CN114757954A - 基于人工智能系统的纸盒印刷色差缺陷检测方法 - Google Patents

基于人工智能系统的纸盒印刷色差缺陷检测方法 Download PDF

Info

Publication number
CN114757954A
CN114757954A CN202210682476.2A CN202210682476A CN114757954A CN 114757954 A CN114757954 A CN 114757954A CN 202210682476 A CN202210682476 A CN 202210682476A CN 114757954 A CN114757954 A CN 114757954A
Authority
CN
China
Prior art keywords
color difference
pixel point
value
reference image
roughness
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
Application number
CN202210682476.2A
Other languages
English (en)
Other versions
CN114757954B (zh
Inventor
陆逸平
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 People Color Printing Co ltd
Original Assignee
Nantong People Color Printing 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 People Color Printing Co ltd filed Critical Nantong People Color Printing Co ltd
Priority to CN202210682476.2A priority Critical patent/CN114757954B/zh
Publication of CN114757954A publication Critical patent/CN114757954A/zh
Application granted granted Critical
Publication of CN114757954B publication Critical patent/CN114757954B/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于人工智能系统的纸盒印刷色差缺陷检测方法，涉及人工智能领域，主要用于纸箱印刷色差缺陷检测。包括：分别采集目标图像和目标深度图像，获取印刷区域；获取目标深度图像像素点深度梯度值计算粗糙度；拟合光照色差方程计算光照色差值；获取标准色差值计算色差增值；拟合色差曲线计算所有坐标点的波动程度；获取波动程度大于第一阈值的异常坐标点；计算印刷异常概率，将所述印刷异常概率小于第二阈值的像素点作为粗糙像素点；计算粗糙度色差值；计算基准图像的印刷色差值；当超出预设范围时目标存在缺陷。根据本发明提出的技术手段，可以排除光线强度和印刷品表面粗糙度造成采集色差影响，提高了印刷品色差缺陷检测精度。

Description

基于人工智能系统的纸盒印刷色差缺陷检测方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于人工智能系统的纸盒印刷色差缺陷检测方法。
背景技术
在纸盒印刷检测过程中，由于纸盒自身材质不同和印刷工艺不同造成的表面粗糙度不同，不同的粗糙度会影响光照的反射率，从而造成图像的采集色差。同时光照强度不同也会影响进入相机的光线量，从而造成图像的采集色差。因而采集到的印刷图像与底版图像之间的色差值会包含图像采集色差盒印刷色差，如果用该色差值作为印刷色差值来评判该纸盒的印刷质量，其检测精度相对较低。本发明设计一种印刷色差检测方法，能够提高色差的检测精度，辅助印刷作业参数的调整，提高印刷质量。
常规的纸盒印刷色差检测方法多通过将采集到的印刷品图片与底版图片相减来分析印刷色差值，但是该方法没有考虑印刷品表面粗糙度和光照强度造成的图像采集色差的影响，因而导致色差检测精度相对较低，不利于纸盒印刷作业参数的调整。
发明内容
本发明提供一种基于人工智能系统的纸盒印刷色差缺陷检测方法，以解决现有的问题，包括：分别采集目标图像和目标深度图像，获取印刷区域；拟合光照色差方程计算光照色差值；获取标准色差值计算色差增值；获取目标深度图像像素点深度梯度值计算粗糙度；拟合色差曲线计算所有坐标点的波动程度；获取波动程度大于第一阈值的异常坐标点；计算印刷异常概率，将所述印刷异常概率小于第二阈值的像素点作为粗糙像素点；计算粗糙度色差值；计算目标图像的印刷色差值；当超出预设范围时目标图像存在缺陷。
