CN115082419A - 一种吹塑箱包生产缺陷检测方法 - Google Patents

一种吹塑箱包生产缺陷检测方法 Download PDF

Info

Publication number
CN115082419A
CN115082419A CN202210823013.3A CN202210823013A CN115082419A CN 115082419 A CN115082419 A CN 115082419A CN 202210823013 A CN202210823013 A CN 202210823013A CN 115082419 A CN115082419 A CN 115082419A
Authority
CN
China
Prior art keywords
edge
suspected
edge line
vector
scratch
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
CN202210823013.3A
Other languages
English (en)
Other versions
CN115082419B (zh
Inventor
邱敦飞
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 Nuosheng Home Technology Co.,Ltd.
Original Assignee
Jiangsu Nuoyang Home 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 Jiangsu Nuoyang Home Technology Co ltd filed Critical Jiangsu Nuoyang Home Technology Co ltd
Priority to CN202210823013.3A priority Critical patent/CN115082419B/zh
Publication of CN115082419A publication Critical patent/CN115082419A/zh
Application granted granted Critical
Publication of CN115082419B publication Critical patent/CN115082419B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing

Landscapes

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

Abstract

本发明涉及一种吹塑箱包生产缺陷检测方法，通过采集待检测吹塑箱包的表面图像，对表面图像进行梯度检测得到对应的梯度图像并得到梯度图像对应的二维直方图，将二维直方图转化为待检测向量，根据待检测向量和标准向量之间的相似度得到存在划痕缺陷的待检测吹塑箱包图像，根据待检测吹塑箱包图像中像素点的主方向和边缘长直度向量，得到每条边缘为疑似划痕区域边缘的初始概率，根据边缘中像素点的梯度差异对初始概率进行修正，得到该边缘为疑似划痕区域边缘的最终概率，根据最终概率获得疑似划痕区域边缘线，通过每个疑似划痕区域边缘线得到划痕区域，检测方法智能、精准。

