CN113947598B - 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 - Google Patents

基于图像处理的塑料餐盒缺陷检测方法、装置及系统 Download PDF

Info

Publication number
CN113947598B
CN113947598B CN202111558102.1A CN202111558102A CN113947598B CN 113947598 B CN113947598 B CN 113947598B CN 202111558102 A CN202111558102 A CN 202111558102A CN 113947598 B CN113947598 B CN 113947598B
Authority
CN
China
Prior art keywords
image
gray
probability
detected
entropy
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
Application number
CN202111558102.1A
Other languages
English (en)
Other versions
CN113947598A (zh
Inventor
徐建海
王美兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Changya New Material Technology Co ltd
Original Assignee
Ningbo Changya New Material Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Changya New Material Technology Co ltd filed Critical Ningbo Changya New Material Technology Co ltd
Priority to CN202111558102.1A priority Critical patent/CN113947598B/zh
Publication of CN113947598A publication Critical patent/CN113947598A/zh
Application granted granted Critical
Publication of CN113947598B publication Critical patent/CN113947598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Abstract

本发明提供了一种基于图像处理的塑料餐盒缺陷检测方法、装置及系统，方法包括：获取待检测的塑料餐盒的待测图像；对待测图像依次进行去噪处理和灰度处理，获得灰度图像；确定灰度图像中任一像素点属于背景区域的第一概率，和属于目标区域的第二概率；根据第一概率计算背景区域熵，根据第二概率计算目标区域熵；根据背景区域熵和目标区域熵确定待测阈值；将灰度图像中各个像素点的灰度值与待测阈值进行对比，根据对比结果对灰度图像进行分割，获得目标区域图像；确定目标区域图像与塑料餐盒标准图像之间的相似度，并比对相似度与预设阈值；根据比对结果确定待检测的塑料餐盒是否存在缺陷。本发明的技术方案提高了塑料餐盒缺陷检测的准确度。

Description

基于图像处理的塑料餐盒缺陷检测方法、装置及系统
技术领域
本发明涉及计量检测技术领域，具体而言，涉及一种基于图像处理的塑料餐盒缺陷检测方法、装置及系统。
背景技术
当前，餐饮外卖行业的快速发展，带动了一次性塑料餐盒的需求量大幅增长。塑料餐盒在生产过程中，由于生产工艺和技术水平的原因，容易产生缺陷，因此为了保证塑料餐盒的质量，需要在生产过程中对塑料餐盒进行缺陷检测。如果产品缺陷率过高，则及时对生产过程进行干预和调整，例如对生产设备进行检修等，以尽快排除故障、减小损失。
目前，对塑料餐盒表面缺陷的检测主要以人工检测为主，由生产线上的工人通过人眼观察，对具有表面裂缝、凸点、气泡和餐盒尺寸不均等明显外观缺陷的产品进行分拣。但在实际的人工检测过程中，检测结果的准确度容易受到工人的主观因素以及疲劳度的影响，而且检测效率较低。
随着以数字图像处理为核心的机器视觉的发展，通过对工业相机采集的塑料餐盒的表面图像进行处理，进行缺陷检测已成为餐具自动化生产中的发展趋势。现有的基于机器视觉的塑料餐盒表面缺陷检测，首先获取塑料餐盒的表面图像，然后通过边缘检测算法等提取缺陷特征，最后通过机器学习的方法识别表面缺陷。但是，这种方法存在以下问题：固定干扰，塑料餐盒上通常会存在商标和印花等干扰特征，会对缺陷检测过程带来不利影响，容易造成误判；纹理影响，边缘检测方法通常通过灰度的突变来检测缺陷边缘，然而大部分餐盒的表面带有复杂的纹理，在检测过程中难以分辨是纹理还是缺陷造成的灰度突变，会影响缺陷检测的准确度。
因此，现有的基于图像处理的塑料餐盒表面缺陷检测方法，存在准确度较低的问题。
发明内容
本发明解决的问题是如何提高塑料餐盒表面缺陷检测的准确度。
为解决上述问题，本发明提供一种基于图像处理的塑料餐盒缺陷检测方法、装置及系统。
第一方面，本发明提供了一种基于图像处理的塑料餐盒缺陷检测方法，包括：
获取待检测的塑料餐盒的待测图像；
对所述待测图像依次进行去噪处理和灰度处理，获得灰度图像；
根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率；
根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵；基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定待测阈值；
将所述灰度图像中各个所述像素点的灰度值与所述待测阈值进行对比，根据对比结果对所述灰度图像进行分割，获得目标区域图像；
采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，并比对所述相似度与预设阈值；
根据比对结果确定所述待检测的塑料餐盒是否存在缺陷。
可选地，所述根据比对结果确定所述待检测的塑料餐盒是否存在缺陷之后，还包括：
当所述待检测的塑料餐盒存在缺陷时，确定所述待测图像中的缺陷区域和所述目标区域图像的最小外接矩形的尺寸；
根据所述缺陷区域和所述最小外接矩形的尺寸确定所述缺陷区域在所述待测图像中的填充度；对所述目标区域图像进行边界检测，确定所述目标区域图像中的商标所在区域；