根据本发明提出的技术手段，通过拟合光照色差方程以及粗糙度色差方程来计算光照色差值和粗糙度色差值，将光照和粗糙度对色差值计算带来的影响去除，从而获取准确的印刷色差值，有效排除了光线强度和印刷品表面粗糙度造成的采集色差的影响，进而提高了因刷屏色差缺陷检测的精度。
本发明采用如下技术方案，一种基于人工智能系统的纸盒印刷色差缺陷检测方法，包括：
采集同批次目标图像和目标深度图像；获取所述目标深度图像中每个像素点的深度梯度值。
根据所述深度梯度值计算所述目标深度图像中每个像素点的粗糙度，将所述粗糙度小于预设阈值的目标深度图像对应的目标图像作为基准图像。
根据所述基准图像中每个像素点到光源的距离拟合光照色差方程，根据光照色差方程计算所述基准图像中每个像素点的光照色差值；根据所述光照色差值和基准图像的标准色差值得到基准图像每个像素点的色差增值。
根据所述基准图像中每个像素点的粗糙度值拟合色差曲线，计算所述基准图像中所有像素点的波动程度；获取所有波动程度大于第一阈值的异常像素点。
根据所述波动程度计算所述基准图像中异常像素点的印刷异常概率，将所述印刷异常概率小于第二阈值的像素点作为粗糙像素点。
利用RANSAC算法拟合所述粗糙像素点的粗糙度色差方程，根据所述粗糙度色差方程计算基准图像中每个粗糙像素点的粗糙度色差值。
根据所述基准图像每个像素点的色差增值和所述粗糙度色差值计算基准图像中像素点的的印刷色差值；当所述基准图像中像素点的印刷色差值超出预设范围时，目标存在印刷缺陷。
进一步的，一种基于人工智能系统的纸盒印刷色差缺陷检测方法，计算所述基准图像光照色差值的方法为：
将像素距光源距离作为自变量，不同距离下的色差作为因变量，利用最小二乘法拟合线性光照色差方程，根据所述光照色差方程计算基准图像中每个像素点的光照色差值，表达式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示第i个像素点的光照色差值，表示第i个像素点距光源距离，
Figure DEST_PATH_IMAGE006
表示第i个像素点的线性方程的常量参数。
进一步的，一种基于人工智能系统的纸盒印刷色差缺陷检测方法，根据所述光照色差值和所述基准图像的标准色差值得到基准图像每个像素点的色差增值的方法为：
通过目标底版图片的颜色值与基准图片的颜色值之差得到所述基准图像的标准色差值；
计算所述色差增值的表达式为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE010
表示所述基准图像第i个像素点的标准色差值，
Figure 183727DEST_PATH_IMAGE004
表示所述第i个像素点的光照色差值，
Figure DEST_PATH_IMAGE012
表示第i个像素点的色差增值。
进一步的，一种基于人工智能系统的纸盒印刷色差缺陷检测方法，计算所述目标深度图像的粗糙度的方法为：
利用sober算子计算目标深度图像中第i个像素点的深度梯度值
Figure DEST_PATH_IMAGE014
；
将所述目标深度图像拟合出曲面，获取第i个像素点梯度方向上曲线的极大值点和极小值点，将极大值点与极小值点的深度插值作为第i个像素点的波动幅度
Figure DEST_PATH_IMAGE016
；
根据所述目标图像的拟合曲面计算第i个像素点所在区域的波动频率
Figure DEST_PATH_IMAGE018
；
根据所述深度梯度值、所述波动幅度以及所述波动频率计算所述目标深度图像中每个像素点的粗糙度，表达式为：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
表示目标深度图像中第i个像素点的粗糙度，
Figure 258125DEST_PATH_IMAGE014
表示第i个像素点的深度梯度值
Figure 850911DEST_PATH_IMAGE014
，
Figure 308438DEST_PATH_IMAGE016
表示第i个像素点的波动幅度，
Figure 697044DEST_PATH_IMAGE018
表示第i个像素点所在区域的波动频率。
进一步的，一种基于人工智能系统的纸盒印刷色差缺陷检测方法，计算所述基准图像中所有像素点的波动程度的方法为：
以所述粗糙度为横坐标轴，所述色差增值为纵坐标轴，拟合粗糙度色差曲线，根据每个像素点的增长一致性和渐变性计算每个像素点的波动程度，表达式为：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
表示第i个像素点的波动程度，
Figure DEST_PATH_IMAGE028
表示第i个像素点的增长一致性值，
Figure DEST_PATH_IMAGE030
表示第i个像素点的渐变性值。
进一步的，一种基于人工智能系统的纸盒印刷色差缺陷检测方法，根据所述波动程度计算所述基准图像中异常像素点的印刷异常概率，表达式为：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE034
表示第i个异常像素点的印刷异常概率，
Figure 755392DEST_PATH_IMAGE026
