CN112766250A - 一种图像处理方法、设备及计算机可读存储介质 - Google Patents
一种图像处理方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112766250A CN112766250A CN202011576880.9A CN202011576880A CN112766250A CN 112766250 A CN112766250 A CN 112766250A CN 202011576880 A CN202011576880 A CN 202011576880A CN 112766250 A CN112766250 A CN 112766250A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- label
- information
- target label
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
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)
- 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)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像处理方法、设备及计算机可读存储介质,所述方法包括:获得指定参数,根据所述指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像;对所述指定图像进行标签定位,获得与所述目标标签对应的目标标签图像;根据所述指定参数,对所述目标标签图像进行区域定位,获得不反光区域;基于所述不反光区域对所述目标标签图像进行检测识别,获得检测信息,所述检测信息用于确定所述目标标签的种类。本发明实施例提供了一种图像处理方法、设备及计算机可读存储介质,具有能对包含反光区域的标签图像进行检测识别,以确定标签的具体种类的特点。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种图像处理方法、设备及计算机可读存储介质。
背景技术
在笔记本出厂之前,通常要对笔记本键盘面上的包含笔记本型号等的3D标签进行检测识别,以确保3D标签是与该笔记本相对应的,而3D标签由于光线、3D标签自身的角度等因素,在3D标签表面形成不同程度的反光。目前,对3D标签进行检测识别的传统方法,当3D标签的图像具有反光区域时,不能对包含反光区域的3D标签图像进行检测识别,导致不能确定3D标签的具体种类。
发明内容
为解决现有技术中存在的至少以上技术问题,本发明实施例提供了一种图像处理方法、设备及计算机可读存储介质,具有能对包含反光区域的标签图像进行检测识别,以确定标签的具体种类的特点。
本发明实施例一方面提供一种图像处理方法,所述方法包括:获得指定参数,根据所述指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像;对所述指定图像进行标签定位,获得与所述目标标签对应的目标标签图像;根据所述指定参数,对所述目标标签图像进行区域定位,获得不反光区域;基于所述不反光区域对所述目标标签图像进行检测识别,获得检测信息,所述检测信息用于确定所述目标标签的种类。
在一可实施方式中,获得指定参数,根据所述指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像,包括:根据所述指定参数确定所述目标产品的目标位置;当所述目标产品位于所述目标位置时,对所述目标产品进行图像采集,获得指定图像。
在一可实施方式中,对所述指定图像进行标签定位,获得与所述目标标签对应的目标标签图像,包括:对所述指定图像进行聚类定位处理,获得目标标签图像。
在一可实施方式中,基于所述不反光区域对所述目标标签图像进行检测识别,获得检测信息,包括:通过检测模型对所述目标标签图像进行第一检测识别处理,获得第一检测信息,所述第一检测信息用于对所述目标标签进行分类;根据所述第一检测信息确定预设截图信息和预设区分信息;根据所述预设截图信息对所述不反光区域进行截图,获得截图图像;根据所述预设区分信息对所述截图图像进行识别分析处理,获得第二检测信息,所述第二检测信息用于确定所述目标标签的种类。
在一可实施方式中,根据所述预设区分信息对所述截图图像进行识别分析处理,获得第二检测信息,包括:对所述截图图像进行字符识别,获得字符识别信息;根据所述预设区分信息对所述字符识别信息进行分析处理,获得第二检测信息。
在一可实施方式中,根据所述预设区分信息对所述截图图像进行识别分析处理,获得第二检测信息,包括:对所述截图图像进行聚类识别处理,获得聚类识别信息;根据所述预设区分信息对所述聚类识别信息进行分析处理,获得第二检测信息。
在一可实施方式中,通过检测模型对所述目标标签图像进行第一检测识别处理,获得第一检测信息,包括:获得与所述目标标签图像对应的数据训练样本;根据所述数据训练样本对待训练模型进行训练,获得训练后的检测模型;通过所述检测模型对所述目标标签图像进行第一检测识别处理,获得第一检测信息。
