CN116563289B - 一种基于机器视觉的贴标品质检测方法和系统 - Google Patents
一种基于机器视觉的贴标品质检测方法和系统 Download PDFInfo
- Publication number
- CN116563289B CN116563289B CN202310840985.8A CN202310840985A CN116563289B CN 116563289 B CN116563289 B CN 116563289B CN 202310840985 A CN202310840985 A CN 202310840985A CN 116563289 B CN116563289 B CN 116563289B
- Authority
- CN
- China
- Prior art keywords
- labeling
- image
- quality detection
- segmentation
- area
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 303
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 230000002708 enhancing effect Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 47
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011045 prefiltration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
-
- 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
Abstract
本发明公开了一种基于机器视觉的贴标品质检测方法和系统,包括:S1:获取贴标物体图像,并对其进行去噪和增强,获得预处理后的贴标物体图像;S2:对预处理后的贴标物体图像进行分割,获得贴标区域和非贴标区域;S3:将分割出的贴标区域与标准贴标图像的贴标区域比对,计算贴标的偏移度、旋转度和完整度;S4:对预处理后的贴标物体图像提取图像特征;S5:将S1至S4中获得的结果输入至贴标品质检测网络对贴标品质进行综合评估,得到贴标品质检测结果。本发明通过使用图像处理、分割、特征提取和机器学习等技术,使贴标品质的检测结果更加精确和可靠。
Description
技术领域
本发明属于贴标品质检测领域,尤其涉及一种基于机器视觉的贴标品质检测方法和系统。
背景技术
贴标品质检测是在生产和制造过程中对产品上的标签或贴纸进行检测和评估,以确保标签的准确性、完整性和可读性。贴标品质的准确性对于产品的追溯、品牌形象和消费者信任至关重要。传统的贴标品质检测通常依赖于人工视觉检查,这种方式费时费力且容易受到主观因素的影响。随着机器视觉和图像处理技术的发展,基于机器视觉的贴标品质检测方法逐渐受到广泛关注。现有方法大多依赖人工目测来判断贴标品质,效率低下,且易受主观因素的影响,判断结果不够准确可靠。现有方法往往只关注贴标品质判断的某一方面,如仅考虑贴标的定位精度或形状完整性,无法全面检测贴标品质。同时,图像噪声和光照变化可能导致检测和评估结果的不稳定性,影响贴标品质的准确性。
发明内容
有鉴于此,本发明提供一种基于机器视觉的贴标品质检测方法和系统,目的在于通过使用图像处理、分割、特征提取和机器学习等技术,使贴标品质的检测结果更加精确和可靠。
实现上述目的,本发明提供的一种基于机器视觉的贴标品质检测方法,包括以下步骤:
S1:获取贴标物体图像,并对其进行去噪和增强,获得预处理后的贴标物体图像;
S2:对预处理后的贴标物体图像进行分割,获得贴标区域和非贴标区域;
S3:将分割出的贴标区域与标准贴标图像的贴标区域比对,计算贴标的偏移度、旋转度和完整度;
S4:对预处理后的贴标物体图像提取图像特征;
S5:将S1至S4中获得的结果输入至贴标品质检测网络对贴标品质进行综合评估,得到贴标品质检测结果。
S1:获取贴标物体图像,并对其进行去噪和增强,获得预处理后的贴标物体图像:
通过相机拍摄贴标物体的图像,所拍摄图像包含完整的贴标物体,并对图像进行预处理,所述预处理包括去噪和增强:
S11:图像去噪:
基于双边滤波对图像进行去噪,所述双边滤波的计算方式为:
;
其中,表示滤波后的像素值;/>表示滤波前图像/>周围邻域像素的值;/>为像素坐标;/>,/>;/>表示位置权重函数;表示像素差异权重函数;/>是归一化因子;S为邻域大小;
位置权重函数的表达式为:
;
其中,为自然常数;/>是位置参数;
像素差异权重函数的表达式为:
;
其中,是像素差异参数;
