CN113822869B - 一种基于机器视觉的透明软性包装袋静态检测方法及系统 - Google Patents
一种基于机器视觉的透明软性包装袋静态检测方法及系统 Download PDFInfo
- Publication number
- CN113822869B CN113822869B CN202111134942.5A CN202111134942A CN113822869B CN 113822869 B CN113822869 B CN 113822869B CN 202111134942 A CN202111134942 A CN 202111134942A CN 113822869 B CN113822869 B CN 113822869B
- Authority
- CN
- China
- Prior art keywords
- image
- machine vision
- feature extraction
- defect
- packaging bag
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 230000003068 static effect Effects 0.000 title claims abstract description 33
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims abstract description 5
- 238000009459 flexible packaging Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 239000007788 liquid Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 241001156002 Anthonomus pomorum Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于机器视觉的透明软性包装袋静态检测方法，包括以下步骤：基于机器视觉对图像进行正反面判断、图像预处理、分割处理、特征提取及分析，获取图像的特征参数值；根据所述图像的特征参数值，进行缺陷检查，并对检测结果进行判断；对缺陷特征进行分类，获取缺陷判断结果；显示缺陷判断结果并输出。本发明还提供一种基于机器视觉的透明软性包装袋静态检测系统，在降低计算复杂度的同时保留最佳特征信息，减少了精度的损失，提升了检测分类任务的性能，以及检测降低数据处理复杂度；节省储存空间、提高检测识别速度、降低生产成本的精度与速度。
Description
技术领域
本发明涉及机器视觉图像处理技术领域，特别是涉及一种基于机器视觉的透明软性包装袋静态检测方法及系统。
背景技术
缺陷检测通常是指对产品表面缺陷的检测，表面缺陷检测是采用先进的机器视觉检测技术，对产品表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。
现有技术中，对包装产品及印刷品的缺陷检测越来越多地采用机器视觉缺陷检测技术。现有的机器视觉缺陷检测方法，大多是面对的对象通常具有形状规则、表面坚固、不透明等特点的刚性物体，而且由于深度学习对数据的依赖，导致数据的体量和维度成指数级增长，从而影响计算效率和分类识别性能。
另外，目前对包装透明、质地柔软、不易固定且易发生褶皱变形的产品检测研究较少，如何利用机器视觉的缺陷检测方法对透明的软性包装袋产品的外观及印刷缺陷进行检测，是目前亟待解决的问题。
发明内容
为了解决现有技术存在的不足，本发明的目的在于提供一种基于机器视觉的透明软性包装袋静态检测方法及系统，利用成像、统计方法对数据进行特征提取，结合BP神经网络和支持向量机算法进行分类识别，降低数据处理复杂度、提高检测识别速度。
为实现上述目的，本发明提供的基于机器视觉的透明软性包装袋静态检测方法，包括以下步骤：
基于机器视觉对图像进行正反面判断、图像预处理、分割处理、特征提取及分析，获取图像的特征参数值；
根据所述图像的特征参数值，进行缺陷检查，并对检测结果进行判断；
对缺陷特征进行分类，获取缺陷判断结果；
显示缺陷判断结果并输出。
进一步地，所述对图像进行正反面判断的步骤，还包括，
输入旋转前后两帧图像；
对图像进行分割、灰度化处理；
对经过分割、灰度化的采集图像进行基于梯度函数的模糊度分析，获取模糊度分数；
根据模糊度分数的高低，进行正反面判断。
进一步地，所述对经过分割、灰度化的采集图像进行基于梯度函数的模糊度分析，获取模糊度分数的步骤，采用如下模糊度分数计算：
其中，score是模糊度分数，I(x，y)是图像像素点(x，y)的灰度值，M是图像的长，N是图像的宽。
