CN116416250B - 一种速食罐装产品产线的成品检测系统 - Google Patents
一种速食罐装产品产线的成品检测系统 Download PDFInfo
- Publication number
- CN116416250B CN116416250B CN202310684927.0A CN202310684927A CN116416250B CN 116416250 B CN116416250 B CN 116416250B CN 202310684927 A CN202310684927 A CN 202310684927A CN 116416250 B CN116416250 B CN 116416250B
- Authority
- CN
- China
- Prior art keywords
- product
- module
- image
- images
- dimensional
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 235000013410 fast food Nutrition 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000013324 preserved food Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种速食罐装产品产线的成品检测系统,包括图像采集层、处理层及输出层;生产线上产品图像通过图像采集层采集并上传,根据图像采集层在对产品图像进行采集时的方位角度进行区分,并在图像采集层中对采集的产品图像进行区别标记,处理层中储存有产品的标准三维模型,本发明能够以多摄像头采集产品图像的方式来获取充足的图像数据参考,进一步的在采集的图像数据中求取产品二维模型,再以不同视角状态下的二维模型来生成三维模型,最后通过多组三维模型相似度比对的方式来判定产线上输出的产品外观是否合格,其精度较佳,且可利用提升比对模型数量的方式进一步提升该系统的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种速食罐装产品产线的成品检测系统。
背景技术
罐头是采用金属薄板、玻璃、塑料、纸板或上述某些材料的组合制成可密封的容器,内存商业的食品,经特定处理,达到商业无菌,可在常温下保持较长时间而不致败坏,这种类型的包装食物称为罐头,通常肉类罐头为金属材质,果蔬类罐头为玻璃材质。
申请号为202211135235.2的发明专利公开了一种工业生产的成品检测系统,其特征在于,包括:扫描成像模块,所述扫描成像模块设置于工业品成品扫描处,所述扫描成像模块用于对工业品进行扫描成像,生成工业品的图像照片信息;其中图像照片信息包括:工业品的外观照片、工业品的批次编号、扫描成像时间:图像处理模块,所述图像处理模块与所述扫描成像模块交互相连,所述图像处理模块获取并处理工业品的图像照片信息,生成图像特征信息;识别判断模块,所述识别判断模块与所述图像处理模块交互相连。
该申请在于解决:目前,在对工业品的成品率进行质检检查时,由于工业品的数量巨大,一般都需要设置多个质检员对工业品进行人工检测。一方面人工质检的效率不高,另一方面大大的增加了人工成本的问题。
针对肉类速食罐头产线中的罐头生产,人们目前采用视觉检测罐头外观的方式对罐头进行外观检测,然而目前这类视觉检测技术,往往仅采集单一的罐头外观图像,其图像采集过程存在死角,可见,目前该项技术应用于罐头的外观检测精细化程度较低。
发明内容
解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种速食罐装产品产线的成品检测系统,解决了针对肉类速食罐头产线中的罐头生产,人们目前采用视觉检测罐头外观的方式对罐头进行外观检测,然而目前这类视觉检测技术,往往仅采集单一的罐头外观图像,其图像采集过程存在死角,可见,目前该项技术应用于罐头的外观检测精细化程度较低的问题。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种速食罐装产品产线的成品检测系统,包括图像采集层、处理层及输出层;
