CN114549504A - 一种基于机器视觉的外观质量检测方法 - Google Patents

一种基于机器视觉的外观质量检测方法 Download PDF

Info

Publication number
CN114549504A
CN114549504A CN202210192665.1A CN202210192665A CN114549504A CN 114549504 A CN114549504 A CN 114549504A CN 202210192665 A CN202210192665 A CN 202210192665A CN 114549504 A CN114549504 A CN 114549504A
Authority
CN
China
Prior art keywords
region
image
character
calculating
area
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
Application number
CN202210192665.1A
Other languages
English (en)
Inventor
朱泽德
周艳红
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.)
Anhui Institute Of Industrial Technology Innovation
Luan Institute of Anhui Institute of Industrial Technology Innovation
Original Assignee
Anhui Institute Of Industrial Technology Innovation
Luan Institute of Anhui Institute of Industrial Technology Innovation
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 Anhui Institute Of Industrial Technology Innovation, Luan Institute of Anhui Institute of Industrial Technology Innovation filed Critical Anhui Institute Of Industrial Technology Innovation
Priority to CN202210192665.1A priority Critical patent/CN114549504A/zh
Publication of CN114549504A publication Critical patent/CN114549504A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明特别涉及一种基于机器视觉的外观质量检测方法，包括如下步骤：加载模板库中当前检测型号包装盒的模板图像；采集字符和图案印刷完成后包装盒表面图像；将所述包装盒表面图像矫正到系统默认检测位置；对所述矫正到标准检测位置的包装盒表面图像进行自适应阈值分割处理，并通过标准字符区域模板图像将所述字符区域C1和图案区域P1分离；通过对分离后的字符区域C1和图案区域P1进行处理判定是否为合格品。通过将字符和图案分离，字符缺陷检测主要通过查找字符粘结和缺失判定是否为合格品，图案缺陷检测主要通过计算几何矩是否符合标准来判定合格与否，这种判定方式不受包装盒姿态影响，并且整个检测过程由机器自动完成，降低了人工检测成本，且检测的准确率很高。

