CN114266764A - 一种印刷标签的字符完整性检测方法及其装置 - Google Patents
一种印刷标签的字符完整性检测方法及其装置 Download PDFInfo
- Publication number
- CN114266764A CN114266764A CN202111648468.8A CN202111648468A CN114266764A CN 114266764 A CN114266764 A CN 114266764A CN 202111648468 A CN202111648468 A CN 202111648468A CN 114266764 A CN114266764 A CN 114266764A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- label
- images
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种印刷标签的字符完整性检测方法及其装置,该字符完整性检测方法包括:采集样本图像,其中,样本图像中包含有字符完整的样本印刷标签图像;根据样本图像,生成N张样本训练图像;根据N张样本训练图像,生成亮阈值图像和暗阈值图像;采集包含有待检印刷标签图像的待检图像;根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域。实现自动检测,无需人工检测,减少了人工成本,提高了检测的准确性。无需采集大量的样本图像,减少了采集样本图像的工作量,同时也就减少了由于多张样本图像存在差异而影响最终训练得到的样板模型的精度。能够提高检测的准确性。
Description
技术领域
本发明涉及印刷标签技术领域,尤其涉及一种印刷标签的字符完整性检测方法及其装置。
背景技术
随着社会的发展,标签被广泛的用于各种工业产品中,用来标示产品的品牌、型号、参数及注意事项等关键信息。尤其在医疗、食品、军工、家电等产业,标签具有标记产品关键信息的作用,从而成为了企业跟踪产品、质量监控以及生产管理的有效载体,同时标签也是个人对产品质量进行核对的有效工具。
电源适配器标签上的字符内容主要是由印刷机印刷而成的,故又可称为印刷标签。在现代快速印刷环境下,标签在印刷生产过程中会受到生产工艺、环境、设备等众多不确定因素的影响,生产出来的标签会存在各种类型的缺陷,例如标签破损、印刷不良包括字符多印、少印、划痕、污渍等。这些生产出来的不合格标签如果未经检测就跟随着产品流入市场,势必会给产品生产厂家带来严重的损失,甚至会造成厂家名誉损失,也会给消费者购买产品带来不必要的麻烦。故而,现代印刷工业对标签印刷质量要求也日益严格,印刷品的缺陷检测环节至关重要。因此,在印刷标签在跟随产品流入市场之前,厂家需要对这些印刷标签的字符完整性进行严格的质量检测,以保证消费者能很好地通过标签准确地获取产品的重要信息。现有技术通常采用人工逐个检测印刷标签的方式,但是,需要消耗大量的人力,同时也由于检测人员走神、幻觉等,容易出现漏检、误检等。
发明内容
本发明提供了一种印刷标签的字符完整性检测方法及其装置,以通过自动检测技术代替人工检测,减少人工成本,同时提高检测的准确性。
第一方面,本发明提供了一种印刷标签的字符完整性检测方法,该字符完整性检测方法包括:采集样本图像,其中,样本图像中包含有字符完整的样本印刷标签图像;根据样本图像,生成N张样本训练图像;根据N张样本训练图像,生成亮阈值图像和暗阈值图像;采集包含有待检印刷标签图像的待检图像;根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域。
在上述的方案中,通过采集一张样本图像,对该张样本图像进行处理,生成N张样本训练图像,之后根据N张样本训练图像,生成亮阈值图像和暗阈值图像。在后续检测时,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,即可实现自动检测,从而无需人工检测,减少了人工成本,同时也防止出现检测人员走神、幻觉等造成的漏检、误检等现象,提高了检测的准确性。且本方案只需要采集一张样本图像包含有字符完整的样本印刷标签的样本图像作为训练数据集即可,无需采集大量的样本图像,从而也就减少了采集样本图像的工作量,同时也就减少了由于多张样本图像存在差异而影响训练模型的精度。且本申请将亮阈值图像和暗阈值图像作为差异模型,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,能够提高检测的准确性。
在一个具体的实施方式中,根据样本图像,生成N张样本训练图像包括:对样本图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像;其中,N张预处理后图像中像素点坐标(x,y)的像素值分别为f1(x,y)、f2(x,y)、f3(x,y)、...、fN(x,y);将每张预处理后图像作为一张样本训练图像,组成N张样本训练图像。直接对样本图像进行图像处理操作,便于操作。
