CN112348126A - 一种印刷物品中目标对象的识别方法和装置 - Google Patents
一种印刷物品中目标对象的识别方法和装置 Download PDFInfo
- Publication number
- CN112348126A CN112348126A CN202110014282.0A CN202110014282A CN112348126A CN 112348126 A CN112348126 A CN 112348126A CN 202110014282 A CN202110014282 A CN 202110014282A CN 112348126 A CN112348126 A CN 112348126A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- processing
- pixel
- article
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 193
- 230000009467 reduction Effects 0.000 claims description 32
- 230000003321 amplification Effects 0.000 claims description 25
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000011109 contamination Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000723369 Cocculus trilobus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种印刷物品中目标对象的识别方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取印刷物品对应的物品图像和模板图像；对物品图像和模板图像进行图像配准处理得到配准图像；将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率。该实施方式提高了印刷物品中目标对象识别的自动化程度，提高了识别效率和识别准确率，节约了人力资源。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种印刷物品中目标对象的识别方法和装置。
背景技术
随着现代工业的发展，大批量的工业物品被高效的制造，此时，对于工业制品的产品检测（工业制品上的目标对象检测）也需要亟需提高效率。如工业印刷品上是否存在污损（包括印刷墨量是否均匀、印刷颜色是否和原稿一致、印刷图案位置是否正确、印刷品上是否存在污渍等）。
现有技术中至少存在如下问题：
现有的印刷物品中目标对象的识别方法，一是通过人工识别，二是利用机器视觉辅助识别，存在印刷物品中目标对象识别的自动化程度低、识别效率低、识别准确率低、耗费大量人力资源的技术问题。
发明内容
有鉴于此，本发明实施例提供一种印刷物品中目标对象的识别方法和装置，能够提高印刷物品中目标对象识别的自动化程度，提高识别效率和识别准确率，节约人力资源。
为实现上述目的，根据本发明实施例的第一方面，提供了一种印刷物品中目标对象的识别方法，包括：
获取印刷物品对应的物品图像和模板图像；
对物品图像和模板图像进行图像配准处理得到配准图像；
将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；
对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新。
进一步地，对物品图像和模板图像进行图像配准处理得到配准图像的步骤包括：
分别提取物品图像和模板图像的特征信息；
将物品图像的特征信息和模板图像的特征信息进行特征匹配；
根据特征匹配结果对物品图像进行几何变换处理，得到配准图像；其中，几何变换处理包括下列处理方式中至少一种：旋转处理、剪切处理、缩小处理、放大处理。
进一步地，目标对象识别模型的构建步骤如下：
获取印刷物品对应的样本图像，将样本图像划分为多个样本区域图像；
根据正样本所占比值从多个样本区域图像中确定正样本区域图像，对剩余样本区域图像中的像素值进行处理，以得到负样本区域图像；
以正样本区域图像和负样本区域图像为训练集，利用分类损失函数构建并训练目标对象识别模型。
进一步地，对剩余样本区域图像中的像素值进行处理，以得到负样本区域图像的步骤包括：
对于剩余样本区域图像中的任一样本区域图像，循环执行下列步骤：
从样本区域图像中确定种子像素点，并生成种子像素点的像素值；
根据种子像素点、图形搜索算法和像素点搜索概率值从样本区域图像中搜索目标像素点，并将目标像素点置于目标像素点集合中；其中，目标像素点对应的像素值是根据已搜索到的相邻像素点的像素值和随机扰动项确定的；
直至目标像素点集合中目标像素点的数量大于或等于目标对象对应的像素点数量下限，将经过像素值处理的样本区域图像确定为负样本区域图像。
进一步地，生成种子像素的像素值的步骤包括：
随机生成种子像素在HSV颜色空间的像素值；
对在HSV颜色空间的像素值进行转换处理，得到种子像素在RGB颜色空间的像素值，将RGB颜色空间的像素值作为种子像素的像素值。
进一步地，根据第一分类处理结果识别目标对象的步骤包括：
设置各待识别区域图像对应的目标阈值；
根据待识别区域图像对应的第一分类处理结果和目标阈值识别目标对象。
进一步地，印刷物品对应的物品图像是通过扫描设备或拍摄设备获取的。
根据本发明实施例的第二方面，提供了一种印刷物品中目标对象的识别装置，包括：
图像获取模块，用于获取印刷物品对应的物品图像和模板图像；
图像配准模块，用于对物品图像和模板图像进行图像配准处理得到配准图像；
