CN116309532A - 一种目标物品质量检测的方法、装置、设备及介质 - Google Patents
一种目标物品质量检测的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116309532A CN116309532A CN202310391425.9A CN202310391425A CN116309532A CN 116309532 A CN116309532 A CN 116309532A CN 202310391425 A CN202310391425 A CN 202310391425A CN 116309532 A CN116309532 A CN 116309532A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- color
- target
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 239000010931 gold Substances 0.000 description 5
- 229910052737 gold Inorganic materials 0.000 description 5
- 235000019504 cigarettes Nutrition 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种目标物品质量检测的方法、装置、设备及介质,该方法包括:获取待检测图像,其中,所述待检测图像是对目标物体的包装进行拍摄获得的;将所述待检测图像输入到色彩相似度模型中,通过所述色彩相似度模型计算所述待检测图像与标准图像之间色彩明亮度相似度;根据所述色彩明亮度相似度判断所述目标物体质量是否合格。通过本申请的一些实施例能够提高针对亮度属性强的目标物品的识别效率和准确率。
Description
技术领域
本申请实施例涉及物品质检领域,具体涉及一种目标物品质量检测的方法、装置、设备及介质。
背景技术
相关技术中,在品检车间,对于一些特殊的物品,几十上百的工人在紧张地对印好的成品做逐一检测,即使是在品检机上,往往也是几个人在紧张的配合着对成品进行检测,如果配合不到位或者机器出现故障,会出现质检效率不高的问题,同时几台品检机同时运转也存在待检成品堆积的现象,从而导致检测方法效率低、成本高、工人劳动强度大。
因此,如何提高物品质检的效率成为需要解决的问题。
发明内容
本申请实施例提供一种目标物品质量检测的方法、装置、设备及介质,通过本申请的一些实施例至少能够提高针对亮度属性强的目标物品的识别效率和准确率。
第一方面,本申请提供了一种目标物品质量检测的方法,所述方法包括:获取待检测图像,其中,所述待检测图像是对目标物体的包装进行拍摄获得的;将所述待检测图像输入到色彩相似度模型中,通过所述色彩相似度模型计算所述待检测图像与标准图像之间色彩明亮度相似度;根据所述色彩明亮度相似度判断所述目标物体质量是否合格。
因此,与相关技术中通过人工对目标物品进行质检的方法不同的是,本申请实施例通过色彩相似度模型获得待检测图像与标准图像之间色彩明亮度相似度,能够提高针对亮度属性强的目标物品的识别效率和准确率。
结合第一方面,在本申请的一种实施方式中,所述通过所述色彩相似度模型计算所述待检测图像与标准图像之间色彩明亮度相似度,包括:提取所述待检测图像中的目标待检测位置;计算所述目标待检测位置所对应的颜色值;将所述目标待检测位置所对应的颜色值与所述标准图像的颜色值进行比对,获得所述色彩明亮度相似度。
因此,本申请实施例通过在色彩比对之前提取待检测图像中的目标待检测位置,能够在色彩比对的过程中只关注目标待检测位置,从而提升质检的准确性。
结合第一方面,在本申请的一种实施方式中,所述颜色值通过色调、饱和度以及明度进行表征。
结合第一方面,在本申请的一种实施方式中,将所述目标待检测位置所对应的颜色值与所述标准图像的颜色值进行比对,获得所述色彩明亮度相似度,包括:将所述目标待检测位置中包括的各像素点的颜色值与所述标准图像中相对应位置的像素点的颜色值进行比对,获得各像素点所对应的差值;根据所述各像素点所对应的差值获得所述色彩明亮度相似度。
因此,本申请实施例通过各像素点所对应的差值来计算色彩明亮度相似度,能够利用HSV空间更好的描述色彩的明亮度属性,从而提高物品质检的准确性。
结合第一方面,在本申请的一种实施方式中,所述待检测图像中包括所述目标物体的商标;所述提取所述待检测图像中的目标待检测位置,包括:通过商标提取模型提取所述目标物体的商标图像;对所述目标物体的商标图像进行灰度和二值化处理,获得处理后的商标图像;通过轮廓提取算法从所述商标图像中提取所述目标待检测位置。
第二方面,本申请提供了一种目标物品质量检测的装置,所述装置包括:图像获取模块,被配置为获取待检测图像,其中,所述待检测图像是对目标物体的包装进行拍摄获得的;色彩比对模块,被配置为将所述待检测图像输入到色彩相似度模型中,通过所述色彩相似度模型计算所述待检测图像与标准图像之间色彩明亮度相似度;质量判断模块,被配置为根据所述色彩明亮度相似度判断所述目标物体质量是否合格。