在一个具体的实施方式中,根据样本图像,生成N张样本训练图像包括:从样本图像中裁剪出样本印刷标签图像;对样本印刷标签图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像;其中,N张预处理后图像中像素点坐标(x,y)的像素值分别为f1(x,y)、f2(x,y)、f3(x,y)、...、fN(x,y);将每张预处理后图像作为一张样本训练图像,组成N张样本训练图像。通过先裁剪出样本印刷标签图像,再对样本标签图像进行图像处理操作,从而后期无需对样本图像中的非样本印刷标签图像区域的背景区域进行计算处理,减少计算量,同时也就减少了背景区域所引起的噪声干扰。
在一个具体的实施方式中,N组图像处理操作中的每组图像处理操作包括高斯平滑操作、灰度腐蚀操作、灰度膨胀操作中的任意几种操作,以获得不同的预处理后图像。
在一个具体的实施方式中,根据N张样本训练图像,生成亮阈值图像和暗阈值图像包括:按照如下公式,计算N张样本训练图像中每个像素点坐标的像素值的平均值,得到均值图像:
其中,F(x,y)表示均值图像中像素点坐标(x,y)的像素值;
根据均值图像、和N张样本训练图像,按照如下公式,计算N张样本训练图像中每个像素点坐标的像素值的标准差,得到如下的标准差图像:
其中,V(x,y)表示标准差图像中像素点坐标(x,y)的像素值;
根据均值图像和标准差图像,生成亮阈值图像和暗阈值图像,以简化训练算法,提高训练速度,便于得到差异模型,便于应用。
在一个具体的实施方式中,根据均值图像和标准差图像,生成亮阈值图像和暗阈值图像包括:预设绝对阈值AbsThreshold=[au,al]、和相对阈值VarThreshold=[bu,bl];其中,au表示上限绝对阈值,al表示下限绝对阈值,bu表示上限相对阈值,bl表示下限相对阈值;根据均值图像、标准差图像、绝对阈值AbsThreshold和相对阈值VarThreshold,按照如下公式,生成亮阈值图像和暗阈值图像:
Tu(x,y)=F(x,y)+max{au,buV(x,y)}
Tl(x,y)=F(x,y)-max{al,blV(x,y)}
其中,Tu(x,y)表示亮阈值图像中像素点坐标(x,y)的像素值;Tl(x,y)表示暗阈值图像中像素点坐标(x,y)的像素值。使理想的差异模型适应正常的的允许误差范围,从而使通过训练得到的差异模型具有一定的冗余性,针对那些印刷标签质量一致性不好的场景,也能够很好的检测出缺陷,使最终得到的差异模型具有鲁棒性好、精度高、识别准确率高的优点。
在一个具体的实施方式中,在对样本图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像时,在检测待检印刷标签图像中是否存在字符缺损区域之前,该字符完整性检测方法还包括:根据样本图像,对待检图像进行图像配准处理,得到配准对齐图像;其中,待检印刷标签图像在配准对齐图像中的位置,与样本印刷标签图像在样本图像中的位置对齐。便于后续准确的检测出待检印刷标签图像中的字符缺陷区域。
在一个具体的实施方式中,在对样本印刷标签图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像时,在检测待检印刷标签图像中是否存在字符缺损区域之前,该字符完整性检测方法还包括:从待检图像中裁剪出待检印刷标签图像;根据样本印刷标签图像,对待检印刷标签图像进行图像配准处理,得到配准对齐图像;其中,配准对齐图像和样本印刷标签图像对齐。便于后续准确的检测出待检印刷标签图像中的字符缺陷区域。
在一个具体的实施方式中,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域包括:
逐渐比对配准对齐图像中每个像素点坐标的像素值,是否满足如下条件:
c(x,y)>Tu(x,y)Vc(x,y)<Tl(x,y)
其中,c(x,y)表示配准对齐图像中像素点坐标(x,y)的像素值;
如果不满足,则确认该像素点为非差异像素点;否则,确认为差异像素点,直到识别出配准对齐图像中的所有差异像素点和非差异像素点;
判断配准对齐图像中是否存在差异像素点;
如果不存在,则确认待检印刷标签图像不存在字符缺损区域;
如果存在,则对配准对齐图像中的所有差异像素点进行连通域处理,得到至少一个差异区域;
判断每个差异区域的面积是否大于预设面积阈值;
如果不大于,则判定该差异区域为非字符缺损区域;
如果大于,则判定该差异区域为字符缺损区域,排除个别噪声点的干扰,准确的检测出待检印刷标签图像中的字符缺陷区域。
