CN112581393A - 基于语义分割的旋开盖图像处理方法 - Google Patents
基于语义分割的旋开盖图像处理方法 Download PDFInfo
- Publication number
- CN112581393A CN112581393A CN202011479066.5A CN202011479066A CN112581393A CN 112581393 A CN112581393 A CN 112581393A CN 202011479066 A CN202011479066 A CN 202011479066A CN 112581393 A CN112581393 A CN 112581393A
- Authority
- CN
- China
- Prior art keywords
- image
- cover
- unscrewing
- circle
- bottle
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 210000000078 claw Anatomy 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000013361 beverage Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000956 nontoxicity Toxicity 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000005028 tinplate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
Abstract
本发明提出了一种基于语义分割的旋开盖图像处理方法。针对旋开盖图像做了相关处理,为旋开盖的生产做了一定的贡献,相关企业可利用该方法,可将该方法作为旋开盖缺陷检测的基础部分,为提高生产效率和保障食品安全做了贡献。本发明结合旋开盖图像特征,提出了基于语义分割的图像处理方法,使用了基于拟合圆与语义分割的方法,提高了图像分割精度,尤其是对盖内沿采用语义分割方法,使用像素级的处理方法,瓶盖内沿的分割更加准确,从而在缺陷检测中,能更好地识别出细微缺陷。
Description
技术领域
本发明属于人工智能及图像处理技术领域,应用于旋开盖生产线、食品或饮料包装生产线上。
背景技术
旋开盖具有无毒无害、良好的密封性、良好的避光性这三个优点,经常用于对食品、饮料的包装与封存,但由于其在加工过程或包装过程中,受工艺的影响会导致瓶盖内外面有脏污和机械刮痕、盖爪受机械冲压、盖内沿有褶皱等情况,因此对旋开盖图像数据的处理具有两大意义:一是保证消费者享用健康、安全的食品,二是提高生产产品的质量。
目前,对于瓶盖图像数据的处理大多采用两个重要步骤:预处理和缺陷检测,其中预处理方法有阈值分割、平滑处理、滤波降噪等方法,缺陷检测步骤中有采用分类器、边缘检测、特征提取等。现有技术大多采用传统算法来实现对瓶盖图像的处理,进一步研究,发现其具有以下不足:
1)前期预处理较为繁琐;
2)由于传统图像处理不够精准,对细微缺陷无法检测出,准确率有待提高。
为方便读者理解,列出现有技术的部分参考文献:
[1]宋洁.基于机器视觉的医用瓶盖检测系统的设计与应用[D].2018.
[2]王银丹.酒瓶盖印刷板印刷缺陷视觉检测系统的研究[D].2019.
[3]文欣雨,廉小亲,郝宝智,等.基于Canny算子和SVM的瓶盖缺陷检测系统研究[J].测控技术,2018,037(008):29-31,40.
[4]黄艳.基于机器视觉的马口铁金属罐盖缺陷检测研究[J].长春师范大学学报,2020,39(04):67-70.
发明内容
本发明针对现有技术的不足,本发明提供基于语义分割的旋开盖图像处理方法,包括如下步骤:
第一步,通过工业相机从流水线上采集旋开盖图像,并将旋开盖图像传输到工业控制计算机上,工业控制计算机保存图像集并对其进行处理;
第二步,对旋开盖所有图像去噪,使用高斯滤波方法对每张图片进行去噪;
第三步,实现对旋开盖正面、反面图像的分割,获得瓶盖正面数据集和瓶盖反面数据集;
第四步,针对瓶盖正面数据集,采用求质心法、RANSAC算法和最小二乘拟合方法相结合的方法,提出了一种基于改进的RANSAC图像分割方法,得到旋开盖正面外沿图像;
第五步,针对瓶盖反面数据集,首先基于改进的RANSAC图像分割方法进行分割,得到旋开盖反面外沿图像;然后构建卷积神经网络,利用训练好的卷积神经网络处理分割后的瓶盖反面数据集,最终获得旋开盖反面内沿图像;所述旋开盖反面外沿图像定义为整个瓶盖反面图像,旋开盖反面内沿图像定义为除去瓶盖盖爪部分的图像。
进一步的,第四步的具体实现方式如下,
(41)首先对旋开盖正面图像作二值化处理,使瓶盖正面与背景具有明显的边界;