本发明实施例另一方面还提供一种图像处理设备,所述设备包括:第一获得模块,用于获得指定参数,根据所述指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像;第二获得模块,用于对所述指定图像进行标签定位,获得与所述目标标签对应的目标标签图像;第三获得模块,用于根据所述指定参数,对所述目标标签图像进行区域定位,获得不反光区域;第四获得模块,用于基于所述不反光区域对所述目标标签图像进行检测识别,获得检测信息,所述检测信息用于确定所述目标标签的种类。
在一可实施方式中,所述第一获得模块,包括:第一确定子模块,用于根据所述指定参数确定所述目标产品的目标位置;第一获得子模块,用于当所述目标产品位于所述目标位置时,对所述目标产品进行图像采集,获得指定图像。
在一可实施方式中,所述第二获得模块,包括:第二获得子模块,用于对所述指定图像进行聚类定位处理,获得目标标签图像。
在一可实施方式中,所述第四获得模块,包括:第三获得子模块,用于通过检测模型对所述目标标签图像进行第一检测识别处理,获得第一检测信息,所述第一检测信息用于对所述目标标签进行分类;第二确定子模块,用于根据所述第一检测信息确定预设截图信息和预设区分信息;第四获得子模块,用于根据所述预设截图信息对所述不反光区域进行截图,获得截图图像;第五获得子模块,用于根据所述预设区分信息对所述截图图像进行识别分析处理,获得第二检测信息,所述第二检测信息用于确定所述目标标签的种类。
在一可实施方式中,所述第五获得子模块,包括:第一获得单元,用于对所述截图图像进行字符识别,获得字符识别信息;第二获得单元,用于根据所述预设区分信息对所述字符识别信息进行分析处理,获得第二检测信息。
在一可实施方式中,所述第五获得子模块,还包括:第三获得单元,用于对所述截图图像进行聚类识别处理,获得聚类识别信息;第四获得单元,用于根据所述预设区分信息对所述聚类识别信息进行分析处理,获得第二检测信息。
在一可实施方式中,所述第三获得子模块,包括:第五获得单元,用于获得与所述目标标签图像对应的数据训练样本;第六获得单元,用于根据所述数据训练样本对待训练模型进行训练,获得训练后的检测模型;第七获得单元,用于基于所述检测模型对所述目标标签图像进行第一检测识别处理,获得第一检测信息。
本发明实施例还提供一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行上述任一项所述的图像处理方法。
本发明实施例提供的一种图像处理方法、设备及计算机可读存储介质,当需要对目标产品上的目标标签进行检测识别时,先获得指定参数,指定参数用于使目标产品位于合适的位置,以使目标标签中的反光呈现在目标标签中的避开关键文字、字母和数字等标识的地方,当目标产品位于该合适的位置时,对目标产品进行图像采集,获得指定图像,然后,对指定图像进行标签定位,获得目标标签图像,再后,根据指定参数获得目标标签图像中的不反光区域,最后,基于不反光区域对目标标签图像进行检测识别,获得用于确定与目标标签图像对应的目标标签的检测信息,从而实现对包含反光区域的标签图像进行检测识别以确定标签的具体种类的目的。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种图像处理方法的实现流程示意图;
图2为本发明实施例一种图像处理方法获得指定图像的流程示意图;
图3为本发明实施例一种图像处理方法获得目标标签图像的流程示意图;
图4为本发明实施例一种图像处理方法获得检测信息的流程示意图;
图5为本发明一种实施例一种图像处理方法获得第二检测信息的流程示意图;
图6为本发明另一种实施例一种图像处理方法获得第二检测信息的流程示意图;
图7为本发明实施例一种图像处理方法第一检测信息的流程示意图;
图8为本发明实施例一种图像处理设备的模块示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种图像处理方法的实现流程示意图。
参考图1,本发明实施例一方面提供一种图像处理方法,方法包括:方法包括:步骤101,获得指定参数,根据指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像;步骤102,对指定图像进行标签定位,获得与所述目标标签对应的目标标签图像;步骤103,根据指定参数,对目标标签图像进行区域定位,获得不反光区域;步骤104,基于不反光区域对目标标签图像进行检测识别,获得检测信息,检测信息用于确定目标标签的种类。
本发明实施例提供的一种图像处理方法,主要应用于检测识别目标产品上的包含反光区域的标签,比如3D标签。在本方法中,目标标签连接在目标产品上,先获得指定参数,指定参数用于使目标产品位于合适的位置,以使目标标签中的反光呈现在目标标签中的避开文字、字母和数字等关键标识的地方,当目标产品位于该合适的位置时,对目标产品进行图像采集,获得指定图像,以初步锁定目标标签所在区域的范围,然后,对指定图像进行标签定位,获得目标标签图像,以为检测识别目标标签作铺垫,再后,根据指定参数,对目标标签图像进行区域定位,获得反光区域,根据反光区域对目标标签图像进行筛除选择,获得目标标签图像中的不反光区域,最后,基于不反光区域对目标标签图像进行检测识别,获得用于确定与目标标签图像对应的目标标签的检测信息,从而实现对反光的标签进行检测识别的目的。
