CN113516147B - 印刷误差检测方法、设备、系统及存储介质 - Google Patents
印刷误差检测方法、设备、系统及存储介质 Download PDFInfo
- Publication number
- CN113516147B CN113516147B CN202011520779.1A CN202011520779A CN113516147B CN 113516147 B CN113516147 B CN 113516147B CN 202011520779 A CN202011520779 A CN 202011520779A CN 113516147 B CN113516147 B CN 113516147B
- Authority
- CN
- China
- Prior art keywords
- image
- printing
- error detection
- printing error
- printed
- 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.)
- Active
Links
- 238000007639 printing Methods 0.000 title claims abstract description 366
- 238000001514 detection method Methods 0.000 title claims abstract description 237
- 238000000034 method Methods 0.000 claims description 46
- 239000004744 fabric Substances 0.000 claims description 31
- 238000004806 packaging method and process Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract description 3
- 239000005022 packaging material Substances 0.000 description 30
- 238000004891 communication Methods 0.000 description 20
- 238000013461 design Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000004753 textile Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000012851 printed packaging material Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 235000015110 jellies Nutrition 0.000 description 1
- 239000008274 jelly Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—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]
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种印刷误差检测方法、设备、系统及存储介质。在印刷误差检测系统中,基于图像采集设备、服务器以及显示终端之间的交互,可拍摄印刷物的图像,并将拍摄到的图像和印刷时采用的印刷模板图像输入印刷误差检测模型,得到印刷误差检测结果。基于印刷误差检测结果,可以快速判断印刷成品是否满足印刷模板对应的印刷要求。基于这种方式,一方面,可降低印刷物的抽检任务对人工操作的依赖,有利于降低人工成本,另一方面,可基于印刷误差检测模型强大的计算和学习能力,提升印刷误差检测结果的准确性,从而提升印刷物的抽检效率。
Description
技术领域
本申请涉及计算机视觉技术领域,尤其涉及一种印刷误差检测方法、设备、系统及存储介质。
背景技术
在产品的加工生产领域中,通常采用包装材料(包装纸、包装袋、包装盒等)对生产出的物品进行包装,并在包装材料上印刷产品商标、成分、生产信息、使用说明等图案和文字。其中,包装材料上印刷的图案和文字,由设计模板提供。在基于设计模板对包装材料进行印刷的过程中,容易出现印刷误差,例如部分字符或图案出现多印、少印、错印等现象。
现有技术中,通常采用人工抽检的方式,将印刷完成的包装材料与设计模板进行对比,以检查是否出现印刷误差。但是,这种人工抽检的方式所需的人力成本较高,且具有较低的检测效率。因此,有待提出一种新的解决方案。
发明内容
本申请的多个方面提供一种印刷误差检测方法、设备、系统及存储介质,用以降低检测物品包装印刷误差所需的人力成本,提升检测效率。
本申请实施例提供一种印刷误差检测系统,包括:图像采集设备、服务器以及显示终端;其中,所述图像采集设备,用于:对印刷物进行拍摄,并将拍摄到的图像发送至所述服务器;所述服务器,用于:将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物上的印刷误差检测结果,并将所述印刷误差检测结果发送至所述显示终端进行展示。
本申请实施例还提供一种印刷误差检测方法,包括:获取对印刷物进行拍摄得到的图像;将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物的印刷误差检测结果;将所述印刷误差检测结果发送至终端设备进行展示。
本申请实施例还提供一种物品包装体的印刷误差检测方法,包括:对印刷完成的物品包装体进行拍摄,得到印刷图像;将所述印刷图像以及印刷所述物品包装体采用的印刷模板图像输入印刷误差检测模型,得到所述物品包装体的印刷误差检测结果;展示所述物品包装体的印刷误差检测结果,以供用户查看。
本申请实施例还提供一种货物的运输校验方法,包括;对待运输货物的标签进行拍摄,得到标签图像;从所述待运输货物的运输申报信息中,获取所述待运输货物的标签印刷模板;将所述标签图像以及所述标签印刷模板输入印刷误差检测模型,得到所述待运输货物的标签误差检测结果;根据所述标签误差检测结果,确定所述待运输货物的运输权限。
本申请实施例还提供一种布料的印刷误差检测方法,包括:对印刷完成的布料进行拍摄,得到印刷图像;将所述印刷图像以及印刷所述布料采用的印刷模板图像输入印刷误差检测模型,得到所述布料的印刷误差检测结果;展示所述布料的印刷误差检测结果,以供用户查看。
