CN114332092A - 缺陷图像检测方法、系统、智能终端和介质 - Google Patents
缺陷图像检测方法、系统、智能终端和介质 Download PDFInfo
- Publication number
- CN114332092A CN114332092A CN202210256810.8A CN202210256810A CN114332092A CN 114332092 A CN114332092 A CN 114332092A CN 202210256810 A CN202210256810 A CN 202210256810A CN 114332092 A CN114332092 A CN 114332092A
- Authority
- CN
- China
- Prior art keywords
- gray value
- image
- gray
- real
- search range
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 11
- 238000010606 normalization Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 210000002268 wool Anatomy 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种缺陷图像检测方法、系统、智能终端和介质,所述方法包括:获取标准水印图像,分别计算各特征块的灰度值,以得到参考灰度值序列,并将各特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;获取待检测印刷品的实时图像和预存的模板信息;在实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在实时图像上覆盖区域的整体搜索范围;分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。该方法在印刷阶段实现了对水印缺陷的实时检测,从而提高水印缺陷的检测准确性和及时性。
Description
技术领域
本发明涉及印刷品防伪技术领域,具体涉及一种基于灰度特征值序列相关性的缺陷图像检测方法和系统。
背景技术
通常,高端印刷品都有防伪的要求,水印作为印刷品防伪的重要手段之一,被广泛采用。水印是在造纸过程中形成的,迎光透视时可以清晰看到有明暗纹理的图形、人像或文字。它是纸张在生产过程中,通过改变纸浆纤维密度的方法而制成的。纤维密度越高,对透射光线吸收越多,其纹理看上去越暗;纤维密度越低,对透射光线吸收越少,其纹理看上去越亮。水印有两种形式:一种为满版水印,即水印图案在印刷表面中不固定,散布在各个部位;另一种为固定水印,即水印图案固定在印刷表面某一固定范围,常见的高端印刷品多是采用固定水印的形式。
在实际场景中,水印的常见缺陷包括造纸过程中产生的缺陷和印刷过程中产生的缺陷,其中,图形人像或文字等发生缺损的缺陷是在造纸过程中产生的。纸张生产完成后进入下一步印刷阶段,在给印刷机上纸时,由于放置错误使得纸张上下倒置或左右倒置,最终导致印刷品的印制图纹与水印图纹相对位置关系发生变化,此类缺陷是在印刷过程中产生的。
因此,提供一种基于灰度特征值序列相关性的缺陷图像检测方法和系统,以期在印刷阶段实现对水印缺陷的实时检测,从而提高水印缺陷的检测准确性和及时性,就成为本领域技术人员亟待解决的问题。
发明内容
为此,本发明提供一种基于灰度特征值序列相关性的缺陷图像检测方法和系统,以期在印刷阶段实现对水印缺陷的实时检测,从而提高水印缺陷的检测准确性和及时性。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于灰度特征值序列相关性的缺陷图像检测方法,所述方法包括:
获取标准水印图像,并将所述标准水印图像作为所述参考图像,在所述参考图像中绘制多个特征块;
分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;
获取待检测印刷品的实时图像和预存的模板信息;
在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;
分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。
进一步地,在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列,具体包括:
获取所述特征块在所述实时图像上的搜索范围,并在所述搜索范围内确定多个目标位置;
计算所述搜索范围内所有目标位置的灰度值序列,以生成与各所述目标位置对应的多个灰度值序列。
进一步地,分别计算各所述特征块的灰度值,以得到参考灰度值序列,具体包括:
统计各所述特征块内所有像素点的灰度值,并对得到的灰度值进行排序;
过滤相同比例的高值灰度点和低值灰度点后,计算剩余的所述灰度值的平均灰度值,以生成所述灰度值序列。
进一步地,在所述实时图像上划定所述特征块的搜索范围,具体包括:
将所述模板信息中预存的参考图像中目标水印的位置作为标准位置;
进一步地,利用以下公式,计算各所述灰度值序列与参考灰度值序列的相关值R:
其中:
A为特征块的数量;
k为特征块的序号;
本发明还提供一种基于灰度特征值序列相关性的缺陷图像检测系统,所述系统包括:
模板创建单元,用于获取标准水印图像,并将所述标准水印图像作为所述参考图像,在所述参考图像中绘制多个特征块;分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;
图像获取单元,用于获取待检测印刷品的实时图像和预存的模板信息;
灰度值序列计算单元,用于在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;