在本方法步骤101中,先获得指定参数,指定参数用于使目标产品位于合适的位置,以使目标标签中的反光呈现在目标标签中的避开关键文字、字母和数字等标识的地方,指定参数可根据目标产品的实际检测环境来确定,例如,当目标产品为笔记本电脑,笔记本电脑放置在托盘上的情况下,指定参数可包括笔记本电脑相对托盘的位置参数、托盘相对图像采集设备的位置参数、托盘相对图像采集设备的角度参数、笔记本电脑相对托盘的角度参数、光线的强度参数和光线照射到托盘上的角度参数等;然后,根据指定参数对目标产品进行图像采集,获得指定图像,指定图像为比目标标签所在区域大的图像,目标标签的大小可以根据对应的先验信息获得。通过步骤101,能初步锁定目标标签所在区域的范围。
在本方法步骤102中,对指定图像进行标签定位,获得目标标签图像,目标标签图像为包含整个目标标签的图像,对指定图像进行标签定位的方法可为通过聚类的方式对指定图像进行标签定位,例如,聚类的方式具体可为密度聚类算法的方式,当目标产品为笔记本电脑,目标标签贴设在笔记本电脑的情况下,指定图像可为包含以笔记本电脑颜色为背景的且包含目标标签所在区域的图像,可通过密度聚类算法的方式将指定图像中笔记本电脑所在区域和目标标签所在区域进行区分,可以理解的是,笔记本电脑的颜色通常为统一的一种颜色,这为通过密度聚类算法进行计算时提供便利。通过步骤102,可准确获得目标标签图像。
在本方法步骤103中,根据指定参数,对目标标签图像进行区域定位,获得反光区域,根据反光区域对目标标签图像进行筛除选择,获得不反光区域。由于指定参数用于使目标产品位于合适的位置和光照条件,该合适的位置使目标标签中的反光呈现在目标标签中的避开关键文字、字母和数字等标识的地方,即,根据指定参数能够确定目标标签图像中的反光区域,可以理解的是,目标标签图像中除了反光区域以外的其他区域为不反光区域,通过在目标标签图像上筛除反光区域,可获得不反光区域。
在本方法步骤104中,基于不反光区域对目标标签图像进行检测识别,获得检测信息,以确定目标标签具体的种类,基于不反光区域对目标标签图像进行检测识别的方法可为:先对整个目标标签图像进行检测识别,获得初步检测信息,以对目标标签进行初步分类,再根据初步检测信息对目标标签图像中的不反光区域进行进一步的检测识别,获得与目标标签对应的最终检测信息,根据初步检测信息和最终检测信息以确定目标标签具体的种类。其中,初步检测信息为包含对目标标签进行初步分类后目标标签所属的初类别的信息,最终检测信息为包含目标标签最终所属的具体种类类别的信息。
为了方便理解,以下提供一种较为具体的可实施场景,在该可实施场景中,目标产品可为笔记本电脑,目标标签可为3D标签,3D标签贴设在笔记本电脑的键盘面上,该可实施场景还提供充足的用于照明的光线、用于承载笔记本电脑的托盘和图像采集设备;先根据实际环境获得包括笔记本电脑相对托盘的位置参数、托盘相对图像采集设备的位置参数、托盘相对图像采集设备的角度参数、笔记本电脑相对托盘的角度参数、光线的强度参数和光线照射到托盘上的角度参数等的指定参数,根据指定参数,可事先调整好托盘的位置,以使笔记本电脑处于合适的位置,当笔记本电脑位于该合适的位置时,通过图像采集设备对笔记本电脑进行图像采集,获得比3D标签所在区域略大的指定图像;然后,可通过聚类的方式对指定图像进行标签定位,获得3D标签图像;再后,可根据指定参数掌握3D标签图像中的反光区域,可对3D标签图像中的反光区域进行筛除,筛除反光区域后,可确定3D标签中的不反光区域;最后,先对整个3D标签图像进行检测识别,获得初步检测信息,以对3D标签进行初步分类,再根据初步检测信息对3D标签图像中的不反光区域进行进一步的检测识别,获得所需要的检测信息,以确定3D标签具体的种类。
图2为本发明实施例一种图像处理方法获得指定图像的流程示意图。
参考图2,在本发明实施例中,获得指定参数,根据指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像,包括:步骤201,根据指定参数确定目标产品的目标位置;步骤202,当目标产品位于目标位置时,对目标产品进行图像采集,获得指定图像。
在本方法步骤201中,先根据目标产品实际所在的环境获得指定参数,例如,目标产品实际所在的环境中的光线照射到目标产品的角度参数、光线的强度参数和目标标签相对目标产品的位置参数等,根据指定参数确定目标产品的目标位置,目标位置为可使目标标签中的反光呈现在目标标签中的避开关键文字、字母和数字等标识的地方。
在本方法步骤202中,当目标产品位于目标位置时,可通过图像采集设备对目标产品进行图像采集,获得指定图像。