Description

一种吹塑箱包生产缺陷检测方法
技术领域
本申请涉及人工智能领域，具体涉及一种吹塑箱包生产缺陷检测方法。
背景技术
在吹塑箱包的整个生产过程中，由于碰撞或工人的操作不当，使得箱包表面难免会出现划痕。而在箱包的外观质量检测中不允许出现划痕损伤，但是由于箱包表面存在较为复杂的纹理特征，严重干扰划痕的检测；且划痕成因复杂，使得划痕的长度以及深浅也不是固定的，使得划痕的检测难度增大，因此设计一种如何在复杂纹理下有效地检测出划痕的方法是非常重要的。
现有的对划痕的检测多为模板匹配方法，但是由于箱包表面纹理多样，需要准备多个标准模板以供选择，再加上实际生产环境中光照因素的干扰，所得检测结果存在较大误差；常规的梯度检测算法需要设定阈值，由于划痕深浅不是固定的，因此无法确定合适的梯度阈值进行边缘提取，由此容易产生误检或漏检。
发明内容
本发明提供一种吹塑箱包生产缺陷检测方法，解决吹塑箱包生产缺陷的误检或漏检的问题，采用如下技术方案：
获取待检测吹塑箱包表面图像的梯度图像，根据梯度图像中的非0梯度值和梯度值对应的像素点在总像素点中的比例得到梯度图像对应的二维直方图；
将二维直方图转化为待检测向量并计算其与标准向量之间的相似度，将相似度小于等于阈值的待检测向量对应的待检测吹塑箱包表面图像作为具有划痕缺陷的待检测吹塑箱包表面图像；
对具有划痕的待检测吹塑箱包图像所对应的梯度图像进行聚类得到边缘线，利用每条边线内每个像素点的主成分方向向量，及由每条边缘线中每三个像素数点形成的边缘长直度向量计算每条边缘线为疑似划痕区域边缘的初始概率；
获取所有边缘线中像素点的最大梯度值和每条边缘线中每个像素点的梯度值计算每条边缘线的梯度差异程度，且利用该梯度差异程度对每条边缘线为疑似划痕区域边缘的初始概率进行修正，获得每条边缘线为疑似划痕区域边缘线的最终概率；并根据该最终概率筛选出为疑似划痕区域边缘的边缘线；
利用疑似划痕区域边缘的边缘线对应的疑似划痕区域的平均灰度值及该待检测吹塑箱包图像的平均灰度值确定出划痕区域。
所述标准向量为无划痕缺陷的吹塑箱包的表面图像对应的二维直方图转化的向量，获取方法与获取待检测向量的方法相同，方法如下：
将二维直方图中的梯度值的范围设置为
Figure 100002_DEST_PATH_IMAGE001
，将范围内各个梯度值所对应的像素个数占比视为向量的一个维度，将二维直方图转化为一个255维的向量。
所述边缘长直度向量的获取方法为：
选取每条边缘线中纵坐标最小的像素点，将每相邻的三个像素点划分为一组，以第一个像素点为起点，以三个像素点横纵坐标的平均值为终点，得到边缘长直度向量。
所述每条边缘线为疑似划痕区域边缘的初始概率的计算方法为：
Figure 100002_DEST_PATH_IMAGE002
式中，
Figure 100002_DEST_PATH_IMAGE003
为第i条边缘线为疑似划痕区域边缘的初始概率，
Figure 100002_DEST_PATH_IMAGE004
为第i条边缘线中像素点个数，
Figure 100002_DEST_PATH_IMAGE005
，
Figure 100002_DEST_PATH_IMAGE006
为第
Figure 100002_DEST_PATH_IMAGE007
条边缘线中划分组的总个数即边缘长直度向量的个数，
Figure 100002_DEST_PATH_IMAGE008
为第i条边缘线中第j个边缘长直度向量，
Figure 100002_DEST_PATH_IMAGE009
为
Figure 610089DEST_PATH_IMAGE008
的模，
Figure 100002_DEST_PATH_IMAGE010
为第i条边缘线中像素点坐标的最大主成分方向。
所述对每条边缘线为疑似划痕区域边缘线的初始概率进行修正方法为：
Figure 100002_DEST_PATH_IMAGE011
其中，
Figure 100002_DEST_PATH_IMAGE012
为第i条边缘线为疑似划痕区域边缘线的最终概率，
Figure 369972DEST_PATH_IMAGE004
为第
Figure 212026DEST_PATH_IMAGE007
条边缘线中的像素点总个数，