判断所述最小外接矩形的尺寸是否在预设阈值范围内，且判断所述填充度是否小于或等于预设的填充度阈值，且将所述目标区域图像与所述塑料餐盒标准图像进行匹配，判断所述商标所在区域是否包含于所述塑料餐盒标准图像上预设的检测框内；
根据判断结果对所述缺陷进行分类，确定所述缺陷的类型。
可选地，所述对所述待测图像依次进行去噪处理和灰度处理包括：
采用相邻区域平均去噪算法对所述待测图像进行去噪，获得去噪后的图像；
对所述待测图像和所述去噪后的图像进行相减运算，并将运算结果与预设的特征阈值进行对比，根据对比结果生成特征增强图像；
对所述特征增强图像进行灰度处理，获得所述灰度图像。
可选地，所述根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率，包括：
根据所述灰度图像中各个所述像素点的灰度值，采用第五公式确定所述第一概率，所述第五公式包括：
Figure 975312DEST_PATH_IMAGE001
，
其中，
Figure 746959DEST_PATH_IMAGE002
表示所述灰度图像中任一所述像素点属于背景区域的所述第一概率，
Figure 228756DEST_PATH_IMAGE003
表示所述待测阈值，
Figure 376840DEST_PATH_IMAGE004
表示灰度值为
Figure 994903DEST_PATH_IMAGE005
的像素点在所述灰度图像中出现的概率，
Figure 203031DEST_PATH_IMAGE006
表示所述灰度图像中灰度值为
Figure 906545DEST_PATH_IMAGE005
的像素点数量，
Figure 592741DEST_PATH_IMAGE007
表示所述灰度图像中的像素总量；
采用第六公式确定所述第二概率，所述第六公式包括：
Figure 330890DEST_PATH_IMAGE008
,
其中，
Figure 444339DEST_PATH_IMAGE009
表示所述灰度图像中任一所述像素点属于目标区域的所述第二概率，
Figure 635149DEST_PATH_IMAGE010
表示所述灰度图像的灰度级数。
可选地，根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵，包括：
根据所述第一概率采用第七公式计算所述背景区域熵，所述第七公式包括：
Figure 859457DEST_PATH_IMAGE011
，
其中，
Figure 953577DEST_PATH_IMAGE012
表示所述背景区域熵；
根据所述第二概率采用第八公式计算所述目标区域熵，所述第八公式包括：
Figure 34666DEST_PATH_IMAGE013
，
其中，
Figure 712772DEST_PATH_IMAGE014
表示所述目标区域熵。
可选地，所述基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定所述待测阈值，包括：
将所述背景区域熵和所述目标区域熵相加，获得所述灰度图像的图像熵，所述图像熵采用第九公式表示，所述第九公式包括：
Figure 740771DEST_PATH_IMAGE015
，
其中，
Figure 187932DEST_PATH_IMAGE016
表示所述灰度图像的所述图像熵，
Figure 908764DEST_PATH_IMAGE017
表示所述背景区域熵，
Figure 808587DEST_PATH_IMAGE018
表示所述目标区域熵；
基于最大熵原理，采用第十公式确定所述图像熵最大时的所述待测阈值，所述第十公式包括：
Figure 640276DEST_PATH_IMAGE019
，
其中，
Figure 941945DEST_PATH_IMAGE020
表示所述待测阈值。
可选地，所述采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，包括：
将所述目标区域图像转换为向量表示形式，获得目标向量；将所述塑料餐盒标准图像转换为向量表示形式，获得标准向量；
基于余弦相似度度量方法，根据所述目标向量和所述标准向量采用第十一公式计算所述目标区域图像与所述塑料餐盒标准图像之间的相似度，所述第十一公式包括：
Figure 833677DEST_PATH_IMAGE021
，
其中，
Figure 486376DEST_PATH_IMAGE022
表示所述目标向量，
Figure 590598DEST_PATH_IMAGE023
表示所述标准向量，
Figure 12352DEST_PATH_IMAGE024
表示所述目标向量中的第
Figure 74986DEST_PATH_IMAGE025
个元素，
Figure 949401DEST_PATH_IMAGE026
表示所述标准向量中的第
Figure 388473DEST_PATH_IMAGE027
个元素，
Figure 399154DEST_PATH_IMAGE028
表示所述目标向量和所述标准向量中的元素数量；
所述根据比对结果确定所述待检测的塑料餐盒是否存在缺陷包括：
当所述相似度大于所述预设阈值时，所述待检测的塑料餐盒存在缺陷；
当所述相似度小于或等于所述预设阈值时，所述待检测的塑料餐盒不存在缺陷。
第二方面，本发明提供了一种基于图像处理的塑料餐盒缺陷检测装置，包括：
获取模块，用于获取待检测的塑料餐盒的待测图像；
处理模块，用于对所述待测图像依次进行去噪处理和灰度处理，获得灰度图像；
分割模块，用于根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率；根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵；基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定待测阈值；将所述灰度图像中各个所述像素点的灰度值与所述待测阈值进行对比，根据对比结果对所述灰度图像进行分割，获得目标区域图像；
匹配模块，用于采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，并比对所述相似度与预设阈值；根据比对结果确定所述待检测的塑料餐盒是否存在缺陷。
第三方面，本发明提供了一种基于图像处理的塑料餐盒缺陷检测装置，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如第一方面任一项所述的基于图像处理的塑料餐盒缺陷检测方法。
