CN115302963B - 一种基于机器视觉的条形码印刷控制方法、系统及介质 - Google Patents
一种基于机器视觉的条形码印刷控制方法、系统及介质 Download PDFInfo
- Publication number
- CN115302963B CN115302963B CN202211243820.4A CN202211243820A CN115302963B CN 115302963 B CN115302963 B CN 115302963B CN 202211243820 A CN202211243820 A CN 202211243820A CN 115302963 B CN115302963 B CN 115302963B
- Authority
- CN
- China
- Prior art keywords
- printing
- data
- bar code
- current
- acquiring
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
- B41J29/38—Drives, motors, controls or automatic cut-off devices for the entire printing mechanism
- B41J29/393—Devices for controlling or analysing the entire machine ; Controlling or analysing mechanical parameters involving printing of test patterns
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J3/00—Typewriters or selective printing or marking mechanisms characterised by the purpose for which they are constructed
- B41J3/01—Typewriters or selective printing or marking mechanisms characterised by the purpose for which they are constructed for special character, e.g. for Chinese characters or barcodes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Inking, Control Or Cleaning Of Printing Machines (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于机器视觉的条形码印刷控制方法、系统及介质,属于数字控制技术领域,本发明通过获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将特征数据输入到所述知识图谱中,得到关联信息,根据关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将修正指令传输至远程印刷控制终端。通过本方法能够有效地检测出成批次的印刷残次产品中的条形码残缺频发数据以及条形码偶发数据,从而对印刷残次产品的残缺原因进行分类,通过分类能够检测出成批次的印刷残次产品的实际原因,从而通过知识图谱进行分析条形码残缺与印刷参数的相关性,使得能够快速地提出调整方案,有利于应对条形码的异常情况,从而快速地调整印刷参数。
Description
技术领域
本发明涉及数字控制技术领域,尤其涉及一种基于机器视觉的条形码印刷控制方法、系统及介质。
背景技术
条形码被视为商品的身份证,是伴随着计算机技术和信息技术的发展而发展起来的,主要用在对零售商品、非零售商品、物流单元、商品位置等的条码标识,是现代商业活动必不可少的技术。商品条形码技术主要包括编码、印刷、识别、处理等技术,其中条码印刷质量的好坏直接关乎商品条形码的实际应用效果,而当前我国商品条形码印刷质量不合格的情况较为常见,因此必须找出导致条形码印刷质量出现问题的原因所在,从而制定控制对策提升商品条形码的印刷质量。而现如今,在印刷的过程中,由于印刷设备在持续地工作,容易出现印刷参数异常的情况,而印刷参数异常的情况就会导致成批次的印刷产品出现异常,而如何快速地检测出印刷产品出现异常的情况,如今缺少对印刷产品出现异常的情况进行快速提出解决方案的技术手段,进而控制印刷质量。
发明内容
本发明克服了现有技术的不足,提供了一种基于机器视觉的条形码印刷控制方法、系统及介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于机器视觉的条形码印刷控制方法,其特征在于,包括以下步骤:
获取印刷残次产品的图像信息,并对所述图像信息进行预处理,得到预处理结果,根据所述预处理结果确定当前印刷产品条形码所在的印刷区域,并获取当前印刷产品条形码的图像信息;
构建图像识别模型,并将预先训练好的图像数据输入到图像识别模型中,得到训练完成的图像识别模型,并通过所述图像识别模型对所述当前印刷产品条形码的图像信息,得到输出结果;
若所述输出结果为预设输出结果,获取每个印刷残次品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发数据以及条形码残缺偶发数据;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端。
本发明的一个较佳实施例中,对所述图像信息进行预处理,得到预处理结果,根据所述预处理结果确定当前印刷产品条形码所在的印刷区域,具体包括以下步骤:
通过对所述图像信息进行灰度化处理,将所述图像信息转换为单通道的灰色图像;
通过对所述灰色图像中像素个数较多的灰度值进行展宽,对应像素个数较少的灰度值进行合并,增强整幅灰色图像的对比度;
通过对所述灰色图像进一步进行滤波以及降噪处理,保留所述灰色图像的边缘形状以及锐利程度,得到预处理后的图像信息;
对所述预处理后的图像信息进行图像分割,得到当前印刷产品条形码所在的印刷区域以及非印刷条形码区域,并将当前印刷产品条形码所在的印刷区域输出。
本发明的一个较佳实施例中,构建图像识别模型,并将预先训练好的图像数据输入到图像识别模型中,得到训练完成的图像识别模型,并通过所述图像识别模型对所述当前印刷产品条形码的图像信息,得到输出结果,具体包括以下步骤:
基于卷积神经网络构建图像识别模型,并将预先训练好的图像数据分为训练集以及测试集,并将所述训练集输入到所述图像识别模型的卷积层中进行卷积运算,得到卷积特征值;
将所述卷积特征值输入到池化层中,采用最大池化的方式对所述卷积特征值进行池化;
通过交叉熵损失函数进行参数传播训练,直至误差值收敛至预设值,最终与softmax分类器进行相连,并通过测试集对当前图像识别模型进行测试,直至测试结果满足预设测试结果,保存模型参数;
将所述当前印刷产品条形码的图像信息输入到所述图像识别模型中进行识别,得到输出结果。
本发明的一个较佳实施例中,获取每个印刷残次品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发区域以及条形码残缺偶发区域,具体包括以下步骤:
获取每个印刷残次品的残缺区域部分,并对所述残缺区域部分进行一次分类,得到分类好的特征数据;
统计所述分类好的特征数据,并计算每一类特征数据出现的频率数据,判断所述频率数据是否大于预设频率数据;
若所述频率数据大于预设频率数据,则将所述频率数据大于预设频率数据的特征数据标记为条形码残缺频发数据;
若所述频率数据不大于预设频率数据,则将所述频率数据不大于预设频率数据的特征数据标记为条形码残缺偶发数据。
本发明的一个较佳实施例中,获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,具体包括以下步骤:
通过大数据网络获取相关条形码印刷的知识要素,并对当前知识要素进行处理,得到每个字的字向量,通过对每个知识要素所述字向量进行处理,得到各个知识要素的要素向量;
通过对所述每个知识要素的要素向量进行关联判断,得到针对各个知识要素的关联结果,根据所述关联结果对知识要素进行组合,得到条形码印刷的抽取结果;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述抽取结果输入到所述知识图谱中,得到完成的知识图谱;
将所述当前条形码残缺频发数据的特征数据输入到所述知识图谱中,计算所述特征数据与所述知识图谱中的知识要素的关联度,并获取所述关联度大于预设关联度的关联信息。
本发明的一个较佳实施例中,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端,具体包括以下步骤:
获取当前印刷设备的印刷参数,并根据所述关联信息对当前运输设备的印刷参数进行匹配度计算,得到多个匹配度;
判断所述匹配度是否预设匹配度,若所述匹配度大于预设匹配度,则通过大数据网络获取对应特征数据的正常印刷参数数据;
根据所述正常印刷参数数据以及当前印刷设备的印刷参数计算出印刷参数差值;
基于所述印刷参数差值生成修正指令,并将所述修正指令传输至远程印刷控制终端。
本发明第二方面提供了一种基于机器视觉的条形码印刷控制系统,所述控制系统包括存储器以及处理器,所述存储器中包括基于机器视觉的条形码印刷控制方法程序,所述基于机器视觉的条形码印刷控制方法程序被处理器执行时,实现如下步骤:
获取印刷残次产品的图像信息,并对所述图像信息进行预处理,得到预处理结果,根据所述预处理结果确定当前印刷产品条形码所在的印刷区域,并获取当前印刷产品条形码的图像信息;
构建图像识别模型,并将预先训练好的图像数据输入到图像识别模型中,得到训练完成的图像识别模型,并通过所述图像识别模型对所述当前印刷产品条形码的图像信息,得到输出结果;
若所述输出结果为预设输出结果,获取每个印刷残次品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发数据以及条形码残缺偶发数据;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端。
根据本实施例中,获取每个印刷残次品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发区域以及条形码残缺偶发区域,具体包括以下步骤:
获取每个印刷残次品的残缺区域部分,并对所述残缺区域部分进行一次分类,得到分类好的特征数据;
统计所述分类好的特征数据,并计算每一类特征数据出现的频率数据,判断所述频率数据是否大于预设频率数据;
若所述频率数据大于预设频率数据,则将所述频率数据大于预设频率数据的特征数据标记为条形码残缺频发数据;
若所述频率数据不大于预设频率数据,则将所述频率数据不大于预设频率数据的特征数据标记为条形码残缺偶发数据。
根据本实施例中,获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,具体包括以下步骤:
通过大数据网络获取相关条形码印刷的知识要素,并对当前知识要素进行处理,得到每个字的字向量,通过对每个知识要素所述字向量进行处理,得到各个知识要素的要素向量;
通过对所述每个知识要素的要素向量进行关联判断,得到针对各个知识要素的关联结果,根据所述关联结果对知识要素进行组合,得到条形码印刷的抽取结果;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述抽取结果输入到所述知识图谱中,得到完成的知识图谱;
将所述当前条形码残缺频发数据的特征数据输入到所述知识图谱中,计算所述特征数据与所述知识图谱中的知识要素的关联度,并获取所述关联度大于预设关联度的关联信息。
本发明第三方面提供了一种计算机可存储介质,所述计算机可存储介质包括基于机器视觉的条形码印刷控制方法程序,所述基于机器视觉的条形码印刷控制方法程序被处理器执行时,实现任一项所述的基于机器视觉的条形码印刷控制方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
通过本方法能够有效地检测出成批次的印刷残次产品中的条形码残缺频发数据以及条形码偶发数据,从而对印刷残次产品的残缺原因进行分类,通过该项分类能够检测出成批次的印刷残次产品的实际原因,从而通过知识图谱进行分析条形码残缺与印刷参数的相关性,使得能够快速地提出调整方案,有利于快速地应对条形码的异常情况,从而快速地调整印刷参数。
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的前提下,还可以根据这些附图获得其他实施例的附图。
图1示出了一种基于机器视觉的条形码印刷控制方法的整体方法流程图;
图2示出了得到关联信息的方法流程图;
图3示出了修正印刷参数的方法流程图;
图4示出了一种基于机器视觉的条形码印刷控制系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于机器视觉的条形码印刷控制方法,其特征在于,包括以下步骤:
S102:获取印刷残次产品的图像信息,并对所述图像信息进行预处理,得到预处理结果,根据所述预处理结果确定当前印刷产品条形码所在的印刷区域,并获取当前印刷产品条形码的图像信息;
需要说明的是,在步骤S102中,本步骤中包括:
通过对所述图像信息进行灰度化处理,将所述图像信息转换为单通道的灰色图像;
通过对所述灰色图像中像素个数较多的灰度值进行展宽,对应像素个数较少的灰度值进行合并,增强整幅灰色图像的对比度;
通过对所述灰色图像进一步进行滤波以及降噪处理,保留所述灰色图像的边缘形状以及锐利程度,得到预处理后的图像信息;
对所述预处理后的图像信息进行图像分割,得到当前印刷产品条形码所在的印刷区域以及非印刷条形码区域,并将当前印刷产品条形码所在的印刷区域输出。
S104:构建图像识别模型,并将预先训练好的图像数据输入到图像识别模型中,得到训练完成的图像识别模型,并通过所述图像识别模型对所述当前印刷产品条形码的图像信息,得到输出结果;
需要说明的是,在S104步骤中,本步骤包括:
基于卷积神经网络构建图像识别模型,并将预先训练好的图像数据分为训练集以及测试集,并将所述训练集输入到所述图像识别模型的卷积层中进行卷积运算,得到卷积特征值;
将所述卷积特征值输入到池化层中,采用最大池化的方式对所述卷积特征值进行池化;
通过交叉熵损失函数进行参数传播训练,直至误差值收敛至预设值,最终与softmax分类器进行相连,并通过测试集对当前图像识别模型进行测试,直至测试结果满足预设测试结果,保存模型参数;
将所述当前印刷产品条形码的图像信息输入到所述图像识别模型中进行识别,得到输出结果。
需要说明的是,所述预先训练好的图像数据可以为有条形码缺陷的印刷产品、条形码缺损的印刷产品等情况,通过本方法能够有效地识别出印刷产品各种异常的情况。
S106:若所述输出结果为预设输出结果,获取每个印刷残次品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发数据以及条形码残缺偶发数据;
需要说明的是,在步骤S106中,本步骤包括:
获取每个印刷残次品的残缺区域部分,并对所述残缺区域部分进行一次分类,得到分类好的特征数据;
统计所述分类好的特征数据,并计算每一类特征数据出现的频率数据,判断所述频率数据是否大于预设频率数据;
若所述频率数据大于预设频率数据,则将所述频率数据大于预设频率数据的特征数据标记为条形码残缺频发数据;
若所述频率数据不大于预设频率数据,则将所述频率数据不大于预设频率数据的特征数据标记为条形码残缺偶发数据。
需要说明的是,在一批次的产品中,印刷残次品可能会出现印刷偶然残缺事件或者印刷残缺频发事件,所述特征数据可以理解为:各种印刷条形码时的产生异常情况,如在金属罐上印制条形码时,由于金属对油墨的吸附能力有限,因此一旦对油墨的选择出现差错,就可能导致油墨固化后部分脱落,使条码缺损,或者在固化过程中由于固化时间过长导致商品条码出现变形现象。再如塑料载体上条形码的印制质量问题。塑料是最为常见的商品包装物材料,在塑料载体上印制商品条形码主要采用柔性版或凹版印刷两种工艺,其中凹版印刷最为常见,印刷质量好,然而工艺也相对复杂,在印刷过程中由于塑料本身具有一定的张力,易变形,且塑料本身对油墨的吸附力较差,一旦控制不好就会产生条码缺墨的情况。当一大批产品出现该项情况时,说明相应的印刷参数或者相应的印刷器械出现了异常的情况。
S108:获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端。
需要说明的是,在步骤S108中,本步骤中的获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,具体为:
S202:通过大数据网络获取相关条形码印刷的知识要素,并对当前知识要素进行处理,得到每个字的字向量,通过对每个知识要素所述字向量进行处理,得到各个知识要素的要素向量;
示例性地,本过程可以使用预训练模型或其他模型(例如BERT模型)获得每个字的字向量。
S204:通过对所述每个知识要素的要素向量进行关联判断,得到针对各个知识要素的关联结果,根据所述关联结果对知识要素进行组合,得到条形码印刷的抽取结果;
示例性地,可以使用神经网络算法+池化方式对所有字的字向量进行处理,得到该知识要素的要素向量。
S206:获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述抽取结果输入到所述知识图谱中,得到完成的知识图谱;
示例性地,可以以一个或更多个知识要素为中心,其他知识要素与其进行二分类判断,从而得到针对各个知识要素的关联结果。例如,以人物的名称为中心,其他所有知识要素与其进行二分类判断,如果抽取出的知识要素没有相关名称,则不再进行知识要素的关联判断,该知识要素内容作废。例如(条形码印刷过程中,油墨的浓度必须控制好,不然会造成条形码亏损现象),通过本方法能够对条形码残次品的原因进行关联性链接,从而对实际的条形码残次品的原因进行分析。
S208:将所述当前条形码残缺频发数据的特征数据输入到所述知识图谱中,计算所述特征数据与所述知识图谱中的知识要素的关联度,并获取所述关联度大于预设关联度的关联信息。
需要说明的是,通过本方法能够从知识图谱中对条形码残缺频发数据进行分析,通过分析能够获得条形码残缺频发数据的实际原因,从而能够迅速地对实际原因提出有效性的措施。
本发明的一个较佳实施例中,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端,具体包括以下步骤:
S302:获取当前印刷设备的印刷参数,并根据所述关联信息对当前运输设备的印刷参数进行匹配度计算,得到多个匹配度;
S304:判断所述匹配度是否预设匹配度,若所述匹配度大于预设匹配度,则通过大数据网络获取对应特征数据的正常印刷参数数据;
S306:根据所述正常印刷参数数据以及当前印刷设备的印刷参数计算出印刷参数差值;
S308:基于所述印刷参数差值生成修正指令,并将所述修正指令传输至远程印刷控制终端。
需要说明的是,当所述匹配度大于预设匹配度,说明相应印刷器械的印刷参数出现了异常,此时通过本方法能够有效地对异常的印刷设备进行修正印刷参数,使得实时的印刷参数符合预设的印刷参数,从而避免持续出现与特征数据相关的印刷产品,能够有效地应对生产中产生的异常情况。
此外,本方法还可以包括以下步骤:
若所述匹配度不大于预设匹配度,则获取当前印刷设备的实时工作环境信息;
根据所述实时工作信息得到实时工作信息的关联性文本,并通过知识图谱对所述关联性文本进行关联;
计算关联性文本在知识图谱中的相似度,并判断所述相似度是否大于预设相似度;
若所述相似度大于预设相似度,则生成控制指令,并将所述控制指令传输至相应的环境调节设备,以通过环境调节设备调节当前的印刷环境。
需要说明的是,在条形码印刷的过程中,由于环境的温度、粉尘度、湿度等环境因素的影响,如在圆罐上印刷条形码时,当湿度、粉尘度高于一定值时,由于金属、塑料对于油墨的吸附力有限,就可能导致油墨固化后部分脱落,使条码缺损,或者在固化过程中由于固化时间过长导致商品条码出现变形现象。通过本方法能够有效地提高条形码的印刷质量。
此外,本方法还可以包括以下步骤:
若所述匹配度不大于预设匹配度,则获取当前印刷设备的实时工作状态;
获取条形码残次品对应特征数据所在的残缺区域,通过对残缺区域与相应的印刷工作子设备进行关联,生成关联信息;
根据所述当前印刷设备的实时工作状态以及所述关联信息得到一个或者多个印刷设备的异常可能性;
将所述异常可能性输入到贝叶斯网络中进行二次模拟关联,得到最终异常的印刷设备,将所述最终异常的印刷设备传输至远程印刷终端,并按照预设方式进行显示;
需要说明的是,在实际的条形码印刷过程中,通常而言均会一下子印刷多组待印刷产品,通过本方法能够对残缺区域与相应的印刷工作子设备进行关联,从而将所述异常可能性输入到贝叶斯网络中进行二次模拟关联,从而得到可能性最高的异常印刷设备,通过本方法能够快速地检测出异常的印刷设备。
本发明第二方面提供了一种基于机器视觉的条形码印刷控制系统,所述控制系统包括存储器41以及处理器62,所述存储器41中包括基于机器视觉的条形码印刷控制方法程序,所述基于机器视觉的条形码印刷控制方法程序被处理器62执行时,实现如下步骤:
获取印刷残次产品的图像信息,并对所述图像信息进行预处理,得到预处理结果,根据所述预处理结果确定当前印刷产品条形码所在的印刷区域,并获取当前印刷产品条形码的图像信息;
构建图像识别模型,并将预先训练好的图像数据输入到图像识别模型中,得到训练完成的图像识别模型,并通过所述图像识别模型对所述当前印刷产品条形码的图像信息,得到输出结果;
若所述输出结果为预设输出结果,获取每个印刷残次品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发数据以及条形码残缺偶发数据;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端。
根据本实施例中,获取每个印刷残次品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发区域以及条形码残缺偶发区域,具体包括以下步骤:
获取每个印刷残次品的残缺区域部分,并对所述残缺区域部分进行一次分类,得到分类好的特征数据;
统计所述分类好的特征数据,并计算每一类特征数据出现的频率数据,判断所述频率数据是否大于预设频率数据;
若所述频率数据大于预设频率数据,则将所述频率数据大于预设频率数据的特征数据标记为条形码残缺频发数据;
若所述频率数据不大于预设频率数据,则将所述频率数据不大于预设频率数据的特征数据标记为条形码残缺偶发数据。
根据本实施例中,获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,具体包括以下步骤:
通过大数据网络获取相关条形码印刷的知识要素,并对当前知识要素进行处理,得到每个字的字向量,通过对每个知识要素所述字向量进行处理,得到各个知识要素的要素向量;
通过对所述每个知识要素的要素向量进行关联判断,得到针对各个知识要素的关联结果,根据所述关联结果对知识要素进行组合,得到条形码印刷的抽取结果;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述抽取结果输入到所述知识图谱中,得到完成的知识图谱;
将所述当前条形码残缺频发数据的特征数据输入到所述知识图谱中,计算所述特征数据与所述知识图谱中的知识要素的关联度,并获取所述关联度大于预设关联度的关联信息。
需要说明的是,通过本方法能够从知识图谱中对条形码残缺频发数据进行分析,通过分析能够获得条形码残缺频发数据的实际原因,从而能够迅速地对实际原因提出有效性的措施。
本发明第三方面提供了一种计算机可存储介质,所述计算机可存储介质包括基于机器视觉的条形码印刷控制方法程序,所述基于机器视觉的条形码印刷控制方法程序被处理器执行时,实现任一项所述的基于机器视觉的条形码印刷控制方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于机器视觉的条形码印刷控制方法,其特征在于,包括以下步骤:
获取印刷残次产品的图像信息,并对所述图像信息进行预处理,得到预处理结果,根据所述预处理结果确定当前印刷产品条形码所在的印刷区域,并获取当前印刷产品条形码的图像信息;
构建图像识别模型,并将预先训练好的图像数据输入到图像识别模型中,得到训练完成的图像识别模型,并通过所述图像识别模型对所述当前印刷产品条形码的图像信息进行识别,得到输出结果;
若所述输出结果为预设输出结果,获取每个印刷残次产品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发数据以及条形码残缺偶发数据;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端;
其中,获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,具体包括以下步骤:
通过大数据网络获取相关条形码印刷的知识要素,并对当前知识要素进行处理,得到每个字的字向量,通过对每个知识要素所述字向量进行处理,得到各个知识要素的要素向量;
通过对所述每个知识要素的要素向量进行关联判断,得到针对各个知识要素的关联结果,根据所述关联结果对知识要素进行组合,得到条形码印刷的抽取结果;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述抽取结果输入到所述知识图谱中,得到完成的知识图谱;
将所述当前条形码残缺频发数据的特征数据输入到所述知识图谱中,计算所述特征数据与所述知识图谱中的知识要素的关联度,并获取所述关联度大于预设关联度的关联信息;
其中,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端,具体包括以下步骤:
获取当前印刷设备的印刷参数,并根据所述关联信息对当前印刷设备的印刷参数进行匹配度计算,得到多个匹配度;
判断所述匹配度是否大于预设匹配度,若所述匹配度大于预设匹配度,则通过大数据网络获取对应特征数据的正常印刷参数数据;
根据所述正常印刷参数数据以及当前印刷设备的印刷参数计算出印刷参数差值;
基于所述印刷参数差值生成修正指令,并将所述修正指令传输至远程印刷控制终端;
还包括以下步骤:
若所述匹配度不大于预设匹配度,则获取当前印刷设备的实时工作状态;
获取印刷残次产品对应特征数据所在的残缺区域,通过对残缺区域与相应的印刷工作子设备进行关联,生成二次关联信息;
根据所述当前印刷设备的实时工作状态以及所述二次关联信息得到一个或者多个印刷设备的异常可能性;
将所述异常可能性输入到贝叶斯网络中进行二次模拟关联,得到最终异常的印刷设备,将所述最终异常的印刷设备传输至远程印刷控制终端,并按照预设方式进行显示。
2.根据权利要求1所述的一种基于机器视觉的条形码印刷控制方法,其特征在于,对所述图像信息进行预处理,得到预处理结果,根据所述预处理结果确定当前印刷产品条形码所在的印刷区域,具体包括以下步骤:
通过对所述图像信息进行灰度化处理,将所述图像信息转换为单通道的灰色图像;
通过对所述灰色图像中像素个数较多的灰度值进行展宽,对应像素个数较少的灰度值进行合并,增强整幅灰色图像的对比度;
通过对所述灰色图像进一步进行滤波以及降噪处理,保留所述灰色图像的边缘形状以及锐利程度,得到预处理后的图像信息;
对所述预处理后的图像信息进行图像分割,得到当前印刷产品条形码所在的印刷区域以及非印刷条形码区域,并将当前印刷产品条形码所在的印刷区域输出。
3.根据权利要求1所述的一种基于机器视觉的条形码印刷控制方法,其特征在于,构建图像识别模型,并将预先训练好的图像数据输入到图像识别模型中,得到训练完成的图像识别模型,并通过所述图像识别模型对所述当前印刷产品条形码的图像信息进行识别,得到输出结果,具体包括以下步骤:
基于卷积神经网络构建图像识别模型,并将预先训练好的图像数据分为训练集以及测试集,并将所述训练集输入到所述图像识别模型的卷积层中进行卷积运算,得到卷积特征值;
将所述卷积特征值输入到池化层中,采用最大池化的方式对所述卷积特征值进行池化;
通过交叉熵损失函数进行参数传播训练,直至误差值收敛至预设值,最终与softmax分类器进行相连,并通过测试集对当前图像识别模型进行测试,直至测试结果满足预设测试结果,保存模型参数;
将所述当前印刷产品条形码的图像信息输入到所述图像识别模型中进行识别,得到输出结果。
4.根据权利要求1所述的一种基于机器视觉的条形码印刷控制方法,其特征在于,获取每个印刷残次产品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发区域以及条形码残缺偶发区域,具体包括以下步骤:
获取每个印刷残次产品的残缺区域部分,并对所述残缺区域部分进行一次分类,得到分类好的特征数据;
统计所述分类好的特征数据,并计算每一类特征数据出现的频率数据,判断所述频率数据是否大于预设频率数据;
若所述频率数据大于预设频率数据,则将所述频率数据大于预设频率数据的特征数据标记为条形码残缺频发数据;
若所述频率数据不大于预设频率数据,则将所述频率数据不大于预设频率数据的特征数据标记为条形码残缺偶发数据。
5.一种基于机器视觉的条形码印刷控制系统,其特征在于,所述控制系统包括存储器以及处理器,所述存储器中包括基于机器视觉的条形码印刷控制方法程序,所述基于机器视觉的条形码印刷控制方法程序被处理器执行时,实现如下步骤:
获取印刷残次产品的图像信息,并对所述图像信息进行预处理,得到预处理结果,根据所述预处理结果确定当前印刷产品条形码所在的印刷区域,并获取当前印刷产品条形码的图像信息;
构建图像识别模型,并将预先训练好的图像数据输入到图像识别模型中,得到训练完成的图像识别模型,并通过所述图像识别模型对所述当前印刷产品条形码的图像信息进行识别,得到输出结果;
若所述输出结果为预设输出结果,获取每个印刷残次产品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发数据以及条形码残缺偶发数据;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端;
其中,获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述特征数据输入到所述知识图谱中,得到关联信息,具体包括以下步骤:
通过大数据网络获取相关条形码印刷的知识要素,并对当前知识要素进行处理,得到每个字的字向量,通过对每个知识要素所述字向量进行处理,得到各个知识要素的要素向量;
通过对所述每个知识要素的要素向量进行关联判断,得到针对各个知识要素的关联结果,根据所述关联结果对知识要素进行组合,得到条形码印刷的抽取结果;
获取当前条形码残缺频发数据的特征数据,构建知识图谱,并将所述抽取结果输入到所述知识图谱中,得到完成的知识图谱;
将所述当前条形码残缺频发数据的特征数据输入到所述知识图谱中,计算所述特征数据与所述知识图谱中的知识要素的关联度,并获取所述关联度大于预设关联度的关联信息;
其中,根据所述关联信息对当前印刷设备的印刷参数进行修正,生成修正指令,将所述修正指令传输至远程印刷控制终端,具体包括以下步骤:
获取当前印刷设备的印刷参数,并根据所述关联信息对当前印刷设备的印刷参数进行匹配度计算,得到多个匹配度;
判断所述匹配度是否大于预设匹配度,若所述匹配度大于预设匹配度,则通过大数据网络获取对应特征数据的正常印刷参数数据;
根据所述正常印刷参数数据以及当前印刷设备的印刷参数计算出印刷参数差值;
基于所述印刷参数差值生成修正指令,并将所述修正指令传输至远程印刷控制终端;
还包括以下步骤:
若所述匹配度不大于预设匹配度,则获取当前印刷设备的实时工作状态;
获取印刷残次产品对应特征数据所在的残缺区域,通过对残缺区域与相应的印刷工作子设备进行关联,生成二次关联信息;
根据所述当前印刷设备的实时工作状态以及所述二次关联信息得到一个或者多个印刷设备的异常可能性;
将所述异常可能性输入到贝叶斯网络中进行二次模拟关联,得到最终异常的印刷设备,将所述最终异常的印刷设备传输至远程印刷控制终端,并按照预设方式进行显示。
6.根据权利要求5所述的一种基于机器视觉的条形码印刷控制系统,其特征在于,获取每个印刷残次产品的残缺区域部分,提取并统计所述残缺区域部分的特征数据,基于所述特征数据得到条形码残缺频发区域以及条形码残缺偶发区域,具体包括以下步骤:
获取每个印刷残次产品的残缺区域部分,并对所述残缺区域部分进行一次分类,得到分类好的特征数据;
统计所述分类好的特征数据,并计算每一类特征数据出现的频率数据,判断所述频率数据是否大于预设频率数据;
若所述频率数据大于预设频率数据,则将所述频率数据大于预设频率数据的特征数据标记为条形码残缺频发数据;
若所述频率数据不大于预设频率数据,则将所述频率数据不大于预设频率数据的特征数据标记为条形码残缺偶发数据。
7.一种计算机可存储介质,所述计算机可存储介质包括基于机器视觉的条形码印刷控制方法程序,所述基于机器视觉的条形码印刷控制方法程序被处理器执行时,实现如权利要求1-4任一项所述的基于机器视觉的条形码印刷控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243820.4A CN115302963B (zh) | 2022-10-12 | 2022-10-12 | 一种基于机器视觉的条形码印刷控制方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243820.4A CN115302963B (zh) | 2022-10-12 | 2022-10-12 | 一种基于机器视觉的条形码印刷控制方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115302963A CN115302963A (zh) | 2022-11-08 |
CN115302963B true CN115302963B (zh) | 2022-12-27 |
Family
ID=83868058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211243820.4A Active CN115302963B (zh) | 2022-10-12 | 2022-10-12 | 一种基于机器视觉的条形码印刷控制方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115302963B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958124B (zh) * | 2023-09-12 | 2023-12-26 | 地立(苏州)智能装备有限公司 | 一种自动包装机异常监测系统 |
CN116931534B (zh) * | 2023-09-19 | 2023-12-01 | 深圳市俱进纸品包装有限公司 | 基于物联网的刺绣产品生产控制方法及系统 |
CN117183578B (zh) * | 2023-11-03 | 2024-01-26 | 博感科技(江苏)有限公司 | 一种可伸缩印刷基材的定位检测方法及印刷方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002273970A (ja) * | 2001-03-21 | 2002-09-25 | Fuji Photo Film Co Ltd | 画像記録装置 |
CN108932518A (zh) * | 2018-06-22 | 2018-12-04 | 大连理工大学 | 一种基于视觉词袋模型的鞋印图像特征提取及检索方法 |
CN110039916A (zh) * | 2019-04-16 | 2019-07-23 | 珠海格力电器股份有限公司 | 印刷品质量检测方法、计算机装置及计算机可读存储介质 |
CN111391506A (zh) * | 2020-02-28 | 2020-07-10 | 安徽天凯光通信技术有限公司 | 一种基于机器视觉的光缆印字残缺智能检测系统 |
CN111476283A (zh) * | 2020-03-31 | 2020-07-31 | 上海海事大学 | 基于迁移学习的青光眼眼底图像识别方法 |
CN112560837A (zh) * | 2020-12-02 | 2021-03-26 | 南方电网电力科技股份有限公司 | 一种指针式仪表的读数方法、装置、设备和存储介质 |
CN113420579A (zh) * | 2021-06-29 | 2021-09-21 | 北大方正集团有限公司 | 标识码位置定位模型的训练及定位方法、装置、电子设备 |
CN114418899A (zh) * | 2022-03-28 | 2022-04-29 | 深圳市嘉年印务有限公司 | 一种自彩印的自适应修复方法、系统及可读存储介质 |
CN114553927A (zh) * | 2022-04-19 | 2022-05-27 | 深圳市彩昇印刷机械有限公司 | 一种基于大数据的印刷设备远程控制方法、系统及介质 |
CN115035118A (zh) * | 2022-08-11 | 2022-09-09 | 南通华钛电子科技有限公司 | 一种基于识别模型的pcb生产线残缺检测方法及系统 |
CN115098703A (zh) * | 2022-07-18 | 2022-09-23 | 西安电子科技大学 | 基于smt质量大数据分析的知识图谱构建方法 |
-
2022
- 2022-10-12 CN CN202211243820.4A patent/CN115302963B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002273970A (ja) * | 2001-03-21 | 2002-09-25 | Fuji Photo Film Co Ltd | 画像記録装置 |
CN108932518A (zh) * | 2018-06-22 | 2018-12-04 | 大连理工大学 | 一种基于视觉词袋模型的鞋印图像特征提取及检索方法 |
CN110039916A (zh) * | 2019-04-16 | 2019-07-23 | 珠海格力电器股份有限公司 | 印刷品质量检测方法、计算机装置及计算机可读存储介质 |
CN111391506A (zh) * | 2020-02-28 | 2020-07-10 | 安徽天凯光通信技术有限公司 | 一种基于机器视觉的光缆印字残缺智能检测系统 |
CN111476283A (zh) * | 2020-03-31 | 2020-07-31 | 上海海事大学 | 基于迁移学习的青光眼眼底图像识别方法 |
CN112560837A (zh) * | 2020-12-02 | 2021-03-26 | 南方电网电力科技股份有限公司 | 一种指针式仪表的读数方法、装置、设备和存储介质 |
CN113420579A (zh) * | 2021-06-29 | 2021-09-21 | 北大方正集团有限公司 | 标识码位置定位模型的训练及定位方法、装置、电子设备 |
CN114418899A (zh) * | 2022-03-28 | 2022-04-29 | 深圳市嘉年印务有限公司 | 一种自彩印的自适应修复方法、系统及可读存储介质 |
CN114553927A (zh) * | 2022-04-19 | 2022-05-27 | 深圳市彩昇印刷机械有限公司 | 一种基于大数据的印刷设备远程控制方法、系统及介质 |
CN115098703A (zh) * | 2022-07-18 | 2022-09-23 | 西安电子科技大学 | 基于smt质量大数据分析的知识图谱构建方法 |
CN115035118A (zh) * | 2022-08-11 | 2022-09-09 | 南通华钛电子科技有限公司 | 一种基于识别模型的pcb生产线残缺检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115302963A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115302963B (zh) | 一种基于机器视觉的条形码印刷控制方法、系统及介质 | |
CN108734283B (zh) | 神经网络系统 | |
CN109919160B (zh) | 验证码识别方法、装置、终端及存储介质 | |
CN110807314A (zh) | 文本情感分析模型训练方法、装置、设备及可读存储介质 | |
CN113569863B (zh) | 一种单据稽查的方法、系统、电子设备及存储介质 | |
CN117152123B (zh) | 一种用于锡膏印刷的检测定位优化方法、系统及存储介质 | |
CN111901594B (zh) | 面向视觉分析任务的图像编码方法、电子设备及介质 | |
CN111652117B (zh) | 一种对多文档图像分割的方法及介质 | |
CN112395503A (zh) | 一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质 | |
CN116740728A (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN117726322A (zh) | 一种探头测试设备智能管理方法及系统 | |
CN115294009A (zh) | 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 | |
CN111199240A (zh) | 银行卡识别模型的训练方法、银行卡识别方法以及装置 | |
CN112884046A (zh) | 基于不完全监督学习的图像分类方法、装置及相关设备 | |
CN112200789A (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
CN111507850A (zh) | 核保方法及相关装置、设备 | |
CN115937868A (zh) | 烟包标签信息匹配方法、装置、电子设备及存储介质 | |
CN112287898B (zh) | 一种图像的文本检测质量评价方法及系统 | |
CN111753842B (zh) | 票据文本区域检测方法及装置 | |
CN111242047A (zh) | 图像处理方法和装置、电子设备及计算机可读存储介质 | |
CN112836779B (zh) | 一种一维码格式的打印装置 | |
CN111352827A (zh) | 一种自动化测试的方法及装置 | |
CN116704513B (zh) | 文本质量检测方法、装置、计算机设备和存储介质 | |
CN118155194B (zh) | 电能表元器件智能比对方法及系统 |
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 |