CN113706464A - 一种印刷品外观质量检测方法及系统 - Google Patents
一种印刷品外观质量检测方法及系统 Download PDFInfo
- Publication number
- CN113706464A CN113706464A CN202110832939.4A CN202110832939A CN113706464A CN 113706464 A CN113706464 A CN 113706464A CN 202110832939 A CN202110832939 A CN 202110832939A CN 113706464 A CN113706464 A CN 113706464A
- Authority
- CN
- China
- Prior art keywords
- image
- training set
- images
- sub
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 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 abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 238000007639 printing Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 description 43
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000007430 reference method Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007649 pad printing Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种印刷品外观质量检测方法及系统，收集良品印刷图像和未知印刷图像共同构成原始训练集与测试集，从原始训练集中选取一张图像进行分割用于创建形状模板，然后将原始训练集与测试集中的完整图像通过模板匹配方法结合图像仿射变换实现自动分割，采用分割得到的子图像构建处理后的训练集与测试集；采用基于随机插值与高斯平滑的图像扭曲方法作为训练集的数据增强手段，对处理后的训练集中的图像进行数据增强；利用数据增强后的训练集图像对Unet型卷积神经网络进行训练；将测试集图像输入训练后的Unet型卷积神经网络，输出印刷品外观检测结果。具有更高的检测准确率，能更有效地保障企业印刷产品整体外观质量。
Description
技术领域
本发明属于机器视觉自动化表面缺陷检测及无监督异常检测技术领域，具体涉及一种印刷品外观质量检测方法及系统。
背景技术
传统的人工目视检测由于无法满足高速、高精度的检测需求，正逐步被基于机器视觉的自动化检测设备取代。针对印刷类产品的缺陷检测，主流方法可分为参照法、非参照法、及混合法。其中，非参照法由于要结合产品本身量身定制，其通用性较差，且算法复杂，维护更新较为困难。实际生产环节中一般采用参照法及混合法为主(在参照法的基础上设定一些标准做二次判别)
参照法是指选取一个标准图像作为模板，通过将待测图像与模板图像作对比，来获取待测样本的缺陷信息。其算法的主要步骤包括：标准图像选取、图像预处理、图像匹配、图像配准、图像差分、及差分后结果后处理等。针对基于参照法的印刷缺陷检测，国内外学者相关研究的重点主要在于：
(1)如何提升图像配准精度、速率；
(2)如何对图像差分结果进行后处理。
针对问题(1)，以往研究的核心在于选取更为鲁棒，有效的特征提取手段(如SIFT，ORB特征等)，以及采用一些图像压缩手段(图像金字塔，小波变换等)；
针对问题(2)，相关研究包括采用一些图像滤波手段对差分结果降噪，以及采用机器学习算法对差分结果进行缺陷提取、分类等。整体而言，基于参照法的缺陷检测方法具备通用性强，算法流程简单等优点。其检测准确率主要取决于参照模板的选取，图像配准精度等。然而在实际生产环节中，由于光照变化，噪声干扰，产品摆放位置差异等原因，可能会造成图像配准精度下降；另一方面，印刷产品自身往往存在着一些差异，特别是针对一些移印工艺，印刷胶头本身具备一定弹性，导致印刷品之间会存在轻微的扭曲变形，此类图像在与模板图像做差分时，会出现较多的“残差成分”，而轻微扭曲的图像通常可被商家或客户接受，再此情况下，仅使用基于传统模板匹配结合图像差分的检测方法会导致大量的良品“过杀”。一些学者采用图像边缘滤波的方法消除这种误报，然而由于此类印刷图像的扭曲与变形具有非线性及随机性，很难以一种固定参数的滤波方法消除所有“伪缺陷”；另一方面，相较于其他表面缺陷检测，印刷产品的诸多缺陷往往是细粒度缺陷，即文字一个轻微笔画的缺失、模糊便会影响其整体语义信息，因而若单纯为降低“过杀“而提高滤波系数，可能会导致算法对缺陷样品的漏判。针对此类问题，有学者提出基于光流的缺陷检测算法与基于光流的变形图像配准算法，前者通过计算待测图像与标准图像的光流场幅值来判断缺陷，后者利用待测图像与模板图像之间求得的光流场对待测图像进行反卷积以校正待测图像的轻微变形。尽管基于光流的方法能在一定程度上消除传统差影产生的误报，但其捕捉到的信息仍是图像的低语义信息，无法从根本上解决诸如图像非线性扭曲、细粒度缺陷检测等印刷品质量检测难题。