目标对象识别模块，用于将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；
更新模块，用于对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新。
根据本发明实施例的第三方面，提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一种印刷物品中目标对象的识别方法。
根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一种印刷物品中目标对象的识别方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用获取印刷物品对应的物品图像和模板图像；对物品图像和模板图像进行图像配准处理得到配准图像；将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新的技术手段，所以克服了现有的印刷物品中目标对象的识别方法中存在的识别自动化程度低、识别效率低、识别准确率低、耗费大量人力资源的技术问题，进而达到提高印刷物品中目标对象识别的自动化程度，提高识别效率和识别准确率，节约人力资源的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明第一实施例提供的印刷物品中目标对象的识别方法的主要流程的示意图；
图2a是根据本发明第二实施例提供的印刷物品中目标对象的识别方法的主要流程的示意图；
图2b是图2a所述方法中进行图像配准的示意图；
图2c是图2a所述方法中确定负样本区域图像的示意图；
图3是根据本发明实施例提供的印刷物品中目标对象的识别装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明第一实施例提供的印刷物品中目标对象的识别方法的主要流程的示意图；如图1所示，本发明实施例提供的印刷物品中目标对象的识别方法主要包括：
步骤S101，获取印刷物品对应的物品图像和模板图像。
具体地，模板图像：是指印刷物品制造时所采用的模板图样，即印刷物品中的图样是根据模板图像进行制造的。
进一步地，根据本发明实施例，上述印刷物品对应的物品图像可以通过拍摄、扫描等方式获取（即上述印刷物品对应的物品图像是通过扫描设备或拍摄设备获取的），一般地，由于采用拍摄的方式普遍存在镜头畸变、光照差异、光线反射等问题，不利于图像的采集，因此，优选采取扫描的方式获取。根据本发明实施例的一具体实施方式，将印刷物品置于扫描设备中，由扫描设备获取该印刷物品的物品图像。进一步地，根据本发明实施例的又一具体实施方式，可将扫描设备装置在生产线上，对生产线制造的印刷物品进行实时扫描获取相应的物品图像，以提升目标对象的识别效率。
步骤S102，对物品图像和模板图像进行图像配准处理得到配准图像。
采集到的印刷物品的物品图像与模板图像之间可能存在一定的旋转角度，同时，由于印刷物品具备一定的形状，在制造过程中印刷物品的边缘裁切也会存在一定的差异，通过上述设置，将印刷物品的物品图像与模板图像进行图像匹配处理能够避免物品图像采集过程中的系统误差所导致的后续识别误差。
具体地，图像配准是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。
进一步地，根据本发明实施例，上述对物品图像和模板图像进行图像配准处理得到配准图像的步骤包括：
分别提取物品图像和模板图像的特征信息；
将物品图像的特征信息和模板图像的特征信息进行特征匹配；
根据特征匹配结果对物品图像进行几何变换处理，得到配准图像；其中，几何变换处理包括下列处理方式中至少一种：旋转处理、剪切处理、缩小处理、放大处理。
具体地，根据本发明实施例，上述特征信息包括下列信息中的至少一种：特征点、特征区域、特征边缘。
根据本发明实施例的一具体实施方式，首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准，得到配准图像。
步骤S103，将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率。
通过上述设置，将配准图像划分为多个待识别区域图像，不仅能够提升物品图像中目标对象的识别准确率，还能进一步确定目标对象所在的区域，进而确定产生目标对象的原因，降低制造印刷物品的设备维护成本。
具体地，根据本发明实施例，上述目标对象识别模型的构建步骤如下：
获取印刷物品对应的样本图像，将样本图像划分为多个样本区域图像；
根据正样本所占比值从多个样本区域图像中确定正样本区域图像，对剩余样本区域图像中的像素值进行处理，以得到负样本区域图像；
以正样本区域图像和负样本区域图像为训练集，利用分类损失函数构建并训练目标对象识别模型。
根据本发明实施例，上述印刷物品为工业印刷品，上述目标对象为工业印刷品上的污损（包括印刷墨量是否均匀、印刷颜色是否和原稿一致、印刷图案位置是否正确、印刷品上是否存在污渍等）。在构建目标对象识别模型时，通过对部分样本区域图像中像素点的像素值进行处理以模拟污损，得到负样本对应的区域图像。通过上述设置，仅通过较少的样本图像，即可获取足够多的训练样本（包括正样本和负样本），进而完成目标对象识别模型的构建及训练。需要说明的是，上述印刷物品并不仅限于工业印刷品，也可以为纺织类印刷品（如在衣服上印制图案）、3D打印物品等可批量制造的物品；同样的，目标对象也不仅仅指代印刷物品上的污损，也可以是印刷物品上的特定图案、线条等。
进一步地，根据本发明实施例，上述对剩余样本区域图像中的像素值进行处理，以得到负样本区域图像的步骤包括：
对于剩余样本区域图像中的任一样本区域图像，循环执行下列步骤：
从样本区域图像中确定种子像素点，并生成种子像素点的像素值；
根据种子像素点、图形搜索算法和像素点搜索概率值从样本区域图像中搜索目标像素点，并将目标像素点置于目标像素点集合中；其中，目标像素点对应的像素值是根据已搜索到的相邻像素点的像素值和随机扰动项确定的；