生产线上产品图像通过图像采集层采集并上传,根据图像采集层在对产品图像进行采集时的方位角度进行区分,并在图像采集层中对采集的产品图像进行区别标记,处理层中储存有产品的标准三维模型,处理层接收根据采集时的方位角度进行区分及区别标记后的产品图像,进一步通过图像分割求取产品二维模型,并将产品二维模型转换为三维模型后,对产品的标准三维模型执行相同的操作,获取产品标准三维模型执行操作后得到的三维模型,于输出层中将该三维模型与由产品二维模型转换的三维模型进行比对,比对结果进一步输出;
所述处理层包括:接收模块、分割模块及协同构建模块,接收模块用于接收储存模块中储存的产品图像数据,分割模块用于获取接收模块接收到的产品图像数据,对产品图像数据进行分割,求取产品图像数据中的产品图像,即产品二维模型,协同构建模块用于获取分割模块处理产品图像数据的来源摄像头模组的方位角度,以获取的方位角度于产品标准三维模型中获取相同方位角度的图像,记作产品标准三维模型的二维模型,协同构建模块对两组二维模型进行三维模型的构建,并向输出层发送;
所述分割模块对产品图像数据进行分割的操作步骤如下:
S1:采用谱残差算法对产品图像进行处理;
S2:对S1中处理得到的产品图像用自适应阈值法进行二值化处理;
S3:对经过二值化处理后的产品图像采用形态学进行处理;
S4:对形态学处理后的二值产品图像进行连通区域分析,并获取目标区域最小外接矩阵及矩阵四角的点坐标;
S5:根据获取的目标位置信息在原图像上进行GrabCut算法的初始化,得到分割结果。
更进一步地,所述图像采集层包括:摄像头模组、区分模块及储存模块,摄像头模组用于采集生产线上于输出阶段的产品图像,区分模块用于识别产品图像的来源摄像头模组,对产品图像进行区分及标记,储存模块用于接收区分模块处理后的图像数据,对图像数据根据区分结果进行区分储存;
其中,摄像头模组设置不少于三组,三组所述摄像头模组在对产品进行图像采集时的摄像端方位角度均不相同,三组摄像头模组中至少有两组参与系统运行,系统初始设定参与运行的摄像头模组数量为两组。
更进一步地,所述摄像头模组在对生产线上产品图像进行采集时,采集频率与生产线上输出产品的速率相互适配,摄像头模组对生产线上产品图像的采集频率通过系统端用户手动设定。
更进一步地,所述接收模块在接收储存模块中储存的产品图像数据时,根据系统端用户选择产品图像的区别标记及产品图像进行采集时的方位角度进行产品图像的接收,或根据储存模块中储存的产品图像数据中,储存时间戳最久的一组产品图像作为接收目标,对该产品图像及该产品图像对应同区别标记的其他产品图像进行接收。
更进一步地,所述分割模块对产品图像数据进行分割前,对于接收模块中获取的产品图像进行图像增强,产品图像进行图像增强后的输出图像通过下式进行求取,公式为:
;
式中:为输出的产品图像;/>为输入的产品图像x;/>为产品图像中风格抓取灵敏偏差;/>为产品图像内容损失系数;/>为产品图像中包含的像素集合;/>为产品图像风格损失系数;/>为产品图像中风格像素的集合;
其中,协同构建模块中反馈至分割模块的产品标准三维模型的二维模型同步进行图像增强处理。
更进一步地,所述产品图像在进行图像增强前,对产品图像优先进行色彩增强,色彩增强后输出的产品图像通过下式进行求取,公式为:
;
式中:为色彩增强后输出的图像;/>为原始图像;/>为变换函数;/>为/>在第i颜色通道的坐标分布;K为颜色通道的总数;
其中,产品图像的图像增强计算公式中,取/>。
更进一步地,所述协同构建模块运行时,在接收的两组产品二维模型分别选择一组相互对应的轮廓线条,以选择的轮廓线条作为产品二维模型的旋转中轴线,分别将两组二维模型根据选择的轮廓线条进行转动一周,以构建两组产品二维模型对应的三维模型,并进一步将得到的两组三维模型向输出层发送;
其中,在接收的两组产品二维模型上选择的轮廓线条为笔直的线段。
更进一步地,所述输出层包括选择模块及比对模块,选择模块用于选择视角获取两组三维模型的二维图像,比对模块用于接收选择模块中获取的两组二维图像,比对两组二维图像获取两组二维图像的相似度;
其中,选择模块在获取两组三维模型的二维图像时所选择的视角通过系统端用户手动设定,系统端用户于比对模块中设置有合格判定阈值,比对模块在比对获取到两组二维图像的相似度后,进一步应用合格判定阈值对两组二维图像的相似度进行判定。
更进一步地,所述两组二维图像的相似度通过下式进行求取,公式为:
;
式中:u为两组二维图像的相似度;n为相似度因变量的集合;为来源于产品图像的二维图像v的面积;/>为来源于产品图像的二维图像j的面积;/>为来源于产品图像的二维图像v的周长;/>为来源于产品图像的二维图像j的周长;/>为两组图像的分辨率均值;
