CN116469090A - 喷码图案的检测方法、装置、电子设备和存储介质 - Google Patents
喷码图案的检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116469090A CN116469090A CN202310412526.XA CN202310412526A CN116469090A CN 116469090 A CN116469090 A CN 116469090A CN 202310412526 A CN202310412526 A CN 202310412526A CN 116469090 A CN116469090 A CN 116469090A
- Authority
- CN
- China
- Prior art keywords
- sub
- graph
- code spraying
- pattern
- code
- 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
- 238000005507 spraying Methods 0.000 title claims abstract description 256
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 93
- 230000008859 change Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims description 19
- 230000003287 optical effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000011109 contamination Methods 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 239000007921 spray Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 235000020095 red wine Nutrition 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000020097 white wine Nutrition 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本公开提供了一种喷码图案的检测方法、装置、电子设备和存储介质。其中,该方法包括:获取待检瓶状对象的第一喷码图案;将第一喷码图案分割为多个第一子图,获取每个第一子图的第一特征向量;从数据库中查找多个第一子图确定的第一字符串对应的第二喷码图案,及其各个第二子图的第二特征向量;均按照字符对应关系检查第一子图的第一特征向量和对应的第二子图的第二特征向量,得到第一子图相对于第二子图的特征点变化信息;根据每对第一子图相对于第二子图的特征点变化信息,确定第一喷码图案和第二喷码图案的相似度。通过上述方式可以在喷码图案磨损或污染等情况下,提升喷码图案的比对准确度。
Description
技术领域
本公开涉及喷码检测技术领域,尤其是涉及一种喷码图案的检测方法、装置、电子设备和存储介质。
背景技术
在现代生产中,产品的追溯、管理、防伪等工作中经常需要对产品进行标识,以实现对产品信息的管理和溯源。其中,喷码是目前广泛应用的一种标识方式。喷码技术具有速度快、印刷效果好、印刷内容可变化等优点,因此广泛应用于包装、制造、物流等领域。
由于喷码涂层与物体表面的接触面积很小,因此易受到磨损、污染等因素的影响,导致喷码图案难以被正确读取和识别。为了解决这一问题,传统的方法是使用光学设备扫描读取整个喷码图案,再将喷码图案与数据库中预存的图案进行比对,但是由于喷码图案磨损或污染后的形态各异,这种比对方法往往需要较长时间,且比对的准确度较差。
发明内容
本公开实施例的目的在于提供一种喷码图案的检测方法、装置、电子设备和存储介质,以在喷码图案磨损或污染等情况下,提升喷码图案的比对准确度。
本公开实施例提供一种喷码图案的检测方法,通过电子设备提供瓶状对象的数据库,所述数据库包含所述瓶状对象上的喷码图案对应的原始数据,所述喷码图案分割为多个子图,多个子图上的字符组成标识所述瓶状对象的身份的字符串,所述子图上的字符由随机排列的墨点和/或墨点上叠加随机水印组成,所述原始数据包括所述喷码图案对应的字符串和所述喷码图案对应的各个子图的特征向量;所述方法包括:获取待检瓶状对象的第一喷码图案;将所述第一喷码图案分割为多个第一子图,根据多个所述第一子图确定所述第一喷码图案包含的第一字符串;获取每个所述第一子图的第一特征向量;从所述数据库中查找所述第一字符串对应的第二喷码图案的各个第二子图的第二特征向量;对于每个所述第一子图,均按照字符对应关系检查该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,得到所述第一子图相对于所述第二子图的特征点变化信息;根据每对所述第一子图相对于第二子图的特征点变化信息,确定所述第一喷码图案和第二喷码图案的相似度。
第二方面,本公开实施例还提供一种喷码图案的检测装置,所述检测装置通过电子设备提供瓶状对象的数据库,所述数据库包含所述瓶状对象上的喷码图案对应的原始数据,所述喷码图案分割为多个子图,多个子图上的字符组成标识所述瓶状对象的身份的字符串,所述子图上的字符由随机排列的墨点和/或墨点上叠加随机水印组成,所述原始数据包括所述喷码图案对应的字符串和所述喷码图案对应的各个子图的特征向量;所述检测装置包括:图案获取模块,用于获取待检瓶状对象的第一喷码图案;图案分割模块,用于将所述第一喷码图案分割为多个第一子图,根据多个所述第一子图确定所述第一喷码图案包含的第一字符串;第一特征向量获取模块,用于获取每个所述第一子图的第一特征向量;第二特征向量获取模块,用于从所述数据库中查找所述第一字符串对应的第二喷码图案的各个第二子图的第二特征向量;子图检查模块,用于对于每个所述第一子图,均按照字符对应关系检查该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,得到所述第一子图相对于所述第二子图的特征点变化信息;相似度确定模块,用于根据每对所述第一子图相对于第二子图的特征点变化信息,确定所述第一喷码图案和第二喷码图案的相似度。