进一步地，所述图像预处理，包括，图像增强、色彩空间转换、形态学处理。
进一步地，所述对图像进行分割处理，包括，对图像进行阈值分割和颜色分割。
进一步地，所述对图像进行特征提取及分析，还包括，参数特征提取和基于统计学的特征提取及分类识别。
进一步地，所述参数特征提取，还包括，提取软袋关键点坐标、目标区域位置，填充液体面积值、文字检测及识别分数。
进一步地，所述基于统计学的特征提取及分类识别，还包括，采用PCA主成分分析算法，结合BP神经网络及SVM支持向量机算法进行分类识别，提升特征抽取及异物检测分类的性能。
更进一步地，所述基于统计学的特征提取及分类识别，还包括，
利用PCA)主成分分析算法提取数据的特征分量，将高维度数据投影到低维空间，输出数据集；
创建并训练BP神经网络，输出分类识别结果；
构建并训练SVM分类器，输出SVM分类器模型。
为实现上述目的，本发明还提供一种基于机器视觉的透明软性包装袋静态检测系统，包括，图像摄取单元、图像处理与分析单元、缺陷检测与判断单元，以及结果输出单元，其中，
所述图像摄取单元，其负责图像的摄取，并将摄取的图像转化为计算机可识别图像数据，传送给所述图像处理与分析单元；
所述图像处理与分析单元，其对图像进行基于机器视觉的图像处理和分析，将提取的图像的特征参数值发送给所述缺陷检测与判断模块；
所述缺陷检测与判断模块，其将所述图像的特征参数值与标准参数值进行比较，进行缺陷检测，并对生成的缺陷检测结果进行分类及特征判断，生成缺陷判断结果；
所述结果输出单元，其用于显示缺陷判断结果并输出。
进一步地，所述图像处理与分析单元，包括，正反面判断模块、图像预处理模块、图像分割处理模块，以及特征提取模块，其中，
所述正反面判断模块，用于对输入图像进行正反面判断；
所述图像预处理模块，其对图像进行增强、色彩空间转换、形态学处理；
所述图像分割处理模块，其用于对图像进行阈值分割和颜色分割处理；
所述特征提取模块，其对分割后的图像进行参数特征提取和识别。
进一步地，所述正反面判断模块，其对输入的旋转前后两帧图像进行分割、灰度化处理后，进行基于梯度函数的模糊度分析；根据获取的模糊度分数的高低，进行正反面判断。
进一步地，所述特征提取模块，其对分割后的图像进行参数特征提取和识别，包括，参数特征提取和基于统计学的特征提取及分类识别。
更进一步地，所述特征提取模块，
提取软袋关键点坐标、目标区域位置，填充液体面积值、文字检测及识别分数；
利用PCA主成分分析算法提取数据的特征分量，将高维度数据投影到低维空间，输出数据集；
创建并训练BP神经网络，输出分类识别结果；
构建并训练SVM分类器，输出SVM分类器模型。
为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时执行如上文所述的基于机器视觉的透明软性包装袋静态检测方法的步骤。
本发明的基于机器视觉的透明软性包装袋静态检测方法及系统，与现有技术相比具有以下有益效果：
针对小样本的异物检测分类任务，本发明利用统计方法对数据进行特征提取，结合BP神经网络和支持向量机算法进行分类识别，在降低计算复杂度的同时保留最佳特征信息，尽量减少了精度的损失，从而提升检测分类任务的性能，以及检测降低数据处理复杂度；降维去噪和可视化；节省储存空间、提高检测识别速度、降低生产成本的精度与速度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的实施例一起，用于解释本发明，并不构成对本发明的限制。在附图中：
图1为根据本发明的基于机器视觉的透明软性包装袋静态检测方法流程图；
图2为根据本发明的基于机器视觉的图像处理及分析工作流程图；
图3为根据本发明的对输入的软袋图像进行正反面判断工作流程图；
图4为根据本发明的基于统计学的特征提取及分类识别工作流程图；
图5为根据本发明的BP神经网络结构示意图；
图6为根据本发明的基于机器视觉的透明软性包装袋静态检测系统结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明的基于机器视觉的透明软性包装袋静态检测方法及系统，针对软袋包装膜具有透光率高的特殊性，本发明采用透射的打光检测方式，并在黑白背景下进行图像拍摄。生产线运行时，系统通过对实时采集到的图像进行图像分析，并进行静态图像下的外观及印刷缺陷的检测。
实施例1
图1为根据图1为根据本发明的基于机器视觉的透明软性包装袋静态检测方法流程图流程图，下面将参考图1，对本发明的基于机器视觉的透明软性包装袋静态检测方法流程图进行详细描述。
首先，在步骤101，图像的采集和转化。
本发明实施例中，进行图像摄取，将相机采集的图像转化为计算机可识别的图像数据，传送给图像处理与分析单元。
在步骤102，基于机器视觉的图像处理和分析。
本发明实施例中，对输入图像数据进行基于机器视觉的图像处理，包含正反面判断、图像预处理、分割处理、特征提取及分析。