结合第二方面,在本申请的一种实施方式中,所述色彩比对模块还被配置为:提取所述待检测图像中的目标待检测位置;计算所述目标待检测位置所对应的颜色值;将所述目标待检测位置所对应的颜色值与所述标准图像的颜色值进行比对,获得所述色彩明亮度相似度。
结合第二方面,在本申请的一种实施方式中,所述颜色值通过色调、饱和度以及明度进行表征。
结合第二方面,在本申请的一种实施方式中,所述色彩比对模块还被配置为:将所述目标待检测位置中包括的各像素点的颜色值与所述标准图像中相对应位置的像素点的颜色值进行比对,获得各像素点所对应的差值;根据所述各像素点所对应的差值获得所述色彩明亮度相似度。
结合第二方面,在本申请的一种实施方式中,所述待检测图像中包括所述目标物体的商标;所述色彩比对模块被配置为:通过商标提取模型提取所述目标物体的商标图像;对所述目标物体的商标图像进行灰度和二值化处理,获得处理后的商标图像;通过轮廓提取算法从所述商标图像中提取所述目标待检测位置。
第三方面,本申请提供了一种电子设备,包括:处理器、存储器和总线;所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机程序,所述计算机程序由所述处理器执行时可实现如第一方面任意实施例所述的方法。
第四方面,本申请提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被执行时可实现如第一方面任意实施例所述的方法。
附图说明
图1为本申请实施例示出的目标物品质量检测的系统组成示意图;
图2为本申请实施例示出的目标物品质量检测的方法流程图之一;
图3为本申请实施例示出的目标物品质量检测的方法的流程图之二;
图4为本申请实施例示出的目标物品质量检测的装置组成示意图;
图5为本申请实施例示出的一种电子设备组成示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对附图中提供的本申请的实施例的详情描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护范围。
本申请实施例可以应用于对目标物品进行质量检测的场景,为了改善背景技术中的问题,在本申请的一些实施例中,针对于对色彩明亮度要求较高的物品,通过色彩明亮度相似度的评判,确认目标物体质量是否合格。例如:在本申请的一些实施例中,电子设备至少被配置为:首先,获取对目标物体的包装进行拍摄获得的待检测图像,然后,通过色彩相似度模型计算待检测图像与标准图像之间的色彩明亮度相似度,最后,根据色彩明亮度相似度判断目标物体质量是否合格。
下面结合附图详细描述本申请实施例中的方法步骤。
图1提供了本申请一些实施例中的目标质量检测的系统结构图,该系统包括图像采集设备110和服务器120。具体的,图像采集设备110(例如:摄像头)在生产车间中对生产完成的目标物体进行拍摄,之后将拍摄获得的待检测图像发送到服务器120,服务器120在接收到图像采集设备110发送的待检测图像之后,通过色彩相似度模型计算待检测图像与标准图像之间的色彩明亮度相似度,最后依据获得的色彩明亮度相似度判断目标物体质量是否合格。
与本申请不同的是相关技术中,通常由人工在对成品进行检测,如果配合不到位或者机器出现故障,会出现质检效率不高的问题,同时几台品检机同时运转也存在待检成品堆积的现象,从而导致检测方法效率低、成本高、工人劳动强度大。而本申请通过色彩相似度模型获得待检测图像与标准图像之间色彩明亮度相似度,能够提高针对亮度属性强的目标物品的识别效率和准确率。
下面将详细描述本申请实施例中由服务器执行的一种目标物品质量检测的方法。可以理解的是,本申请实施例的目标物品质量检测的方法可以应用于任何服务器上,也可以应用于能够执行目标物品质量检测的方法的其他电子设备上。
至少为了解决背景技术中的问题,如图2所示,本申请一些实施例提供了一种目标物品质量检测的方法,该方法包括:
S210,获取待检测图像。
需要说明的是,待检测图像是对目标物体的包装进行拍摄获得的。例如,在目标物体是烟盒的情况下,生产车间中生产完成烟盒,摄像头对烟盒的包装进行拍摄之后,获得待检测图像,也就是说,待检测图像展现的是目标物体的表面包装。可以理解的是,目标物体可以是任何商品或物品,本申请对目标物体的类型不进行任何限制。
S220,将待检测图像输入到色彩相似度模型中,通过色彩相似度模型计算待检测图像与标准图像之间的色彩明亮度相似度。
也就是说,在获得待检测图像之后,由于待检测图像中存在色彩明亮度属性比较强的商标或标识,例如,金色商标,导致正常的质量检测算法不能够准确的识别该待检测图像是否合格,所以,本申请采用了色彩相似度模型,计算待检测图像与标准图像之间的色彩明亮度相似度。
在本申请的一种实施方式中,S220的具体实施步骤包括:
S2201:提取待检测图像中的目标待检测位置。
具体的,在待检测图像中包括目标物体的商标的情况下,S2201包括:
首先,通过商标提取模型提取目标物体的商标图像。