第三方面,本公开实施例还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述喷码图案的检测方法。
第四方面,本公开实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述喷码图案的检测方法。
本公开实施例提供的上述喷码图案的检测方法、装置、电子设备和存储介质,以电子设备提供的数据库中的原始数据作为基准数据,在对待检瓶状对象的第一喷码图案进行检测过程中,将第一喷码图案分割为多个第一子图,根据多个第一子图确定第一喷码图案包含的第一字符串,进而从数据库中查找第一字符串对应的第二喷码图案的各个第二子图的第二特征向量,检查相互对应的第一子图的第一特征向量和第二子图的第二特征向量,得到第一子图相对于第二子图的特征点变化信息,并根据每对第一子图相对于第二子图的特征点变化信息确定第一喷码图案和第二喷码图案的相似度。因上述喷码图案中每个字符的墨点或水印具有随机性,在字符部分受损的情况下,根据每对子图的特征点变化信息确定整体图案相似度的方式,可以更多地参考未受损的字符的墨点信息确定图案的相似度,使得图案的相似度更能反映真实的信息,提升了图案比对的准确度。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本公开的一些实施方式,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为本公开实施例提供的一种喷码图案的示意图;
图2为本公开实施例提供的一种喷伪图案的检测方法流程图;
图3为本公开实施例提供的一种喷码图案的分割示意图;
图4为本公开实施例提供的另一种喷码图案的分割示意图;
图5为本公开实施例提供的另一种喷码图案的分割示意图;
图6为本公开实施例提供的一种喷伪图案的检测装置的结构示意图;
图7为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
喷码图案具有一定的随机性,且实现灵活,因此广泛应用在产品防伪、产品追溯与管理中。但是喷码图案因为使用喷墨,在流通过程中,因为触摸或者摩擦等外界因素,比较容易被磨损和污染,导致喷码图案难以被正确读取和识别,影响了喷码图案的正常使用。基于此,本公开实施例提供了一种喷码图案的检测方法、装置、电子设备和存储介质,以在喷码图案磨损或污染情况下,提升喷码图案的比对准确度。
本公开实施例提供了一种喷伪图案的检测方法,该方法通过电子设备提供瓶状对象的数据库,该数据库包含瓶状对象上的喷码图案对应的原始数据,该喷码图案分割为多个子图,多个子图上的字符组成标识该瓶状对象的身份的字符串,这些子图上的字符由随机排列的墨点和/或墨点上叠加随机水印组成,上述原始数据包括喷码图案对应的字符串和喷码图案对应的各个子图的特征向量;本实施例的数据库中存储标识该瓶状对象的身份的字符串,该字符串对应的喷码图案以及该喷码图案对应的各个子图的特征向量,因此可以根据字符串索引找到对应的喷码图案和各个子图的特征向量。
上述子图中的字符可以是一个或连续排列的N个字符。N为预先设定的值,N的大小可以根据喷码图案中字符串的长度确定。这里随机排列的墨点和/或墨点上叠加随机水印具体包括以下之一:字符本身是由随机排列的墨点组成,或者字符本身由规则墨点组成,且字符上叠加有随机水印,再或者字符由随机排列的墨点组成且字符上叠加有随机水印。
上述电子设备可以是服务器,也可以是终端设备,上述数据库中的原始数据可以在瓶状对象喷码后采集得到,以上述电子设备是服务器为例,该服务器可以连接光学扫描设备获取瓶状对象上的喷码图案,这些设备通过光学传感器将光信号转换成数字信号,然后通过软件处理等方式将数字信号转换成数字图像,服务器再通过图像处理技术得到喷码图像的原始数据。其中,在瓶状对象作业的流水线上,上述光学扫描设备可以采用高清工业相机搭配远心增倍镜头实现,这种相机通常具有2000w像素的性能,一秒钟可以拍摄至少4张图片,适用于流水线上作业强度大的应用场景。而在经销商等流通环节,上述光学扫描设备可以采用自动变倍线阵相机等设备,针对用户端,可以使用手机外设等光学设备。
在采集喷码图案时,可以尽可能采用分辨率足够高的光学扫描设备,这样能够准确地捕捉喷码图案的细节。为了减少反光材质的光斑或其它遮挡物的阴影对喷码图案清晰度的影响,可以进行一些光路设计,如采用外界光源或者反光材料等。另外,在扫描速度上,也可以进行约束,可以保持光学扫描设备与瓶状对象的相对静止,以实现稳定的图案采集。
上述喷码图案既具有标识瓶状身份的唯一性,又具有防伪功能的随机性,即使喷码图案中出现两个表示同一数字、同一字母或同一符号的字符,组成这两个字符的墨点和/或墨点上叠加的随机水印也是有差异的,参见图1所示的一种喷码图案的示意图,其中字符串:20230219 2022-035AH003044分三行排布,每个数字由5*8的墨点阵列组成,每个数字的墨点存在一定的差异性,这样可以在字符部分磨损或污染时,通过该字符的其它部分,以及其它字符的墨点或水印信息辨别该喷码图案的真伪。
图2为本公开实施例提供的一种喷伪图案的检测方法流程图,该方法以上述电子设备为执行主体,具体包括以下步骤:
步骤S202,获取待检瓶状对象的第一喷码图案。
其中,待检瓶状对象可以是白酒瓶、红酒瓶等瓶装类产品。第一喷码图案可以设置在待检瓶状对象的瓶盖处,也可以设置在待检瓶状对象的其它位置。第一喷码图案中除了包含具有防伪和标识身份作用的字符串之外,还可以包含其它信息,例如包含水印信息,该水印信息能够进一步加强喷码图案的防伪性能。
步骤S204,将第一喷码图案分割为多个第一子图,根据多个第一子图确定第一喷码图案包含的第一字符串。