第二方面,本发明还提供了一种印刷标签的字符完整性检测装置,该字符完整性检测装置包括:样本采集模块、样本训练图像生成模块、差异模型生成模块、待检图像采用模块、字符缺损区域检测模块。其中,样本采集模块用于采集样本图像;其中,样本图像中包含有字符完整的样本印刷标签图像。样本训练图像生成模块用于根据样本图像,生成N张样本训练图像。差异模型生成模块用于根据N张样本训练图像,生成亮阈值图像和暗阈值图像。待检图像采用模块用于采集包含有待检印刷标签图像的待检图像。字符缺损区域检测模块用于根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域。
在上述的方案中,通过采集一张样本图像,对该张样本图像进行处理,生成N张样本训练图像,之后根据N张样本训练图像,生成亮阈值图像和暗阈值图像。在后续检测时,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,即可实现自动检测,从而无需人工检测,减少了人工成本,同时也防止出现检测人员走神、幻觉等造成的漏检、误检等现象,提高了检测的准确性。且本方案只需要采集一张样本图像包含有字符完整的样本印刷标签的样本图像作为训练数据集即可,无需采集大量的样本图像,从而也就减少了采集样本图像的工作量,同时也就减少了由于多张样本图像存在差异而影响训练模型的精度。且本申请将亮阈值图像和暗阈值图像作为差异模型,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,能够提高检测的准确性。
附图说明
图1为本发明实施例提供的一种印刷标签的字符完整性检测方法的流程图;
图2为本发明实施例提供的另一种印刷标签的字符完整性检测方法;
图3为本发明实施例提供的一种均值图像的示意图;
图4为本发明使例提供的一种标准差图像的示意图;
图5为本发明实施例提供的一种亮阈值图像的示意图;
图6为本发明实施例提供的一种暗阈值图像的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
为了方便理解本发明实施例提供的印刷标签的字符完整性检测方法,下面首先说明一下本发明实施例提供的字符完整性检测方法的应用场景,该字符完整性检测方法应用于印刷标签的检测过程中,以检测待检印刷标签上是否存在字符缺损区域。其中,该印刷标签具体可以为粘贴手机、电脑、电源适配器等壳体表面的印刷标签。下面结合附图对该印刷标签的字符完整性检测方法进行详细的叙述。
参考图1,本发明实施例提供的印刷标签的字符完整性检测方法包括:
S10:采集样本图像,其中,样本图像中包含有字符完整的样本印刷标签图像;
S20:根据样本图像,生成N张样本训练图像;
S30:根据N张样本训练图像,生成亮阈值图像和暗阈值图像;
S40:采集包含有待检印刷标签图像的待检图像;
S50:根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域。
在上述的方案中,通过采集一张样本图像,对该张样本图像进行处理,生成N张样本训练图像,之后根据N张样本训练图像,生成亮阈值图像和暗阈值图像。在后续检测时,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,即可实现自动检测,从而无需人工检测,减少了人工成本,同时也防止出现检测人员走神、幻觉等造成的漏检、误检等现象,提高了检测的准确性。且本方案只需要采集一张样本图像包含有字符完整的样本印刷标签的样本图像作为训练数据集即可,无需采集大量的样本图像,从而也就减少了采集样本图像的工作量,同时也就减少了由于多张样本图像存在差异而影响训练模型的精度。且本申请将亮阈值图像和暗阈值图像作为差异模型,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,能够提高检测的准确性。下面结合附图对上述每一步骤进行详细的介绍。
首先,参考图1及图2,采集样本图像,其中,样本图像中包含有字符完整的样本印刷标签图像。在采集时,如图2所示,可以先使用诸如但不限于工业相机等的摄像装置,采集多张良品图像,每张良品图像中的印刷标签图像均是字符完整的。之后,从多张良品图像中选择一张印刷标签图像比较好的良品图像作为样本图像,该样本图像上的印刷标签图像作为样本印刷标签图像。即使用单张样本图像即可完成后续训练过程,得到差异模型。
接下来,参考图1及图2,根据样本图像,生成N张样本训练图像。即对样本图像作为基础,对样本图像进行各种图像处理操作,得到N张不同的样本训练图像。其中N的值可以为2、3、4、5、6、7、8、10、12、15、18、20等不小于1的任意整数。
在具体根据样本图像,生成N张样本训练图像时,可以直接对样本图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像。其中,该N张预处理后图像中像素点坐标(x,y)的像素值分别为f1(x,y)、f2(x,y)、f3(x,y)、...、fN(x,y)。之后,将每张预处理后图像作为一张样本训练图像,以组成N张样本训练图像。通过直接对样本图像进行图像处理操作,便于操作。