作为本申请一具体实施例,商标提取模型为目标YOLOv5模型。在训练的过程中,先对需要质检的目标物体图像进行标注,之后使用标注后的样本数据对YOLOv5模型进行训练,在训练结束之后获得目标YOLOv5模型。在质检过程中将待检测图像输入到目标YOLOv5模型中,通过该目标YOLOv5模型提取出目标物体的商标图像,例如,提取出烟盒的商标图像,实现商标定位。
然后,对目标物体的商标图像进行灰度和二值化处理,获得处理后的商标图像。
也就是说,在通过目标YOLOv5模型获得目标物体的商标图像之后,为了能够使后续的图像处理操作更准确,本申请对商标图像进行灰度处理和二值化处理,获得处理后的商标图像。
最后,通过轮廓提取算法从处理后的商标图像中提取目标待检测位置。
也就是说,将处理后的商标图像输入到轮廓提取算法中,通过该轮廓提取算法将处理后的商标图像中预先设定的目标待检测位置提取出来。例如,处理后的商标图像是一个包括文字、图形等标识的图像,那么,如果预先设定的目标待检测位置为文字,那么轮廓提取算法就将文字的轮廓提取出来,如果预先设定的目标待检测位置为图像,那么轮廓提取算法就将图形的轮廓提取出来。
S2202:计算目标待检测位置所对应的颜色值。
需要说明的是,颜色值通过色调、饱和度以及明度进行表征。由于本申请目标物体的工艺中采用的金色有亮度(H,即明暗)高和明度(V,鲜艳程度)高的特点,因此采用HSV空间对颜色值进行描述。
也就是说,通过HSV空间来对目标待检测位置所对应的颜色值进行表征。
S2203:将目标待检测位置所对应的颜色值与标准图像的颜色值进行比对,获得色彩明亮度相似度。
具体的,首先,将目标待检测位置中包括的各像素点的颜色值与标准图像中相对应位置的像素点的颜色值进行比对,获得各像素点所对应的差值,然后,根据各像素点所对应的差值获得色彩明亮度相似度。
在本申请S2203的一种实施方式中,在获得各像素点的颜色值后,计算各像素点颜色值的差值,之后将各像素点颜色值的差值取平均值,在平均值满足颜色阈值的情况下,判断色彩明亮度相似度的等级为高,在平均值不满足颜色阈值的情况下,判断色彩明亮度相似度的等级为低。
在本申请S2203的另一种实施方式中,将参照物轮廓像素点掩膜(即标准图像中相对应位置的像素点)和当前目标待检测位置中包括的各像素点掩膜对齐,取重叠的像素坐标进行逐点比较,即计算出来各像素点的颜色值之后,将颜色值变换为三维坐标,再判断标准图像相对应位置的各像素点与目标待检测位置中包括的各像素点的距离差是否满足距离阈值,从而在距离差满足距离阈值的情况下,判断色彩明亮度相似度的等级为高,在距离差不满足距离阈值的情况下,判断色彩明亮度相似度的等级为低。
作为本申请一具体实施例,距离计算方法:
在斜边长R,底面圆半径为r,高为h的HSV圆锥体内,以地面圆心为原点,H=0为x轴正方向建立坐标轴。那么色值是(H,S,V)的点的三维坐标(x,y,z)如下公式所示:
x=r×V×S×cosH
y=r×V×S×sinH
z=h×(1-V)
S230,根据色彩明亮度相似度判断目标物体质量是否合格。
也就是说,在获得色彩明亮度相似度的等级之后,色彩明亮度相似度的等级为高的情况下表示目标物体质量合格,表示本申请场景中目标物体的烫金工艺没有缺失。色彩明亮度相似度的等级为低的情况下表示目标物体质量不合格,表示本申请场景中目标物体的烫金工艺缺失。
因此,本申请利用深度学习快速定位logo字符区域,提取字符轮廓(灰度图二值化轮廓提取算法),轮廓提取区域与参照物比对HSV空间颜色相似度的方法,能够比传统算法稳定,并且由于亮度、明度更好描述金属原件闪射,所以利用HSV空间描述金色效果更好,提高识别率,并且具有实时检测、检测标准统一、检测效率高以及误检率低的有益效果。
作为本申请一具体实施例,如图3所示,首先执行S310图像输入,S320使用YOLOv5算法检测目标检测位置是否存在,若否,则返回执行S310,若是,则继续执行S330提取目标检测位置的轮廓,接着,执行S340计算与标准图像的颜色值的距离,S350计算是否超过阈值,若否,则返回执行S310,若是,则执行S360发出告警信号,最后执行S370结束。
上文描述了本申请提供的一种目标物品质量检测的方法的具体实施例,下文将描述一种目标物品质量检测的装置。
如图4所示,本申请的一些实施例提供一种目标物品质量检测的装置400,该装置包括:图像获取模块410、色彩比对模块420以及质量判断模块430。
图像获取模块410,被配置为获取待检测图像,其中,所述待检测图像是对目标物体的包装进行拍摄获得的;色彩比对模块420,被配置为将所述待检测图像输入到色彩相似度模型中,通过所述色彩相似度模型计算所述待检测图像与标准图像之间色彩明亮度相似度;质量判断模块430,被配置为根据所述色彩明亮度相似度判断所述目标物体质量是否合格。
在本申请的一种实施方式中,所述色彩比对模块420还被配置为:提取所述待检测图像中的目标待检测位置;计算所述目标待检测位置所对应的颜色值;将所述目标待检测位置所对应的颜色值与所述标准图像的颜色值进行比对,获得所述色彩明亮度相似度。
在本申请的一种实施方式中,所述颜色值通过色调、饱和度以及明度进行表征。
