CN114494265B - 识别化妆品生产领域包装印刷质量方法及人工智能系统 - Google Patents

识别化妆品生产领域包装印刷质量方法及人工智能系统 Download PDF

Info

Publication number
CN114494265B
CN114494265B CN202210408604.4A CN202210408604A CN114494265B CN 114494265 B CN114494265 B CN 114494265B CN 202210408604 A CN202210408604 A CN 202210408604A CN 114494265 B CN114494265 B CN 114494265B
Authority
CN
China
Prior art keywords
template pattern
pixel point
pattern
subgraph
template
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
CN202210408604.4A
Other languages
English (en)
Other versions
CN114494265A (zh
Inventor
陈洁松
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.)
Nantong Baotian Packaging Technology Co ltd
Original Assignee
Nantong Baotian Packaging 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 Nantong Baotian Packaging Technology Co ltd filed Critical Nantong Baotian Packaging Technology Co ltd
Priority to CN202210408604.4A priority Critical patent/CN114494265B/zh
Publication of CN114494265A publication Critical patent/CN114494265A/zh
Application granted granted Critical
Publication of CN114494265B publication Critical patent/CN114494265B/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
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，提出了一种识别化妆品生产领域包装印刷质量方法及人工智能系统，包括：获取扁形软管连通域灰度图像；获得各模板图案的每一个子图；分别获得模板图案/子图上每个像素点的形变度；得到模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度差异权重；得到模板图案和该模板图案获得的每一个子图的差异度；计算模板图案和该模板图案获得的每一个子图的匹配率；选取模板图案的匹配子图；选取最终模板图案及最终匹配子图；得到印刷图案偏移度；判断化妆品扁形软管包装质量是否合格。本发明实现了利用形变的匹配模板进行识别图形，同时提高了识别印刷的准确性。