当然,根据样本图像生成N张样本训练图像的方式并不限于上述示出的方式,除此之外,还可以采用其他的方式。例如,在根据样本图像生成N张样本训练图像时,可以先从样本图像中裁剪出样本印刷标签图像,并非上述示出的直接对样本图像进行各种图像处理操作。而是,仅对样本印刷标签图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像。同样的,此时,N张预处理后图像中像素点坐标(x,y)的像素值仍然分别为f1(x,y)、f2(x,y)、f3(x,y)、...、fN(x,y)。之后,将每张预处理后图像作为一张样本训练图像,组成N张样本训练图像。通过先裁剪出样本印刷标签图像,再对样本标签图像进行图像处理操作,从而后期无需对样本图像中的非样本印刷标签图像区域的背景区域进行计算处理,减少计算量,同时也就减少了背景区域所引起的噪声干扰。
在确定上述N组图像处理操作中的每组图像处理操作时,每组图像处理操作可以包括高斯平滑操作、灰度腐蚀操作、灰度膨胀操作中的任意几种操作,以获得不同的预处理后图像。例如,每组图像处理操作可以仅包括高斯平滑操作、灰度腐蚀操作、灰度膨胀操作中的一种图像处理操作,从而分别采用高斯平滑操作、灰度腐蚀操作、灰度膨胀操作对样本图像或裁剪出的样本印刷标签图像进行一次图像处理操作,得到3张预处理图像。当然,每组图像处理操作还可以包括高斯平滑操作、灰度腐蚀操作、灰度膨胀操作中的任意两种或任意三种图像处理操作,而不同的图像处理操作顺序作为不同组的图像处理操作,从而能够得到多张预处理图像。为便于下面描述,可以将样本图像或裁剪出的样本印刷标签图像中像素点坐标(x,y)的像素值定义为f(x,y)。
在对样本图像或裁剪出的样本印刷标签图像进行高斯平滑操作时,可以将样本图像或裁剪出的样本印刷标签图像与高斯核滤波器卷积,得到高斯平滑图像,该高斯平滑图像为一种预处理后图像,该高斯平滑图像中像素点坐标(x,y)的像素值可以定义为f1(x,y)。其中,可以采用如下的离散高斯核函数作为高斯核滤波器:
式中,σ为离散高斯核函数的径向作用范围,被称为尺度参数,尺度参数σ可以为1.80、7.85、1.90、1.95、2.00、2.05、2.10、2.15、2.20、2.25、2.30等。
在对样本图像或裁剪出的样本印刷标签图像进行灰度腐蚀操作时,可以构建一个诸如但不限于7x7、9x9、11x11、13x13、15x15等设定像素点大小的矩形结构元素,对样本图像进行灰度腐蚀运算,得到灰度腐蚀图像,该灰度腐蚀图像为一种预处理后图像,该灰度腐蚀图像中像素点坐标(x,y)的像素值定义可以为f2(x,y)。
在对样本图像或裁剪出的样本印刷标签图像进行灰度膨胀操作时,可以构建一个诸如但不限于7x7、9x9、11x11、13x13、15x15、17x17等设定像素点大小的矩形结构元素,对样本图像进行灰度膨胀运算,得到灰度膨胀图像,该灰度膨胀图像为一种预处理后图像,该灰度膨胀图像中像素点坐标(x,y)的像素值定义可以为f3(x,y)。
接下来,参考图1及图2,根据N张样本训练图像,生成亮阈值图像和暗阈值图像。在根据N张样本训练图像,生成亮阈值图像和暗阈值图像时,可以先计算N张样本训练图像的均值图像和标准差图像,之后生成亮阈值图像和暗阈值图像。
例如,在根据N张样本训练图像,生成亮阈值图像和暗阈值图像时,可以先按照如下公式,计算N张样本训练图像中每个像素点坐标的像素值的平均值,得到均值图像:
其中,F(x,y)表示均值图像中像素点坐标(x,y)的像素值。如图3所示出的一种均值图像,该均值图像所依据的样本训练图像直接来自于对样本图像的图像处理操作,在均值图像中不仅包括样本印刷标签图像,还包括非样本印刷标签图像的背景区域。
然后,根据均值图像、和N张样本训练图像,按照如下公式,计算N张样本训练图像中每个像素点坐标的像素值的标准差,得到如下的标准差图像:
其中,V(x,y)表示标准差图像中像素点坐标(x,y)的像素值。如图4示出的一种标准差图像,该标准差图像所依据的样本训练图像直接来自于对样本图像的图像处理操作,在标准差图像中不仅包括样本印刷标签图像,还包括非样本印刷标签图像的背景区域。
之后,根据均值图像和标准差图像,生成亮阈值图像和暗阈值图像。以简化训练算法,提高训练速度,便于得到差异模型,便于应用。
在根据均值图像和标准差图像,生成亮阈值图像和暗阈值图像时,考虑到即使样本图像中的样本印刷标签图像的字符完整,但是也可能有一定范围的工艺误差,故而,可以加入调整系数,使理想的差异模型适应正常的的允许误差范围。
例如,可以加入绝对阈值和相对阈值。具体的,可以先预设绝对阈值AbsThreshold=[au,al]、和相对阈值VarThreshold=[bu,bl]。其中,au表示上限绝对阈值,具体可以取60、70、80、90等。al表示下限绝对阈值,具体可以取90、100、110、120等,但是需要保证其大于上限绝对阈值。bu表示上限相对阈值,具体可以取1.00、1.05、1.10、1.15、1.20等。bl表示下限相对阈值,具体可以取0.95、0.90、0.85、0.80等,但是需要保证其小于上限相对阈值。之后,根据均值图像、标准差图像、绝对阈值AbsThreshold和相对阈值VarThreshold,按照如下公式,生成亮阈值图像和暗阈值图像:
Tu(x,y)=F(x,y)+max{au,buV(x,y)}
Tl(x,y)=F(x,y)-max{al,blV(x,y)}
其中,Tu(x,y)表示亮阈值图像中像素点坐标(x,y)的像素值;Tl(x,y)表示暗阈值图像中像素点坐标(x,y)的像素值。如图5示出的是一种亮阈值图像,图6示出的是一种暗阈值图像。显然,图5及图6示出的亮阈值图像和暗阈值图像,所依据的样本训练图像直接来自于对样本图像的图像处理操作,在亮阈值图像和暗阈值图像中不仅包括样本印刷标签图像,还包括非样本印刷标签图像的背景区域。通过上述方式,使理想的差异模型适应正常的的允许误差范围,从而使通过训练得到的差异模型具有一定的冗余性,针对那些印刷标签质量一致性不好的场景,也能够很好的检测出缺陷,使最终得到的差异模型具有鲁棒性好、精度高、识别准确率高的优点。
接下来,参考图1及图2,采集包含有待检印刷标签图像的待检图像。具体可以通过诸如但不限于工业相机等的摄像装置采集包含有待检印刷标签图像的图像,作为待检图像。
接下来,参考图1及图2,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域。即将亮阈值图像和暗阈值图像作为差异模型,对待检图像中的待检印刷标签图像进行检测。
当然,在检测之前,可以对待检图像进行一些图像处理操作,以考虑实际印刷标签检测过程中存在的产品放置位置不同,所导致待检印刷标签图像和样本印刷标签图像之间存在的平移和旋转等因素造成的线性偏移现象,从而提高检测的准确性。
具体的,在上述对样本图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像时,即差异模型的样本训练图像来自于直接对样本图像进行图像处理操作所得到的图像,可以在检测待检印刷标签图像中是否存在字符缺损区域之前,可以直接根据样本图像,对待检图像进行图像配准处理,得到配准对齐图像,使待检印刷标签图像在配准对齐图像中的位置,与样本印刷标签图像在样本图像中的位置对齐。便于后续准确的检测出待检印刷标签图像中的字符缺陷区域。
当然,在上述对样本印刷标签图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像时,即差异模型的样本训练图像来自于对从样本图像中裁剪出的样本印刷标签图像进行图像处理操作所得到的图像,可以在检测待检印刷标签图像中是否存在字符缺损区域之前,先从待检图像中裁剪出待检印刷标签图像。之后,根据样本印刷标签图像,对待检印刷标签图像进行图像配准处理,得到配准对齐图像,使配准对齐图像和样本印刷标签图像对齐。便于后续准确的检测出待检印刷标签图像中的字符缺陷区域。
上述对待检图像或待检印刷标签图像进行图像配准处理可以采用多种方式,使图像配处理后的图像和样本图像或样本印刷标签图像在最大程度上达到空间对齐。如下以对待检图像进行直接图像配置处理为例,示例性的示出一种方式。
假设样本图像和待检图像分别为I1(x,y)和I2(x,y),那么图像配准的数学模型如下所示:
I1(x,y)=I2(f(x,y))
可以获得待检图像、样本图像数据的地址、存储的高度和宽度。建立一个目标图像指针并分配内存,以保留图像配准处理后的图像,将待检图像复制到样本图像中。
对待检图像进行仿射变换(X,Y)→(X′,Y′),其变换方程为:
其中:仿射变换参数用向量使用ω=[scosθ ssinθtx ty]T表示,根据给定的n(n≥4)对相应特征点,构造点坐标矩阵为:
Y=[x′1 y′1 … x′n y′n]T
由最小均方误差原理求解E2=(Y-Xω)T(Y-Xω),可以得到仿射变换参数向量的解方程为:
ω=(XTX)-1XTY
之后,逐个扫描样本图像中的像素点所对应的模板子图像,构造点坐标矩阵,解出仿射变换参数向量ω后,便可以计算出最小均方误差E2。循环扫描操作,直到处理完样本图像的全部像素点,最小均方误差值最小的像素点为最佳匹配位置。最后,将待检图像复制到模板子图像中最佳匹配的像素点位置,得到配准对齐图像,使待检印刷标签图像在配准对齐图像中的位置,与样本印刷标签图像在样本图像中的位置对齐。
接下来,在根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域时,可以先逐渐比对配准对齐图像中每个像素点坐标的像素值,是否满足如下条件:
c(x,y)>Tu(x,y)V c(x,y)<Tl(x,y)
其中,c(x,y)表示配准对齐图像中像素点坐标(x,y)的像素值;
如果不满足,则确认该像素点为非差异像素点;否则,确认为差异像素点,直到识别出配准对齐图像中的所有差异像素点和非差异像素点。