Figure 341656DEST_PATH_IMAGE013
为第i条边缘线中的第k个像素点的梯度值，T为第i条边缘线中像素点的最大梯度值。
所述获得疑似划痕区域边缘的边缘线的方法为：
若第i条边缘线为疑似划痕区域边缘的最终概率
Figure 546241DEST_PATH_IMAGE012
>0.8，则该条边缘线为疑似划痕区域边缘的边缘线。
所述确定划痕区域的方法如下：
获取待检测吹塑箱包表面图像的归一化后的灰度直方图；
根据灰度直方图中每个灰度级及其占比，计算出待检测吹塑箱包表面图像的灰度均值，并利用凸包检测算法检测出每个疑似划痕区域边缘线对应的疑似划痕区域，计算出每个疑似划痕区域的灰度均值；
若疑似划痕区域的灰度均值大于等于吹塑箱包表面图像的灰度均值，该疑似划痕区域为反光区域，进行剔除；
若疑似划痕区域的灰度均值小于吹塑箱包表面图像的灰度均值，该疑似划痕区域为划痕区域。
本发明的有益效果是：本发明基于人工智能和图像处理技术，利用图像处理技术，通过处理箱包表面图像，得到箱包图像中各像素点的梯度信息，并根据梯度信息的边缘长直度以及梯度差异度两个方面的特征来提取疑似划痕区域，结合划痕区域的灰度信息剔除箱包表面反光造成的疑似区域，从而得到准确的划痕区域，方法精准，保证了产品质量。
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是本发明的一种吹塑箱包生产缺陷检测方法的流程示意图。
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。
本发明的一种吹塑箱包生产缺陷检测方法的实施例，如图1所示，包括：
步骤一：获取待检测吹塑箱包表面图像的梯度图像，根据梯度图像中的非0梯度值和梯度值对应的像素点在总像素点中的比例得到梯度图像对应的二维直方图；
该步骤的目的是，获取到吹塑箱包的图像信息，为后续分析提供信息基础。
本实施例主要针对的情景为：箱包生产完成后，将相机固定在箱包的正上方，在自然光照下，采集箱包表面图像，并根据图像中像素度点的梯度特征信息实现对划痕区域的确定。
其中，获取吹塑箱包的表面图像的方法如下：
由于实际生产过程中的环境较为复杂，即采集图像中既有复杂的加工环境，也有需要检测的箱包图像，且由于箱包颜色以及大小多样，所以需要使用DNN来识别采集图像中的需要检测的箱包图像，具体操作如下：
（1）输入相机采集到的RGB图像，使用DNN网络对其进行语义分割；
（2）网络结构为Encoder-Decoder结构，数据集为各种类型的箱包图像；
（3）标签分为两类，箱包和背景。该方式为像素级分类，即需要给图像中所有像素标注上对应的标签。属于箱包的像素，其值标注为1，属于背景的像素，其值标注为0；
（4）网络所用的loss函数为交叉熵损失函数。
至此，得到箱包表面图像，然后进一步的，使用Sobel算子对待测箱包表面图像进行梯度检测，得到各个像素点的梯度值以及梯度方向，获得箱包表面图像对应的梯度图像。
其中，梯度图像对应的二维直方图的获取方法为：
统计待测图像中不为0的梯度值及其所对应的像素点个数在整个图像像素点总数的比例，得到以梯度值为横轴，对应的像素个数占比为纵轴的二维直方图。
步骤二：将二维直方图转化为待检测向量并计算其与标准向量之间的相似度，将相似度小于等于阈值的待检测向量对应的待检测吹塑箱包表面图像作为具有划痕缺陷的待检测吹塑箱包表面图像；
该步骤的目的是对步骤一中获得的梯度图中每个像素点的梯度值进行分析，得到存在划痕缺陷的吹塑箱包图像。
需要说明的是，由于Sobel算子可以保留图像边缘的强弱特征，但是由于划痕深浅程度不一，导致划痕梯度与正常纹理梯度之间的阈值难以确定，因此本发明中需要对所有像素点的梯度值进行分析。
其中，将二维直方图转化为待检测向量的方法如下：
设置梯度值的范围为
Figure 431021DEST_PATH_IMAGE001
，将此范围内各个梯度值所对应的像素个数占比视为向量的一个维度，由此将操作2中得到的二维直方图转化为一个255维的向量
Figure DEST_PATH_IMAGE014
，成为待检测向量；
同样的，将标准图像即同类型的无划痕缺陷图像作为标准图像，使用上述方法计算该标准图像所对应的255维的向量