Description

一种基于机器视觉的外观质量检测方法
技术领域
本发明涉及机器视觉检测技术领域，特别涉及一种基于机器视觉的外观质量检测方法。
背景技术
机器视觉检测技术具备检测速度快、检测精度高和检测稳定性强等大量优点。近年来随着我国工业自动化领域的快速发展，机器视觉检测技术在包装盒表面印刷缺陷检测领域得到广泛的应用。利用该技术可以准确的识别包装盒表面是否存在字符粘连、缺少、图案错印、漏印等情况的发生。当前利用机器视觉检测技术进行包装盒表面的缺陷检测已经成为了一个重要的研究方向。
包装盒表面印刷缺陷大多表现是油墨量过多导致的字符粘接和印刷图案外型具有较大的差异性或油墨量不足导致字符印记不清和印刷图案模糊不清等状况，因此可以通过采集包装盒表面的图像来对包装盒表面的缺陷进行相关的识别。传统的包装盒表面缺陷检测大多直接以模板匹配的方式进行，根据检测图像与标准模板之间的匹配分数来确定二者的相似程度，相似程度越高匹配分数也就越高，说明包装盒表面出现缺陷的概率越低，但是当采集图像出现旋转、缩放等情况的发生时往往就会出现无法匹配等现象的发生导致误检。
发明内容
本发明的目的在于提供一种基于机器视觉的外观质量检测方法，能够自动、准确的检测包装盒表面缺陷。
为实现以上目的，本发明采用的技术方案为：一种基于机器视觉的外观质量检测方法，包括如下步骤：S100、加载模板库中当前检测型号包装盒的模板图像，每种检测型号包括标准模板图像、标准检测区域模板图像和标准字符区域模板图像；S200、采集字符和图案印刷完成后包装盒表面图像；S300、将所述包装盒表面图像矫正到系统默认检测位置；S400、对所述矫正到标准检测位置的包装盒表面图像进行自适应阈值分割处理，得到二值化后的包装盒表面图像，通过标准检测区域模板图像提取二值化后的包装盒表面图像中字符区域C1和图案区域P1，通过标准字符区域模板图像将所述字符区域C1和图案区域P1分离；S500、遍历字符区域C1，将每个字符区域进行连通域分割，计算分割后的各连通域的面积并找到面积最大的字符区域C1-M；S600、计算面积最大的字符区域C1-M的外接矩形C1-R，利用该外接矩形C1-R在所述的标准模板图像中扣取对应的字符区域，并计算面积最大字符区域C1-Y，比较字符区域C1-M与字符区域C1-Y的结果差值，若该差值超过设定阈值则判定为不良品，否则执行下一步；S700、遍历图案区域P1，计算每个图案区域P1-S的外接矩形P1-R，利用该外接矩形P1-R在所述的标准模板图像中扣取对应的图案区域P1-Y，分别计算图案区域P1-S和图案区域P1-Y的质心距离，若距离超过设定阈值则判定为不良品，否则判定为合格品。
与现有技术相比，本发明存在以下技术效果：通过将字符和图案分离，字符缺陷检测主要通过查找字符粘结和缺失判定是否为合格品，图案缺陷检测主要通过计算几何矩是否符合标准来判定合格与否，这种判定方式不受包装盒姿态影响，并且整个检测过程由机器自动完成，降低了人工检测成本，且检测的准确率很高。
附图说明
图1是本发明的流程示意图；
图2是图像预处理流程图；
图3是字符检测流程图；
图4是图案检测流程图。
具体实施方式
下面结合图1至图4，对本发明做进一步详细叙述。
参阅图1，一种基于机器视觉的外观质量检测方法，包括如下步骤：S100、加载模板库中当前检测型号包装盒的模板图像，每种检测型号包括标准模板图像、标准检测区域模板图像和标准字符区域模板图像；S200、采集字符和图案印刷完成后包装盒表面图像；S300、将所述包装盒表面图像矫正到系统默认检测位置；S400、对所述矫正到标准检测位置的包装盒表面图像进行自适应阈值分割处理，得到二值化后的包装盒表面图像，通过标准检测区域模板图像提取二值化后的包装盒表面图像中字符区域C1和图案区域P1，通过标准字符区域模板图像将所述字符区域C1和图案区域P1分离；S500、遍历字符区域C1，将每个字符区域进行连通域分割，计算分割后的各连通域的面积并找到面积最大的字符区域C1-M；S600、计算面积最大的字符区域C1-M的外接矩形C1-R，利用该外接矩形C1-R在所述的标准模板图像中扣取对应的字符区域，并计算面积最大字符区域C1-Y，比较字符区域C1-M与字符区域C1-Y的结果差值，若该差值超过设定阈值则判定为不良品，否则执行下一步；S700、遍历图案区域P1，计算每个图案区域P1-S的外接矩形P1-R，利用该外接矩形P1-R在所述的标准模板图像中扣取对应的图案区域P1-Y，分别计算图案区域P1-S和图案区域P1-Y的质心距离，若距离超过设定阈值则判定为不良品，否则判定为合格品。通过将字符和图案分离，字符缺陷检测主要通过查找字符粘结和缺失判定是否为合格品，图案缺陷检测主要通过计算几何矩是否符合标准来判定合格与否，这种判定方式不受包装盒姿态影响，并且整个检测过程由机器自动完成，降低了人工检测成本，且检测的准确率很高。