本申请实施例还提供一种服务器,包括:存储器和处理器;所述存储器用于存储一条或多条计算机指令;所述处理器用于执行所述一条或多条计算机指令以用于:执行本申请实施例提供的方法中的步骤。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现本申请实施例提供的方法中的步骤。
本申请实施例提供的印刷误差检测系统中,基于图像采集设备、服务器以及显示终端之间的交互,可拍摄印刷物的图像,并将拍摄到的图像和印刷时采用的印刷模板图像输入印刷误差检测模型,得到印刷误差检测结果。基于印刷误差检测结果,可以快速判断印刷成品是否满足印刷模板对应的印刷要求。基于这种方式,一方面,可降低印刷物的抽检任务对人工操作的依赖,有利于降低人工成本,另一方面,可基于印刷误差检测模型强大的计算和学习能力,提升印刷误差检测结果的准确性,从而提升印刷物的抽检效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例提供的印刷误差检测系统的结构示意图;
图2为本申请一示例性实施例提供的差异检测网络的输入/输出示意图;
图3为本申请一示例性实施例提供的图像对齐操作的示意图;
图4为本申请另一示例性实施例提供的印刷误差检测系统的结构示意图;
图5为本申请一示例性实施例提供的印刷误差识别算法的模块示意图;
图6为本申请一示例性实施例提供的印刷误差识别方法的流程图;
图7为本申请一示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
在产品的加工生产领域中,通常采用包装材料(包装纸、包装袋、包装盒等)对生产出的物品进行包装,并在包装材料上印刷产品商标、成分、生产信息、使用说明等图案和文字。其中,包装材料上印刷的图案和文字,由设计模板提供。例如,产品的厂家可将产品外包装上的图案和文字生成设计稿,并将设计稿提供给加工外包装的供应商进行生产。供应厂可基于设计稿,对外包装进行批量印刷。在基于设计模板对包装材料进行印刷的过程中,容易出现印刷误差,例如部分字符或图案出现多印、少印、错印等现象。印刷错误的包装材料流入市场,会对产品的声誉造成严重的负面影响。
通常,产品厂商会在供应商提供每批包装材料后,基于人工抽检的方式,将印制完成的包装材料和设计稿进行对比,逐一比对包装材料和模板上的文字和图案,以检查供应商生产的包装材料是否存在印刷错误。
但是,这种基于人工的对比方式所需的人力成本较高,且存在效率低、准确率低的缺陷。同时,当包装材料上的文字图案存在丰富的变化,或者,包装材料上印刷的文字量较大时,由人工进行逐一对比将耗费大量的时间。
针对上述技术问题,在本申请一些实施例中,提供了一种解决方案,该解决方案包含由图像采集设备、服务器以及终端设备组成的印刷误差检测系统。以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的印刷误差检测系统的结构示意图,如图1所示,印刷误差检测系统100包括:图像采集设备101、服务器102以及显示终端103。
其中,图像采集设备101可实现为多种能够实现高清拍摄的电子设备,包括但不限于基于CCD(Charge-coupled Device,电荷耦合元件)图像传感器或者CMOS(ComplementaryMetal Oxide Semiconductor,互补金属氧化物半导体)图像传感器进行成像的电子设备,例如高速摄像机、摄录仪、旋转摄像机、红外夜视相机等,不再赘述。
在本实施例中,图像采集设备101,主要用于:对印刷物进行拍摄,并将拍摄到的图像发送至服务器102。其中,印刷物可实现为:印制有物品信息的物品包装体,例如商品的包装盒、包装袋、包装箱等等;或者,印刷物可实现为:印制有图案的布料,例如花布;或者,印刷物还可实现为:印制有信息的纸张,例如海报、书页、报纸、墙纸等等。
在一些实施例中,可设置一检测操作台,操作台上设置有放置印刷物的操作区域,图像采集设备101设置在操作区域上方。当印刷物放置在操作区域之后,图像采集设备101可对该印刷物进行拍摄。
其中,服务器102主要用于:接收图像采集设备101发送的对印刷物进行拍摄得到的图像;将接收到的图像和该印刷物采用的印刷模板图像输入印刷误差检测模型,得到印刷物上的印刷误差检测结果,并将该印刷误差检测结果发送至显示终端20进行展示。
其中,印刷误差检测模型可预先根据样本图像学习得到,具体的训练过程将在后续实施例中进行介绍,此处不赘述。
其中,印刷物采用的印刷模板图像,即为印刷设计稿。该印刷设计稿通常包含所需印刷的文字、图案等印刷样式信息。在一些实施例中,可由用户提供印刷模板图像。例如,用户确定待检测的印刷物之后,可通过显示终端10上传印刷物的印刷设计稿,以供服务器102使用。在另一些实施例中,服务器102处存放有包含多张设计稿的模板图像库。其中,该模板图像库中的设计稿,可由用户提供,或者,可由上游印刷设备向服务器102回传得到。当服务器102接收到图像采集设备101发送的印刷物的图像后,服务器102可从模板数据库中,选择与该图像适配的印刷设计稿,作为该印刷物采用的印刷模板图像。
在本实施例中,服务器102可实现为常规服务器、云服务器、云主机、虚拟中心等服务器等设备,本实施例对此不做限制。其中,服务器设备的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类似,不再赘述。
其中,显示终端103可包括一电子显示屏。当显示终端103接收到印刷误差检测结果之后,可展示该印刷误差检测结果,以供用户查看。通常,该印刷误差检测结果,可包括:指示该印刷物是否存在印刷误差的信息,和/或,指示该印刷物上的印刷误差位置的信息,和/或,指示该印刷物上的印刷误差内容的信息。其中,展示印刷误差位置的信息时,可在图像上采用检测框或者指示箭头等标记方式,标注出印刷误差所在的区域,以使得印刷误差检测结果具有较高的直观性。
在本实施例中,显示终端103可实现为手机、平板电脑、台式机显示器、投影仪等等,本实施例不做限制。
在印刷误差检测系统100中,图像采集设备101和显示终端103可与服务器102可建立通信连接,以实时地进行数据传输,具体的通信连接方式可视实际的应用场景而定。
在一些示例性实施方式中,图像采集设备101和显示终端103与服务器102之间可采用有线通信方式无线通信方式进行通信。其中,无线通信方式包括蓝牙、ZigBee、红外线、WiFi(WIreless-Fidelity,无线保真技术)等短距离通信方式,也包括LORA等远距离无线通信方式,还可包括基于移动网络的无线通信方式。其中,当通过移动网络通信连接时,移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、5G、WiMax等中的任意一种。