结果输出单元,用于分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。
本发明还提供一种智能终端,所述智能终端包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如上所述的方法。
本发明还提供一种计算机可读存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如上所述的方法。
本发明所提供的基于灰度特征值序列相关性的缺陷图像检测方法,通过获取标准水印图像,并将所述标准水印图像作为所述参考图像,在所述参考图像中绘制多个特征块;分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;获取待检测印刷品的实时图像和预存的模板信息;在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。从而利用待检测产品的灰度值序列与预存的参考灰度值之间的相关性的大小,来判断是否存在水印缺陷,实现了在印刷阶段实现对水印缺陷的实时检测,从而提高了水印缺陷的检测准确性和及时性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明所提供的基于灰度特征值序列相关性的缺陷图像检测方法一种具体实施方式的流程图;
图2为本发明所提供的模板信息创建方法的流程图;
图3为图1所示方法一个具体使用场景下的流程图;
图4为本发明所提供的基于灰度特征值序列相关性的缺陷图像检测系统一种具体实施方式的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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。
在一种具体实施方式中,如图1所示,本发明所提供的基于灰度特征值序列相关性的缺陷图像检测方法包括以下步骤:
S101:获取标准水印图像,并将所述标准水印图像作为所述参考图像,在所述参考图像中绘制多个特征块;
S102:分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;
S103:获取待检测印刷品的实时图像和预存的模板信息;在检测过程中,已经配置在印刷设备上的在线检测设备会实时不间断获取印刷品的水印图像,从而持续得到待检测印刷品的实时图像。
S104:在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;
S105:分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。
在相关值计算时,为了适应采集条件变化导致的图像变化,避免实时图像与参考图像的相似性度量结果受此影响,故对相关性计算进行归一化处理,通过归一化处理对图像的整体变化进行抑制。当采集条件发生变化,图像整体发亮或发暗,或镜头、光源受到纸毛、墨粒的影响时,图像的变化被归一化处理所抑制;而当水印图纹本身发生残缺、纸张倒置时,归一化计算不影响其相似性度量结果。
基于上述原理,为了提高结果准确性,优选利用以下公式,计算各所述灰度值序列与参考灰度值序列的相关值R:
其中:
A为特征块的数量;
k为特征块的序号;
为了提高灰度值序列的生成效果,在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列,具体包括:
获取所述特征块在所述实时图像上的搜索范围,并在所述搜索范围内确定多个目标位置;
计算所述搜索范围内所有目标位置的灰度值序列,以生成与各所述目标位置对应的多个灰度值序列。
在一些实施例中,在得到每个目标特征块的灰度值时,过滤相同比例的高值灰度点和低值灰度点,并生成全部特征块在实时图像某一位置的灰度值序列,该位置为实时图像搜索范围中的任意位置。
也就是说,分别计算各所述特征块的灰度值,以得到参考灰度值序列,具体包括:
统计各所述特征块内所有像素点的灰度值,并对得到的灰度值进行排序;
过滤相同比例的高值灰度点和低值灰度点后,计算剩余的所述灰度值的平均灰度值,以生成所述灰度值序列。
从理论上来讲,即使在印刷前,纸张被正常放置(上纸),印刷机的进纸飞达与传送系统也无法保证纸张在到达在线检测系统的成像单元时,采集位置与参考图像的采集位置保持完全一致。在实时印刷时,纸张与成像系统的相对位置是随机波动的,但其横向与纵向的波动范围是一定的。好的进纸飞达与传送系统会使得纸张的横向与纵向波动范围更小。纸张与成像系统相对位置的波动,会导致水印在所采集的实时图像中的位置发生波动,可将波动范围以像素为单位进行描述。
因此,在所述实时图像上划定所述特征块的搜索范围,具体包括:
将所述模板信息中预存的参考图像中目标水印的位置作为标准位置;
在该具体实施方式中,如图2所示,创建模板信息的过程具体包括以下步骤:
S201:获取标准水印图像,并将所述标准水印图像作为所述参考图像。在该步骤中,利用已经配置在印刷设备上的在线检测系统,获取一幅水印正常、印刷图纹正常的印刷品图像。通常,水印检测系统的成像单元,都是打透射光成像,即光源与相机位于印刷品的两侧,使得光线穿过印刷品被不同程度的吸收,而后在相机中进行成像。
S202:基于所述参考图像,在水印典型的明、暗区域绘制检测区特征块。这些特征块的位置尽量选择在水印图纹的明区(灰度值高)或者暗区(灰度值低),而不是同时包含明区与暗区。特征块并没有先后顺序的要求,也没有严格的大小要求,因为这并不会对检测结果产生影响。特征块绘制的先后顺序与大小都将在建模完成后被保存在模板数据库中。