近年来，随着深度学习领域的兴起，越来越多基于深度学习的产品外观缺陷检测算法被提出。尽管基于有监督学习的方法在许多缺陷检测任务中表现出了卓越的性能，但有监督学习的性能往往依赖于大量标注好的缺陷数据，在实际产线上，缺陷样本往往较少，同时标注工作较为困难，特别是对于印刷品而言，一个印刷品中可能包含成百上千的字符、图案，这其中任何一个元素的缺失，污损都可构成缺陷，而少量的缺陷样本必然无法覆盖所有字符、图案。针对有监督学习在缺陷检测任务中的种种不足，越来越多的无监督异常检测算法被提出，即训练时只需要正常样本，利用网络学习到正常样本的分布，当测试时，若待测样本落在正常分布之外，将会被网络检出。目前而言，无监督异常检测更多地停留在学术研究阶段，距实际应用还有一定距离。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种印刷品外观质量检测方法及系统，有效适用于高分辨率印刷图像检测。
本发明采用以下技术方案：
一种印刷品外观质量检测方法，其特征在于，包括以下步骤：
S1、收集良品印刷图像和未知印刷图像共同构成原始训练集与测试集，从原始训练集中选取一张图像进行分割用于创建形状模板，然后将原始训练集与测试集中的完整图像通过模板匹配方法结合图像仿射变换实现自动分割，采用分割得到的子图像构建处理后的训练集与测试集；
S2、采用基于随机插值与高斯平滑的图像扭曲方法作为训练集的数据增强手段，对步骤S1处理后的训练集中的图像进行数据增强；
S3、利用步骤S2数据增强后的训练集图像对Unet型卷积神经网络进行训练；
S4、将步骤S1处理后的测试集图像输入步骤S3训练后的Unet型卷积神经网络，输出印刷品外观检测结果。
具体的，步骤S1具体为：
S101、从原始图像训练集中选取一张良品图像I，将良品图像I人工裁剪成N张子图像，采用阈值分割的方式提取人工分割后子图像的ROI区域，将提取的ROI区域以二值矩阵掩膜
记录，根据形状模板匹配方法对每张子图像创建一个形状模板，以每张子图像的左上角作为坐标原点，记录每个模板子图像的中心坐标
S102、以创建好的子图像模板在原始训练集和测试集的完整图像中搜索得到子图像模板在完整图像中匹配度最高点所对应的坐标
及角度θn，根据事先记录模板的中心坐标
计算仿射变换矩阵An，并结合先前的子图像掩膜Mn求得配准后的掩膜M′n；对M′n做形态学膨胀处理，选用大小为30x30的矩形卷积核D进行膨胀，得到新的掩膜M″n；利用新的掩膜M″n对原始训练集和测试集中的完整图像进行采样，将高分辨率的完整图像分割成N个子图像，作为处理后的训练集和测试集。
进一步的，步骤S102中，处理后训练集的子图像
表示为：
其中，Itr(x，y)为原始训练集中的高分辨率完整图像，M″n为分割图像所用的掩膜。
具体的，步骤S2具体为：
S201、生成两个元素值在(-d，d)之间的位移场T∈R2×H×W；
S202、采用高斯平滑滤波器G∈R5×5对步骤S201得到的位移场T进行卷积，得到平滑后的T′；
S203、利用步骤S202生成的平滑变形场T′对训练集的子图像采用双线性插值的方式进行重采样，完成数据增强。
进一步的，步骤S201中，T内元素满足条件如下：
Tx(x，y)＝rand(-d，d)，Tx∈RH×W
Ty(x，y)＝rand(-d，d)，Ty∈RH×W
其中，Tx，Ty，代表图像中每个点在x，y方向上的位移量，H，W代表训练图像的高与宽；d值代表图像随机轻微扭曲的程度。
进一步的，步骤S202中，T′内满足的元素如下：
T′x(x，y)＝Tx(x，y)*G
T′y(x，y)＝Ty(x，y)*G
其中，*为二维卷积操作，T′x∈RH×W，T′y∈RH×W分别为图像在x，y方向上对应的位移场。
具体的，步骤S3具体为：
S301、在训练子图像
中任取m个种子点构成集合Z，确定种子点在选取过程中的满足条件，得到经过随机涂抹的图像
任选两个种子点及角度θ，根据仿射变换矩阵A对Mpaste做仿射变换得到M′paste，得到经过随机粘贴的图像
S302、采用SSIM相似度判别Ls与均方误差L2组合的方式得到复原网络的损失计算函数L，对Unet型卷积自编码神经网络进行训练，测试环节通过损失计算函数L计算异常值。
进一步的，步骤S301中，随机涂抹的图像
表示为
随机粘贴的图像
表示为：
网络的输入图像
表示为：
网络的输出图像
表示为：
网络的损失Loss为：
其中，
为训练集子图像，
为随机涂抹掩膜，