Figure DEST_PATH_IMAGE015
，称为标准向量。
其中，存在划痕缺陷的吹塑箱包图像的获取方法为：
计算待检测向量
Figure 174021DEST_PATH_IMAGE014
和标准向量
Figure 435238DEST_PATH_IMAGE015
之间的余弦相似度，计算
Figure 166434DEST_PATH_IMAGE014
与
Figure 222115DEST_PATH_IMAGE015
之间的余弦相似度S，当
Figure DEST_PATH_IMAGE016
时，认为待测图像与参照图像之间存在较大差异，该待检测向量对应的待检测吹塑箱包图像为具有划痕缺陷的待检测吹塑箱包表面图像，需要对图像进一步检测。
步骤三:对具有划痕的待检测吹塑箱包图像所对应的梯度图像进行聚类得到边缘线，利用每条边线内每个像素点的主成分方向向量，及由每条边缘线中每三个像素数点形成的边缘长直度向量计算每条边缘线为疑似划痕区域边缘的初始概率；
该步骤的目的是通过聚类和分组计算出图像中的边缘为疑似划痕区域边缘的初始概率。
其中，获取边缘线的方法如下：
（1）使用DBSCAN算法对上述梯度图像中梯度值不为0的像素点坐标进行聚类，将连续的分布的存在梯度的像素点聚为一类；
（2）由于DBSCAN聚类会将噪声点等离散点聚为一类，因此计算各个聚类结果的类内方差，剔除最大类内方差所对应的聚类结果，至此，每个聚类结果均对应一条边缘线。
其中，每条边缘线内的像素点的主成分方向向量和边缘长直度向量获取方法为：
（1）记第
Figure 101078DEST_PATH_IMAGE007
个边缘线（聚类结果）中的像素点个数为
Figure 900407DEST_PATH_IMAGE004
，利用PCA算法获得第
Figure 486109DEST_PATH_IMAGE007
个聚类结果中的像素点坐标的主成分方向，因为每个数据都是二维的，因此可获得两个主成分方向，每个主成分方向都是一个二维的单位向量，每个主成分方向对应一个特征值；本发明获取特征值最大的主成分方向，表示这些数据的主要分布方向，记第
Figure 181532DEST_PATH_IMAGE007
个聚类结果的特征值最大的主成分方向为
Figure 485475DEST_PATH_IMAGE010
；
（2）选取该聚类结果中纵坐标最小的像素点，每相邻的三个像素点划分为一组，设A，B，C为划分后的第
Figure DEST_PATH_IMAGE017
组数据中的三个像素点，则第
Figure 885232DEST_PATH_IMAGE007
个聚类结果中的第
Figure 591020DEST_PATH_IMAGE017
组数据可以转化为一个向量
Figure 988503DEST_PATH_IMAGE008
，称为边缘长直度向量，该向量以A点为起点，以ABC三点横纵坐标的平均值为终点。
其中，每条边缘线为疑似划痕区域边缘的初始概率的计算方法如下：
Figure DEST_PATH_IMAGE018
其中
Figure 107638DEST_PATH_IMAGE006
为第
Figure 248769DEST_PATH_IMAGE007
个聚类结果中划分组的总个数，即第i条边缘线中边缘长直度向量的个数，
Figure DEST_PATH_IMAGE019
表示
Figure 605801DEST_PATH_IMAGE008
与
Figure 705344DEST_PATH_IMAGE010
点乘结果的绝对值，
Figure 718299DEST_PATH_IMAGE009
为向量
Figure 663122DEST_PATH_IMAGE008
的模；当边缘线越笔直，各组数据所对应的向量即边缘长直度向量与
Figure 77923DEST_PATH_IMAGE010
之间的夹角余弦值的绝对值越接近1，而划痕较长时一般很难保持直线;当划痕较直,其长度又一般较短；因此可以结合边缘长度以及与主成分方向上的夹角余弦值两个方面进行缺陷概率的初步判断。
步骤四：获取所有边缘线中像素点的最大梯度值和每条边缘线中每个像素点的梯度值计算每条边缘线的梯度差异程度，且利用该梯度差异程度对每条边缘线为疑似划痕区域边缘的初始概率进行修正，获得每条边缘线为疑似划痕区域边缘线的最终概率；并根据该最终概率筛选出为疑似划痕区域边缘的边缘线；