S203:计算各所述特征块的灰度特性。当完成在参考图像上的特征块绘制后,应对每个特征块所覆盖的参考图像计算其平均灰度值。为了防止印刷墨点、纸病、有色纤维等对计算结果的影响,计算平均灰度值可以过滤一定比例的高值灰度点和低值灰度点。如对特征块内所有点灰度值进行排序,其中,20%最高值与20%最低值的点不参与均值计算。最终,完成所有特征块的平均灰度值计算,生成参考灰度值序列,假设特征块的数量为A,则参考灰度值序列可记作。
S204:将各所述特征块的相对位置、规格、灰度值和灰度值序列作为参考信息存储。
也就是说,在完成特征块的绘制与灰度值的计算后,根据特征块的绘制顺序进行编号,将特征块在参考图像中位置、大小、对应参考图像的平均灰度值等信息与编号进行关联,存储在模板数据库中。
下面以具体使用场景为例,简述本发明所提供的基于灰度特征值序列相关性的缺陷图像检测方法的实施过程。
如图3所示,首先,检测程序启动时,读取建模过程存储在数据库中的模板信息。包含:特征块在参考图像中的位置、大小、灰度值等信息,以及水印图像搜索范围等检测参数信息。
将波动范围以像素为单位进行描述,并将参考图像中水印的位置作为标准位置即坐标(0,0),则横向波动范围可以记作,纵向波动范围可以记作。其中,分别是波动的左边界、右边界、上边界和下边界,即为所述搜索范围。
将n个实时图像的灰度值序列与参考图像灰度值序列逐一进行归一化相关性计算。计算公式如下:
其中,为参考图像灰度值序列;为实时图像某一位置灰度值序列;A为特征块数量(即灰度值序列长度);为参考图像灰度值序列的均值;为实时图像某一位置灰度值序列的均值。R的值域范围在[-1,1]。值为1表示完全匹配;值为-1表示完全误匹配。最后,得到n个归一化相关值,记作。
为了适应采集条件变化导致的图像变化,避免实时图像与参考图像的相似性度量结果受此影响,故对相关性计算进行归一化处理。归一化处理对图像的整体变化具有较好的抑制作用。当采集条件发生变化,图像整体发亮或发暗,或镜头、光源受到纸毛、墨粒的影响时,图像的变化被归一化处理所抑制;而当水印图纹本身发生残缺、纸张倒置时,归一化计算不影响其相似性度量结果。
为了验证本发明所提供方法得到的技术效果,进行如下试验例,以进行有效性实验与结果分析。
试验例1
在参考图像原图上进行计算,验证方法的正确性。最大相关值对应的特征块位置与建模位置完全一致,最大相关值为1.0,即完全匹配。
试验例2
将参考图像的亮度提高30DN、降低30DN,又进行直方图拉伸与压缩,模拟采集条件变化时系统所采集到的实时图像。最大相关值对应的特征块位置与建模位置完全一致,最大相关值为1.0,即完全匹配。方法对光源、镜头发生改变后导致的图像变化具有很好的适应性。
试验例3
将参考图像进行直方图非线性单调变换、加入随机噪声、加入椒盐噪声,模拟光源和镜头受纸毛、粉尘、墨粒影响时系统所采集到的实时图像;将参考图像进行高斯平滑、中值滤波、平均滤波,模拟镜头或光路受到油污、液体等影响时系统所采集到的实时图像。经验证,最大相关值对应的特征块位置与建模位置完全一致,最大相关值>0.99,匹配度非常高。方法对纸毛、粉尘、墨粒、油污等因素影响导致的实时图像变化具有很好的适应性。
试验例4
将参考图像在角度、尺度上进行处理。将参考图像旋转3度,模拟设备走纸过程中纸张相对相机的随机角度变化;将参考图像进行尺度压缩(×0.98),模拟设备走纸过程中物距随机变化导致的实时图像大小变化。主流的印刷设备实际走纸过程比较稳定,图像在这两个维度上的变化都是在小邻域内发生的,不会存在大幅度的变化。经验证,最大相关值对应的特征块位置与建模位置完全一致,最大相关值>0.99,匹配度非常高。可见,方法对设备走纸过程中纸张的随机波动具有很好的适应性。
试验例5
在方法满足较好适应性的基础上,是否具有较高的灵敏度,当纸张发生倒置或水印图纹发生缺失时,能够及时在检测结果上得以体现,就成为方法设计的关键。经验证,当水印发生倒头时,最大相关值对应的特征块位置与建模位置偏差较大,且定位分数仅为0.66,匹配度非常低;当水印图纹发生缺失时,最大相关值对应的特征块位置与建模位置偏差较大,且定位分数仅为0.79,匹配度较低。方法对纸张倒置、图纹缺失具有很好的灵敏度。
在上述具体实施方式中,本发明所提供的基于灰度特征值序列相关性的缺陷图像检测方法,通过获取标准水印图像,并将所述标准水印图像作为所述参考图像,在所述参考图像中绘制多个特征块;分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;获取待检测印刷品的实时图像和预存的模板信息;在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。从而利用待检测产品的灰度值序列与预存的参考灰度值序列之间的相关性的大小,来判断是否存在水印缺陷,实现了在印刷阶段实现对水印缺陷的实时检测,从而提高了水印缺陷的检测准确性和及时性,且具有良好的设备适应性和较高的灵敏度。
除了上述方法,本发明还提供一种基于灰度特征值序列相关性的缺陷图像检测系统,该系统与上述方法的技术特征可相互补充,如图4所示,该系统包括:
模板创建单元100,用于获取标准水印图像,并将所述标准水印图像作为所述参考图像,在所述参考图像中绘制多个特征块;分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;
图像获取单元200,用于获取待检测印刷品的实时图像和预存的模板信息;
灰度值序列计算单元300,用于在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;
结果输出单元400,用于分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。