归一化因子的表达式为:
;
S12:图像增强:
基于直方图均衡化对去噪后的图像进行增强,所述图像增强的计算方式为:
计算去噪后的图像中每个灰度级出现的像素数量,并将其存储在直方图数组中,其中/>表示灰度级h的像素数量;
计算每个灰度级的累计频率:
;
其中,M和N分别表示去噪后的图像的长和宽;表示灰度级/>的像素数量;;
将去噪后的图像的每个像素值根据累积分布函数进行映射,得到新的灰度级,映射公式为:
;
其中,为向下取整函数;L为灰度级的数量; />表示增强后的像素值;
完成所述图像去噪和图像增强过程后,获得预处理后的贴标物体图像E;
S2:对预处理后的贴标物体图像进行分割,获得贴标区域和非贴标区域:
基于分水岭和区域生长结合的方法对预处理后的贴标物体图像进行分割,所述分水岭和区域生长结合的方法流程为:
S21:计算不同灰度值对应的分割结果:
从图像的最小灰度级开始,记灰度级为/>的点为/>,以为种子点进行区域生长,经过区域生长后的结果为:
;
其中,表示以/>为种子点并且分割阈值为/>时区域生长的结果,/>表示以/>为中心8邻域内的像素点;
将中每个点/>作为新的种子点进行区域生长,直到没有新的点满足生长条件,此时区域生长最终的结果为:
;
其中,表示以/>为基础并且分割阈值为/>时区域生长最终的结果;为集合合并符号;
增加灰度级重复S21区域生长过程,直到/>,其中/>为最大灰度级,基于区域生长结果对所有像素分为贴标区域和非贴标区域,得到图像分割结果U;
S22:分割目标函数构建:
计算图像分割结果贴标区域的最大方差和相邻区域间的灰度平均值最大差:
;
其中,表示贴标区域的序号;/>、/>和/>分别表示第/>个贴标区域的面积,均值和相邻区域的个数;/>表示第/>个贴标区域内像素的合集;/>表示第/>个贴标区域的均值;/>为预处理后的贴标物体图像在/>处的像素值,/>;
基于得到的贴标区域的最大方差和相邻区域间的灰度平均值最大差/>,进一步计算区域平均对比度和内部均匀性:
;
分割目标函数由区域平均对比度和内部均匀性/>加权得到:
;
S23:分割阈值选择:
基于S21的分割方法和S22的目标函数,随机生成一系列候选分割阈值,对每一个候选分割阈值计算图像分割结果和分割目标函数值,选择使得分割目标函数值最大的分割阈值作为最终选择的分割阈值;
S3:将分割出的贴标区域与标准贴标图像的贴标区域比对,计算贴标的偏移度、旋转度和完整度:
将分割出的贴标区域与标准贴标图像的贴标区域比对从而评估贴标品质,评估的衡量标准为贴标的偏移度、旋转度和完整度,贴标的偏移度的计算方式为:
;
其中,为分割出的贴标区域中心;/>为标准贴标图像的贴标区域中心;
旋转度的计算方式为:
;
其中,分割出的贴标区域主方向向量;/>为标准贴标图像的贴标区域主方向向量;主方向向量为区域边缘相邻两边的向量之和;
完整度的计算方式为:
;
其中,为分割出的贴标区域像素数量;/>为标准贴标图像的贴标区域像素数量。
S4:对预处理后的贴标物体图像提取图像特征:
对预处理后的贴标物体图像提取图像特征,所述特征包括局部二值特征与纹理特征,局部二值特征的计算方式为:
;
;
其中,是以/>为中心的邻域像素;/>为预处理后的贴标物体图像在/>处的像素值,邻域大小为/>;
纹理特征的计算方式为:
;
其中,和/>为整数,分别表示横向和纵向的步长;
S5:将S1至S4中获得的结果输入至贴标品质检测网络对贴标品质进行综合评估,得到贴标品质检测结果:
将S1至S4中获得的结果输入贴标品质检测网络对贴标品质进行综合评估,所述贴标品质检测网络的流程为:
S51:定义贴标品质检测网络的检测结果:
;
其中,;/>;/>和/>分别代表贴标品质检测网络的权重和偏置;/>为贴标品质检测网络对输入的贴标信息进行检测的结果,检测结果中将贴标品质从高到低分为I、II、III、IV级;
S52:计算贴标品质检测网络预测的结果与真实结果之间的差异:
;
其中,为人工设定的贴标品质等级;/>表示如果当前枚举的类别等于人工设定的贴标品质等级,则为1,否则为0;/>表示贴标品质检测网络预测贴标品质等级为/>的概率;e为自然常数;
S53:基于贴标品质检测网络预测的结果与真实结果之间的差异更新贴标品质检测网络的权重和偏置:
贴标品质检测网络的权重和偏置基于随机梯度下降法获得:
;
;
其中,和/>分别代表差异相对于权重和偏置的偏导;/>为贴标品质检测网络的学习率,控制权重和偏导的更新速率;/>表示赋值操作;
贴标品质检测网络的权重和偏置更新完成后,输入S1至S4中获得的结果得到贴标品质等级。
本发明还公开了一种基于机器视觉的贴标品质检测系统,包括:
图像预处理模块:获取贴标物体图像,并对其进行预处理;
图像分割模块:对预处理后的贴标物体图像进行分割;
贴标比对模块:将分割出的贴标区域与标准贴标图像的贴标区域比对;