在本实施例中,基于图像采集设备、服务器以及显示终端之间的交互,可拍摄印刷物的图像,并将拍摄到的图像和印刷时采用的印刷模板图像输入印刷误差检测模型,得到印刷误差检测结果。基于印刷误差检测结果,可以快速判断印刷成品是否满足印刷模板对应的印刷要求。基于这种方式,一方面,可降低印刷物的抽检任务对人工操作的依赖,有利于降低人工成本,另一方面,可基于印刷误差检测模型强大的计算和学习能力,提升印刷误差检测结果的准确性,从而提升印刷物的抽检效率。
在一些可选的实施例中,印刷误差检测模型包含一差异检测网络。可选地,该差异检测网络,可实现为人工神经网络模型,例如:ResNet(残差网络)、faster RCNN(fasterRegion Convolutional Neural Networks,快速区域卷积神经网络)、SSD(Single ShotMultiBox Detector,单发多箱探测器)网络、YOLO(You Only Look Once,一种目标检测网络)或者FCOS(Fully Convolutional One-Stage Object Detection,一阶全卷积目标检测网络)等,或者可实现为上述一种或多种目标检测网络变形得到的其他目标检测网络,本实施例不做限制。
其中,差异检测网络的目标为:检测出输入的两张图像中位置相同但存在语义性差异的位置。其中,该语义性差异可包括:字符或图案的多印、少印、错印、严重的色差以及字体的差异中的至少一种。在训练差异检测网络时,可根据不同的语义性差异检测需求,设置训练所需的监督信号。
可选地,在训练差异检测网络之前,可收集大量的训练样本或者基于机器学习算法生成大量的训练样本,并获取每个训练样本对应的印刷模板图像。接下来,可在训练样本上标注存在印刷误差的区域的位置坐标,作为训练采用的监督信号。
其中,训练样本上标注的存在印刷误差的区域,可包括:多印区域、少印区域、错印区域、字体错误区域、变形区域以及色差大于设定值的区域中的至少一种。例如,可在样本图像上标注多印的单字、单词或者句子,或者,可在样本图像上标注色差较大的图案等等。
接下来,可将每个训练样本及其对应的印刷模板图像的颜色通道进行叠加,得到多通道的融合图像,并将多通道的融合图像输入差异检测网络。
差异检测网络包括:特征提取网络和回归网络。在差异检测网络中,可基于特征提取网络当前的特征提取参数,对融合图像进行特征提取,得到特征图;基于回归网络当前的定位参数,对特征图进行计算,得到训练样本上的异常位置的预测坐标。
接下来,可根据差异检测网络输出的异常位置的预测坐标和训练样本上标注的存在印刷误差的区域的位置坐标,计算差异检测网络的预测损失,并根据预测损失,对差异检测网络中的特征提取参数和定位参数进行更新。
当差异检测网络的预测损失收敛到指定的范围时,可输出训练完成的差异检测网络。其中,该差异检测网络的输入为两张图像在颜色通道进行融合得到的6通道图像,输出为两张图像存在语义性差异的位置,即存在印刷误差的位置。
基于上述实施例训练得到的差异检测网络,可根据印刷物的图像和印刷模板图像检测出印刷物中存在印刷误差的区域的位置坐标。以下将进行示例性说明。
服务器102接收到印刷物的图像后,可从预存的模板库中检索到印刷物采用的印刷模板图像。接下来,将印刷物的图像与印刷模板图像的颜色通道进行叠加,得到多通道的融合图像。即,将印刷物的图像与印刷模板图像进行通道叠加,得到6通道的融合图像。该6通道的融合图像,包括印刷物对应的图像的R、G、B三通道图像,以及印刷模板图像对应的R、G、B三通道图像。其中,将该图像与印刷模板图像进行通道叠加的操作,又可描述为将两张图片在颜色通道上进行合并数组(concat)的操作。例如,当印刷物的图像和印刷模板图像表示成(512,512,3)的数组时,两张图片在颜色通道concat后,得到的数组可表示为(512,512,6)。
接下来,服务器102可将融合图像输入印刷误差检测模型中的差异检测网络。其中,差异检测网络预先基于样本图像学习到检测印刷误差的模型参数,该模型参数主要包括特征提取参数以及定位参数。其中,特征提取参数,用于从图像上提取不同层级的图像语义特征,定位参数用于基于图像语义特征进行回归定位。
基于上述,在差异检测网络中,可基于预先学习的特征提取参数,对融合图像进行特征提取,得到特征图,并基于预先学习的定位参数,对特征图进行计算,得到该图像上的异常位置的预测坐标。其中,该异常位置,可包括文字或者图案的多印区域、少印区域、错印区域、字体错误区域、变形区域以及色差大于设定值的区域中的至少一种。
获取到该图像上的异常位置的预测坐标后,可根据该坐标,在印刷物的图像上标注存在印刷误差的局部图像区域,以可视化误差检测结果。
可选地,标注存在印刷误差的局部图像区域时,服务器102可在印刷物的图像上标注该局部图像区域的目标框(检测框),或者,可采用箭头、星标等特殊标记指示该区域图像区域的位置,本实施例不做限制。进而,当服务器102向显示终端103发送印刷误差检测结果时,可将标注有局部图像区域的印刷物的图像发送至显示终端103,以供用户查看。
在一些可选的实施例中,印刷物的图像上标注有存在印刷误差的区域的位置坐标;其中,该标注的存在印刷误差的区域包括:多印区域、少印区域、错印区域、字体错误区域、变形区域以及色差大于设定值的区域中的至少一种。在这种实施方式中,可根据差异检测网络输出的融合图像上印刷误差区域的位置坐标,以及印刷物的图像上标注的存在印刷误差的区域的位置坐标,计算差异检测网络的预测损失,并根据该预测损失,对差异检测网络中的特征提取参数和定位参数进行进一步更新,不再赘述。
在一些可选的实施例中,由于拍摄角度或者印刷物的摆放位置存在一定的误差,将导致印刷物的图像与印刷模板图像之间存在一些偏差。该偏差可体现在角度、方向、尺寸等多个维度上。为提升差异检测网络的准确性,在将印刷物的图像与其对应的印刷模板图像进行通道叠加之前,可进一步将印刷物的图像和印刷模板图像进行对齐。
可选地,本申请实施例提供的印刷误差检测模型,还可包括图像对齐网络。在对齐时,可将印刷物的图像和印刷模板图像输入图像对齐网络,并基于图像对齐网络,对印刷物的图像进行几何变换,以使得变换后得到的图像与印刷模板图像对齐。其中,几何变换,包括缩小、放大、旋转、拉伸等操作,视具体情况而定。
在一些可选的实施例中,在图像对齐网络中,可提取印刷物的图像中的几何关键点以及几何关键点的特征,并提取印刷模板图像的几何关键点以及几何关键点对应的局部特征。以下为便于区分,将从印刷物的图像中提取出的几何关键点描述为第一几何关键点,将从印刷模板图像中提取出的几何关键点描述为第二几何关键点。其中,第一几何关键点可包括一个或者多个几何关键点,第二几何关键点也可包括一个或者多个几何关键点。其中,几何关键点可实现为:点、边、轮廓等几何图形,本实施例不做限制。