之后,判断配准对齐图像中是否存在差异像素点。如果不存在,说明该待检印刷标签图像中没有一个差异像素点,则确认待检印刷标签图像不存在字符缺损区域。如果存在,说明该待检印刷标签图像中存在差异像素点,从而可能会存在字符缺损区域。需要进一步判断差异像素点是否会真的导致字符缺损区域。
在进一步处理时,可以先对配准对齐图像中的所有差异像素点进行连通域处理,得到至少一个差异区域。之后判断每个差异区域的面积是否大于预设面积阈值。如果不大于,说明差异像素点的分布区域面积较小,不足以产生字符缺损区域,则判定该差异区域为非字符缺损区域。如果大于,说明差异像素点的分布区域面积较大,较大概率产生字符缺损区域,则判定该差异区域为字符缺损区域。通过上述方式,能够排除个别噪声点的干扰,准确的检测出待检印刷标签图像中的字符缺陷区域。
通过采集一张样本图像,对该张样本图像进行处理,生成N张样本训练图像,之后根据N张样本训练图像,生成亮阈值图像和暗阈值图像。在后续检测时,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,即可实现自动检测,从而无需人工检测,减少了人工成本,同时也防止出现检测人员走神、幻觉等造成的漏检、误检等现象,提高了检测的准确性。且本方案只需要采集一张样本图像包含有字符完整的样本印刷标签的样本图像作为训练数据集即可,无需采集大量的样本图像,从而也就减少了采集样本图像的工作量,同时也就减少了由于多张样本图像存在差异而影响训练模型的精度。且本申请将亮阈值图像和暗阈值图像作为差异模型,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,能够提高检测的准确性。
另外,本发明实施例还提供了一种印刷标签的字符完整性检测装置,该字符完整性检测装置包括:样本采集模块、样本训练图像生成模块、差异模型生成模块、待检图像采用模块、字符缺损区域检测模块。其中,样本采集模块用于采集样本图像;其中,样本图像中包含有字符完整的样本印刷标签图像。样本训练图像生成模块用于根据样本图像,生成N张样本训练图像。差异模型生成模块用于根据N张样本训练图像,生成亮阈值图像和暗阈值图像。待检图像采用模块用于采集包含有待检印刷标签图像的待检图像。字符缺损区域检测模块用于根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域。
在上述的方案中,通过采集一张样本图像,对该张样本图像进行处理,生成N张样本训练图像,之后根据N张样本训练图像,生成亮阈值图像和暗阈值图像。在后续检测时,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,即可实现自动检测,从而无需人工检测,减少了人工成本,同时也防止出现检测人员走神、幻觉等造成的漏检、误检等现象,提高了检测的准确性。且本方案只需要采集一张样本图像包含有字符完整的样本印刷标签的样本图像作为训练数据集即可,无需采集大量的样本图像,从而也就减少了采集样本图像的工作量,同时也就减少了由于多张样本图像存在差异而影响训练模型的精度。且本申请将亮阈值图像和暗阈值图像作为差异模型,根据亮阈值图像和暗阈值图像,检测待检印刷标签图像中是否存在字符缺损区域,能够提高检测的准确性。
在设置上述各个功能模块时,上述各个功能模块可以包括实现相关功能的软件和硬件结合形成的摄像装置、运算芯片、存储芯片等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种印刷标签的字符完整性检测方法,其特征在于,包括:
采集样本图像,其中,所述样本图像中包含有字符完整的样本印刷标签图像;
根据所述样本图像,生成N张样本训练图像;
根据所述N张样本训练图像,生成亮阈值图像和暗阈值图像;
采集包含有待检印刷标签图像的待检图像;
根据所述亮阈值图像和暗阈值图像,检测所述待检印刷标签图像中是否存在字符缺损区域。
2.如权利要求1所述的字符完整性检测方法,其特征在于,所述根据所述样本图像,生成N张样本训练图像包括:
对所述样本图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像;其中,所述N张预处理后图像中像素点坐标(x,y)的像素值分别为f1(x,y)、f2(x,y)、f3(x,y)、...、fN(x,y);
将每张预处理后图像作为一张所述样本训练图像,组成所述N张样本训练图像。
3.如权利要求1所述的字符完整性检测方法,其特征在于,所述根据所述样本图像,生成N张样本训练图像包括:
从所述样本图像中裁剪出所述样本印刷标签图像;
对所述样本印刷标签图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像;其中,所述N张预处理后图像中像素点坐标(x,y)的像素值分别为f1(x,y)、f2(x,y)、f3(x,y)、...、fN(x,y);
将每张预处理后图像作为一张所述样本训练图像,组成所述N张样本训练图像。