参阅图2，有很多方案可以对包装盒表面图像进行矫正，本发明中进一步地，所述的步骤S300中，包括如下步骤：S310、计算包装盒表面图像的平均灰度值，进行自适应阈值分割处理，将分割得到的各个区域进行矩形度的计算，选取矩形度最优的区域作为图像矫正标志区域R-MD；S320、提取图像矫正标志区域R-MD的中心点坐标和旋转角度，调用系统默认矩形度最优区域的中心点坐标位置和旋转角度参数，计算得到包装盒表面图像的仿射变换矩阵；S330、通过计算得到的仿射变换矩阵将包装盒表面图像矫正到系统默认检测位置。通过提取中心点坐标和旋转角度，然后计算仿射变换矩阵，最后根据该矩阵来矫正，这种方案计算量较少，处理速度非常快。
进一步地，所述的步骤S310中，包括如下步骤：S311、通过如下公式计算包装盒表面图像的平均灰度值GA：
Figure BDA0003525519310000041
S312、利用包装盒表面图像的平均灰度值GA对图像进行自适应阈值分割处理，通过遍历每个像素灰度值GP，判断GP和GA的关系，若GP＜GA，则GP＝255，否则GP＝0；S313、通过上一步骤处理得到包装盒表面二值化图像，按如下公式计算该二值化图像中各区域的矩形度：
Figure BDA0003525519310000042
若RM＜RN，则令R0＝R1，式中，RM表示当前矩形度最优的区域的矩形度数值，S0表示当前区域的面积，SMinR表示当前区域的最小外接矩形的面积，R0表示当前矩形度最优的区域，R1表示当前的检测区域。通过上述步骤可以方便的选取出图像矫正标志区域R-MD。
进一步地，所述的步骤S320中，仿射变换矩阵包括平移矩阵和旋转矩阵，分别通过如下公式计算得到：
S321、按如下公式计算图像矫正标志区域R-MD的平移矩阵：
Figure BDA0003525519310000043
该式中，3×3矩阵即为平移矩阵，x、y表示图像矫正标志区域R-MD的中心点坐标，x′、y′表示系统默认矩阵度最优区域的中心点坐标；
S322、按如下公式计算图像矫正标志区域R-MD的旋转矩阵：
Figure BDA0003525519310000051
该式中，3×3矩阵即为旋转矩阵，θ表示图像矫正标志区域R-MD的旋转角度，这里的x′、y′与步骤S321中的一致，x″、y″表示输出坐标计算值；
S323、通过平移矩阵和旋转矩阵，对包装盒表面图像的每个像素进行矫正得到系统默认检测位置。通过旋转矩阵和平移矩阵，可以非常方便的对包装盒表面图像进行矫正。
参阅图3，进一步地，所述的步骤S600中，按如下步骤在所述的标准模板图像中扣取对应的字符区域：S610、计算字符区域C1-M的外接矩形C1-R的左上角点坐标tr和右下角点坐标br；S620、利用左上角点坐标tr和右下角点坐标br在所述的标准模板图像中扣取对应的字符区域；步骤S600中，若(C1-M)≤0.8*(C1-Y)或(C1-M)≥1.2*(C1-Y)，则判定为不良品。这里的参数0.8和1.2是本实施例中的优选数值，实际设定时，也可以选择其他的值。
参阅图4，进一步地，所述的步骤S700中，质心距离按如下步骤计算：S710、通过图案区域的几何矩Mji计算其质心坐标(Cx，Cy)：
Figure BDA0003525519310000052
S720、根据上式计算图案区域P1-S的质心坐标(C′x，C′y)以及标准模板图像图案区域P1-Y的质心坐标(C″x，C″y)；S730、通过如下公式计算质心坐标距离：
Figure BDA0003525519310000053
通过以上公式，可以方便的计算出质心坐标。
进一步地，所述的步骤S200中，包装盒表面字符和图案印刷完成后，通过传送带将包装盒输送到检测工位上，检测工位的底部安装有光电传感器，检测工位的上方安装有工业相机，光电传感器触发时工业相机采集包装盒表面图像。这样设置以后，包装盒通过传送带不停的进行输送，每到检测工位时，工业相机就会采集图像，并将图像输出至工控机或计算机上按上述步骤进行处理判定，当判定为不合格品时，通过推杆或吹风剔除该包装盒即可，余下的合格品继续在传送带上输出，整个检测过程无需人员参与，全自动完成，且检测的准确率和速度都很高。
进一步地，本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求前述一种基于机器视觉的外观质量检测方法。还公开了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求前述一种基于机器视觉的外观质量检测方法。