在步骤103，进行缺陷检查，并对检测结果进行判断。
本发明实施例中，图像经过处理分析及特征提取后得到特征参数值，与标准参数比对进行缺陷科目的检测和判断；缺陷检测及判断，将各个检测科目的处理分析结果(特征参数值)与标准参数值进行比较，判断缺陷检测结果，如合格与不合格、缺陷种类、特征参数值等。如合格则转到步骤105进行，如不合格则进入下一步骤。
在步骤104，对缺陷进行分类。
本发明实施例中，具体的分类及特征判断如表1所示：
表1缺陷与特征匹配表
在步骤105，显示缺陷判断结果并输出。
图2为根据本发明的基于机器视觉的图像处理及分析工作流程图，下面将参考图2，对本发明的基于机器视觉的图像处理及分析工作流程进行详细描述。
在步骤201，对输入图像进行正反面判断。
本发明实施例中，由于各项外观检测任务的目标区域各有不同，因此在图像进行处理前需要对输入的软袋图像进行正反面判断。
在步骤202，进行图像预处理。
本发明实施例中，为了解决图像在采集过程中会出现的模糊、像素不均、特征不明显等等情况，本发明对图像进行预处理操作，包括，图像增强、色彩空间转换、形态学处理等，去除噪声，凸显特征信息，从而提升后续检测效果。
在步骤203，对图像进行分割处理。
本发明实施例中，对图像进行分割处理，包括，阈值分割和颜色分割，其中，
1)阈值分割，即二值化处理，将图像转换为仅由黑、白像素点组成的图片，从而减少图像处理的信息量，加速图像分析过程。同时，二值化处理也是检测组合盖内盖的核心操作，通过对瓶盖区域进行灰度化处理后，选定内盖的灰度值范围进行阈值处理，从而进行有无内盖的缺陷判断。
2)颜色分割，将填充液体分割出来进行液体装量异常的缺陷检测。由于软袋内液体呈淡黄色，将图像转换到HSV色彩空间，根据填充液体颜色的和h，s，v值的范围实现对填充液体的分割。
在步骤204，对分割后的图像进行参数特征提取和识别。
本发明实施例中，对分割后的图像进行参数特征提取和识别的步骤，包括，参数特征提取和基于统计学的特征提取及分类识别，其中，
1)参数特征提取，包括，对预处理及分割后的图像进行特征的抽取及参数值的计算，包含软袋关键点坐标、目标区域位置，填充液体面积值、文字检测及识别(OCR)分数等。
返回关键点坐标参数的具体方法为，检测并抽取出软袋的外轮廓，找到其最小外接矩形，从而计算出软袋左上、右下、中心三个关键点的坐标。另外，抽取颜色分割后的液体轮廓，通过检测到的轮廓内面积计算出填充液体面积，并以此参数作为装量异常科目的检测标准。接口异物分为偏黑与偏黄两类，针对颜色做分割后提取轮廓，轮廓数量即异物数量。
文字检测与识别处理基于PaddleOCR系统，结合DB检测算法及CRNN识别算法，建立针对100ml及250ml两种规格的软袋的OCR模型。将软袋正面图像进行旋转裁剪后，针对印刷区域进行文字检测识别，并与标准印刷文字进行匹配，返回匹配度分数，从而进行印刷的缺陷检测。
2)基于统计学的特征提取及分类识别，采用PCA主成分分析算法，并且结合BP神经网络及SVM支持向量机算法进行分类识别，从而提升特征抽取及异物检测分类的性能。
图3为根据本发明的对输入的图像进行正反面判断工作流程图，下面将参考图3，对本发明的对输入的图像进行正反面判断工作流程进行详细描述。
本发明实施例中，由于软袋具有高透光性的特点，光线折射会导致文字变形，使得相机对软袋正反面采集到的图像上的文字清晰度存在明显差异。本发明针对此特殊性，对输入的图像进行正反面判断。
在步骤301，输入旋转前后两帧图像。
在步骤302，对图像进行分割、灰度化处理。
在步骤303，进行基于梯度函数的模糊度分析。
本发明实施例中，提出基于Brenner梯度函数对经过分割、灰度化的采集图像进行模糊度的分析和计算，分数越高，清晰度越高，反之分数越低，图像越模糊。具体的模糊度分数计算公式如下：
其中，I(x，y)是图像像素点(x，y)的灰度值，M是图像的长，N是图像的宽。
在步骤304，进行正反面判断。
本发明实施例中，针对单个软袋，对比旋转前后拍摄的两张图像，模糊度分数高的判断为正面，分数低的判断为反面。
在步骤305，输出判断结果。
本发明实施例中，正反面判断结束后，根据具体检测科目需求，检测系统将进行接下来的图像预处理。
图4为根据本发明的基于统计学的特征提取及分类识别工作流程图，下面将参考图4，对本发明的基于统计学的特征提取及分类识别的工作流程进行详细描述。
在步骤401，采用PCA算法进行数据特征提取。
本发明实施例中，首先，利用主成分分析(Principal Components Analysis，PCA)算法提取数据的主要特征分量，将高维度数据投影到低维空间，同时降维后的数据能够很好的表征原来数据的特性。
PCA算法的原理和实现步骤如下：
1)输入n个样本的数据集X，需要降到k维。将样本看成n维的随机变量x，表达为矩阵形式：