对第一喷码图案进行分割时,按照数据库中存储的喷码图案的分割方式进行。该分割方式包括:按照单个字符进行分割,或者按照设定的多个连续的字符进行分割,这种分割方式分割得到的多个子图可以大小相等。参见图3所示的喷码图案的分割示意图,其中,字符串具体为:202302282022-035AI012895,该字符串分三行,以单个字符分割为例,如图3所示,喷码图案被分割为24个子图,各个子图的大小均相同。再如图4所示,以两个字符分割为例,喷码图案被分割为12个子图,各个子图的大小均相同。
考虑到喷码图像边缘的墨点更容易被磨损,作为一种可能的实施方式,上述分割方式也可以对喷码图像边缘的字符采用单个字符分割,对边缘以内的字符采用多个连续字符分割,如图5所示的另一种喷码图案的分割示意图,喷码图案中的字符串具体为:20230228 2022-035AI012895,该字符串分三行。其中,处于边缘的字符单独分割为一个子图,处于内部的字符串022-03的两个字符为一组,分割为三个子图。
第一喷码图案包含的第一字符串可以通过OCR(Optical CharacterRecognition,光学字符识别)技术确定,OCR技术指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程;即,针对印刷体字符,采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件,并通过识别软件将图像中的文字转换成文本格式,供文字处理软件进一步编辑加工的技术。
步骤S206,获取每个第一子图的第一特征向量。
每个子图的特征向量可以采用图像处理技术获取,例如:特征点提取和字符检测与识别技术等,第一特征向量为第一子图的特征描述子,用于描述第一子图。
步骤S208,从数据库中查找第一字符串对应的第二喷码图案的各个第二子图的第二特征向量。
第一字符串可以是步骤S204中得到的,也可以是用户根据观察第一喷码图案手动输入的。数据库中喷码图案的分割以及分割后各个子图特征向量的获取与第一喷码图案的分割方式和特征向量获取方式相同,这里不再赘述。
上述步骤S206和步骤S208的顺序可以调换,不影响本实施例的实现。
步骤S210,对于每个第一子图,均按照字符对应关系检查该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,得到第一子图相对于第二子图的特征点变化信息。
上述字符对应关系指的是第一喷码图案和第二喷码图案中字符位置的对应关系,因为第一喷码图案和第二喷码图案分割子图的方式相同,因此字符位置反映出第一喷码图案中的第一子图和第二喷码图案中的第二子图的对应关系,相互对应的第一子图和第二子图也可称为一对子图。在进行特征向量检查或比对时,选取相互对应的子图的特征向量进行检查或比对,一定程度上可以减少计算量,提升喷码图案的检测效率。
假设第一喷码图案包括的第一子图分别为A1和A2,第二喷码图案包括的第二子图分别为B1和B2,且A1对应B1,A2对应B2;则检查A1的第一特征向量和B1的第二特征向量,以及A2的第一特征向量和B2的第二特征向量,得到A1相对于B1的特征点变化信息,以及A2相对于B2的特征点变化信息。
上述特征点变化信息用于表征第一子图相比于第二子图的特征点差异信息,该特征点变化信息具体可以包括墨点模糊信息和墨点增加信息;其中,墨点模糊信息可以用匹配点所在位置和匹配点数量表示,或者墨点模糊信息也可以用磨损点位置和磨损点数量表示。墨点增加信息可以用新增墨点数量表示。
步骤S212,根据每对第一子图相对于第二子图的特征点变化信息,确定第一喷码图案和第二喷码图案的相似度。
本实施例在确定第一喷码图案和第二喷码图案的相似度时,整体分析每对第一子图相对于第二子图的特征点变化信息是否具有一致的下降趋势,例如,每对第一子图和第二子图的匹配的特征点的相似度相比于未磨损的喷码图像对应的相似度均呈下降趋势,则说明第一喷码图案在流通过程中整体磨损,则可以整体提升每对中第一子图和第二子图的匹配特征点的相似度,根据提升后的第一子图和第二子图的匹配特征点的相似度计算第一喷码图案和第二喷码图案的相似度。
或者,对于伪造图案,则每对第一子图相对于第二子图的特征点变化信息通常均呈现出每对的第一子图中均出现新增特征点,该新增特征点在对应的第二子图中没有匹配的特征点,这种情况下,即使相互对应的第一子图和第二子图中还存在相互匹配的特征点,计算第一喷码图案和第二喷码图案的相似度时,可以先降低相互对应的第一子图和第二子图中匹配的特征点的相似度,再根据降低后的第一子图和第二子图中匹配的特征点的相似度计算第一喷码图案和第二喷码图案的相似度。
另外,考虑到有时喷码图案磨损或污染通常发生在局部小区域内,可以根据每对第一子图相对于第二子图的特征点变化信息确定出墨点模糊的子图或者受污染的子图,这些子图中的匹配点数量通常相对要少一些,确定第一喷码图案和第二喷码图案的相似度时,可以更多地参考其它清晰的子图,进而保证了喷码图案相似度的准确性。
若第一子图相对于第二子图存在一定程度的墨点增加信息,则很大程度上说明第一喷码图案为伪造图案,这种情况下,可以确定第一喷码图案和第二喷码图案的相似度为最低值。
上述方法以电子设备提供的数据库中的原始数据作为基准数据,在对待检瓶状对象的第一喷码图案进行检测过程中,将第一喷码图案分割为多个第一子图,根据多个第一子图确定第一喷码图案包含的第一字符串,进而从数据库中查找第一字符串对应的第二喷码图案的各个第二子图的第二特征向量,检查相互对应的第一子图的第一特征向量和第二子图的第二特征向量,得到第一子图相对于第二子图的特征点变化信息,并根据每对第一子图相对于第二子图的特征点变化信息确定第一喷码图案和第二喷码图案的相似度。因上述喷码图案中每个字符的墨点或水印具有随机性,在字符部分受损的情况下,根据每对子图的特征点变化信息确定整体图案相似度的方式,可以更多地参考未受损的字符的墨点信息确定图案的相似度,使得图案的相似度更能反映真实的信息,提升了图案比对的准确度。
为了提升喷码图案的造假难度,作为一种可能的实施方式,本公开实施例中的喷码图案中的字符由随机排列的墨点组成,在随机排列的墨点基础上,叠加有随机水印。喷码图案是一种物理性防伪技术,每个喷码图案上的字符串编码都是唯一的。利用图像学特征可以识别每个字符的不同之处,这样每个瓶状对象的喷码图案均不同且没有规律性,造假者很难逐一复制每个瓶状对象的喷码图案,一定程度上提升了喷码图案的造假难度。