直至目标像素点集合中目标像素点的数量大于或等于目标对象对应的像素点数量下限，将经过像素值处理的样本区域图像确定为负样本区域图像。
通过上述设置，有利于快速得到负样本区域图像。其中，图形搜索算法包括深度优先搜索（DFS，Depth First Search）和广度优先搜索（也称宽度优先搜索，BFS，Breadth-First-Search）；像素点搜索概率值是指每搜索到的一个像素点，其为目标像素点的概率值。
优选地，根据本发明实施例，上述生成种子像素的像素值的步骤包括：
随机生成种子像素在HSV颜色空间的像素值；
对在HSV颜色空间的像素值进行转换处理，得到种子像素在RGB颜色空间的像素值，将RGB颜色空间的像素值作为种子像素的像素值。
其中，HSV颜色空间（Hue-色调、Saturation-饱和度、Value-明度）将亮度从色彩中分解出来，在图像增强算法中用途很广，可以更好地感知图像颜色，利用HSV分量从图像中提取感兴趣的区域。
RGB颜色空间源于使用阴极射线管的彩色电视，RGB分别代表三个基色（Red-红色、Green-绿色、Blue-蓝色），具体的色彩值由三个基色叠加而成。在图像处理中，常使用向量表示色彩的值，如(0,0,0)表示黑色、(255, 255, 255)表示白色。
通过上述设置，先随机生成种子像素点在HSV颜色空间的像素值，再通过像素值的转换处理得到种子像素点在RGB颜色空间的像素值。原因是，RGB颜色空间的三个维度（红，绿，蓝）不能直接控制色彩的明度，随机生成的像素值在明度空间中不是均匀分布，导致模拟得到的目标对象（污损）缺少深色类型，进而影响了目标对象识别模型的泛化能力。
进一步地，根据本发明实施例，上述根据第一分类处理结果识别目标对象的步骤包括：
设置各待识别区域图像对应的目标阈值；
根据待识别区域图像对应的第一分类处理结果和目标阈值识别目标对象。
通过上述设置，有利于提高目标对象识别模型识别的鲁棒性，提升识别目标对象的准确率。
步骤S104， 对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新。
通过上述设置，有利于避免由于待识别区域划分不当所导致的目标对象识别错误的情形，以进一步提升识别准确率。
根据本发明实施例的技术方案，因为采用获取印刷物品对应的物品图像和模板图像；对物品图像和模板图像进行图像配准处理得到配准图像；将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新的技术手段，所以克服了现有的印刷物品中目标对象的识别方法中存在的识别自动化程度低、识别效率低、识别准确率低、耗费大量人力资源的技术问题，进而达到提高印刷物品中目标对象识别的自动化程度，提高识别效率和识别准确率，节约人力资源的技术效果。
图2a是根据本发明第二实施例提供的印刷物品中目标对象的识别方法的主要流程的示意图；本发明实施例的一应用场景是工业印刷品的污损识别方法，如图2a所示，本发明实施例提供的印刷物品中目标对象的识别方法主要包括：
步骤S201，获取印刷物品对应的物品图像和模板图像。
根据本发明实施例，上述印刷物品为工业印刷品，即将文字、图画、照片等经制版、施墨、加压等工序，使油墨转移到纸张、纺织品、塑料品、皮革等材料表面上形成的印刷品。
根据本发明实施例的一具体实施方式，将印刷物品置于扫描设备中，由扫描设备获取该印刷物品的物品图像。进一步地，根据本发明实施例的又一具体实施方式，可将扫描设备装置在生产线上，对生产线制造的印刷物品进行实时扫描获取相应的物品图像，以提升目标对象的识别效率。
步骤S202，分别提取物品图像和模板图像的特征信息。
具体地，根据本发明实施例，上述特征信息包括下列信息中的至少一种：特征点、特征区域、特征边缘。根据本发明实施例的一具体实施方式，可以采用ORB 算法（OrientedFAST and Rotated BRIEF，一种快速特征点提取和描述的算法）、SIFT（Speeded Up RobustFeatures，一种兴趣点检测及描述子算法）、SURF（Speeded-Up Robust Features，是SIFT算法的改进版，提升了处理效率）等算法来进行特征提取。
步骤S203，将物品图像的特征信息和模板图像的特征信息进行特征匹配。
具体地，可以通过进行相似性度量找到匹配的特征点对来实现特征匹配，特征匹配结果即为通过匹配的特征点对，后续可通过匹配的特征点对得到图像空间坐标变换参数，进而根据图像空间坐标变换参数对物品图像进行几何变换处理，以得到配准图像。
步骤S204，根据特征匹配结果对物品图像进行几何变换处理，得到配准图像。其中，几何变换处理包括下列处理方式中至少一种：旋转处理、剪切处理、缩小处理、放大处理。具体如图2b所示。
具体地，根据本发明实施例，上述目标对象为工业印刷品上的污损，如步骤S205至步骤S208所示，上述方法提供了目标对象识别模型的构建及训练过程，具体过程如下：
步骤S205，获取印刷物品对应的样本图像，将样本图像划分为多个样本区域图像。
具体地，根据本发明实施例，获取多个未被污损的待检测印刷品的物品图像，该物品图像可进行图像配准，以增加数据的多样性。
进一步地，根据本发明实施例的一具体实施方式，可将上述多个物品图像随机划分为128*128像素的样本区域图像。
步骤S206，根据正样本所占比值从多个样本区域图像中确定正样本区域图像。
一般地，为保证正负样本均衡，正样本所占比值为50%（该数值并不作为对本发明的限定，也可根据实际情况进行调整）。
步骤S207，对剩余样本区域图像中的像素值进行处理，以得到负样本区域图像。
通过上述设置，对于剩余样本区域图像，随机修改图像中部分像素点的像素值，以模拟污损（模拟目标对象）。通过上述设置，可以快速获取大量的负样本数据，提升了目标对象识别模型的构建效率和模型鲁棒性。