Claims (9)

1.一种基于机器视觉的外观质量检测方法，其特征在于：包括如下步骤：
S100、加载模板库中当前检测型号包装盒的模板图像，每种检测型号包括标准模板图像、标准检测区域模板图像和标准字符区域模板图像；
S200、采集字符和图案印刷完成后包装盒表面图像；
S300、将所述包装盒表面图像矫正到系统默认检测位置；
S400、对所述矫正到标准检测位置的包装盒表面图像进行自适应阈值分割处理，得到二值化后的包装盒表面图像，通过标准检测区域模板图像提取二值化后的包装盒表面图像中字符区域C1和图案区域P1，通过标准字符区域模板图像将所述字符区域C1和图案区域P1分离；
S500、遍历字符区域C1，将每个字符区域进行连通域分割，计算分割后的各连通域的面积并找到面积最大的字符区域C1-M；
S600、计算面积最大的字符区域C1-M的外接矩形C1-R，利用该外接矩形C1-R在所述的标准模板图像中扣取对应的字符区域，并计算面积最大字符区域C1-Y，比较字符区域C1-M与字符区域C1-Y的结果差值，若该差值超过设定阈值则判定为不良品，否则执行下一步；
S700、遍历图案区域P1，计算每个图案区域P1-S的外接矩形P1-R，利用该外接矩形P1-R在所述的标准模板图像中扣取对应的图案区域P1-Y，分别计算图案区域P1-S和图案区域P1-Y的质心距离，若距离超过设定阈值则判定为不良品，否则判定为合格品。
2.如权利要求1所述的一种基于机器视觉的外观质量检测方法，其特征在于：所述的步骤S300中，包括如下步骤：
S310、计算包装盒表面图像的平均灰度值，进行自适应阈值分割处理，将分割得到的各个区域进行矩形度的计算，选取矩形度最优的区域作为图像矫正标志区域R-MD；
S320、提取图像矫正标志区域R-MD的中心点坐标和旋转角度，调用系统默认矩形度最优区域的中心点坐标位置和旋转角度参数，计算得到包装盒表面图像的仿射变换矩阵；
S330、通过计算得到的仿射变换矩阵将包装盒表面图像矫正到系统默认检测位置。
3.如权利要求2所述的一种基于机器视觉的外观质量检测方法，其特征在于：所述的步骤S310中，包括如下步骤：
S311、通过如下公式计算包装盒表面图像的平均灰度值GA：
Figure FDA0003525519300000021
S312、利用包装盒表面图像的平均灰度值GA对图像进行自适应阈值分割处理，通过遍历每个像素灰度值GP，判断GP和GA的关系，若GP<GA，则GP＝255，否则GP＝0；
S313、通过上一步骤处理得到包装盒表面二值化图像，按如下公式计算该二值化图像中各区域的矩形度：
Figure FDA0003525519300000022
若RM<RN，则令R0＝R1，式中，RM表示当前矩形度最优的区域的矩形度数值，S0表示当前区域的面积，SMinR表示当前区域的最小外接矩形的面积，R0表示当前矩形度最优的区域，R1表示当前的检测区域。
4.如权利要求3所述的一种基于机器视觉的外观质量检测方法，其特征在于：所述的步骤S320中，仿射变换矩阵包括平移矩阵和旋转矩阵，分别通过如下公式计算得到：
S321、按如下公式计算图像矫正标志区域R-MD的平移矩阵：
Figure FDA0003525519300000023
该式中，3×3矩阵即为平移矩阵，x、y表示图像矫正标志区域R-MD的中心点坐标，x′、y′表示系统默认矩阵度最优区域的中心点坐标；
S322、按如下公式计算图像矫正标志区域R-MD的旋转矩阵：
Figure FDA0003525519300000031
该式中，3×3矩阵即为旋转矩阵，θ表示图像矫正标志区域R-MD的旋转角度，x″、y″表示输出坐标计算值；
S323、通过平移矩阵和旋转矩阵，对包装盒表面图像的每个像素进行矫正得到系统默认检测位置。
5.如权利要求4所述的一种基于机器视觉的外观质量检测方法，其特征在于：所述的步骤S600中，按如下步骤在所述的标准模板图像中扣取对应的字符区域：
S610、计算字符区域C1-M的外接矩形C1-R的左上角点坐标tr和右下角点坐标br；
S620、利用左上角点坐标tr和右下角点坐标br在所述的标准模板图像中扣取对应的字符区域；
步骤S600中，若(C1-M)≤0.8*(C1-Y)或(C1-M)≥1.2*(C1-Y)，则判定为不良品。
6.如权利要求5所述的一种基于机器视觉的外观质量检测方法，其特征在于：所述的步骤S700中，质心距离按如下步骤计算：
S710、通过图案区域的几何矩Mji计算其质心坐标(Cx,Cy)：
Figure FDA0003525519300000032
S720、根据上式计算图案区域P1-S的质心坐标(C′x,C′y)以及标准模板图像图案区域P1-Y的质心坐标(C″x,C″y)；
S730、通过如下公式计算质心坐标距离：
Figure FDA0003525519300000041
7.如权利要求1所述的一种基于机器视觉的外观质量检测方法，其特征在于：所述的步骤S200中，包装盒表面字符和图案印刷完成后，通过传送带将包装盒输送到检测工位上，检测工位的底部安装有光电传感器，检测工位的上方安装有工业相机，光电传感器触发时工业相机采集包装盒表面图像。
8.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-7中所述的一种基于机器视觉的外观质量检测方法。
9.一种电子设备，其特征在于：包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中所述的一种基于机器视觉的外观质量检测方法。
CN202210192665.1A 2022-03-01 2022-03-01 一种基于机器视觉的外观质量检测方法 Pending CN114549504A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210192665.1A CN114549504A (zh) 2022-03-01 2022-03-01 一种基于机器视觉的外观质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210192665.1A CN114549504A (zh) 2022-03-01 2022-03-01 一种基于机器视觉的外观质量检测方法

Publications (1)

Publication Number Publication Date
CN114549504A true CN114549504A (zh) 2022-05-27

Family

ID=81661476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210192665.1A Pending CN114549504A (zh) 2022-03-01 2022-03-01 一种基于机器视觉的外观质量检测方法