其中,所述u的值越大两组二维图像的相似度越高,反之则相似度越低,求取的u的值处于合格判定阈值内,相似度对应的产品图像的对应产品为合格,反之,为不合格。
更进一步地,所述摄像头模组通过介质电性连接有区分模块及储存模块,所述储存模块通过介质电性连接有接收模块、分割模块及协调构建模块,所述协同构建模块通过介质电性连接有选择模块及比对模块。
有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
1、本发明提供一种速食罐装产品产线的成品检测系统,该系统在运行的过程中,能够以多摄像头采集产品图像的方式来获取充足的图像数据参考,进一步的在采集的图像数据中求取产品二维模型,再以不同视角状态下的二维模型来生成三维模型,最后通过多组三维模型相似度比对的方式来判定产线上输出的产品外观是否合格,其精度较佳,且可利用提升比对模型数量的方式进一步提升该系统的检测精度。
2、本发明中系统在运行的过程中,在通过产品二维模型生成三维模型的阶段,能够对二维模型的来源产品图像进行色彩及图像增强,从而以此有助于提升后续二维模型生成三维模型过程中,选择的作为中轴线的轮廓线条及三维模型的二维图像轮廓的精度,进而以此,提升系统最终输出的相似度比对结果精度的目的。
3、本发明中系统在运行的过程中,通过对产品图像数据的储存及区别标记,能够提供系统自主选择处理产品目标的条件,从而以此使得系统能够适用于产品产线上的遍历检测及抽样检测工作。
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的附图。
图1为一种速食罐装产品产线的成品检测系统的结构示意图;
图2为本发明中产品图像二维、三维间相互转换的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合实施例对本发明作进一步的描述。
实施例一
本实施例的一种速食罐装产品产线的成品检测系统,如图1所示,包括图像采集层、处理层及输出层;
生产线上产品图像通过图像采集层采集并上传,根据图像采集层在对产品图像进行采集时的方位角度进行区分,并在图像采集层中对采集的产品图像进行区别标记,处理层中储存有产品的标准三维模型,处理层接收根据采集时的方位角度进行区分及区别标记后的产品图像,进一步通过图像分割求取产品二维模型,并将产品二维模型转换为三维模型后,对产品的标准三维模型执行相同的操作,获取产品标准三维模型执行操作后得到的三维模型,于输出层中将该三维模型与由产品二维模型转换的三维模型进行比对,比对结果进一步输出;
处理层包括:接收模块、分割模块及协同构建模块,接收模块用于接收储存模块中储存的产品图像数据,分割模块用于获取接收模块接收到的产品图像数据,对产品图像数据进行分割,求取产品图像数据中的产品图像,即产品二维模型,协同构建模块用于获取分割模块处理产品图像数据的来源摄像头模组的方位角度,以获取的方位角度于产品标准三维模型中获取相同方位角度的图像,记作产品标准三维模型的二维模型,协同构建模块对两组二维模型进行三维模型的构建,并向输出层发送;
分割模块对产品图像数据进行分割的操作步骤如下:
S1:采用谱残差算法对产品图像进行处理;
S2:对S1中处理得到的产品图像用自适应阈值法进行二值化处理;
S3:对经过二值化处理后的产品图像采用形态学进行处理;
S4:对形态学处理后的二值产品图像进行连通区域分析,并获取目标区域最小外接矩阵及矩阵四角的点坐标;
S5:根据获取的目标位置信息在原图像上进行GrabCut算法的初始化,得到分割结果;
图像采集层包括:摄像头模组、区分模块及储存模块,摄像头模组用于采集生产线上于输出阶段的产品图像,区分模块用于识别产品图像的来源摄像头模组,对产品图像进行区分及标记,储存模块用于接收区分模块处理后的图像数据,对图像数据根据区分结果进行区分储存;
其中,摄像头模组设置不少于三组,三组摄像头模组在对产品进行图像采集时的摄像端方位角度均不相同,三组摄像头模组中至少有两组参与系统运行,系统初始设定参与运行的摄像头模组数量为两组;
输出层包括选择模块及比对模块,选择模块用于选择视角获取两组三维模型的二维图像,比对模块用于接收选择模块中获取的两组二维图像,比对两组二维图像获取两组二维图像的相似度;