喷码图案防伪相比于暗刻防伪,制作更容易,可以通过带有随机墨点的喷码枪完成或者在喷码基础上叠加随机水印即可实现,同时,喷码图案上的字符串是唯一编码,根据该字符串从数据库查找对应的原始数据更容易。而暗刻防伪技术需要利用高精度设备在瓶身或瓶盖上制作出特定的花纹、图案或文字等,这些图案的改动非常微小且难以被肉眼区别,需要专业人士才能识别出,故暗刻技术成本较高且难以实现。
喷码图案防伪相比于RFID防伪,随机墨点或随机水印的随机性,使造假者很难实现批量生产,安全性更高;RFID防伪技术是指一种基于射频识别技术的防伪技术,该技术在瓶盖上安装RFID芯片,并搭配RFID识别系统,对每瓶进行全面的追踪和管理,但是RFID芯片内的数据可以被复制或者盗取,安全性较差。
考虑到瓶状对象在流通过程中,不同的环节使用的光学扫描设备可能不同,采集到的喷码图像的分辨率或者角度可能不同,基于此,上述方法获取待检瓶状对象的第一喷码图案的步骤之后,还包括:按照上述数据库中的喷码图像的分辨率和尺度空间,调整第一喷码图案。调整方式可以包括像素的缩放调整和角度的旋转调整等。该调整方法可以在合理范围内,将待检瓶状对象的第一喷码图案缩放至与数据库中喷码图案一样大小,以及为第一喷码图案建立和数据库中的喷码图案相同的尺度空间,利于后续操作。
本实施例的喷码图案为数字图像,为了提升喷码图案的质量,在分割之前,可以先对喷码图案进行一系列的预处理,例如去噪或滤波等操作。
为了更好地分割喷码图案,上述将第一喷码图案分割为多个第一子图包括:确定第一喷码图案中的字符区域;根据预先设定的字符块形状和字符块大小,将字符区域分割为多个第一子图,其中,每个第一子图包含一个字符,即每个第一子图的大小均相同。其中,字符区域可以通过深度学习网络确定。喷码图案中每个字符的相对位置关系是固定的,字符块形状和字符块大小可以根据实际应用预先设定,例如:字符块的形状设置为矩形,字符块大小可以根据喷码图像的大小成比例设置,例如:喷码图像为200w像素,则一个字符块大小可以是1w像素。以图3所示的喷码图案为例,编码图案的字符区域即24个字符对应的整体区域,该区域先被分割为3行,然后每行分割成8列,每行得到8个字符。这种方式通过以设定的字符块形状和字符块大小作为子图的分割标准,可以使分割出的子图覆盖整个字符,提升了喷码图案的分割效果。
为了使字符区域更清晰,上述确定第一喷码图案中的字符区域包括以下步骤:
(1)将第一喷码图案转换为黑白二值图像;
具体地,可以采用二值化处理,将第一喷码图案转换为黑白二值图像。二值化处理是指把大于设定临界灰度值的像素灰度设为灰度极大值1,把小于临界灰度值的像素灰度设为灰度极小值0,从而得到一张黑白二值图像。
(2)对黑白二值图像进行降噪处理;
这里的降噪处理是一种形态学操作,例如:腐蚀、膨胀、开运算、闭运算等操作,通过该处理可以去除噪点和小的干扰区域。
(3)对降噪处理后的黑白二值图像进行轮廓提取;
通过轮廓提取,可以找到字符串区域的边界。
(4)根据提取得到的轮廓确定第一喷码图案中的字符区域;其中,字符区域包括多个字符行区域或多个字符列区域。
上述字符区域可以是提取到的轮廓包围的区域,也可以对该轮廓进行放大,以放大后的轮廓包围区域作为字符区域。
上述字符区域的确定方式,通过二值化、降噪和轮廓提取,提升了字符区域的准确性。
本实施例的喷码图案的大小是固定的,可以根据预先设定的字符的形状和大小进行分割,辅助使用水平和垂直投影的方法,将字符区域分割成一行一行或一列一列的子图。
对于每个第一子图,计算其特征点描述子,并将其作为该第一子图的第一特征向量,该过程具体包括:提取每个第一子图的局部不变量(即第一子图中比较稳定的特征点)的特征,提取出每个第一子图中的特征点,该特征点也可以称为关键点,并对其进行描述,用于图像匹配和识别。对特征点的描述可以通过计算特征点的局部梯度表征,即于每个特征点,将其周围的图像区域划分为若干个小的子区域,计算每个子区域的梯度直方图,并将所有子区域的梯度直方图拼接成一个128维的向量。在计算每个第一子图的特征点的描述子之后,可以将其作为该特征点的特征向量。对于单个第一子图而言,将其所有特征点描述子拼接成一个特征矩阵,并将该矩阵作为该第一子图的第一特征向量。
对于第一喷码图案的每个第一子图,与数据库中的第二喷码图案的每个第二子图进行特征向量的比对,例如可以计算它们的相似度;具体地,对于第一子图中的每个特征点,依次与对应的第二子图中的所有特征点进行比较,找到最近邻的特征点作为其匹配点,然后通过一定的策略剔除特征点匹配中的不正确匹配,最终得到每个第一子图的匹配结果。
作为一种可能的实施方式,上述步骤S210中的检查该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,得到每对第一子图相对于第二子图的特征点变化信息的步骤可以包括:根据该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,确定第一子图中的特征点与第二子图中的特征点间的欧式距离;根据第一子图中的特征点与第二子图中的特征点间的欧式距离确定特征点变化信息;其中,特征点变化信息包括:磨损点信息(如磨损点位置和磨损点数量)、匹配点信息(如匹配点位置和匹配点数量)和新增墨点信息(如新增墨点位置和数量)。上述过程以字符采用墨点随机为例:若第一子图和第二子图对应的匹配点数量小于或等于第一阈值,且新增墨点数量大于第二阈值,确定第一子图相对于第二子图存在伪造墨点;若第一子图和第二子图对应的匹配点数量小于或等于第一阈值,且新增墨点数量小于第二阈值,确定第一子图相对于第二子图存在退化墨点;若第一子图和第二子图对应的匹配点数量大于第一阈值,且新增墨点数量小于第二阈值,确定第一子图相对于第二子图为正常墨点。通过特征点间的欧式距离确定子图间的特征点变化信息的方式,计算简单且可靠性比较高。