第四方面，本发明提供了一种基于图像处理的塑料餐盒缺陷检测系统，其特征在于，包括照明装置、检测台、相机、X-Y运动平台、图像采集卡、显示装置和如第三方面所述的基于图像处理的塑料餐盒缺陷检测装置；所述检测台用于放置待检测的塑料餐盒，所述照明装置用于对所述检测台上放置待检测的塑料餐盒的区域进行照明，所述相机安装在所述X-Y运动平台上，且所述相机的镜头正对所述检测台上放置待检测的塑料餐盒的区域，所述相机与所述图像采集卡电连接，所述塑料餐盒缺陷检测装置分别与所述图像采集卡、所述显示装置，所述X-Y运动平台和所述照明装置电连接。
本发明的基于图像处理的塑料餐盒缺陷检测方法、装置及系统的有益效果是：对获取的塑料餐盒的待测图像进行去噪处理和灰度处理，减少图像中的噪声干扰，以提高缺陷检测的准确度，将去噪后的图像转换为灰度图像，减少颜色等干扰，便于后续进行缺陷检测。结合灰度图像中各个像素点的灰度值，确定各个像素点属于背景区域的第一概率和属于目标区域的第二概率，根据第一概率计算背景区域熵，根据第二概率计算目标区域熵，背景区域熵和目标区域熵之和为灰度图像的整体熵，求解最大的整体熵，确定待测阈值。将各个像素点的灰度值与待测阈值进行对比，根据对比结果分割灰度图像，获得目标区域图像，例如灰度值大于或等于待测阈值的像素点为目标区域中的点，灰度值小于待测阈值的像素点为背景区域中的点。图像熵表征图像中的总体特征，待测阈值通过最大化灰度图像的整体熵获得，使得图像分割得到的目标区域图像滤除复杂的背景特征，提高目标区域图像的分割精度，进而提高后续缺陷检测的准确度。采用余弦相似度度量方法确定目标区域图像与塑料餐盒标准图像之间的相似度，塑料餐盒标准图像可为人工检测的符合国家标准的塑料餐盒外观图像，由于塑料餐盒图像中保留了商标、印花和纹理等特征，因此计算余弦相似度时避免了上述特征的干扰，同时由于光照的变化仅会影响矢量的模，不会引起角度方向上的变化，即光照变化不会引起余弦相似度和其它相关系数相似度的误匹配，所以通过计算目标区域图像与塑料餐盒标准图像之间的相似度，通过相似度与预设阈值之间的比对结果进行缺陷检测，降低了缺陷检测过程中商标、印花和纹理等特征，以及光照对检测准确度的影响，提高了缺陷检测准确度。
附图说明
图1为本发明实施例一种基于图像处理的塑料餐盒缺陷检测系统的结构示意图；
图2为本发明实施例的一种基于图像处理的塑料餐盒缺陷检测方法的流程示意图；
图3为本发明另一实施例的一种基于图像处理的塑料餐盒缺陷检测装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
如图1所示，本发明实施例提供的一种基于图像处理的塑料餐盒缺陷检测系统，包括照明装置、检测台、相机、X-Y运动平台、图像采集卡、显示装置和如下所述的基于图像处理的塑料餐盒缺陷检测装置；所述检测台用于放置待检测的塑料餐盒，所述照明装置用于对所述检测台上放置待检测的塑料餐盒的区域进行照明，所述相机安装在所述X-Y运动平台上，且所述相机的镜头正对所述检测台的放置待检测的塑料餐盒的区域，所述相机与所述图像采集卡电连接，所述塑料餐盒缺陷检测装置分别与所述图像采集卡、所述显示装置，所述X-Y运动平台和所述照明装置电连接。
具体地，检测台可采用能够透光的材质制成，或直接采用生产线上的传送带。照明装置可设置在检测台的下方，对待检测的塑料餐盒进行照明，需要说明的是，图1中将照明装置设置在检测台下方仅为众多设置方式中的一种，为了达到更好的拍摄效果和采用不同的检测台（例如传送带），照明装置的位置可根据实际情况进行设置。传送带将待检测的塑料餐盒传送到相机的下方，通过相机拍摄待检测的塑料餐盒的待测图像，可采用CCD（Charge coupled Device，电荷耦合元件）相机，X-Y运动平台可带动相机横向和纵向移动，相机拍摄的待测图像通过图像采集卡传输至缺陷检测装置，通过缺陷检测装置进行图像处理和分析，并将检测结果输出至显示装置进行显示。其中，X-Y运动平台和照明装置可由缺陷检测装置中的处理器控制。
本实施例中，可通过相机实时采集生产过程中的塑料餐盒的图像，对塑料餐盒进行随产随检，检测效率高。然后通过图像处理和分析，识别塑料餐盒中的缺陷，相较于人工目测，能够解决检测准确度受到工人的主观因素以及疲劳度的影响的问题，提高了检测稳定性，降低人工成本。
如图2所示，本发明实施例提供的一种基于图像处理的塑料餐盒缺陷检测方法，包括：
步骤S110，获取待检测的塑料餐盒的待测图像。
具体地，待测图像可包括待检测的塑料餐盒的底面图像和侧面图像。
步骤S120，对所述待测图像依次进行去噪处理和灰度处理，获得灰度图像。
步骤S130，根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率。
具体地，灰度图像中塑料餐盒所在区域为目标区域，除了目标区域以外的区域为背景区域。
步骤S140，根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵；基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定待测阈值。
步骤S150，将所述灰度图像中各个所述像素点的灰度值与所述待测阈值进行对比，根据对比结果对所述灰度图像进行分割，获得目标区域图像。
具体地，如果像素点的灰度值大于或等于待测阈值，则该像素点属于目标区域；如果像素点的像素值小于待测阈值，则该像素点属于背景区域。通过对每个像素点进行处理，分割出目标区域图像。
步骤S160，采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，并比对所述相似度与预设阈值；根据比对结果确定所述待检测的塑料餐盒是否存在缺陷。
本实施例中，对获取的塑料餐盒的待测图像进行去噪处理和灰度处理，减少图像中的噪声干扰，以提高缺陷检测的准确度，将去噪后的图像转换为灰度图像，减少颜色等干扰，便于后续进行缺陷检测。结合灰度图像中各个像素点的灰度值，确定各个像素点属于背景区域的第一概率和属于目标区域的第二概率，根据第一概率计算背景区域熵，根据第二概率计算目标区域熵，背景区域熵和目标区域熵之和为灰度图像的整体熵，求解最大的整体熵，确定待测阈值。将各个像素点的灰度值与待测阈值进行对比，根据对比结果分割灰度图像，获得目标区域图像，例如灰度值大于或等于待测阈值的像素点为目标区域中的点，灰度值小于待测阈值的像素点为背景区域中的点。图像熵表征图像中的总体特征，待测阈值通过最大化灰度图像的整体熵获得，使得图像分割得到的目标区域图像滤除复杂的背景特征，提高目标区域图像的分割精度，进而提高后续缺陷检测的准确度。采用余弦相似度度量方法确定目标区域图像与塑料餐盒标准图像之间的相似度，塑料餐盒标准图像可为人工检测的符合国家标准的塑料餐盒外观图像，由于塑料餐盒图像中保留了商标、印花和纹理等特征，因此计算余弦相似度时避免了上述特征的干扰，同时由于光照的变化仅会影响矢量的模，不会引起角度方向上的变化，即光照变化不会引起余弦相似度和其它相关系数相似度的误匹配，所以通过计算目标区域图像与塑料餐盒标准图像之间的相似度，通过相似度与预设阈值之间的比对结果进行缺陷检测，降低了缺陷检测过程中商标和纹理等特征，以及光照对检测准确度的影响，提高了缺陷检测准确度。