其中,选择模块在获取两组三维模型的二维图像时所选择的视角通过系统端用户手动设定,系统端用户于比对模块中设置有合格判定阈值,比对模块在比对获取到两组二维图像的相似度后,进一步应用合格判定阈值对两组二维图像的相似度进行判定;
两组二维图像的相似度通过下式进行求取,公式为:
;
式中:u为两组二维图像的相似度;n为相似度因变量的集合;为来源于产品图像的二维图像v的面积;/>为来源于产品图像的二维图像j的面积;/>为来源于产品图像的二维图像v的周长;/>为来源于产品图像的二维图像j的周长;/>为两组图像的分辨率均值;
其中,u的值越大两组二维图像的相似度越高,反之则相似度越低,求取的u的值处于合格判定阈值内,相似度对应的产品图像的对应产品为合格,反之,为不合格;
摄像头模组通过介质电性连接有区分模块及储存模块,储存模块通过介质电性连接有接收模块、分割模块及协调构建模块,协同构建模块通过介质电性连接有选择模块及比对模块。
在本实施例中,摄像头模组采集生产线上于输出阶段的产品图像,区分模块同步的识别产品图像的来源摄像头模组,对产品图像进行区分及标记,并由储存模块接收区分模块处理后的图像数据,对图像数据根据区分结果进行区分储存,接收模块后置运行接收储存模块中储存的产品图像数据,再由分割模块获取接收模块接收到的产品图像数据,对产品图像数据进行分割,求取产品图像数据中的产品图像,即产品二维模型,协同构建模块同步的获取分割模块处理产品图像数据的来源摄像头模组的方位角度,以获取的方位角度于产品标准三维模型中获取相同方位角度的图像,记作产品标准三维模型的二维模型,协同构建模块对两组二维模型进行三维模型的构建,并向输出层发送,最后选择模块选择视角获取两组三维模型的二维图像,并由比对模块接收选择模块中获取的两组二维图像,比对两组二维图像获取两组二维图像的相似度。
对上述记载的二维图像的相似度求取公式,公式在运算过程中,应用了二维图像的面积周长及分辨率,能够全面且精细的计算出两组二维图像相互之间的相似度,且通过该式的设定,使得图像相似度求取过程更趋于逻辑化,结果输出过程简单,且能够对多组二维图像相互之间的相似度进行计算,从而提升系统输出结果的精度。
实施例二
在具体实施层面,在实施例1的基础上,本实施例参照图1对实施例1中一种速食罐装产品产线的成品检测系统做进一步具体说明:
摄像头模组在对生产线上产品图像进行采集时,采集频率与生产线上输出产品的速率相互适配,摄像头模组对生产线上产品图像的采集频率通过系统端用户手动设定。
如图1所示,接收模块在接收储存模块中储存的产品图像数据时,根据系统端用户选择产品图像的区别标记及产品图像进行采集时的方位角度进行产品图像的接收,或根据储存模块中储存的产品图像数据中,储存时间戳最久的一组产品图像作为接收目标,对该产品图像及该产品图像对应同区别标记的其他产品图像进行接收。
通过该设置,可以使得该系统于处理层中,能够获取到指定的处理目标产品图像,为系统中后续模块的运行提供必要的数据支持。
如图1所示,分割模块对产品图像数据进行分割前,对于接收模块中获取的产品图像进行图像增强,产品图像进行图像增强后的输出图像通过下式进行求取,公式为:
;
式中:为输出的产品图像;/>为输入的产品图像x;/>为产品图像中风格抓取灵敏偏差;/>为产品图像内容损失系数;/>为产品图像中包含的像素集合;/>为产品图像风格损失系数;/>为产品图像中风格像素的集合;
其中,协同构建模块中反馈至分割模块的产品标准三维模型的二维模型同步进行图像增强处理。
产品图像在进行图像增强前,对产品图像优先进行色彩增强,色彩增强后输出的产品图像通过下式进行求取,公式为:
;
式中:为色彩增强后输出的图像;/>为原始图像;/>为变换函数;/>为/>在第i颜色通道的坐标分布;K为颜色通道的总数;
其中,产品图像的图像增强计算公式中,取/>。
通过上式计算,能够一定程度的提升产品图像的精度,从而使得系统后续运行得到的二维图像相互之间相似度求取结果更加精度更高。
如图1所示,协同构建模块运行时,在接收的两组产品二维模型分别选择一组相互对应的轮廓线条,以选择的轮廓线条作为产品二维模型的旋转中轴线,分别将两组二维模型根据选择的轮廓线条进行转动一周,以构建两组产品二维模型对应的三维模型,并进一步将得到的两组三维模型向输出层发送;
其中,在接收的两组产品二维模型上选择的轮廓线条为笔直的线段。
通过上述设置,为系统中输出层在进行视角选择时,提供了必要的数据支持。