Country Status (1)

Country Link
CN (1) CN114549504A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309337A (zh) * 2023-02-11 2023-06-23 广州华盛汇美科技实业有限公司 基于图像识别的包装盒质量检测系统
CN116309573A (zh) * 2023-05-19 2023-06-23 成都工业学院 一种牛奶包装盒印刷字符的缺陷检测方法
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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927534A (zh) * 2014-04-26 2014-07-16 无锡信捷电气股份有限公司 一种基于卷积神经网络的喷码字符在线视觉检测方法
CN106096601A (zh) * 2016-06-06 2016-11-09 深圳辰通智能股份有限公司 一种自动检测票据中字符类型的方法和系统
US20170148154A1 (en) * 2015-11-24 2017-05-25 Keyence Corporation Positioning Method, Positioning Apparatus, Program, And Computer Readable Recording Medium
CN107451588A (zh) * 2017-08-28 2017-12-08 广东工业大学 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法
CN108345880A (zh) * 2018-01-26 2018-07-31 金蝶软件（中国）有限公司 发票识别方法、装置、计算机设备和存储介质
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
CN109308700A (zh) * 2017-07-27 2019-02-05 南京敏光视觉智能科技有限公司 一种基于印刷品字符的视觉识别缺陷检测方法
CN111474184A (zh) * 2020-04-17 2020-07-31 河海大学常州校区 基于工业机器视觉的aoi字符缺陷检测方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927534A (zh) * 2014-04-26 2014-07-16 无锡信捷电气股份有限公司 一种基于卷积神经网络的喷码字符在线视觉检测方法
US20170148154A1 (en) * 2015-11-24 2017-05-25 Keyence Corporation Positioning Method, Positioning Apparatus, Program, And Computer Readable Recording Medium
CN106096601A (zh) * 2016-06-06 2016-11-09 深圳辰通智能股份有限公司 一种自动检测票据中字符类型的方法和系统
CN109308700A (zh) * 2017-07-27 2019-02-05 南京敏光视觉智能科技有限公司 一种基于印刷品字符的视觉识别缺陷检测方法
CN107451588A (zh) * 2017-08-28 2017-12-08 广东工业大学 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法
CN108345880A (zh) * 2018-01-26 2018-07-31 金蝶软件（中国）有限公司 发票识别方法、装置、计算机设备和存储介质
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
CN111474184A (zh) * 2020-04-17 2020-07-31 河海大学常州校区 基于工业机器视觉的aoi字符缺陷检测方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309337A (zh) * 2023-02-11 2023-06-23 广州华盛汇美科技实业有限公司 基于图像识别的包装盒质量检测系统
CN116309337B (zh) * 2023-02-11 2023-10-10 广州华盛汇美科技实业有限公司 基于图像识别的包装盒质量检测系统
CN116309573A (zh) * 2023-05-19 2023-06-23 成都工业学院 一种牛奶包装盒印刷字符的缺陷检测方法
CN116309573B (zh) * 2023-05-19 2023-07-25 成都工业学院 一种牛奶包装盒印刷字符的缺陷检测方法
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

Similar Documents

Publication Publication Date Title
CN114549504A (zh) 一种基于机器视觉的外观质量检测方法
CN111896556B (zh) 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统
CN105588845B (zh) 一种焊接缺陷特征参数提取方法
CN109900706A (zh) 一种基于深度学习的焊缝及焊缝缺陷检测方法
CN109550712A (zh) 一种化纤丝尾丝外观缺陷检测系统及方法
CN108344743A (zh) 一种基于机器视觉药品泡罩包装缺陷检测方法及系统
CN106548111B (zh) 一种二维码外观缺陷检测方法及装置
CN110443791B (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
CN107084992A (zh) 一种基于机器视觉的胶囊检测方法及系统
CN109886954B (zh) 一种印刷品缺陷检测方法
CN114693610A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质
CN113034488B (zh) 一种喷墨印刷品的视觉检测方法
CN111127417B (zh) 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN114266764A (zh) 一种印刷标签的字符完整性检测方法及其装置
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
CN113063802A (zh) 一种印刷标签缺陷检测方法及其装置
CN117649404A (zh) 一种基于图像数据分析的药品包装盒质量检测方法及系统
CN113936291A (zh) 一种基于机器视觉的铝模板质检、回收方法
CN114332622A (zh) 一种基于机器视觉的标签检测方法
CN114199127A (zh) 基于机器视觉的汽车零件尺寸检测系统及方法
CN116309573B (zh) 一种牛奶包装盒印刷字符的缺陷检测方法

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