为随机粘贴掩膜，L为损失计算函数，F(·)为网络的编码器函数，D(·)为网络的解码器函数，
为网络的输出图像。
进一步的，步骤S302中，损失计算函数L为：
L＝L2+λsLs
其中，λs为SSIM损失对应的权重，L2为均方误差损失，Ls为SSIM相似度损失。
本发明的另一技术方案是，一种印刷品外观质量检测系统，包括：
分割模块，收集良品印刷图像和未知印刷图像共同构成原始训练集与测试集，从原始训练集中选取一张图像进行分割用于创建形状模板，然后将原始训练集与测试集中的完整图像通过模板匹配方法结合图像仿射变换实现自动分割，采用分割得到的子图像构建处理后的训练集与测试集；
增强模块，采用基于随机插值与高斯平滑的图像扭曲方法作为训练集的数据增强手段，对分割模块处理后的训练集中的图像进行数据增强；
训练模块，利用增强模块数据增强后的训练集图像对Unet型卷积神经网络进行训练；
检测模块，将分割模块处理后的测试集图像输入训练模块训练后的Unet型卷积神经网络，输出印刷品外观检测结果。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种印刷品外观质量检测方法，设计了图像分割方法以解决高分辨印刷图像的检测问题；设计了图像扭曲数据增强手段以解决印刷图像中可能出现的非线性扭曲问题；设计了无监督的卷积自编码神经网络以解决实际产线上缺陷样本难以获取的问题，仅使用无缺陷的印刷图像作为训练样本；测试环节，待测样本输入到网络后，网络输出一个经过修复后的图像，通过比较输入图像与输出图像之间的差异，即可判断该样本是否具有缺陷；以实际产线上的印刷产品进行验证，验证结果显示，具有更高的检测准确率，能更有效地保障企业印刷产品整体外观质量。
进一步的，由于印刷图像往往具有较高的分辨率且降采样会造成字符笔画的模糊，S1提出的方法通过将原始图像分割成多个子图像，有效降低了训练过程对显卡显存的要求，同时相较于印刷图像背景，前景的字符图案通常会被商家更为重视，以掩膜的形式提取前景，使得网络能更加关注到图像中的字符图案。
进一步的，由于实际印刷图像可能存在轻微扭曲的现象，采用步骤S2提出的数据增强方法能有效提高模型的泛化能力，使得轻微扭曲印刷图案不会干扰到网络的检测效果。
进一步的，自编码神经网络在训练过程中可能会使网络学习到一个恒等映射，即输入始终等于输出，此时将无法通过比较网络的输入输出差异检出缺陷。为避免这种情况，本发明在S3中设计了一种修复被随机涂抹、随机贴图的印刷图像的自监督任务，该方法使网络能更好地学习到印刷图像的纹理、形状特征，而避免产生恒等映射。
进一步的，步骤S302中采用一种Unet型的卷积自编码神经网络，该网络首先通过编码器，将图像投影到特征空间，随后通过解码器将图像复原，在这一过程中，网络能学到表征正常印刷图像的特征空间，而该特征空间无法有效表征含缺陷的印刷图像，故缺陷图像经过解码器的输出会与其自身产生较大差异，通过判断差异即可检出缺陷。
进一步的，步骤S302中采用的损失是由SSIM相似度与均方误差结合而成，这样做能有效避免单独使用均方误差造成的图像模糊情况，从而使得复原的图像更逼真，避免了正常印刷图像因复原模糊而造成的缺陷误报。
综上所述，本发明能有效适用于高分辨率印刷图像检测，较传统图像做差算法而言；本方法不依赖高精度图像配准技术；较有监督检测而言，本发明不依赖于缺陷样本标注；较其他无监督模型而言，本发明设计的网络能更好地适应印刷品缺陷检测，最终在实际产线上的数据集上取得了更优的效果。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明训练阶段流程图；
图2为人工剪裁与形状模板创建示意图，其中，(a)为模板印刷图像，(b)为人工分割后的子图像，(c)为子图像形状模板；
图3为子图像ROI区域提取，其中，(a)为原始图像，包含前景与背景，(b)为对图像进行前景提取，图中的图标部分；
图4为图像匹配过程示意图；
图5为训练集子ROI图像
示意图；
图6为对印刷图案进行轻微扭曲变形的示意图，其中，(a)为原始图像，(b)为经过随机扭曲变形产生的一种新图像，(c)为经过随机扭曲变形产生的第二种新图像，(d)为经过随机扭曲变形产生的第三种新图像；
图7为自编码神经网络训练示意图；
图8为对原始训练图像进行破坏示意图，其中，(a)为原始图像，(b)为经过随机涂抹得到的图像，(c)为随机粘贴得到的图像；
图9为检测阶段流程图；
图10为印刷文字图像检测示意图，其中，(a)为原始图像，(b)为重构图像，(c)为计算出的缺陷分布图；
图11为印刷图案图像检测示意图，其中，(a)为原始图像，(b)为重构图像，(c)为计算出的缺陷分布图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种印刷品外观质量检测方法，仅使用无缺陷的印刷图像作为训练样本；测试环节，待测样本输入到网络后，网络会输出一个经过修复后的图像，通过比较输入图像与输出图像之间的差异，即可判断该样本是否具有缺陷；以实际产线上的印刷产品进行验证，验证结果显示，较传统的印刷外观质量检测方法而言，本发明提出的方法具有更高的检测准确率，能更有效地保障企业印刷产品整体外观质量。