可选地，所述对所述待测图像依次进行去噪处理和灰度处理包括：
采用相邻区域平均去噪算法对所述待测图像进行去噪，获得去噪后的图像。
具体地，在图像采集和传输过程中，通常会受到噪声（如白噪声和脉冲噪声等）的干扰，导致图像模糊，缺少重要细节，会影响缺陷识别的准确性。假设待测图像为
Figure 128295DEST_PATH_IMAGE029
，拥有
Figure 490006DEST_PATH_IMAGE030
个像素，则相邻区域平均去噪算法可采用第一公式表示，第一公式包括：
Figure 201610DEST_PATH_IMAGE031
，
其中，
Figure 597956DEST_PATH_IMAGE032
为去噪后的图像，
Figure 2393DEST_PATH_IMAGE033
，M为相邻区域的像素数量，相邻区域指想要进行去噪的区域范围，例如若拍摄的图像中不仅包括了待检测的塑料餐盒，还包括传送带，则相邻区域可为待检测的塑料餐盒区域，m表示所述相邻区域中的任一像素点，
Figure 585821DEST_PATH_IMAGE034
为图像中目标相邻区域任一像素点的像素坐标。
对所述待测图像和所述去噪后的图像进行相减运算，并将运算结果与预设的特征阈值进行对比，根据对比结果生成特征增强图像。
具体地，对图像进行去噪容易导致图像丢失部分信息，造成图像边缘和部分细节模糊。为了解决该问题，可通过阈值法进行特征增强，可预先采用初始阈值为特征阈值与运算结果进行对比，生成初始特征增强图像，以初始特征增强图像进行后续步骤，确定待测阈值后，可采用待测阈值为特征阈值返回与运算结果对比，根据对比结果采用第二公式生成特征增强图像，然后以特征增强图像进行后续步骤，所述第二公式包括：
Figure 101116DEST_PATH_IMAGE035
，
其中，
Figure 351968DEST_PATH_IMAGE036
表示特征增强图像，Ｔ表示所述待测阈值，其为一个非负的阈值。第二公式表示将待测图像中的各个像素点的像素值分别与去噪后的图像中的对应像素点的像素值相减，其差值的绝对值与待测阈值相比，若绝对值大于待测阈值，则采用去噪后的图像中的该像素点作为特征增强图像中的像素点；若绝对值小于或等于待测阈值，则采用原始的待测图像中的该像素点作为特征增强图像中的像素点，依次对各个像素点进行处理，生成特征增强图像。能够对图像边缘等特征进行增强，提高图像的清晰度，避免去噪使得图像损失过多信息，影响缺陷检测效果。
对所述特征增强图像进行灰度处理，获得所述灰度图像。
本可选的实施例中，通过相邻区域平均去噪算法对待测图像进行去噪处理，能够有效去除待测图像中的噪声，提高图像质量。同时，为了避免去噪过程中造成重要图像信息丢失，采用阈值法将待测图像与去噪后的图像相减，再与待测阈值进行对比，基于对比结果，根据待测图像和去噪后的图像生成特征增强图像，能够对去噪后的图像中的重要特征进行增强，有效提高图像质量，进而提高缺陷检测准确性。然后将特征增强图像转换为灰度图像，便于后续进行缺陷检测。采用待测阈值进行特征增强，待测阈值为后续划分目标区域和背景区域的阈值，能够增强特征图像中的目标区域边缘和图像边缘等重要特征，提高增强特征图像的质量，保留后续进行特征检测的重要信息。
可选地，图像的熵值Ｈ可采用第三公式表示，第三公式包括：
Figure 927306DEST_PATH_IMAGE037
，
其中，
Figure 263610DEST_PATH_IMAGE038
表示灰度值为
Figure 582596DEST_PATH_IMAGE039
的像素点在图像中出现的概率，可采用第四公式确定，第四公式包括：
Figure 422376DEST_PATH_IMAGE040
，
其中，
Figure 168615DEST_PATH_IMAGE041
表示图像中灰度值为
Figure 726635DEST_PATH_IMAGE039
的像素点数量，
Figure 849312DEST_PATH_IMAGE042
表示图像中的像素总量。
所述根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率，包括：
根据所述灰度图像中各个所述像素点的灰度值，采用第五公式确定所述第一概率，所述第五公式包括：
Figure 809178DEST_PATH_IMAGE001
，
其中，
Figure 726318DEST_PATH_IMAGE002
表示所述灰度图像中任一所述像素点属于背景区域的所述第一概率，
Figure 771634DEST_PATH_IMAGE003
表示所述待测阈值，
Figure 432423DEST_PATH_IMAGE043
表示灰度值为
Figure 748260DEST_PATH_IMAGE005
的像素点在所述灰度图像中出现的概率，
Figure 101881DEST_PATH_IMAGE006
表示所述灰度图像中灰度值为
Figure 634493DEST_PATH_IMAGE005
的像素点数量，
Figure 833394DEST_PATH_IMAGE007
表示所述灰度图像中的像素总量；
采用第六公式确定所述第二概率，所述第六公式包括：
Figure 502272DEST_PATH_IMAGE044
,
其中，
Figure 26795DEST_PATH_IMAGE009
表示所述灰度图像中任一所述像素点属于目标区域的所述第二概率，
Figure 781124DEST_PATH_IMAGE010
表示所述灰度图像的灰度级数。
可选地，根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵，包括：
根据所述第一概率采用第七公式计算所述背景区域熵，所述第七公式包括：
Figure 49294DEST_PATH_IMAGE045
，
其中，
Figure 838259DEST_PATH_IMAGE012
表示所述背景区域熵；
根据所述第二概率采用第八公式计算所述目标区域熵，所述第八公式包括：
Figure 268103DEST_PATH_IMAGE046
，
其中，