接下来,将第一几何关键点的局部特征和第二几何关键点的局部特征进行比对,得到第一几何关键点与第二几何关键点的对应关系,即,印刷物的图像中的几何关键点和印刷模板图像中的几何关键点的对应关系。其中,在确定几何关键点的对应关系时,可将局部特征相似度大于设定阈值的几何关键点,作为具有对应关系的几何关键点。
基于获取到的对应关系,可确定将图像与所述印刷模板图像进行对齐采用的仿射变换参数,基于该仿射变换参数,可对图像进行仿射变换,得到与印刷模板图像对齐的图像。
可选地,图像对齐网络可基于ORB(Oriented FAST and Rotated BRIEF,一种快速特征点提取和描述的算法)实现。基于ORB算法,可分别从印刷物的图像和印刷模板图像中提取特征点,并采用特征描述子对提取到的特征点进行描述,不再赘述。
图3以标签印刷物和包装箱印刷物为例,对图像对齐操作进行了示意。在图3中,每一行从左到右分别为:印刷模板图像、未对齐的印刷物的图像、对齐后的印刷物的图像、对齐后的印刷物的图像与印刷模板图像的差值图。其中,第一行对应的印刷物为商品标签,第二行对应的印刷物为商品包装箱。
如图3所示,在每一行示意的三张图像中,未对齐的印刷物的图像相对于印刷模板图像存在方向和角度上的偏移。对齐后的印刷物的图像与印刷模板图像上同一位置的文字和图案基本相同,进而可为差异检测网络排除因图像未对齐导致的识别误差。
本申请上述以及下述各实施例提供的印刷误差检测系统,可应用于多种印刷误差检测场景。以下将结合部分场景,进行示例性说明。
在一些可选的实施例中,在工业生产场景中,可基于印刷误差检测系统,自动检测物品包装体的印刷效果。其中,物品包装体可包括物品包装箱、物品包装袋、物品包装盒等等。例如,物品包装体可以是牛奶盒(袋)、果冻盒、药瓶、零食包装箱、礼盒等等。
在这种场景中,生产方可根据印刷需求,设计印刷模板,并由印刷产线根据印刷模板对物品包装体进行批量印刷。完成每个印刷批次后,可对批量印刷得到的物品进行抽样,并基于图像采集设备对抽样得到的物品包装体进行拍摄,得到印刷图像。图像采集设备可将印刷图像发送至服务器,服务器可在已有的多个印刷模板图像中,检索到印刷该物品包装体采用的印刷模板图像,并将该印刷图像以及印刷模板图像输入印刷误差检测模型,得到物品包装体的印刷误差检测结果。其中,印刷误差检测模型的训练方法,可参考前前述实施例的记载,此处不赘述。服务器获取到物品包装体的误差检测结果后,可将该印刷误差检测结果发送至终端设备进行展示,以供用户查看。
在另一些可选的实施例中,在货物运输场景中,可基于印刷误差检测系统,自动地校验待运输货物的运输资质。其中,该货物运输场景,可包括物流公司的货物运输场景、海关的货物通关场景、车站或者机场的货物托运场景等等,本实施例包含但不限于此。
通常,待运输货物上印刷或者粘贴有货物标签,用于区分该待运输的货物与其他物品。在一些情况下,货物在交付运输前的某一个环节中,可能遭到替换、开箱破坏、自然损坏或者交付错误等情况。基于本申请实施例提供的印刷误差检测系统,确定待运输的货物之后,印刷误差检测系统可基于图像采集设备,对待运输货物的标签进行拍摄,得到标签图像。
其中,在申请运输货物时,运输申请方可提交待运输货物的运输申报信息,该运输申报信息可包括待运输货物的标签印刷模板,该标签印刷模板为该待运输货物的未经修改的原始标签(或称真实标签)。基于此,印刷误差检测系统可在拍摄得到标签图像后,从待运输货物的运输申报信息中,获取待运输货物的标签印刷模板。接下来,印刷误差检测系统,可将拍摄得到的标签图像以及标签印刷模板输入印刷误差检测模型,得到待运输货物的标签误差检测结果,并根据该标签误差检测结果,确定待运输货物的运输权限。其中,该印刷误差检测模型,可根据大量的标签图像以及标签印刷模板训练得到,具体训练过程可参考前述实施例的记载,此处不赘述。
其中,待运输货物的运输权限,可包括:货物可运输,或者,货物不可运输,或者,货物待人工进一步校验后运输等等。基于这种实施方式,可自动地检测出印刷或者粘贴的标签与真实标签不同的货物,进而,自动识别出不具有运输资质的货物,避免出现运输错误以及潜在的运输风险。
在又一些实施例中,在纺织加工场景中,可基于印刷误差检测系统,自动地检测纺织物的印花效果是否符合设定需求。其中,纺织物可包括各种未加工的布料以及成品衣服等。
在纺织印刷场景中,可根据需要印刷的花纹图案,设置布料的印刷模板,并由印刷产线根据印刷模板对布料进行批量印刷。得到印刷完成的布料后,印刷误差检测系统可基于图像采集设备对印刷完成的布料进行拍摄,得到印刷图像。图像采集设备可将印刷图像发送至服务器,服务器可在已有的多个印刷模板图像中,检索到印刷该布料采用的印刷模板图像,并将该印刷图像以及印刷模板图像输入印刷误差检测模型,得到布料的印刷误差检测结果。其中,印刷误差检测模型的训练方法,可参考前前述实施例的记载,此处不赘述。服务器获取到布料的误差检测结果后,可将该印刷误差检测结果发送至终端设备进行展示,以供用户查看。
基于上述实施方式,可在纺织印刷场景中,快速检测错印、漏印的情况,提升印刷出的布料的成品率。
图4为本申请另一示例性实施例提供的印刷误差检测系统的结构示意图,该印刷误差检测系统可包括一检测机架401、设于检测机架上的显示器402、检测装置403、拍照装置404以及本地服务器405。
其中,如图4所示,检测装置403包括:往复导轨403a、固定在往复导轨403a上的检测平台403b,检测平台403b用于放置印刷物。检测平台403b的上方设置有多个检测光源403c,用于为拍摄过程提供良好的光线环境。其中,检测光源403c可通过光源支架403d固定在检测机架401上。
其中,拍照装置404包括相机404a、相机XY安装基座404b以及相机支架404c。如图4所示,两个相机支架404c对称固定在检测机架401上,相机XY安装基座404b的两端分别与两个相机支架404c连接。其中,相机XY安装基座404b,可使得相机沿着X轴以及Y轴方向移动,以实现相机移动扫描。其中,往复导轨403a可带动检测平台403b沿着Z轴移动,以实现相机扫描拍摄。其中,X轴、Y轴、Z轴分别是以相机为坐标原点的三维坐标系中的横轴、竖轴、纵轴。
基于上述三轴移动模式,印刷误差检测系统可适应大小不一的各种印刷物,且可拍摄出图案文字清晰可认,无褶皱,无拉伸形变的图片。在一些实施例中,应用在包装材料加工场景时,可对往复导轨403a以及相机XY安装基座404b的移动范围进行设置,以适应不同包装材料的拍摄需求。例如,可通过对往复导轨403a以及相机XY安装基座404b的移动范围进行设置,以使得印刷误差检测系统可拍摄尺寸大小范围为4cm*4cm~80cm*80cm的包装材料印刷物。
以下将以检测包装材料的印刷误差为例,对本申请上述以及下述各实施例提供的可选实施方式进行进一步说明。