请参阅图1，本发明一种印刷品外观质量检测方法，包括图像分割，数据增强，自编码网络训练，缺陷检测结果输出四个部分，具体步骤如下：
S1、图像分割
由于印刷产品图像往往具有较高的分辨率，无法直接投入网络进行训练，同时印刷图像中可能包含各种字符，直接进行图像下样会造成字符模糊，无法检测。
本发明首先采用基于形状模板匹配的方式对一副完整的印刷图像进行分割：
事先从产线上收集一定量的良品图像(本方法选用了500张良品图像)与待测图像构成原始训练集与测试集，在原始训练集中选取一张图像对其手动分割以创建模板，随后对原始训练集中的其他图像与测试集中的图像通过模板匹配算法结合图像仿射变换实现自动分割，得到处理后的训练集与测试集，具体过程如下：
S101、人工剪裁与形状模板创建；
选取一张良品图像I，将良品图像I人工裁剪成N张子图像(N由实际图像的分辨率决定)，根据形状模板匹配算法，每张子图像创建一个形状模板，如图2所示，以每张子图像的左上角作为坐标原点，记录每个模板子图像的中心坐标
有：
其中，n＝1，2，3...N，Hn，Wn为模板子图像的宽度与高度，n对应第n个模板子图像。
在印刷文字中，关注的内容往往是印刷内容的前景部分，如图3所示，故对于人工分割后的子图像，采用阈值分割的方式提取ROI区域(Region of interest，感兴趣区域)，将该区域以二值矩阵
记录，Mn内元素满足：
其中，In(x，y)为模板子图像中坐标(x，y)点对应的灰度值，Tn为第n个模板子图像分割用的灰度阈值，本方法中阈值由大津法(OTSU)获得。
S102、图像匹配与图像配准；
请参阅图4，子图像模板创建好后，以创建好的模板在训练或测试图像中搜索，得到该模板图像在该图像中匹配度最高点所对应的坐标
及角度θn，根据事先记录模板的中心坐标
求得仿射变换矩阵An。
仿射变换矩阵An的计算公式如下：
结合式(2)求得配准后的Mask M′n：
其中，x，y为Mn内点的坐标，x′，y′为M′n内点得坐标。
在进行缺陷检测时，不依赖与图像做差，只利用图像配准对ROI区域进行粗提取，考虑到图像配准可能有误差，故对M′n做形态学膨胀处理，选用大小为30x30的矩形卷积核D进行膨胀，得M″n如下：
利用M″n对训练集或测试图像进行采样，即可将一张高分辨率图像分割成n个子图像，以此作为训练图像或测试图像，其中训练集子ROI图像
表示为
其中，Itr(x，y)为原始训练集中的高分辨率图像。
请参阅图5，为用本方法得到的训练集子图像之一，图中除了印刷图案前景及其周边区域(膨胀部分)被保留以外，其余区域均被抹去。
S2、数据增强
在印刷工艺中，由于种种因素，可导致图像之间产生轻微的扭曲变形，由于此类扭曲往往具有非线性和随机性，为此，为了使得网络能捕捉到印刷产品更高层的语义信息，排除轻微扭曲对检测结果的影响，本发明提出了一种基于随机插值与高斯平滑的图像扭曲算法作为训练样本的数据增强手段，其具体算法如下：
S201、生成两个元素值在(-d，d)之间的位移场T∈R2×H×W；
T内元素满足条件如下：
Tx(x，y)＝rand(-d，d)，Tx∈RH×W；Ty(x，y)＝rand(-d，d)，Ty∈RH×W
(7)
其中，Tx，Ty，代表图像中每个点在x，y方向上的位移量；H，W代表训练图像的高与宽；d值代表了图像随机轻微扭曲的程度。
S202、采用高斯平滑滤波器G∈R5×5对S201得到的位移场T进行卷积，得到平滑后的T′，T′内满足的元素如下：
T′x(x，y)＝Tx(x，y)*G T′y(x，y)＝Ty(x，y)*G (8)
其中，*为二维卷积操作，T′x∈RH×W，T′y∈RH×W分别为图像在x，y方向上对应的位移场；
T′y(x，y)＝Ty(x，y)*G
S203、利用步骤S202生成的平滑变形场T′对训练集子图像采用双线性插值的方式进行重采样，完成数据增强，图6为用此方法对印刷图案进行轻微扭曲变形的示意图。
S3、自编码卷积神经网络训练
采用Unet型卷积神经网络，具体结构如图7所示，其中Conv代表二维卷积层，BN代表批标准化层，采用ReLu函数作为激活函数。
S301、设计自监督任务
训练子图像首先通过一个“图像破坏”模块，该模块采用随机涂抹、粘贴的方式对原始训练图像进行“破坏”，以使原始的印刷子图像中的字符、图案出现缺损、或污染，其效果如图8所示。具体算法为：
(1)随机涂抹
在训练子图像
(见式(6))中任取m个种子点构成集合Z，使其满足：
为保证随机涂抹能尽可能覆盖全局图像，种子点在选取的过程应满足：
其中，w为以所选取种子点(xc，yc)为中心的涂抹掩膜宽度，对于涂抹掩膜，有：
最终，经过随机涂抹的图像
表示为
(2)随机粘贴
利用式(10)，(11)在