如图2所示,(a)表示产品,(b)表示摄像头模组采集到的产品图像,(c)表示产品图像的二维模型,即产品图像中仅保留产品外轮廓线条的图像,(d)表示以(c)中所指中轴线,以(c)为草图旋转得到的三维模型,(e)及(f)为(d)由选择模块选择不同视角后的得到的基于(d)的三维模型,(h)及(j)分别表示(e)及(f)于对应视角下的有外轮廓线条组成的二维图像;
图2中可见输出了两组不同的二维图像,再进一步由产品的标准三维模型由(b)开始进行处理,最终得到两组基于标准三维模型的标准二维图像,从而应用两组标准二维图像与(h)及(g)进行分别的相似度比对,最终实现对于产品的连续两次的检测。
综上而言,上述实施例中系统在运行的过程中,能够以多摄像头采集产品图像的方式来获取充足的图像数据参考,进一步的在采集的图像数据中求取产品二维模型,再以不同视角状态下的二维模型来生成三维模型,最后通过多组三维模型相似度比对的方式来判定产线上输出的产品外观是否合格,其精度较佳,且可利用提升比对模型数量的方式进一步提升该系统的检测精度;并且,该系统在运行的过程中,在通过产品二维模型生成三维模型的阶段,能够对二维模型的来源产品图像进行色彩及图像增强,从而以此有助于提升后续二维模型生成三维模型过程中,选择的作为中轴线的轮廓线条及三维模型的二维图像轮廓的精度,进而以此,提升系统最终输出的相似度比对结果精度的目的;同时,该系统通过对产品图像数据的储存及区别标记,能够提供系统自主选择处理产品目标的条件,从而以此使得系统能够适用于产品产线上的遍历检测及抽样检测工作。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种速食罐装产品产线的成品检测系统,其特征在于,包括图像采集层、处理层及输出层;
生产线上产品图像通过图像采集层采集并上传,根据图像采集层在对产品图像进行采集时的方位角度进行区分,并在图像采集层中对采集的产品图像进行区别标记,处理层中储存有产品的标准三维模型,处理层接收根据采集时的方位角度进行区分及区别标记后的产品图像,进一步通过图像分割求取产品二维模型,并将产品二维模型转换为三维模型后,对产品的标准三维模型执行相同的操作,获取产品标准三维模型执行操作后得到的三维模型,于输出层中将该三维模型与由产品二维模型转换的三维模型进行比对,比对结果进一步输出;
所述处理层包括:接收模块、分割模块及协同构建模块,接收模块用于接收储存模块中储存的产品图像数据,分割模块用于获取接收模块接收到的产品图像数据,对产品图像数据进行分割,求取产品图像数据中的产品图像,即产品二维模型,协同构建模块用于获取分割模块处理产品图像数据的来源摄像头模组的方位角度,以获取的方位角度于产品标准三维模型中获取相同方位角度的图像,记作产品标准三维模型的二维模型,协同构建模块对两组二维模型进行三维模型的构建,并向输出层发送;
所述分割模块对产品图像数据进行分割的操作步骤如下:
S1:采用谱残差算法对产品图像进行处理;
S2:对S1中处理得到的产品图像用自适应阈值法进行二值化处理;
S3:对经过二值化处理后的产品图像采用形态学进行处理;
S4:对形态学处理后的二值产品图像进行连通区域分析,并获取目标区域最小外接矩阵及矩阵四角的点坐标;
S5:根据获取的目标位置信息在原图像上进行GrabCut算法的初始化,得到分割结果;
所述分割模块对产品图像数据进行分割前,对于接收模块中获取的产品图像进行图像增强,产品图像进行图像增强后的输出图像通过下式进行求取,公式为:
;
式中:为输出的产品图像;/>为输入的产品图像x;/>为产品图像中风格抓取灵敏偏差;/>为产品图像内容损失系数;/>为产品图像中包含的像素集合;/>为产品图像风格损失系数;/>为产品图像中风格像素的集合;
其中,协同构建模块中反馈至分割模块的产品标准三维模型的二维模型同步进行图像增强处理;
所述产品图像在进行图像增强前,对产品图像优先进行色彩增强,色彩增强后输出的产品图像通过下式进行求取,公式为:
;
式中:为色彩增强后输出的图像;/>为原始图像;/>为变换函数;/>为/>在第i颜色通道的坐标分布;K为颜色通道的总数;
其中,产品图像的图像增强计算公式中,取/>。
2.根据权利要求1所述的一种速食罐装产品产线的成品检测系统,其特征在于,所述图像采集层包括:摄像头模组、区分模块及储存模块,摄像头模组用于采集生产线上于输出阶段的产品图像,区分模块用于识别产品图像的来源摄像头模组,对产品图像进行区分及标记,储存模块用于接收区分模块处理后的图像数据,对图像数据根据区分结果进行区分储存;