表示所述波动程度值，
Figure DEST_PATH_IMAGE036
表示所述基准图像中异常像素点的密度。
进一步的，一种基于人工智能系统的纸盒印刷色差缺陷检测方法，计算所述粗糙度色差值的表达式为：
Figure DEST_PATH_IMAGE038
其中，
Figure 802851DEST_PATH_IMAGE028
表示所述基准图像第i个粗糙像素点的粗糙度色差值，
Figure 64068DEST_PATH_IMAGE022
表示所述基准图像中第i个像素点的粗糙度，
Figure DEST_PATH_IMAGE040
为多项式常量参数，n为多项式的次数。
进一步的，一种基于人工智能系统的纸盒印刷色差缺陷检测方法，计算目标图像的印刷色差值的方法如下：
通过所述基准图像每个像素点的色差增值减去所述粗糙色差值得到所述基准图像的印刷色差值。
本发明的有益效果是：根据本发明提出的技术手段，通过拟合光照色差方程以及粗糙度色差方程来计算光照色差值和粗糙度色差值，将光照和粗糙度对色差值计算带来的影响去除，从而获取准确的印刷色差值，有效排除了光线强度和印刷品表面粗糙度造成的采集色差的影响，进而提高了印刷色差缺陷检测的精度。
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为本发明实施例的一种基于人工智能系统的纸盒印刷色差缺陷检测方法结构示意图；
图2为本发明实施例的另一种基于人工智能系统的纸盒印刷色差缺陷检测方法结构示意图。
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
如图1所示，给出了本发明实施例的一种基于人工智能的纸盒印刷缺陷检测方法示意图，包括：
101.采集同批次目标图像和目标深度图像；获取所述目标深度图像中每个像素点的深度梯度值。
不同材质纸箱，采用多种印刷工艺得到的印刷品，通过传送带传输到相机下方，通过分析采集的印刷品图片，来获取该印刷品的印刷色差缺陷。当纸箱印刷品传输带将纸箱印刷品传输到相机正下方时，采集纸箱印刷品的深度图片和彩色图片。
由于采集到的纸箱印刷品图片中包含背景信息，因而需要分割出纸箱印刷品图片中的纸箱印刷品区域。
102.根据所述深度梯度值计算所述目标深度图像的粗糙度，将所述粗糙度小于预设阈值的目标深度图像对应的目标图像作为基准图像。
通过分析目标深度图中各区域的深度分布计算粗糙度，通过sober算子计算出计算像素
Figure DEST_PATH_IMAGE042
处深度梯度值。
将深度图像拟合出曲面，获取像素点
Figure DEST_PATH_IMAGE044
处的梯度方向上的曲线的极大值点和极小值点，求出与像素点最近的极大值和极小值点深度差值，将该值作为该像素的波动幅度。
通过深度图像的拟合曲面，计算出曲面的波峰波谷，计算统计像素所在的50*50窗口内波动的频率，进而可以得到单位面积的波动频率。
根据该像素点的深度梯度值、波动幅度以及波动频率计算得到对应像素点的粗糙度。
获取一个粗糙度
Figure DEST_PATH_IMAGE046
的纸盒，利用同高度设置的相机，在同光照条件下采集图片，由于该纸盒粗糙度较小，因而可认为该纸盒的色差只受光线影响，因而将该图片作为光照分析基准图片。
103.根据所述基准图像中每个像素点到光源的距离拟合光照色差方程，根据光照色差方程计算所述基准图像中每个像素点的光照色差值；根据所述光照色差值和基准图像的标准色差值得到基准图像每个像素点的色差增值。
本实施例设置的光源为光照强度固定的点光源，因而此处认为各区域的光照强度只受光源距离影响，因而此处划分区域时，以光源位置为半径，以100像素为半径间隔，划分成若干光照区域。
由于光照为连续低频变化，因而可以认为在小区域内光照色差呈线性变化关系。因而可以拟合出光照色差方程，同时此处光照强度只受光源距离影响，因而利用距离来代替光照强度变量。将像素距光源距离为自变量，不同距离下的像素色差作为因变量，利用最小二乘法即可拟合出线性光线模型。
通过底版图片和基准图片进行对应像素的颜色值相减得到综合色差值。
104.根据所述基准图像中每个像素点的粗糙度值拟合色差曲线，计算所述基准图像中所有像素点的波动程度；获取所有波动程度大于第一阈值的异常像素点。
以粗糙度为横坐标轴，色差增值为纵坐标轴，拟合出粗糙度-色差增值曲线。
由于粗糙度引起的色差呈现一定连续、渐变的特征，而印刷造成的色差会呈现一定的突变性特征，因而可以根据粗糙度色差曲线计算出各点的波动程度。
105.根据所述波动程度计算所述基准图像中异常像素点的印刷异常概率，将所述印刷异常概率小于第二阈值的像素点作为粗糙像素点。
利用波动规则程度来筛选出波动异常点，当该点的波动规则程度
Figure DEST_PATH_IMAGE048
时，认为该点为波动异常点。通常
Figure DEST_PATH_IMAGE050
,此处
Figure DEST_PATH_IMAGE052
表示波动规则程度众数，
Figure DEST_PATH_IMAGE054
表示波动规则程度方差。