首先,可基于图4提供的相机,拍摄印刷模板材料,得到印刷模板图像。接下来,将拍摄得到的印刷模板图像在服务器405的软件系统中进行注册,以避免后续重复拍摄印刷模板材料。当计算印刷误差时,服务器405可根据印刷模板图像的注册名在系统中检索到包装材料的印刷模板图片。
接下来,可获取待检测的包装材料,并将包装材料放置在检测平台上进行拍摄,得到包装材料的图像。待拍摄完毕,服务器405即可运行印刷误差检测算法,该算法的流程图如图5所示。算法的核心部分包括:包装材料的图像和印刷模板图像对齐算法以及差异检测算法。
在图像对齐算法中,需将包装材料的图像印刷模板图像之间存在的方向和角度上的偏移进行校正,以保证同一位置对应的文字和图案相同。其中,该图像对齐算法可采用ORB特征描述子提取包装材料的图像和印刷模板图像上的关键点,并基于关键点确定将包装材料的图像与印刷模板图像对齐所需的仿射变换参数,并基于仿射变换参数包装材料的图像与印刷模板图像对齐,对齐效果如图3所示。包装材料的图像与印刷模板图像对齐后,即可运行差异检测算法。
差异检测算法基于神经网络实现,该神经网络的输入为印刷模板图像和包装材料的图像在颜色通道拼接而成的6通道图片,输出为两张图像上位置相同但图像语义特征存在差异的位置的检测框。
接下来,服务器405可将差异检测网络输出的检测框发送至显示器402,由显示器将该检测框可视化在包装材料的图像上,即可直观地展示印刷后的包装图像与印刷模板图像可能存在差异的地方。在一些情况下,用户可进一步人工确认差异检测网络的输出是否为误检,即可判断包装材料是否有印刷错误,极大提升了印刷误差检测效率。
图6是本申请一示例性实施例提供的印刷误差检测方法的流程示意图,该方法在服务器侧执行时,可包括如图6所示的步骤:
步骤601、获取对印刷物进行拍摄得到的图像。
步骤602、将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物的印刷误差检测结果。
步骤603、将所述印刷误差检测结果发送至终端设备进行展示。
在一些示例性的实施例中,将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物的印刷误差检测结果的一种方式,包括:将所述图像与所述印刷模板图像的颜色通道进行叠加,得到多通道的融合图像;将所述融合图像输入所述印刷误差检测模型中的差异检测网络;在所述差异检测网络中,基于预先学习的特征提取参数,对所述融合图像进行特征提取,得到特征图;基于预先学习的定位参数,对所述特征图进行计算,得到所述图像上的异常位置的预测坐标;根据所述异常位置的预测坐标,在所述图像上标注存在印刷误差的局部图像区域。
在一些示例性的实施例中,将所述图像与所述印刷模板图像的颜色通道进行叠加之前,该方法还包括:将所述图像和所述印刷模板图像输入所述印刷误差检测模型中的图像对齐网络;基于所述图像对齐网络,对所述图像进行几何变换,以使得变换后得到的图像与所述印刷模板图像对齐。
在一些示例性的实施例中,基于所述图像对齐网络,对所述图像进行几何变换,以使得变换后得到的图像与所述印刷模板图像对齐的一种方式,包括:基于所述图像对齐网络,提取所述图像和所述印刷模板图像的各自的几何关键点以及几何关键点对应的局部特征;将所述图像的几何关键点的局部特征和所述印刷模板图像的几何关键点的局部特征进行比对,得到所述图像中的几何关键点与所述印刷模板图像中的几何关键点的对应关系;基于所述对应关系,确定将所述图像与所述印刷模板图像进行对齐采用的仿射变换参数;基于所述仿射变换参数,对所述图像进行仿射变换。
在一些示例性的实施例中,所述图像上标注有存在印刷误差的区域的位置坐标;所述存在印刷误差的区域包括:多印区域、少印区域、错印区域、字体错误区域、变形区域以及色差大于设定值的区域中的至少一种;所述方法还包括:根据所述异常位置的预测坐标和所述图像上标注的存在印刷误差的区域的位置坐标,计算所述差异检测网络的预测损失;根据所述预测损失,对所述差异检测网络中的所述特征提取参数和所述定位参数进行更新。
在一些示例性的实施例中,所述印刷物包括:印制有物品信息的物品包装体、印制有图案的布料或者印制有信息的纸张。
本实施例中,服务器获取到拍摄印刷物得到的图像之后,将该图像和印刷物对应的印刷模板图像输入印刷误差检测模型,可得到印刷误差检测结果,并发送至显示终端进行展示。基于印刷误差检测结果,用户可以快速判断印刷成品是否满足印刷模板对应的印刷要求。基于这种方式,一方面,可降低印刷物的抽检任务对人工操作的依赖,有利于降低人工成本,另一方面,可基于印刷误差检测模型强大的计算和学习能力,提升印刷误差检测结果的准确性,从而提升印刷物的抽检效率。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤201至步骤204的执行主体可以为设备A;又比如,步骤201和202的执行主体可以为设备A,步骤203的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如201、202等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图7示意了本申请一示例性实施例提供的服务器的结构示意图,该服务器适用于前述实施例提供的印刷误差检测系统。如图7所示,该服务器包括:存储器701、处理器702以及通信组件703。
存储器701,用于存储计算机程序,并可被配置为存储其它各种数据以支持在服务器上的操作。这些数据的示例包括用于在服务器上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
其中,存储器701可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器702,与存储器701耦合,用于执行存储器701中的计算机程序,以用于:通过通信组件703获取对印刷物进行拍摄得到的图像;将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物的印刷误差检测结果;通过通信组件703将所述印刷误差检测结果发送至终端设备进行展示。
进一步可选地,处理器702在将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物的印刷误差检测结果时,具体用于:将所述图像与所述印刷模板图像的颜色通道进行叠加,得到多通道的融合图像;将所述融合图像输入所述印刷误差检测模型中的差异检测网络;在所述差异检测网络中,基于预先学习的特征提取参数,对所述融合图像进行特征提取,得到特征图;基于预先学习的定位参数,对所述特征图进行计算,得到所述图像上的异常位置的预测坐标;根据所述异常位置的预测坐标,在所述图像上标注存在印刷误差的局部图像区域。