根据本发明实施例，上述方法还提供了确定负样本区域图像的步骤，如图2c所示，上述得到负样本区域图像如步骤S2071至步骤S2074所示，具体过程如下：
步骤S2071，从样本区域图像中确定种子像素点，并生成种子像素点的像素值。
优选地，根据本发明实施例，上述生成种子像素的像素值的步骤包括：随机生成种子像素在HSV颜色空间的像素值；对在HSV颜色空间的像素值进行转换处理，得到种子像素在RGB颜色空间的像素值，将RGB颜色空间的像素值作为种子像素的像素值。
通过上述设置，避免了直接随机生成在RGB颜色空间的像素值所导致的缺少深色类型的情形，进而提升了目标对象识别模型的泛化能力。
步骤S2072，根据种子像素点、图形搜索算法和像素点搜索概率值从样本区域图像中搜索目标像素点，并将目标像素点置于目标像素点集合中。
其中，图形搜索算法包括深度优先搜索（DFS，Depth First Search）和广度优先搜索（也称宽度优先搜索，BFS，Breadth-First-Search）；像素点搜索概率值是指每搜索到的一个像素点，其为目标像素点的概率值。
具体地，以种子像素点为起点，在样本区域图像范围内，采用广度优先搜索算法向周围扩散，设定每搜索到一个目标像素点的概率值为0.55（仅为示例），即在搜索过程中每搜索到的一个像素点为目标像素点的概率值为0.55。对于任一个新搜索到的目标像素点，设定其RGB像素值为与该目标像素点相邻的已搜索到的目标像素点的像素值和一个随机扰动项之和。其中，随机扰动项的取值范围可为[-2，2]（仅为示例）。
步骤S2073，判断目标像素点集合中目标像素点的数量是否大于或等于目标对象对应的像素点数量下限。若是，即目标像素点集合中目标像素点的数量大于或等于目标对象对应的最少像素点数量，执行步骤S2074；若否，即目标像素点集合中目标像素点的数量小于目标对象对应的最少像素点数量，转到步骤S2071。
其中，目标对象对应的最少像素点数量（即像素点数量下限）是指工业印刷品上最小的污损对应的像素点数量。目标对象对应的最少像素点数量是根据工业印刷品的类型和质检要求进行确定的。
步骤S2074，将经过像素值处理的样本区域图像确定为负样本区域图像。
进一步地，根据本发明实施例，对于负样本区域图像内的目标像素点，可通过下列公式确定各像素点的像素值，并覆盖在负样本区域图像中：
其中， 
为负样本区域图像中目标像素点的新的像素值；α为随机数，取值可为（0.6,1.0）(仅为示例)；
为该目标像素点在原样本区域图像中的实际像素值；
为该目标像素点在步骤S2072中随机生成的像素值。
步骤S208，以正样本区域图像和负样本区域图像为训练集，利用分类损失函数构建并训练目标对象识别模型。
在构建目标对象识别模型时，通过对部分样本区域图像中像素点的像素值进行处理以模拟污损，得到负样本对应的区域图像（即负样本区域图像）。通过上述设置，仅通过较少的样本图像，即可获取足够多的训练样本（包括正样本和负样本），进而完成目标对象识别模型的构建及训练。需要说明的是，上述印刷物品并不仅限于工业印刷品，也可以为纺织类印刷品（如在衣服上印制图案）、3D打印物品等可批量制造的物品；同样的，目标对象也不仅仅指代印刷物品上的污损，也可以是印刷物品上的特定图案、线条等。
根据本发明实施例，可采用Softmax损失函数计算模型的输出的分类损失，并对模型进行训练，以使得模型达到拟合。
步骤S209，将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理。其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率。
具体地，根据本发明实施例，上述将配准图像划分为多个待识别区域图像可按照一个具备合适大小的网格对配准图像进行划分，以使得各待识别区域图像的大小尽量保持一致。
步骤S210，根据待识别区域图像对应的第一分类处理结果和目标阈值识别目标对象。
具体地，通过设置各待识别区域图像对应的目标阈值；有利于提高目标对象识别模型识别的鲁棒性，提升识别目标对象的准确率。
根据本发明实施例，在确定目标对象识别模型后，可获取多个进行图像配准后并没有污损（无目标对象）的扫描图像，将该多个扫描图像的待识别区域输入至目标对象识别模型中，获取相应的第一分类结果（即扫描图像的待识别区域中存在目标对象的概率），对于一个确定的待识别区域（i,j）（第i行第j列，前文提及待识别区域是根据网格进行划分的，因此可通过i、j来确定待识别区域），其对应的目标阈值 
为：
其中，P表示由多个印刷品扫描图（即物品图像）中待识别区域（i,j）对应的是否存在目标对象的概率组成的集合； 
为一个常量，在本发明实施例的一个具体实施方式中
为0.2，在实际应用时可进行调整。
步骤S211，对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小。
具体地，根据本发明实施例，对于目标对象对应的待识别区域图像，可将其内各像素点的像素值分别扩大和缩小20个像素，如待识别区域图像为128*128像素，分别得到148*148和108*108的区域图像（此时的数值仅为示例）。
步骤S212，将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理。
步骤S213，根据第二分类处理结果对目标对象进行更新。
具体地，确定放大处理和缩小处理对应的待识别区域的第二分类处理结果（即其内是否包括目标对象的概率值）后，可将两个概率值取均值后再与目标概率值进行比较，进而识别是否存在目标对象，以达到对目标对象进行更新，避免由于待识别区域划分不当所导致的目标对象识别错误的情形，以进一步提升识别准确率。
根据本发明实施例的技术方案，因为采用获取印刷物品对应的物品图像和模板图像；对物品图像和模板图像进行图像配准处理得到配准图像；将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新的技术手段，所以克服了现有的印刷物品中目标对象的识别方法中存在的识别自动化程度低、识别效率低、识别准确率低、耗费大量人力资源的技术问题，进而达到提高印刷物品中目标对象识别的自动化程度，提高识别效率和识别准确率，节约人力资源的技术效果。