通过步骤201和步骤202,可事先调整好用于装载目标产品的装载治具,以使目标产品位于目标位置,即,使目标标签中的反光呈现在目标标签中的避开关键文字、字母和数字等标识的地方,在目标产品位于目标位置的情况下,对目标产品进行图像采集而获得的指定图像能确保该指定图像能用于后续步骤的图像检测识别,避免了多次获取图像直至得到能用于后续步骤的图像检测识别的指定图像的操作。
图3为本发明实施例一种图像处理方法获得目标标签图像的流程示意图。
参考图3,在本发明实施例中,对指定图像进行标签定位,获得与目标标签对应的目标标签图像,包括:步骤301,对指定图像进行聚类定位处理,获得目标标签图像。
在本方法步骤301中,可通过聚类的方式对指定图像进行聚类定位处理,获得目标标签图像,聚类的具体方式可根据实际情况确定,例如,当所获得的指定图像以不包括目标标签所在的区域为背景区域,且该背景的颜色统一时,可通过密度聚类算法的方式对指定图像中的背景区域和目标标签所在的区域进行区分。通过步骤301,可准确获得目标标签图像,即在指定图像中准确定位目标标签所在的区域。
图4为本发明实施例一种图像处理方法获得检测信息的流程示意图。
参考图4,在本发明实施例中,基于不反光区域对目标标签图像进行检测识别,获得检测信息,包括:步骤401,通过检测模型对目标标签图像进行第一检测识别处理,获得第一检测信息,第一检测信息用于对目标标签进行分类;步骤402,根据第一检测信息确定预设截图信息和预设区分信息;步骤403,根据预设截图信息对不反光区域进行截图,获得截图图像;步骤404,根据预设区分信息对截图图像进行识别分析处理,获得第二检测信息,第二检测信息用于确定目标标签的种类。
在本方法步骤401中,通过与目标标签对应的检测模型对目标标签图像进行第一检测识别处理,获得第一检测信息,以对目标标签进行初步分类,其中,检测模型为用于对目标标签进行初步分类的模型,检测模型可为支持向量机(Support Vector Machine,SVM),第一检测信息包含目标标签所属的初类别。在一种可实施方式中,检测模型可将几种相似的标签分为一个大类,例如,当需要对包含“RADEON VEGA GRAPHICS”的标签、包含“RADEON GRAPHICS”的标签、包含“amd ryzen系列357”的标签、包含“ryzen pro”的标签和包含“ryzen 4000”的标签进行分类时,支持向量机(Support Vector Machine,SVM)可将包含“RADEON VEGA GRAPHICS”的标签和包含“RADEON GRAPHICS”的标签分为一个大类,将包含“amd ryzen系列357”的标签、包含“ryzen pro”的标签和包含“ryzen 4000”的标签分为另一个大类。
在本方法步骤402中,根据第一检测信息确定预设截图信息和预设区分信息,以为进一步对目标标签图像进行检测识别作铺垫。其中,预设截图信息用于对不反光区域进行截图,以使截图图像包含用于确定目标标签具体为哪个种类的标识区域,例如,文字、字母和数字等标识,预设区分信息包含用于确定目标标签具体为哪个种类的标识的信息。
在本方法步骤403中,根据预设截图信息对不反光区域进行截图,获得截图图像,以初步锁定用于确定目标标签具体为哪个种类的标识所在的范围。
在本方法步骤404中,根据预设区分信息对截图图像进行识别分析处理,获得第二检测信息,第二检测信息用于从初类别中确定目标标签具体为哪种标签。例如,需要对包含“amd ryzen系列357”的标签、包含“ryzen pro”的标签和包含“ryzen 4000”的标签进行进一步检测识别时,当从截图图像中识别出“p”时,可将目标标签确定为包含“ryzen pro”的标签,当从截图图像中识别出“4”时,可将目标标签确定为包含“ryzen 4000”的标签。
图5为本发明一种实施例一种图像处理方法获得第二检测信息的流程示意图。
参考图5,在本发明实施例中,根据预设区分信息对截图图像进行识别分析处理,获得第二检测信息,包括:步骤501,对截图图像进行字符识别,获得字符识别信息;步骤502,根据预设区分信息对字符识别信息进行分析处理,获得第二检测信息。
在本方法中,字符识别可为OCR光学字符识别,对截图图像进行字符识别,可获得字符识别信息,然后,根据预设区分信息对字符识别信息进行分析处理,获得第二检测信息。例如,当目标标签被分为一个大类,该大类包含“ryzen pro”的标签和包含“ryzen4000”的标签,从该大类中区分出包含“ryzen pro”的标签的预设区分信息可为包含“p”或者“P”的信息,从该大类中区分出包含“ryzen 4000”的标签的预设区分信息可为包含“4”的信息,当对截图图像进行字符识别,而获得包含“4”的字符识别信息时,可将字符识别信息与预设区分信息进行比对,从而将目标标签确定为包含“ryzen 4000”的标签。
图6为本发明另一种实施例一种图像处理方法获得第二检测信息的流程示意图。
参考图6,在本发明实施例中,根据预设区分信息对截图图像进行识别分析处理,获得第二检测信息,包括:步骤601,对截图图像进行聚类识别处理,获得聚类识别信息;步骤602,根据预设区分信息对聚类识别信息进行分析处理,获得第二检测信息。