考虑到产品在流通环节可能对喷码图像有一定的磨损、污染或者采集图像时存在一定的边缘畸变等情况,为了使图案的相似度更准确,上述步骤S212中的根据每对第一子图相对于第二子图的特征点变化信息,确定第一喷码图案和第二喷码图案的相似度可以包括:根据每对第一子图相对于第二子图的特征点变化信息,确定每对第一子图相对于第二子图的异常类型;其中,该异常类型包括字符伪造、字符污染和字符磨损;根据每对第一子图相对于第二子图的异常类型,确定第一喷码图案和第二喷码图案的相似度。具体地,针对字符磨损,可以检查每一个第一子图的字符是否都磨损,针对字符污染,可以检查是否除了一个或比较少的第一子图与第二子图的特征点匹配效果较差,其它第一子图与第二子图的匹配效果均正常,而对于字符伪造,检查是否第一子图相比于第二子图存在一定数量的新增特征点,即新增墨点。通过参考每对第一子图相对于第二子图的异常类型确定图案相似度的方式,可以更多的利用不存在异常的子图确定整体图案的相似度,提升相似度的准确性。
作为一种可能的实施方式,上述根据每对第一子图相对于第二子图的异常类型,确定第一喷码图案和第二喷码图案的相似度包括:检查每对第一子图相对于第二子图的异常类型中是否存在字符伪造;如果存在字符伪造,设置第一喷码图案和第二喷码图案的相似度为预设最低值;如果不存在字符伪造,获取每对第一子图和第二子图的相似度,根据每对第一子图和第二子图的相似度确定第一喷码图案和第二喷码图案的相似度。
根据每对第一子图和第二子图的相似度确定第一喷码图案和第二喷码图案的相似度,可以计算每对第一子图和第二子图的匹配点数量和这些匹配点之间方向的规律性,进而确定第一子图和第二子图的相似度以及第一喷码图案和第二喷码图案的相似度。这种方式下,如果喷码图案中存在几个数字虚化,但是靠近中心的字符是清晰的。通过子图间的单个比较,靠近图案中心的喷码数字,匹配点比较多,靠近边沿的字符匹配点比较少。诸如此类的规则,分割成子图比较之后,就可以有效利用匹配点比较多的子图确定图案的相似度,可以在产品追溯或防伪过程中,有效缓解喷码图案无可避免的质量下降导致比对效果差的问题,提高算法的适配程度和鲁棒性。
上述相似度确定过程中,通过将存在伪造字符的图案相似度设置为最低值,例如0,减少不必要的计算过程,节省了检测时长;同时,在不存在字符伪造的情况下,根据每对第一子图和第二子图的相似度确定喷码图案的相似度的方式,能够有效利用各个子图中字符的随机性,使低质量的图案得到更真实的相似度值。
作为一种可能的实施方式,上述根据每对第一子图和第二子图的相似度确定第一喷码图案和第二喷码图案的相似度可以包括以下步骤:
(1)将每对第一子图和第二子图对应的匹配点的相似度组成该对第一子图和第二子图对应的相似度向量;这里第一子图和第二子图对应的匹配点的相似度不是一个单一的数值,而是由每个匹配特征点对应的衡量参数组成的,具体地,可以用每个匹配特征点之间的欧氏距离表示该衡量参数,第一子图和第二子图的匹配的特征点对应的衡量参数可以组成一个矩阵。
(2)拼接每对第一子图和第二子图对应的相似度向量得到相似度特征矩阵;
(3)根据相似度特征矩阵的匹配点密度和向量方向一致性,确定第一喷码图案和第二喷码图案的相似度。向量方向一致性指同一个坐标系中,矩阵中的向量坐标相等则向量相等且方向一致,可以经过平移重合。每对第一子图和第二子图对应的相似度向量均类似,则具有方向一致性。
上述方法通过对每个子图像都分别进行特征点描述子计算和特征向量拼接,得到一个特征矩阵,并将多个子图的特征矩阵拼接成一个大的特征矩阵。再综合计算大的特征矩阵的匹配点密度、向量反向一致性等判定条件,由此得到一个喷码图案在图形学特征上的相似度,即匹配结果。该方式综合考虑了每对第一子图和第二子图对应的相似度向量,将这些向量组成的相似度特征矩阵,通过计算矩阵的匹配点密度和向量方向一致性确定图案的相似度,准确性更高。
上述方法除了可以对每个子图之间进行对比,也可以对第一喷码图案和第二喷码图案的整体相似度比较,再结合每对第一子图和第二子图对应的相似度综合分析,确定第一喷码图案和第二喷码图案的最终相似度。
确定出第一喷码图案和第二喷码图案的相似度之后,上述方法还包括:根据第一喷码图案和第二喷码图案的相似度对第一喷码图案进行真伪分类,其中,相似度小于最低设定阈值时,第一喷码图案为伪造图案,相似度高于最高设定阈值时,第一喷码图案为可信图案,相似度介于最低设定阈值和最高设定阈值时,第一喷码图案为待定图案,需要人工介入做进一步分析。其中,最低设定阈值和最高设定阈值可以根据实际应用场景设置。
作为另一种可能的实施方式,上述根据每对第一子图相对于第二子图的特征点变化信息,确定第一喷码图案和第二喷码图案的相似度包括:将每对第一子图相对于第二子图的特征点变化信息输入预先训练好的网络模型中,通过网络模型分析确定第一喷码图案和第二喷码图案的相似度。
作为一种可能的实施方式,上述步骤S202中的获取待检瓶状对象的第一喷码图案包括:通过光学扫描设备采集待检瓶状对象的瓶盖图像,得到待检瓶状对象的第一喷码图案;其中,第一喷码图案设置于待检瓶状对象的瓶盖上;光学扫描设备为以下之一:配置有远心增倍镜头的工业相机、自动变倍线阵相机、带有摄像功能的终端设备。上述瓶状对象可以是白酒酒瓶、红酒酒瓶等产品。
上述检测方法,通过分析喷码编码图案的图像学特征,可以帮助生产企业对产品的生产、流通和销售进行全面的追溯和管理,提高产品的质量和安全性,进而提高了产品的溯源能力。在防伪方面,通过喷码图案的图像学特征进行的防伪技术,可以帮助消费者辨别真伪,增强产品的可信性。相比传统的防伪技术,利用喷码图案中各个子图的图像学特征的整体比较分析,可以实现快速、准确和低成本的产品认证,可以帮助企业降低生产成本和管理成本。
对应于上述方法,本实施例还提供了一种喷码图案的检测装置,该检测装置可以设置在电子设备上,通过电子设备提供瓶状对象的数据库,数据库包含瓶状对象上的喷码图案对应的原始数据,喷码图案分割为多个子图,多个子图上的字符组成标识瓶状对象的身份的字符串,子图上的字符由随机排列的墨点和/或墨点上叠加随机水印组成,上述原始数据包括喷码图案对应的字符串和喷码图案对应的各个子图的特征向量;参见图6所示的喷码图案的检测装置结构示意图,该检测装置包括以下模块:
图案获取模块61,用于获取待检瓶状对象的第一喷码图案;
图案分割模块62,用于将第一喷码图案分割为多个第一子图,根据多个第一子图确定第一喷码图案包含的第一字符串;