2)所有样本减去平均值，计算协方差矩阵Si。其中，n表示样本总数，m表示样本的均值：
3)计算出特征值和特征向量：
λ1，λ2，...，λk为矩阵Si的特征值，且λ1≥λ2≥…≥λk，ω1，ω2，...，ωk为对应的特征向量。
则满足：Siωi＝λωi，i＝1，2，...，k。
4)保留最大的前k个特征及其对应的特征向量：
令W为这组样本的主成分矩阵：W＝[ω1，ω2，...，ωk]。
5)获取降维的投影特征矩阵。
本发明实施例中，采用如下方式获取降维的投影特征矩阵：
将变量x向W所对应的一组基进行投影，即分解变换：y＝WT(x-m)
得到新的变量y：y＝[y1，y2，...，yn]T。
在步骤402，输出数据集Y。
在步骤403，创建并训练BP神经网络。
本发明实施例中，主成分分析算法进行特征提取后便是创建BP神经网络。BP网络由输入层、输出层和隐含层组成，是一个单向传播的多层前向网络，如图5所示。BP算法通过迭代地减小训练样本的目标值和网络输出间的协方误差来实现对可能的网络权值空间的梯度下降。具体的计算如下：
设x1，x2，...，xn为输入向量的各个分量，y1，y2，...，ym为输出向量的各个分量。令X表示输入向量，W表示权重向量：
X＝[x0，x1，x2，...，xn]，
设f为传递函数，则神经元的输入与输出关系可以表示为：
neti＝XW，yi＝f(neti)＝f(XW)，
其中，y是神经元i的输出，x是神经元i的输入，net为神经元的总输入。
两层Sigmoid单元的前向网络的BP算法步骤为：1)把样本xk输入网络，计算每个单元的输出；2)计算每个输出单元i的误差项δi；3)计算每个隐藏单元j的误差项δj；4)利用梯度下降法更新每个网络权值Wij。
在步骤404，输出分类识别结果。
在步骤405，构建并训练SVM分类器。
本发明实施例中，还提出将PCA算法与SVM分类器结合进行分类识别。支持向量机(SVM)是一种基于统计学习理论的模式识别方法。其针对训练数据的线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转为高维特征空间使其线性可分。由此可实现在高维特征空间对样本的非线性特征进行线性分析。另外，SVM基于结构风险最小化理论对特征空间进行超平面分割，使得学习器得到全局最优化。构建并训练SVM分类器的步骤如下：
1)线性可分的情况，通过硬间隔最大化学习一个线性可分支持向量机。对于训练集(xi，yi)，其中yi∈(-1，1)，i＝1，2，...，n。目标是找到一个超平面使得两类样本完全分开且两类间间隔最大。设超平面方程为ω·x+v＝0，将ω·x+v＞0归为1类，ω·x+v＜0归为-1类。则，两类间隔的最大化等价于最小化：/>
其中，约束条件为yi(ω·x+v)≥1，
由此计算得出的向量机的线性支持最优分类函数：
2)近似线性不可分的情况，通过软间隔最大化学习一个线性分类器(线性支持向量机/软间隔支持向量机)
3)线性不可分的情况，使用核技巧和软间隔最大化学习一个非线性支持向量机。即利用核函数将原样本映射到高维空间中转化为高维空间中的线性可分问题。最优的分类函数为：其中，K(xi·x)为核函数。
实施例2
本发明还提供一种基于机器视觉的透明软性包装袋静态检测系统，图6为根据本发明的基于机器视觉的透明软性包装袋静态检测系统结构示意图，如图6所示，本发明的基于机器视觉的透明软性包装袋静态检测系统，包括，图像摄取单元61、图像处理与分析单元62、缺陷检测与判断单元63，以及结果输出单元64，其中，
图像摄取单元61，其负责图像的摄取，并将摄取的图像转化为计算机可识别图像数据，传送给图像处理与分析单元62。
图像处理与分析单元62，其对图像摄取单元61发送的图像进行基于机器视觉的图像处理和分析，将提取的图像的特征参数值发送给缺陷检测与判断模块63。
缺陷检测与判断模块63，其将提取的图像的特征参数值与标准参数值进行比较，进行缺陷检测，并对生成的缺陷检测结果进行分类及特征判断，生成缺陷判断结果。
结果输出单元64，其用于显示缺陷判断结果并输出。
本发明实施例中，图像处理与分析单元62，包括，正反面判断模块621、图像预处理模块622、图像分割处理模块623，以及特征提取模块624，其中，
正反面判断模块621，用于对输入图像进行正反面判断。
本发明实施例中，正反面判断模块621基于Brenner梯度函数对采集图像进行模糊度的分析和计算，从而实现图像正反面的迅速判断。
图像预处理模块622，其对图像进行增强、色彩空间转换、形态学处理等，去除噪声，凸显特征信息，提升后续检测效果。
图像分割处理模块623，用于对图像进行阈值分割和颜色分割处理。
特征提取模块624，其对分割后的图像进行参数特征提取和识别。