该步骤的目的是根据步骤三计算出的每条边缘为疑似划痕区域边缘的初始概率和该边缘中像素点的梯度差异对初始概率进行修正，得到每条边缘线为疑似划痕区域边缘线的最终概率，根据最终概率获得疑似划痕区域的边缘线；
需要说明的是，由于箱包表面存在较为细小的正常纹理，根据其相关特征计算所得长直度值较小，即上述数据所得结果并不准确；而划痕与正常纹理的区别在于，正常纹理的梯度一致，而划痕边缘的梯度深浅不一，因此还需要结合梯度差异度对上述数据进行修正。
其中，对初始概率进行修正的具体方法为：
（1）选取第
Figure DEST_PATH_IMAGE020
个聚类结果即第i条边缘线中的像素点的最大梯度值作为参照梯度值，记为
Figure DEST_PATH_IMAGE021
，计算该聚类结果中所有像素点的梯度值相对于
Figure 800897DEST_PATH_IMAGE021
的梯度差异程度；
（2）则每条边缘线为疑似划痕区域边缘的最终概率
Figure 301148DEST_PATH_IMAGE012
可表示为：
Figure DEST_PATH_IMAGE022
其中，
Figure 846399DEST_PATH_IMAGE012
为第i条边缘线为疑似划痕区域边缘的最终概率，
Figure 381286DEST_PATH_IMAGE004
为第
Figure 557052DEST_PATH_IMAGE007
个边缘线（聚类结果）中的像素点总个数，
Figure 544600DEST_PATH_IMAGE013
为第
Figure 831224DEST_PATH_IMAGE007
个边缘线（聚类结果）中的第
Figure DEST_PATH_IMAGE023
个像素点的梯度值；
需要说明的是，当边缘越长，越笔直，即
Figure 220617DEST_PATH_IMAGE003
越大，该边缘线为划痕缺陷区域边缘线的可能性越小；边缘线越短，越弯曲，即
Figure 567285DEST_PATH_IMAGE003
越小，该边缘线为划痕的可能性越大；而
Figure DEST_PATH_IMAGE024
的值越大，表明梯度差异程度越大，故该边缘线为缺陷区域边缘线的概率越大；
进一步的，根据最终概率获得疑似划痕区域的边缘线的方法为：
当第i条边缘线为疑似划痕区域边缘的最终概率
Figure DEST_PATH_IMAGE025
时，认为第i条边缘线为为疑似划痕区域边缘线；
步骤五：利用疑似划痕区域边缘的边缘线对应的疑似划痕区域的平均灰度值及该待检测吹塑箱包图像的平均灰度值确定出划痕区域。
该步骤的目的是结合疑似划痕区域的梯度值，剔除反光造成的疑似划痕区域，确定最终的划痕区域。
需要说明的是，由于箱包表面凸起位置存在反光，且反光区域也符合上述特征，即上述所得疑似划痕缺陷区域包含反光区域，而反光区域与划痕区域的最大区别在于，反光区域灰度值高于箱包表面灰度值，而划痕区域的灰度值低于箱包表面灰度值，因此对上述所得疑似区域内部灰度值进一步筛选出划痕区域。
其中，确定出该疑似划痕区域是否为划痕区域的方法为：
（1）获取步骤一所得箱包表面图像归一化后的灰度直方图中，根据灰度直方图中各灰度级及其占比，计算图像的平均灰度值，记为
Figure DEST_PATH_IMAGE026
；
（2）使用凸包检测算法得到各个疑似划痕区域边缘线对应的疑似划痕区域，计算出各个疑似划痕区域的平均灰度值，其中第
Figure 822555DEST_PATH_IMAGE007
个疑似划痕区域的平均灰度值为
Figure DEST_PATH_IMAGE027
；
（3）当
Figure DEST_PATH_IMAGE028
时，认为该疑似区域为反光区域，需要进行剔除；当
Figure DEST_PATH_IMAGE029
时，认为该疑似区域为划痕区域，保留该区域；重复操作1)，2)，直到处理完所有疑似划痕区域；
至此，最终保留的区域为划痕区域。
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 (7)