在本申请的一种实施方式中,所述色彩比对模块420还被配置为:将所述目标待检测位置中包括的各像素点的颜色值与所述标准图像中相对应位置的像素点的颜色值进行比对,获得各像素点所对应的差值;根据所述各像素点所对应的差值获得所述色彩明亮度相似度。
在本申请的一种实施方式中,所述待检测图像中包括所述目标物体的商标;所述色彩比对模块420被配置为:通过商标提取模型提取所述目标物体的商标图像;对所述目标物体的商标图像进行灰度和二值化处理,获得处理后的商标图像;通过轮廓提取算法从所述商标图像中提取所述目标待检测位置。
在本申请实施例中,图4所示模块能够实现图1、图2和图3方法实施例中的各个过程。图4中的各个模块的操作和/或功能,分别为了实现图1、图2和图3中的方法实施例中的相应流程。具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
如图5所示,本申请实施例提供一种电子设备500,包括:处理器510、存储器520和总线530,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现如上述所有实施例中任一项所述的方法,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
其中,总线用于实现这些组件直接的连接通信。其中,本申请实施例中处理器可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,可以执行上述实施例中所述的方法。
可以理解,图5所示的结构仅为示意,还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时实现上述所有实施方式中任一所述的方法,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种目标物品质量检测的方法,其特征在于,所述方法包括:
获取待检测图像,其中,所述待检测图像是对目标物体的包装进行拍摄获得的;
将所述待检测图像输入到色彩相似度模型中,通过所述色彩相似度模型计算所述待检测图像与标准图像之间的色彩明亮度相似度;
根据所述色彩明亮度相似度判断所述目标物体质量是否合格。
2.根据权利要求1所述的方法,其特征在于,所述通过所述色彩相似度模型计算所述待检测图像与标准图像之间色彩明亮度相似度,包括:
提取所述待检测图像中的目标待检测位置;
计算所述目标待检测位置所对应的颜色值;
将所述目标待检测位置所对应的颜色值与所述标准图像的颜色值进行比对,获得所述色彩明亮度相似度。
3.根据权利要求2所述的方法,其特征在于,所述颜色值通过色调、饱和度以及明度进行表征。
4.根据权利要求2所述的方法,其特征在于,将所述目标待检测位置所对应的颜色值与所述标准图像的颜色值进行比对,获得所述色彩明亮度相似度,包括:
将所述目标待检测位置中包括的各像素点的颜色值与所述标准图像中相对应位置的像素点的颜色值进行比对,获得各像素点所对应的差值;
根据所述各像素点所对应的差值获得所述色彩明亮度相似度。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述待检测图像中包括所述目标物体的商标;
所述提取所述待检测图像中的目标待检测位置,包括:
通过商标提取模型提取所述目标物体的商标图像;
对所述目标物体的商标图像进行灰度和二值化处理,获得处理后的商标图像;
通过轮廓提取算法从所述处理后的商标图像中提取所述目标待检测位置。
6.一种目标物品质量检测的装置,其特征在于,所述装置包括:
图像获取模块,被配置为获取待检测图像,其中,所述待检测图像是对目标物体的包装进行拍摄获得的;
色彩比对模块,被配置为将所述待检测图像输入到色彩相似度模型中,通过所述色彩相似度模型计算所述待检测图像与标准图像之间色彩明亮度相似度;
质量判断模块,被配置为根据所述色彩明亮度相似度判断所述目标物体质量是否合格。
7.根据权利要求6所述的装置,其特征在于,所述色彩比对模块还被配置为:
提取所述待检测图像中的目标待检测位置;
计算所述目标待检测位置所对应的颜色值;
将所述目标待检测位置所对应的颜色值与所述标准图像的颜色值进行比对,获得所述色彩明亮度相似度。
8.根据权利要求7所述的装置,其特征在于,所述颜色值通过色调、饱和度以及明度进行表征。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线;
所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机程序,所述计算机程序由所述处理器执行时可实现如权利要求1-5任一项所述方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被执行时可实现如权利要求1-5任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391425.9A CN116309532A (zh) | 2023-04-12 | 2023-04-12 | 一种目标物品质量检测的方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391425.9A CN116309532A (zh) | 2023-04-12 | 2023-04-12 | 一种目标物品质量检测的方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309532A true CN116309532A (zh) | 2023-06-23 |