Description

识别化妆品生产领域包装印刷质量方法及人工智能系统
技术领域
本发明涉及人工智能领域，具体涉及一种识别化妆品生产领域包装印刷质量方法及人工智能系统。
背景技术
在化妆品扁形软管包装的生产制造过程中，需要经过抽管、一次注头、印刷、切头、二次注头等工序。二次注头根据印刷在管身的标识进行对标以确定准确的二次注头位置。但若印刷时标识套印不准确或二次注头时对标不准确，往往会导致二次注头位置不准确，扁形软管包装正反面印刷图案偏移。因此需在二次注头后对扁形软管包装正反面印刷图案进行识别，以便进行该包装的质量检测。
现有的图形识别如模板匹配技术，具有自身的局限性，只能进行完全匹配，若原图像中的匹配模板发生形变，该算法无效。
因此本方案提出了一种基于图像形变的模板匹配图形识别技术，对化妆品扁形软管包装质量进行检测。该技术提高了匹配结果的准确性。
发明内容
本发明提供一种识别化妆品生产领域包装印刷质量方法，以解决现有的匹配模板发生形变时不能进行模板匹配图形的问题。
本发明的一种识别化妆品生产领域包装印刷质量方法，采用如下技术方案：
获取扁形软管连通域灰度图像。
将各模板图案在扁形软管连通域灰度图像上的对应区域进行遍历，获得各模板图案在扁形软管连通域灰度图像上对应区域的每一个子图。
分别利用每一个模板图案/子图上每个像素点和其同行相邻像素点的直线距离分别获得模板图案/子图上每个像素点的形变度。
通过每个模板图案的像素点和该模板图案获得的每一个子图对应像素点的形变度得到每一个模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度差异权重。
根据每一个模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度值以及灰度差异权重得到每个模板图案和该模板图案获得的每一个子图的差异度。
通过每一个模板图案和该模板图案获得的每一个子图的差异度、该模板图案和该模板图案获得的所有子图的差异度之和计算每一个模板图案和该模板图案获得的每一个子图的匹配率。
选取每一个模板图案和该模板图案获得的每一个子图的匹配率的最大值所对应的子图作为该模板图案的匹配子图。
在所有模板图案与其匹配子图中选取匹配率最大的模板图案及其匹配子图作为最终模板图案及最终匹配子图。
选取最终模板图案及最终匹配子图中精确匹配的像素点对，将精确匹配的像素点对中位于最终模板图案上的像素点投影到扁形软管连通域灰度图像上，得到投影像素点，利用投影像素点和精确匹配的像素点对中位于最终匹配子图上的像素点之间所有像素点的形变度得到印刷图案偏移度。
利用得到的印刷图案偏移度的绝对值大小判断化妆品扁形软管包装质量是否合格。
进一步的，所述的一种识别化妆品生产领域包装印刷质量方法，若模板图案存在与其匹配率最大的多个子图时，则该模板图案的匹配子图为：
模板图案的匹配子图上左上角像素点的横坐标大于前一个模板图案的匹配子图上左上角像素点的横坐标；
模板图案与前一个模板图案的匹配子图上左上角像素点的纵坐标差值等于该模板图案与前一个模板图案起始点的纵坐标差值；
模板图案和该模板图案的匹配子图的匹配率大于匹配率阈值。
进一步的，所述的一种识别化妆品生产领域包装印刷质量方法，模板图案和该模板图案获得的每一个子图的匹配率的表达式为：
Figure 100002_DEST_PATH_IMAGE001
式中：
Figure 629672DEST_PATH_IMAGE002
表示第
Figure 520267DEST_PATH_IMAGE003
个模板图案与其子图
Figure 317322DEST_PATH_IMAGE004
的匹配率，
Figure 611644DEST_PATH_IMAGE005
表示第
Figure 785136DEST_PATH_IMAGE003
个模板图案与其子图
Figure 795818DEST_PATH_IMAGE004
的差异度，
Figure 763774DEST_PATH_IMAGE006
表示第
Figure 797589DEST_PATH_IMAGE003
个模板图案与其所有子图的差异度之和。
进一步的，所述的一种识别化妆品生产领域包装印刷质量方法，模板图案和该模板图案获得的每一个子图的差异度的表达式为：
Figure 509193DEST_PATH_IMAGE007
式中：
Figure 374381DEST_PATH_IMAGE008
表示第
Figure 700189DEST_PATH_IMAGE003
个模板图案上第
Figure DEST_PATH_IMAGE009
行第
Figure 283617DEST_PATH_IMAGE010
列像素点的灰度，
Figure 533332DEST_PATH_IMAGE011
表示第
Figure 456289DEST_PATH_IMAGE003
个模板图案上第
Figure 766048DEST_PATH_IMAGE009
行第
Figure 836772DEST_PATH_IMAGE010
列像素点对应的子图
Figure 578594DEST_PATH_IMAGE004
中像素点在扁形软管连通域中为第
Figure 418374DEST_PATH_IMAGE012
行第
Figure 899034DEST_PATH_IMAGE013
个像素点，
Figure 191475DEST_PATH_IMAGE014
表示第
Figure 986256DEST_PATH_IMAGE003
个模板图案上第
Figure 680542DEST_PATH_IMAGE009
行第
Figure 332103DEST_PATH_IMAGE010
列像素点在子图
Figure 377420DEST_PATH_IMAGE004
中对应像素点的灰度，
Figure 959580DEST_PATH_IMAGE009
表示模板图案上像素点的行数，
Figure 508373DEST_PATH_IMAGE010
表示模板图案上像素点的列数，
Figure 596414DEST_PATH_IMAGE015
表示第
Figure 801131DEST_PATH_IMAGE003
个模板图案上第
Figure 31DEST_PATH_IMAGE009
行第
Figure 403331DEST_PATH_IMAGE010
列像素点与其在子图中对应的像素点的灰度差异权重。
进一步的，所述的一种识别化妆品生产领域包装印刷质量方法，印刷图案偏移度的表达式为：
Figure 347759DEST_PATH_IMAGE016
式中：
Figure 102089DEST_PATH_IMAGE017
表示印刷图案偏移度，
Figure 839101DEST_PATH_IMAGE018
表示精确匹配的像素点在样品图像中的横坐标，
Figure DEST_PATH_IMAGE019
表示精确匹配的像素点对应的子图像素点在扁形软管连通域中为第
Figure 300169DEST_PATH_IMAGE020
行第
Figure 730013DEST_PATH_IMAGE019
个像素点，
Figure 706060DEST_PATH_IMAGE021
表示扁形软管连通域灰度图像中第
Figure 246762DEST_PATH_IMAGE020
行第
Figure 77184DEST_PATH_IMAGE022
个像素点的形变度，
Figure 412350DEST_PATH_IMAGE022
表示扁形软管连通域灰度图像中第
Figure 141272DEST_PATH_IMAGE020
行第
Figure 157769DEST_PATH_IMAGE022
个像素点。
进一步的，所述的一种识别化妆品生产领域包装印刷质量方法，所述模板图案为：
将标准印刷图案分割成相同大小的区域；
通过构建灰度共生矩阵计算每个区域的熵；
选取所有区域中熵值最大的多个区域作为模板图案，并根据每个模板图案左上角像素点的横坐标对模板图案进行排序。
进一步的，所述的一种识别化妆品生产领域包装印刷质量方法，获取最终模板图案及最终匹配子图中精确匹配的像素点对的方法为：
通过最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的形变度得到最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的灰度差异权重；
通过最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的灰度值以及灰度差异权重得到最终模板图案上每一列和最终匹配子图上对应列的差异度；