其中,摄像头模组设置不少于三组,三组所述摄像头模组在对产品进行图像采集时的摄像端方位角度均不相同,三组摄像头模组中至少有两组参与系统运行,系统初始设定参与运行的摄像头模组数量为两组。
3.根据权利要求1所述的一种速食罐装产品产线的成品检测系统,其特征在于,所述摄像头模组在对生产线上产品图像进行采集时,采集频率与生产线上输出产品的速率相互适配,摄像头模组对生产线上产品图像的采集频率通过系统端用户手动设定。
4.根据权利要求1所述的一种速食罐装产品产线的成品检测系统,其特征在于,所述接收模块在接收储存模块中储存的产品图像数据时,根据系统端用户选择产品图像的区别标记及产品图像进行采集时的方位角度进行产品图像的接收,或根据储存模块中储存的产品图像数据中,储存时间戳最久的一组产品图像作为接收目标,对该产品图像及该产品图像对应同区别标记的其他产品图像进行接收。
5.根据权利要求1所述的一种速食罐装产品产线的成品检测系统,其特征在于,所述协同构建模块运行时,在接收的两组产品二维模型分别选择一组相互对应的轮廓线条,以选择的轮廓线条作为产品二维模型的旋转中轴线,分别将两组二维模型根据选择的轮廓线条进行转动一周,以构建两组产品二维模型对应的三维模型,并进一步将得到的两组三维模型向输出层发送;
其中,在接收的两组产品二维模型上选择的轮廓线条为笔直的线段。
6.根据权利要求1所述的一种速食罐装产品产线的成品检测系统,其特征在于,所述输出层包括选择模块及比对模块,选择模块用于选择视角获取两组三维模型的二维图像,比对模块用于接收选择模块中获取的两组二维图像,比对两组二维图像获取两组二维图像的相似度;
其中,选择模块在获取两组三维模型的二维图像时所选择的视角通过系统端用户手动设定,系统端用户于比对模块中设置有合格判定阈值,比对模块在比对获取到两组二维图像的相似度后,进一步应用合格判定阈值对两组二维图像的相似度进行判定。
7.根据权利要求1所述的一种速食罐装产品产线的成品检测系统,其特征在于,所述摄像头模组通过介质电性连接有区分模块及储存模块,所述储存模块通过介质电性连接有接收模块、分割模块及协调构建模块,所述协同构建模块通过介质电性连接有选择模块及比对模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684927.0A CN116416250B (zh) | 2023-06-12 | 2023-06-12 | 一种速食罐装产品产线的成品检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684927.0A CN116416250B (zh) | 2023-06-12 | 2023-06-12 | 一种速食罐装产品产线的成品检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116416250A CN116416250A (zh) | 2023-07-11 |
CN116416250B true CN116416250B (zh) | 2023-09-05 |
Family
ID=87054713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310684927.0A Active CN116416250B (zh) | 2023-06-12 | 2023-06-12 | 一种速食罐装产品产线的成品检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416250B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934719B (zh) * | 2023-07-26 | 2024-02-13 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测系统 |
CN117029921B (zh) * | 2023-08-09 | 2024-05-31 | 深圳市丰华日昇科技有限公司 | 一种电子元件智能检测设备、方法 |
CN117151332B (zh) * | 2023-08-31 | 2024-05-07 | 山东每日好农业发展有限公司 | 一种基于大数据的智能食品运输监测系统 |