第一特征向量获取模块63,用于获取每个第一子图的第一特征向量;
第二特征向量获取模块64,用于从数据库中查找第一字符串对应的第二喷码图案的各个第二子图的第二特征向量;
子图检查模块65,用于对于每个第一子图,均按照字符对应关系检查该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,得到上述第一子图相对于上述第二子图的特征点变化信息;
相似度确定模块66,用于根据每对第一子图相对于第二子图的特征点变化信息,确定第一喷码图案和第二喷码图案的相似度。
上述装置以电子设备提供的数据库中的原始数据作为基准数据,在对待检瓶状对象的第一喷码图案进行检测过程中,将第一喷码图案分割为多个第一子图,根据多个第一子图确定第一喷码图案包含的第一字符串,进而从数据库中查找第一字符串对应的第二喷码图案的各个第二子图的第二特征向量,检查相互对应的第一子图的第一特征向量和第二子图的第二特征向量,得到第一子图相对于第二子图的特征点变化信息,并根据每对第一子图相对于第二子图的特征点变化信息确定第一喷码图案和第二喷码图案的相似度。因上述喷码图案中每个字符的墨点或水印具有随机性,在字符部分受损的情况下,根据每对子图的特征点变化信息确定整体图案相似度的方式,可以更多地参考未受损的字符的墨点信息确定图案的相似度,使得图案的相似度更能反映真实的信息,提升了图案比对的准确度。
图案分割模块62还用于确定所述第一喷码图案中的字符区域;根据预先设定的字符块形状和字符块大小,将所述字符区域分割为多个第一子图,其中,每个所述第一子图包含一个字符。该方式通过以设定的字符块形状和字符块大小作为子图的分割标准,可以使分割出的子图覆盖整个字符,提升了喷码图案的分割效果。
为了提升字符区域确定的准确性,上述图案分割模块62还用于将所述第一喷码图案转换为黑白二值图像;对所述黑白二值图像进行降噪处理;对降噪处理后的黑白二值图像进行轮廓提取;根据提取得到的轮廓确定所述第一喷码图案中的字符区域;其中,所述字符区域包括多个字符行区域或多个字符列区域。该方式通过二值化、降噪和轮廓提取,提升了字符区域的准确性。
上述子图检查模块65还用于根据该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,确定所述第一子图中的特征点与所述第二子图中的特征点间的欧式距离;根据所述第一子图中的特征点与所述第二子图中的特征点间的欧式距离确定特征点变化信息;其中,所述特征点变化信息包括:磨损点信息、匹配点信息和新增墨点信息。该方式通过特征点间的欧式距离确定子图间的特征点变化信息的方式,计算简单且可靠性比较高。
相似度确定模块66还用于根据每对所述第一子图相对于第二子图的特征点变化信息,确定每对第一子图相对于第二子图的异常类型;其中,所述异常类型包括字符伪造、字符污染和字符磨损;根据每对第一子图相对于第二子图的异常类型,确定所述第一喷码图案和第二喷码图案的相似度。该方式通过参考每对第一子图相对于第二子图的异常类型确定图案相似度的方式,可以更多的利用不存在异常的子图确定整体图案的相似度,提升相似度的准确性。
相似度确定模块66还用于检查每对所述第一子图相对于第二子图的异常类型中是否存在字符伪造;如果存在字符伪造,设置所述第一喷码图案和第二喷码图案的相似度为预设最低值;如果不存在字符伪造,获取每对第一子图和第二子图的相似度,根据每对第一子图和第二子图的相似度确定所述第一喷码图案和第二喷码图案的相似度。该方式通过将存在伪造字符的图案相似度设置为最低值,减少不必要的计算过程,节省了检测时长;同时,在不存在字符伪造的情况下,根据每对第一子图和第二子图的相似度确定喷码图案的相似度的方式,能够有效利用各个子图中字符的随机性,使低质量的图案得到更真实的相似度值。
相似度确定模块66还用于将每对第一子图和第二子图对应的匹配点的相似度组成该对第一子图和第二子图对应的相似度向量;拼接每对第一子图和第二子图对应的相似度向量得到相似度特征矩阵;根据所述相似度特征矩阵的匹配点密度和向量方向一致性,确定所述第一喷码图案和第二喷码图案的相似度。
上述图案获取模块61还用于通过光学扫描设备采集待检瓶状对象的瓶盖图像,得到待检瓶状对象的第一喷码图案;其中,所述第一喷码图案设置于所述待检瓶状对象的瓶盖上;所述光学扫描设备为以下之一:配置有远心增倍镜头的工业相机、自动变倍线阵相机、带有摄像功能的终端设备。
本公开实施例提供的喷码图案的检测装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,喷码图案的检测装置的实施例部分未提及之处,可参考前述喷码图案的检测方法实施例中相应内容。
本公开实施例还提供了一种电子设备,如图7所示,为该电子设备的结构示意图,其中,该电子设备包括处理器71和存储器70,该存储器70存储有能够被该处理器71执行的计算机可执行指令,该处理器71执行该计算机可执行指令以实现上述喷码图案的检测方法。
在图7示出的实施方式中,该电子设备还包括总线72和通信接口73,其中,处理器71、通信接口73和存储器70通过总线72连接。
其中,存储器70可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线72可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器71可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71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(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。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。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器71读取存储器中的信息,结合其硬件完成前述实施例的喷码图案的检测方法的步骤。