选取最终模板图案上所有列和最终匹配子图上对应列的差异度中差异度最小的对应列，该对应列的第一个像素点为模板图案及最终匹配子图中精确匹配的像素点对。
进一步的，所述的一种识别化妆品生产领域包装印刷质量方法，利用得到的印刷图案偏移度的绝对值大小判断化妆品扁形软管包装质量是否合格的方法为：
若印刷图案偏移度的绝对值小于偏移度阈值，判断化妆品扁形软管包装质量合格；
若印刷图案偏移度的绝对值大于偏移度阈值，判断化妆品扁形软管包装质量不合格。
一种人工智能系统，包括处理器和存储器，所述处理器执行如所述存储器存储的如所述的一种识别化妆品生产领域包装印刷质量方法的程序。
本发明利用计算机视觉，对采集到的化妆品扁形软管包装图像进行处理，分析扁形软管图像特征，对表面印刷图案进行识别，计算印刷图案偏移度，从而对扁形软管质量进行评价，相对于现有技术，实现了利用发生形变的匹配模板进行图形识别，同时提高了扁形软管质量检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种识别化妆品生产领域包装印刷质量方法的实施例的流程示意图；
图2为本发明的一种识别化妆品生产领域包装印刷质量方法的实施例的流程示意图；
图3为扁形软管示意图；
图4为管身不同位置的横截面示意图；
图5为椭圆坐标系示意图。
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。
实施例1
本发明的一种识别化妆品生产领域包装印刷质量方法的实施例，如图1所示，包括：
101、获取扁形软管连通域灰度图像。
102、将各模板图案在扁形软管连通域灰度图像上的对应区域进行遍历，获得各模板图案在扁形软管连通域灰度图像上对应区域的每一个子图。
103、分别利用每一个模板图案/子图上每个像素点和其同行相邻像素点的直线距离分别获得模板图案/子图上每个像素点的形变度。
104、通过每个模板图案的像素点和该模板图案获得的每一个子图对应像素点的形变度得到每一个模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度差异权重。
105、根据每一个模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度值以及灰度差异权重得到每个模板图案和该模板图案获得的每一个子图的差异度。
106、通过每一个模板图案和该模板图案获得的每一个子图的差异度、该模板图案和该模板图案获得的所有子图的差异度之和计算每一个模板图案和该模板图案获得的每一个子图的匹配率。
107、选取每一个模板图案和该模板图案获得的每一个子图的匹配率的最大值所对应的子图作为该模板图案的匹配子图。
108、在所有模板图案与其匹配子图中选取匹配率最大的模板图案及其匹配子图作为最终模板图案及最终匹配子图。
109、选取最终模板图案及最终匹配子图中精确匹配的像素点对，将精确匹配的像素点对中位于最终模板图案上的像素点投影到扁形软管连通域灰度图像上，得到投影像素点，利用投影像素点和精确匹配的像素点对中位于最终匹配子图上的像素点之间所有像素点的形变度得到印刷图案偏移度。
110、利用得到的印刷图案偏移度的绝对值大小判断化妆品扁形软管包装质量是否合格。
本发明利用计算机视觉，对采集到的化妆品扁形软管包装图像进行处理，分析扁形软管图像特征，对表面印刷图案进行识别，计算印刷图案偏移度，从而对扁形软管质量进行评价，相对于现有技术，实现了利用发生形变的匹配模板进行图形识别，同时提高了扁形软管质量检测的准确性。
实施例2
本发明的一种识别化妆品生产领域包装印刷质量方法的实施例，如图2所示，包括：
本实施例所针对的具体场景为：化妆品扁形软管包装生产过程中，可能会存在标识套印不准确或标识对标不准确导致二次注头的位置不准确，从而导致扁形软管正反面印刷图案存在偏移。本方案通过对扁形软管标识及表面印刷图案进行识别，获取标识偏移度及印刷图案偏移度，从而进行扁形软管质量评价，并定位产生质量问题的生产环节。
201、获取扁形软管连通域灰度图像。
本实施例需要根据化妆品扁形软管包装图像特征来识别标识及印刷图案。所以需先采集扁形软管图像，并识别图中的扁形软管信息。在二次注头生产工序后，在扁形软管标识侧放置相机，拍摄扁形软管图像。图像中包含背景及扁形软管。
本实施例采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下：
使用的数据集为采集的扁形软管图像数据集。
需要分割的像素，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于扁形软管的标注为1。
网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
至此，通过DNN实现了扁形软管图像的处理，获得图像中扁形软管连通域信息。为便于后续分析，将扁形软管连通域转换为灰度图像。
生产扁形软管时，若二次注头位置正确，则扁形软管正反面存在印刷的产品信息和花纹图案，若二次注头时注头位置不准确，则可能会导致印刷的产品信息及花纹图案（简称印刷图案）发生偏移，出现在扁形软管的侧面。二次注头时根据印刷在扁形软管管尾的方块标识进行对准，为检测扁形软管质量同时定位产生质量问题的生产环节，需对标识、印刷图案分别进行识别，获取标识偏移度、印刷图案偏移度。
由于二次注头后的扁形软管注头一侧的横截面为椭圆形，另外一头还未封尾，横截面为圆形，参见图3。印刷在其上的图案在拍摄的图像中各个位置发生不同的形变，通过简单的模板匹配方法无法将产生形变的图案准确识别。本实施例通过模板图案像素点与印刷图案像素点的形变度，构建像素点的匹配权重，并结合模板匹配的思想，对印刷图案进行准确的识别，并计算偏移度。
样品为二次注头位置准确的扁形软管，样品图像上的印刷图案为标准印刷图案，样品拍摄角度与产品拍摄角度一致。结合样品图像，对扁形软管表面印刷图案进行识别，过程如下：
202、将各模板图案在扁形软管连通域灰度图像上的对应区域进行遍历，获得各模板图案在扁形软管连通域灰度图像上对应区域的每一个子图。
样品表面印刷图案为标准的印刷图案，若扁形软管二次注头位置不正确，则扁形软管图像上的印刷图案与标准印刷图案位置存在差异，可能原本应位于扁形软管正面的部分印刷图案偏移到扁形软管侧面或背面，在图像中不可见。因此直接使用标准印刷图案作为模板图案时，无法实现扁形软管印刷图案与模板图案的匹配。
为获取扁形软管印刷图案与标准印刷图案的匹配关系，本方案将标准印刷图案分割成多个区域，并获取其中纹理特征最明显的几个区域作为模板图案，模板图案获取方法具体如下：将标准印刷图案分割成大小为
Figure 655747DEST_PATH_IMAGE023
的区域，采用灰度共生矩阵计算每个区域的熵，若熵越大，则该区域的图像越复杂，该区域的纹理特征越明显。选取熵值最大的20个区域作为模板图案，并按模板图案左上角像素点横坐标值对模板图案进行排序。
上述熵值最大的20个区域即为纹理特征最明显的20个区域，选取这20个区域作为模板进行图像识别，有利于提高匹配精确度。
至此完成了模板图案的获取。
若二次注头位置不正确，则扁形软管上正反面印刷图案会向管身侧面偏移，该偏移实际为左右偏移，二次注头位置不正确并不会出现印刷图案上下偏移的情况。因此结合第
Figure 161815DEST_PATH_IMAGE024
个模板图案在样品图像中的位置，确定模板图案在扁形软管图像中匹配的范围：第
Figure 378032DEST_PATH_IMAGE024
个模板图案在样品图案中纵坐标为
Figure 948953DEST_PATH_IMAGE025
，考虑到实际拍摄中的误差，取扁形软管图像中纵坐标为
Figure 301437DEST_PATH_IMAGE026
的区域，在该区域内遍历移动第
Figure 243985DEST_PATH_IMAGE024
个模板图案进行匹配。模板图案在该区域内遍历移动，被模板图案覆盖的部分称为子图，子图左上角像素点在扁形软管连通域内为第
Figure 619603DEST_PATH_IMAGE027
行第
Figure 40220DEST_PATH_IMAGE028
个像素点，记为子图
Figure 512790DEST_PATH_IMAGE029
。
203、分别利用每一个模板图案/子图上每个像素点和其同行相邻像素点的直线距离分别获得模板图案/子图上每个像素点的形变度。
扁形软管向上的一头为二次注头，该头管身横截面为椭圆形，另一头管身还未封尾，横截面为圆形。管身横截面为椭圆形，且越靠近二次注头的位置，管身横截面的椭圆形越扁长，越远离二次注头的位置，管身横截面的椭圆形越趋于圆形。拍摄的扁形软管表面为弧面，与相机镜头不平行，因此拍摄得到的印刷花纹在不同位置均有不同程度的变形，参见图4，如图4中拍摄得到三段长度相等的线段