在本方法中,可通过聚类的方式对截图图像进行识别,获得聚类识别信息,然后,根据预设区分信息对聚类识别信息进行分析处理,获得第二检测信息。例如,以下两种标签被分为一个大类:第一种标签为包含“RADEON VEGA GRAPHICS”的标签,其中,“RADEON”分布在标签的第一行,“VEGA GRAPHICS”分布在标签的第二行,且第二行中的“VE”在第一行中的“R”的下方,第二种标签为包含“RADEON GRAPHICS”的标签,其中,“RADEON”分布在标签的第一行,“GRAPHICS”分布在标签的第二行,且第二行中的“GR”在第一行中的“A”的下方,第一行中的“R”的下方没有字母等的标识;截图图像的位置为第一行中的“R”的位置及其下方的位置,当通过聚类的方式识别出“R”下方的点集密度分布较为集中时,即表示在第一行中的“R”的下方有东西的情况下,将目标标签确定为包含“RADEON VEGA GRAPHICS”的第一种标签。
图7为本发明实施例一种图像处理方法第一检测信息的流程示意图。
参考图7,在本发明实施例中,通过检测模型对目标标签图像进行第一检测识别处理,获得第一检测信息,包括:步骤701,获得与目标标签图像对应的数据训练样本;步骤702,根据数据训练样本对待训练模型进行训练,获得训练后的检测模型;步骤703,基于检测模型对目标标签图像进行第一检测识别处理,获得第一检测信息。
在本方法中,先获得与目标标签图像对应的数据训练样本,该数据训练样本为有关所需要分类的多种标签的图像数据训练样本,然后,根据数据对待训练模型进行训练,获得训练后的检测模型,最后,基于检测模型对目标标签图像进行第一检测识别处理,获得第一检测信息。
为方便理解,以下提供一种具体的可实施场景,在该可实施场景中,当在流水线中检测目标产品中的目标标签的情况下,目标产品可为笔记本电脑,目标标签可为3D标签,3D标签贴设在笔记本电脑的键盘面上,检测模型可为支持向量机(Support Vector Machine,SVM),该可实施场景还提供充足的用于照明的光线、用于承载笔记本电脑的托盘和图像采集设备;先根据实际环境获得包括笔记本电脑相对托盘的位置参数、托盘相对图像采集设备的位置参数、托盘相对图像采集设备的角度参数、笔记本电脑相对托盘的角度参数、光线的强度参数和光线照射到托盘上的角度参数等的指定参数,根据指定参数,可事先调整好托盘的位置,使笔记本通过流水线流入该托盘中时处于目标位置,当笔记本电脑位于目标位置时,通过图像采集设备对笔记本电脑进行图像采集,获得比3D标签所在区域略大的指定图像;然后,可通过聚类的方式对指定图像进行标签定位,获得3D标签图像;再后,可根据指定参数掌握3D标签图像中的反光区域,可对3D标签图像中的反光区域进行筛除,筛除反光区域后,可确定3D标签中的不反光区域;最后,将3D标签图像输入支持向量机(SupportVector Machine,SVM)中,可获得将3D标签分入一个大类的第一检测信息,该大类可为包含“ryzen pro”的标签和包含“ryzen 4000”的标签,根据第一检测信息确定预设截图信息和预设区分信息,预设区分信息可为包含“p”、“P”和“4”的信息,根据预设截图信息对3D标签图像中的不反光区域进行截图,获得截图图像,当对截图图像进行OCR字符识别获得包含“4”的字符识别信息的情况下,将包含“4”的字符识别信息与预设区分信息进行对比,可获得用于将3D标签确定为包含“ryzen 4000”的标签的第二检测信息。
图8为本发明实施例一种图像处理设备的模块示意图。
参考图8,本发明实施例另一方面提供一种图像处理设备,设备包括:第一获得模块801,用于获得指定参数,根据指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像;第二获得模块802,用于对指定图像进行标签定位,获得与目标标签对应的目标标签图像;第三获得模块803,用于根据指定参数,对目标标签图像进行区域定位,获得不反光区域;第四获得模块804,用于基于不反光区域对目标标签图像进行检测识别,获得检测信息,检测信息用于确定目标标签的种类。
在本发明实施例中,第一获得模块801,包括:第一确定子模块8011,用于根据指定参数确定目标产品的目标位置;第一获得子模块8012,用于当目标产品位于目标位置时,对目标产品进行图像采集,获得指定图像。
在本发明实施例中,第二获得模块802,包括:第二获得子模块8021,用于对指定图像进行聚类定位处理,获得目标标签图像。
在本发明实施例中,第四获得模块804,包括:第三获得子模块8041,用于通过检测模型对目标标签图像进行第一检测识别处理,获得第一检测信息,第一检测信息用于对目标标签进行分类;第二确定子模块8042,用于根据第一检测信息确定预设截图信息和预设区分信息;第四获得子模块8043,用于根据预设截图信息对不反光区域进行截图,获得截图图像;第五获得子模块8044,用于根据预设区分信息对截图图像进行识别分析处理,获得第二检测信息,第二检测信息用于确定目标标签的种类。
在本发明实施例中,第五获得子模块8044,包括:第一获得单元80441,用于对截图图像进行字符识别,获得字符识别信息;第二获得单元80442,用于根据预设区分信息对字符识别信息进行分析处理,获得第二检测信息。