中任取m个种子点构成集合Z，对于粘贴掩膜，有：
任选两个种子点及角度θ，利用式(3)，(4)求得仿射变换矩阵A，并对Mpaste做仿射变换得M′paste，最终，经过随机粘贴的图像
表示为
记网络编码层对输入图像的操作为F(·)，解码层对输入特征的操作为D(·)，损失函数为L(·)，则当对原始子图像进行随机涂抹与随机粘贴并输入网络以后，网络的输入Iin，输出Iout表示为：
网络的损失Loss为：
设计合适的损失函数为L(·)即可对网络进行训练，同时可通过Loss的值来判断图像的异常值。
S302、网络参数设置
由于印刷图像中，细节较为重要，故网络利用了Unet结构中的跳跃连接(SkipConnections)结构来融合不同层的特征；针对网络的损失函数，由于单纯地使用L2损失(逐像素差异平方)可能会导致复原图像模糊，故本方法采用了SSIM相似度判别Ls与误差损失L2损失组合的方式。最终，复原网络的损失计算函数L定义为：
L＝L2+λsLs (19)
其中，λs为SSIM损失对应的权重，L2为均方误差损失，Ls为SSIM相似度损失。
同时，网络选取了Adam作为优化算法。本方法在实验环节，学习率设置为0.0001，batch-size设置为4，epochs数为200，λs值固定为1。
S4、缺陷检测结果输出
请参阅图9，图像复原误差仍由式(19)计算。图10和图11展示了本方法在真实印刷品上的缺陷检测结果，经验证，本方法能有效地检出印刷文字、图案上的缺陷。
隶属于无监督异常检测模型，本发明提出了一种基于形状模板匹配与卷积自编码神经网络模型的印刷产品外观质量检测方法。较传统印刷品质量检测方法而言，本方法不依赖高精度的图像配准算法，借助深度卷积自编码网络与数据增强手段，本方法能有效提取图像的高语义信息，从而避免了因印刷图像的非线性变形带来的误报；较其他基于有监督的深度学习缺陷检测算法而言，本方法在训练过程中只需要正常样本，而无需缺陷样本，能有效适应实际产线中缺陷样品少，标注困难的情况。较其他异常模型检测而言，本方法设计的图像修复自监督任务能更好地帮助网络捕捉到印刷产品高语义信息；同时本发明中的图像扭曲算法能有效提升网络的泛化能力与检测准确率；此外，现有主流图像异常检测模型中，并未考虑到高分辨率图像的细粒度检测，本发明基于形状模板匹配算法，有效地将传统高分辨印刷图像分割成子图像进行分别检测，大大降低了训练过程中的显存要求。
本发明再一个实施例中，提供一种印刷品外观质量检测系统，该系统能够用于实现上述印刷品外观质量检测方法，具体的，该印刷品外观质量检测系统包括分割模块、增强模块、训练模块以及检测模块。
其中，分割模块，收集良品印刷图像和未知印刷图像共同构成原始训练集与测试集，从原始训练集中选取一张图像进行分割用于创建形状模板，然后将原始训练集与测试集中的完整图像通过模板匹配方法结合图像仿射变换实现自动分割，采用分割得到的子图像构建处理后的训练集与测试集；
增强模块，采用基于随机插值与高斯平滑的图像扭曲方法作为训练集的数据增强手段，对分割模块处理后的训练集中的图像进行数据增强；
训练模块，利用增强模块数据增强后的训练集图像对Unet型卷积神经网络进行训练；
检测模块，将分割模块处理后的测试集图像输入训练模块训练后的Unet型卷积神经网络，输出印刷品外观检测结果。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于印刷品外观质量检测方法的操作，包括：
收集良品印刷图像和未知印刷图像共同构成原始训练集与测试集，从原始训练集中选取一张图像进行分割用于创建形状模板，然后将原始训练集与测试集中的完整图像通过模板匹配方法结合图像仿射变换实现自动分割，采用分割得到的子图像构建处理后的训练集与测试集；采用基于随机插值与高斯平滑的图像扭曲方法作为训练集的数据增强手段，对处理后的训练集中的图像进行数据增强；利用数据增强后的训练集图像对Unet型卷积神经网络进行训练；将测试集图像输入训练后的Unet型卷积神经网络，输出印刷品外观检测结果。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关印刷品外观质量检测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
收集良品印刷图像和未知印刷图像共同构成原始训练集与测试集，从原始训练集中选取一张图像进行分割用于创建形状模板，然后将原始训练集与测试集中的完整图像通过模板匹配方法结合图像仿射变换实现自动分割，采用分割得到的子图像构建处理后的训练集与测试集；采用基于随机插值与高斯平滑的图像扭曲方法作为训练集的数据增强手段，对处理后的训练集中的图像进行数据增强；利用数据增强后的训练集图像对Unet型卷积神经网络进行训练；将测试集图像输入训练后的Unet型卷积神经网络，输出印刷品外观检测结果。