Figure 360660DEST_PATH_IMAGE030
、
Figure 472841DEST_PATH_IMAGE031
、
Figure 697149DEST_PATH_IMAGE032
，分别对应椭圆横截面上三段弧长
Figure 24225DEST_PATH_IMAGE033
、
Figure 246259DEST_PATH_IMAGE034
、
Figure 658786DEST_PATH_IMAGE035
。
Figure 421206DEST_PATH_IMAGE032
趋近于图像中间，其对应的弧长
Figure 288274DEST_PATH_IMAGE035
与
Figure 743526DEST_PATH_IMAGE032
长度近似；
Figure 643349DEST_PATH_IMAGE030
位于图像边缘，其对应的弧长
Figure 209460DEST_PATH_IMAGE033
长度大于
Figure 183232DEST_PATH_IMAGE030
，实际长度为
Figure 809385DEST_PATH_IMAGE033
的图案内容在图像中长度仅为
Figure 196504DEST_PATH_IMAGE030
，图案势必发生了形变。线段
Figure 487677DEST_PATH_IMAGE036
长度与
Figure 643852DEST_PATH_IMAGE030
相等，
Figure 440907DEST_PATH_IMAGE036
对应圆形横截面上弧长
Figure 49743DEST_PATH_IMAGE037
，大于
Figure 160918DEST_PATH_IMAGE030
对应的弧长
Figure 171600DEST_PATH_IMAGE033
。综上，可得到以下结论：扁形软管图像中同一高度的印刷花纹，越靠近扁形软管两侧边缘，印刷花纹变形程度越大；扁形软管图像中同一竖向位置的花纹，越靠近圆形横截面，印刷花纹变形程度越大。
根据以上特征，计算扁形软管连通域中第
Figure 139556DEST_PATH_IMAGE027
行每个像素点的形变度：
扁形软管连通域第
Figure 924103DEST_PATH_IMAGE027
行像素点个数
Figure 370128DEST_PATH_IMAGE038
为该位置横截面椭圆的长轴长
Figure 500895DEST_PATH_IMAGE038
；样品图像中扁形软管连通域第
Figure 639752DEST_PATH_IMAGE027
行像素点在图像中横坐标为
Figure 160863DEST_PATH_IMAGE039
，此些像素点的中心点的横坐标为
Figure 410579DEST_PATH_IMAGE040
；扁形软管连通域最后一行像素点个数为该位置横截面圆形的直径
Figure 395853DEST_PATH_IMAGE041
，结合直径计算得到圆形的周长
Figure 892562DEST_PATH_IMAGE042
；扁形软管在二次注头之前为圆柱体，任意部分的横截面均为相同的圆形，在二次注头之后横截面变为不同的椭圆，但周长不变，因此椭圆周长为
Figure 963286DEST_PATH_IMAGE043
；结合椭圆周长公式
Figure 16693DEST_PATH_IMAGE044
计算得到椭圆短半轴
Figure 856473DEST_PATH_IMAGE045
。即可得到椭圆方程
Figure 274816DEST_PATH_IMAGE046
，绘制椭圆图像，参见图5。则第
Figure 567257DEST_PATH_IMAGE027
行像素中心点横坐标
Figure 424355DEST_PATH_IMAGE047
在椭圆坐标系中的横坐标为0，第
Figure 804127DEST_PATH_IMAGE027
行像素点（在椭圆坐标系中）的横坐标为
Figure 455688DEST_PATH_IMAGE048
，记为
Figure 501005DEST_PATH_IMAGE049
，带入到椭圆方程中即可得到每个点的纵坐标
Figure 833897DEST_PATH_IMAGE050
，相邻两点之间的弧长为两点之间的实际距离，相邻两点之间的直线距离近似弧长，结合各点坐标，计算相邻两点之间的直线距离
Figure 382690DEST_PATH_IMAGE051
；相邻两点之间的横坐标差值为两点之间在图像上的距离，均为1。结合相邻两点
Figure 470732DEST_PATH_IMAGE052
之间的直线距离
Figure 737765DEST_PATH_IMAGE053
得到
Figure 858037DEST_PATH_IMAGE054
的形变度
Figure 526915DEST_PATH_IMAGE055
，
Figure 785858DEST_PATH_IMAGE054
对应图像中第
Figure 212292DEST_PATH_IMAGE027
行第
Figure 214883DEST_PATH_IMAGE056
个像素点，即第
Figure 738268DEST_PATH_IMAGE027
行第
Figure 902533DEST_PATH_IMAGE056
个像素点的形变度为
Figure 832574DEST_PATH_IMAGE057
。同理，可以计算得到扁形软管连通域中所有像素点的形变度
Figure 373277DEST_PATH_IMAGE058
，故可获取子图上每个像素点的形变度。
同理，结合模板图案在样品图像中的位置，可以计算得到模板图案上每个像素点的形变度，如第
Figure 751168DEST_PATH_IMAGE024
个模板图案上每个像素点的形变度为
Figure 289597DEST_PATH_IMAGE059
。
至此获取了子图上每个像素点的形变度与每个模板图案上每个像素点的形变度。
204、通过每个模板图案的像素点和该模板图案获得的每一个子图对应像素点的形变度得到每一个模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度差异权重。
上一步获取了子图上每个像素点的形变度与模板图像上每个像素点的形变度。对于第
Figure 752940DEST_PATH_IMAGE024
个模板图案，为了将其与子图进行匹配，计算第
Figure 97333DEST_PATH_IMAGE024
个模板图案上第
Figure 595311DEST_PATH_IMAGE060
行第
Figure 288329DEST_PATH_IMAGE061
列像素点与其在子图中对应的像素点的灰度差异权重
Figure 504547DEST_PATH_IMAGE062
，具体为：
Figure 387052DEST_PATH_IMAGE063
Figure 677219DEST_PATH_IMAGE064
式中：
Figure 354188DEST_PATH_IMAGE065
为第
Figure 792123DEST_PATH_IMAGE024
个模板图案上第
Figure 478319DEST_PATH_IMAGE060
行第
Figure 370795DEST_PATH_IMAGE061
列像素点的形变度；
Figure 484245DEST_PATH_IMAGE066
为第
Figure 409475DEST_PATH_IMAGE024
个模板图案上第
Figure 633783DEST_PATH_IMAGE060
行第
Figure 898543DEST_PATH_IMAGE061
列像素点对应的子图上像素点的形变度；
Figure 182893DEST_PATH_IMAGE067
为上述两个像素点的形变度差异倒数；两个像素点的形变度差异倒数除以
Figure 329841DEST_PATH_IMAGE068
用以归一化。
Figure 544791DEST_PATH_IMAGE060
表示模板图案上像素点的行数，
Figure 726373DEST_PATH_IMAGE061
表示模板图案上像素点的列数。
205、根据每一个模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度值以及灰度差异权重得到每个模板图案和该模板图案获得的每一个子图的差异度。
第
Figure 181625DEST_PATH_IMAGE024
个模板图案与该子图的差异度为
Figure 81448DEST_PATH_IMAGE069