(42)确定二值化图像的外接矩形;
(43)使用原图像在外接矩形内的像素点与矩形的横纵坐标计算,得出瓶盖中心点坐标(x,y);
(44)提取原图像边缘点,所有边缘点构成点集D,令当前循环次数k=0;
(45)随机抽样移除点集D的p%的样本点,将留下来的点集Dk,利用最小二乘拟合计算圆的参数模型,得到圆的参数[xc,yc,R],圆心(xc,yc),半径R,若圆的半径R的范围在预设的范围之内,则转(46);否则转(47);
(47)k=k+1,若k>Kmax,则结束;否则转(43)。
进一步的,(43)中利用最小二乘拟合计算圆的参数模型的具体实现方式如下,
(xi-xc)2+(yi-yc)2=(xi+1-xc)2+(yi+1-yc)2(i=1,2,...,m-1)
对上式进行简化:
令上式中
得:
aixc+biyc=ci(i=1,2,...,m-1)
误差函数为:
通过求导,得出圆的中心坐标(xc,yc)为:
令
则圆的半径为
进一步的,第五步中的卷积神经网络的网络结构分为编码器和解码器两大部分,在编码器中旋开盖图像通过特征提取网络提取了旋开盖的特征,经过1*1卷积,扩展率为6、12、18的3*3卷积,以及全局平均池化层和1*1的卷积;在解码器端,低层特征和编码器端的输出分别经过卷积和上采样进行特征融合,最后经过卷积和上采样输出最后的分割图像。
进一步的,第三步中利用颜色分选方法实现旋开盖正面、反面图像的分割,具体实现方式如下;
(31)颜色空间变换,瓶盖图像原本属于RGB颜色空间,为了更好地分选出瓶盖正面与反面,使用HIS模型进行颜色分选,RGB坐标与HIS坐标的转换为:
(32)颜色特征提取,采用颜色直方图描述瓶盖图像颜色的全局分布,根据瓶盖的颜色,将颜色划分为A,B,C,白色,其中A,B,C表示瓶盖正面的颜色等级,瓶盖正面的等级需根据实际情况来设定,提取出H,S,I三个通道的颜色直方图信息作为样本数据;
(33)使用欧式距离分选算法来分选出瓶盖正面与反面图像,向量各个元素的平方求和,再求平方根,若白色等级相同,则为瓶盖反面。
与现有技术相比,本发明的优点和有益效果:
1、本发明针对旋开盖图像做了相关处理,为旋开盖的生产做了一定的贡献,相关企业可利用该方法,可将该方法作为旋开盖缺陷检测的基础部分,为提高生产效率和保障食品安全做了贡献。
2、本发明结合旋开盖图像特征,提出了基于语义分割的图像处理方法,使用了基于拟合圆与语义分割的方法,提高了图像分割精度,尤其是对盖内沿采用语义分割方法,使用像素级的处理方法,瓶盖内沿的分割更加准确,从而在缺陷检测中,能更好地识别出细微缺陷。
附图说明
图1为旋开盖图像处理流程。
图2为卷积神经网络的网络结构图。
图3为基于语义分割的旋开盖图像处理流程。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
本发明是基于语义分割的旋开盖图像处理方法,包括旋开盖图像采集、图像去噪、分选数据集、传统算法处理、语义分割这五个过程,其具体流程可见图1。通过工业相机从流水线上采集旋开盖图像,传输到工业控制计算机进行处理,首先为图像在接下来的步骤中得到较好的图像边缘,使用高斯滤波去除旋开盖图像中的噪声,然后对瓶盖图像数据集进行分选,分选出旋开盖正面数据集与旋开盖反面数据集,针对瓶盖正面数据集是采用传统图像处理方法,而瓶盖反面数据集是采用传统算法与语义分割相结合的方法,最后得出旋开盖的分割图像。
1、核心算法
为得到较好的旋开盖分割图像,需对算法进行设计,主要算法有传统图像算法和语义分割算法,其中旋开盖正面数据集和反面数据集采用相同的传统图像算法处理方法,其设计方案如下:
(1)传统图像算法处理
因相机拍摄角度的原因,瓶盖的正反面在图像中成像形状近似为圆形,因此可以通过其轮廓进行圆曲线拟合,本发明将求质心法、RANSAC算法和最小二乘拟合方法相结合,将旋开盖的外边沿分割出来,这三种算法的介绍如下:
求质心法:使用预处理好的图像,确定图像的外接矩形,来利用外接矩形内所有像素点的灰度值与其横纵坐标,来得到旋开盖中心点的横纵坐标。
RANSAC算法:RANSAC是随机抽样的英文缩写,可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数,是一种不确定的算法。反复抽选旋开盖轮廓中的一组随机子集,通过不断迭代选出最终模型。
(xi-xc)2+(yi-yc)2=(xi+1-xc)2+(yi+1-yc)2(i=1,2,...,m-1)
对上式进行简化:
令上式中
得:
aixc+biyc=ci(i=1,2,...,m-1)
误差函数为:
通过求导,得出圆的中心坐标(xc,yc)为:
令
则圆的半径为
(2)语义分割算法
