CN112164057A - 一种合格标签的检测方法、存储介质和电子设备 - Google Patents

一种合格标签的检测方法、存储介质和电子设备 Download PDF

Info

Publication number
CN112164057A
CN112164057A CN202011074807.1A CN202011074807A CN112164057A CN 112164057 A CN112164057 A CN 112164057A CN 202011074807 A CN202011074807 A CN 202011074807A CN 112164057 A CN112164057 A CN 112164057A
Authority
CN
China
Prior art keywords
label
image
information
preset
label information
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.)
Withdrawn
Application number
CN202011074807.1A
Other languages
English (en)
Inventor
林涛
柯栋
贾聪
张宝亮
王志德
吴喆
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202011074807.1A priority Critical patent/CN112164057A/zh
Publication of CN112164057A publication Critical patent/CN112164057A/zh
Withdrawn legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明公开了一种合格标签的检测方法、存储介质及电子设备，所述方法包括以下步骤：获取包含待检测标签的产品图像；将产品图像输入至预设的神经网络模型进行检测，获得第一标签信息；获取预设对比图像；采用纹理检测算法对第一标签信息进行纹理检测处理，建立第一标签信息的直方图；采用颜色识别模型检测第一标签信息的颜色特征；基于第一标签信息的直方图和颜色特征，分别与对比图像的直方图和颜色特征进行对比；当直方图和颜色特征匹配时，输出第一判定信息；当不匹配时，输出第二判定信息。本发明的神经网络模型检测产品标签提高了检测速度和检测准确率，还能降低人员成本，能有效避免因人工检查漏检或误检带来的损失。

Description

一种合格标签的检测方法、存储介质和电子设备
技术领域
本发明涉及制造业一种产品标签检测的技术领域，尤其涉及一种合格标签的检测方法、存储介质和电子设备。
背景技术
产品标签往往多种多样，一般包括二维码、条形码、企业LOGO、能效标识、合格标识、产品标识等，且贴的位置也不同。比如空调外机正面、侧面(阀门侧)、顶面都贴有铭牌和标签。生产产品的企业很难保持每个产品贴标签位置的一致性，也无法保证在粘贴的过程中的漏贴、贴错和贴歪等品质问题。这些品质问题一般是由于生产流水线上人工操作贴标签，且是用肉眼来检查标签造成的。人眼检测容易受个人因素(身体状况、精神力)和灯光等环境因素影响检测结果的准确率。
此外，人工检测产品标签还需靠近产品贴标签位置确认标签内容和位置，降低了检测标签的检测速度，无法满足现代企业产品生产速度的需要。
为了解决贴好的标签品质检测问题，提升产品标签质量检测速度，因此有必要提出一种产品合格标签的检测方法及系统，代替传统的人工肉眼检测方法，提高产品标签的位置一致性和准确率，提高检测速度，从而提升产品的外观质量和美观程度，还能降低人员成本且能有效避免因个人原因带来的损失。
发明内容
本发明提供了一种合格标签的检测方法，解决了人工肉眼检测产品标签速度慢及准确率低的技术问题，采用本发明的神经网络模型检测产品标签提高了检测速度和检测准确率。
本发明提供了一种合格标签的检测方法，所述方法包括以下步骤：
获取包含待检测标签的产品图像；
将所述产品图像输入至预设的神经网络模型进行检测，获得所述产品图像中的第一标签信息；
获取预设对比图像；
采用纹理检测算法对所述第一标签信息进行纹理检测处理，建立所述第一标签信息的直方图；
采用颜色识别模型检测所述第一标签信息的颜色特征；
基于所述第一标签信息的直方图和颜色特征，分别与所述预设对比图像的直方图和颜色特征进行对比；
当所述第一标签信息的直方图和颜色特征，与所述预设对比图像的直方图和颜色特征匹配时，输出第一判定信息；
