CN116109577A - 一种印刷标签缺陷检测系统及方法 - Google Patents

一种印刷标签缺陷检测系统及方法 Download PDF

Info

Publication number
CN116109577A
CN116109577A CN202211724951.4A CN202211724951A CN116109577A CN 116109577 A CN116109577 A CN 116109577A CN 202211724951 A CN202211724951 A CN 202211724951A CN 116109577 A CN116109577 A CN 116109577A
Authority
CN
China
Prior art keywords
image
gray level
label
detected
gray
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
Application number
CN202211724951.4A
Other languages
English (en)
Inventor
曾龙
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.)
Wuxi Qunhuan Packing Material Co ltd
Original Assignee
Wuxi Qunhuan Packing Material 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 Wuxi Qunhuan Packing Material Co ltd filed Critical Wuxi Qunhuan Packing Material Co ltd
Priority to CN202211724951.4A priority Critical patent/CN116109577A/zh
Publication of CN116109577A publication Critical patent/CN116109577A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种印刷标签缺陷检测系统及方法，所述方法通过采集标签图像信息；对采集的图像信息进行分割；对分割后的标签图像进行配准；对配准后的标签图像是否存在缺陷进行判定；本发明通过阈值运算得到二值化图像，进而对相机采集的相同图像进行分割，避免相同图像的多次采集；二值化图像通过分割灰度图像得到，若目标灰度值落到区间内，而背景灰度落在区间外，则对目标灰度是否在设置的区间内进行判断；而直方图对待检测图像中的灰度级和灰度级频率进行统计，并对原始模板图像的灰度值进行分析，进而计算出原始模板图像的灰度值。

