积大于阈值的轮廓,获取过滤出的每条轮廓的外接矩形框,再将获取到的每条轮廓的外接矩形框乘以缩放系数,最后由所有乘以缩放系数后的外接矩形框构成矩形框集;
步骤四、从矩形框集中逐一提取每个外接矩形框,并计算获得每个外接矩形框在图像Ib中的缺陷位置:从图像Ia和Ib中分别截取所提取外接矩形框对应的子图,将从Ia和Ib中截取得到的两个子图进行配准,然后将配准后的两个子图相减取绝对值,从而得到一个差值图像,利用动态阈值二值化算法对差值图像进行二值分割,再利用形态学闭运算将孤立的微小区域合并,最后对合并后的图像提取轮廓,结合其对应的外接矩形框,获取在图像Ib中的缺陷位置;
步骤四对截取得到的子图进行单独配准,然后在子图中寻找缺陷,这时缺陷的位置坐标信息是基于子图的坐标系,所以利用外接矩形框的左上角点,可以将缺陷的位置坐标恢复到基于图像Ib的坐标系中;
步骤五、汇总并输出矩形框集中的所有外接矩形框在图像Ib中的缺陷位置,即从印刷品中检测到的所有缺陷。
步骤一进一步包括有:
步骤11、对工业相机进行摄像机标定,记录工业相机的外参和内参;
步骤12、分别采集标准件和待测件的灰度图像Ia和Ib,且采集到的两个图像大小一致,并利用步骤11的相机标定参数去除图像畸变。
如图2所示,步骤一或步骤四中,将图像(例如Ia和Ib、或从Ia和Ib中截取得到的两个子图)进行配准,以图像I1和I2为例,可以进一步包括有:
步骤A1、使用特征提取算子,分别提取I1和I2的特征,从而得到I1和I2各自的特征点集Z1、Z2和特征向量集X1、X2,其中特征点集中的特征点和特征向量集中的特征向量依序一一对应;可以采用SIFT、SURF、ORB等各种特征提取算子;
步骤A2、利用KNN(k-NearestNeighbor)算法,计算特征向量集X1和X2中互相匹配的特征向量,然后从特征点集Z1、Z2中分别获取每个互相匹配的特征向量对应的特征点,并由从特征点集Z1、Z2中分别获取的特征点构成各自的特征点子集ZZ1、ZZ2,特征点子集ZZ1和ZZ2中的每个特征点依序一一对应;
步骤A3、利用特征点子集ZZ1、ZZ2,计算单应性(Homography)矩阵,并利用单应性矩阵将图像I1和I2配准。
步骤二进一步包括有:
将配准后的图像Ia和Ib缩放到高*宽为480*640的图像尺寸,缩放后的结果图是Sa和Sb,并计算缩放系数s=w/640,其中,w是图像Ia的宽度,然后利用canny算子生成Sa和Sb的二值边缘轮廓图Ea和Eb,并对Ea和Eb都进行相同的形态学闭操作和形态学膨胀操作,最后得到各自的结果图:Oa和Ob。
为了更清楚的解释本发明各个步骤的处理效果,图3-11分别示出了应用本发明方法的一个实施例,其中,图3和图4分别是实施例在步骤二中获得的Sa和Sb,图5是实施例在步骤二中获得的Eb,图6是实施例在步骤二中获得的Ob,图7中的所有矩形框是实施例在步骤三的矩形框集中的所有外接矩形框,图8、9是实施例在步骤四从Ia和Ib中分别截取得到的两个子图,图10是实施例在步骤四的其中一个外接矩形框在图像Ib中的缺陷位置,图11是实施例在步骤五汇总得到的所有缺陷位置。
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,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (4)
1.一种印刷品缺陷的视觉检测方法,其特征在于,包括有:
步骤一、分别采集标准件和待测件的灰度图像Ia和Ib,且图像Ia和Ib大小一致,然后将图像Ia和Ib进行配准;
步骤二、将配准后的图像Ia和Ib按缩放系数进行缩放,然后生成缩放后图像的二值边缘轮廓图,再对二值边缘轮廓图进行相同的形态学闭操作和形态学膨胀操作,从而获得Ia和Ib分别对应的结果图Oa和Ob;
步骤三、提取Ob的每条轮廓,并计算每条提取轮廓的内部面积,然后从所有提取轮廓中过滤出其内部面积大于阈值的轮廓,获取过滤出的每条轮廓的外接矩形框,再将获取到的每条轮廓的外接矩形框乘以缩放系数,最后由所有乘以缩放系数后的外接矩形框构成矩形框集;
步骤四、从矩形框集中逐一提取每个外接矩形框,并计算获得每个外接矩形框在图像Ib中的缺陷位置:从图像Ia和Ib中分别截取所提取外接矩形框对应的子图,将从Ia和Ib中截取得到的两个子图进行配准,然后将配准后的两个子图相减取绝对值,从而得到一个差值图像,利用动态阈值二值化算法对差值图像进行二值分割,再利用形态学闭运算将孤立的微小区域合并,最后对合并后的图像提取轮廓,结合其对应的外接矩形框,获取在图像Ib中的缺陷位置;
步骤五、汇总并输出矩形框集中的所有外接矩形框在图像Ib中的缺陷位置,即从印刷品中检测到的所有缺陷。
2.根据权利要求1所述的方法,其特征在于,步骤一进一步包括有:
步骤11、对工业相机进行摄像机标定,记录工业相机的外参和内参;
步骤12、分别采集标准件和待测件的灰度图像Ia和Ib,且采集到的两个图像大小一致,并利用步骤11的相机标定参数去除图像畸变。
3.根据权利要求1所述的方法,其特征在于,步骤一或步骤四中,将图像进行配准,以图像I1和I2为例,进一步包括有:
步骤A1、使用特征提取算子,分别提取I1和I2的特征,从而得到I1和I2各自的特征点集Z1、Z2和特征向量集X1、X2,其中特征点集中的特征点和特征向量集中的特征向量依序一一对应;
步骤A2、利用KNN算法,计算特征向量集X1和X2中互相匹配的特征向量,然后从特征点集Z1、Z2中分别获取每个互相匹配的特征向量对应的特征点,并由从特征点集Z1、Z2中分别获取的特征点构成各自的特征点子集ZZ1、ZZ2,特征点子集ZZ1和ZZ2中的每个特征点依序一一对应:
步骤A3、利用特征点子集ZZ1、ZZ2,计算单应性矩阵,并利用单应性矩阵将图像I1和I2配准。
4.根据权利要求1所述的方法,其特征在于,步骤二进一步包括有:
将配准后的图像Ia和Ib缩放到高*宽为480*640的图像尺寸,缩放后的结果图是Sa和Sb,并计算缩放系数s=w/640,其中,w是图像Ia的宽度,然后利用canny算子生成Sa和Sb的二值边缘轮廓图Ea和Eb,并对Ea和Eb都进行相同的形态学闭操作和形态学膨胀操作,最后得到各自的结果图:Oa和Ob。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010636537.2A CN111798429B (zh) | 2020-07-03 | 2020-07-03 | 一种印刷品缺陷的视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010636537.2A CN111798429B (zh) | 2020-07-03 | 2020-07-03 | 一种印刷品缺陷的视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798429A true CN111798429A (zh) | 2020-10-20 |
CN111798429B CN111798429B (zh) | 2022-06-07 |
Family