当所述第一标签信息的直方图与所述预设对比图像的直方图不匹配时，和/或
当所述第一标签信息颜色特征与所述预设对比图像的颜色特征不匹配时，输出第二判定信息。
在本发明的实施例中，
所述采用纹理检测算法对所述第一标签信息进行纹理检测处理，建立所述第一标签信息的直方图的步骤包括：
采用纹理检测算法将所述产品图像划分为若干区域图像；
基于各所述区域图像内的像素点，提取所述第一标签信息的纹理特征；
基于所述纹理特征，建立所述第一标签信息的直方图。
在本发明的实施例中，
所述采用颜色识别模型，检测所述第一标签信息的颜色特征的步骤包括：
采用颜色识别模型，将所述产品图像的RGB模式转换为对应的HSV模式；
提取HSV模式的所述产品图像中的各预设颜色的分量图像；
提取各所述分量图像中标签图像的红色、黄色、绿色、青色、蓝色和紫色中至少一种。
在本发明的实施例中，
所述将所述产品图像输入至预设的神经网络模型进行检测，获得所述产品图像中的第一标签信息的步骤之前还包括：
获取数据样本集；
对所述数据样本集内的各产品图像中的标签进行标注；
将标注了标签的所述数据样本集输入至神经网络进行训练，获得预设的所述神经网络模型。
在本发明的实施例中，
所述将标注了标签的所述数据样本集输入至神经网络进行训练，获得预设的神经网络模型的步骤包括：
将标注了标签的所述数据样本集内的各图像划分为训练集和验证集；
将所述训练集输入至神经网络进行训练，获得神经网络模型；
将所述验证集输入至神经网络进行训练，对所述神经网络模型进行验证，获得预设的所述神经网络模型。
在本发明的实施例中，
在所述获取预设对比图像步骤之后，在所述采用纹理检测算法对所述第一标签信息进行纹理检测处理，建立所述第一标签信息的直方图的步骤之前，还包括；
采用预设的神经网络模型检测所述产品图像中标签，获得所述产品图像中的第三标签信息的标签数量；
将所述第三标签信息的标签数量与所述预设对比图像的标签数量进行对比；
当所述第三标签信息的标签数量与所述预设对比图像的标签数量相同时，输出第一判定信息。
在本发明的实施例中，
所述输出第一判定信息的步骤之后，还包括：
采用预设的所述神经网络模型检测所述产品图像，获得所述产品图像中的第二标签信息的位置特征；
将所述第二标签信息的位置特征与所述预设对比图像的位置特征进行对比；
当所述第二标签信息的位置特征，与所述预设对比图像的位置特征匹配时，输出第一判定信息。
在本发明的实施例中，
所述将所述第二标签信息的位置特征与所述预设对比图像的位置特征进行对比的步骤包括：
通过计算获得所述待检测标签的标签中心点像素坐标；
通过计算获得所述待检测标签各边界与所述产品图像中产品对应边界的边界距离；
基于所述待检测标签的标签中心像素坐标和各所述边界距离，与所述预设对比图像的标签中心像素坐标和各所述边界距离进行对比。
本发明还提供了一种存储介质，其上存储有计算机程序，
该程序被处理器执行时实现以上内容中任一项所述合格标签检测方法的步骤。
本发明还提供了一种电子设备，包括：
存储器，其上存储有计算机程序；以及
处理器，用于执行所述存储器中的所述计算机程序，以实现以上内容中任一项所述合格标签检测方法的步骤。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
本发明提供了一种合格标签的检测方法，通过结合计算机视觉和机器学习训练出来的神经网络目标检测模型来检测产品标签，解决了人工肉眼检测产品标签速度慢及准确率低的技术问题，采用本发明的神经网络模型检测产品标签提高了检测速度和检测准确率，还能降低人员成本，能有效避免因人工检查漏检或误检带来的损失。
本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一实施例的一种合格标签检测方法的流程示意图；
图2是本发明一实施例的空调产品的合格标签示意图；
图3是本发明一实施例的Fast R-CNN神经网络结构示意图；
图4是本发明一实施例的标签中心像素坐标及各边界距离示意图。
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，以下结合附图对本发明作进一步地详细说明，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
第一实施例
图1是本发明一实施例的一种合格标签检测方法的流程示意图；
图2是本发明一实施例的空调产品的合格标签示意图；
图3是本发明一实施例的Fast R-CNN神经网络结构示意图；
图4是本发明一实施例的标签中心像素坐标及各边界距离示意图；