CN117649396B (zh) * | 2023-12-14 | 2024-06-04 | 上海迪塔班克数据科技有限公司 | 用于化塑智能管理平台的数据传输方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5729471A (en) * | 1995-03-31 | 1998-03-17 | The Regents Of The University Of California | Machine dynamic selection of one video camera/image of a scene from multiple video cameras/images of the scene in accordance with a particular perspective on the scene, an object in the scene, or an event in the scene |
CN104854878A (zh) * | 2012-12-13 | 2015-08-19 | 思科技术公司 | 使用双麦克风阵列的空间干扰抑制 |
CN106649487A (zh) * | 2016-10-09 | 2017-05-10 | 苏州大学 | 基于兴趣目标的图像检索方法 |
WO2019157924A1 (zh) * | 2018-02-13 | 2019-08-22 | 视辰信息科技(上海)有限公司 | 三维物体的实时检测方法及系统 |
CN110796033A (zh) * | 2019-10-12 | 2020-02-14 | 江苏科技大学 | 一种基于包围盒模型的静态手势识别方法 |
CN111678459A (zh) * | 2020-06-09 | 2020-09-18 | 杭州思看科技有限公司 | 三维扫描方法、三维扫描系统和计算机可读存储介质 |
CN114596320A (zh) * | 2022-03-01 | 2022-06-07 | 合肥学院 | 一种基于alslcv模型的图像分割方法及装置 |
CN115290001A (zh) * | 2022-10-09 | 2022-11-04 | 江门健维自动化设备有限公司 | 一种产品测试方法及系统 |
CN115578321A (zh) * | 2022-09-19 | 2023-01-06 | 北京珞安科技有限责任公司 | 一种工业生产的成品检测系统及方法 |
CN115908432A (zh) * | 2023-03-13 | 2023-04-04 | 单县龙宇生物科技有限公司 | 一种物料输出品质检测系统及预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220207742A1 (en) * | 2020-12-30 | 2022-06-30 | United Imaging Research Institute of Innovative Medical Equipment | Image segmentation method, device, equipment and storage medium |
-
2023
- 2023-06-12 CN CN202310684927.0A patent/CN116416250B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5729471A (en) * | 1995-03-31 | 1998-03-17 | The Regents Of The University Of California | Machine dynamic selection of one video camera/image of a scene from multiple video cameras/images of the scene in accordance with a particular perspective on the scene, an object in the scene, or an event in the scene |
CN104854878A (zh) * | 2012-12-13 | 2015-08-19 | 思科技术公司 | 使用双麦克风阵列的空间干扰抑制 |