：
Figure 585242DEST_PATH_IMAGE007
式中：
Figure 621331DEST_PATH_IMAGE070
为第
Figure 247484DEST_PATH_IMAGE024
个模板图案上第
Figure 57440DEST_PATH_IMAGE060
行第
Figure 427241DEST_PATH_IMAGE061
列像素点的灰度；
Figure 583416DEST_PATH_IMAGE071
表示第
Figure 380471DEST_PATH_IMAGE024
个模板图案上第
Figure 926990DEST_PATH_IMAGE060
行第
Figure 834903DEST_PATH_IMAGE061
列像素点对应的子图
Figure 845584DEST_PATH_IMAGE029
中像素点在扁形软管连通域中为第
Figure 491DEST_PATH_IMAGE072
行第
Figure 96623DEST_PATH_IMAGE073
个像素点；
Figure 808227DEST_PATH_IMAGE074
为第
Figure 938994DEST_PATH_IMAGE024
个模板图案上第
Figure 15534DEST_PATH_IMAGE060
行第
Figure 333383DEST_PATH_IMAGE061
列像素点在子图
Figure 534164DEST_PATH_IMAGE029
中对应像素点的灰度；100为模板图案与子图的列数；10为模板图案与子图的行数。
Figure 457121DEST_PATH_IMAGE062
权重表示若一对像素点的形变度差异近似时，则该对像素点表示的图案形变程度基本一致，该对像素的匹配结果更准确，则在计算差异度时更关注该对像素点的灰度差异；若一对像素点的形变度差异较大时，则该对像素点原本可能为同一图案，但由于形变度不同，导致该像素点灰度发生了变化，直接比较二者的灰度差异则可能不准确，在计算差异度时更不关注该对像素点的灰度差异。通过权重的设置，使得在计算模板图案与子图的差异度时，更加关注形变度相近的部分像素点，使得差异度结果更加准确。
对于形变度相差较大的像素点对，在计算差异度时如果赋予较大的权重，会造成匹配结果不准确，误差较大，因此赋予比较小的权重，反之，对于形变度相差较小的像素点对，在计算差异度时如果赋予较小的权重，也会造成匹配结果不准确的后果。
206、通过每一个模板图案和该模板图案获得的每一个子图的差异度、该模板图案和该模板图案获得的所有子图的差异度之和计算每一个模板图案和该模板图案获得的每一个子图的匹配率。
结合差异度
Figure 766879DEST_PATH_IMAGE069
获取第
Figure 758975DEST_PATH_IMAGE024
个模板图案与子图的匹配率
Figure 812382DEST_PATH_IMAGE075
：
Figure 652162DEST_PATH_IMAGE001
式中：
Figure 132821DEST_PATH_IMAGE076
为第
Figure 628525DEST_PATH_IMAGE024
个模板图案与子图
Figure 220043DEST_PATH_IMAGE029
的差异度；
Figure 179909DEST_PATH_IMAGE043
为第
Figure 519886DEST_PATH_IMAGE024
个模板图案在对应匹配范围区域内所有子图与第
Figure 299623DEST_PATH_IMAGE024
个模板图案的差异度之和；若子图
Figure 694832DEST_PATH_IMAGE029
与第
Figure 509204DEST_PATH_IMAGE024
个模板图案的差异度越大，则二者的匹配率越小，反之，匹配率越大。同理计算第
Figure 269350DEST_PATH_IMAGE024
个模板图案在对应匹配范围区域内所有子图的匹配率。
同理，获取所有模板图案在扁形软管连通域上的子图，以及模板图案与子图的匹配率。
上一步获取了所有模板图案在扁形软管连通域上对应的所有子图，以及模板图案与子图之间的匹配率。
207、选取每一个模板图案和该模板图案获得的每一个子图的匹配率的最大值所对应的子图作为该模板图案的匹配子图。
选取每一个模板图案匹配率最大的子图作为其匹配子图，得到最终的匹配结果。
208、若模板图案存在与其匹配率最大的多个子图时，则该模板图案的匹配子图为：
模板图案的匹配子图上左上角像素点的横坐标大于前一个模板图案的匹配子图上左上角像素点的横坐标；
模板图案与前一个模板图案的匹配子图上左上角像素点的纵坐标差值等于该模板图案与前一个模板图案起始点的纵坐标差值；
模板图案和该模板图案的匹配子图的匹配率大于匹配率阈值。
具体来说，若一个模板图案存在多个匹配率最大的子图，为获取模板图案在扁形软管连通域中对应的准确图案位置，需结合其他模板图案进行判断。
例如第
Figure 536383DEST_PATH_IMAGE077
个模板图案存在多个匹配率最大的子图，首先获取相邻模板图案之间的起始纵坐标差值
Figure 735283DEST_PATH_IMAGE078
。假设第
Figure 591113DEST_PATH_IMAGE024
个模板图案实际在扁形软管连通域中对应的子图为
Figure 584477DEST_PATH_IMAGE029
，则第
Figure 338806DEST_PATH_IMAGE077
个模板图案与子图
Figure 279080DEST_PATH_IMAGE079
匹配需满足以下关系：
第一、
Figure 802465DEST_PATH_IMAGE080
，
Figure 966730DEST_PATH_IMAGE081
为第
Figure 893842DEST_PATH_IMAGE024
个模板与第
Figure 434545DEST_PATH_IMAGE077
个模板图案之间的纵坐标差异，二次注头位置不正确并不会出现印刷图案上下偏移的情况，第
Figure 812436DEST_PATH_IMAGE024
个模板与第
Figure 413182DEST_PATH_IMAGE077
个模板图案对应的子图之间纵向位置差异与模板图案一致，得到
Figure 814207DEST_PATH_IMAGE080
。
第二、
Figure 158601DEST_PATH_IMAGE082
二次注头位置不正确可能会导致图案偏移，但图案偏移为整体偏移，图案内部横向顺序不会发生变化。第
Figure 390999DEST_PATH_IMAGE077
个模板图案初始横坐标值大于第
Figure 162646DEST_PATH_IMAGE024
个模板图案初始横坐标，因此对应子图初始横坐标
Figure 300235DEST_PATH_IMAGE083
。
第三、
Figure 182741DEST_PATH_IMAGE084
,设置阈值
Figure 535225DEST_PATH_IMAGE085
，若匹配率非常小，小于阈值
Figure 415456DEST_PATH_IMAGE085
，则模板图案与对应子图无法匹配。因此匹配率需满足
Figure 853391DEST_PATH_IMAGE084
条件。
Figure 539587DEST_PATH_IMAGE085
由人工进行设置，经验值为0.2。
满足上述条件，即可确定第
Figure 746577DEST_PATH_IMAGE077
个模板图案的匹配子图。
通过上述步骤，模板图案在扁形软管连通域中均有对应匹配子图，即实现了扁形软管连通域中部分位置图案的识别。
209、在所有模板图案与其匹配子图中选取匹配率最大的模板图案及其匹配子图作为最终模板图案及最终匹配子图。
上述步骤获取了多个模板图案与扁形软管连通域中部分位置图案的对应关系，为获取准确的印刷图案偏移度，首先选择匹配结果中匹配率最大的模板图案与对应匹配子图作为最终模板图案及最终匹配子图，记为第
Figure 548442DEST_PATH_IMAGE024
个模板图案与匹配子图
Figure 473673DEST_PATH_IMAGE029
。
210、选取最终模板图案及最终匹配子图中精确匹配的像素点对，将精确匹配的像素点对中位于最终模板图案上的像素点投影到扁形软管连通域灰度图像上，得到投影像素点，利用投影像素点和精确匹配的像素点对中位于最终匹配子图上的像素点之间所有像素点的形变度得到印刷图案偏移度。