4.如权利要求2或3所述的字符完整性检测方法,其特征在于,所述N组图像处理操作中的每组图像处理操作包括高斯平滑操作、灰度腐蚀操作、灰度膨胀操作中的任意几种操作。
6.如权利要求5所述的字符完整性检测方法,其特征在于,所述根据所述均值图像和所述标准差图像,生成所述亮阈值图像和暗阈值图像包括:
预设绝对阈值AbsThreshold=[au,al]、和相对阈值VarThreshold=[bu,bl];其中,au表示上限绝对阈值,al表示下限绝对阈值,bu表示上限相对阈值,bl表示下限相对阈值;
根据所述均值图像、标准差图像、绝对阈值AbsThreshold和相对阈值VarThreshold,按照如下公式,生成所述亮阈值图像和暗阈值图像:
Tu(x,y)=F(x,y)+max{au,buV(x,y)}
Tl(x,y)=F(x,y)-max{al,blV(x,y)}
其中,Tu(x,y)表示所述亮阈值图像中像素点坐标(x,y)的像素值;
Tl(x,y)表示所述暗阈值图像中像素点坐标(x,y)的像素值。
7.如权利要求6所述的字符完整性检测方法,其特征在于,在所述对所述样本图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像时,在所述检测所述待检印刷标签图像中是否存在字符缺损区域之前,所述字符完整性检测方法还包括:
根据所述样本图像,对所述待检图像进行图像配准处理,得到配准对齐图像;其中,所述待检印刷标签图像在所述配准对齐图像中的位置,与所述样本印刷标签图像在所述样本图像中的位置对齐。
8.如权利要求6所述的字符完整性检测方法,其特征在于,在所述对所述样本印刷标签图像分别进行N组不同的图像处理操作,获得N张不同的预处理后图像时,在所述检测所述待检印刷标签图像中是否存在字符缺损区域之前,所述字符完整性检测方法还包括:
从所述待检图像中裁剪出所述待检印刷标签图像;
根据所述样本印刷标签图像,对所述待检印刷标签图像进行图像配准处理,得到配准对齐图像;其中,所述配准对齐图像和所述样本印刷标签图像对齐。
9.如权利要求7或8所述的字符完整性检测方法,其特征在于,所述根据所述亮阈值图像和暗阈值图像,检测所述待检印刷标签图像中是否存在字符缺损区域包括:
逐渐比对所述配准对齐图像中每个像素点坐标的像素值,是否满足如下条件:
c(x,y)>Tu(x,y)Vc(x,y)<Tl(x,y)
其中,c(x,y)表示所述配准对齐图像中像素点坐标(x,y)的像素值;
如果不满足,则确认该像素点为非差异像素点;否则,确认为差异像素点,直到识别出所述配准对齐图像中的所有差异像素点和非差异像素点;
判断所述配准对齐图像中是否存在差异像素点;
如果不存在,则确认所述待检印刷标签图像不存在字符缺损区域;
如果存在,则对所述配准对齐图像中的所有差异像素点进行连通域处理,得到至少一个差异区域;
判断每个差异区域的面积是否大于预设面积阈值;
如果不大于,则判定该差异区域为非字符缺损区域;
如果大于,则判定该差异区域为字符缺损区域。
10.一种印刷标签的字符完整性检测装置,其特征在于,包括:
样本采集模块,用于采集样本图像;其中,所述样本图像中包含有字符完整的样本印刷标签图像;
样本训练图像生成模块,用于根据所述样本图像,生成N张样本训练图像;
差异模型生成模块,用于根据所述N张样本训练图像,生成亮阈值图像和暗阈值图像;
待检图像采用模块,用于采集包含有待检印刷标签图像的待检图像;
字符缺损区域检测模块,用于根据所述亮阈值图像和暗阈值图像,检测所述待检印刷标签图像中是否存在字符缺损区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111648468.8A CN114266764A (zh) | 2021-12-29 | 2021-12-29 | 一种印刷标签的字符完整性检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111648468.8A CN114266764A (zh) | 2021-12-29 | 2021-12-29 | 一种印刷标签的字符完整性检测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266764A true CN114266764A (zh) | 2022-04-01 |
Family
ID=80831714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111648468.8A Pending CN114266764A (zh) | 2021-12-29 | 2021-12-29 | 一种印刷标签的字符完整性检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266764A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114951017A (zh) * | 2022-05-12 | 2022-08-30 | 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 |