本实施例提供了一种合格标签的检测方法，所述方法包括以下步骤：
获取包含待检测标签的产品图像；
将产品图像输入至预设的神经网络模型进行检测，获得产品图像中的第一标签信息；
获取预设对比图像；
采用纹理检测算法对第一标签信息进行纹理检测处理，建立第一标签信息的直方图；
采用颜色识别模型检测第一标签信息的颜色特征；
基于第一标签信息的直方图和颜色特征，分别与预设对比图像的直方图和颜色特征进行对比；
当第一标签信息的直方图和颜色特征，与预设对比图像的直方图和颜色特征匹配时，输出第一判定信息；
当第一标签信息的直方图与预设对比图像的直方图不匹配时，和/或
当第一标签信息颜色特征与预设对比图像的颜色特征不匹配时，输出第二判定信息。
具体地，在本实施例中，以检测空调外机上的标签来阐述具体的实施方式，一种合格标签的检测方法包括以下步骤：
S110，获取包含待检测标签的产品图像。
在本实施例中，在工厂空调产品生产线上方安装光电模块和摄像机，便于采集空调和各标签的产品图像。当贴好标签的空调产品经过光电模块时，触发拍照或摄像程序，对贴好标签的空调产品进行拍照或摄像，从而获得空调产品图像，空调产品图像中包含待检测标签，如图2所示，再把空调产品图像传送到云端或本地计算机中。
S120，将产品图像输入至预设的神经网络模型进行检测，获得产品图像中的第一标签信息。
在本实施例中，将产品图像输入至预设的神经网络模型进行检测，获得产品图像中的第一标签信息的步骤之前还包括：
S121，获取数据样本集；
S122，对数据样本集内的各产品图像中的标签进行标注；
S123，将标注了标签的数据样本集输入至神经网络进行训练，获得预设的神经网络模型。
具体地，在本实施例中，获取包含待检测标签的产品图像之后，把已采集的大量的包含待检测标签的产品图像作为数据样本集，从而获取数据样本集。
在本实施例中，对数据样本集内的各产品图像中的标签进行标注的步骤包括：
使用标准工具用矩形框标注出产品图像中各标签的第一标签信息、第二标签信息和第三标签信息。
具体地，对数据样本集内的各产品图像中的标签进行标注，使用标准工具对数据样本集进行标注，采用矩形框标注出产品图像中每个标签的第一标签信息和第一标签信息，第一标签信息包括纹理颜色标签信息，第二标签信息包括位置标签信息，多个标签使用不同的矩形框标注出产品图像中标签的第三标签信息，第三标签信息包括数量标签信息。
在本实施例中，将标注了标签的数据样本集输入至神经网络进行训练，获得预设的神经网络模型的步骤包括：将标注了标签的数据样本集内的各图像划分为训练集和验证集；将训练集输入至神经网络进行训练，获得预设的神经网络模型；将所述验证集输入至神经网络进行训练，对所述神经网络模型进行验证，获得预设的所述神经网络模型。
具体地，将标注了标签的数据样本集输入至神经网络进行训练，获得预设的神经网络模型，包括如下步骤：
首先，将将标注了标签的数据样本集内的各图像按照4:1的比例划分为训练集和验证集；
其次，将训练集输入至神经网络，获得预设的神经网络模型；
在本实施例中，采用Pytorch深度学习框架和Resnet50 Faster R-CNN神经网络目标检测算法搭建目标检测神经网络模型。Faster R-CNN网络结构图如图3所示。该目标检测神经网络模型先在公开的COCO 2015目标检测数据集上进行预训练，再将训练好的模型参数使用迁移学习的方式在标签检测的训练集上进行训练得到神经网络目标检测模型。该模型通过机器深度学习大量的历史产品图像进行训练，该目标检测神经网络模型对标签形状位置和颜色进行识别并判断空调外机上的标签是否漏贴和贴错，当该模型对标签的形状位置和颜色的识别准确率达到95％及以上时，停止训练，从而获得神经网络模型。
进一步地，还能使用分类网络代替目标检测神经网络，这样能省去大量的图像标注工作，但使用分类网络的适用面很窄，会出现无法准确定位同时存在的多个标签具体位置的错误。
然后，将验证集输入至神经网络进行训练，对神经网络模型进行验证，获得预设的所述神经网络模型。
具体地，在本实施例中，将验证集也输入至神经网络进行训练，对目标检测神经网络模型进行验证确认，该目标检测神经网络模型对标签形状位置和颜色进行识别并判断空调外机上的标签是否漏贴和贴错，当该模型对标签的形状位置和颜色的识别准确率达到95％及以上时，停止验证训练，从而获得预设的神经网络模型，并将训练好的神经网络模型部署在云端或者本地计算机上。
