CN116704516A - 一种用于水溶肥料包装的视觉检测方法 - Google Patents
一种用于水溶肥料包装的视觉检测方法 Download PDFInfo
- Publication number
- CN116704516A CN116704516A CN202310985335.2A CN202310985335A CN116704516A CN 116704516 A CN116704516 A CN 116704516A CN 202310985335 A CN202310985335 A CN 202310985335A CN 116704516 A CN116704516 A CN 116704516A
- Authority
- CN
- China
- Prior art keywords
- water
- gray level
- soluble fertilizer
- image
- level image
- 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.)
- Granted
Links
- 239000003337 fertilizer Substances 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000011179 visual inspection Methods 0.000 title claims description 19
- 238000004806 packaging method and process Methods 0.000 claims abstract description 71
- 238000006243 chemical reaction Methods 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 14
- 230000000007 visual effect Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013441 quality evaluation Methods 0.000 description 13
- 239000003086 colorant Substances 0.000 description 7
- 239000000758 substrate Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010413 gardening Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06V30/16—Image preprocessing
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
-
- 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
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
- G06V30/18067—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种用于水溶肥料包装的视觉检测方法。该方法获取水溶肥料包装图像的灰度图像;根据灰度图像中每个像素点的滑动窗口区域中角点和直线交点的分布,获取结构复杂因子;确定滑动窗口区域中的目标直线;根据目标直线和结构复杂因子,获取滑动窗口区域中的笔划密集指数;根据像素点所在行的角点分布和笔划密集指数,获取结构丰富度;根据结构丰富度,获取每个超像素块的区域丰富度;确定每个超像素块中进行伽马变换的伽马因子,获取灰度图像的增强图像。本发明获取超像素块对应的伽马因子,使得文字像素点的增强效果更好,对水溶肥料包装的视觉检测更准确,进而对水溶肥料包装的质量进行准确的评价。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于水溶肥料包装的视觉检测方法。
背景技术
水溶肥料需要溶解于水中,形成肥料溶液供植物吸收和利用。如今,水溶肥料被广泛应用于农业、园艺和植物栽培等领域。
通过水溶肥料包装,可以明确水溶肥料的作用,因此,需要确保水溶肥料包装的清晰。为了准确检测水溶肥料包装,现有方法中使用计算机视觉技术对水溶肥料包装进行检测,为了保证检测结果的准确性,在检测之前需要对水溶肥料包装图像进行增强,减小光照等环境的影响,突出水溶肥料包装图像中的关键特征和细节。现有方法中通过伽马变换对水溶肥料包装图像进行图像增强,伽马变换中的伽马因子是固定的,对水溶肥料包装图像中的每个像素点均进行相同伽马因子的伽马变换,会导致水溶肥料包装图像的部分增强效果不准确,进而不能对水溶肥料包装进行准确的视觉检测。
发明内容