本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述喷码图案的检测方法,具体实现可参见前述方法实施例,在此不再赘述。
本公开实施例所提供的喷码图案的检测方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本公开的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、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。
在本公开的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本公开和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本公开的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种喷码图案的检测方法,其特征在于,通过电子设备提供瓶状对象的数据库,所述数据库包含所述瓶状对象上的喷码图案对应的原始数据,所述喷码图案分割为多个子图,多个子图上的字符组成标识所述瓶状对象的身份的字符串,所述子图上的字符由随机排列的墨点和/或墨点上叠加随机水印组成,所述原始数据包括所述喷码图案对应的字符串和所述喷码图案对应的各个子图的特征向量;所述方法包括:
获取待检瓶状对象的第一喷码图案;
将所述第一喷码图案分割为多个第一子图,根据多个所述第一子图确定所述第一喷码图案包含的第一字符串;
获取每个所述第一子图的第一特征向量;
从所述数据库中查找所述第一字符串对应的第二喷码图案的各个第二子图的第二特征向量;
对于每个所述第一子图,均按照字符对应关系检查该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,得到所述第一子图相对于所述第二子图的特征点变化信息;
根据每对所述第一子图相对于第二子图的特征点变化信息,确定所述第一喷码图案和第二喷码图案的相似度。
2.根据权利要求1所述的方法,其特征在于,将所述第一喷码图案分割为多个第一子图包括:
确定所述第一喷码图案中的字符区域;
根据预先设定的字符块形状和字符块大小,将所述字符区域分割为多个第一子图,其中,每个所述第一子图包含一个字符。
3.根据权利要求2所述的方法,其特征在于,确定所述第一喷码图案中的字符区域包括:
将所述第一喷码图案转换为黑白二值图像;
对所述黑白二值图像进行降噪处理;
对降噪处理后的黑白二值图像进行轮廓提取;
根据提取得到的轮廓确定所述第一喷码图案中的字符区域;其中,所述字符区域包括多个字符行区域或多个字符列区域。
4.根据权利要求1所述的方法,其特征在于,检查该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,得到所述第一子图相对于所述第二子图的特征点变化信息包括:
根据该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,确定所述第一子图中的特征点与所述第二子图中的特征点间的欧式距离;
根据所述第一子图中的特征点与所述第二子图中的特征点间的欧式距离确定特征点变化信息;其中,所述特征点变化信息包括:磨损点信息、匹配点信息和新增墨点信息。
5.根据权利要求1所述的方法,其特征在于,根据每对所述第一子图相对于第二子图的特征点变化信息,确定所述第一喷码图案和第二喷码图案的相似度包括:
根据每对所述第一子图相对于第二子图的特征点变化信息,确定每对第一子图相对于第二子图的异常类型;其中,所述异常类型包括字符伪造、字符污染和字符磨损;
根据每对第一子图相对于第二子图的异常类型,确定所述第一喷码图案和所述第二喷码图案的相似度。
6.根据权利要求5所述的方法,其特征在于,根据每对第一子图相对于第二子图的异常类型,确定所述第一喷码图案和所述第二喷码图案的相似度包括:
检查每对所述第一子图相对于第二子图的异常类型中是否存在字符伪造;
如果存在字符伪造,设置所述第一喷码图案和第二喷码图案的相似度为预设最低值;
如果不存在字符伪造,获取每对第一子图和第二子图的相似度,根据每对第一子图和第二子图的相似度确定所述第一喷码图案和第二喷码图案的相似度。
7.根据权利要求6所述的方法,其特征在于,根据每对第一子图和第二子图的相似度确定所述第一喷码图案和第二喷码图案的相似度包括:
将每对第一子图和第二子图对应的匹配点的相似度组成该对第一子图和第二子图对应的相似度向量;
拼接每对第一子图和第二子图对应的相似度向量得到相似度特征矩阵;
根据所述相似度特征矩阵的匹配点密度和向量方向一致性,确定所述第一喷码图案和第二喷码图案的相似度。
8.根据权利要求1所述的方法,其特征在于,获取待检瓶状对象的第一喷码图案包括:
通过光学扫描设备采集待检瓶状对象的瓶盖图像,得到待检瓶状对象的第一喷码图案;其中,所述第一喷码图案设置于所述待检瓶状对象的瓶盖上;所述光学扫描设备为以下之一:配置有远心增倍镜头的工业相机、自动变倍线阵相机、带有摄像功能的终端设备。
9.一种喷码图案的检测装置,其特征在于,所述检测装置通过电子设备提供瓶状对象的数据库,所述数据库包含所述瓶状对象上的喷码图案对应的原始数据,所述喷码图案分割为多个子图,多个子图上的字符组成标识所述瓶状对象的身份的字符串,所述子图上的字符由随机排列的墨点和/或墨点上叠加随机水印组成,所述原始数据包括所述喷码图案对应的字符串和所述喷码图案对应的各个子图的特征向量;所述检测装置包括:
图案获取模块,用于获取待检瓶状对象的第一喷码图案;
图案分割模块,用于将所述第一喷码图案分割为多个第一子图,根据多个所述第一子图确定所述第一喷码图案包含的第一字符串;
第一特征向量获取模块,用于获取每个所述第一子图的第一特征向量;
第二特征向量获取模块,用于从所述数据库中查找所述第一字符串对应的第二喷码图案的各个第二子图的第二特征向量;
子图检查模块,用于对于每个所述第一子图,均按照字符对应关系检查该第一子图的第一特征向量和该第一子图对应的第二子图的第二特征向量,得到所述第一子图相对于所述第二子图的特征点变化信息;