Figure 509728DEST_PATH_IMAGE014
表示所述目标区域熵。
可选地，所述基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定所述待测阈值，包括：
将所述背景区域熵和所述目标区域熵相加，获得所述灰度图像的图像熵，所述图像熵采用第九公式表示，所述第九公式包括：
Figure 316010DEST_PATH_IMAGE015
，
其中，
Figure 959481DEST_PATH_IMAGE016
表示所述灰度图像的所述图像熵，
Figure 825806DEST_PATH_IMAGE017
表示所述背景区域熵，
Figure 554728DEST_PATH_IMAGE018
表示所述目标区域熵；
基于最大熵原理，采用第十公式确定所述图像熵最大时的所述待测阈值，所述第十公式包括：
Figure 899122DEST_PATH_IMAGE047
，
其中，
Figure 662678DEST_PATH_IMAGE048
表示所述待测阈值。
本可选的实施例中，在图像处理过程中，我们仅对塑料餐盒所在的目标区域感兴趣，对目标区域和背景区域进行分离和提取，能够提高缺陷检测的准确性。图像熵表征了图像的总体特征，塑料餐盒上特征比较单一，而塑料餐盒的背景中可能包括传送带和生产线等复杂特征，通过计算最大图像熵确定待测阈值，使用该待测阈值与各个像素点的灰度值进行对比，以区分目标区域和背景区域，该待测阈值能够使得分割得到的目标区域图像滤除复杂的背景，提高目标区域分割的准确度，进而提高缺陷检测的准确度。
可选地，所述采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，包括：
将所述目标区域图像转换为向量表示形式，获得目标向量；将所述塑料餐盒标准图像转换为向量表示形式，获得标准向量；
基于余弦相似度度量方法，根据所述目标向量和所述标准向量采用第十一公式计算所述目标区域图像与所述塑料餐盒标准图像之间的相似度，所述第十一公式包括：
Figure 434325DEST_PATH_IMAGE049
，
其中，
Figure 916122DEST_PATH_IMAGE022
表示所述目标向量，
Figure 565671DEST_PATH_IMAGE023
表示所述标准向量，
Figure 183735DEST_PATH_IMAGE024
表示所述目标向量中的第
Figure 126283DEST_PATH_IMAGE025
个元素，
Figure 564217DEST_PATH_IMAGE026
表示所述标准向量中的第
Figure 515993DEST_PATH_IMAGE027
个元素，
Figure 988563DEST_PATH_IMAGE028
表示所述目标向量和所述标准向量中的元素数量。
具体地，塑料餐盒生产线熵获取的塑料餐盒图像环境背景单一，物体之间的相似性是物体本身多维特征之间的目标函数关系。塑料餐盒标准图像采用经人工检查符合国家标准对塑料餐盒外观要求的图像，将目标区域图像和塑料餐盒标准图像转换为向量表示形式，转换过程为现有技术，在此不再赘述。
可选地，所述根据比对结果确定所述待检测的塑料餐盒是否存在缺陷包括：
当所述相似度大于所述预设阈值时，所述待检测的塑料餐盒存在缺陷；
当所述相似度小于或等于所述预设阈值时，所述待检测的塑料餐盒不存在缺陷。
本可选的实施例中，相较于现有技术采用机器学习方法需要大量的样本数据进行训练，本发明中计算目标区域图像与塑料餐盒标准图像之间的相似度，根据相似度与预设阈值之间地对比结果来判断塑料餐盒是否存在缺陷，省去了模型训练过程，简单便捷。同时，余弦相似度度量方法是利用空间向量的角度来反映特征在方向上的差异，通常光照的变化只会影响矢量的模，而不会引起角度方向上的变化，即光照的变化不会引起相关系数相似度和余弦相似度的误匹配，且在塑料餐盒表面缺陷检测中，检测对象的维度差异较小，因此，本发明中通过计算两个图像之间的相似度，进行缺陷检测，能够降低光线干扰，提高缺陷检测精度。同时，可保留塑料餐盒标准图像中的商标和纹理等，计算目标区域图像和塑料餐盒标准图像之间的相似度时，避免商标和纹理等特征的影响，并且通过设置合理的预设阈值能滤除细微的差异，提高最终缺陷检测的准确度。
可选地，所述根据比对结果确定所述待检测的塑料餐盒是否存在缺陷之后，还包括：
当所述待检测的塑料餐盒存在缺陷时，确定所述待测图像中的缺陷区域和所述目标区域图像的最小外接矩形的尺寸；
根据所述缺陷区域和所述最小外接矩形的尺寸确定所述缺陷区域在所述待测图像中的填充度；对所述目标区域图像进行边界检测，确定所述目标区域图像中的商标所在区域；
判断所述最小外接矩形的尺寸是否在预设阈值范围内，且判断所述填充度是否小于或等于预设的填充度阈值，且将所述目标区域图像与所述塑料餐盒标准图像进行匹配，判断所述商标所在区域是否包含于所述塑料餐盒标准图像上预设的检测框内；
根据判断结果对所述缺陷进行分类，确定所述缺陷的类型。
具体地，可通过目标区域图像与塑料标准图像的匹配结果确定缺陷在目标区域图像中的位置，具体应用时，若显示存在缺陷，可直接调用缺陷显示指令确定缺陷在目标区域图像中的位置，例如在OpenCV直接调用缺陷显示指令。可采用Canny算子和梯度算子等边缘检测算子提取目标区域图像中的线条等特征，通常商标在塑料餐盒上的位置固定，仅会出现轻微偏移，因此可确定指定区域的线条集合为商标，例如若商标印在餐盒的左上角，则确定左上角的线条集合为商标。
目标区域图像的最小外接矩形的尺寸包括长度和宽度。
长度（L）：即目标区域图像的最小外接矩形的长度值。设
Figure 367591DEST_PATH_IMAGE050
为标准长度，
Figure 558401DEST_PATH_IMAGE051
为长度上限，
Figure 48288DEST_PATH_IMAGE052
为长度下限。若满足
Figure 375364DEST_PATH_IMAGE053
，则认定待检测的塑料餐盒的长度合格，否则，认定待检测的塑料餐盒长度不符合标准。
宽度（W）：即塑料餐盒图像的最小外界矩形的宽度值。设
Figure 925295DEST_PATH_IMAGE054
为标准宽度，
Figure 337821DEST_PATH_IMAGE055
为宽度上限，
Figure 631399DEST_PATH_IMAGE056
为宽度下限。若满足
Figure 812982DEST_PATH_IMAGE057
，则认定为待检测的塑料餐盒的宽度合格，否则，认定待检测的塑料餐盒宽度不符合标准。
填充度（θ）：即内部区域中通过图像处理分割与识别出来的缺陷像素与内部目标区域最小外接矩形的比值。设