在本实施例中，训练好神经网络模型后，将产品图像输入至预设的神经网络模型，产品图像是以预设张量的形式[n，c，h，w]输入到神经网络模型中，其中预设张量中的参数包括图像的数目、彩色图像的RGB通道数、各产品图像的像素高度和宽度。在本实施例中，彩色图像的RGB通道数为3，即c＝3，h和w为产品图像的像素高度和像素宽度，产品图像最小尺寸为800*800像素，最产品图像最大不超过1000*1000像素。
在本实施例中，将产品图像输入至预设的神经网络模型后并进行检测，从而获得产品图像中的第一标签信息，获得纹理颜色标签信息。
S130，获取预设对比图像。
具体地，在本实施例中，在云端或本地计算机中存储各种合格标签的模板，便于神经网络模型获取预设对比图像。
进一步地，在本实施例中，在获取预设对比图像步骤之后，在采用纹理检测算法对第一标签信息进行纹理检测处理，建立第一标签信息的直方图的步骤之前，包括：
采用预设的神经网络模型检测产品图像中标签，获得产品图像中的第三标签信息的标签数量；
将第三标签信息的标签数量与预设对比图像的标签数量进行对比；
当第三标签信息的标签数量与预设对比图像的标签数量相同时，输出第一判定信息，将待检测标签的产品图像归为合格标签。
进一步地，当第三标签信息的标签数量与预设对比图像的标签数量不相同时，将待检测标签的产品图像归为不合格标签，说明此空调存在漏贴或多贴标签的品质问题，发出告警的信息，贴有此不合格标签的空调将返回上一工序或转入返工工序进行修正。
S140，采用纹理检测算法对第一标签信息进行纹理检测处理，建立第一标签信息的直方图。
具体地，在本实施例中，采用纹理检测算法对第一标签信息进行纹理检测处理，建立第一标签信息的直方图，包括如下步骤：
首先，采用纹理检测算法将产品图像划分为若干区域图像；
具体地，在本实施例中，纹理检测算法，即是局部二值模式(LBP)的检测算法。利用LBP算子对标签的纹理进行判断，产品图像尺寸为800*800像素的话，将800*800像素的图像划分为16*16像素大小的共计2500个小区域。
其次，基于各区域图像内的像素点，提取第一标签信息的纹理特征；
具体地，在每个16*16像素的小区域内的每个像素点，提取第一标签信息的纹理特征，提取纹理颜色标签信息的局部二值模式(LBP)特征。
然后，基于纹理特征，建立第一标签信息的直方图。
基于上步骤获得的纹理特征，建立第一标签信息的直方图。具体地，基于局部二值模式(LBP)建立第一标签信息的统计直方图，再利用这些统计直方图描述产品图像中的标签。
S150，采用颜色识别模型检测第一标签信息的颜色特征。
具体地，采用颜色识别模型来检测第一标签信息的颜色特征，在本实施例中，采用HSV颜色模型来检测纹理颜色标签信息的颜色特征，包括如下步骤：
首先，采用颜色识别模型，将产品图像的RGB模式转换为对应的HSV模式；
具体地，在本实施例中，根据HSV颜色模型，将RGB模式的彩色产品图像转换为对应HSV模式的彩色产品图像。HSV颜色模型也称为六角锥体模型，这个模型中颜色的参数分别是：色调(H)，饱和度(S)，明度(V)。其中，色调H用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色分别是：黄色为60°，青色为180°,紫色为300°。
其次，提取HSV模式的产品图像中的各预设颜色的分量图像；
具体地，在本实施例中，提取HSV模式的产品图像中的各预设的红色、黄色、绿色、青色、蓝色和紫色分量图像，获得红色分量图像、黄色分量图像，绿色分量图像，青色分量图像、蓝色分量图像、紫色分量图像，以及其他颜色的分量图像。
然后，提取各所述分量图像中标签图像的红色、黄色、绿色、青色、蓝色和紫色中至少一种。
具体地，在本实施例中，令H＝0°，S＝1，V＝1,取出分量图像中标签图像中的红色；
令H＝60°，S＝1，V＝1,取出分量图像中标签图像中的黄色；
令H＝120°，S＝1，V＝1,取出分量图像中标签图像中的绿色；
令H＝180°，S＝1，V＝1,取出分量图像中标签图像中的青色；
令H＝240°，S＝1，V＝1,取出分量图像中标签图像中的蓝色，
令H＝300°，S＝1，V＝1,取出分量图像中标签图像中的紫色；
以及空调外机上标签图像中其余的颜色。
S160，基于第一标签信息的直方图和颜色特征，分别与预设对比图像的直方图和颜色特征进行对比；当第一标签信息的直方图和颜色特征，与预设对比图像的直方图和颜色特征匹配时，输出第一判定信息；当第一标签信息的直方图与预设对比图像的直方图不匹配时，和/或当第一标签信息颜色特征与预设对比图像的颜色特征不匹配时，输出第二判定信息。
具体地，基于第一标签信息的直方图和颜色特征，分别与预设对比图像的直方图和颜色特征进行对比，以便确认空调外机贴的标签的品质。