Description

一种印刷标签缺陷检测系统及方法
技术领域
本发明涉及标签缺陷检测领域，尤其是一种印刷标签缺陷检测系统及方法。
背景技术
印刷标签作为商品的一种标识，被商家广泛使用，其主要展示了商品的各类信息；在人们的日常生活和购物过程中，标签可以让消费者快速了解商品的各项信息，对商品做出合理的选购；因此，标签的印刷质量保障十分重要，防止一些具有各类缺陷的标签流入市场，不仅对商家有着十分重要的意义，对消费者的购物体验保障也有着十分重要的意义。
传统的次品标签筛选基本依赖于人工，其筛选途径主要靠监视流水线上的标签或者对己经印刷好的标签进行抽样检测，通过肉眼分辨标签是否具有明显影响使用的缺陷，而使用人工检测的方法不仅成本高、效率低下，而且还会出现疏漏；对于流水线上的视觉采集无法对同一类型的印刷标签进行分割，裁切掉相同的标签图像，以及在采集过程中无法对出现缺陷的印刷标签进行准确的诊断识别。
发明内容
基于此，有必要针对上述技术问题，提供一种印刷标签缺陷检测系统及方法。
本发明技术方案如下：
一种印刷标签缺陷检测方法，包括
步骤一、采集标签图像信息；
步骤二、对采集的图像信息进行分割；
步骤三、对分割后的标签图像进行配准；
步骤四、对配准后的标签图像是否存在缺陷进行判定。
在进一步实施例中，所述步骤一和所述步骤二首先对相机采集的印刷标签图像进行平滑滤波，通过阈值运算对检测的边缘图像进行处理，并对目标区域内的采集图像进行分割，获取目标与背景的对比度，然后将印刷标签的灰度图像I[i，j[的目标灰度分布在区间[T1，T2]内，通过阈值运算得到二值化图像，并设定二值图像为B[i，j]，进而对相机采集的相同图像进行分割，并判断目标灰度是否在设置的区间内，表达式如下：
Figure BDA0004020926040000021
其中，1表示区间内设置；0表示区间外设置；
若目标的灰度分布在不相邻的几个区间内，则通过阈值运算后另一个方式进行运算，表达式如下：
Figure BDA0004020926040000022
其中，z表示组成目标灰度值的集合。
在进一步实施例中，所述步骤三进一步对待检测图像不同的标签图像的变换矩阵进行配准，并建立配准模型，具体表达式如下:
f(x，y)＝g(x，y)f
其中，f(x，y)表示原始模板图像函数；g(x，y)表示待检测图像函数；f表示像素点在空间上的几何变换。
在进一步实施例中，通过直方图对待检测图像中的灰度级和灰度级频率进行统计，并对原始模板图像的灰度值进行分析，对原始模板图像的灰度范围、灰度级分布、灰度图像的平均亮度进行计算，进而根据p(rk)灰度级得出rk的概率估计值，获得待检测图像中的灰度频数值；表达式如下：
Figure BDA0004020926040000023
其中，rk表示第k级灰度；nk表示第k级灰度的像素总数；p(rk)表示第k级灰度的频数；n表示图像像素的总数目。
在进一步实施例中，所述步骤四进一步通过待检测图像与原始模板图像进行区域比对，根据区域比对得出待测图像的灰度值，进而根据阈值运算将待检测图像和原始模板图像的灰度值进行减运算，并根据设定的灰度阈值对差值图像进行判定，若灰度值小于设定阈值则表示待检测图像存在缺陷，反之则待检测图像不存在缺陷；然后设定f(x，y)为原始模板图像函数；g(x，y)为待检测图像函数；则根据检测结果F对标签图像是否合格进行检测，表达式如下：
Figure BDA0004020926040000031
其中，T表示设定的阈值；1表示合格；0表示不合格；A表示绝对阈值；f(x，y)R表示相对阈值。
一种印刷标签缺陷检测系统，包括：
光源，用于对印刷标签表面提供单一的光照；
相机，负责印刷标签表的图像采集；
数据传输单元，对采集的图像信息进行传输；
工控机；对采集的图像进行接收、处理和存储，并判断标签是否存在缺陷；
首先打开所述光源和所述相机，开始采集流水线上印刷好的标签图像，将所述相机传送的图像数据存储于硬盘或内存条，供后续接口使用，所述工控机收到标签图像数据后，开始对其进行数据的预处理，进而对标签图像进行降噪，完成对标签图像的整体分割和内容分割，在对待检测图像和原始模板图像进行图像配准处理，然后分别对配准后的图像进行缺陷检测，通过差值图像对待检测图像与原始模板图像配准后，将两幅图像对应像素的灰度值相减，相减后的像素点灰度差值的绝对值形成差值图像；并输出结果至内存以供后续调用，最后完成缺陷标签地分类。
有益效果：本发明设计一种印刷标签缺陷检测系统及方法，通过阈值运算得到二值化图像，进而对相机采集的相同图像进行分割，避免相同图像的多次采集；二值化图像通过分割灰度图像得到，若目标灰度值落到区间内，而背景灰度落在区间外，则对目标灰度是否在设置的区间内进行判断；而直方图对待检测图像中的灰度级和灰度级频率进行统计，并对原始模板图像的灰度值进行分析，进而计算出原始模板图像的灰度值；在通过待检测图像与原始模板图像进行区域比对，根据区域比对得出待测图像的灰度值，阈值运算将待检测图像和原始模板图像的灰度值进行减运算，并根据设定的灰度阈值对差值图像进行判定，确定从而提升图像的检测效率，降低了产品的误检率。
附图说明
图1为本发明的系统分布图。
图2为本发明的方法流程示意图。
附图标记为：1、光源；2、相机；3、数据传输单元；4、工控机；5、印刷标签。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明；应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1至图2所示，一种印刷标签缺陷检测方法，包括：
步骤一、采集标签图像信息；步骤二、对采集的图像信息进行分割；首先对相机采集的印刷标签图像进行平滑滤波，通过阈值运算对检测的边缘图像进行处理，并对目标区域内的采集图像进行分割，获取目标与背景的对比度，然后将印刷标签的灰度图像I[i，j]的目标灰度分布在区间[T1，T2]内，通过阈值运算得到二值化图像，并设定二值图像为B[i，j]，进而对相机采集的相同图像进行分割，并判断目标灰度是否在设置的区间内，表达式如下：
Figure BDA0004020926040000041
其中，1表示区间内设置；0表示区间外设置；
若目标的灰度分布在不相邻的几个区间内，则通过阈值运算后另一个方式进行运算，表达式如下：
Figure BDA0004020926040000042
其中，z表示组成目标灰度值的集合。
步骤三、对分割后的标签图像进行配准；所述步骤三进一步对待检测图像不同的标签图像的变换矩阵进行配准，并建立配准模型，具体表达式如下:
f(x，y)＝g(x，y)f