本发明实施例中，特征提取模块624对分割后的图像进行参数特征提取和识别，包括，参数特征提取和基于统计学的特征提取及分类识别。
实施例3
本发明的一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时执行如上文所述的基于机器视觉的透明软性包装袋静态检测方法的步骤。
本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于机器视觉的透明软性包装袋静态检测方法，其特征在于，包括以下步骤：
基于机器视觉对图像进行正反面判断、图像预处理、分割处理、特征提取及分析，获取图像的特征参数值；
根据所述图像的特征参数值，进行缺陷检查，并对检测结果进行判断；
对缺陷特征进行分类，获取缺陷判断结果；
显示缺陷判断结果并输出；
所述对图像进行正反面判断的步骤，还包括，
输入旋转前后两帧图像；
对图像进行分割、灰度化处理；
对经过分割、灰度化的采集图像进行基于梯度函数的模糊度分析，获取模糊度分数；
根据模糊度分数的高低，进行正反面判断。
2.根据权利要求1所述的基于机器视觉的透明软性包装袋静态检测方法，其特征在于，所述对经过分割、灰度化的采集图像进行基于梯度函数的模糊度分析，获取模糊度分数的步骤，采用如下模糊度分数计算：
其中，score是模糊度分数，I(x，y)是图像像素点(x，y)的灰度值，M是图像的长，N是图像的宽。
3.根据权利要求1所述的基于机器视觉的透明软性包装袋静态检测方法，其特征在于，所述图像预处理，包括，图像增强、色彩空间转换、形态学处理。
4.根据权利要求1所述的基于机器视觉的透明软性包装袋静态检测方法，其特征在于，所述对图像进行分割处理，包括，对图像进行阈值分割和颜色分割。
5.根据权利要求1所述的基于机器视觉的透明软性包装袋静态检测方法，其特征在于，所述对图像进行特征提取及分析，还包括，参数特征提取和基于统计学的特征提取及分类识别。
6.根据权利要求5所述的基于机器视觉的透明软性包装袋静态检测方法，其特征在于，所述参数特征提取，还包括，提取软袋关键点坐标、目标区域位置，填充液体面积值、文字检测及识别分数。
7.根据权利要求5所述的基于机器视觉的透明软性包装袋静态检测方法，其特征在于，所述基于统计学的特征提取及分类识别，还包括，采用PCA进行特征提取，之后分别用BP神经网络和SVM进行分类识别，提升特征抽取及异物检测分类的性能。
8.根据权利要求5所述的基于机器视觉的透明软性包装袋静态检测方法，其特征在于，所述基于统计学的特征提取及分类识别，还包括，
利用PCA提取数据的特征分量，将高维度数据投影到低维空间，输出数据集；
创建并训练BP神经网络，用所述BP神经网络进行分类识别，输出分类识别结果，或
构建并训练SVM分类器，用所述SVM分类器进行分类识别，输出SVM分类器模型。
9.一种基于机器视觉的透明软性包装袋静态检测系统，其特征在于，包括，图像摄取单元、图像处理与分析单元、缺陷检测与判断单元，以及结果输出单元，其中，
所述图像摄取单元，其负责图像的摄取，并将摄取的图像转化为计算机可识别图像数据，传送给所述图像处理与分析单元；
所述图像处理与分析单元，其对图像进行基于机器视觉的图像处理和分析，将提取的图像的特征参数值发送给所述缺陷检测与判断模块；
所述缺陷检测与判断模块，其将所述图像的特征参数值与标准参数值进行比较，进行缺陷检测，并对生成的缺陷检测结果进行分类及特征判断，生成缺陷判断结果；
所述结果输出单元，其用于显示缺陷判断结果并输出；
所述图像处理与分析单元，包括，正反面判断模块、图像预处理模块、图像分割处理模块，以及特征提取模块，其中，
所述正反面判断模块，用于对输入图像进行正反面判断；
所述图像预处理模块，其对图像进行增强、色彩空间转换、形态学处理；
所述图像分割处理模块，其用于对图像进行阈值分割和颜色分割处理；
所述特征提取模块，其对分割后的图像进行参数特征提取和识别；
所述正反面判断模块，其对输入的旋转前后两帧图像进行分割、灰度化处理后，进行基于梯度函数的模糊度分析；根据获取的模糊度分数的高低，进行正反面判断。
10.根据权利要求9所述的基于机器视觉的透明软性包装袋静态检测系统，其特征在于，所述特征提取模块，其对分割后的图像进行参数特征提取和识别，包括，参数特征提取和基于统计学的特征提取及分类识别。
11.根据权利要求10所述的基于机器视觉的透明软性包装袋静态检测系统，其特征在于，所述特征提取模块，
提取软袋关键点坐标、目标区域位置，填充液体面积值、文字检测及识别分数；
利用PCA提取数据的特征分量，将高维度数据投影到低维空间，输出数据集；
创建并训练BP神经网络，用所述BP神经网络进行分类识别，输出分类识别结果，或