在本发明实施例中,第五获得子模块8044,还包括:第三获得单元80443,用于对截图图像进行聚类识别处理,获得聚类识别信息;第四获得单元80444,用于根据预设区分信息对聚类识别信息进行分析处理,获得第二检测信息。
在本发明实施例中,第三获得子模块8041,包括:第五获得单元80411,用于获得与目标标签图像对应的数据训练样本;第六获得单元80412,用于根据数据训练样本对待训练模型进行训练,获得训练后的检测模型;第七获得单元80413,用于基于检测模型对目标标签图像进行第一检测识别处理,获得第一检测信息。
本发明实施例还提供一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行上述任一项所述的图像处理方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获得指定参数,根据所述指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像;
对所述指定图像进行标签定位,获得与所述目标标签对应的目标标签图像;
根据所述指定参数,对所述目标标签图像进行区域定位,获得不反光区域;
基于所述不反光区域对所述目标标签图像进行检测识别,获得检测信息,所述检测信息用于确定所述目标标签的种类。
2.根据权利要求1所述的方法,其特征在于,获得指定参数,根据所述指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像,包括:
根据所述指定参数确定所述目标产品的目标位置;
当所述目标产品位于所述目标位置时,对所述目标产品进行图像采集,获得指定图像。
3.根据权利要求1所述的方法,其特征在于,对所述指定图像进行标签定位,获得与所述目标标签对应的目标标签图像,包括:
对所述指定图像进行聚类定位处理,获得目标标签图像。
4.根据权利要求1所述的方法,其特征在于,基于所述不反光区域对所述目标标签图像进行检测识别,获得检测信息,包括:
通过检测模型对所述目标标签图像进行第一检测识别处理,获得第一检测信息,所述第一检测信息用于对所述目标标签进行分类;
根据所述第一检测信息确定预设截图信息和预设区分信息;
根据所述预设截图信息对所述不反光区域进行截图,获得截图图像;
根据所述预设区分信息对所述截图图像进行识别分析处理,获得第二检测信息,所述第二检测信息用于确定所述目标标签的种类。
5.根据权利要求4所述的方法,其特征在于,根据所述预设区分信息对所述截图图像进行识别分析处理,获得第二检测信息,包括:
对所述截图图像进行字符识别,获得字符识别信息;
根据所述预设区分信息对所述字符识别信息进行分析处理,获得第二检测信息。
6.根据权利要求4所述的方法,其特征在于,根据所述预设区分信息对所述截图图像进行识别分析处理,获得第二检测信息,包括:
对所述截图图像进行聚类识别处理,获得聚类识别信息;
根据所述预设区分信息对所述聚类识别信息进行分析处理,获得第二检测信息。
7.根据权利要求4所述的方法,其特征在于,通过检测模型对所述目标标签图像进行第一检测识别处理,获得第一检测信息,包括:
获得与所述目标标签图像对应的数据训练样本;
根据所述数据训练样本对待训练模型进行训练,获得训练后的检测模型;
基于所述检测模型对所述目标标签图像进行第一检测识别处理,获得第一检测信息。
8.一种图像处理设备,其特征在于,所述设备包括:
第一获得模块,用于获得指定参数,根据所述指定参数对连接有目标标签的目标产品进行图像采集,获得指定图像;
第二获得模块,用于对所述指定图像进行标签定位,获得与所述目标标签对应的目标标签图像;
第三获得模块,用于根据所述指定参数,对所述目标标签图像进行区域定位,获得不反光区域;
第四获得模块,用于基于所述不反光区域对所述目标标签图像进行检测识别,获得检测信息,所述检测信息用于确定所述目标标签的种类。
9.根据权利要求8所述的设备,其特征在于,所述第一获得模块,包括:
第一确定子模块,用于根据所述指定参数确定所述目标产品的目标位置;
第一获得子模块,用于当所述目标产品位于所述目标位置时,对所述目标产品进行图像采集,获得指定图像。
10.一种计算机可读存储介质,其特征在于,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行权利要求1-7任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011576880.9A CN112766250B (zh) | 2020-12-28 | 2020-12-28 | 一种图像处理方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011576880.9A CN112766250B (zh) | 2020-12-28 | 2020-12-28 | 一种图像处理方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766250A true CN112766250A (zh) | 2021-05-07 |