在上述具体实施方式中,本发明所提供的基于灰度特征值序列相关性的缺陷图像检测系统,通过获取标准水印图像,并将所述标准水印图像作为所述参考图像,在所述参考图像中绘制多个特征块;分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;获取待检测印刷品的实时图像和预存的模板信息;在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。从而利用待检测产品的灰度值序列与预存的参考灰度值序列之间的相关性的大小,来判断是否存在水印缺陷,实现了在印刷阶段实现对水印缺陷的实时检测,从而提高了水印缺陷的检测准确性和及时性,且具有良好的设备适应性和较高的灵敏度。
本发明还提供一种智能终端,所述智能终端包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如上所述的方法。
与上述实施例相对应的,本发明实施例还提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令。其中,所述一个或多个程序指令用于被一种双目相机深度标定系统执行如上所述的方法。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific工ntegrated Circuit,简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称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。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (8)
1.一种基于灰度特征值序列相关性的缺陷图像检测方法,其特征在于,所述方法包括:
获取标准水印图像,并将所述标准水印图像作为参考图像,在所述参考图像中绘制多个特征块;
分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;
获取待检测印刷品的实时图像和预存的模板信息;
在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;
分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。
2.根据权利要求1所述的缺陷图像检测方法,其特征在于,在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列,具体包括:
获取所述特征块在所述实时图像上的搜索范围,并在所述搜索范围内确定多个目标位置;
计算所述搜索范围内所有目标位置的灰度值序列,以生成与各所述目标位置对应的多个灰度值序列。
3.根据权利要求1所述的缺陷图像检测方法,其特征在于,分别计算各所述特征块的灰度值,以得到参考灰度值序列,具体包括:
统计各所述特征块内所有像素点的灰度值,并对得到的灰度值进行排序;
过滤相同比例的高值灰度点和低值灰度点后,计算剩余的所述灰度值的平均灰度值,以生成所述灰度值序列。
6.一种基于灰度特征值序列相关性的缺陷图像检测系统,其特征在于,所述系统包括:
模板创建单元,用于获取标准水印图像,并将所述标准水印图像作为参考图像,在所述参考图像中绘制多个特征块;分别计算各所述特征块的灰度值,以得到参考灰度值序列,并将各所述特征块的相对位置、规格、灰度值和参考灰度值序列作为模板信息存储;
图像获取单元,用于获取待检测印刷品的实时图像和预存的模板信息;
灰度值序列计算单元,用于在所述实时图像上划定搜索范围,并计算所述搜索范围内所有目标位置的灰度值序列;所述搜索范围为所有特征块在所述实时图像上覆盖区域的整体搜索范围;
结果输出单元,用于分别计算各所述灰度值序列与参考灰度值序列的相关值,若各所述相关值中的最大值低于预设阈值,则判定所述待检测印刷品存在水印缺陷。
7.一种智能终端,其特征在于,所述智能终端包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256810.8A CN114332092B (zh) | 2022-03-16 | 2022-03-16 | 缺陷图像检测方法、系统、智能终端和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256810.8A CN114332092B (zh) | 2022-03-16 | 2022-03-16 | 缺陷图像检测方法、系统、智能终端和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332092A true CN114332092A (zh) | 2022-04-12 |
CN114332092B CN114332092B (zh) | 2022-07-26 |
Family
ID=81033653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256810.8A Active CN114332092B (zh) | 2022-03-16 | 2022-03-16 | 缺陷图像检测方法、系统、智能终端和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332092B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114454635A (zh) * | 2022-04-13 | 2022-05-10 | 中体彩印务技术有限公司 | 一种防伪印刷品制备方法及其系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080080009A1 (en) * | 2006-09-28 | 2008-04-03 | Fujitsu Limited | Electronic watermark embedding apparatus and electronic watermark detection apparatus |