综上所述，本发明一种印刷品外观质量检测方法及系统，采用形状模板匹配技术作为图像分割手段，将原始印刷图像根据预先创建的形状模板分割成多个小块，分别进行训练、检测，以解决高分辨率印刷图像无法直接或通过降采样投入网络的问题；提出一种基于随机涂抹与随机粘贴的图像增强手段，并以图像修复作为自监督任务来训练网络，使得有缺陷的图像经过网络后会被尽可能地朝着正常图像修复，产生较大的重构误差，而正常样本通过网络前后不会有明显变化；采用一种基于随机插值与高斯平滑的图像扭曲算法作为训练样本的数据增强手段，经实验验证，可有效避免训练过程中的过拟合现象，提升检测准确率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种印刷品外观质量检测方法，其特征在于，包括以下步骤：
S1、收集良品印刷图像和未知印刷图像共同构成原始训练集与测试集，从原始训练集中选取一张图像进行分割用于创建形状模板，然后将原始训练集与测试集中的完整图像通过模板匹配方法结合图像仿射变换实现自动分割，采用分割得到的子图像构建处理后的训练集与测试集；
S2、采用基于随机插值与高斯平滑的图像扭曲方法作为训练集的数据增强手段，对步骤S1处理后的训练集中的图像进行数据增强；
S3、利用步骤S2数据增强后的训练集图像对Unet型卷积神经网络进行训练；
S4、将步骤S1处理后的测试集图像输入步骤S3训练后的Unet型卷积神经网络，输出印刷品外观检测结果。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
S101、从原始图像训练集中选取一张良品图像I，将良品图像I人工裁剪成N张子图像，采用阈值分割的方式提取人工分割后子图像的ROI区域，将提取的ROI区域以二值矩阵掩膜
记录，根据形状模板匹配方法对每张子图像创建一个形状模板，以每张子图像的左上角作为坐标原点，记录每个模板子图像的中心坐标
S102、以创建好的子图像模板在原始训练集和测试集的完整图像中搜索得到子图像模板在完整图像中匹配度最高点所对应的坐标
及角度θn，根据事先记录模板的中心坐标
计算仿射变换矩阵An，并结合先前的子图像掩膜Mn求得配准后的掩膜M′n；对M′n做形态学膨胀处理，选用大小为30x30的矩形卷积核D进行膨胀，得到新的掩膜M″n；利用新的掩膜M″n对原始训练集和测试集中的完整图像进行采样，将高分辨率的完整图像分割成N个子图像，作为处理后的训练集和测试集。
3.根据权利要求2所述的方法，其特征在于，步骤S102中，处理后训练集的子图像
表示为：
其中，Itr(x，y)为原始训练集中的高分辨率完整图像，M″n为分割图像所用的掩膜。
4.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
S201、生成两个元素值在(-d，d)之间的位移场T∈R2×H×W；
S202、采用高斯平滑滤波器G∈R5×5对步骤S201得到的位移场T进行卷积，得到平滑后的T′；
S203、利用步骤S202生成的平滑变形场T′对训练集的子图像采用双线性插值的方式进行重采样，完成数据增强。
5.根据权利要求4所述的方法，其特征在于，步骤S201中，T内元素满足条件如下：
Tx(x，y)＝rand(-d，d)，Tx∈RH×W
Ty(x，y)＝rand(-d，d)，Ty∈RH×W
其中，Tx，Ty，代表图像中每个点在x，y方向上的位移量，H，W代表训练图像的高与宽；d值代表图像随机轻微扭曲的程度。
6.根据权利要求4所述的方法，其特征在于，步骤S202中，T′内满足的元素如下：
T′x(x，y)＝Tx(x，y)*G
T′y(x，y)＝Ty(x，y)*G
其中，*为二维卷积操作，T′x∈RH×W，T′y∈RH×W分别为图像在x，y方向上对应的位移场。
7.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
S301、在训练子图像
中任取m个种子点构成集合Z，确定种子点在选取过程中的满足条件，得到经过随机涂抹的图像
任选两个种子点及角度θ，根据仿射变换矩阵A对Mpaste做仿射变换得到M′paste，得到经过随机粘贴的图像
S302、采用SSIM相似度判别Ls与均方误差L2组合的方式得到复原网络的损失计算函数L，对Unet型卷积自编码神经网络进行训练，测试环节通过损失计算函数L计算异常值。
8.根据权利要求7所述的方法，其特征在于，步骤S301中，随机涂抹的图像
表示为
随机粘贴的图像
表示为：
网络的输入图像
表示为：
网络的输出图像
表示为：
网络的损失Loss为：
其中，
为训练集子图像，
为随机涂抹掩膜，
为随机粘贴掩膜，L为损失计算函数，F(·)为网络的编码器函数，D(·)为网络的解码器函数，
为网络的输出图像。
9.根据权利要求7所述的方法，其特征在于，步骤S302中，损失计算函数L为：
L＝L2+λsLs
其中，λs为SSIM损失对应的权重，L2为均方误差损失，Ls为SSIM相似度损失。
10.一种印刷品外观质量检测系统，其特征在于，包括：
