CN115272341A - 一种基于机器视觉的包装机缺陷产品检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的包装机缺陷产品检测方法，该方法获取模板图像和待检测图像；通过分区步骤将模板图像划分为多个区域，并获取待检测区域对应的多个区域；对于待检测图像和模板图像，利用文字边缘点的角点值对比文字区域的第一差异性，基于纹理特征对比待图像区域的第二差异性，根据边缘像素点的角点值对比边缘区域的第三差异性，通过灰度作差对比其他区域的第四差异性；进而获取待检测图像与模板图像的整体匹配度，当整体匹配度低于预设阈值时，对应的包装袋为残次品。本发明提高了与模板图像进行匹配时的精度，并且能够在不增加机械复杂度的前提下，检测多种缺陷。

Description

一种基于机器视觉的包装机缺陷产品检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的包装机缺陷产品检测方法。

背景技术

随着社会经济的高速发展和人们物质生活水平的提升，小袋包装食品在行业内得到迅速发展，包装机械行业也迎来了新的发展机遇。由于消费者的消费需求和消费理念的变化，包装袋开始向精品化，高端化等方向发展，然而立式包装机存在袋材供送线路较长，供送速度控制精度和稳定性低的问题，受到外部干扰时容易出现较大的波动，这样就会影响到包装袋的精度和外观质量。为了保证食品安全和商品的口碑，需要将包装袋中的残次品挑拣出来。

对于包装袋的检测，大多靠人工目检，但是对于生产量巨大的包装袋来说，人工目检跟不上机械自动化的发展，也容易漏检。随着科技的发展，目前出现了较少的通过智能化的方法检测包装袋的方法，但是只能单独检测喷码、印刷或者边缘缺陷等，达到的智能化检测效果有限，多项检测的过程较为繁复，增加检测成本。

发明内容

为了解决上述技术问题，本发明提供一种基于机器视觉的包装机缺陷产品检测方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于机器视觉的包装机缺陷产品检测方法，该方法包括以下步骤：

获取同品类包装袋模板正反两面的图像作为模板图像，采集待检测包装袋的正反两面的图像作为待检测图像；

通过分区步骤将所述模板图像划分为多个区域，将模板图像的区域划分结果映射到待检测图像中，使待检测区域划分为对应的多个区域，所述多个区域包括图像区域、文字区域、边缘区域和其他区域；

对于待检测图像和模板图像，利用文字边缘点的角点值对比文字区域的第一差异性，基于纹理特征对比待图像区域的第二差异性，根据边缘像素点的角点值对比边缘区域的第三差异性，通过灰度作差对比其他区域的第四差异性；

基于待检测图像中不同区域的像素点数量以及对应的差异性得到待检测图像与模板图像的整体匹配度，当整体匹配度低于预设阈值时，对应的包装袋为残次品；

所述分区步骤为：

通过对模板图像的灰度图像进行边缘检测，得到强边缘点和弱边缘点；以每个像素点作为中心点构建预设大小的窗口区域，基于窗口区域内每两个强边缘点之间的距离统计窗口区域内的对称强边缘点对的数量；获取每个像素点对应的窗口区域内的灰度差异，统计每个像素点对应的窗口区域内的弱边缘点数量；根据每个像素点对应的灰度差异、弱边缘点数量以及对称强边缘点对的数量获取每两个像素点之间的差异度，基于所述差异度将灰度图像中的所有像素点进行分类。

优选的，所述得到强边缘点和弱边缘点，包括：

利用canny算子对灰度图像进行边缘检测得到边缘像素点，将梯度大于canny算子的高阈值的边缘像素点标记为强边缘点，将梯度处于canny算子的高阈值和低阈值之间的边缘像素点标记为弱边缘点。

优选的，所述对称强边缘点对的获取方法为：

获取每个窗口区域内的强边缘点在图像中的坐标，统计每个横坐标上对应的像素点数量，以及每个纵坐标上对应的像素点数量，当像素点数量最大值对应的坐标为横坐标时，计算每两个强边缘点之间的距离以及横坐标差值，当距离与横坐标差值相等时，对应的两个强边缘点为一个对称强边缘点对；

当像素点数量最大值对应的坐标为纵坐标时，计算每两个强边缘点之间的距离以及纵坐标差值，当距离与纵坐标差值相等时，对应的两个强边缘点为一个对称强边缘点对。

优选的，所述差异度的获取方法为：

获取每两个像素点对应的灰度差异的差值绝对值作为第一差值、对应的弱边缘点的数量的差值绝对值作为第二差值、对应的对称强边缘点对的数量的差值绝对值作为第三差值，基于所述第一差值、第二差值和第三差值获取所述差异度，第一差值、第二差值和第三差值均与所述差异度呈正相关关系。

优选的，所述基于所述差异度将灰度图像中的所有像素点进行分类，包括：

任意选取四个像素点作为初始聚类中心，以所述差异度作为对应的两个像素点之间的聚类距离，通过k-means聚类算法将所有像素点进行聚类，分为四个类别，每个类别对应一个区域。

优选的，所述第一差异性的获取步骤包括：

对文字区域进行边缘检测获取文字边缘点，以每个文字边缘点作为目标点，获取目标点与相邻的两个文字边缘点分别组成的直线的斜率，计算斜率的反正切函数值为对应直线的角度，两个文字边缘点对应的角度之差为目标点的角点值；

计算待检测图像和模板图像的文字区域中对应位置像素点的角点值的差值绝对值，将文字区域中所有像素点对应的差值绝对值求和，并获取待检测图像和模板图像的文字区域中文字边缘点的数量差异，以所述数量差异与求和结果的乘积作为所述第一差异性。

优选的，所述第二差异性的获取方法为：

提取图像区域内每个像素点的纹理特征值，构建特征矩阵，计算待检测图像和模板图像对应的两个特征矩阵的对应位置数值的差值绝对值，以所有位置的差值绝对值的和作为所述第二差异性。

优选的，所述第三差异性的获取方法为：

获取边缘区域的强边缘点，计算每个强边缘点的角点值，根据待检测图像和模板图像的边缘区域中所有强边缘点的角点值获取所述第三差异性。

优选的，所述第四差异性的获取方法为：

对待检测图像和模板图像的其他区域中对应位置像素点进行灰度作差，所有像素点灰度作差结果的平均值作为所述第四差异性。

优选的，所述整体匹配度的获取方法为：

计算待检测图像的每个区域中的像素点数量占整张待检测图像的数量比例，再乘上对应的差异性，将四个乘积求和得到整体差异性，以预设值减去所述整体差异性，得到所述整体匹配度。

本发明实施例至少具有如下有益效果：

利用每个像素点为中心的窗口区域内的特征对所有像素点分类以完成包装袋分区，在分区时不止对像素点本身进行考量，还对像素点周围的较大范围区域进行考量，使分割效果更准确；然后对每个区域分别与模板图像中的相应区域进行对比匹配，对不同区域提供不同的方法进行差异性计算，分区域以合适的方法进行匹配，提高了与模板图像进行匹配时的精度，并且能够在不增加机械复杂度的前提下，检测多种缺陷，使智能化检测的效果更好。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的一种基于机器视觉的包装机缺陷产品检测方法的步骤流程图；

图2中的a图为本发明一个实施例提供的一个模板图像的灰度图像；图2中的b图为图2中的a图检测到强边缘线后的图像；图2中的c图为图2中的a图检测到所有边缘线后的图像；

图3中的a图为本发明一个实施例提供的一个待检测图像的灰度图像；图3中的b图为图3中的a图的文字区域的边缘检测结果；图3中的c图为图3中的a图的边缘区域保留强边缘点的图像；

图4的a图为本发明一个实施例提供的一个模板图像的灰度图像；图4中的b图为图4中的a图的文字区域的边缘检测结果；图4中的c图为图4中的a图的边缘区域保留强边缘点的图像。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的包装机缺陷产品检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明的应用场景为：立式包装机在开启设备之后，随着指定方向运送包装袋，此时包装袋在横向底部和纵向两侧已经完成热封，当袋子到达下料管下方时，已经称重过食品物料沿下料管填装。填装完毕之后在拉膜牵引下到达横向顶部封闭位置，在此进行横封。横封完成之后继续牵引，在包装袋牵引运动方向的两侧各固定一个相机，相机采集图像的方向与包装袋表面垂直，拍摄包装袋正反两面的图像，在处理器上通过本发明的方法对采集的图像进行产品包装检测，包装袋继续运输就达到了切断程序，将包装袋切成小包式的独立包装，通过之前的产品包装检测结果判断切开的掉落方向，分别掉落到缺陷产品和正常产品中。针对的包装机是在密封后会在包装袋密封区域产生密封模板痕迹的包装机设备。

下面结合附图具体的说明本发明所提供的一种基于机器视觉的包装机缺陷产品检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的包装机缺陷产品检测方法的步骤流程图，该方法包括以下步骤：

步骤S001，获取同品类包装袋模板正反两面的图像作为模板图像，采集待检测包装袋的正反两面的图像作为待检测图像。

具体的步骤包括：

1、获取同品类包装袋模板正反两面的图像作为模板图像。

对于每种包装袋，选取一个没有任何缺陷的正常包装袋作为模板，采集该模板的正反两面的图像作为对于品类的包装袋的模板图像。模板图像为待检测图像的对比对象。

2、采集待检测包装袋的正反两面的图像作为待检测图像。

通过固定的相机采集待检测包装袋的正反两面的图像作为待检测图像，待检测图像与模板图像的大小相同。

如果对两张图像直接匹配的话，使用同一种匹配方法针对文字、图案、边缘等不同情况，匹配效果较差。因此本发明实施例根据包装袋信息将包装袋分区，对每个区域使用不同的方式进行匹配。

步骤S002，通过分区步骤将模板图像划分为多个区域，将模板图像的区域划分结果映射到待检测图像中，使待检测区域划分为对应的多个区域，多个区域包括图像区域、文字区域、边缘区域和其他区域。

具体的步骤包括：

1、通过分区步骤将模板图像划分为多个区域，多个区域包括图像区域、文字区域、边缘区域和其他区域。

分区步骤为：

通过对模板图像的灰度图像进行边缘检测，得到强边缘点和弱边缘点；以每个像素点作为中心点构建预设大小的窗口区域，基于窗口区域内每两个强边缘点之间的距离统计窗口区域内的对称强边缘点对的数量；获取每个像素点对应的窗口区域内的灰度差异，统计每个像素点对应的窗口区域内的弱边缘点数量；根据每个像素点对应的灰度差异、弱边缘点数量以及对称强边缘点对的数量获取每两个像素点之间的差异度，基于差异度将灰度图像中的所有像素点进行分类。

首先对模板图像进行灰度化，转换为灰度图像，结合一种具体的应用场景，如图2中的a图和图4的a图所示为一种具体应用场景下的模板图像的灰度图像。利用canny算子对灰度图像进行边缘检测得到边缘像素点，将梯度大于canny算子的高阈值的边缘像素点标记为强边缘点，如图2中的b图中的边缘线为强边缘线，强边缘线上的边缘像素点为强边缘点；将梯度处于canny算子的高阈值和低阈值之间的边缘像素点标记为弱边缘点，如图2中的c图中的边缘线为所有检测出的边缘线，包括强边缘线和弱边缘线，除了强边缘点之外的边缘像素点为弱边缘点。

canny算子是通过双阈值检测边缘的一种算法，其中梯度大于高阈值的像素点一定为边缘，大于低阈值又小于高阈值，则要看这个像素点的邻接像素点中是否有大于高阈值的边缘像素点，如果有，则是边缘像素点，否则不是边缘像素点。一定为边缘的像素点是比较明显的边缘，因此将梯度大于canny算子的高阈值的边缘像素点标记为强边缘点；梯度处于canny算子的高阈值和低阈值之间的边缘像素点是通过像素点的临界像素点中是否有大于高阈值的边缘像素点来确定的，说明边缘不够明显，为弱边缘点。

以每个像素点作为中心点构建预设大小的窗口区域，获取每个窗口区域内的强边缘点在图像中的坐标，统计每个横坐标上对应的像素点数量，以及每个纵坐标上对应的像素点数量，当像素点数量最大值对应的坐标为横坐标时，计算每两个强边缘点之间的距离以及横坐标差值，当距离与横坐标差值相等时，对应的两个强边缘点为一个对称强边缘点对；当像素点数量最大值对应的坐标为纵坐标时，计算每两个强边缘点之间的距离以及纵坐标差值，当距离与纵坐标差值相等时，对应的两个强边缘点为一个对称强边缘点对。

需要说明的是，每识别出一个对称强边缘点对，将其进行标记，在后续识别点对时，不再重复识别。

作为一个示例，本发明实施例中窗口区域的预设大小为25×25。

统计每个窗口区域内对称强边缘点对的数量主要是为了对区域进行区分，像素点如果在文字区域，那么该像素点的周围区域会分布较多的强边缘点，且文字当中的每一行一列，都是由两条边缘构成的，存在很强的边缘对称性，这是别的区域不具备的。

在获取对称强边缘点对时，首先统计同一横坐标上的强边缘点的数量，以及同一纵坐标上的强边缘点的数量，设同一横坐标上的强边缘点的最大像素点数量为a，同一纵坐标上的强边缘点的最大像素点数量为b，当a>b时，对所有强边缘点两两计算其欧氏距离，并且对所有强边缘点两两计算其横坐标的差值，若欧氏距离等于横坐标差值，则对应的两个强边缘点是一个对称点，并对这两个强边缘点进行标记。同理，当a<b时，就是计算每两个强边缘点的欧氏距离和纵坐标的差值，欧氏距离和纵坐标的差值相同，对应的两个强边缘点为一对对称点，此对称点要排除掉已经标记的强边缘点。基于此就得到了对称强边缘点对的数量，记为

。

获取每个像素点对应的窗口区域内的灰度差异，在本发明实施例中灰度差异为窗口内所有灰度值的方差，在其他实施例中还可以采用标准差、极差等其他能够表示差异的参数表征每个像素点对应的窗口区域的灰度差异。

统计每个像素点对应的窗口区域内的弱边缘点数量。获取每两个像素点对应的灰度差异的差值绝对值作为第一差值、对应的弱边缘点的数量的差值绝对值作为第二差值、对应的对称强边缘点对的数量的差值绝对值作为第三差值，基于第一差值、第二差值和第三差值获取差异度，第一差值、第二差值和第三差值均与差异度呈正相关关系。

两个像素点是第一差值、第二差值和第三差值越大，说明两个像素点周围的窗口区域的差别越大，相应的两者的差异度就越大，越可能为不同的类别，通过数学建模获取差异度的计算公式为：

其中，G表示差异度，

表示一个像素点对应的灰度差异，

表示另一个像素点对应的灰度差异，

表示第一差值；

表示一个像素点对应的窗口区域内的弱边缘点的数量，

表示另一个像素点对应的窗口区域内的弱边缘点的数量，

表示第二差值；

表示一个像素点对应的窗口区域内的对称强边缘点对的数量，

表示另一个像素点对应的窗口区域内的对称强边缘点对的数量，

表示第三差值；e为自然常数。

其中第三差值作为自然常数e的指数，对于差异度G的影响是最大的，存在对称强边缘点对的窗口区域和不存在对称强边缘点对的窗口区域之间的第三差值很大，对应的像素点之间的差异度也就很大，不会分在同一类别中。

由于包装袋密封后会在包装袋密封区域产生密封模板痕迹，如图2中的a图中的包装袋最外围的圆形密封模板痕迹，所以边缘区域内会有成圆形状的弱边缘信息，通过弱边缘像素的数量来区分边缘区域。

而图像区域和其他区域的最大差别在于图像区域色彩丰富，其他区域的灰度值较为统一，即通过方差即可区分出。

然后基于差异度将灰度图像中的所有像素点进行分类：任意选取四个像素点作为初始聚类中心，以差异度作为对应的两个像素点之间的聚类距离，通过k-means聚类算法将所有像素点进行聚类，分为四个类别，每个类别对应一个区域。

任意选取四个像素点作为初始聚类中心，即k-means聚类算法中的k为4，k-means算法为公知技术，不再详细说明具体步骤。

将所有像素点分为4个类别之后，使用神经网络对四个类别进行识别，输入为分类之后的图像，标签为每类像素点的所属区域，输出为识别区域后的图像，loss函数为交叉熵损失函数。通过神经网络识别出每个类别的所属区域。

2、将模板图像的区域划分结果映射到待检测图像中，使待检测区域划分为对应的多个区域。

对采集到的图像同样进行灰度化，得到如图3中的a图所示的作为一个示例的待检测图像的灰度图像，由于采集到的待检测图像和模板图像是同样大小的，因此根据上述分区结果对采集到的待检测图像进行分割，这样就得到了待检测图像和模板的每个区域的一一对应关系，然后在不同的区域使用不同的匹配算法来进行匹配。

步骤S003，对于待检测图像和模板图像，利用文字边缘点的角点值对比文字区域的第一差异性，基于纹理特征对比待图像区域的第二差异性，根据边缘像素点的角点值对比边缘区域的第三差异性，通过灰度作差对比其他区域的第四差异性。

具体的步骤包括：

1、获取待检测图像和模板图像的文字区域之间的第一差异性。

对文字区域进行边缘检测获取文字边缘点，模板图像的文字区域的边缘检测结果如图4中的b图所示，待检测图像的文字区域的边缘检测结果如图3中的b图所示，可以看出本发明实施例提供的待检测图像的文字区域部分存在印刷漏字的问题，以每个文字边缘点作为目标点，获取目标点与相邻的两个文字边缘点分别组成的直线的斜率，计算斜率的反正切函数值为对应直线的角度，两个文字边缘点对应的角度之差为目标点的角点值。

对于文字区域来说，由于文字区域的边缘比较明显，并且字体有棱角，因此对该区域进行边缘检测获取文字边缘点，对边缘检测之后的图像中每个文字边缘点计算其角点值。

边缘检测后对图像进行了细化，也就是说一条直线是由一列的像素点构成的，因此对于每一个文字边缘点存在两个相邻点，以每个文字边缘点作为目标点，计算目标点分别与两个相邻文字边缘点构成的直线的角度之差。

设目标点坐标为

，两个相邻文字边缘点坐标为：

，

。则组成的两条直线的斜率分别为：

、

，两个文字边缘点对应的角度之差为：

，作为目标点的角点值。

以同样的方法获取每个文字边缘点的角点值，角点值代表了每个像素点的相对位置信息。通过对比待检测图像和模板图像的文字区域中对应位置像素点的角点值的区别，来表示待检测图像和模板图像的文字区域的第一差异性。

计算待检测图像和模板图像的文字区域中对应位置像素点的角点值的差值绝对值，将文字区域中所有像素点对应的差值绝对值求和，并获取待检测图像和模板图像的文字区域中文字边缘点的数量差异，以数量差异与求和结果的乘积作为第一差异性。

具体的计算公式为：

其中，

表示第一差异性，

表示模板图像中文字边缘点的数量，

表示待检测图像中文字边缘点的数量，

表示模板图像中坐标为

位置处的文字边缘点的角点值，

表示待检测图像中坐标为

位置处的文字边缘点的角点值。

2、获取待检测图像和模板图像的图像区域的第二差异性。

提取图像区域内每个像素点的纹理特征值，构建特征矩阵，计算待检测图像和模板图像对应的两个特征矩阵对应位置数值的差值绝对值，以所有位置的差值绝对值的和作为第二差异性。

使用LBP算子提取该区域中每个像素点的纹理特征值，构建特征矩阵。对于模板和待测图像都分别提取了一个特征矩阵。计算两个特征矩阵对应位置数值的差值绝对值，所有位置的差值绝对值的和为第二差异性，记为

。

3、获取待检测图像和模板图像的边缘区域的第三差异性。

获取边缘区域的强边缘点，计算每个强边缘点的角点值，根据待检测图像和模板图像的边缘区域中所有强边缘点的角点值获取第三差异性。

对于边缘区域，主要检测的是边缘区域是否存在缺口，对于边缘区域同样使用Canny检测，得到强边缘点和弱边缘点，保留强边缘点，模板图像的边缘区域保留强边缘点如图4中的c图所示，待检测图像的边缘区域保留强边缘点如图3中的c图所示，计算每个强边缘点的角点值，根据角点值得到第三差异性

，角点值计算方法以及第三差异性的获取方法与获取第一差异性的步骤一致。

4、获取待检测图像和模板图像的其他区域的第四差异性。

对待检测图像和模板图像的其他区域中对应位置像素点进行灰度作差，所有像素点灰度作差结果的平均值作为第四差异性。

其他区域中几乎都是相同灰度的像素点，采用灰度作差来反映待检测图像和模板图像在其他区域中的差异，以所有像素点灰度作差结果的平均值作为第四差异性，记为

。

步骤S004，基于待检测图像中不同区域的像素点数量以及对应的差异性得到待检测图像与模板图像的整体匹配度，当整体匹配度低于预设阈值时，对应的包装袋为残次品。

具体的步骤包括：

1、获取待检测图像与模板图像的整体匹配度。

计算待检测图像的每个区域中的像素点数量占整张待检测图像的数量比例，再乘上对应的差异性，将四个乘积求和得到整体差异性，以预设值减去整体差异性，得到整体匹配度。

将每个差异性都进行归一化，以每个区域的像素点数量占比作为对应的归一化差异性的权重，得到待检测图像与模板图像的整体差异性，然后再用预设值减去整体差异性，得到整体匹配度，在本发明实施例中预设值为1。

具体的计算公式为：

其中，

表示整体匹配度，

表示第z个区域的像素点数量，

表示所有区域的像素点总数量，

表示第z个区域的差异性。

整体匹配度越大，说明待检测图像与模板图像越相像，待检测图像越有可能是正常的包装袋，不存在缺陷。

2、识别包装袋中的残次品。

当整体匹配度

时，待检测图像与模板图像是匹配的，否则两张图像不匹配，即待检测图像存在缺陷，属于残次品，完成包装机的缺陷产品检测。

对图3中的a图进行缺陷产品检测的结果如表1所示，根据四个区域对应的差异性以及像素点数量计算得到的整体匹配度为75.8%，不满足匹配条件，为残次品。

表1

区域	差异性
		文字区域	32.56%
图像区域	21.99%
		边缘区域	9.66%
其他区域	16.51%

综上所述，本发明实施例获取同品类包装袋模板正反两面的图像作为模板图像，采集待检测包装袋的正反两面的图像作为待检测图像；通过分区步骤将模板图像划分为多个区域，将模板图像的区域划分结果映射到待检测图像中，使待检测区域划分为对应的多个区域，多个区域包括图像区域、文字区域、边缘区域和其他区域；对于待检测图像和模板图像，利用文字边缘点的角点值对比文字区域的第一差异性，基于纹理特征对比待图像区域的第二差异性，根据边缘像素点的角点值对比边缘区域的第三差异性，通过灰度作差对比其他区域的第四差异性；基于待检测图像中不同区域的像素点数量以及对应的差异性得到待检测图像与模板图像的整体匹配度，当整体匹配度低于预设阈值时，对应的包装袋为残次品。本发明实施例能够提高了与模板图像进行匹配时的精度，并且能够在不增加机械复杂度的前提下，检测多种缺陷，使智能化检测的效果更好。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，该方法包括以下步骤：

获取同品类包装袋模板正反两面的图像作为模板图像，采集待检测包装袋的正反两面的图像作为待检测图像；

通过分区步骤将所述模板图像划分为多个区域，将模板图像的区域划分结果映射到待检测图像中，使待检测区域划分为对应的多个区域，所述多个区域包括图像区域、文字区域、边缘区域和其他区域；

对于待检测图像和模板图像，利用文字边缘点的角点值对比文字区域的第一差异性，基于纹理特征对比待图像区域的第二差异性，根据边缘像素点的角点值对比边缘区域的第三差异性，通过灰度作差对比其他区域的第四差异性；

基于待检测图像中不同区域的像素点数量以及对应的差异性得到待检测图像与模板图像的整体匹配度，当整体匹配度低于预设阈值时，对应的包装袋为残次品；

所述分区步骤为：

通过对模板图像的灰度图像进行边缘检测，得到强边缘点和弱边缘点；以每个像素点作为中心点构建预设大小的窗口区域，基于窗口区域内每两个强边缘点之间的距离统计窗口区域内的对称强边缘点对的数量；获取每个像素点对应的窗口区域内的灰度差异，统计每个像素点对应的窗口区域内的弱边缘点数量；根据每个像素点对应的灰度差异、弱边缘点数量以及对称强边缘点对的数量获取每两个像素点之间的差异度，基于所述差异度将灰度图像中的所有像素点进行分类。

2.根据权利要求1所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述得到强边缘点和弱边缘点，包括：

利用canny算子对灰度图像进行边缘检测得到边缘像素点，将梯度大于canny算子的高阈值的边缘像素点标记为强边缘点，将梯度处于canny算子的高阈值和低阈值之间的边缘像素点标记为弱边缘点。

3.根据权利要求1所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述对称强边缘点对的获取方法为：

获取每个窗口区域内的强边缘点在图像中的坐标，统计每个横坐标上对应的像素点数量，以及每个纵坐标上对应的像素点数量，当像素点数量最大值对应的坐标为横坐标时，计算每两个强边缘点之间的距离以及横坐标差值，当距离与横坐标差值相等时，对应的两个强边缘点为一个对称强边缘点对；

当像素点数量最大值对应的坐标为纵坐标时，计算每两个强边缘点之间的距离以及纵坐标差值，当距离与纵坐标差值相等时，对应的两个强边缘点为一个对称强边缘点对。

4.根据权利要求1所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述差异度的获取方法为：

获取每两个像素点对应的灰度差异的差值绝对值作为第一差值、对应的弱边缘点的数量的差值绝对值作为第二差值、对应的对称强边缘点对的数量的差值绝对值作为第三差值，基于所述第一差值、第二差值和第三差值获取所述差异度，第一差值、第二差值和第三差值均与所述差异度呈正相关关系。

5.根据权利要求1所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述基于所述差异度将灰度图像中的所有像素点进行分类，包括：

任意选取四个像素点作为初始聚类中心，以所述差异度作为对应的两个像素点之间的聚类距离，通过k-means聚类算法将所有像素点进行聚类，分为四个类别，每个类别对应一个区域。

6.根据权利要求1所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述第一差异性的获取步骤包括：

对文字区域进行边缘检测获取文字边缘点，以每个文字边缘点作为目标点，获取目标点与相邻的两个文字边缘点分别组成的直线的斜率，计算斜率的反正切函数值为对应直线的角度，两个文字边缘点对应的角度之差为目标点的角点值；

计算待检测图像和模板图像的文字区域中对应位置像素点的角点值的差值绝对值，将文字区域中所有像素点对应的差值绝对值求和，并获取待检测图像和模板图像的文字区域中文字边缘点的数量差异，以所述数量差异与求和结果的乘积作为所述第一差异性。

7.根据权利要求1所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述第二差异性的获取方法为：

提取图像区域内每个像素点的纹理特征值，构建特征矩阵，计算待检测图像和模板图像对应的两个特征矩阵的对应位置数值的差值绝对值，以所有位置的差值绝对值的和作为所述第二差异性。

8.根据权利要求6所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述第三差异性的获取方法为：

获取边缘区域的强边缘点，计算每个强边缘点的角点值，根据待检测图像和模板图像的边缘区域中所有强边缘点的角点值获取所述第三差异性。

9.根据权利要求1所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述第四差异性的获取方法为：

对待检测图像和模板图像的其他区域中对应位置像素点进行灰度作差，所有像素点灰度作差结果的平均值作为所述第四差异性。

10.根据权利要求1所述的一种基于机器视觉的包装机缺陷产品检测方法，其特征在于，所述整体匹配度的获取方法为：

计算待检测图像的每个区域中的像素点数量占整张待检测图像的数量比例，再乘上对应的差异性，将四个乘积求和得到整体差异性，以预设值减去所述整体差异性，得到所述整体匹配度。

Images