在本实施例中，通过相似度量函数来判断第一标签信息的直方图与预设对比图像的直方图是否匹配，通过第一标签信息的标签纹理特征与预设对比图像的纹理特征的匹配识别，确认产品图像中标签形状是否与预设图像中的标签形状是否一致。当第一标签信息的直方图与预设对比图像的直方图匹配时，输出第一判定信息，将待检测标签的产品图像归为合格标签，则此批空调产品流入下一道工序。
在本实施例中，通过颜色对比来判断第一标签信息的颜色特征与预设对比图像的颜色特征进行对比，当待检测标签的第一标签信息的颜色分量图片与预设对比图像的各预设颜色图片匹配时，输出第一判定信息，将待检测标签的产品图像归为合格标签；
当第一标签信息的直方图与预设对比图像的直方图不匹配时，或当第一标签信息颜色特征与预设对比图像的颜色特征不匹配时，输出第二判定信息。
进一步地，当待检测标签的第一标签信息的直方图与预设对比图像的直方图不匹配时，当待检测标签的第一标签信息的形状与预设对比图像的形状不一致时，将待检测标签的产品图像归为不合格标签，说明此空调存在贴错标签的品质问题，发出告警的信息，贴有此不合格标签的空调将返回上一工序或转入返工工序进行修正。
进一步地，当待检测标签的第一标签信息的颜色分量图片与预设对比图像的各预设颜色图片不匹配时，将待检测标签的产品图像归为不合格标签，说明此空调存在贴错标签的品质问题，发出告警的信息，贴有此不合格标签的空调将返回上一工序或转入返工工序进行修正。
S170，输出第一判定信息的步骤之后，将待检测标签的第二标签信息与预设对比图像进行对比。
具体地，在本实施例中，输出第一判定信息的步骤之后，包括以下步骤：
首先，采用预设的神经网络模型检测产品图像，获得产品图像中的第二标签信息的位置特征；
具体地，在本实施例中，采用预设的神经网络模型检测产品图像，从而获得产品图像中的第二标签信息的位置特征，获得待检测标签在产品图像的位置信息。
其次，将第二标签信息的位置特征与预设对比图像的位置特征进行对比；
具体地，在本实施例中，将第二标签信息的位置特征与预设对比图像的位置特征进行对比包括以下步骤：
a)通过计算获得待检测标签的标签中心点像素坐标；
在本实施例中，通过模型计算获得待检测标签的各标签中心点的像素坐标，某一个待检测标签中心店的像素坐标表示为(x’,y’)。
b)通过计算获得待检测标签各边界与产品图像中产品对应边界的边界距离；
在本实施例中，通过模型计算获得待检测标签的上边界、下边界、左边界、右边界分别与产品图像中产品对应边界的边界距离，左边界距离、上边界距离、右边界距离、下边界距离分别表示为L1'、L2'、L3'、L4'。
c)基于待检测标签的标签中心像素坐标和各边界距离，与预设对比图像的标签中心像素坐标和各边界距离进行对比。
在本实施例中，预设对比图像的标签中心店的像素坐标表示为(x,y)，预设对比图像的左边界距离、上边界距离、右边界距离、下边界距离分别表示为L1、L2、L3、L4。
基于待检测标签的标签中心像素坐标和各边界距离，与预设对比图像的标签中心像素坐标和各边界距离进行对比，具体为待检测标签的标签中心像素坐标和各边界距离需要满足以下预设条件：
0.9×(L1+x)≤(L1'+x’)≤1.1×(L1+x)；
0.9×(L3+x)≤(L3'+x’)≤1.1×(L3+x)；
0.9×(L2+y)≤(L2'+y’)≤1.1×(L2+y)；
0.9×(L4+y)≤(L4'+y’)≤1.1×(L4+y)；
当待检测标签的标签中心像素坐标和各边界距离全部满足以上预设条件时，则是第二标签信息的位置特征与预设对比图像的位置特征匹配，输出第一判定信息，则将待检测标签的产品图像归为合格标签；
当第二标签信息的位置特征与预设对比图像的位置特征不匹配时，输出第二判定信息。
进一步地，当第二标签信息的位置特征与预设对比图像的位置特征不匹配时，当待检测标签的标签中心像素坐标和各边界距离不满足以上任一预设条件时，将待检测标签的产品图像归为不合格标签，说明此空调存在贴错标签的品质问题，发出告警的信息，贴有此不合格标签的空调将返回上一工序或转入返工工序进行修正。
综上所述，本发明提供了一种合格标签的检测方法，通过结合计算机视觉和机器学习训练出来的神经网络目标检测模型来检测产品标签，获得待检测标签的第一标签信息、第三标签信息和第三标签信息，再与预设对比图像进行对比，检测结果一直为合格标签，本方法解决了人工肉眼检测产品标签速度慢及准确率低的技术问题，采用本发明的神经网络模型检测产品标签提高了检测速度和检测准确率，还能降低人员成本，能有效避免因人工检查漏检或误检带来的损失。
第二实施例
本实施例提供了一种存储介质，其上存储有计算机程序，