特征提取模块:对预处理后的贴标物体图像提取图像特征;
贴标品质检测模块:使用贴标品质检测网络对贴标品质进行综合评估,得到贴标品质检测结果。
有益效果
本发明采用了预处理、分割、特征提取和机器学习等多种方法,能够综合考虑多个因素对贴标品质的影响,提高了贴标品质检测的准确性。通过对比分割出的贴标区域与标准贴标图像,计算偏移度、旋转度和完整度等指标,可以更准确地评估贴标的位置、角度和完整性。
本发明的方法通过预处理和分割技术,能够适应处理复杂场景和多样化的贴标。预处理步骤对图像进行去噪和增强,降低噪声和光照变化对贴标品质检测的影响。分割步骤能够准确地分离贴标区域和非贴标区域,适应不同尺寸和形状的贴标,增强了方法的适应性。
本发明的方法在预处理和特征提取步骤中采用了图像处理技术,减少了对图像噪声和光照变化的敏感性,提升了贴标品质检测的稳定性。通过对图像的增强和特征的提取,使方法能够在不同光照条件下获取更稳定的特征,降低了干扰的影响。
本发明利用机器视觉和自动化技术,实现了对贴标品质的自动检测和评估。通过图像处理和特征提取的方法,可以在较短的时间内对大量贴标进行检测,并利用贴标品质检测网络进行快速的综合评估。相比传统的人工检查方法,本发明提高了贴标品质检测的效率和自动化程度。
附图说明
图1为本发明一实施例的一种基于机器视觉的贴标品质检测方法的流程示意图;
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
实施例1:一种基于机器视觉的贴标品质检测方法,如图1所示,包括以下步骤:
S1:获取贴标物体图像,并对其进行去噪和增强,获得预处理后的贴标物体图像:
通过相机拍摄贴标物体的图像,所拍摄图像包含完整的贴标物体,并对图像进行预处理,所述预处理包括去噪和增强:
S11:图像去噪:
基于双边滤波对图像进行去噪,所述双边滤波的计算方式为:
;
其中,表示滤波后的像素值;/>表示滤波前图像/>周围邻域像素的值;/>为像素坐标;/>,/>;/>表示位置权重函数;表示像素差异权重函数;/>是归一化因子;S为邻域大小;
位置权重函数的表达式为:
;
其中,为自然常数;/>是位置参数;
像素差异权重函数的表达式为:
;
其中,是像素差异参数;
归一化因子的表达式为:
;
S12:图像增强:
基于直方图均衡化对去噪后的图像进行增强,所述图像增强的计算方式为:
计算去噪后的图像中每个灰度级出现的像素数量,并将其存储在直方图数组中,其中/>表示灰度级h的像素数量;
计算每个灰度级的累计频率:
;
其中,M和N分别表示去噪后的图像的长和宽;表示灰度级/>的像素数量;;
将去噪后的图像的每个像素值根据累积分布函数进行映射,得到新的灰度级,映射公式为:
;
其中,为向下取整函数;L为灰度级的数量; />表示增强后的像素值;
完成所述图像去噪和图像增强过程后,获得预处理后的贴标物体图像E;
预处理步骤可以去除图像中的噪声和干扰,减少图像中的伪影、失真和不均匀光照等问题。这有助于提高贴标图像的清晰度、对比度和可视化效果,使得贴标物体更加清晰可辨。图像采集过程中常常受到环境条件、光照变化、传感器噪声等因素的影响,导致图像质量下降或出现不必要的干扰。预处理步骤能够降低这些干扰因素的影响,提升贴标物体的可视化效果,从而更好地展示贴标的特征。通过增强图像的亮度、对比度和颜色等特征,预处理步骤使贴标物体在图像中更加突出。这有助于后续的贴标区域分割和特征提取等操作,提供更可靠、准确的数据。预处理步骤能够优化图像质量,使得后续的图像分割、特征提取和品质评估等处理方法更加准确、稳定。通过提供预处理后的图像作为输入,可以提高后续处理步骤的效率和可靠性。
S2:对预处理后的贴标物体图像进行分割,获得贴标区域和非贴标区域:
基于分水岭和区域生长结合的方法对预处理后的贴标物体图像进行分割,所述分水岭和区域生长结合的方法流程为:
S21:计算不同灰度值对应的分割结果:
从图像的最小灰度级开始,记灰度级为/>的点为/>,以为种子点进行区域生长,经过区域生长后的结果为:
;
其中,表示以/>为种子点并且分割阈值为/>时区域生长的结果,/>表示以/>为中心8邻域内的像素点;
将中每个点/>作为新的种子点进行区域生长,直到没有新的点满足生长条件,此时区域生长最终的结果为:
;
其中,表示以/>为基础并且分割阈值为/>时区域生长最终的结果;为集合合并符号;
增加灰度级重复S21区域生长过程,直到/>,其中/>为最大灰度级,基于区域生长结果对所有像素分为贴标区域和非贴标区域,得到图像分割结果U;
S22:分割目标函数构建:
计算图像分割结果贴标区域的最大方差和相邻区域间的灰度平均值最大差:
;
其中,表示贴标区域的序号;/>、/>和/>分别表示第/>个贴标区域的面积,均值和相邻区域的个数;/>表示第/>个贴标区域内像素的合集;/>表示第/>个贴标区域的均值;/>为预处理后的贴标物体图像在/>处的像素值,/>;