由于印刷异常不会仅存在个别像素点，而应该呈现一定的区域性特征，而个别点的波动异常应该为信号采集误差，或噪点造成，因而可以根据该特征和波动规则程度计算出印刷异常概率。
106.利用RANSAC算法拟合所述粗糙像素点的粗糙度色差方程，根据所述粗糙度色差方程计算基准图像中每个粗糙像素点的粗糙度色差值。
随机抽样一致算法(random sample consensus, RANSAC)，其实就是采用迭代的方法从一组包含离群的被观测数据中估算出数学模型的参数。(比如通过一群点拟合一条直线等)。
107.根据所述基准图像每个像素点的色差增值和所述粗糙度色差值计算基准图像中像素点的的印刷色差值；当所述基准图像中像素点的印刷色差值超出预设范围时，目标存在印刷缺陷。
当所述基准图像中像素点的印刷色差值超出预设范围时，所述目标存在印刷缺陷。
将色差增值减去粗糙色差值得到印刷色差值，判断印刷色差值是否超出色差值允许范围，当该色差值超出允许范围，则判定目标印刷品质量不合格。
根据本发明提出的技术手段，通过拟合光照色差方程以及粗糙度色差方程来计算光照色差值和粗糙度色差值，将光照和粗糙度对色差值计算带来的影响去除，从而获取准确的印刷色差值，有效排除了光线强度和印刷品表面粗糙度造成的采集色差的影响，进而提高了印刷色差缺陷检测的精度。
实施例2
如图2所示，给出了本发明实施例另一种基于人工智能系统的纸盒印刷色差缺陷检测方法，包括：
201.采集同批次目标图像和目标深度图像；获取所述目标深度图像中每个像素点的深度梯度值。
本实施例需要根据纸箱印刷品图片信息来分析纸箱印刷品的印刷色差缺陷，所以需要先采集印刷品图片信息，并分割出纸箱印刷品图片区域。
在纸箱印刷品传输带正上方设置深度相机和普通相机，当纸箱印刷品传输带将纸箱印刷品传输到相机正下方时，采集纸箱印刷品的深度图片和彩色图片。
由于采集到的纸箱印刷品图片中包含背景信息，因而需要分割出纸箱印刷品图片中的纸箱印刷品区域，具体实现方法如下：
对底版图片和印刷品图片进行关键点匹配；
获取底版图片中纸箱印刷品的边缘轮廓信息，获取边缘轮廓中的关键点集合；
在印刷品图像中找到与边缘轮廓关键点集合匹配的关键点集合，获取通过关键点集合中点数最多的边缘信息，该边缘信息即为纸箱印刷品的边缘轮廓；
利用边缘轮廓分割出纸箱印刷品像素集合。
通过坐标位置对应筛选出深度图像中的像素集合，该像素集合即为深度图像中纸箱印刷区域的像素集合。
202.根据所述深度梯度值计算所述目标深度图像的粗糙度，将所述粗糙度小于预设阈值的目标深度图像对应的目标图像作为基准图像。
计算所述目标深度图像的粗糙度的方法为：
利用sober算子计算目标深度图像中第i个像素点的深度梯度值；
将所述目标深度图像拟合出曲面，获取第i个像素点梯度方向上曲线的极大值点和极小值点，将极大值点与极小值点的深度插值作为第i个像素点的波动幅度
Figure 697394DEST_PATH_IMAGE016
；
根据所述目标图像的拟合曲面计算第i个像素点所在区域单位面积的波动频率：通过深度图像的拟合曲面，计算出曲面的波峰波谷，计算统计像素所在的50*50窗口内波动的频率，进而可以得到单位面积的的波动频率
Figure 503807DEST_PATH_IMAGE018
；
根据所述深度梯度值、所述波动幅度以及所述波动频率计算所述目标深度图像中每个像素点的粗糙度，表达式为：
Figure 100002_DEST_PATH_IMAGE020A
其中，
Figure 962864DEST_PATH_IMAGE022
表示目标深度图像中第i个像素点的粗糙度，
Figure 512925DEST_PATH_IMAGE014
表示第i个像素点的深度梯度值
Figure 98627DEST_PATH_IMAGE014
，
Figure 840056DEST_PATH_IMAGE016
表示第i个像素点的波动幅度，
Figure 143998DEST_PATH_IMAGE018
表示第i个像素点所在区域的波动频率。
获取一个粗糙度
Figure 232171DEST_PATH_IMAGE046
的纸盒，利用同高度设置的相机，在同光照条件下采集图片，由于该纸盒粗糙度较小，因而可认为该纸盒的色差只受光线影响，因而将该图片作为光照分析基准图片。
203.根据所述基准图像中每个像素点到光源的距离拟合光照色差方程，根据光照色差方程计算所述基准图像中每个像素点的光照色差值；根据所述光照色差值和基准图像的标准色差值得到基准图像每个像素点的色差增值。
由于本实施例设置的光源为光照强度固定的点光源，因而此处认为各区域的光照强度只受光源距离影响，因而此处划分区域时，以光源位置为半径，以100像素为半径间隔，划分成若干光照区域。
计算各区域的线性光照-色差方程：由于光照为连续低频变化，因而可以认为在小区域内光照色差呈线性变化关系。因而可以拟合出光照色差方程，同时此处光照强度只受光源距离影响，因而利用距离来代替光照强度变量。将像素距光源距离为自变量，不同距离下的像素色差作为因变量，利用最小二乘法即可拟合出线性光线模型。
计算所述目标图像光照色差值的方法为：