该程序被处理器执行时实现以上内容中任一项所述合格标签检测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或综合软件和硬件方面的实施例的形势。而且，本发明可采用再一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
第三实施例
本实施例提供了一种电子设备，包括：
存储器，其上存储有计算机程序；以及
处理器，用于执行所述存储器中的所述计算机程序，以实现以上内容中任一项所述合格标签检测方法的步骤。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现再流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储再能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得再计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然本发明公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所述技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，本发明的保护范围并不局限于文中公开的特定实施例，而是包括落入权利要求范围内的所有技术方案。

Claims (10)

1.一种合格标签的检测方法，其特征在于，所述方法包括以下步骤：
获取包含待检测标签的产品图像；
将所述产品图像输入至预设的神经网络模型进行检测，获得所述产品图像中的第一标签信息；
获取预设对比图像；
采用纹理检测算法对所述第一标签信息进行纹理检测处理，建立所述第一标签信息的直方图；
采用颜色识别模型检测所述第一标签信息的颜色特征；
基于所述第一标签信息的直方图和颜色特征，分别与所述预设对比图像的直方图和颜色特征进行对比；
当所述第一标签信息的直方图和颜色特征，与所述预设对比图像的直方图和颜色特征匹配时，输出第一判定信息；
当所述第一标签信息的直方图与所述预设对比图像的直方图不匹配时，和/或
当所述第一标签信息颜色特征与所述预设对比图像的颜色特征不匹配时，输出第二判定信息。
2.根据权利要求1所述的方法，其特征在于，所述采用纹理检测算法对所述第一标签信息进行纹理检测处理，建立所述第一标签信息的直方图的步骤包括：
采用纹理检测算法将所述产品图像划分为若干区域图像；
基于各所述区域图像内的像素点，提取所述第一标签信息的纹理特征；
基于所述纹理特征，建立所述第一标签信息的直方图。
3.根据权利要求1所述的方法，其特征在于，所述采用颜色识别模型，检测所述第一标签信息的颜色特征的步骤包括：
采用颜色识别模型，将所述产品图像的RGB模式转换为对应的HSV模式；
提取HSV模式的所述产品图像中的各预设颜色的分量图像；
提取各所述分量图像中标签图像的红色、黄色、绿色、青色、蓝色和紫色中至少一种。
4.根据权利要求1所述的方法，其特征在于，所述将所述产品图像输入至预设的神经网络模型进行检测，获得所述产品图像中的第一标签信息的步骤之前还包括：
获取数据样本集；
对所述数据样本集内的各产品图像中的标签进行标注；
将标注了标签的所述数据样本集输入至神经网络进行训练，获得预设的所述神经网络模型。
5.根据权利要求4所述的方法，其特征在于，所述将标注了标签的所述数据样本集输入至神经网络进行训练，获得预设的神经网络模型的步骤包括：
将标注了标签的所述数据样本集内的各图像划分为训练集和验证集；
将所述训练集输入至神经网络进行训练，获得神经网络模型；
将所述验证集输入至神经网络进行训练，对所述神经网络模型进行验证，获得预设的所述神经网络模型。
6.根据权利要求1所述的方法，其特征在于，
在所述获取预设对比图像步骤之后，在所述采用纹理检测算法对所述第一标签信息进行纹理检测处理，建立所述第一标签信息的直方图的步骤之前，还包括；
采用预设的神经网络模型检测所述产品图像中标签，获得所述产品图像中的第三标签信息的标签数量；
将所述第三标签信息的标签数量与所述预设对比图像的标签数量进行对比；
当所述第三标签信息的标签数量与所述预设对比图像的标签数量相同时，输出第一判定信息。
7.根据权利要求1所述的方法，其特征在于，所述输出第一判定信息的步骤之后，还包括：
采用预设的所述神经网络模型检测所述产品图像，获得所述产品图像中的第二标签信息的位置特征；
将所述第二标签信息的位置特征与所述预设对比图像的位置特征进行对比；