进一步可选地,处理器702在将所述图像与所述印刷模板图像的颜色通道进行叠加之前,还用于:将所述图像和所述印刷模板图像输入所述印刷误差检测模型中的图像对齐网络;基于所述图像对齐网络,对所述图像进行几何变换,以使得变换后得到的图像与所述印刷模板图像对齐。
进一步可选地,处理器702在基于所述图像对齐网络,对所述图像进行几何变换,以使得变换后得到的图像与所述印刷模板图像对齐时,具体用于:基于所述图像对齐网络,提取所述图像和所述印刷模板图像的各自的几何关键点以及几何关键点对应的局部特征;将所述图像的几何关键点的局部特征和所述印刷模板图像的几何关键点的局部特征进行比对,得到所述图像中的几何关键点与所述印刷模板图像中的几何关键点的对应关系;基于所述对应关系,确定将所述图像与所述印刷模板图像进行对齐采用的仿射变换参数;基于所述仿射变换参数,对所述图像进行仿射变换。
进一步可选地,处理器702在所述图像上标注有存在印刷误差的区域的位置坐标;所述存在印刷误差的区域包括:多印区域、少印区域、错印区域、字体错误区域、变形区域以及色差大于设定值的区域中的至少一种;所述方法还包括:根据所述异常位置的预测坐标和所述图像上标注的存在印刷误差的区域的位置坐标,计算所述差异检测网络的预测损失;根据所述预测损失,对所述差异检测网络中的所述特征提取参数和所述定位参数进行更新。
进一步可选地,所述印刷物包括:印制有物品信息的物品包装体、印制有图案的布料或者印制有信息的纸张。
进一步,如图7所示,该服务器还包括:电源组件704等其它组件。图7中仅示意性给出部分组件,并不意味着服务器只包括图7所示组件。
其中,通信组件703被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G或5G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术和其他技术来实现。
其中,电源组件704,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
本实施例中,服务器获取到拍摄印刷物得到的图像之后,将该图像和印刷物对应的印刷模板图像输入印刷误差检测模型,可得到印刷误差检测结果,并发送至显示终端进行展示。基于印刷误差检测结果,用户可以快速判断印刷成品是否满足印刷模板对应的印刷要求。基于这种方式,一方面,可降低印刷物的抽检任务对人工操作的依赖,有利于降低人工成本,另一方面,可基于印刷误差检测模型强大的计算和学习能力,提升印刷误差检测结果的准确性,从而提升印刷物的抽检效率。
除前述实施例记载的印刷误差检测逻辑之外,图7示意的服务器还可执行如下的物品包装体的印刷误差检测逻辑,其中,处理器702可获取对印刷完成的物品包装体进行拍摄得到的印刷图像。将所述印刷图像以及印刷所述物品包装体采用的印刷模板图像输入印刷误差检测模型,得到所述物品包装体的印刷误差检测结果;将所述物品包装体的印刷误差检测结果发送至终端设备进行展示,以供用户查看。
图7示意的服务器还可执行如下的货物的运输校验逻辑,其中,处理器702可对获取对待运输货物的标签进行拍摄得到标签图像;从所述待运输货物的运输申报信息中,获取所述待运输货物的标签印刷模板;将所述标签图像以及所述标签印刷模板输入印刷误差检测模型,得到所述待运输货物的标签误差检测结果;根据所述标签误差检测结果,确定所述待运输货物的运输权限。
图7示意的服务器还可执行如下的布料的印刷误差检测逻辑,其中,处理器702用于:获取对印刷完成的布料进行拍摄得到的印刷图像;将所述印刷图像以及印刷所述布料采用的印刷模板图像输入印刷误差检测模型,得到所述布料的印刷误差检测结果;将所述布料的印刷误差检测结果发送至终端设备进行展示,以供用户查看。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由服务器执行的各步骤。
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、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在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装置。
这些计算机程序指令也可存储在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,使得在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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种印刷误差检测系统,其特征在于,包括:
图像采集设备、服务器以及显示终端;
其中,所述图像采集设备,用于:对印刷物进行拍摄,并将拍摄到的图像发送至所述服务器;
所述服务器,用于:将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物上的印刷误差检测结果,并将所述印刷误差检测结果发送至所述显示终端进行展示;
其中,将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物上的印刷误差检测结果,包括:将所述图像与所述印刷模板图像的颜色通道进行叠加,得到多通道的融合图像;将所述融合图像输入所述印刷误差检测模型中的差异检测网络;在所述差异检测网络中,基于预先学习的特征提取参数,对所述融合图像进行特征提取,得到特征图;基于预先学习的定位参数,对所述特征图进行计算,得到所述图像上的异常位置的预测坐标;根据所述异常位置的预测坐标,在所述图像上标注存在印刷误差的局部图像区域。
2.根据权利要求1所述的系统,其特征在于,所述印刷物包括:印制有物品信息的物品包装体、印制有图案的布料或者印制有信息的纸张。
3.一种印刷误差检测方法,其特征在于,包括:
获取对印刷物进行拍摄得到的图像;
将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物的印刷误差检测结果;
将所述印刷误差检测结果发送至终端设备进行展示;
其中,将所述图像以及所述印刷物采用的印刷模板图像输入印刷误差检测模型,得到所述印刷物的印刷误差检测结果,包括:将所述图像与所述印刷模板图像的颜色通道进行叠加,得到多通道的融合图像;将所述融合图像输入所述印刷误差检测模型中的差异检测网络;在所述差异检测网络中,基于预先学习的特征提取参数,对所述融合图像进行特征提取,得到特征图;基于预先学习的定位参数,对所述特征图进行计算,得到所述图像上的异常位置的预测坐标;根据所述异常位置的预测坐标,在所述图像上标注存在印刷误差的局部图像区域。