1.一种吹塑箱包生产缺陷检测方法，其特征在于，包括：
获取待检测吹塑箱包表面图像的梯度图像，根据梯度图像中的非0梯度值和梯度值对应的像素点在总像素点中的比例得到梯度图像对应的二维直方图；
将二维直方图转化为待检测向量并计算其与标准向量之间的相似度，将相似度小于等于阈值的待检测向量对应的待检测吹塑箱包表面图像作为具有划痕缺陷的待检测吹塑箱包表面图像；
对具有划痕的待检测吹塑箱包图像所对应的梯度图像进行聚类得到边缘线，利用每条边线内每个像素点的主成分方向向量，及由每条边缘线中每三个像素数点形成的边缘长直度向量计算每条边缘线为疑似划痕区域边缘的初始概率；
获取所有边缘线中像素点的最大梯度值和每条边缘线中每个像素点的梯度值计算每条边缘线的梯度差异程度，且利用该梯度差异程度对每条边缘线为疑似划痕区域边缘的初始概率进行修正，获得每条边缘线为疑似划痕区域边缘的最终概率；并根据该最终概率筛选出为疑似划痕区域边缘的边缘线；
利用疑似划痕区域边缘的边缘线对应的疑似划痕区域的平均灰度值及该待检测吹塑箱包图像的平均灰度值确定出划痕区域。
2.根据权利要求1所述的一种吹塑箱包生产缺陷检测方法，其特征在于，所述标准向量为无划痕缺陷的吹塑箱包的表面图像对应的二维直方图转化的向量，获取方法与获取待检测向量的方法相同，方法如下：
将二维直方图中的梯度值的范围设置为
Figure DEST_PATH_IMAGE001
，将范围内各个梯度值所对应的像素个数占比视为向量的一个维度，将二维直方图转化为一个255维的向量。
3.根据权利要求1所述的一种吹塑箱包生产缺陷检测方法，其特征在于，所述边缘长直度向量的获取方法为：
选取每条边缘线中纵坐标最小的像素点，将每相邻的三个像素点划分为一组，以第一个像素点为起点，以三个像素点横纵坐标的平均值为终点，得到边缘长直度向量。
4.根据权利要求3所述的一种吹塑箱包生产缺陷检测方法，其特征在于，所述每条边缘线为疑似划痕区域边缘的初始概率的计算方法为：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
为第i条边缘线为疑似划痕区域边缘的初始概率，
Figure DEST_PATH_IMAGE004
为第i条边缘线中像素点个数，
Figure DEST_PATH_IMAGE005
，
Figure DEST_PATH_IMAGE006
为第
Figure DEST_PATH_IMAGE007
条边缘线中划分组的总个数即边缘长直度向量的个数，
Figure DEST_PATH_IMAGE008
为第i条边缘线中第j个边缘长直度向量，
Figure DEST_PATH_IMAGE009
为
Figure 875395DEST_PATH_IMAGE008
的模，
Figure DEST_PATH_IMAGE010
为第i条边缘线中像素点坐标的最大主成分方向。
5.根据权利要求4所述的一种吹塑箱包生产缺陷检测方法，其特征在于，所述对每条边缘线为疑似划痕区域边缘线的初始概率进行修正方法为：
Figure DEST_PATH_IMAGE011
其中，
Figure DEST_PATH_IMAGE012
为第i条边缘线为疑似划痕区域边缘线的最终概率，
Figure 978349DEST_PATH_IMAGE004
为第
Figure 230339DEST_PATH_IMAGE007
条边缘线中的像素点总个数，
Figure DEST_PATH_IMAGE013
为第i条边缘线中的第k个像素点的梯度值，T为第i条边缘线中像素点的最大梯度值。
6.根据权利要求5所述的一种吹塑箱包生产缺陷检测方法，其特征在于，所述获得疑似划痕区域边缘的边缘线的方法为：
若第i条边缘线为疑似划痕区域边缘的最终概率
Figure 989216DEST_PATH_IMAGE012
>0.8，则该条边缘线为疑似划痕区域边缘的边缘线。
7.根据权利要求6所述的一种吹塑箱包生产缺陷检测方法，其特征在于，所述确定划痕区域的方法如下：
获取待检测吹塑箱包表面图像的归一化后的灰度直方图；
根据灰度直方图中每个灰度级及其占比，计算出待检测吹塑箱包表面图像的灰度均值，并利用凸包检测算法检测出每个疑似划痕区域边缘线对应的疑似划痕区域，计算出每个疑似划痕区域的灰度均值；
若疑似划痕区域的灰度均值大于等于吹塑箱包表面图像的灰度均值，该疑似划痕区域为反光区域，进行剔除；
若疑似划痕区域的灰度均值小于吹塑箱包表面图像的灰度均值，该疑似划痕区域为划痕区域。
CN202210823013.3A 2022-07-14 2022-07-14 一种吹塑箱包生产缺陷检测方法 Active CN115082419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210823013.3A CN115082419B (zh) 2022-07-14 2022-07-14 一种吹塑箱包生产缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210823013.3A CN115082419B (zh) 2022-07-14 2022-07-14 一种吹塑箱包生产缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115082419A true CN115082419A (zh) 2022-09-20
CN115082419B CN115082419B (zh) 2022-12-09