相似度确定模块,用于根据每对所述第一子图相对于第二子图的特征点变化信息,确定所述第一喷码图案和第二喷码图案的相似度。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310412526.XA CN116469090A (zh) | 2023-04-11 | 2023-04-11 | 喷码图案的检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310412526.XA CN116469090A (zh) | 2023-04-11 | 2023-04-11 | 喷码图案的检测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116469090A true CN116469090A (zh) | 2023-07-21 |
Family
ID=87183796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310412526.XA Pending CN116469090A (zh) | 2023-04-11 | 2023-04-11 | 喷码图案的检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116469090A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117358615A (zh) * | 2023-10-08 | 2024-01-09 | 南京三隆包装有限公司 | 一种自动喷码印刷缺陷检测方法及系统 |
-
2023
- 2023-04-11 CN CN202310412526.XA patent/CN116469090A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117358615A (zh) * | 2023-10-08 | 2024-01-09 | 南京三隆包装有限公司 | 一种自动喷码印刷缺陷检测方法及系统 |
CN117358615B (zh) * | 2023-10-08 | 2024-04-30 | 南京三隆包装有限公司 | 一种自动喷码印刷缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5334042B2 (ja) | 文字列認識方法及び文字列認識装置 | |
JP6080259B2 (ja) | 文字切り出し装置及び文字切り出し方法 | |
US20080310721A1 (en) | Method And Apparatus For Recognizing Characters In A Document Image | |
JP4232800B2 (ja) | ラインノイズ除去装置、ラインノイズ除去方法、ラインノイズ除去プログラム | |
CN111783495B (zh) | 一种条形码识别方法、装置、电子设备及存储介质 | |
CN106326887B (zh) | 一种光学字符识别结果的校验方法及装置 | |
US7949187B2 (en) | Character string recognition method and device | |
US9349237B2 (en) | Method of authenticating a printed document | |
van Beusekom et al. | Automatic authentication of color laser print-outs using machine identification codes | |
CN109409158B (zh) | 一种基于二维码边缘粗糙度的防伪方法 | |
US9396422B1 (en) | Methods and systems for localizing aztec codes | |
Jain et al. | Passive classification of source printer using text-line-level geometric distortion signatures from scanned images of printed documents | |
CN106845312B (zh) | 一种二维码图像质量的预判断方法 | |
CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN111814673A (zh) | 一种修正文本检测边界框的方法、装置、设备及存储介质 | |
CN116469090A (zh) | 喷码图案的检测方法、装置、电子设备和存储介质 | |
Hesham et al. | Arabic document layout analysis | |
CN110533704B (zh) | 油墨标签的识别验伪方法、装置、设备及介质 | |
CN113435219B (zh) | 防伪检测方法、装置、电子设备及存储介质 | |
US8200016B2 (en) | Method and apparatus for character string recognition | |
CN112699704B (zh) | 一种条形码的检测方法、装置、设备、存储装置 | |
JP5630689B2 (ja) | 文字認識方法及び文字認識装置 | |
Choi et al. | Localizing slab identification numbers in factory scene images | |
CN112200789A (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
KR20070048570A (ko) | 이미지 분별 장치 및 그 방법 |
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 |