CN103954634A (zh) * | 2014-05-08 | 2014-07-30 | 昆明瑞丰印刷有限公司 | 一种印刷品在线质量检测系统 |
CN104680509A (zh) * | 2013-11-30 | 2015-06-03 | 中国科学院沈阳自动化研究所 | 一种实时圆形印刷图像缺陷检测方法 |
CN107480744A (zh) * | 2017-05-17 | 2017-12-15 | 上海冠众光学科技有限公司 | 一种含水印信息的防伪标签生成方法及防伪标签 |
CN111598763A (zh) * | 2020-04-28 | 2020-08-28 | 南京新智客信息科技有限公司 | 一种基于手机和图像增强的暗记水印提取方法及系统 |
CN112788342A (zh) * | 2019-11-11 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 一种水印信息嵌入方法以及装置 |
-
2022
- 2022-03-16 CN CN202210256810.8A patent/CN114332092B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080080009A1 (en) * | 2006-09-28 | 2008-04-03 | Fujitsu Limited | Electronic watermark embedding apparatus and electronic watermark detection apparatus |
CN104680509A (zh) * | 2013-11-30 | 2015-06-03 | 中国科学院沈阳自动化研究所 | 一种实时圆形印刷图像缺陷检测方法 |
CN103954634A (zh) * | 2014-05-08 | 2014-07-30 | 昆明瑞丰印刷有限公司 | 一种印刷品在线质量检测系统 |
CN107480744A (zh) * | 2017-05-17 | 2017-12-15 | 上海冠众光学科技有限公司 | 一种含水印信息的防伪标签生成方法及防伪标签 |
CN112788342A (zh) * | 2019-11-11 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 一种水印信息嵌入方法以及装置 |
CN111598763A (zh) * | 2020-04-28 | 2020-08-28 | 南京新智客信息科技有限公司 | 一种基于手机和图像增强的暗记水印提取方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114454635A (zh) * | 2022-04-13 | 2022-05-10 | 中体彩印务技术有限公司 | 一种防伪印刷品制备方法及其系统 |
CN114454635B (zh) * | 2022-04-13 | 2022-06-17 | 中体彩印务技术有限公司 | 一种防伪印刷品制备方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114332092B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN108280829A (zh) | 焊缝图像识别方法、计算机装置及计算机可读存储介质 | |
CN113160161A (zh) | 目标边缘处缺陷的检测方法和装置 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN116433666B (zh) | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN110147787A (zh) | 基于深度学习的银行卡号自动识别方法及系统 | |
CN114332092B (zh) | 缺陷图像检测方法、系统、智能终端和介质 | |
CN107331031A (zh) | 一种纸币币值的识别方法、装置、设备及存储介质 | |
CN114723677A (zh) | 图像缺陷检测方法、检测装置、检测设备及存储介质 | |
CN113034447A (zh) | 一种边缘缺陷检测方法和装置 | |
CN113379678A (zh) | 一种电路板检测方法、装置、电子设备及存储介质 | |
CN117095396A (zh) | 基于特征增强的文档图像篡改检测与定位方法及装置 | |
CN116309518A (zh) | 一种基于计算机视觉的pcb电路板检测方法及系统 | |
CN112036232A (zh) | 一种图像表格结构识别方法、系统、终端以及存储介质 | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 | |
CN115171138A (zh) | 一种身份证图片文本检测方法、系统及设备 | |
CN111709951B (zh) | 目标检测网络训练方法及系统及网络及装置及介质 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
JP3890844B2 (ja) | 外観検査方法 | |
CN117058805A (zh) | 纸币图像处理方法及系统 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
CN116681647A (zh) | 一种基于无监督生成式的彩涂板表面缺陷检测方法和装置 |
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 |