Family

ID=83260039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210823013.3A Active CN115082419B (zh) 2022-07-14 2022-07-14 一种吹塑箱包生产缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115082419B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311290A (zh) * 2022-10-12 2022-11-08 南通市通州区精华电器有限公司 一种精密仪器金属零部件缺陷检测方法
CN115330755A (zh) * 2022-10-11 2022-11-11 南通至顺聚氨酯材料有限公司 一种塑料制品的质量检测方法
CN115601361A (zh) * 2022-12-13 2023-01-13 苏州迈创信息技术有限公司（Cn） 基于机器视觉机床零件在线检测方法
CN115641329A (zh) * 2022-11-15 2023-01-24 武汉惠强新能源材料科技有限公司 一种锂电池隔膜缺陷检测方法及系统
CN115797925A (zh) * 2023-02-13 2023-03-14 青岛佳美洋食品有限公司 一种鱼肉加工异物检测方法
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN115908411A (zh) * 2023-01-06 2023-04-04 山东水利建设集团有限公司 基于视觉检测的混凝土养护质量分析方法
CN116152749A (zh) * 2023-04-20 2023-05-23 青岛义龙包装机械有限公司 基于数字孪生的齿轮磨损智能监测方法
CN116168025A (zh) * 2023-04-24 2023-05-26 日照金果粮油有限公司 一种油幕式油炸花生生产系统
CN116721101A (zh) * 2023-08-09 2023-09-08 山东华航高分子材料有限公司 一种塑件表面波流痕的缺陷检测方法
CN116912261A (zh) * 2023-09-15 2023-10-20 张家港市神舟机械有限公司 一种塑料模具注塑表面缺陷检测方法
CN117314925A (zh) * 2023-11-30 2023-12-29 东莞市旺佳五金制品有限公司 基于计算机视觉的金属工件表面缺陷检测方法
CN117455870A (zh) * 2023-10-30 2024-01-26 太康精密（中山）有限公司 一种连接线和连接器质量视觉检测方法
CN117635609A (zh) * 2024-01-25 2024-03-01 深圳市智宇精密五金塑胶有限公司 一种塑胶产品生产质量视觉检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200376295A1 (en) * 2017-03-30 2020-12-03 Koninklijke Philips N.V. Determining at least one final two-dimensional image for visualizing an object of interest in a three dimensional ultrasound volume
CN112365468A (zh) * 2020-11-11 2021-02-12 南通大学 基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114723701A (zh) * 2022-03-31 2022-07-08 南通博莹机械铸造有限公司 基于计算机视觉的齿轮缺陷检测方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200376295A1 (en) * 2017-03-30 2020-12-03 Koninklijke Philips N.V. Determining at least one final two-dimensional image for visualizing an object of interest in a three dimensional ultrasound volume
CN112365468A (zh) * 2020-11-11 2021-02-12 南通大学 基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114723701A (zh) * 2022-03-31 2022-07-08 南通博莹机械铸造有限公司 基于计算机视觉的齿轮缺陷检测方法和系统