4.根据权利要求3所述的方法,其特征在于,将所述图像与所述印刷模板图像的颜色通道进行叠加之前,还包括:
将所述图像和所述印刷模板图像输入所述印刷误差检测模型中的图像对齐网络;
基于所述图像对齐网络,对所述图像进行几何变换,以使得变换后得到的图像与所述印刷模板图像对齐。
5.根据权利要求4所述的方法,其特征在于,基于所述图像对齐网络,对所述图像进行几何变换,以使得变换后得到的图像与所述印刷模板图像对齐,包括:
基于所述图像对齐网络,提取所述图像和所述印刷模板图像的各自的几何关键点以及几何关键点对应的局部特征;
将所述图像的几何关键点的局部特征和所述印刷模板图像的几何关键点的局部特征进行比对,得到所述图像中的几何关键点与所述印刷模板图像中的几何关键点的对应关系;
基于所述对应关系,确定将所述图像与所述印刷模板图像进行对齐采用的仿射变换参数;
基于所述仿射变换参数,对所述图像进行仿射变换。
6.根据权利要求3-5任一项所述的方法,其特征在于,所述图像上标注有存在印刷误差的区域的位置坐标;所述存在印刷误差的区域包括:多印区域、少印区域、错印区域、字体错误区域、变形区域以及色差大于设定值的区域中的至少一种;
所述方法还包括:
根据所述异常位置的预测坐标和所述图像上标注的存在印刷误差的区域的位置坐标,计算所述差异检测网络的预测损失;
根据所述预测损失,对所述差异检测网络中的所述特征提取参数和所述定位参数进行更新。
7.根据权利要求3-5任一项所述的方法,其特征在于,所述印刷物包括:印制有物品信息的物品包装体、印制有图案的布料或者印制有信息的纸张。
8.一种物品包装体的印刷误差检测方法,其特征在于,包括:
对印刷完成的物品包装体进行拍摄,得到印刷图像;
将所述印刷图像以及印刷所述物品包装体采用的印刷模板图像输入印刷误差检测模型,得到所述物品包装体的印刷误差检测结果;
展示所述物品包装体的印刷误差检测结果,以供用户查看;
其中,将所述印刷图像以及印刷所述物品包装体采用的印刷模板图像输入印刷误差检测模型,得到所述物品包装体的印刷误差检测结果,包括:将所述印刷图像与所述印刷模板图像的颜色通道进行叠加,得到多通道的融合图像;将所述融合图像输入所述印刷误差检测模型中的差异检测网络;在所述差异检测网络中,基于预先学习的特征提取参数,对所述融合图像进行特征提取,得到特征图;基于预先学习的定位参数,对所述特征图进行计算,得到所述印刷图像上的异常位置的预测坐标;根据所述异常位置的预测坐标,在所述印刷图像上标注存在印刷误差的局部图像区域。
9.一种货物的运输校验方法,其特征在于,包括;
对待运输货物的标签进行拍摄,得到标签图像;
从所述待运输货物的运输申报信息中,获取所述待运输货物的标签印刷模板;
将所述标签图像以及所述标签印刷模板输入印刷误差检测模型,得到所述待运输货物的标签误差检测结果;
根据所述标签误差检测结果,确定所述待运输货物的运输权限;
其中,将所述标签图像以及所述标签印刷模板输入印刷误差检测模型,得到所述待运输货物的标签差检测结果,包括:将所述标签图像与所述标签印刷模板的颜色通道进行叠加,得到多通道的融合图像;将所述融合图像输入所述印刷误差检测模型中的差异检测网络;在所述差异检测网络中,基于预先学习的特征提取参数,对所述融合图像进行特征提取,得到特征图;基于预先学习的定位参数,对所述特征图进行计算,得到所述标签图像上的异常位置的预测坐标;根据所述异常位置的预测坐标,在所述标签图像上标注存在印刷误差的局部图像区域。
10.一种布料的印刷误差检测方法,其特征在于,包括:
对印刷完成的布料进行拍摄,得到印刷图像;
将所述印刷图像以及印刷所述布料采用的印刷模板图像输入印刷误差检测模型,得到所述布料的印刷误差检测结果;
展示所述布料的印刷误差检测结果,以供用户查看;
其中,将所述印刷图像以及所述布料采用的印刷模板图像输入印刷误差检测模型,得到所述布料的印刷误差检测结果,包括:将所述印刷图像与所述印刷模板图像的颜色通道进行叠加,得到多通道的融合图像;将所述融合图像输入所述印刷误差检测模型中的差异检测网络;在所述差异检测网络中,基于预先学习的特征提取参数,对所述融合图像进行特征提取,得到特征图;基于预先学习的定位参数,对所述特征图进行计算,得到所述印刷图像上的异常位置的预测坐标;根据所述异常位置的预测坐标,在所述印刷图像上标注存在印刷误差的局部图像区域。
11.一种服务器,其特征在于,包括:存储器和处理器;
所述存储器用于存储一条或多条计算机指令;
所述处理器用于执行所述一条或多条计算机指令以用于:执行权利要求3-7任一项所述的方法中的步骤。
12.一种存储有计算机程序的计算机可读存储介质,其特征在于,计算机程序被执行时能够实现权利要求3-7任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520779.1A CN113516147B (zh) | 2020-12-21 | 2020-12-21 | 印刷误差检测方法、设备、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520779.1A CN113516147B (zh) | 2020-12-21 | 2020-12-21 | 印刷误差检测方法、设备、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516147A CN113516147A (zh) | 2021-10-19 |
CN113516147B true CN113516147B (zh) | 2024-03-05 |
Family
ID=78060187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011520779.1A Active CN113516147B (zh) | 2020-12-21 | 2020-12-21 | 印刷误差检测方法、设备、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516147B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987240B (zh) * | 2021-12-27 | 2022-04-08 | 智器云南京信息科技有限公司 | 一种基于知识图谱的海关检样溯源方法及系统 |
CN114951017B (zh) * | 2022-05-12 | 2023-05-30 | 深圳市顺鑫昌文化股份有限公司 | 一种标签印刷在线智能检测报错系统 |