构建并训练SVM分类器，用所述SVM分类器进行分类识别，输出SVM分类器模型。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序运行时执行权利要求1至8任一项所述的基于机器视觉的透明软性包装袋静态检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111134942.5A CN113822869B (zh) | 2021-09-27 | 2021-09-27 | 一种基于机器视觉的透明软性包装袋静态检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111134942.5A CN113822869B (zh) | 2021-09-27 | 2021-09-27 | 一种基于机器视觉的透明软性包装袋静态检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822869A CN113822869A (zh) | 2021-12-21 |
| CN113822869B true CN113822869B (zh) | 2024-02-27 |
Family
ID=78915700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111134942.5A Active CN113822869B (zh) | 2021-09-27 | 2021-09-27 | 一种基于机器视觉的透明软性包装袋静态检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822869B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253024B (zh) * | 2023-11-17 | 2024-02-06 | 山东海晟盐业有限公司 | 一种基于机器视觉的工业盐质检管控方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102095731A (zh) * | 2010-12-02 | 2011-06-15 | 山东轻工业学院 | 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法 |
| CN103310271A (zh) * | 2012-03-15 | 2013-09-18 | 江苏八菱海螺水泥有限公司 | 视觉式点包方法 |
| CN111189844A (zh) * | 2020-02-25 | 2020-05-22 | 威海远航科技发展股份有限公司 | 静脉采血针包装质量自动化检测系统 |
| CN211652574U (zh) * | 2019-12-27 | 2020-10-09 | 无锡赛默斐视科技有限公司 | 一种应用于医疗包装袋表面晶点检测的光源 |
| CN111862092A (zh) * | 2020-08-05 | 2020-10-30 | 复旦大学 | 一种基于深度学习的快递外包装缺陷检测方法及装置 |
| CN212767107U (zh) * | 2020-06-28 | 2021-03-23 | 中山市新宏业自动化工业有限公司 | 一种包装袋正反面检测识别装置和生产线 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3518596B2 (ja) * | 2000-10-02 | 2004-04-12 | 株式会社スキャンテクノロジー | ソフトバッグ総合検査システム |
| CN100439214C (zh) * | 2002-04-17 | 2008-12-03 | 凸版印刷株式会社 | 包装材料和包装袋 |
-
2021
- 2021-09-27 CN CN202111134942.5A patent/CN113822869B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102095731A (zh) * | 2010-12-02 | 2011-06-15 | 山东轻工业学院 | 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法 |
| CN103310271A (zh) * | 2012-03-15 | 2013-09-18 | 江苏八菱海螺水泥有限公司 | 视觉式点包方法 |
| CN211652574U (zh) * | 2019-12-27 | 2020-10-09 | 无锡赛默斐视科技有限公司 | 一种应用于医疗包装袋表面晶点检测的光源 |
| CN111189844A (zh) * | 2020-02-25 | 2020-05-22 | 威海远航科技发展股份有限公司 | 静脉采血针包装质量自动化检测系统 |