其中，f(x，y)表示原始模板图像函数；g(x，y)表示待检测图像函数；f表示像素点在空间上的几何变换；通过直方图对待检测图像中的灰度级和灰度级频率进行统计，并对原始模板图像的灰度值进行分析，对原始模板图像的灰度范围、灰度级分布、灰度图像的平均亮度进行计算，进而根据p(rk)灰度级得出rk的概率估计值，获得待检测图像中的灰度频数值；表达式如下：
Figure BDA0004020926040000051
其中，rk表示第k级灰度；nk表示第k级灰度的像素总数；p(rk)表示第k级灰度的频数；n表示图像像素的总数目。
步骤四、对配准后的标签图像是否存在缺陷进行判定；所述步骤四进一步通过待检测图像与原始模板图像进行区域比对，根据区域比对得出待测图像的灰度值，进而根据阈值运算将待检测图像和原始模板图像的灰度值进行减运算，并根据设定的灰度阈值对差值图像进行判定，若灰度值小于设定阈值则表示待检测图像存在缺陷，反之则待检测图像不存在缺陷；然后设定f(x，y)为原始模板图像函数；g(x，y)为待检测图像函数；则根据检测结果F对标签图像是否合格进行检测，表达式如下：
Figure BDA0004020926040000052
其中，T表示设定的阈值；1表示合格；0表示不合格；A表示绝对阈值；f(x，y)R表示相对阈值。
一种印刷标签缺陷检测系统，包括：
光源，用于对印刷标签表面提供单一的光照；
相机，负责印刷标签表的图像采集；
数据传输单元，对采集的图像信息进行传输；
工控机；对采集的图像进行接收、处理和存储，并判断标签是否存在缺陷；
首先打开所述光源和所述相机，开始采集流水线上印刷好的标签图像，将所述相机传送的图像数据存储于硬盘或内存条，供后续接口使用，所述工控机收到标签图像数据后，开始对其进行数据的预处理，进而对标签图像进行降噪，完成对标签图像的整体分割和内容分割，在对待检测图像和原始模板图像进行图像配准处理，然后分别对配准后的图像进行缺陷检测，通过差值图像对待检测图像与原始模板图像配准后，将两幅图像对应像素的灰度值相减，相减后的像素点灰度差值的绝对值形成差值图像；并输出结果至内存以供后续调用，最后完成缺陷标签地分类。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种印刷标签缺陷检测方法，其特征在于，包括：
步骤一、采集标签图像信息；
步骤二、对采集的图像信息进行分割；
步骤三、对分割后的标签图像进行配准；
步骤四、对配准后的标签图像是否存在缺陷进行判定。
2.根据权利要求1所述的一种印刷标签缺陷检测方法，其特征在于，所述步骤一和所述步骤二首先对相机采集的印刷标签图像进行平滑滤波，通过阈值运算对检测的边缘图像进行处理，并对目标区域内的采集图像进行分割，获取目标与背景的对比度，然后将印刷标签的灰度图像I[i，j]的目标灰度分布在区间[T1，T2]内，通过阈值运算得到二值化图像，并设定二值图像为B[i，j]，进而对相机采集的相同图像进行分割，并判断目标灰度是否在设置的区间内，表达式如下：
Figure FDA0004020926030000011
其中，1表示区间内设置；0表示区间外设置；
若目标的灰度分布在不相邻的几个区间内，则通过阈值运算后另一个方式进行运算，表达式如下：
Figure FDA0004020926030000012
其中，z表示组成目标灰度值的集合。
3.根据权利要求1所述的一种印刷标签缺陷检测方法，其特征在于，所述步骤三进一步对待检测图像不同的标签图像的变换矩阵进行配准，并建立配准模型，具体表达式如下:
f(x，y)＝g(x，y)f
其中，f(x，y)表示原始模板图像函数；g(x，y)表示待检测图像函数；f表示像素点在空间上的几何变换。
4.根据权利要求3所述的一种印刷标签缺陷检测方法，其特征在于，通过直方图对待检测图像中的灰度级和灰度级频率进行统计，并对原始模板图像的灰度值进行分析，对原始模板图像的灰度范围、灰度级分布、灰度图像的平均亮度进行计算，进而根据p(rk)灰度级得出rk的概率估计值，获得待检测图像中的灰度频数值；表达式如下：
Figure FDA0004020926030000021
其中，rk表示第k级灰度；nk表示第k级灰度的像素总数；p(rk)表示第k级灰度的频数；n表示图像像素的总数目。
5.根据权利要求1所述的一种印刷标签缺陷检测方法，其特征在于，所述步骤四进一步通过待检测图像与原始模板图像进行区域比对，根据区域比对得出待测图像的灰度值，进而根据阈值运算将待检测图像和原始模板图像的灰度值进行减运算，并根据设定的灰度阈值对差值图像进行判定，若灰度值小于设定阈值则表示待检测图像存在缺陷，反之则待检测图像不存在缺陷；然后设定f(x，y)为原始模板图像函数；g(x，y)为待检测图像函数；则根据检测结果F对标签图像是否合格进行检测，表达式如下：
Figure FDA0004020926030000022
其中，T表示设定的阈值；1表示合格；0表示不合格；A表示绝对阈值；f(x，y)R表示相对阈值。
6.一种印刷标签缺陷检测系统，其特征在于，包括：
光源，用于对印刷标签表面提供单一的光照；
相机，负责印刷标签表的图像采集；
数据传输单元，对采集的图像信息进行传输；
工控机；对采集的图像进行接收、处理和存储，并判断标签是否存在缺陷；
首先打开所述光源和所述相机，开始采集流水线上印刷好的标签图像，将所述相机传送的图像数据存储于硬盘或内存条，供后续接口使用，所述工控机收到标签图像数据后，开始对其进行数据的预处理，进而对标签图像进行降噪，完成对标签图像的整体分割和内容分割，在对待检测图像和原始模板图像进行图像配准处理，然后分别对配准后的图像进行缺陷检测，通过差值图像对待检测图像与原始模板图像配准后，将两幅图像对应像素的灰度值相减，相减后的像素点灰度差值的绝对值形成差值图像；并输出结果至内存以供后续调用，最后完成缺陷标签地分类。
CN202211724951.4A 2022-12-27 2022-12-27 一种印刷标签缺陷检测系统及方法 Pending CN116109577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211724951.4A CN116109577A (zh) 2022-12-27 2022-12-27 一种印刷标签缺陷检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211724951.4A CN116109577A (zh) 2022-12-27 2022-12-27 一种印刷标签缺陷检测系统及方法