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330755A (zh) * 2022-10-11 2022-11-11 南通至顺聚氨酯材料有限公司 一种塑料制品的质量检测方法
CN115311290A (zh) * 2022-10-12 2022-11-08 南通市通州区精华电器有限公司 一种精密仪器金属零部件缺陷检测方法
CN115641329A (zh) * 2022-11-15 2023-01-24 武汉惠强新能源材料科技有限公司 一种锂电池隔膜缺陷检测方法及系统
CN115601361A (zh) * 2022-12-13 2023-01-13 苏州迈创信息技术有限公司（Cn） 基于机器视觉机床零件在线检测方法
CN115908411B (zh) * 2023-01-06 2023-05-30 山东水利建设集团有限公司 基于视觉检测的混凝土养护质量分析方法
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN115908411A (zh) * 2023-01-06 2023-04-04 山东水利建设集团有限公司 基于视觉检测的混凝土养护质量分析方法
CN115797925A (zh) * 2023-02-13 2023-03-14 青岛佳美洋食品有限公司 一种鱼肉加工异物检测方法
CN116152749B (zh) * 2023-04-20 2023-06-23 青岛义龙包装机械有限公司 基于数字孪生的齿轮磨损智能监测方法
CN116152749A (zh) * 2023-04-20 2023-05-23 青岛义龙包装机械有限公司 基于数字孪生的齿轮磨损智能监测方法
CN116168025B (zh) * 2023-04-24 2023-07-07 日照金果粮油有限公司 一种油幕式油炸花生生产系统
CN116168025A (zh) * 2023-04-24 2023-05-26 日照金果粮油有限公司 一种油幕式油炸花生生产系统
CN116721101B (zh) * 2023-08-09 2023-10-20 山东华航高分子材料有限公司 一种塑件表面波流痕的缺陷检测方法
CN116721101A (zh) * 2023-08-09 2023-09-08 山东华航高分子材料有限公司 一种塑件表面波流痕的缺陷检测方法
CN116912261B (zh) * 2023-09-15 2023-12-08 张家港市神舟机械有限公司 一种塑料模具注塑表面缺陷检测方法
CN116912261A (zh) * 2023-09-15 2023-10-20 张家港市神舟机械有限公司 一种塑料模具注塑表面缺陷检测方法
CN117455870A (zh) * 2023-10-30 2024-01-26 太康精密（中山）有限公司 一种连接线和连接器质量视觉检测方法
CN117455870B (zh) * 2023-10-30 2024-04-16 太康精密（中山）有限公司 一种连接线和连接器质量视觉检测方法
CN117314925A (zh) * 2023-11-30 2023-12-29 东莞市旺佳五金制品有限公司 基于计算机视觉的金属工件表面缺陷检测方法
CN117314925B (zh) * 2023-11-30 2024-02-20 东莞市旺佳五金制品有限公司 基于计算机视觉的金属工件表面缺陷检测方法
CN117635609A (zh) * 2024-01-25 2024-03-01 深圳市智宇精密五金塑胶有限公司 一种塑胶产品生产质量视觉检测方法
CN117635609B (zh) * 2024-01-25 2024-03-29 深圳市智宇精密五金塑胶有限公司 一种塑胶产品生产质量视觉检测方法

Also Published As

Publication number Publication date
CN115082419B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN109829914B (zh) 检测产品缺陷的方法和装置
CN109961049B (zh) 一种复杂场景下香烟品牌识别方法
CN111161243B (zh) 基于样本增强的工业产品表面缺陷检测方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN111582294B (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN115018828A (zh) 一种电子元器件的缺陷检测方法
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
CN111461133B (zh) 快递面单品名识别方法、装置、设备及存储介质
CN113724231A (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115239718B (zh) 一种基于图像处理的塑料制品缺陷检测方法与系统
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN114067147A (zh) 一种基于局部形状匹配的舰船目标确认方法
CN110619336B (zh) 基于图像处理的货品识别算法
Gui et al. A fast caption detection method for low quality video images
Wu et al. Text detection using delaunay triangulation in video sequence
CN106446832B (zh) 一种基于视频的实时检测行人的方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221221

Address after: No. 108, Dayu West Road, Dayu Town, Rudong County, Nantong, Jiangsu 226400 (Zhangjian Industrial Park)

Patentee after: Nantong Nuosheng Home Technology Co.,Ltd.

Address before: No. 108, Dayu West Road, Zhangjian Industrial Park, Dayu Town, Rudong County, Nantong City, Jiangsu Province 226412

Patentee before: Jiangsu nuoyang Home Technology Co.,Ltd.