CN112766250B CN112766250B (zh) | 2021-12-21 |
Family
ID=75697701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011576880.9A Active CN112766250B (zh) | 2020-12-28 | 2020-12-28 | 一种图像处理方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766250B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013058991A1 (en) * | 2011-10-19 | 2013-04-25 | Temptime Corporation | Computing systems and methods for electronically indicating the acceptability of a product |
CN103295006A (zh) * | 2013-01-18 | 2013-09-11 | 扬州群有信息科技有限公司 | 一种高性能雷管编码图像识别装置 |
CN206907037U (zh) * | 2017-04-21 | 2018-01-19 | 北京汉王智远科技有限公司 | 一种手持式票据信息识别设备 |
US20190073500A1 (en) * | 2017-09-05 | 2019-03-07 | Chi Lick Chiu | Use of printed labelled information identifying means using plurality lighting mechanism to reduce disturbing light |
US20190156152A1 (en) * | 2017-11-23 | 2019-05-23 | Shenzhen Malong Technologies Co., Ltd. | Method and apparatus for identifying a product |
CN110008943A (zh) * | 2019-02-11 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置、一种计算设备及存储介质 |
CN111344711A (zh) * | 2018-12-12 | 2020-06-26 | 合刃科技(深圳)有限公司 | 图像采集方法及装置 |
CN111368577A (zh) * | 2020-03-28 | 2020-07-03 | 吉林农业科技学院 | 一种图像处理系统 |
-
2020
- 2020-12-28 CN CN202011576880.9A patent/CN112766250B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013058991A1 (en) * | 2011-10-19 | 2013-04-25 | Temptime Corporation | Computing systems and methods for electronically indicating the acceptability of a product |
CN103295006A (zh) * | 2013-01-18 | 2013-09-11 | 扬州群有信息科技有限公司 | 一种高性能雷管编码图像识别装置 |
CN206907037U (zh) * | 2017-04-21 | 2018-01-19 | 北京汉王智远科技有限公司 | 一种手持式票据信息识别设备 |
US20190073500A1 (en) * | 2017-09-05 | 2019-03-07 | Chi Lick Chiu | Use of printed labelled information identifying means using plurality lighting mechanism to reduce disturbing light |
US20190156152A1 (en) * | 2017-11-23 | 2019-05-23 | Shenzhen Malong Technologies Co., Ltd. | Method and apparatus for identifying a product |
CN111344711A (zh) * | 2018-12-12 | 2020-06-26 | 合刃科技(深圳)有限公司 | 图像采集方法及装置 |
CN110008943A (zh) * | 2019-02-11 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置、一种计算设备及存储介质 |