ID=72810221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010636537.2A Active CN111798429B (zh) | 2020-07-03 | 2020-07-03 | 一种印刷品缺陷的视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798429B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002175520A (ja) * | 2000-12-06 | 2002-06-21 | Sharp Corp | 基板面の不良検出装置、不良検出方法、及び不良検出のためのプログラムを記録した記録媒体 |
US20050146714A1 (en) * | 1999-08-26 | 2005-07-07 | Tadashi Kitamura | Pattern inspection apparatus and method |
CN103439348A (zh) * | 2013-08-16 | 2013-12-11 | 中国科学院半导体研究所 | 基于差影法的遥控器按键缺陷检测方法 |
CN107909579A (zh) * | 2017-10-31 | 2018-04-13 | 征图新视(江苏)科技有限公司 | 视觉检测中的产品轮廓自动提取方法 |
CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
-
2020
- 2020-07-03 CN CN202010636537.2A patent/CN111798429B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050146714A1 (en) * | 1999-08-26 | 2005-07-07 | Tadashi Kitamura | Pattern inspection apparatus and method |
JP2002175520A (ja) * | 2000-12-06 | 2002-06-21 | Sharp Corp | 基板面の不良検出装置、不良検出方法、及び不良検出のためのプログラムを記録した記録媒体 |
CN103439348A (zh) * | 2013-08-16 | 2013-12-11 | 中国科学院半导体研究所 | 基于差影法的遥控器按键缺陷检测方法 |
CN107909579A (zh) * | 2017-10-31 | 2018-04-13 | 征图新视(江苏)科技有限公司 | 视觉检测中的产品轮廓自动提取方法 |
CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
ZEKUN JING等: "Machine vision based recognition and integrity inspection of printing characters on food package", 《2019 INTERNATIONAL CONFERENCE ON OPTICAL INSTRUMENTS AND TECHNOLOGY》, 12 March 2020 (2020-03-12), pages 112 - 118 * |
王文举 等: "彩色印刷品缺陷快速精确检测方法研究", 《包装工程》, vol. 36, no. 17, 30 September 2015 (2015-09-30), pages 1 - 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798429B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN108345881B (zh) | 一种基于计算机视觉的文档质量检测方法 | |
CN107014819A (zh) | 一种太阳能电池板表面缺陷检测系统和方法 | |
JP5559619B2 (ja) | 画像比較解析を用いた印刷文書における変更の検出方法 | |
CN111126391B (zh) | 一种印刷字符缺陷定位方法 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN110853013A (zh) | 一种白色家电外壁喷涂质量检测方法 | |
CN115078365A (zh) | 一种软包装印刷质量缺陷检测方法 | |
CN111429462A (zh) | 一种基于边缘检测和数学形态学的车牌定位方法 | |
CN111080615A (zh) | 基于卷积神经网络的pcb缺陷检测系统及检测方法 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
CN110569774B (zh) | 基于图像处理与模式识别的折线图图像自动数字化方法 | |
CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
Ma et al. | The defect detection of personalized print based on template matching | |
CN111798429B (zh) | 一种印刷品缺陷的视觉检测方法 | |
CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
Zhou et al. | Defect detection of printing images on cans based on SSIM and chromatism | |
CN111260625B (zh) | 胶印大张图像检测区域的自动提取方法 | |
CN113643290A (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
Huang et al. | An efficient method of license plate location in natural-scene image | |
P Navghane et al. | Machine vision based approach for automated keypad inspection | |
Du | Application of VIN Image Recognition Technology Based on LabVIEW IMAQ in Road Transport Vehicle Registration |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310013 4th floor, No.398 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee after: Xinxun Digital Technology (Hangzhou) Co.,Ltd. Address before: 310013 4th floor, No.398 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: EB Information Technology Ltd. |