CN106649487A (zh) * | 2016-10-09 | 2017-05-10 | 苏州大学 | 基于兴趣目标的图像检索方法 |
WO2019157924A1 (zh) * | 2018-02-13 | 2019-08-22 | 视辰信息科技(上海)有限公司 | 三维物体的实时检测方法及系统 |
CN110796033A (zh) * | 2019-10-12 | 2020-02-14 | 江苏科技大学 | 一种基于包围盒模型的静态手势识别方法 |
CN111678459A (zh) * | 2020-06-09 | 2020-09-18 | 杭州思看科技有限公司 | 三维扫描方法、三维扫描系统和计算机可读存储介质 |
CN114596320A (zh) * | 2022-03-01 | 2022-06-07 | 合肥学院 | 一种基于alslcv模型的图像分割方法及装置 |
CN115578321A (zh) * | 2022-09-19 | 2023-01-06 | 北京珞安科技有限责任公司 | 一种工业生产的成品检测系统及方法 |
CN115290001A (zh) * | 2022-10-09 | 2022-11-04 | 江门健维自动化设备有限公司 | 一种产品测试方法及系统 |
CN115908432A (zh) * | 2023-03-13 | 2023-04-04 | 单县龙宇生物科技有限公司 | 一种物料输出品质检测系统及预测方法 |
Non-Patent Citations (1)
Title |
---|
基于目标轮廓增强的GrabCut图像分割方法;杨国萍 等;《软件》;第41卷(第2期);第28-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116416250A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116416250B (zh) | 一种速食罐装产品产线的成品检测系统 | |
CN108920992B (zh) | 一种基于深度学习的医药标签条码的定位与识别方法 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN107657639A (zh) | 一种快速定位目标的方法和装置 | |
CN100571335C (zh) | 基于像素空间相关性的图像融合效果实时评价方法及装置 | |
CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
CN111161295B (zh) | 一种菜品图像背景剥离方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN114693661A (zh) | 一种基于深度学习的快速分拣方法 | |
Uluişik et al. | Image processing based machine vision system for tomato volume estimation | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN112345534B (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 | |
CN107576600B (zh) | 一种抹茶粒度等级的快速检测方法 | |
CN113793385A (zh) | 鱼头鱼尾定位方法及装置 | |
CN111611953B (zh) | 一种基于目标特征训练的抽油机识别方法与系统 | |
CN113505629A (zh) | 一种基于轻量网络的智能仓储物件识别装置 | |
CN116308435B (zh) | 一种基于智能溯源秤的农产品精准化识别方法及系统 | |
CN113145473A (zh) | 一种水果智能分拣系统及方法 | |
CN116106319A (zh) | 一种合成革瑕疵自动化检测方法及系统 | |
CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及系统 | |
CN114662594B (zh) | 一种目标特征识别分析系统 |
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 |