图3是根据本发明实施例提供的印刷物品中目标对象的识别装置的主要模块的示意图；如图3所示，本发明实施例提供的印刷物品中目标对象的识别装置300主要包括：
图像获取模块301，用于获取印刷物品对应的物品图像和模板图像。
进一步地，根据本发明实施例，上述印刷物品对应的物品图像可以通过拍摄、扫描等方式获取，一般地，由于采用拍摄的方式普遍存在镜头畸变、光照差异、光线反射等问题，不利于图像的采集，因此，优选采取扫描的方式获取。根据本发明实施例的一具体实施方式，将印刷物品置于扫描设备中，由扫描设备获取该印刷物品的物品图像。进一步地，根据本发明实施例的又一具体实施方式，可将扫描设备装置在生产线上，对生产线制造的印刷物品进行实时扫描获取相应的物品图像，以提升目标对象的识别效率。
图像配准模块302，用于对物品图像和模板图像进行图像配准处理得到配准图像。
通过上述设置，将印刷物品的物品图像与模板图像进行图像匹配处理能够避免物品图像采集过程中的系统误差所导致的后续识别误差。
进一步地，根据本发明实施例，上述图像配准模块302还用于：
分别提取物品图像和模板图像的特征信息；
将物品图像的特征信息和模板图像的特征信息进行特征匹配；
根据特征匹配结果对物品图像进行几何变换处理，得到配准图像；其中，几何变换处理包括下列处理方式中至少一种：旋转处理、剪切处理、缩小处理、放大处理。
具体地，根据本发明实施例，上述特征信息包括下列信息中的至少一种：特征点、特征区域、特征边缘。
根据本发明实施例的一具体实施方式，首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准，得到配准图像。
目标对象识别模块303，用于将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率。
通过上述设置，将配准图像划分为多个待识别区域图像，不仅能够提升物品图像中目标对象的识别准确率，还能进一步确定目标对象所在的区域，进而确定产生目标对象的原因，降低制造印刷物品的设备维护成本。
具体地，根据本发明实施例，上述基于物品图像的目标对象识别装置300还包括目标对象识别模型构建模块，用于：
获取印刷物品对应的样本图像，将样本图像划分为多个样本区域图像；
根据正样本所占比值从多个样本区域图像中确定正样本区域图像，对剩余样本区域图像中的像素值进行处理，以得到负样本区域图像；
以正样本区域图像和负样本区域图像为训练集，利用分类损失函数构建并训练目标对象识别模型。
根据本发明实施例，上述印刷物品为工业印刷品，上述目标对象为工业印刷品上的污损（包括印刷墨量是否均匀、印刷颜色是否和原稿一致、印刷图案位置是否正确、印刷品上是否存在污渍等）。在构建目标对象识别模型时，通过对部分样本区域图像中像素点的像素值进行处理以模拟污损，得到负样本对应的区域图像。通过上述设置，仅通过较少的样本图像，即可获取足够多的训练样本（包括正样本和负样本），进而完成目标对象识别模型的构建及训练。需要说明的是，上述印刷物品并不仅限于工业印刷品，也可以为纺织类印刷品（如在衣服上印制图案）、3D打印物品等可批量制造的物品；同样的，目标对象也不仅仅指代印刷物品上的污损，也可以是印刷物品上的特定图案、线条等。
进一步地，根据本发明实施例，上述目标对象识别模型构建模块还用于：
对于剩余样本区域图像中的任一样本区域图像，循环执行下列步骤：
从样本区域图像中确定种子像素点，并生成种子像素点的像素值；
根据种子像素点、图形搜索算法和像素点搜索概率值从样本区域图像中搜索目标像素点，并将目标像素点置于目标像素点集合中；其中，目标像素点对应的像素值是根据已搜索到的相邻像素点的像素值和随机扰动项确定的；
直至目标像素点集合中目标像素点的数量大于或等于目标对象对应的像素点数量下限，将经过像素值处理的样本区域图像确定为负样本区域图像。
通过上述设置，有利于快速得到负样本区域图像。其中，图形搜索算法包括深度优先搜索和广度优先搜索；像素点搜索概率值是指每搜索到的一个像素点，其为目标像素点的概率值。
优选地，根据本发明实施例，上述目标对象识别模型构建模块还用于：
随机生成种子像素在HSV颜色空间的像素值；
对在HSV颜色空间的像素值进行转换处理，得到种子像素在RGB颜色空间的像素值，将RGB颜色空间的像素值作为种子像素的像素值。
通过上述设置，先随机生成种子像素点在HSV颜色空间的像素值，再通过像素值的转换处理得到种子像素点在RGB颜色空间的像素值。原因是，RGB颜色空间的三个维度（红，绿，蓝）不能直接控制色彩的明度，随机生成的像素值在明度空间中不是均匀分布，导致模拟得到的目标对象（污损）缺少深色类型，进而影响了目标对象识别模型的泛化能力。
进一步地，根据本发明实施例，上述目标对象识别模块303还用于：
设置各待识别区域图像对应的目标阈值；
根据待识别区域图像对应的第一分类处理结果和目标阈值识别目标对象。
通过上述设置，有利于提高目标对象识别模型识别的鲁棒性，提升识别目标对象的准确率。
更新模块304，用于对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新。
通过上述设置，有利于避免由于待识别区域划分不当所导致的目标对象识别错误的情形，以进一步提升识别准确率。
根据本发明实施例的技术方案，因为采用获取印刷物品对应的物品图像和模板图像；对物品图像和模板图像进行图像配准处理得到配准图像；将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新的技术手段，所以克服了现有的印刷物品中目标对象的识别方法中存在的识别自动化程度低、识别效率低、识别准确率低、耗费大量人力资源的技术问题，进而达到提高印刷物品中目标对象识别的自动化程度，提高识别效率和识别准确率，节约人力资源的技术效果。