由于模板图案与子图中对应位置的形变度可能不一致，因此在计算模板图案与子图差异度时增加了形变度相关的权重，对于形变度相差较大的像素点对，在计算差异度时权重较小，相当于将形变度相差较大的像素点对作为模糊匹配，形变度相差较小的像素点对作为精确匹配。要计算印刷图案准确的偏移度，需选择模板图案与子图中精确匹配的像素点对。
211、获取最终模板图案及最终匹配子图中精确匹配的像素点对的方法为：
通过最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的形变度得到最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的灰度差异权重；
通过最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的灰度值以及灰度差异权重得到最终模板图案上每一列和最终匹配子图上对应列的差异度；
选取最终模板图案上所有列和最终匹配子图上对应列的差异度中差异度最小的对应列，该对应列的第一个像素点为模板图案及最终匹配子图中精确匹配的像素点对。
上述获取最终模板图案及最终匹配子图中精确匹配的像素点对的方法即为参考差异度
Figure 697981DEST_PATH_IMAGE005
的计算方法，仅计算模板图案每一列像素点与匹配子图中对应像素点的灰度差异加权之和作为每一列像素点的差异度。选择列差异度最小的列。则该列第一个像素点及对应的子图上的像素点为精确匹配的像素点，根据这两个像素点的位置，计算印刷图案的偏移度：
该列第一个像素点在样品图像中的横坐标为
Figure 962740DEST_PATH_IMAGE086
，按照横坐标位置将该像素点对应到扁形软管连通域中为第
Figure 981512DEST_PATH_IMAGE027
行第
Figure 394038DEST_PATH_IMAGE086
个像素点，其形变度为
Figure 422037DEST_PATH_IMAGE087
。该列第一个像素点对应的子图像素点在扁形软管连通域中为第
Figure 790571DEST_PATH_IMAGE027
行第
Figure 245823DEST_PATH_IMAGE088
个像素点，其形变度为
Figure 880066DEST_PATH_IMAGE089
。前述步骤表示原本应该位于第
Figure 383860DEST_PATH_IMAGE027
行第
Figure 685528DEST_PATH_IMAGE086
个像素点的图案偏移到了第
Figure 311682DEST_PATH_IMAGE027
行第
Figure 433222DEST_PATH_IMAGE088
个像素点，且由于每个像素点在图像中均发生了一定程度的形变，结合第
Figure 511946DEST_PATH_IMAGE027
行第
Figure 668121DEST_PATH_IMAGE086
个像素点与第
Figure 465176DEST_PATH_IMAGE027
行第
Figure 11695DEST_PATH_IMAGE088
个像素点之间所有像素点的形变度计算印刷图案偏移度
Figure 919608DEST_PATH_IMAGE090
：
Figure 930289DEST_PATH_IMAGE091
式中：
Figure 898245DEST_PATH_IMAGE092
为扁形软管连通域灰度图像中第
Figure 181328DEST_PATH_IMAGE027
行第
Figure 892932DEST_PATH_IMAGE093
个像素点的形变度；当
Figure 758120DEST_PATH_IMAGE094
时，印刷图案未发生偏移，印刷图案偏移度为0；当
Figure 834660DEST_PATH_IMAGE095
或
Figure 418088DEST_PATH_IMAGE096
时，印刷图案向右或向左偏移。
212、利用得到的印刷图案偏移度的绝对值大小判断化妆品扁形软管包装质量是否合格。
若印刷图案偏移度
Figure 933383DEST_PATH_IMAGE097
，则化妆品扁形软管包装表面印刷图案偏移度较小，可以忽略不计，此时化妆品扁形软管包装质量合格。
若印刷图案偏移度
Figure 341493DEST_PATH_IMAGE098
，则化妆品扁形软管包装表面印刷图案偏移度较大，此时化妆品扁形软管包装质量不合格。
管身标识为位于扁形软管未封尾一头的方形小块，标识所在行仅有标识，无其他印刷图案。标识与印刷图案为套印，因此可能会出现标识与印刷图案套印不准确的情况。获取样品图案中标识的纵坐标范围
Figure 651252DEST_PATH_IMAGE099
及标识左上角的像素点横坐标值
Figure 659659DEST_PATH_IMAGE100
，将拍摄的扁形软管连通域中纵坐标
Figure 713066DEST_PATH_IMAGE101
范围内的图像转换为二值图像，则二值图像中的黑色部分即为标识。扁形软管标识左上角像素点为连通域中第
Figure 552846DEST_PATH_IMAGE102
行第
Figure 220456DEST_PATH_IMAGE045
个像素点，则该像素点的形变度为
Figure 778477DEST_PATH_IMAGE103
，样品标识左上角像素点按照横坐标对应到扁形软管连通域中为第
Figure 369995DEST_PATH_IMAGE102
行第
Figure 64282DEST_PATH_IMAGE100
个像素点，其形变度为
Figure 919105DEST_PATH_IMAGE104
。即原本应该位于第
Figure 698842DEST_PATH_IMAGE102
行第
Figure 94052DEST_PATH_IMAGE100
个像素点的标识偏移到了第
Figure 593910DEST_PATH_IMAGE102
行第
Figure 416372DEST_PATH_IMAGE045
个像素点。
结合印刷图案偏移度计算方法，计算标识偏移度：
Figure 683405DEST_PATH_IMAGE105
式中：
Figure 882306DEST_PATH_IMAGE106
表示扁形软管连通域灰度图像中第
Figure 488867DEST_PATH_IMAGE102
行第
Figure 482231DEST_PATH_IMAGE093
个像素点的形变度；当
Figure 236561DEST_PATH_IMAGE107
时，标识未发生偏移，标识偏移度为0；当
Figure 160523DEST_PATH_IMAGE108
或
Figure 683908DEST_PATH_IMAGE109
时，标识向右或向左偏移。
若印刷图案偏移度
Figure 113753DEST_PATH_IMAGE098
，此时化妆品扁形软管包装质量不合格，结合标识偏移度定位产生质量问题的生产环节：
第一、若标识偏移度
Figure 355378DEST_PATH_IMAGE110
且
Figure 568185DEST_PATH_IMAGE111
，则标识偏移度较小，可以忽略不计，标识与印刷图案偏移度存在较大差别，此时为印刷环节标识套印不准确导致印刷图案偏移；
第二、若标识偏移度满足
Figure 211656DEST_PATH_IMAGE112
，则标识与印刷图案偏移度差异较小，可能是由于偏移度计算过程中误差导致，二者偏移度差异可以忽略不计，此时为二次注头环节标识对标不准确，导致标识与印刷图案整体偏移；
第三、若标识偏移度
Figure 546822DEST_PATH_IMAGE113
且
Figure 964159DEST_PATH_IMAGE111
，则标识偏移度较大，同时标识偏移度与印刷图案偏移度存在较大差别，此时为印刷时标识套印不准确且二次注头时标识对标不准确共同导致印刷图案偏移。
其中
Figure 42974DEST_PATH_IMAGE114
由人工设置，经验值为5。
上述步骤根据印刷图案偏移度绝对值的大小判断化妆品包装质量是否合格，在质量不合格的情形中，利用标识偏移度绝对值的大小以及印刷图案偏移度和标识偏移度差值的大小确定出产生质量问题的原因。
一种人工智能系统，包括处理器和存储器，所述处理器执行如所述存储器存储的如所述的一种识别化妆品生产领域包装印刷质量方法的程序。
本发明利用计算机视觉，对采集到的化妆品扁形软管包装图像进行处理，分析扁形软管图像特征，对表面印刷图案进行识别，计算印刷图案偏移度，从而对扁形软管质量进行评价，相对于现有技术，实现了利用发生形变的匹配模板进行图形识别，同时提高了扁形软管质量检测的准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (9)