Figure 799393DEST_PATH_IMAGE058
为最小填充度，若满足
Figure 699215DEST_PATH_IMAGE059
，则认为缺陷部位的面积未超出阈值，判定为合格品；否则，判定不合格。
检测框（S）：即检测塑料餐盒上具有凹凸特性的商标LOGO时所用检测框，检测框在塑料餐盒标准图像上的位置固定。S与标准商标LOGO目标区域（O）的位置关系分为内含、相交和相离三种。若满足
Figure 530905DEST_PATH_IMAGE060
，则认定商标位置合格，否则，认定商标位置不合格。
通过判断确定待检测的塑料餐盒上缺陷的种类，缺陷种类判定表如表1所示。
表1 缺陷种类判定表
Figure 832574DEST_PATH_IMAGE062
如图3所示，本发明另一实施例提供地一种基于图像处理的塑料餐盒缺陷检测装置，包括：
获取模块，用于获取待检测的塑料餐盒的待测图像；
处理模块，用于对所述待测图像依次进行去噪处理和灰度处理，获得灰度图像；
分割模块，用于根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率；根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵；基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定待测阈值；将所述灰度图像中各个所述像素点的灰度值与所述待测阈值进行对比，根据对比结果对所述灰度图像进行分割，获得目标区域图像；
匹配模块，用于采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，并比对所述相似度与预设阈值；根据比对结果确定所述待检测的塑料餐盒是否存在缺陷。
本发明又一实施例提供的一种基于图像处理的塑料餐盒缺陷检测装置，包括存储器和处理器，所述存储器，用于存储计算机程序；所述处理器用于当执行所述计算机程序时，实现如上所述的基于图像处理的塑料餐盒缺陷检测方法。该装置为电子设备。
本发明又一实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于图像处理的塑料餐盒缺陷检测方法。
现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
电子设备包括计算单元，其可以根据存储在只读存储器（ROM）中的计算机程序或者从存储单元加载到随机访问存储器（RAM）中的计算机程序，来执行各种适当的动作和处理。在RAM中，还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (8)

1.一种基于图像处理的塑料餐盒缺陷检测方法，其特征在于，包括：
获取待检测的塑料餐盒的待测图像；
对所述待测图像依次进行去噪处理和灰度处理，获得灰度图像；
根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率；
根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵；基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定待测阈值；
将所述灰度图像中各个所述像素点的灰度值与所述待测阈值进行对比，根据对比结果对所述灰度图像进行分割，获得目标区域图像；
采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，并比对所述相似度与预设阈值；
根据比对结果确定所述待检测的塑料餐盒是否存在缺陷；
所述根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率，包括：
根据所述灰度图像中各个所述像素点的灰度值，采用第五公式确定所述第一概率，所述第五公式包括：
Figure DEST_PATH_IMAGE001
，
其中，
Figure 585778DEST_PATH_IMAGE002
表示所述灰度图像中任一所述像素点属于背景区域的所述第一概率，
Figure DEST_PATH_IMAGE003
表示所述待测阈值，
Figure 635774DEST_PATH_IMAGE004
表示灰度值为
Figure DEST_PATH_IMAGE005
的像素点在所述灰度图像中出现的概率，
Figure 705361DEST_PATH_IMAGE006
表示所述灰度图像中灰度值为
Figure 231020DEST_PATH_IMAGE005
的像素点数量，
Figure DEST_PATH_IMAGE007
表示所述灰度图像中的像素总量；
采用第六公式确定所述第二概率，所述第六公式包括：
Figure 965627DEST_PATH_IMAGE008
,
其中，
Figure DEST_PATH_IMAGE009
表示所述灰度图像中任一所述像素点属于目标区域的所述第二概率，
Figure 994763DEST_PATH_IMAGE010
表示所述灰度图像的灰度级数；
所述根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵，包括：
根据所述第一概率采用第七公式计算所述背景区域熵，所述第七公式包括：
Figure DEST_PATH_IMAGE011
，
其中，
Figure 172934DEST_PATH_IMAGE012
表示所述背景区域熵；
根据所述第二概率采用第八公式计算所述目标区域熵，所述第八公式包括：
Figure DEST_PATH_IMAGE013
，
其中，
Figure 389152DEST_PATH_IMAGE014
表示所述目标区域熵。
2.根据权利要求1所述的基于图像处理的塑料餐盒缺陷检测方法，其特征在于，所述根据比对结果确定所述待检测的塑料餐盒是否存在缺陷之后，还包括：
当所述待检测的塑料餐盒存在缺陷时，确定所述待测图像中的缺陷区域和所述目标区域图像的最小外接矩形的尺寸；
根据所述缺陷区域和所述最小外接矩形的尺寸确定所述缺陷区域在所述待测图像中的填充度；对所述目标区域图像进行边界检测，确定所述目标区域图像中的商标所在区域；
判断所述最小外接矩形的尺寸是否在预设阈值范围内，且判断所述填充度是否小于或等于预设的填充度阈值，且将所述目标区域图像与所述塑料餐盒标准图像进行匹配，判断所述商标所在区域是否包含于所述塑料餐盒标准图像上预设的检测框内；
根据判断结果对所述缺陷进行分类，确定所述缺陷的类型。
3.根据权利要求1所述的基于图像处理的塑料餐盒缺陷检测方法，其特征在于，所述对所述待测图像依次进行去噪处理和灰度处理包括：