图4示出了可以应用本发明实施例的印刷物品中目标对象的识别方法或印刷物品中目标对象的识别装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405（此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整）。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如对象识别类应用、图像识别类应用、工业印刷品质检类应用等（仅为示例）。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器（仅为示例）。后台管理服务器可以对接收到的物品图像和模板图像等数据进行分析等处理，并将处理结果（例如配准图像、第一分类处理结果--仅为示例）反馈给终端设备。
需要说明的是，本发明实施例所提供的印刷物品中目标对象的识别方法一般由服务器405执行，相应地，印刷物品中目标对象的识别装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统500的结构示意图。图5示出的终端设备或服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元（CPU）501，其可以根据存储在只读存储器（ROM）502中的程序或者从存储部分508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元（CPU）501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取模块、图像配准模块、目标对象识别模块和更新模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，图像获取模块还可以被描述为“用于获取印刷物品对应的物品图像和模板图像的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取印刷物品对应的物品图像和模板图像；对物品图像和模板图像进行图像配准处理得到配准图像；将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新。
根据本发明实施例的技术方案，因为采用获取印刷物品对应的物品图像和模板图像；对物品图像和模板图像进行图像配准处理得到配准图像；将配准图像划分为多个待识别区域图像，将多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新的技术手段，所以克服了现有的印刷物品中目标对象的识别方法中存在的识别自动化程度低、识别效率低、识别准确率低、耗费大量人力资源的技术问题，进而达到提高印刷物品中目标对象识别的自动化程度，提高识别效率和识别准确率，节约人力资源的技术效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种印刷物品中目标对象的识别方法，其特征在于，包括：
获取印刷物品对应的物品图像和模板图像；
对所述物品图像和所述模板图像进行图像配准处理得到配准图像；
将所述配准图像划分为多个待识别区域图像，将所述多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，所述目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；
对所述目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得所述待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对所述目标对象进行更新。
2.根据权利要求1所述的印刷物品中目标对象的识别方法，其特征在于，所述对所述物品图像和所述模板图像进行图像配准处理得到配准图像的步骤包括：
分别提取所述物品图像和所述模板图像的特征信息；
将所述物品图像的特征信息和所述模板图像的特征信息进行特征匹配；
根据特征匹配结果对所述物品图像进行几何变换处理，得到所述配准图像；其中，所述几何变换处理包括下列处理方式中至少一种：旋转处理、剪切处理、缩小处理、放大处理。
3.根据权利要求1所述的印刷物品中目标对象的识别方法，其特征在于，所述目标对象识别模型的构建步骤如下：
获取所述印刷物品对应的样本图像，将所述样本图像划分为多个样本区域图像；
根据正样本所占比值从所述多个样本区域图像中确定正样本区域图像，对剩余样本区域图像中的像素值进行处理，以得到负样本区域图像；
以所述正样本区域图像和所述负样本区域图像为训练集，利用分类损失函数构建并训练所述目标对象识别模型。
4.根据权利要求3所述的印刷物品中目标对象的识别方法，其特征在于，所述对剩余样本区域图像中的像素值进行处理，以得到负样本区域图像的步骤包括：
对于所述剩余样本区域图像中的任一样本区域图像，循环执行下列步骤：
从所述样本区域图像中确定种子像素点，并生成所述种子像素点的像素值；
根据所述种子像素点、图形搜索算法和像素点搜索概率值从所述样本区域图像中搜索目标像素点，并将所述目标像素点置于目标像素点集合中；其中，所述目标像素点对应的像素值是根据已搜索到的相邻像素点的像素值和随机扰动项确定的；
直至所述目标像素点集合中目标像素点的数量大于或等于所述目标对象对应的像素点数量下限，将经过像素值处理的样本区域图像确定为负样本区域图像。
5.根据权利要求4所述的印刷物品中目标对象的识别方法，其特征在于，所述生成所述种子像素的像素值的步骤包括：
随机生成所述种子像素在HSV颜色空间的像素值；
对所述在HSV颜色空间的像素值进行转换处理，得到所述种子像素在RGB颜色空间的像素值，将所述RGB颜色空间的像素值作为所述种子像素的像素值。