1.一种识别化妆品生产领域包装印刷质量方法，其特征在于，包括：
获取扁形软管连通域灰度图像；
将各模板图案在扁形软管连通域灰度图像上的对应区域进行遍历，获得各模板图案在扁形软管连通域灰度图像上对应区域的每一个子图；
分别利用每一个模板图案/子图上每个像素点和其同行相邻像素点的直线距离分别获得模板图案/子图上每个像素点的形变度；
通过每个模板图案的像素点和该模板图案获得的每一个子图对应像素点的形变度得到每一个模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度差异权重；
根据每一个模板图案的像素点和该模板图案获得的每一个子图上对应像素点的灰度值以及灰度差异权重得到每个模板图案和该模板图案获得的每一个子图的差异度；
通过每一个模板图案和该模板图案获得的每一个子图的差异度、该模板图案和该模板图案获得的所有子图的差异度之和计算每一个模板图案和该模板图案获得的每一个子图的匹配率；
选取每一个模板图案和该模板图案获得的每一个子图的匹配率的最大值所对应的子图作为该模板图案的匹配子图；
在所有模板图案与其匹配子图中选取匹配率最大的模板图案及其匹配子图作为最终模板图案及最终匹配子图；
选取最终模板图案及最终匹配子图中精确匹配的像素点对，将精确匹配的像素点对中位于最终模板图案上的像素点投影到扁形软管连通域灰度图像上，得到投影像素点，利用投影像素点和精确匹配的像素点对中位于最终匹配子图上的像素点之间所有像素点的形变度得到印刷图案偏移度；
利用得到的印刷图案偏移度的绝对值大小判断化妆品扁形软管包装质量是否合格。
2.根据权利要求1所述的一种识别化妆品生产领域包装印刷质量方法，其特征在于，若模板图案存在与其匹配率最大的多个子图时，则该模板图案的匹配子图为：
模板图案的匹配子图上左上角像素点的横坐标大于前一个模板图案的匹配子图上左上角像素点的横坐标；
模板图案与前一个模板图案的匹配子图上左上角像素点的纵坐标差值等于该模板图案与前一个模板图案起始点的纵坐标差值；
模板图案和该模板图案的匹配子图的匹配率大于匹配率阈值。
3.根据权利要求1所述的一种识别化妆品生产领域包装印刷质量方法，其特征在于，模板图案和该模板图案获得的每一个子图的匹配率的表达式为：
Figure DEST_PATH_IMAGE001
式中：
Figure 863781DEST_PATH_IMAGE002
表示第
Figure 780922DEST_PATH_IMAGE003
个模板图案与其子图
Figure 246145DEST_PATH_IMAGE004
的匹配率，
Figure 641354DEST_PATH_IMAGE005
表示第
Figure 455726DEST_PATH_IMAGE003
个模板图案与其子图
Figure 278189DEST_PATH_IMAGE004
的差异度，
Figure 482905DEST_PATH_IMAGE006
表示第
Figure 681805DEST_PATH_IMAGE003
个模板图案与其所有子图的差异度之和。
4.根据权利要求1所述的一种识别化妆品生产领域包装印刷质量方法，其特征在于，模板图案和该模板图案获得的每一个子图的差异度的表达式为：
Figure 537635DEST_PATH_IMAGE007
式中：
Figure 530998DEST_PATH_IMAGE008
表示第
Figure 285328DEST_PATH_IMAGE003
个模板图案上第
Figure 960023DEST_PATH_IMAGE009
行第
Figure 483408DEST_PATH_IMAGE010
列像素点的灰度，
Figure 913252DEST_PATH_IMAGE011
表示第
Figure 154878DEST_PATH_IMAGE003
个模板图案上第
Figure 118417DEST_PATH_IMAGE009
行第
Figure 761888DEST_PATH_IMAGE010
列像素点对应的子图
Figure 97054DEST_PATH_IMAGE004
中像素点在扁形软管连通域中为第
Figure 825976DEST_PATH_IMAGE012
行第
Figure 842473DEST_PATH_IMAGE013
个像素点，
Figure 340451DEST_PATH_IMAGE014
表示第
Figure 112098DEST_PATH_IMAGE003
个模板图案上第
Figure 62736DEST_PATH_IMAGE009
行第
Figure 132192DEST_PATH_IMAGE010
列像素点在子图
Figure 484676DEST_PATH_IMAGE004
中对应像素点的灰度，
Figure 427224DEST_PATH_IMAGE009
表示模板图案上像素点的行数，
Figure 802842DEST_PATH_IMAGE010
表示模板图案上像素点的列数，
Figure 223459DEST_PATH_IMAGE015
表示第
Figure 696029DEST_PATH_IMAGE003
个模板图案上第
Figure 494964DEST_PATH_IMAGE009
行第
Figure 420195DEST_PATH_IMAGE010
列像素点与其在子图中对应的像素点的灰度差异权重。
5.根据权利要求1所述的一种识别化妆品生产领域包装印刷质量方法，其特征在于，印刷图案偏移度的表达式为：
Figure 582186DEST_PATH_IMAGE016
式中：
Figure 643683DEST_PATH_IMAGE017
表示印刷图案偏移度，
Figure 928033DEST_PATH_IMAGE018
表示精确匹配的像素点在样品图像中的横坐标，
Figure 340560DEST_PATH_IMAGE019
表示精确匹配的像素点对应的子图像素点在扁形软管连通域中为第
Figure 555510DEST_PATH_IMAGE020
行第
Figure 737092DEST_PATH_IMAGE019
个像素点，
Figure 926765DEST_PATH_IMAGE021
表示扁形软管连通域灰度图像中第
Figure 826588DEST_PATH_IMAGE020
行第
Figure 330382DEST_PATH_IMAGE022
个像素点的形变度，
Figure 632050DEST_PATH_IMAGE022
表示扁形软管连通域灰度图像中第
Figure 992624DEST_PATH_IMAGE020
行第
Figure 379743DEST_PATH_IMAGE022
个像素点。
6.根据权利要求1所述的一种识别化妆品生产领域包装印刷质量方法，其特征在于，所述模板图案为：
将标准印刷图案分割成相同大小的区域；
通过构建灰度共生矩阵计算每个区域的熵；
选取所有区域中熵值最大的多个区域作为模板图案，并根据每个模板图案左上角像素点的横坐标对模板图案进行排序。
7.根据权利要求1所述的一种识别化妆品生产领域包装印刷质量方法，其特征在于，获取最终模板图案及最终匹配子图中精确匹配的像素点对的方法为：
通过最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的形变度得到最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的灰度差异权重；
通过最终模板图案上各列每个像素点和最终匹配子图上对应列的像素点的灰度值以及灰度差异权重得到最终模板图案上每一列和最终匹配子图上对应列的差异度；
选取最终模板图案上所有列和最终匹配子图上对应列的差异度中差异度最小的对应列，该对应列的第一个像素点为模板图案及最终匹配子图中精确匹配的像素点对。
8.根据权利要求1所述的一种识别化妆品生产领域包装印刷质量方法，其特征在于，利用得到的印刷图案偏移度的绝对值大小判断化妆品扁形软管包装质量是否合格的方法为：
若印刷图案偏移度的绝对值小于偏移度阈值，判断化妆品扁形软管包装质量合格；
若印刷图案偏移度的绝对值大于偏移度阈值，判断化妆品扁形软管包装质量不合格。
9.一种人工智能系统，包括处理器和存储器，其特征在于，所述处理器执行如所述存储器存储的如权利要求1-8中任一项所述的一种识别化妆品生产领域包装印刷质量方法的程序。
CN202210408604.4A 2022-04-19 2022-04-19 识别化妆品生产领域包装印刷质量方法及人工智能系统 Active CN114494265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210408604.4A CN114494265B (zh) 2022-04-19 2022-04-19 识别化妆品生产领域包装印刷质量方法及人工智能系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210408604.4A CN114494265B (zh) 2022-04-19 2022-04-19 识别化妆品生产领域包装印刷质量方法及人工智能系统