CN116563289A (zh) * | 2023-07-11 | 2023-08-08 | 凯德技术长沙股份有限公司 | 一种基于机器视觉的贴标品质检测方法和系统 |
CN116704513A (zh) * | 2023-08-04 | 2023-09-05 | 深圳思谋信息科技有限公司 | 文本质量检测方法、装置、计算机设备和存储介质 |
CN118429353A (zh) * | 2024-07-05 | 2024-08-02 | 浙江赫宇包装科技有限公司 | 一种印刷标签缺陷检测方法及系统 |
-
2021
- 2021-12-29 CN CN202111648468.8A patent/CN114266764A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114951017A (zh) * | 2022-05-12 | 2022-08-30 | 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 |
CN116563289A (zh) * | 2023-07-11 | 2023-08-08 | 凯德技术长沙股份有限公司 | 一种基于机器视觉的贴标品质检测方法和系统 |
CN116563289B (zh) * | 2023-07-11 | 2023-09-29 | 凯德技术长沙股份有限公司 | 一种基于机器视觉的贴标品质检测方法和系统 |
CN116704513A (zh) * | 2023-08-04 | 2023-09-05 | 深圳思谋信息科技有限公司 | 文本质量检测方法、装置、计算机设备和存储介质 |
CN116704513B (zh) * | 2023-08-04 | 2023-12-15 | 深圳思谋信息科技有限公司 | 文本质量检测方法、装置、计算机设备和存储介质 |
CN118429353A (zh) * | 2024-07-05 | 2024-08-02 | 浙江赫宇包装科技有限公司 | 一种印刷标签缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114266764A (zh) | 一种印刷标签的字符完整性检测方法及其装置 | |
CN112598001B (zh) | 一种基于多模型融合的船舶水尺读数自动识别方法 | |
CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
CN106326887B (zh) | 一种光学字符识别结果的校验方法及装置 | |
CN114926839B (zh) | 基于rpa和ai的图像识别方法及电子设备 | |
CN111126391B (zh) | 一种印刷字符缺陷定位方法 | |
CN107025716B (zh) | 检测纸币冠字号污损的方法及装置 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
CN117798087B (zh) | 基于外观缺陷检测的锂电池视觉分拣系统及终端 | |
CN113850749A (zh) | 训练缺陷侦测器的方法 | |
CN115641332A (zh) | 产品边缘外观缺陷的检测方法及装置、介质、设备 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN116168218A (zh) | 一种基于图像识别技术的电路板故障诊断方法 | |
CN114627089A (zh) | 缺陷识别方法、装置、计算机设备及计算机可读存储介质 | |
CN113269769A (zh) | 一种基于图像配准的缺陷检测方法、系统及设备 | |
CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
CN115546139A (zh) | 一种基于机器视觉的缺陷检测方法、装置及电子设备 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN112184723B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN115619783B (zh) | 产品加工缺陷的检测方法及装置、存储介质、终端 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
CN117274267B (zh) | 掩膜版图的自动检测方法、装置、处理器以及电子设备 |
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 |