当旋开盖反面使用传统算法,无法对内边沿进行精准定位,所以使用深度学习的方式来对瓶盖内沿定位和分割,语义分割融合了传统的图像分割和目标识别两大技术,其目的是将图像分割成几组具有特定语义类别的区域,属于像素级别的密集分类问题,本发明使用卷积神经网络对已经处理的旋开盖反面图像数据集来训练。其网络结构可分为编码器和解码器两大部分,在编码器中旋开盖图像通过特征提取网络提取了旋开盖的特征,经过了1*1卷积,扩展率为6、12、18的3*3卷积,以及全局平均池化层和1*1的卷积,在解码器端,低层特征和编码器端输出分别经过卷积和上采样进行特征融合,最后经过卷积和上采样输出最后的分割图像。其网络结构如图2所示,在特征网络中引入了空洞卷积,使特征图尽可能地获取更多信息,利用空间金字塔池化模型实现多尺度特征提取,融合底层特征以恢复目标部分边界信息,并采用双线性上采样地方法恢复特征图。
2、实施方式
本发明主要设计了基于语义分割的旋开盖图像处理方法,为瓶盖生产企业和食品包装行业贡献了对旋开盖的图像处理方法,针对旋开盖的正反面数据集,提出了传统图像处理方法和语义分割相结合的处理方式,从而达到更加精准分割旋开盖图像,为旋开盖的缺陷检测奠定基础,现对旋开盖图像实施具体方案,方案如下:
第一步:通过工业相机从流水线上采集旋开盖图像,并将旋开盖图像传输到工业控制计算机上,工业控制计算机保存图像集并对其进行处理;
第二步:由于相机拍摄的问题,图片中含有大量的噪声点,会对后期的处理造成不必要的麻烦,所以统一对旋开盖所有图像去噪,使用高斯滤波方法对每张图片进行去噪;
第三步:为了实现对旋开盖正、反面图像的分割,需要对含有正、反面图像的数据集分选,分选出旋开盖正面数据集和旋开盖反面数据集,旋开盖的反面是瓶盖内面,颜色大多为白色,而正面颜色往往需要根据商家的设计来定,通常为五颜六色,基于旋开盖颜色特征,选择基于颜色的分选算法,为考虑分选准确度的问题,使用欧氏距离进行颜色分选,根据所采集的图像,建立少量的图像样本库;待分选图像与样本库图像进行比较,得出颜色等级;使用等级相同的方法来判断是瓶盖正面还是瓶盖反面;
颜色分选的步骤为:
(1)颜色空间变换,瓶盖图像原本属于RGB颜色空间,为了更好地分选出瓶盖正面与反面,使用HIS(色调,饱和度,亮度)模型进行颜色分选,RGB坐标与HIS坐标的转换为:
(2)颜色特征提取,采用颜色直方图描述瓶盖图像颜色的全局分布,根据瓶盖的颜色,将颜色划分为A,B,C,白色,其中A,B,C表示瓶盖正面的颜色等级,瓶盖正面的等级需根据实际情况来设定,提取出H,S,I三个通道的颜色直方图信息作为样本数据。
(3)使用欧式距离分选算法来分选出瓶盖正面与反面图像,向量各个元素的平方求和,再求平方根,若白色等级相同,则为瓶盖反面。
第四步:针对瓶盖正面数据集采用求质心法、RANSAC算法和最小二乘拟合方法相结合的方法,提出了一种基于改进的RANSAC图像分割方法,对瓶盖外沿进行分割,具体实施步骤为:
(41)首先对旋开盖正面图像做二值化处理,使瓶盖正面与背景具有明显的边界;
(42)确定二值化图像的外接矩形;
(43)使用原图像在外接矩形内的像素点与矩形的横纵坐标计算,得出瓶盖中心点坐标(x,y);
(44)提取原图像边缘点,所有边缘点构成点集D,令当前循环次数k=0;
(45)随机抽样移除点集D的30%的样本点,将留下来的点集Dk用最小二乘法计算圆的参数模型,得到圆的参数[xc,yc,R],圆心(xc,yc),半径R,若圆的半径R的范围在预设的范围之内,则转(6);否则转(7);
(47)k=k+1,若k>Kmax,则结束;否则转(43)。
第五步:针对瓶盖反面数据集,先采用第四步所使用的方法,得到旋开盖反面外沿图像,在此基础上使用卷积神经网络来训练处理后的瓶盖反面数据集,最终获得旋开盖反面内沿图像,具体步骤为:
(51)准备训练数据集,包括训练图片、验证图片、测试图片;
(52)准备预训练模型,卷积神经网络的网络结构分为编码器和解码器两大部分,在编码器中旋开盖图像通过特征提取网络提取了旋开盖的特征,经过1*1卷积,扩展率为6、12、18的3*3卷积,以及全局平均池化层和1*1的卷积;在解码器端,低层特征和编码器端的输出分别经过卷积和上采样进行特征融合,最后经过卷积和上采样输出最后的分割图像。;
(53)设置好学习率、批次大小等相关参数;
(54)根据以上步骤,正式训练模型;
(55)评估模型,使用图像语义分割的常用评价标准mIoU来评估;
(56)将训练好的卷积神经网络使用到新的数据集中,最终获得旋开盖反面内沿图像。
其中,旋开盖反面外沿图像的定义为整个瓶盖反面图像,旋开盖反面的内沿图像的定义为除去瓶盖盖爪部分的图像。
通过以上五个过程,完成对旋开盖正反面图像的处理,其具体流程可见图3。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.基于语义分割的旋开盖图像处理方法,其特征在于,包括如下步骤:
第一步,通过工业相机从流水线上采集旋开盖图像,并将旋开盖图像传输到工业控制计算机上,工业控制计算机保存图像集并对其进行处理;