CN118278816A (zh) * | 2024-04-15 | 2024-07-02 | 北京盛通包装印刷有限公司 | 一种印刷品质量检测方法、系统、终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800698A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于深度网络的图标检测方法 |
CN111680670A (zh) * | 2020-08-12 | 2020-09-18 | 长沙小钴科技有限公司 | 一种跨模态人头检测方法及装置 |
CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
WO2020194111A1 (en) * | 2019-03-28 | 2020-10-01 | International Business Machines Corporation | Learning of detection model using loss function |
CN112016575A (zh) * | 2019-05-29 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 一种检测方法、计算机设备、存储介质 |
-
2020
- 2020-12-21 CN CN202011520779.1A patent/CN113516147B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800698A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于深度网络的图标检测方法 |
WO2020194111A1 (en) * | 2019-03-28 | 2020-10-01 | International Business Machines Corporation | Learning of detection model using loss function |
CN112016575A (zh) * | 2019-05-29 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 一种检测方法、计算机设备、存储介质 |
CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
CN111680670A (zh) * | 2020-08-12 | 2020-09-18 | 长沙小钴科技有限公司 | 一种跨模态人头检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
印制电路板制造中缺陷检测的研究;李道明;中国优秀硕士学位论文全文数据库;全文 * |
基于印刷缺陷检测的图像配准方法研究;胡方尚;郭慧;邢金鹏;王勇;;光学技术(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516147A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516147B (zh) | 印刷误差检测方法、设备、系统及存储介质 | |
US11049278B2 (en) | System and method for visual identification, and system and method for classifying and sorting | |
CN109583535B (zh) | 一种基于视觉的物流条形码检测方法、可读存储介质 | |
US9646369B2 (en) | Concepts for sorting items using a display | |
US10325375B2 (en) | Method and device for counting objects in image data in frames, a frame of said image data in frames including at least one object, such as cans, bottles, and packaging, computer program and computer program product | |
US8736864B2 (en) | System and method for producing and inspecting prints having static and variable contents | |
US20210312216A1 (en) | Unique object face id | |
CN113034492B (zh) | 一种印刷质量缺陷检测方法、存储介质 | |
US11869258B1 (en) | Classifying and segmenting characters within an image | |
KR20150063703A (ko) | 증강현실 기반 선박의 블록 검사 방법 | |
JP2017211325A (ja) | 欠点検査方法及び欠点検査装置 | |
CN105321255B (zh) | 纸张类识别装置、纸张类处理装置及纸张类识别方法 | |
CN110008782A (zh) | 条码信息的获取方法及装置 | |
JP6359363B2 (ja) | 容器検査装置および容器検査方法 | |
CN110781703A (zh) | 用于生成发货信息的方法、移动设备和分析处理计算机 | |
CN114548140B (zh) | 二维码解码方法、数据关联方法、关联装置及使用方法 | |
JP7288231B2 (ja) | トラッキング装置、トラッキング方法、およびプログラム | |
CN113894061B (zh) | 一种货物自动分拣的方法及系统 | |
CN113978987B (zh) | 栈板物品打包提货方法、装置、设备及介质 | |
WO2022021385A1 (zh) | 一种跨境电商安全检测系统 | |
CN113936278A (zh) | 定位标识的磨损确定方法、装置及设备 | |
CN115953635B (zh) | 一种多类别目标物的分拣方法、ar眼镜和系统 | |
CN107945333A (zh) | 一种rfid门禁检测装置 | |
Brylka et al. | AI-based recognition of dangerous goods labels and metric package features | |
JP7135993B2 (ja) | 物品認識システム |
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 |