基于得到的贴标区域的最大方差和相邻区域间的灰度平均值最大差/>,进一步计算区域平均对比度和内部均匀性:
;
分割目标函数由区域平均对比度和内部均匀性/>加权得到:
;
S23:分割阈值选择:
基于S21的分割方法和S22的目标函数,随机生成一系列候选分割阈值,对每一个候选分割阈值计算图像分割结果和分割目标函数值,选择使得分割目标函数值最大的分割阈值作为最终选择的分割阈值;
分割步骤可以准确地将贴标物体从整个图像中提取出来,将贴标区域与背景区域进行分离。这使得后续的贴标品质检测和评估集中在贴标物体上,减少了对整个图像的处理,提高了效率。分割步骤能够精确地定位贴标的边界,提供了贴标的准确位置信息。这对于后续的偏移度、旋转度、完整度等品质指标的计算和分析非常重要,可以提高品质检测的准确性。
S3:将分割出的贴标区域与标准贴标图像的贴标区域比对,计算贴标的偏移度、旋转度和完整度:
将分割出的贴标区域与标准贴标图像的贴标区域比对从而评估贴标品质,评估的衡量标准为贴标的偏移度、旋转度和完整度,贴标的偏移度的计算方式为:
;
其中,为分割出的贴标区域中心;/>为标准贴标图像的贴标区域中心;
旋转度的计算方式为:
;
其中,分割出的贴标区域主方向向量;/>为标准贴标图像的贴标区域主方向向量;主方向向量为区域边缘相邻两边的向量之和;
完整度的计算方式为:
;
其中,为分割出的贴标区域像素数量;/>为标准贴标图像的贴标区域像素数量。
通过与标准贴标图像进行比对,可以定量评估贴标的偏移度、旋转度和完整度等关键指标。这些指标提供了对贴标位置、角度和完整性的准确测量,可以更客观地评估贴标品质的好坏。与标准贴标图像比对可以提供准确的参考标准,从而增加了计算贴标偏移度、旋转度和完整度的准确度。通过比对,可以获得贴标与标准贴标的差异,并量化地表示出来,提供了更可靠的品质评估指标。
S4:对预处理后的贴标物体图像提取图像特征:
对预处理后的贴标物体图像提取图像特征,所述特征包括局部二值特征与纹理特征,局部二值特征的计算方式为:
;
;
其中,是以/>为中心的邻域像素;/>为预处理后的贴标物体图像在/>处的像素值,邻域大小为/>;
纹理特征的计算方式为:
;
其中,和/>为整数,分别表示横向和纵向的步长。
S5:将S1至S4中获得的结果输入至贴标品质检测网络对贴标品质进行综合评估,得到贴标品质检测结果:
将S1至S4中获得的结果输入贴标品质检测网络对贴标品质进行综合评估,所述贴标品质检测网络的流程为:
S51:定义贴标品质检测网络的检测结果:
;
其中,;/>;/>和/>分别代表贴标品质检测网络的权重和偏置;/>为贴标品质检测网络对输入的贴标信息进行检测的结果,检测结果中将贴标品质从高到低分为I、II、III、IV级;
S52:计算贴标品质检测网络预测的结果与真实结果之间的差异:
;
其中,为人工设定的贴标品质等级;/>表示如果当前枚举的类别等于人工设定的贴标品质等级,则为1,否则为0;/>表示贴标品质检测网络预测贴标品质等级为/>的概率;e为自然常数;
S53:基于贴标品质检测网络预测的结果与真实结果之间的差异更新贴标品质检测网络的权重和偏置:
贴标品质检测网络的权重和偏置基于随机梯度下降法获得:
;
;
其中,和/>分别代表差异相对于权重和偏置的偏导;/>为贴标品质检测网络的学习率,控制权重和偏导的更新速率;/>表示赋值操作;
贴标品质检测网络的权重和偏置更新完成后,输入S1至S4中获得的结果得到贴标品质等级。
贴标品质检测网络能够综合考虑多个指标和特征,将分割结果、贴标偏移度、旋转度、完整度以及其他特征等信息进行综合评估。这有助于全面了解贴标品质,综合多个因素对贴标的影响,得出更准确、全面的评估结果。贴标品质检测网络通过计算和学习的方式,以客观的方式对贴标品质进行评估。它不受主观因素的影响,如人眼判断的主观性或主观标准的不一致性,从而提高了评估结果的客观性和一致性。使用贴标品质检测网络可以实现高效自动化的贴标品质评估。相比人工检查方法,它能够快速处理大量贴标图像,并给出快速而准确的评估结果,节省时间和人力成本。
实施例2:本发明还公开了一种基于机器视觉的贴标品质检测系统,包括以下五个模块:
图像预处理模块:获取贴标物体图像,并对其进行预处理;
图像分割模块:对预处理后的贴标物体图像进行分割;
贴标比对模块:将分割出的贴标区域与标准贴标图像的贴标区域比对;
特征提取模块:对预处理后的贴标物体图像提取图像特征;
贴标品质检测模块:使用贴标品质检测网络对贴标品质进行综合评估,得到贴标品质检测结果。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于机器视觉的贴标品质检测方法,其特征在于,包括以下步骤:
S1:获取贴标物体图像,并对其进行去噪和增强,获得预处理后的贴标物体图像;
S2:对预处理后的贴标物体图像进行分割,获得贴标区域和非贴标区域;
S3:将分割出的贴标区域与标准贴标图像的贴标区域比对,计算贴标的偏移度、旋转度和完整度;包括:
将分割出的贴标区域与标准贴标图像的贴标区域比对从而评估贴标品质,评估的衡量标准为贴标的偏移度、旋转度和完整度,贴标的偏移度的计算方式为:
;
其中,为分割出的贴标区域中心;/>为标准贴标图像的贴标区域中心;
旋转度的计算方式为:
;
其中,分割出的贴标区域主方向向量;/>为标准贴标图像的贴标区域主方向向量;主方向向量为区域边缘相邻两边的向量之和;
完整度的计算方式为:
;
其中,为分割出的贴标区域像素数量;/>为标准贴标图像的贴标区域像素数量;
S4:对预处理后的贴标物体图像提取图像特征;
S5:将S1至S4中获得的结果输入至贴标品质检测网络对贴标品质进行综合评估,得到贴标品质检测结果。
2.根据权利要求1所述的一种基于机器视觉的贴标品质检测方法,其特征在于,所述步骤S1中,包括:
通过相机拍摄贴标物体的图像,所拍摄图像包含完整的贴标物体,并对图像进行预处理,所述预处理包括去噪和增强:
S11:图像去噪:
基于双边滤波对图像进行去噪,所述双边滤波的计算方式为:
;
其中,表示滤波后的像素值;/>表示滤波前图像/>周围邻域像素的值;为像素坐标;/>,/>;/>表示位置权重函数;表示像素差异权重函数;/>是归一化因子;S为邻域大小;
位置权重函数的表达式为:
;
其中,为自然常数;/>是位置参数;
像素差异权重函数的表达式为:
;
其中,是像素差异参数;
归一化因子的表达式为:
;
S12:图像增强:
基于直方图均衡化对去噪后的图像进行增强,所述图像增强的计算方式为:
计算去噪后的图像中每个灰度级出现的像素数量,并将其存储在直方图数组中,其中/>表示灰度级h的像素数量;
计算每个灰度级的累计频率:
;
其中,M和N分别表示去噪后的图像的长和宽;表示灰度级/>的像素数量;;
将去噪后的图像的每个像素值根据累积分布函数进行映射,得到新的灰度级,映射公式为:
;
其中,为向下取整函数;L为灰度级的数量; />表示增强后的像素值;
完成所述图像去噪和图像增强过程后,获得预处理后的贴标物体图像E。
3.根据权利要求2所述的一种基于机器视觉的贴标品质检测方法,其特征在于,所述步骤S2中,包括:
基于分水岭和区域生长结合的方法对预处理后的贴标物体图像进行分割,所述分水岭和区域生长结合的方法流程为:
S21:计算不同灰度值对应的分割结果:
从图像的最小灰度级开始,记灰度级为/>的点为/>,以/>为种子点进行区域生长,经过区域生长后的结果为:
;
其中,表示以/>为种子点并且分割阈值为/>时区域生长的结果,/>表示以/>为中心8邻域内的像素点;
将中每个点/>作为新的种子点进行区域生长,直到没有新的点满足生长条件,此时区域生长最终的结果为:
;
其中,表示以/>为基础并且分割阈值为/>时区域生长最终的结果;/>为集合合并符号;
增加灰度级重复S21区域生长过程,直到/>,其中/>为最大灰度级,基于区域生长结果对所有像素分为贴标区域和非贴标区域,得到图像分割结果U;
S22:分割目标函数构建:
计算图像分割结果贴标区域的最大方差和相邻区域间的灰度平均值最大差:
;
其中,表示贴标区域的序号;/>、/>和/>分别表示第/>个贴标区域的面积,均值和相邻区域的个数;/>表示第/>个贴标区域内像素的合集;/>表示第/>个贴标区域的均值;/>为预处理后的贴标物体图像在/>处的像素值,/>;
基于得到的贴标区域的最大方差和相邻区域间的灰度平均值最大差/>,进一步计算区域平均对比度和内部均匀性:
;
分割目标函数由区域平均对比度和内部均匀性/>加权得到:
;
S23:分割阈值选择:
基于S21的分割方法和S22的目标函数,随机生成一系列候选分割阈值,对每一个候选分割阈值计算图像分割结果和分割目标函数值,选择使得分割目标函数值最大的分割阈值作为最终选择的分割阈值。
4.根据权利要求1所述的一种基于机器视觉的贴标品质检测方法,其特征在于,所述步骤S4中,包括:
对预处理后的贴标物体图像提取图像特征,所述特征包括局部二值特征与纹理特征,局部二值特征的计算方式为:
;
;
其中,是以/>为中心的邻域像素;/>为预处理后的贴标物体图像在/>处的像素值,邻域大小为/>;
纹理特征的计算方式为:
;
其中,和/>为整数,分别表示横向和纵向的步长。
5.根据权利要求4所述的一种基于机器视觉的贴标品质检测方法,其特征在于,所述步骤S5中,包括:
将S1至S4中获得的结果输入至贴标品质检测网络对贴标品质进行综合评估,所述贴标品质检测网络的流程为:
S51:定义贴标品质检测网络的检测结果:
;
其中,;/>;/>和/>分别代表贴标品质检测网络的权重和偏置;为贴标品质检测网络对输入的贴标信息进行检测的结果,检测结果中将贴标品质从高到低分为I、II、III、IV级;
S52:计算贴标品质检测网络预测的结果与真实结果之间的差异:
;
其中,为人工设定的贴标品质等级;/>表示如果当前枚举的类别等于人工设定的贴标品质等级,则为1,否则为0;/>表示贴标品质检测网络预测贴标品质等级为的概率;e为自然常数;
S53:基于贴标品质检测网络预测的结果与真实结果之间的差异更新贴标品质检测网络的权重和偏置:
贴标品质检测网络的权重和偏置基于随机梯度下降法获得:
;
;
其中,和/>分别代表差异相对于权重和偏置的偏导;/>为贴标品质检测网络的学习率,控制权重和偏导的更新速率;/>表示赋值操作;
贴标品质检测网络的权重和偏置更新完成后,输入S1至S4中获得的结果得到贴标品质等级。
6.一种基于机器视觉的贴标品质检测系统,其特征在于,包括:
图像预处理模块:获取贴标物体图像,并对其进行预处理;
图像分割模块:对预处理后的贴标物体图像进行分割;
贴标比对模块:将分割出的贴标区域与标准贴标图像的贴标区域比对;
特征提取模块:对预处理后的贴标物体图像提取图像特征;
贴标品质检测模块:使用贴标品质检测网络对贴标品质进行综合评估,得到贴标品质检测结果;
以实现如权利要求1-5任意一项所述的一种基于机器视觉的贴标品质检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840985.8A CN116563289B (zh) | 2023-07-11 | 2023-07-11 | 一种基于机器视觉的贴标品质检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840985.8A CN116563289B (zh) | 2023-07-11 | 2023-07-11 | 一种基于机器视觉的贴标品质检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563289A CN116563289A (zh) | 2023-08-08 |
CN116563289B true CN116563289B (zh) | 2023-09-29 |
Family
ID=87503912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310840985.8A Active CN116563289B (zh) | 2023-07-11 | 2023-07-11 | 一种基于机器视觉的贴标品质检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563289B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339916A (ja) * | 1999-05-26 | 2000-12-08 | Ricoh Co Ltd | レーベル印刷用画像編集装置、レーベル印刷装置、レーベル印刷システム及び光ディスクドライブ装置 |
JP2008128944A (ja) * | 2006-11-24 | 2008-06-05 | Hitachi Information & Control Solutions Ltd | ラベル検査方法及び装置 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN106971390A (zh) * | 2017-02-23 | 2017-07-21 | 国网上海市电力公司 | 一种贴标质量的检测方法 |
EP3309729A1 (en) * | 2016-10-17 | 2018-04-18 | Conduent Business Services LLC | System and method for retail store promotional price tag detection |
CN109724990A (zh) * | 2019-01-08 | 2019-05-07 | 上海大学 | 一种包装盒标签中喷码区域的快速定位与检测方法 |
CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
CN110733238A (zh) * | 2019-11-21 | 2020-01-31 | 徐州龙润医药包装有限公司 | 一种防止偏移的商标印刷装置 |
US10742899B1 (en) * | 2017-08-30 | 2020-08-11 | Snap Inc. | Systems, devices, and methods for image enhancement |
CN111776392A (zh) * | 2020-08-11 | 2020-10-16 | 镁伽科技(深圳)有限公司 | 贴标设备、装置和系统及贴标方法及存储介质 |
WO2021004633A1 (en) * | 2019-07-10 | 2021-01-14 | Toyota Motor Europe | System and method for training a model to perform semantic segmentation on low visibility images using high visibility images having a close camera view |
CN112224582A (zh) * | 2020-12-10 | 2021-01-15 | 江苏金恒信息科技股份有限公司 | 一种应用于连铸的方坯贴标方法及装置 |
CN112581398A (zh) * | 2020-12-22 | 2021-03-30 | 上海电机学院 | 基于区域生长标号的图像降噪方法 |
CN113189112A (zh) * | 2021-04-29 | 2021-07-30 | 重庆金凌印刷有限公司 | 卷装标签印刷缺陷检测设备 |
CN113435452A (zh) * | 2021-07-09 | 2021-09-24 | 南京荣新智能科技有限公司 | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 |
CN113537301A (zh) * | 2021-06-23 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 基于模板自适应匹配瓶体标签的缺陷检测方法 |
CN114266764A (zh) * | 2021-12-29 | 2022-04-01 | 深圳市前海研祥亚太电子装备技术有限公司 | 一种印刷标签的字符完整性检测方法及其装置 |
CN114332026A (zh) * | 2021-12-29 | 2022-04-12 | 深圳市前海研祥亚太电子装备技术有限公司 | 一种铭牌表面划痕缺陷的视觉检测方法及装置 |
CN115147710A (zh) * | 2022-07-15 | 2022-10-04 | 杭州电子科技大学 | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 |
US11580647B1 (en) * | 2021-12-24 | 2023-02-14 | Guangzhou University | Global and local binary pattern image crack segmentation method based on robot vision |
-
2023
- 2023-07-11 CN CN202310840985.8A patent/CN116563289B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339916A (ja) * | 1999-05-26 | 2000-12-08 | Ricoh Co Ltd | レーベル印刷用画像編集装置、レーベル印刷装置、レーベル印刷システム及び光ディスクドライブ装置 |
JP2008128944A (ja) * | 2006-11-24 | 2008-06-05 | Hitachi Information & Control Solutions Ltd | ラベル検査方法及び装置 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
EP3309729A1 (en) * | 2016-10-17 | 2018-04-18 | Conduent Business Services LLC | System and method for retail store promotional price tag detection |
CN106971390A (zh) * | 2017-02-23 | 2017-07-21 | 国网上海市电力公司 | 一种贴标质量的检测方法 |
US10742899B1 (en) * | 2017-08-30 | 2020-08-11 | Snap Inc. | Systems, devices, and methods for image enhancement |
CN109724990A (zh) * | 2019-01-08 | 2019-05-07 | 上海大学 | 一种包装盒标签中喷码区域的快速定位与检测方法 |
CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
WO2021004633A1 (en) * | 2019-07-10 | 2021-01-14 | Toyota Motor Europe | System and method for training a model to perform semantic segmentation on low visibility images using high visibility images having a close camera view |
CN110733238A (zh) * | 2019-11-21 | 2020-01-31 | 徐州龙润医药包装有限公司 | 一种防止偏移的商标印刷装置 |
CN111776392A (zh) * | 2020-08-11 | 2020-10-16 | 镁伽科技(深圳)有限公司 | 贴标设备、装置和系统及贴标方法及存储介质 |
CN112224582A (zh) * | 2020-12-10 | 2021-01-15 | 江苏金恒信息科技股份有限公司 | 一种应用于连铸的方坯贴标方法及装置 |
CN112581398A (zh) * | 2020-12-22 | 2021-03-30 | 上海电机学院 | 基于区域生长标号的图像降噪方法 |
CN113189112A (zh) * | 2021-04-29 | 2021-07-30 | 重庆金凌印刷有限公司 | 卷装标签印刷缺陷检测设备 |
CN113537301A (zh) * | 2021-06-23 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 基于模板自适应匹配瓶体标签的缺陷检测方法 |
CN113435452A (zh) * | 2021-07-09 | 2021-09-24 | 南京荣新智能科技有限公司 | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 |
US11580647B1 (en) * | 2021-12-24 | 2023-02-14 | Guangzhou University | Global and local binary pattern image crack segmentation method based on robot vision |
CN114266764A (zh) * | 2021-12-29 | 2022-04-01 | 深圳市前海研祥亚太电子装备技术有限公司 | 一种印刷标签的字符完整性检测方法及其装置 |
CN114332026A (zh) * | 2021-12-29 | 2022-04-12 | 深圳市前海研祥亚太电子装备技术有限公司 | 一种铭牌表面划痕缺陷的视觉检测方法及装置 |
CN115147710A (zh) * | 2022-07-15 | 2022-10-04 | 杭州电子科技大学 | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 |
Non-Patent Citations (2)
Title |
---|
基于机器视觉的标签检测系统的设计;施兢业;陆龚琪;刘俊;;科技与创新(14);全文 * |
电能表贴标机异常贴标图像识别方法研究;洪巧文 等;《自动化仪表》;第33卷(第4期);23-25 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563289A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN116228764A (zh) | 一种新生儿疾病筛查血片采集质量检测方法及系统 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
KR101929669B1 (ko) | 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치 | |
CN116402822B (zh) | 混凝土结构图像检测方法、装置、电子设备及存储介质 | |
CN116563289B (zh) | 一种基于机器视觉的贴标品质检测方法和系统 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
CN115131355A (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统 |
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 |