Publications (2)

Publication Number Publication Date
CN114494265A CN114494265A (zh) 2022-05-13
CN114494265B true CN114494265B (zh) 2022-06-17

Family

ID=81489478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210408604.4A Active CN114494265B (zh) 2022-04-19 2022-04-19 识别化妆品生产领域包装印刷质量方法及人工智能系统

Country Status (1)

Country Link
CN (1) CN114494265B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114771120B (zh) * 2022-06-18 2022-09-02 南通人民彩印有限公司 微接触印刷过程压力控制方法、装置及人工智能系统
CN115063605B (zh) * 2022-08-16 2022-12-13 南通卓越数码科技有限公司 利用电子设备识别彩印包装的方法
CN115272343A (zh) * 2022-09-29 2022-11-01 江苏剑山包装科技有限公司 一种包装印刷品印刷质量检测方法
CN115311266B (zh) * 2022-10-10 2023-04-14 南通富兰妮纺织品有限公司 一种纺织品印染工艺中印染识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015011684A1 (en) * 2013-07-26 2015-01-29 G.D. S.P.A. Inspection method of a product in a packaging machine
WO2018068304A1 (zh) * 2016-10-14 2018-04-19 深圳配天智能技术研究院有限公司 一种图像匹配的方法及装置
CN108548820A (zh) * 2018-03-28 2018-09-18 浙江理工大学 化妆品纸质标签缺陷检测方法
CN114092375A (zh) * 2020-07-30 2022-02-25 四川卡库机器人科技有限公司 包装袋封面印刷缺陷自动检测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015011684A1 (en) * 2013-07-26 2015-01-29 G.D. S.P.A. Inspection method of a product in a packaging machine
WO2018068304A1 (zh) * 2016-10-14 2018-04-19 深圳配天智能技术研究院有限公司 一种图像匹配的方法及装置
CN108548820A (zh) * 2018-03-28 2018-09-18 浙江理工大学 化妆品纸质标签缺陷检测方法
CN114092375A (zh) * 2020-07-30 2022-02-25 四川卡库机器人科技有限公司 包装袋封面印刷缺陷自动检测系统及方法

Also Published As

Publication number Publication date
CN114494265A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114494265B (zh) 识别化妆品生产领域包装印刷质量方法及人工智能系统
Garnett et al. 3d-lanenet: end-to-end 3d multiple lane detection
CN106446894A (zh) 一种基于轮廓识别球型目标物位置的方法
CN106156684B (zh) 一种二维码识别方法及装置
CN107862234A (zh) 一种彩色条形码的识别方法、电子设备及存储介质
CN105005755A (zh) 三维人脸识别方法和系统
CN109886978B (zh) 一种基于深度学习的端到端告警信息识别方法
CN102704215A (zh) 基于dst文件解析与机器视觉结合的绣布自动切割方法
CN106296587B (zh) 轮胎模具图像的拼接方法
CN113160285B (zh) 一种基于局部深度图像关键性的点云匹配方法
CN107122775A (zh) 一种基于特征匹配的安卓手机身份证字符识别方法
CN115393861B (zh) 一种手写体文本精准分割方法
CN108182705A (zh) 一种基于机器视觉的三维坐标定位方法
CN114862836A (zh) 基于数据识别图形的纺织布料智能印染方法及系统
CN109472257A (zh) 一种字符版面确定方法及装置
CN112184533B (zh) 一种基于sift特征点匹配的水印同步方法
Kennard et al. Word warping for offline handwriting recognition
CN115311293B (zh) 一种印刷品图案的快速匹配方法
CN116994269A (zh) 一种图像文档中印章相似度比对方法及对比系统
CN107358244A (zh) 一种快速局部不变特征提取与描述方法
CN104392225B (zh) 基于梯度方向模板的在线掌纹有效区域快速分割方法
CN106056575A (zh) 一种基于似物性推荐算法的图像匹配方法
CN114373144B (zh) 一种用于高速视频中圆形标识点的自动识别方法
CN116110069A (zh) 基于编码标志点的答题卡识别方法、装置及其相关介质
CN107067009B (zh) 一种实时杆号识别方法

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