当所述第二标签信息的位置特征，与所述预设对比图像的位置特征匹配时，输出第一判定信息。
8.根据权利要求7所述的方法，其特征在于，所述将所述第二标签信息的位置特征与所述预设对比图像的位置特征进行对比的步骤包括：
通过计算获得所述待检测标签的标签中心点像素坐标；
通过计算获得所述待检测标签各边界与所述产品图像中产品对应边界的边界距离；
基于所述待检测标签的标签中心像素坐标和各所述边界距离，与所述预设对比图像的标签中心像素坐标和各所述边界距离进行对比。
9.一种存储介质，其上存储有计算机程序，其特征在于，
该程序被处理器执行时实现权利要求1至8中任一项所述合格标签检测方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；以及
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至8中任一项所述合格标签检测方法的步骤。
CN202011074807.1A 2020-10-09 2020-10-09 一种合格标签的检测方法、存储介质和电子设备 Withdrawn CN112164057A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011074807.1A CN112164057A (zh) 2020-10-09 2020-10-09 一种合格标签的检测方法、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011074807.1A CN112164057A (zh) 2020-10-09 2020-10-09 一种合格标签的检测方法、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN112164057A true CN112164057A (zh) 2021-01-01

Family

ID=73866995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011074807.1A Withdrawn CN112164057A (zh) 2020-10-09 2020-10-09 一种合格标签的检测方法、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN112164057A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581360A (zh) * 2021-04-01 2022-06-03 正泰集团研发中心(上海)有限公司 光伏组件标签检测方法、装置、设备和计算机存储介质
CN118365699A (zh) * 2024-06-18 2024-07-19 珠海格力电器股份有限公司 一种标签位置偏移检测方法、装置及检测设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934809A (zh) * 2019-03-08 2019-06-25 深慧视(深圳)科技有限公司 一种纸质标签字符缺陷检测方法
CN110458168A (zh) * 2019-08-29 2019-11-15 上海眼控科技股份有限公司 车辆检测报告的处理方法、装置、计算机设备和存储介质
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
CN110533704A (zh) * 2019-07-22 2019-12-03 杭州沃朴物联科技有限公司 油墨标签的识别验伪方法、装置、设备及介质
CN110569769A (zh) * 2019-08-29 2019-12-13 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备和存储介质
CN110796210A (zh) * 2018-08-03 2020-02-14 珠海格力电器股份有限公司 一种标签信息的识别方法及装置
CN111191706A (zh) * 2019-12-25 2020-05-22 深圳市赛维网络科技有限公司 图片识别的方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796210A (zh) * 2018-08-03 2020-02-14 珠海格力电器股份有限公司 一种标签信息的识别方法及装置