Figure 100002_DEST_PATH_IMAGE002A
其中，
Figure 574510DEST_PATH_IMAGE004
表示第i个像素点的光照色差值，
Figure DEST_PATH_IMAGE056
表示第i个像素点距光源距离，
Figure 785042DEST_PATH_IMAGE006
表示第i个像素点的线性方程的常量参数。
通过目标底版图片的颜色值与基准图片的颜色值之差得到所述基准图像的标准色差值；
计算所述色差增值的表达式为：
Figure DEST_PATH_IMAGE008A
其中，
Figure 700915DEST_PATH_IMAGE010
表示所述基准图像第i个像素点的标准色差值，
Figure 842046DEST_PATH_IMAGE004
表示所述第i个像素点的光照色差值，
Figure 654538DEST_PATH_IMAGE012
表示第i个像素点的色差增值。
2041.根据所述基准图像中每个像素点的粗糙度值拟合色差曲线，计算所述基准图像中所有像素点的波动程度；获取所有波动程度大于第一阈值的异常像素点。
由于粗糙度引起的色差呈现一定连续、渐变的特征，而印刷造成的色差会呈现一定的突变性特征，因而可以根据粗糙度色差曲线计算出各点的波动规则程度。
计算曲线中坐标点的波动程度的方法为：
基于粗糙度色差曲线分析，将两两相邻坐标点的色差增值相减得到差值
Figure DEST_PATH_IMAGE058
，因而增长一致性值为
Figure DEST_PATH_IMAGE060
此处
Figure 941031DEST_PATH_IMAGE056
表示第i个像素点与第i-1个像素点的色差差值，
Figure DEST_PATH_IMAGE062
表示与第i个像素点邻接的色差增值。此处
Figure DEST_PATH_IMAGE064
符号表征量，所谓符号表征量为随着
Figure 829353DEST_PATH_IMAGE056
的符号调整的变量，该变量调整规则为：
Figure DEST_PATH_IMAGE066
一般渐变性通过粗糙度-色差增值曲线的斜率渐变性来考虑，即粗糙度色差曲线上中间一点的斜率，一般居于邻接两侧点的斜率取值区间内，因而可以根据粗糙度斜率来反应渐变性特征，具体为：
Figure DEST_PATH_IMAGE068
此处
Figure DEST_PATH_IMAGE070
表示第i个像素点与第i-1个像素点的单位粗糙度内的色差增值增幅。
以所述粗糙度为横坐标轴，所述色差增值为纵坐标轴，拟合粗糙度色差曲线，根据所述曲线中每个坐标点的增长一致性和渐变性计算每个坐标点对应像素点的波动程度，表达式为：
Figure DEST_PATH_IMAGE024A
其中，
Figure 371847DEST_PATH_IMAGE026
表示第i个像素点的波动程度，
Figure 786647DEST_PATH_IMAGE028
表示第i个像素点的增长一致性值，
Figure 309289DEST_PATH_IMAGE030
表示第i个像素戴拿的渐变性值。
利用波动规则程度来筛选出异常坐标点，当该点的波动规则程度
Figure DEST_PATH_IMAGE072
时，认为该点为异常坐标点，通常
Figure 622590DEST_PATH_IMAGE050
,此处
Figure 105524DEST_PATH_IMAGE052
表示波动规则程度众数，
Figure 889678DEST_PATH_IMAGE054
表示波动规则程度方差。
2042.根据所述波动程度计算所述基准图像中异常像素点的印刷异常概率，将所述印刷异常概率小于第二阈值的像素点作为粗糙像素点。
根据所述波动程度计算所述异常坐标点在所述基准图像中对应像素点的印刷异常概率，表达式为：
Figure DEST_PATH_IMAGE032A
其中，
Figure 471969DEST_PATH_IMAGE034
表示所述第i个像素点的印刷异常概率，
Figure 440275DEST_PATH_IMAGE026
表示所述波动程度值，
Figure 726900DEST_PATH_IMAGE036
表示所述基准图像中对应异常像素点的密度。
通过异常概率分割出粗糙像素点，当
Figure DEST_PATH_IMAGE074
认为粗糙像素点，因而通过该方式即可得到粗糙像素点集合。本实施例中，
Figure DEST_PATH_IMAGE076
的取值为0.3。
2043.利用RANSAC算法拟合所述粗糙像素点的粗糙度色差方程，根据所述粗糙度色差方程计算基准图像中每个粗糙像素点的粗糙度色差值。
计算所述粗糙度色差值的表达式为：
Figure DEST_PATH_IMAGE038A
其中，
Figure 116293DEST_PATH_IMAGE028
表示所述基准图像第i个粗糙像素点的粗糙度色差值，
Figure 603906DEST_PATH_IMAGE022
表示所述基准图像中第i个像素点的粗糙度，