采用相邻区域平均去噪算法对所述待测图像进行去噪，获得去噪后的图像；
对所述待测图像和所述去噪后的图像进行相减运算，并将运算结果与预设的特征阈值进行对比，根据对比结果生成特征增强图像；
对所述特征增强图像进行灰度处理，获得所述灰度图像。
4.根据权利要求1所述的基于图像处理的塑料餐盒缺陷检测方法，其特征在于，所述基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定所述待测阈值，包括：
将所述背景区域熵和所述目标区域熵相加，获得所述灰度图像的图像熵，所述图像熵采用第九公式表示，所述第九公式包括：
Figure DEST_PATH_IMAGE015
，
其中，
Figure 927450DEST_PATH_IMAGE016
表示所述灰度图像的所述图像熵，
Figure DEST_PATH_IMAGE017
表示所述背景区域熵，
Figure 483196DEST_PATH_IMAGE014
表示所述目标区域熵；
基于最大熵原理，采用第十公式确定所述图像熵最大时的所述待测阈值，所述第十公式包括：
Figure 160165DEST_PATH_IMAGE018
，
其中，
Figure DEST_PATH_IMAGE019
表示所述待测阈值。
5.根据权利要求4所述的基于图像处理的塑料餐盒缺陷检测方法，其特征在于，所述采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，包括：
将所述目标区域图像转换为向量表示形式，获得目标向量；将所述塑料餐盒标准图像转换为向量表示形式，获得标准向量；
基于余弦相似度度量方法，根据所述目标向量和所述标准向量采用第十一公式计算所述目标区域图像与所述塑料餐盒标准图像之间的相似度，所述第十一公式包括：
Figure 129258DEST_PATH_IMAGE020
，
其中，
Figure DEST_PATH_IMAGE021
表示所述目标向量，
Figure 205667DEST_PATH_IMAGE022
表示所述标准向量，
Figure DEST_PATH_IMAGE023
表示所述目标向量中的第
Figure 209395DEST_PATH_IMAGE024
个元素，
Figure DEST_PATH_IMAGE025
表示所述标准向量中的第
Figure 729370DEST_PATH_IMAGE024
个元素，
Figure 451338DEST_PATH_IMAGE026
表示所述目标向量和所述标准向量中的元素数量；
所述根据比对结果确定所述待检测的塑料餐盒是否存在缺陷包括：
当所述相似度大于所述预设阈值时，所述待检测的塑料餐盒存在缺陷；
当所述相似度小于或等于所述预设阈值时，所述待检测的塑料餐盒不存在缺陷。
6.一种基于图像处理的塑料餐盒缺陷检测装置，其特征在于，包括：
获取模块，用于获取待检测的塑料餐盒的待测图像；
处理模块，用于对所述待测图像依次进行去噪处理和灰度处理，获得灰度图像；
分割模块，用于根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率；根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵；基于最大熵原理，根据所述背景区域熵和所述目标区域熵确定待测阈值；将所述灰度图像中各个所述像素点的灰度值与所述待测阈值进行对比，根据对比结果对所述灰度图像进行分割，获得目标区域图像；
匹配模块，用于采用余弦相似度度量方法，确定所述目标区域图像与塑料餐盒标准图像之间的相似度，并比对所述相似度与预设阈值；根据比对结果确定所述待检测的塑料餐盒是否存在缺陷；
所述根据所述灰度图像中各个像素点的灰度值，确定所述灰度图像中任一所述像素点属于背景区域的第一概率，和属于目标区域的第二概率，包括：
根据所述灰度图像中各个所述像素点的灰度值，采用第五公式确定所述第一概率，所述第五公式包括：
Figure 675646DEST_PATH_IMAGE001
，
其中，
Figure 924093DEST_PATH_IMAGE002
表示所述灰度图像中任一所述像素点属于背景区域的所述第一概率，
Figure 614969DEST_PATH_IMAGE003
表示所述待测阈值，
Figure 761916DEST_PATH_IMAGE004
表示灰度值为
Figure 789915DEST_PATH_IMAGE005
的像素点在所述灰度图像中出现的概率，
Figure 768236DEST_PATH_IMAGE006
表示所述灰度图像中灰度值为
Figure 692329DEST_PATH_IMAGE005
的像素点数量，
Figure 513524DEST_PATH_IMAGE007
表示所述灰度图像中的像素总量；
采用第六公式确定所述第二概率，所述第六公式包括：
Figure DEST_PATH_IMAGE027
,
其中，
Figure 345213DEST_PATH_IMAGE009
表示所述灰度图像中任一所述像素点属于目标区域的所述第二概率，
Figure 318986DEST_PATH_IMAGE010
表示所述灰度图像的灰度级数；
所述根据所述第一概率计算背景区域熵，根据所述第二概率计算目标区域熵，包括：
根据所述第一概率采用第七公式计算所述背景区域熵，所述第七公式包括：
Figure 413981DEST_PATH_IMAGE028
，
其中，
Figure 597837DEST_PATH_IMAGE012
表示所述背景区域熵；
根据所述第二概率采用第八公式计算所述目标区域熵，所述第八公式包括：
Figure DEST_PATH_IMAGE029
，
其中，
Figure 357852DEST_PATH_IMAGE014
表示所述目标区域熵。
7.一种基于图像处理的塑料餐盒缺陷检测装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1至5任一项所述的基于图像处理的塑料餐盒缺陷检测方法。
8.一种基于图像处理的塑料餐盒缺陷检测系统，其特征在于，包括照明装置、检测台、相机、X-Y运动平台、图像采集卡、显示装置和如权利要求7所述的基于图像处理的塑料餐盒缺陷检测装置；
所述检测台用于放置待检测的塑料餐盒，所述照明装置用于对所述检测台上放置待检测的塑料餐盒的区域进行照明，所述相机安装在所述X-Y运动平台上，且所述相机的镜头正对所述检测台上放置待检测的塑料餐盒的区域，所述相机与所述图像采集卡电连接，所述塑料餐盒缺陷检测装置分别与所述图像采集卡、所述显示装置，所述X-Y运动平台和所述照明装置电连接。