为了解决伽马变换中的伽马因子是固定的,导致水溶肥料包装图像的部分增强效果不准确,进而不能对水溶肥料包装进行准确的视觉检测的技术问题,本发明的目的在于提供一种用于水溶肥料包装的视觉检测方法,所采用的技术方案具体如下:
本发明提出了一种用于水溶肥料包装的视觉检测方法,该方法包括以下步骤:
获取水溶肥料包装图像的灰度图像;
获取灰度图像中每个像素点的滑动窗口区域,根据每个滑动窗口区域中角点和直线交点的分布,获取灰度图像中每个像素点的结构复杂因子;
根据每个滑动窗口区域中每条直线的长度,确定每个滑动窗口区域中的目标直线;根据每个滑动窗口区域中的目标直线和灰度图像中对应像素点的结构复杂因子,获取每个滑动窗口区域中的笔划密集指数;
根据灰度图像中每个像素点所在行的角点分布和对应滑动窗口区域中的笔划密集指数,获取灰度图像中每个像素点的结构丰富度;
将灰度图像划分为预设数量个超像素块,根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度;
根据所述区域丰富度,确定每个超像素块中的像素点进行伽马变换的伽马因子,基于伽马因子,对灰度图像进行伽马变换,获取灰度图像的增强图像。
进一步地,所述结构复杂因子的获取方法为:
选取灰度图像中的任一个像素点作为目标像素点,将目标像素点的滑动窗口区域作为目标区域;
获取目标区域中直线交点的数量作为第一数量;
获取目标区域中的每个角点到所述目标像素点之间的距离作为第一距离;
获取所述第一距离的均值,作为目标距离均值;
获取每个所述第一距离与所述目标距离均值的差异,作为第一差异;
获取所述第一差异的均值,作为距离整体分布值;
计算所述第一数量与所述距离整体分布值的乘积,作为所述目标像素点的结构复杂因子。
进一步地,所述目标直线的获取方法为:
当直线的长度大于或者等于预设的直线长度阈值时,对应的直线为目标直线。
进一步地,所述笔划密集指数的获取方法为:
获取每个滑动窗口区域中目标直线的数量,作为第二数量;
计算所述第二数量和灰度图像中对应像素点的结构复杂因子的乘积,作为对应滑动窗口区域的笔划密集指数。
进一步地,所述结构丰富度的获取方法为:
获取灰度图像中水平方向上每行像素点中的角点数量,作为第三数量;
选取最大的第三数量作为参考数量,获取灰度图像中每个像素点所在行的第三数量与参考数量的比值,作为灰度图像中每个像素点的第一特征值;
将灰度图像中每个像素点的所述第一特征值和对应滑动窗口区域的笔划密集指数的乘积,作为灰度图像中每个像素点的结构丰富度。
进一步地,所述根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度的方法为:
将灰度图像中每个结构丰富度进行归一化的结果,作为第一结果;
获取每个超像素块中第一结果的均值,作为每个超像素块的区域丰富度。
进一步地,所述根据所述区域丰富度,确定每个超像素块中的像素点进行伽马变换的伽马因子的方法为:
将预设常数与每个超像素块的区域丰富度的相加结果,作为每个超像素块中的像素点进行伽马变换的伽马因子。
进一步地,所述角点的获取方法为:
通过Harris角点检测算法,获取灰度图像中的角点。
进一步地,所述直线交点的获取方法为:
通过霍夫线变换,获取灰度图像中的直线;
根据直线的位置,确定灰度图像中的直线交点。
进一步地,所述超像素块的获取方法为:
通过SLIC超像素分割算法,对灰度图像进行分割,获取超像素块。
本发明具有如下有益效果:
根据灰度图像中每个像素点的滑动窗口区域中角点和直线交点的分布,获取灰度图像中每个像素点的结构复杂因子,初步确定每个像素点的特征,提高后续获取伽马变换中伽马因子的准确性;根据每条直线的长度,确定目标直线,使得目标直线更接近文字笔划直线,降低了非文字直线的干扰,进而根据每个滑动窗口区域中的目标直线和灰度图像中对应像素点的结构复杂因子,准确获取每个滑动窗口区域中的笔划密集指数,进一步准确获取灰度图像中文字区域的特征;根据灰度图像中每个像素点所在行的角点分布和对应滑动窗口区域中的笔划密集指数,获取灰度图像中每个像素点的结构丰富度,确定灰度图像中每个像素点为文字像素点的可能性,进行准确获取灰度图像中每个像素点的伽马因子,使得文字像素点的增强效果更准确;将灰度图像划分为预设数量个超像素块,提高获取伽马因子的效率,进而根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度,准确确定每个超像素块中的像素点进行伽马变换的伽马因子,获取灰度图像的增强图像,突出灰度图像中的关键特征和细节,更容易检测出水溶肥料包装中的信息,进而对水溶肥料包装进行准确的视觉检测,同时,提高了检测的准确性和鲁棒性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种用于水溶肥料包装的视觉检测方法的流程示意图;
图2为本发明一个实施例所提供的一种水溶肥料包装的质量评价方法的流程示意图。
具体实施方式
一种用于水溶肥料包装的视觉检测方法实施例:
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于水溶肥料包装的视觉检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于水溶肥料包装的视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于水溶肥料包装的视觉检测方法的流程示意图,该方法包括以下步骤:
步骤S1:获取水溶肥料包装图像的灰度图像。
具体的,采用CMOS相机对水溶肥料包装图像进行采集,生产水溶肥料包装采用流水线作业,因此,CMOS相机对流水线上的每个水溶肥料包装进行正面拍摄,即相机的焦点对准水溶肥料包装,获取水溶肥料包装图像。其中水溶肥料包装图像为RGB图像。实际拍摄获得的水溶肥料包装图像中含有不是水溶肥料包装区域的其他区域,例如含有生产、物流设施等背景区域。本发明实施例的场景是流水线,水溶肥料包装区域在相机拍摄的水溶肥料包装图像中的位置和大小都是固定的,因此,可以采用固定坐标截取法,获取只含有水溶肥料包装区域的水溶肥料包装图像。其中,固定坐标截取法为常规方法,在此不进行赘述。需要说明的是,后续出现的水溶肥料包装图像均是只含有水溶肥料包装区域的图像。
水溶肥料包装上有很多文字,文字包含产品名称、产品制造公司、产品主要成分、注意事项等关键信息,本发明实施例实质是对水溶肥料包装中的文字进行视觉检测。在对水溶肥料包装图像进行实际拍摄的过程中,会受到光照等条件的影响,可能会导致水溶肥料包装图像中较为重要的文字部分出现模糊、断续的情况。因此,对水溶肥料包装图像进行视觉检测前,需要先进行图像增强,通过对水溶肥料包装图像中的文字部分进行图像增强,提高文字的清晰度、对比度和边缘细节,使得计算机正确读取和解析水溶肥料包装图像中的文字部分,避免因为文字模糊或断续,导致计算机识别错误。为了便于对水溶肥料包装图像进行图像增强,本发明实施例将水溶肥料包装图像进行灰度化处理,获得水溶肥料包装图像的灰度图像。其中,灰度化处理为现有技术,在此不进行赘述。
为了降低灰度图像中噪声的干扰,本发明实施例中使用中值滤波对水溶肥料包装图像的灰度图像进行去噪处理,在另一实施例中可以使用高斯滤波、全变分(TotalVariation,TV)法等其他方法对水溶肥料包装图像的灰度图像进行去噪处理。其中,高斯滤波、中值滤波以及全变分(TotalVariation,TV)法均为现有技术,不再进行过多赘述。
至此,获取水溶肥料包装图像去噪后的灰度图像。需要说明的是,后续出现的灰度图像均为去噪后的灰度图像。
本发明实施例采用改进过的伽马变换进行图像增强,原伽马变换中只使用一个全
局性的伽马因子,对灰度图像中的每个像素点都采用相同的伽马因子γ进行伽马变换。但
是在水溶肥料包装上,只有文字部分是有效的、重要的,采用原伽马变换算法会导致水溶肥
料包装中不重要的背景部分和重要的文字部分都进行增强、保留水溶肥料包装图像中的全
部细节,进而影响后续对水溶肥料包装图像中的关键点提取、视觉检测。因此,本发明实施
例对水溶肥料包装上的文字部分进行特征分析,根据文字横平竖直、角点丰富、笔划之间具
有交点的特征,构建每个像素点的结构丰富度,解决原伽马变换中伽马因子γ固定,导致图
像增强效果不好的问题。其中,伽马变换为现有技术,在此不进行赘述。
步骤S2:获取灰度图像中每个像素点的滑动窗口区域,根据每个滑动窗口区域中角点和直线交点的分布,获取灰度图像中每个像素点的结构复杂因子。
具体的,灰度图像中的文字是水溶肥料包装中的关键信息,灰度图像中的文字是简体汉字,简体汉字由各种笔划组成,简体汉字的笔划横平竖直,而且简体文字多为水平且从左到右排列,分布较为集中。水溶肥料包装上的文字部分颜色单一,与水溶肥料包装上的非文字的背景部分有极大差异,颜色、亮度都有所不同,因此,水溶肥料包装中的文字部分具有丰富的角点信息和直线信息,根据文字的角点信息和直线信息,获取灰度图像中每个像素点的结构复杂因子。
本发明实施例通过Harris角点检测算法,获取灰度图像中的角点。已知Harris角
点检测算法中有默认的角点阈值Threshold,当某个像素点的响应函数大于角点阈值
Threshold时,该像素点为角点,Harris角点检测算法是公知技术,在此不再赘述。为了防止
灰度图像中细节较多的区域,在较小的范围内具有较多的角点,进而影响后续对角点的分
析,本发明实施例调整Harris角点检测算法中的角点阈值,将角点阈值调整为,
对灰度图像进行Harris角点检测,获取灰度图像中的角点。在某一区域中,角点越多,且角
点之间越发散,则该区域中的角点相关信息联系越小,该区域中结构越复杂,该区域越可能
为文字区域。
本发明实施例通过霍夫线变换,获取灰度图像中的直线;根据直线的位置,确定灰度图像中的直线交点。其中,直线交点越多的区域,代表该处区域中的直线越多,该处区域越可能为文字区域。其中,霍夫线变换为现有技术,在此不进行赘述。