| CN212767107U (zh) * | 2020-06-28 | 2021-03-23 | 中山市新宏业自动化工业有限公司 | 一种包装袋正反面检测识别装置和生产线 |
| CN111862092A (zh) * | 2020-08-05 | 2020-10-30 | 复旦大学 | 一种基于深度学习的快递外包装缺陷检测方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 可疑目标区域的机器视觉检测算法;李国辉;苏真伟;晏开华;黄明飞;;四川大学学报(工程科学版)(第01期);全文 * |
| 基于机器视觉的冻干粉中的异物检测分类技术研究;丁金如;孟志刚;杨燕鹤;;计算机与数字工程(第01期);论文第2-5节 * |
| 基于模糊神经网络的印刷线条感知质量评价;孔玲君;刘真;孙小鹏;姜中敏;;仪器仪表学报(第12期);全文 * |
| 机器视觉表面缺陷检测综述;汤勃;孔建益;伍世虔;;中国图象图形学报(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822869A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108548820B (zh) | 化妆品纸质标签缺陷检测方法 | |
| CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
| CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
| CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN107133622B (zh) | 一种单词的分割方法和装置 | |
| CN107491730A (zh) | 一种基于图像处理的化验单识别方法 | |
| US9639748B2 (en) | Method for detecting persons using 1D depths and 2D texture | |
| US9558403B2 (en) | Chemical structure recognition tool | |
| CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
| CN110766020A (zh) | 一种面向多语种自然场景文本检测与识别的系统及方法 | |
| Mesquita et al. | A new thresholding algorithm for document images based on the perception of objects by distance | |
| CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
| CN107315990B (zh) | 一种基于xcs-lbp特征的行人检测算法 | |
| Breuel | Robust, simple page segmentation using hybrid convolutional mdlstm networks | |
| CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
| CN113822869B (zh) | 一种基于机器视觉的透明软性包装袋静态检测方法及系统 | |
| CN113538342A (zh) | 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法 | |
| CN116523916B (zh) | 产品表面缺陷检测方法、装置、电子设备及存储介质 | |
| CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
| CN110570469B (zh) | 一种汽车图片角度位置的智能识别方法 | |
| Zhang et al. | Artifact detection in endoscopic video with deep convolutional neural networks | |
| Işikdoğan et al. | Automatic recognition of Turkish fingerspelling | |
| Krishna et al. | Digital image processing techniques in character recognition-a survey |
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 |