分割模块，收集良品印刷图像和未知印刷图像共同构成原始训练集与测试集，从原始训练集中选取一张图像进行分割用于创建形状模板，然后将原始训练集与测试集中的完整图像通过模板匹配方法结合图像仿射变换实现自动分割，采用分割得到的子图像构建处理后的训练集与测试集；
增强模块，采用基于随机插值与高斯平滑的图像扭曲方法作为训练集的数据增强手段，对分割模块处理后的训练集中的图像进行数据增强；
训练模块，利用增强模块数据增强后的训练集图像对Unet型卷积神经网络进行训练；
检测模块，将分割模块处理后的测试集图像输入训练模块训练后的Unet型卷积神经网络，输出印刷品外观检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832939.4A CN113706464B (zh) | 2021-07-22 | 2021-07-22 | 一种印刷品外观质量检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832939.4A CN113706464B (zh) | 2021-07-22 | 2021-07-22 | 一种印刷品外观质量检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706464A true CN113706464A (zh) | 2021-11-26 |
| CN113706464B CN113706464B (zh) | 2023-09-12 |
Family
ID=78650313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110832939.4A Active CN113706464B (zh) | 2021-07-22 | 2021-07-22 | 一种印刷品外观质量检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706464B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116152249A (zh) * | 2023-04-20 | 2023-05-23 | 济宁立德印务有限公司 | 一种智能数字印刷质量检测方法 |
| CN116189209A (zh) * | 2023-04-14 | 2023-05-30 | 浙江太美医疗科技股份有限公司 | 医疗文档图像分类方法和装置、电子设备和存储介质 |
| CN116740062A (zh) * | 2023-08-14 | 2023-09-12 | 菲特（天津）检测技术有限公司 | 基于不规则胶圈的缺陷检测方法及系统 |
| CN117036267A (zh) * | 2023-08-01 | 2023-11-10 | 广州伊索自动化科技有限公司 | 一种曲面印刷检测方法、系统及存储介质 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
| CN109840471A (zh) * | 2018-12-14 | 2019-06-04 | 天津大学 | 一种基于改进Unet网络模型的可行道路分割方法 |
| CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN112435198A (zh) * | 2020-12-03 | 2021-03-02 | 西安交通大学 | 一种焊缝射线检测底片图像增强方法、存储介质及设备 |
-
2021
- 2021-07-22 CN CN202110832939.4A patent/CN113706464B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
| CN109840471A (zh) * | 2018-12-14 | 2019-06-04 | 天津大学 | 一种基于改进Unet网络模型的可行道路分割方法 |
| CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
| CN112435198A (zh) * | 2020-12-03 | 2021-03-02 | 西安交通大学 | 一种焊缝射线检测底片图像增强方法、存储介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 刘小燕;李照明;段嘉旭;项天远;: "基于卷积神经网络的印刷电路板色环电阻检测与定位方法", 电子与信息学报, no. 09 * |
| 宁霄;赵鹏;: "基于U-Net卷积神经网络的年轮图像分割算法", 生态学杂志, no. 05 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189209A (zh) * | 2023-04-14 | 2023-05-30 | 浙江太美医疗科技股份有限公司 | 医疗文档图像分类方法和装置、电子设备和存储介质 |