Figure 78750DEST_PATH_IMAGE040
为多项式常量参数，n为多项式的次数。
205.根据所述基准图像每个像素点的色差增值和所述粗糙度色差值计算基准图像中像素点的的印刷色差值；当所述基准图像中像素点的印刷色差值超出预设范围时，目标存在印刷缺陷。
计算基准图像的印刷色差值的方法如下：
通过所述基准图像每个像素点的色差增值减去所述粗糙色差值得到所述基准图像的印刷色差值。
判断印刷色差值是否超出色差值允许范围，当该色差值超出允许范围，则判定目标印刷品存在缺陷。
本实施例中，印刷色差值的允许范围控制在3.5以内，即当印刷色差值大于3.5时，目标印刷品存在缺陷。
根据本发明提出的技术手段，通过拟合光照色差方程以及粗糙度色差方程来计算光照色差值和粗糙度色差值，将光照和粗糙度对色差值计算带来的影响去除，从而获取准确的印刷色差值，有效排除了光线强度和印刷品表面粗糙度造成的采集色差的影响，进而提高了因刷屏色差缺陷检测的精度。
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 (8)

1.一种基于人工智能系统的纸盒印刷色差缺陷检测方法，其特征在于，包括：
采集同批次目标图像和目标深度图像；获取所述目标深度图像中每个像素点的深度梯度值；
根据所述深度梯度值计算所述目标深度图像中每个像素点的粗糙度，将所述粗糙度小于预设阈值的目标深度图像对应的目标图像作为基准图像；
根据所述基准图像中每个像素点到光源的距离拟合光照色差方程，根据光照色差方程计算所述基准图像中每个像素点的光照色差值；根据所述光照色差值和基准图像的标准色差值得到基准图像每个像素点的色差增值；
根据所述基准图像中每个像素点的粗糙度值拟合色差曲线，计算所述基准图像中所有像素点的波动程度；获取所有波动程度大于第一阈值的异常像素点；
根据所述波动程度计算所述基准图像中异常像素点的印刷异常概率，将所述印刷异常概率小于第二阈值的像素点作为粗糙像素点；
利用RANSAC算法拟合所述粗糙像素点的粗糙度色差方程，根据所述粗糙度色差方程计算基准图像中每个粗糙像素点的粗糙度色差值；
根据所述基准图像的色差增值和所述粗糙度色差值计算基准图像中像素点的印刷色差值；当所述印刷色差值超出预设范围时，目标存在印刷缺陷。
2.根据权利要求1所述的一种基于人工智能系统的纸盒印刷色差缺陷检测方法，其特征在于，计算所述基准图像光照色差值的方法为：
将像素距光源距离作为自变量，不同距离下的色差作为因变量，利用最小二乘法拟合线性光照色差方程，根据所述光照色差方程计算基准图像中每个像素点的光照色差值，表达式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 980589DEST_PATH_IMAGE004
表示第i个像素点的光照色差值，
Figure 288073DEST_PATH_IMAGE006
表示第i个像素点距光源距离，
Figure 116352DEST_PATH_IMAGE008
表示第i个像素点的线性方程的常量参数。
3.根据权利要求1所述的一种基于人工智能系统的纸盒印刷色差缺陷检测方法，其特征在于，，根据所述光照色差值和所述基准图像的标准色差值得到基准图像每个像素点的色差增值的方法为：
通过目标底版图片的颜色值与基准图片的颜色值之差得到所述基准图像的标准色差值；
计算所述色差增值的表达式为：
Figure DEST_PATH_IMAGE010A
其中，
Figure 979920DEST_PATH_IMAGE012
表示所述基准图像第i个像素点的标准色差值，
Figure 526439DEST_PATH_IMAGE004
表示所述第i个像素点的光照色差值，
Figure 637614DEST_PATH_IMAGE014
表示第i个像素点的色差增值。
4.根据权利要求1所述的一种基于人工智能系统的纸盒印刷色差缺陷检测方法，其特征在于，计算所述目标深度图像的粗糙度的方法为：
利用sober算子计算目标深度图像中第i个像素点的深度梯度值
Figure 84514DEST_PATH_IMAGE016
；
将所述目标深度图像拟合出曲面，获取第i个像素点梯度方向上曲线的极大值点和极小值点，将极大值点与极小值点的深度插值作为第i个像素点的波动幅度；
根据所述目标图像的拟合曲面计算第i个像素点所在区域的波动频率
Figure 990153DEST_PATH_IMAGE018
；
根据所述深度梯度值、所述波动幅度以及所述波动频率计算所述目标深度图像中每个像素点的粗糙度，表达式为：
Figure DEST_PATH_IMAGE020A
其中，
Figure 869641DEST_PATH_IMAGE022
表示目标深度图像中第i个像素点的粗糙度，
Figure 518928DEST_PATH_IMAGE016
表示第i个像素点的深度梯度值
Figure 321799DEST_PATH_IMAGE016
，
Figure 398339DEST_PATH_IMAGE024
表示第i个像素点的波动幅度，
Figure 417985DEST_PATH_IMAGE018