CN109934809A (zh) * 2019-03-08 2019-06-25 深慧视(深圳)科技有限公司 一种纸质标签字符缺陷检测方法
CN110533704A (zh) * 2019-07-22 2019-12-03 杭州沃朴物联科技有限公司 油墨标签的识别验伪方法、装置、设备及介质
CN110458168A (zh) * 2019-08-29 2019-11-15 上海眼控科技股份有限公司 车辆检测报告的处理方法、装置、计算机设备和存储介质
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
CN110569769A (zh) * 2019-08-29 2019-12-13 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备和存储介质
CN111191706A (zh) * 2019-12-25 2020-05-22 深圳市赛维网络科技有限公司 图片识别的方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581360A (zh) * 2021-04-01 2022-06-03 正泰集团研发中心(上海)有限公司 光伏组件标签检测方法、装置、设备和计算机存储介质
CN114581360B (zh) * 2021-04-01 2024-03-12 正泰集团研发中心(上海)有限公司 光伏组件标签检测方法、装置、设备和计算机存储介质
CN118365699A (zh) * 2024-06-18 2024-07-19 珠海格力电器股份有限公司 一种标签位置偏移检测方法、装置及检测设备
CN118365699B (zh) * 2024-06-18 2024-09-13 珠海格力电器股份有限公司 一种标签位置偏移检测方法、装置及检测设备

Similar Documents

Publication Publication Date Title
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN111161243B (zh) 基于样本增强的工业产品表面缺陷检测方法
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN105913093B (zh) 一种用于文字识别处理的模板匹配方法
CN104063722B (zh) 一种融合hog人体目标检测和svm分类器的安全帽识别方法
CN108918536B (zh) 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN111179251A (zh) 基于孪生神经网络利用模板比对的缺陷检测系统及方法
EP1413972B1 (de) Prüfung von Bildaufnahmen von Personen
CN108629319B (zh) 图像检测方法及系统
CN104318225B (zh) 车牌检测方法及装置
CN108491788A (zh) 一种用于财务报表单元格的智能提取方法及装置
CN106951899A (zh) 基于图像识别的异常检测方法
CN111914761A (zh) 一种热红外人脸识别的方法及系统
CN109948625A (zh) 文本图像清晰度评估方法及系统、计算机可读存储介质
CN109598681B (zh) 一种对称唐卡修复后图像的无参考质量评价方法
CN103914708A (zh) 基于机器视觉的食品品种检测方法及系统
CN112164057A (zh) 一种合格标签的检测方法、存储介质和电子设备
CN104050684A (zh) 一种基于在线训练的视频运动目标分类方法与系统
CN106529556A (zh) 一种仪表指示灯的视觉检测系统
CN117798087B (zh) 基于外观缺陷检测的锂电池视觉分拣系统及终端
CN116309532A (zh) 一种目标物品质量检测的方法、装置、设备及介质
CN111178359A (zh) 车牌号码识别方法、装置和设备及计算机存储介质
Fitriyah et al. Traffic sign recognition using edge detection and eigen-face: Comparison between with and without color pre-classification based on Hue

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210101