第二步,对旋开盖所有图像去噪,使用高斯滤波方法对每张图片进行去噪;
第三步,实现对旋开盖正面、反面图像的分割,获得瓶盖正面数据集和瓶盖反面数据集;
第四步,针对瓶盖正面数据集,采用求质心法、RANSAC算法和最小二乘拟合方法相结合的方法,提出了一种基于改进的RANSAC图像分割方法,得到旋开盖正面外沿图像;
第五步,针对瓶盖反面数据集,首先基于改进的RANSAC图像分割方法进行分割,得到旋开盖反面外沿图像;然后构建卷积神经网络,利用训练好的卷积神经网络处理分割后的瓶盖反面数据集,最终获得旋开盖反面内沿图像;所述旋开盖反面外沿图像定义为整个瓶盖反面图像,旋开盖反面内沿图像定义为除去瓶盖盖爪部分的图像。
2.如权利要求1所述的基于语义分割的旋开盖图像处理方法,其特征在于:第四步的具体实现方式如下,
(41)首先对旋开盖正面图像作二值化处理,使瓶盖正面与背景具有明显的边界;
(42)确定二值化图像的外接矩形;
(43)使用原图像在外接矩形内的像素点与矩形的横纵坐标计算,得出瓶盖中心点坐标(x,y);
(44)提取原图像边缘点,所有边缘点构成点集D,令当前循环次数k=0;
(45)随机抽样移除点集D的p%的样本点,将留下来的点集Dk,利用最小二乘拟合计算圆的参数模型,得到圆的参数[xc,yc,R],圆心(xc,yc),半径R,若圆的半径R的范围在预设的范围之内,则转(46);否则转(47);
(47)k=k+1,若k>Kmax,则结束;否则转(43)。
4.如权利要求1所述的基于语义分割的旋开盖图像处理方法,其特征在于:第五步中的卷积神经网络的网络结构分为编码器和解码器两大部分,在编码器中旋开盖图像通过特征提取网络提取了旋开盖的特征,经过1*1卷积,扩展率为6、12、18的3*3卷积,以及全局平均池化层和1*1的卷积;在解码器端,低层特征和编码器端的输出分别经过卷积和上采样进行特征融合,最后经过卷积和上采样输出最后的分割图像。
5.如权利要求1所述的基于语义分割的旋开盖图像处理方法,其特征在于:第三步中利用颜色分选方法实现旋开盖正面、反面图像的分割,具体实现方式如下;
(31)颜色空间变换,瓶盖图像原本属于RGB颜色空间,为了更好地分选出瓶盖正面与反面,使用HIS模型进行颜色分选,RGB坐标与HIS坐标的转换为:
(32)颜色特征提取,采用颜色直方图描述瓶盖图像颜色的全局分布,根据瓶盖的颜色,将颜色划分为A,B,C,白色,其中A,B,C表示瓶盖正面的颜色等级,瓶盖正面的等级需根据实际情况来设定,提取出H,S,I三个通道的颜色直方图信息作为样本数据;
(33)使用欧式距离分选算法来分选出瓶盖正面与反面图像,向量各个元素的平方求和,再求平方根,若白色等级相同,则为瓶盖反面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011479066.5A CN112581393B (zh) | 2020-12-15 | 2020-12-15 | 基于语义分割的旋开盖图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011479066.5A CN112581393B (zh) | 2020-12-15 | 2020-12-15 | 基于语义分割的旋开盖图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581393A true CN112581393A (zh) | 2021-03-30 |
CN112581393B CN112581393B (zh) | 2022-04-26 |
Family
ID=75135852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011479066.5A Active CN112581393B (zh) | 2020-12-15 | 2020-12-15 | 基于语义分割的旋开盖图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581393B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11223519A (ja) * | 1998-02-06 | 1999-08-17 | Nissan Motor Co Ltd | 表面欠陥の検査装置 |
CN104700423A (zh) * | 2015-03-27 | 2015-06-10 | 四川索牌科技股份有限公司 | 一种瓶盖检测方法和装置 |
CN105973903A (zh) * | 2016-07-04 | 2016-09-28 | 东阿阿胶股份有限公司 | 一种口服液瓶盖检测系统及方法 |
CN109060816A (zh) * | 2018-06-13 | 2018-12-21 | 中国科学院上海光学精密机械研究所 | 大口径元件体内缺陷快速检测装置和方法 |