表示第i个像素点所在区域的波动频率。
5.根据权利要求1所述的一种基于人工智能系统的纸盒印刷色差缺陷检测方法，其特征在于，计算所述基准图像中所有像素点的波动程度的方法为：
以所述粗糙度为横坐标轴，所述色差增值为纵坐标轴，拟合粗糙度色差曲线，根据每个像素点的增长一致性和渐变性计算每个像素点的波动程度，表达式为：
Figure DEST_PATH_IMAGE026A
其中，
Figure 339805DEST_PATH_IMAGE028
表示第i个像素点的波动程度，
Figure 997183DEST_PATH_IMAGE030
表示第i个像素点的增长一致性值，
Figure 740230DEST_PATH_IMAGE032
表示第i个像素点的渐变性值。
6.根据权利要求5所述的一种基于人工智能系统的纸盒印刷色差缺陷检测方法，其特征在于，根据所述波动程度计算所述基准图像中异常像素点的印刷异常概率，表达式为：
Figure DEST_PATH_IMAGE034A
其中，
Figure 624003DEST_PATH_IMAGE036
表示第i个异常像素点的印刷异常概率，
Figure 848049DEST_PATH_IMAGE028
表示所述波动程度值，
Figure 625512DEST_PATH_IMAGE038
表示所述基准图像中异常像素点的密度。
7.根据权利要求1所述的一种基于人工智能系统的纸盒印刷色差缺陷检测方法，其特征在于，计算所述粗糙度色差值的表达式为：
Figure DEST_PATH_IMAGE040A
其中，
Figure 686265DEST_PATH_IMAGE030
表示所述基准图像第i个粗糙像素点的粗糙度色差值，
Figure 916390DEST_PATH_IMAGE022
表示所述基准图像中第i个像素点的粗糙度，
Figure 445591DEST_PATH_IMAGE042
为多项式常量参数，n为多项式的次数。
8.根据权利要求1所述的一种基于人工智能系统的纸盒印刷色差缺陷检测方法，其特征在于，计算目标图像的印刷色差值的方法如下：
通过所述基准图像每个像素点的色差增值减去所述粗糙色差值得到所述基准图像的印刷色差值。
CN202210682476.2A 2022-06-16 2022-06-16 基于人工智能系统的纸盒印刷色差缺陷检测方法 Active CN114757954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210682476.2A CN114757954B (zh) 2022-06-16 2022-06-16 基于人工智能系统的纸盒印刷色差缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210682476.2A CN114757954B (zh) 2022-06-16 2022-06-16 基于人工智能系统的纸盒印刷色差缺陷检测方法

Publications (2)

Publication Number Publication Date
CN114757954A true CN114757954A (zh) 2022-07-15
CN114757954B CN114757954B (zh) 2022-08-26

Family

ID=82337031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210682476.2A Active CN114757954B (zh) 2022-06-16 2022-06-16 基于人工智能系统的纸盒印刷色差缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114757954B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861736A (zh) * 2022-12-14 2023-03-28 广州科盛隆纸箱包装机械有限公司 基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法、系统及存储介质
CN115979937A (zh) * 2023-03-20 2023-04-18 河北创优金属科技有限公司 一种塑粉材料耐候性评价方法
CN118032812A (zh) * 2024-04-11 2024-05-14 沈阳圣祥科技有限公司 一种防伪油墨印刷缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004328716A (ja) * 2003-02-12 2004-11-18 Konica Minolta Holdings Inc 画像情報処理方法、画像形成システム及びプログラム
CN109507209A (zh) * 2019-01-22 2019-03-22 中科院金华信息技术有限公司 一种薄膜印刷缺陷检测系统及方法