Family
ID=86787132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310391425.9A Pending CN116309532A (zh) | 2023-04-12 | 2023-04-12 | 一种目标物品质量检测的方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309532A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117124560A (zh) * | 2023-09-28 | 2023-11-28 | 佛山赛和薄膜科技有限公司 | 一种5g通讯用mlcc聚酯基膜的制备方法 |
CN118134219A (zh) * | 2024-05-08 | 2024-06-04 | 中航国际金网(北京)科技有限公司 | 生产预警方法、系统、装置及非易失性存储介质 |
-
2023
- 2023-04-12 CN CN202310391425.9A patent/CN116309532A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117124560A (zh) * | 2023-09-28 | 2023-11-28 | 佛山赛和薄膜科技有限公司 | 一种5g通讯用mlcc聚酯基膜的制备方法 |
CN118134219A (zh) * | 2024-05-08 | 2024-06-04 | 中航国际金网(北京)科技有限公司 | 生产预警方法、系统、装置及非易失性存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309532A (zh) | 一种目标物品质量检测的方法、装置、设备及介质 | |
CN107492091B (zh) | 基于机器视觉的标签外观检测方法及终端设备 | |
Di Leo et al. | A vision system for the online quality monitoring of industrial manufacturing | |
CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN108090434B (zh) | 一种矿石快速识别方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN105718931B (zh) | 用于确定采集图像中的杂斑的系统和方法 | |
CN116245876B (zh) | 缺陷检测方法、装置、电子设备、存储介质和程序产品 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
Chavan et al. | Quality control of PCB using image processing | |
CN116542975A (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
CN114445410A (zh) | 基于图像识别的电路板检测方法、计算机及可读存储介质 | |
CN113822836B (zh) | 标记图像的方法 | |
Caliskan et al. | Design and realization of an automatic optical inspection system for PCB solder joints | |
CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
CN114529555A (zh) | 一种基于图像识别的烟箱高效进出库检测方法 | |
CN115984185A (zh) | 纸巾包装缺陷检测方法、装置、系统和存储介质 | |
CN112164057A (zh) | 一种合格标签的检测方法、存储介质和电子设备 | |
CN117798087B (zh) | 基于外观缺陷检测的锂电池视觉分拣系统及终端 | |
US20230073961A1 (en) | Board management system | |
JP2002277409A (ja) | プリント基板パターンの検査装置 | |
TWI803756B (zh) | 標記影像的方法 |
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 |