Publications (1)

Publication Number Publication Date
CN116109577A true CN116109577A (zh) 2023-05-12

Family

ID=86266753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211724951.4A Pending CN116109577A (zh) 2022-12-27 2022-12-27 一种印刷标签缺陷检测系统及方法

Country Status (1)

Country Link
CN (1) CN116109577A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830318A (zh) * 2024-03-06 2024-04-05 陕西新奥华材料科技有限公司 基于图像处理的油墨印刷缺陷检测方法
CN117975168A (zh) * 2024-03-28 2024-05-03 千里眼(广州)人工智能科技有限公司 一种印刷标签质量检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830318A (zh) * 2024-03-06 2024-04-05 陕西新奥华材料科技有限公司 基于图像处理的油墨印刷缺陷检测方法
CN117975168A (zh) * 2024-03-28 2024-05-03 千里眼(广州)人工智能科技有限公司 一种印刷标签质量检测方法及系统
CN117975168B (zh) * 2024-03-28 2024-05-31 千里眼(广州)人工智能科技有限公司 一种印刷标签质量检测方法及系统

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN110097034B (zh) 一种智能人脸健康程度的识别与评估方法
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN109829914B (zh) 检测产品缺陷的方法和装置
Yuan et al. An improved Otsu method using the weighted object variance for defect detection
CN114494259B (zh) 一种基于人工智能的布匹缺陷检测方法
CN116109577A (zh) 一种印刷标签缺陷检测系统及方法
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN114170208A (zh) 一种基于人工智能的纸制品缺陷检测方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
CN111242896A (zh) 一种彩色印刷标签缺陷检测与质量评级方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN115719332A (zh) 一种焊接质量检测方法
CN114926410A (zh) 制动盘外观缺陷检测方法
CN115511869A (zh) 基于视觉分析的智能检测方法、装置、设备及介质
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN114820626A (zh) 一种汽车前脸零件配置智能检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
JPH08189904A (ja) 表面欠陥検出装置
CN117635609A (zh) 一种塑胶产品生产质量视觉检测方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法

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