| CN116189209B (zh) * | 2023-04-14 | 2023-07-04 | 浙江太美医疗科技股份有限公司 | 医疗文档图像分类方法和装置、电子设备和存储介质 |
| CN116152249A (zh) * | 2023-04-20 | 2023-05-23 | 济宁立德印务有限公司 | 一种智能数字印刷质量检测方法 |
| CN117036267A (zh) * | 2023-08-01 | 2023-11-10 | 广州伊索自动化科技有限公司 | 一种曲面印刷检测方法、系统及存储介质 |
| CN116740062A (zh) * | 2023-08-14 | 2023-09-12 | 菲特（天津）检测技术有限公司 | 基于不规则胶圈的缺陷检测方法及系统 |
| CN116740062B (zh) * | 2023-08-14 | 2023-10-27 | 菲特（天津）检测技术有限公司 | 基于不规则胶圈的缺陷检测方法及系统 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706464B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113706464B (zh) | 一种印刷品外观质量检测方法及系统 | |
| Park et al. | Patch-based crack detection in black box images using convolutional neural networks | |
| CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
| CN109977723B (zh) | 大票据图片文字识别方法 | |
| CN113284123B (zh) | 基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法 | |
| CN108305243B (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
| CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
| CN109961416B (zh) | 一种基于形态学梯度多尺度融合的营业执照信息提取方法 | |
| CN111986170A (zh) | 一种基于深度神经网络Mask R-CNN的缺陷检测算法 | |
| CN111680690A (zh) | 一种文字识别方法及装置 | |
| CN115131587A (zh) | 一种基于边缘轮廓的梯度向量特征的模板匹配方法 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| Niu et al. | Defect attention template generation cycleGAN for weakly supervised surface defect segmentation | |
| CN110738139A (zh) | 一种融合Min-Max目标的NIN车牌识别方法 | |
| CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
| Kim et al. | Sredgenet: Edge enhanced single image super resolution using dense edge detection network and feature merge network | |
| CN116205876A (zh) | 基于多尺度标准化流的无监督笔记本外观缺陷检测方法 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN114792310A (zh) | 一种LCD屏幕中边缘模糊的Mura缺陷检测方法 | |
| CN106778766A (zh) | 一种基于定位点的旋转数字识别方法及系统 | |
| CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
| Huang et al. | Learning to restore ssTEM images from deformation and corruption | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 |
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 |