CN111368577A (zh) * | 2020-03-28 | 2020-07-03 | 吉林农业科技学院 | 一种图像处理系统 |
Non-Patent Citations (2)
Title |
---|
JANOS C.KERESZTES等: ""Glare based apple sorting and iterative algorithm for bruise region detection using shortwave infrared hyperspectral imaging"", 《POSTHARVEST BIOLOGY AND TECHNOLOGY》 * |
卢荣胜等: ""自动光学(视觉)检测技术及其在缺陷检测中的应用综述"", 《光学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766250B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4908995B2 (ja) | 欠陥分類方法及びその装置並びに欠陥検査装置 | |
US9245203B2 (en) | Collecting information relating to identity parameters of a vehicle | |
US6535776B1 (en) | Method for localizing and isolating an errant process step | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
US11113582B2 (en) | Method and system for facilitating detection and identification of vehicle parts | |
US11113573B1 (en) | Method for generating training data to be used for training deep learning network capable of analyzing images and auto labeling device using the same | |
CN111406270B (zh) | 基于图像的伪造品检测 | |
JP5342606B2 (ja) | 欠陥分類方法及びその装置 | |
Kwon et al. | Practical guide to machine vision software: an introduction with LabVIEW | |
GB2593553A (en) | Machine-learning data handling | |
CN110246134A (zh) | 一种钢轨伤损分类装置 | |
Zhai et al. | A generative adversarial network based framework for unsupervised visual surface inspection | |
CN112712093A (zh) | 安检图像识别方法、装置、电子设备及存储介质 | |
CN113688709A (zh) | 一种安全帽佩戴智能检测方法、系统、终端及介质 | |
CN110263867A (zh) | 一种钢轨伤损分类方法 | |
CN113435219B (zh) | 防伪检测方法、装置、电子设备及存储介质 | |
CN112766250B (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
KR102158967B1 (ko) | 영상 분석 장치, 영상 분석 방법 및 기록 매체 | |
Bauer et al. | Intelligent predetection of projected reference markers for robot-based inspection systems | |
Ferreira et al. | Conformity Assessment of Informative Labels in Car Engine Compartment with Deep Learning Models | |
Cerezci et al. | Online metallic surface defect detection using deep learning | |
US7876964B2 (en) | Method for associating a digital image with a class of a classification system | |
CN115309941B (zh) | 一种基于ai的智能标签检索方法及系统 | |
CN111950538B (zh) | 一种标签检测方法、装置以及计算机可读存储介质 |
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 |