CN113411466A (zh) * 2021-05-08 2021-09-17 华南理工大学 基于彩色印刷生产系统的多色彩色差智能校正方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004328716A (ja) * 2003-02-12 2004-11-18 Konica Minolta Holdings Inc 画像情報処理方法、画像形成システム及びプログラム
CN109507209A (zh) * 2019-01-22 2019-03-22 中科院金华信息技术有限公司 一种薄膜印刷缺陷检测系统及方法
CN113411466A (zh) * 2021-05-08 2021-09-17 华南理工大学 基于彩色印刷生产系统的多色彩色差智能校正方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李硕等: "基于嵌入式技术的印刷设备套色精定位方法研究", 《自动化与仪器仪表》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861736A (zh) * 2022-12-14 2023-03-28 广州科盛隆纸箱包装机械有限公司 基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法、系统及存储介质
CN115861736B (zh) * 2022-12-14 2024-04-26 广州科盛隆纸箱包装机械有限公司 基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法、系统及存储介质
CN115979937A (zh) * 2023-03-20 2023-04-18 河北创优金属科技有限公司 一种塑粉材料耐候性评价方法
CN118032812A (zh) * 2024-04-11 2024-05-14 沈阳圣祥科技有限公司 一种防伪油墨印刷缺陷检测方法

Also Published As

Publication number Publication date
CN114757954B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114757954B (zh) 基于人工智能系统的纸盒印刷色差缺陷检测方法
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN115409833B (zh) 基于反锐化掩模算法的光伏板的热斑缺陷检测方法
EP3580720B1 (en) Real-time, full web image processing method and system for web manufacturing supervision
CN115100212B (zh) 一种润滑油污染程度检测方法
CN115578389B (zh) 一种沟槽mos器件的缺陷检测方法
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN110210477B (zh) 一种数字式仪表读数识别方法
US5774573A (en) Automatic visual inspection system
CN109389566B (zh) 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法
CN115359053B (zh) 一种金属板材缺陷智能检测方法及系统
CN111179362B (zh) 一种基于动态光照校正算法的试纸颜色均匀性检测方法
CN113920121B (zh) 基于图像处理的工艺品印刷条痕检测方法和系统
CN111354047A (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN118032812B (zh) 一种防伪油墨印刷缺陷检测方法
CN117783155B (zh) 一种基于机器视觉的玻璃仪器缺陷检测系统及方法
CN116168024B (zh) 基于计算机视觉的瓦楞纸生产质量实时检测方法
CN116152749B (zh) 基于数字孪生的齿轮磨损智能监测方法
CN114693659B (zh) 基于图像处理的铜管表面清洗效果评估方法及系统
CN113189002B (zh) 一种超薄电子玻璃基板条纹缺陷的在线检测方法和装置
CN115272323A (zh) 用于交通工程路面质量检测的数据智能调控采集方法
CN114758159A (zh) 一种液压制动器切削工艺的切削控制方法
CN118501177A (zh) 一种化成箔的外观缺陷检测方法及系统
CN118097305A (zh) 一种半导体发光元件质量的检测方法及系统
CN115984160A (zh) 一种基于功能集成关联的机器视觉系统

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