6.根据权利要求1所述的印刷物品中目标对象的识别方法，其特征在于，所述根据第一分类处理结果识别目标对象的步骤包括：
设置各待识别区域图像对应的目标阈值；
根据所述待识别区域图像对应的第一分类处理结果和目标阈值识别所述目标对象。
7.根据权利要求1所述的印刷物品中目标对象的识别方法，其特征在于，所述印刷物品对应的物品图像是通过扫描设备或拍摄设备获取的。
8.一种印刷物品中目标对象的识别装置，其特征在于，包括：
图像获取模块，用于获取印刷物品对应的物品图像和模板图像；
图像配准模块，用于对所述物品图像和所述模板图像进行图像配准处理得到配准图像；
目标对象识别模块，用于将所述配准图像划分为多个待识别区域图像，将所述多个待识别区域图像分别输入至目标对象识别模型中进行第一分类处理，根据第一分类处理结果识别目标对象；其中，所述目标对象识别模型用于确定待识别区域图像中存在目标对象的概率；
更新模块，用于对目标对象对应的待识别区域图像中全部像素点的像素值进行放大处理和/或缩小处理，以使得待识别区域图像中包括的配准图像的面积产生放大或缩小；将经过放大处理和/或缩小处理后的待识别区域图像输入至目标对象识别模型中进行第二分类处理；根据第二分类处理结果对目标对象进行更新。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110014282.0A CN112348126B (zh) | 2021-01-06 | 2021-01-06 | 一种印刷物品中目标对象的识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110014282.0A CN112348126B (zh) | 2021-01-06 | 2021-01-06 | 一种印刷物品中目标对象的识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112348126A true CN112348126A (zh) | 2021-02-09 |
| CN112348126B CN112348126B (zh) | 2021-11-02 |
Family
ID=74427854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110014282.0A Active CN112348126B (zh) | 2021-01-06 | 2021-01-06 | 一种印刷物品中目标对象的识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348126B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113900602A (zh) * | 2021-12-09 | 2022-01-07 | 北京辰光融信技术有限公司 | 一种自动消除目标对象填充信息的智能打印方法及系统 |
| CN115330761A (zh) * | 2022-10-12 | 2022-11-11 | 深圳市深创高科电子有限公司 | 一种用于电子产品的表面印刷移位缺陷识别方法 |
| CN117173134A (zh) * | 2023-09-07 | 2023-12-05 | 北京冬雪数据工程有限公司 | 印刷图像的检测方法及检测装置 |
| CN117162665A (zh) * | 2023-11-03 | 2023-12-05 | 星璟材料科技(南通)有限公司 | 一种印刷品印刷生产控制系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427959A (zh) * | 2018-02-07 | 2018-08-21 | 北京工业大数据创新中心有限公司 | 基于图像识别的机台状态采集方法及系统 |
| CN109147011A (zh) * | 2018-08-27 | 2019-01-04 | 平安科技（深圳）有限公司 | 车牌图像生成方法、装置、计算机设备及存储介质 |
| CN110796643A (zh) * | 2019-10-18 | 2020-02-14 | 四川大学 | 一种铁轨扣件缺陷检测方法和系统 |
| CN111582295A (zh) * | 2019-02-15 | 2020-08-25 | 百度（美国）有限责任公司 | 通过结合空间攻击和像素攻击两者来进行联合对抗性训练的系统和方法 |
| CN111862035A (zh) * | 2020-07-17 | 2020-10-30 | 平安科技（深圳）有限公司 | 光斑检测模型的训练方法、光斑检测方法、设备及介质 |
| CN112101294A (zh) * | 2020-09-29 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 针对图像识别模型的增强训练方法及装置 |
-
2021
- 2021-01-06 CN CN202110014282.0A patent/CN112348126B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427959A (zh) * | 2018-02-07 | 2018-08-21 | 北京工业大数据创新中心有限公司 | 基于图像识别的机台状态采集方法及系统 |
| CN109147011A (zh) * | 2018-08-27 | 2019-01-04 | 平安科技（深圳）有限公司 | 车牌图像生成方法、装置、计算机设备及存储介质 |
| CN111582295A (zh) * | 2019-02-15 | 2020-08-25 | 百度（美国）有限责任公司 | 通过结合空间攻击和像素攻击两者来进行联合对抗性训练的系统和方法 |