CN111105391A (zh) * | 2019-11-20 | 2020-05-05 | 复旦大学 | 一种基于深度神经网络增广训练的表面缺陷检测方法 |
CN111709456A (zh) * | 2020-05-22 | 2020-09-25 | 五邑大学 | 酒瓶表面缺陷检测方法、电子装置及存储介质 |
-
2020
- 2020-12-15 CN CN202011479066.5A patent/CN112581393B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11223519A (ja) * | 1998-02-06 | 1999-08-17 | Nissan Motor Co Ltd | 表面欠陥の検査装置 |
CN104700423A (zh) * | 2015-03-27 | 2015-06-10 | 四川索牌科技股份有限公司 | 一种瓶盖检测方法和装置 |
CN105973903A (zh) * | 2016-07-04 | 2016-09-28 | 东阿阿胶股份有限公司 | 一种口服液瓶盖检测系统及方法 |
CN109060816A (zh) * | 2018-06-13 | 2018-12-21 | 中国科学院上海光学精密机械研究所 | 大口径元件体内缺陷快速检测装置和方法 |
CN111105391A (zh) * | 2019-11-20 | 2020-05-05 | 复旦大学 | 一种基于深度神经网络增广训练的表面缺陷检测方法 |
CN111709456A (zh) * | 2020-05-22 | 2020-09-25 | 五邑大学 | 酒瓶表面缺陷检测方法、电子装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
SUK-HO LEE等: "Conductivity image reconstruction from defective data in MREIT: numerical Simulation and animal experiment", 《IEEE:CONDUCTIVITY IMAGE RECONSTRUCTION FROM DEFECTIVE DATA IN MREIT: NUMERICAL SIMULATION AND ANIMAL EXPERIMENT》 * |
刘伟: "基于视觉的皇冠盖缺陷检测系统研究", 《中国优秀硕士学位论文全文数据库》 * |
肖志云等: "结合Otsu与EM的啤酒瓶图像分割及动态计数研究", 《重庆理工大学学报(自然科学)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112581393B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN110084302B (zh) | 一种基于遥感图像的裂缝检测方法 | |
CN112767369A (zh) | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 | |
CN109977899B (zh) | 一种物品识别的训练、推理以及增加新种类的方法和系统 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN113870263A (zh) | 一种路面缺陷损伤实时监测方法及系统 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN109191436A (zh) | 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法 | |
CN110309808B (zh) | 一种大范围尺度空间下的自适应烟雾根节点检测方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210330 Assignee: Wuhan Wenbing Electric Technology Co.,Ltd. Assignor: HUBEI University OF TECHNOLOGY Contract record no.: X2023980040508 Denomination of invention: Image processing method for unscrewed lid based on semantic segmentation Granted publication date: 20220426 License type: Exclusive License Record date: 20230825 |