CN202111558102.1A 2021-12-20 2021-12-20 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 Active CN113947598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111558102.1A CN113947598B (zh) 2021-12-20 2021-12-20 基于图像处理的塑料餐盒缺陷检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111558102.1A CN113947598B (zh) 2021-12-20 2021-12-20 基于图像处理的塑料餐盒缺陷检测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113947598A CN113947598A (zh) 2022-01-18
CN113947598B true CN113947598B (zh) 2022-05-31

Family

ID=79339244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111558102.1A Active CN113947598B (zh) 2021-12-20 2021-12-20 基于图像处理的塑料餐盒缺陷检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113947598B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197147B (zh) * 2023-11-08 2024-03-05 南通鑫鑫医药药材有限公司 一种用于胶囊型中药制剂生产的检测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107564002A (zh) * 2017-09-14 2018-01-09 广东工业大学 塑料管表面缺陷检测方法、系统及计算机可读存储介质
US11074479B2 (en) * 2019-03-28 2021-07-27 International Business Machines Corporation Learning of detection model using loss function
CN112508090A (zh) * 2020-12-04 2021-03-16 重庆大学 一种外包装缺陷检测方法

Also Published As

Publication number Publication date
CN113947598A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN110826416B (zh) 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN111833306B (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN108355981B (zh) 一种基于机器视觉的电池连接器质量检测方法
CN107678192B (zh) 一种基于机器视觉的Mura缺陷检测方法
CN109580630B (zh) 一种机械零部件缺陷的视觉检测方法
CN103792699A (zh) 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN107490582B (zh) 一种流水线工件检测系统
CN112233116B (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN113298769B (zh) Fpc软排线外观缺陷检测方法、系统和介质
CN114332026A (zh) 一种铭牌表面划痕缺陷的视觉检测方法及装置
Uluişik et al. Image processing based machine vision system for tomato volume estimation
CN108460344A (zh) 屏幕中的动态区域智能识别系统及智能识别方法
CN114998314B (zh) 一种基于计算机视觉的pcb电路板缺陷检测方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN113947598B (zh) 基于图像处理的塑料餐盒缺陷检测方法、装置及系统
CN114235837A (zh) 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备
CN112102253A (zh) 基于机器视觉的无纺布表面缺陷自动化检测方法及系统
CN117152165B (zh) 感光芯片缺陷的检测方法、装置、存储介质及电子设备
CN111563869B (zh) 用于摄像模组质检的污点测试方法
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
CN109934817A (zh) 一种果体外部轮廓畸形检测方法
CN113610185B (zh) 基于主色调识别的木材色选方法
CN113487538B (zh) 一种多目标分割缺陷检测方法、装置及其计算机存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 315221 No. 766, Dongsheng Road, Jiaochuan street, Zhenhai District, Ningbo City, Zhejiang Province (one photo multiple address)

Applicant after: Ningbo changya New Material Technology Co.,Ltd.

Address before: 315221 No. 766, Dongsheng Road, Jiaochuan street, Zhenhai District, Ningbo City, Zhejiang Province

Applicant before: Changya New Materials Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant