CN115984230A - 铝箔封口质量检测方法、计算机装置、产品及存储介质 - Google Patents
铝箔封口质量检测方法、计算机装置、产品及存储介质 Download PDFInfo
- Publication number
- CN115984230A CN115984230A CN202310036439.9A CN202310036439A CN115984230A CN 115984230 A CN115984230 A CN 115984230A CN 202310036439 A CN202310036439 A CN 202310036439A CN 115984230 A CN115984230 A CN 115984230A
- Authority
- CN
- China
- Prior art keywords
- image
- aluminum foil
- feature
- circle
- sample
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种铝箔封口质量检测方法、计算机装置、产品及存储介质,采集经电磁感应机加热后的瓶盖红外原始图像;对红外原始图像进行预处理,得到预处理后的图像;对预处理后的图像进行由内向外的圆查找,将获取到的第一个圆设定为第一特征,第一个圆区域设为第一关键区域,对所述第一个圆的边缘使用凸包检测算法,得到第二特征;对所述第一关键区域进行连通区域分析,将所有连通域的大小、数量、连通域最小外接矩作为第三特征;利用所述第一特征、第二特征和第三特征构建训练集,计算训练集中每一类样本与对应的待测样本之间的欧几里得距离,选择距离最大的前K个样本中最多的样本类别为待测样本的类别。本发明提高了铝箔封口质量检测精度。
Description
技术领域
本发明涉及红外成像机器视觉技术领域,特别是一种铝箔封口质量检测方法、计算机装置、产品及存储介质。
背景技术
铝箔封口是目前市场上较理想的辅助生产线技术,它利用了电磁感应的原理,使封口处的铝箔片瞬间产生热量,从而将铝箔片上的树脂膜熔合在瓶口上,达到密封的作用。封口速度快、密封性好、使用方便、适合大批量生产,是食品、日化、润滑油、医药等行业使用最多的封口方法。但同样的,封口技术所要求的密封性为其提供了更高的质量检测标准。
机器视觉检测是建立在计算机视觉和图像处理基础上的一门检测技术,它通过图像处理获得被测样本的各种可描述参数,并对参数进行理解和判断,最终被广泛应用于实际检测、测量和控制,具有非接触、高精度、适用性强和高程度自动化的特点。在常见的机器视觉识别任务中,通常以可见光波段的相机对物体进行数字化取样,得到的图像是最接近人眼成像的图像,这种图像经过灰度化、目标定位、二值化、边缘检测等一系列预处理操作后,可以将原始图像中存在的大部分无用背景信息去除,只留下对检测有用的特征信息。但在封口质量需无损检测的要求下,虽然待检测样本中封口后的铝箔处于瓶口内部,却不能将瓶口拧开进行图像拍摄。在这种条件下,当铝箔存在破损、褶皱等需要被剔除的情况时,即使使用不同的外部光源进行激励,可见光波段的相机所拍摄的瓶口图像也只能包含瓶盖表面的信息,这时使用不同的边缘检测算法进行缺陷识别时,不足以完成识别的任务。故在使用常规的工业相机和光源搭配方案对铝箔封口进行分析检测时,计算机不能得到被测样本的理论可描述参数,从而无法进行模式的识别。
正是由于上述特殊性,传统的机器视觉算法没有办法衡量封口质量,目前,仍然被广泛使用的常见气密性检测方法包括:负压法、水检法、位移式检漏法、单点测温法、人工检测法等。这些方法大多操作复杂、检测速度慢、检测项目单一,检测结果依赖人为主观经验判断,漏检率高,且容易造成样本二次污染;而停留在肉眼识别层面的人工检测也仅能做到负压抽检,工作强度大、成本高,不符合大规模自动化生产需求。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种铝箔封口质量检测方法、计算机装置、产品及存储介质,在无损检测的前提下,提高铝箔封口质量检测精度。
为解决上述技术问题,本发明所采用的技术方案是:一种铝箔封口质量检测方法,包括以下步骤:
S1、采集经电磁感应加热后的瓶盖红外原始图像;
S2、对所述红外原始图像进行预处理,得到预处理后的图像;
S3、对预处理后的图像进行由内向外的圆查找,将获取到的第一个圆设定为第一特征,第一个圆区域设为第一关键区域,对所述第一个圆的边缘使用凸包检测算法,得到第二特征;对所述第一关键区域进行连通区域分析,将所有连通域的大小、数量、连通域最小外接矩作为第三特征;
S4、利用所述第一特征、第二特征和第三特征构建训练集,计算训练集中每一类样本与对应的待测样本之间的欧几里得距离,选择距离最大的前K个样本中最多的样本类别为待测样本的类别。
本发明通过无接触式的机器视觉处理方法,对红外原始图片进行了多种算法处理,可在有效时间内实现对不同样本的不同封口情况的识别判断,从而达到了封口不良样本实时在线检测识别的目的,在无损检测的前提下,提高了铝箔封口质量检测精度。
本发明采用短波红外热像仪采集所述经电磁感应机加热后的瓶盖红外原始图像;其中,所述短波红外相机波长为8~14μm。8~14μm波段的红外相机能够有效捕捉由待检样本的铝箔穿透瓶盖表面后的热量信息,由此获得热封口后一定时间内的高质量瓶盖红外图像,进而提高检测精度。
步骤S2中,对所述红外原始图像进行预处理的具体实现过程包括:
1)将第一张红外原始图像转换为灰度图像,得到第一关键图像;
2)对所述第一关键图像进行高斯滤波,得到第二关键图像;
对所述第一关键图像进行基于灰度差加权的高斯滤波,得到第三关键图像;
3)将所述第二关键图像与第三关键图像进行图像差分运算,得到第四关键图像;所述第四关键图像即预处理后的图像。
本发明中,将每一张红外图像转换为灰度图像可以降低数据处理的复杂度;对第一关键图像使用高斯滤波算法,可以消除红外原始图像中的存在的细微干扰,并使图像中的封口缺陷信息淡化;对第一关键图像使用基于灰度差加权的高斯滤波算法,保证在对红外原始图像进行模糊化时,有效保留图像中的成像不明显的缺陷细节;将第二关键图像与第三关键图像进行图像差分运算,可以使原始图像中的缺陷特征得到明显增强。本发明的预处理过程可以进一步提高检测精度。
对所述第一关键图像进行基于灰度差加权的高斯滤波,得到第三关键图像的具体实现过程包括:
将原始的高斯滤波核矩阵G与灰度差加权矩阵D相乘,得到基于灰度差加权的高斯滤波算法;
将所述第一关键图像作为所述于灰度差加权的高斯滤波算法的输入,得到第三关键图像;
其中,所述灰度差加权矩阵D中像素值p(x,y)的计算公式为:
本发明对传统的高斯滤波模板进行了改进,添加了基于灰度差的加权系数,得到改进的基于灰度差加权的改进型高斯滤波算法,经实验发现,改进算法能有效实现保留图像细节的效果。
对预处理后的图像进行由内向外的圆查找的具体实现过程包括:找到由外向内的第一个边缘,设定数量k,将边缘等分为k份,记录每相邻两个边缘的连接点,共得到k个连接点,对查找到的所有连接点进行Huber圆拟合,得到所查找到的圆。将边缘等分为k份之后再通过寻找连接点的方式,可以有效降低圆查找所需要的时间,提高了检测效率。
利用所述第一特征、第二特征和第三特征构建训练集的具体实现过程包括:
构建训练集为[(x1,y1),(x2,y2),...,(xm,ym)],其中yi为类别标签,i∈(1,2,3,...,m),m为类别数,训练集样本n为样本总数;其中,xi为第i类样本归一化后的特征向量,第i类样本归一化后的特征向量的获取过程包括:对第一特征中的圆的周长a1、第二特征中得到的凸包点集数量a2、查找到的所有圆的个数a3、第三特征中的所有连通域的数量a4、第三特征中的最大连通域的大小a5、第三特征中的最大连通域的最小外接矩的长宽比a6分别进行归一化,得到归一化后的特征向量为xi=(N1,N2,N3,N4,N5,N6)。
本发明中,所述类别包括铝箔边缘破损、铝箔缺失、铝箔反膜、铝箔褶皱、铝箔穿孔。
作为一个发明构思,本发明还提供了一种计算机装置,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,以实现本发明所述方法的步骤。
作为一个发明构思,本发明还提供了一种计算机程序产品,包括计算机程序/指令;该计算机程序/指令被处理器执行时实现本发明所述方法的步骤。
作为一个发明构思,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序/指令;所述计算机程序/指令被处理器执行时实现本发明所述方法的步骤。
与现有技术相比,本发明所具有的有益效果为:
1、本发明通过使用一个特定波段的红外相机,对热封口过后一定时间内的铝箔密封容器样本进行取图,作为软件处理的数据源,相比于普通工业相机所取的数据源,实现了多种样本在封口后,不同热封情况下热量信息的保留和提取,比人工视觉获取热封信息具有更高的稳定性,实现了样本的无损检测;
2、本发明通过无接触式的机器视觉处理方法,对红外原始图片进行了多种算法处理,可在有效时间内实现对不同样本的不同封口情况如无铝箔,封口不严,铝箔过热,旋盖不合格等异常样本的识别判断,从而有效达到了封口不良样本实时在线检测识别的目的;
3、本发明通过改进识别算法,获得了相比现有技术更高的检测率。本发明使用了一种改进型高斯滤波算法,在传统高斯滤波的基础上,添加基于灰度差加权的高斯滤波算子,在滤除图像噪声的同时,将成像不明显的缺陷特征保留下来。并使用二次高斯差分算法,将高斯滤波结果图像和改进型高斯滤波结果图像进行差分处理,从而将微弱的缺陷信息提取出来,实现了更高的缺陷检出率。
附图说明
图1为本发明实施例1方法流程图。
具体实施方式
本发明实施例1采用一组具有特定波段下的短波红外相机采集瓶盖红外图像。
短波红外相机为波长8~14μm、384×288成像分辨率的Uncooled microbolometer(a-Si)非制冷微测热成像仪。其通过感应由涡电流引起的辐射而获得温度信息,8~14μm波段的红外相机能够有效捕捉由待检样本的铝箔穿透瓶盖表面后的热量信息,由此获得热封口后一定时间内的高质量瓶盖红外图像。
如图1所示,本发明实施例1红外热封口图像缺陷检测方法包括:
对采集的红外原始图像进行预处理,将每一张红外图像转换为灰度图像,以降低数据处理的复杂度,得到第一关键图像,其使用的灰度化方法为将原图像三通道RGB值进行相加取均值计算,即平均灰度化法;
对第一关键图像使用高斯滤波算法,以消除红外原始图像中的存在的细微干扰,并使图像中的封口缺陷信息淡化,得到第二关键图像;
对第一关键图像使用改进的基于灰度差加权的高斯滤波算法,在对红外原始图像进行模糊化时,能有效保留图像中的成像不明显的缺陷细节,得到第三关键图像;
所述的改进的基于灰度差加权高斯滤波算法,对传统的高斯滤波模板进行了改进,添加了基于灰度差的加权系数,对其将根据中心点的灰度与模板覆盖的各个像素点的灰度差来动态计算,其原理概况如下:
设定f(x,y)表示原始红外图像像素矩阵中(x,y)处像素的灰度值,定义一个(2n+1)×(2n+1)大小的滑动滤波模板,n的值为大于1,小于原始红外图像较短边长的整数,模板的边长为奇数,使用该滑动模板按设定步长遍历原始红外图像fd,对fd中每一个像素值f(x,y),其滤波后的为像素值p(x,y)为:
其中w(i,j)为每个像素的加权值,当
时,滤波模板为原始的高斯滤波算法,其中σ为标准差,σ越大,权重分布越均匀,滤波效果越好,图像会越模糊,反之则越差,取σ=1,n=1,可得到3×3的归一化高斯滤波滑动模板矩阵G;
为w(i,j)加上灰度差加权因子,其变为:
Wd(i,j)与W(i,j)最大的不同是加入了灰度差距离因子d,d=(f(i,j)-f(x,y))表示滑动模板中(i,j)处的像素值f(i,j)与滑动模板中心(x,y)处的像素值f(x,y)的差。
此时,将灰度差加权因子带入p(x,y)原式,取σ=1,n=1,可得到3×3的归一化灰度差加权滑动模板矩阵D;
将原始的高斯滤波核矩阵G与灰度差加权矩阵D相乘,得到改进的基于灰度差加权的高斯滤波算法,经实验发现,所述的改进算法能有效实现保留图像细节的效果;
将第二关键图像与第三关键图像进行图像差分运算,可以使原始图像中的缺陷特征得到明显增强,得到第四关键图像;
对第四关键图像进行由外向内的圆查找,实现圆查找时,首先找到由外向内的第一个边缘,设定数量k,将边缘等分为k份,记录每相邻两份边缘的连接点信息,共得到k个点,对查找到的所有点进行Huber圆拟合,得到所查找到的圆。
记录找到的第一个圆的信息,得到第一特征;
将所找到的第一个圆区域划为第一关键区域,此区域对应为所处理图像中瓶盖所在关键区域;
对所述的第一个圆的边缘使用凸包检测算法,得到第二特征;
对第一关键区域内继续进行圆查找,并记录查找到的所有圆个数;
对第一关键区域图像进行连通区域分析,进行连通域查找时,分别记录每一个圆边缘与其内部相邻第一个圆边缘之间的所有连通域信息,以及由外向内所查找到的最后一个圆边缘内部的连通域信息,记录所有连通域的大小、数量、以及连通域最小外接矩作为第三特征;
对上述获得的第一、第二、第三特征进行阈值设定和组合分类,使用分类算法(KNN)后,可分别对良品、铝箔边缘破损、铝箔缺失、铝箔反膜、铝箔褶皱、铝箔穿孔等样本进行分类。
集合上述第一、第二、第三特征,可得到的特征向量中的参数有:由第一特征中得到的圆的周长a1,由第二特征中得到的凸包点集数量a2,查找到的所有圆的个数a3,由第三特征中得到的所有连通域的数量a4,由第三特征中得到的最大连通域的大小a5,由第三特征中得到的最大连通域的最小外接矩的长宽比a6;
将所述所有参数进行归一化,归一化的值Nk为:
其中akmin和akmax分别表示为数据集每个样本中每种特征的最小值和最大值。
归一化后的特征向量为x=(N1,N2,N3,N4,N5,N6),进行特征比较时,使用欧几里得距离计算每个样本与数据集样本之间的距离差Dist(xi,xj),其中xi表示训练集样本,xj表示待测样本:
在上式中,认定训练集为[(x1,y1),(x2,y2),...,(xm,ym)],其中的yi表示为类别标签,i∈(1,2,3,...,m),m的大小为类别数,这里m=6,即6种需要分类的产品封口情况;每一个xi都具有k个特征,在本系统中,k=6,即n为样本总数。
计算出所需分类的样本到所有训练集样本的距离后,按距离Dist(xi,xj)升序排列;
为了减少最近邻分类算法(KNN)的计算成本,制作的训练集数据需保持每种类别样本均衡化,即良好、铝箔边缘破损(铝箔中心热环偏移)、铝箔缺失(热量环密度增大,个数增多,且中心环呈月牙状)、铝箔反膜(热量环单环变粗)、铝箔褶皱(热量环密度增多,个数增多,且外环呈月牙状)、铝箔穿孔(中心环位置偏移较大,且有异常低温点)六种类别的数量相等,以减少KNN中需要计算距离权重以提升检测精度的问题。
选出排在前列的K个样本,即距离样本点最近的K个样本,当K个样本中最多的样本类别为yi时,将所需分类的样本判定为yi。
K值的选取根据本发明中实际所需判定的样本特征和数量而定,并使用交叉验证方法选取最合适的K值,使红外热封口图像缺陷检测算法精度得到最大化。
本发明实施例2中,将实施例1对应的程序存储在一个计算机可读取存储介质中,基于这样的理解,本发明实现的上述实施例的方法中部分流程,是可以通过计算机程序来指令相关的其它硬件来完成的,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器单元执行时,可以实现上述各个方法实施例中的步骤或功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。计算机程序包括计算机程序代码,计算机程序代码可以为对象代码形式、源代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
Claims (10)
1.一种铝箔封口质量检测方法,其特征在于,包括以下步骤:
S1、采集经电磁感应机加热后的瓶盖红外原始图像;
S2、对所述红外原始图像进行预处理,得到预处理后的图像;
S3、对预处理后的图像进行由内向外的圆查找,将获取到的第一个圆设定为第一特征,第一个圆区域设为第一关键区域,对所述第一个圆的边缘使用凸包检测算法,得到第二特征;对所述第一关键区域进行连通区域分析,将所有连通域的大小、数量、连通域最小外接矩作为第三特征;
S4、利用所述第一特征、第二特征和第三特征构建训练集,计算训练集中每一类样本与对应的待测样本之间的欧几里得距离,选择距离最大的前K个样本中最多的样本类别为待测样本的类别。
2.根据权利要求1所述的铝箔封口质量检测方法,其特征在于,采用短波红外热像仪采集所述瓶盖红外原始图像;其中,所述短波红外相机波长为8~14μm。
3.根据权利要求1所述的铝箔封口质量检测方法,其特征在于,步骤S2中,对所述红外原始图像进行预处理的具体实现过程包括:
1)将每一张红外原始图像转换为灰度图像,得到第一关键图像;
2)对所述第一关键图像进行高斯滤波,得到第二关键图像;
对所述第一关键图像进行基于灰度差加权的高斯滤波,得到第三关键图像;
3)将所述第二关键图像与第三关键图像进行图像差分运算,得到第四关键图像;所述第四关键图像即预处理后的图像。
5.根据权利要求1所述的铝箔封口质量检测方法,其特征在于,对预处理后的图像进行由内向外的圆查找的具体实现过程包括:找到由外向内的第一个边缘,设定数量k,将边缘等分为k份,记录每相邻两个边缘的连接点,共得到k个连接点,对查找到的所有连接点进行Huber圆拟合,得到所查找到的圆。
6.根据权利要求1所述的铝箔封口质量检测方法,其特征在于,利用所述第一特征、第二特征和第三特征构建训练集的具体实现过程包括:
7.根据权利要求6所述的铝箔封口质量检测方法,其特征在于,所述类别包括铝箔边缘破损、铝箔缺失、铝箔反膜、铝箔褶皱、铝箔穿孔。
8.一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序;其特征在于,所述处理器执行所述计算机程序,以实现权利要求1~7之一所述方法的步骤。
9.一种计算机程序产品,包括计算机程序/指令;其特征在于,该计算机程序/指令被处理器执行时实现权利要求1~7之一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序/指令;其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1~7之一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036439.9A CN115984230A (zh) | 2023-01-09 | 2023-01-09 | 铝箔封口质量检测方法、计算机装置、产品及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036439.9A CN115984230A (zh) | 2023-01-09 | 2023-01-09 | 铝箔封口质量检测方法、计算机装置、产品及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984230A true CN115984230A (zh) | 2023-04-18 |
Family
ID=85972234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310036439.9A Pending CN115984230A (zh) | 2023-01-09 | 2023-01-09 | 铝箔封口质量检测方法、计算机装置、产品及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984230A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351011A (zh) * | 2023-12-04 | 2024-01-05 | 歌尔股份有限公司 | 屏幕缺陷检测方法、设备和可读存储介质 |
-
2023
- 2023-01-09 CN CN202310036439.9A patent/CN115984230A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351011A (zh) * | 2023-12-04 | 2024-01-05 | 歌尔股份有限公司 | 屏幕缺陷检测方法、设备和可读存储介质 |
CN117351011B (zh) * | 2023-12-04 | 2024-03-12 | 歌尔股份有限公司 | 屏幕缺陷检测方法、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN106548467B (zh) | 红外图像和可见光图像融合的方法及装置 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN107993258B (zh) | 一种图像配准方法及装置 | |
CN109086675B (zh) | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 | |
CN111260788B (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN115170572B (zh) | 一种bopp复合薄膜表面涂胶质量监测方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN103914708B (zh) | 基于机器视觉的食品品种检测方法及系统 | |
CN104318262A (zh) | 通过人脸照片更换皮肤的方法及系统 | |
CN111650205B (zh) | 基于结构光图像匹配的零件表面缺陷检测方法及系统 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN113077392A (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
CN115984230A (zh) | 铝箔封口质量检测方法、计算机装置、产品及存储介质 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
Vijapur et al. | Glaucoma detection by using Pearson-R correlation filter | |
CN117079286A (zh) | 一种指针仪表的识别方法和识别系统 | |
CN106504251B (zh) | 一种基于图片处理的电子铝箔立方织构含量检测方法 |
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 |