| CN110796643A (zh) * | 2019-10-18 | 2020-02-14 | 四川大学 | 一种铁轨扣件缺陷检测方法和系统 |
| CN111862035A (zh) * | 2020-07-17 | 2020-10-30 | 平安科技（深圳）有限公司 | 光斑检测模型的训练方法、光斑检测方法、设备及介质 |
| CN112101294A (zh) * | 2020-09-29 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 针对图像识别模型的增强训练方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| YIBIN HUANG等: "A Compact Convolutional Neural Network for Surface Defect Inspection", 《SENSORS》 * |
| 张秋余等: "基于区域生长的Mean shift动态变形手势跟踪算法", 《模式识别与人工智能》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113900602A (zh) * | 2021-12-09 | 2022-01-07 | 北京辰光融信技术有限公司 | 一种自动消除目标对象填充信息的智能打印方法及系统 |
| CN115330761A (zh) * | 2022-10-12 | 2022-11-11 | 深圳市深创高科电子有限公司 | 一种用于电子产品的表面印刷移位缺陷识别方法 |
| CN117173134A (zh) * | 2023-09-07 | 2023-12-05 | 北京冬雪数据工程有限公司 | 印刷图像的检测方法及检测装置 |
| CN117173134B (zh) * | 2023-09-07 | 2024-04-09 | 北京冬雪数据工程有限公司 | 印刷图像的检测方法及检测装置 |
| CN117162665A (zh) * | 2023-11-03 | 2023-12-05 | 星璟材料科技(南通)有限公司 | 一种印刷品印刷生产控制系统 |
| CN117162665B (zh) * | 2023-11-03 | 2023-12-26 | 星璟材料科技(南通)有限公司 | 一种印刷品印刷生产控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112348126B (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348126B (zh) | 一种印刷物品中目标对象的识别方法和装置 | |
| WO2019169772A1 (zh) | 图片处理方法、电子装置及存储介质 | |
| CN112241714B (zh) | 图像中指定区域的识别方法、装置、可读介质和电子设备 | |
| CN112288761B (zh) | 一种异常发热的电力设备检测方法、装置和可读存储介质 | |
| CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
| CN111340796B (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
| CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
| JP6779688B2 (ja) | 画像処理装置、画像処理方法、コンピュータプログラム | |
| CN112597940B (zh) | 证件图像识别方法、装置及存储介质 | |
| CN116168351B (zh) | 电力设备巡检方法及装置 | |
| CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
| WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
| CN112241739A (zh) | 识别文本错误的方法、装置、设备和计算机可读介质 | |
| CN113297420A (zh) | 视频图像处理方法、装置、存储介质及电子设备 | |
| CN116797533A (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
| CN111080665A (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
| CN110569716A (zh) | 一种货架图像翻拍检测方法 | |
| CN117853471A (zh) | 一种电源线插头的自动检测方法及其装置 | |
| CN117351472A (zh) | 烟叶信息检测方法、装置及电子设备 | |
| CN108388898A (zh) | 基于连接体和模板的字符识别方法 | |
| Belhedi et al. | Adaptive scene‐text binarisation on images captured by smartphones | |
| JP4967045B2 (ja) | 背景判別装置、方法及びプログラム | |
| JP2018013887A (ja) | 特徴選択装置、タグ関連領域抽出装置、方法、及びプログラム | |
| CN116993654A (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
| CN111127310B (zh) | 一种图像处理方法、装置、电子设备及存储介质 |
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 |