为了对灰度图像中的每个像素点进行分析,本发明实施例以灰度图像中的每个像
素点为中心,获取灰度图像中每个像素点的滑动窗口区域。水溶肥料包装上的字体坐标位
置和尺寸是固定的,因此,根据固定坐标截取法可以获得水溶肥料包装上最大的一个文字
尺寸,记为。为了根据灰度图像中每个像素点周围像素点的特征分布,进而准确获
取灰度图像中每个像素点的结构复杂因子,本发明实施例将作为灰度图像中的滑
动窗口的大小,且滑动窗口滑动的步长为1。实施者可根据实际情况设定滑动窗口的大小和
滑动步长,在此不进行限定。当灰度图像中的像素点为边界像素点时,对应的滑动窗口区域
中不在灰度图像中的区域内的像素点,通过局部二值模式进行插值,其中,局部二值模式为
现有技术,在此不进行赘述。
优选地,获取结构复杂因子的方法为:选取灰度图像中的任一个像素点作为目标像素点,将目标像素点的滑动窗口区域作为目标区域;获取目标区域中直线交点的数量作为第一数量;获取目标区域中的每个角点到目标像素点之间的距离作为第一距离;获取第一距离的均值,作为目标距离均值;获取每个第一距离与目标距离均值的差异,作为第一差异;获取第一差异的均值,作为距离整体分布值;计算第一数量与距离整体分布值的乘积,作为目标像素点的结构复杂因子。
作为一个示例,以灰度图像中第a个像素点为例,第a个像素点即为目标像素点,第a个像素点为中心对应的滑动窗口区域即为目标区域。获取目标区域中直线交点的数量即为第一数量,获取目标区域中的角点,计算目标区域中的每个角点到第a个像素点之间的欧式距离即为第一距离,欧式距离的获取方法为公知技术,在此不进行赘述。获取第一距离的均值即为目标距离均值,然后获取每个第一距离与目标距离均值的差值绝对值即为第一差异,获取第一差异的均值即为距离整体分布值,计算第一数量与距离整体分布值的乘积,即为第a个像素点的结构复杂因子。因此,获取第a个像素点的结构复杂因子的公式为:
式中,为第a个像素点的结构复杂因子;为第一数量;为第a个像素点对应
的滑动窗口区域中角点的数量;为第a个像素点对应的滑动窗口区域中第i个第一距离;
为第a个像素点对应的滑动窗口区域中的目标距离均值;为第a个像素点对应的滑
动窗口区域中第i个第一差异;为第a个像素点对应的滑动窗口区域中的距离整体
分布值;为绝对值函数。
需要说明的是,越大,说明目标区域即第a个像素点对应的滑动窗口区域中的直
线交点的数量越多,第a个像素点周围的结构越复杂,第a个像素点越可能为文字像素点,越大;第一差异越大,说明目标区域即第a个像素点对应的滑动窗口区域中的第
i个角点越离散,与其他角点之间的相关信息联系越小,距离整体分布值越大,目标
区域中的角点结构越复杂,第a个像素点越可能为文字像素点,越大;因此,越大,第a
个像素点越可能为文字像素点。
根据获取灰度图像中第a个像素点的结构复杂因子的方法,获取灰度图像中每个像素点的结构复杂因子。
步骤S3:根据每个滑动窗口区域中每条直线的长度,确定每个滑动窗口区域中的目标直线;根据每个滑动窗口区域中的目标直线和灰度图像中对应像素点的结构复杂因子,获取每个滑动窗口区域中的笔划密集指数。
具体的,灰度图像中每个像素点的滑动窗口区域中直线的数量越多,说明对应的滑动窗口区域中越可能为文字区域。因此,根据每个滑动窗口区域中的直线数量和灰度图像中对应像素点的结构复杂因子,获取每个滑动窗口区域中的笔划密集指数。但是滑动窗口区域中的直线存在误差,有些直线可能不是文字的直线,为了使得滑动窗口区域中的直线更接近文字直线,本发明实施例设定直线长度阈值,当滑动窗口区域中的直线的长度大于或者等于预设的直线长度阈值时,对应的直线为目标直线。本发明实施例将直线长度阈值设定为6,实施者可根据实际情况进行设定,在此不进行限定。其中,直线的长度即为该直线上像素点的数量。获取每个滑动窗口区域中目标直线的数量,根据目标直线的数量,获取每个滑动窗口区域中的笔划密集指数。
优选地,获取笔划密集指数的方法为:获取每个滑动窗口区域中目标直线的数量,作为第二数量;计算第二数量和灰度图像中对应像素点的结构复杂因子的乘积,作为对应滑动窗口区域的笔划密集指数。
作为一个示例,以步骤S2中的灰度图像中第a个像素点为例,获取第a个像素点的滑动窗口区域中目标直线的数量即第二数量,计算第二数量和第a个像素点的结构复杂因子的乘积,即为第a个像素点的滑动窗口区域的笔划密集指数。因此,获取第a个像素点的滑动窗口区域的笔划密集指数的公式为:
式中,为第a个像素点的滑动窗口区域的笔划密集指数;为第a个像素点的滑
动窗口区域中目标直线的数量即第二数量;为第a个像素点的结构复杂因子。
需要说明的是,越大,第a个像素点的滑动窗口区域中的结构越复杂,代表文字
的直线越多,即笔划越多,越大;越大,第a个像素点越可能为文字像素点,代表第a个
像素点的滑动窗口区域中的结构越复杂,越大;因此,越大,第a个像素点的滑动窗口
区域中的结构越复杂,第a个像素点的滑动窗口区域中的文字区域越多。
根据获取第a个像素点的滑动窗口区域的笔划密集指数的方法,获取灰度图像中每个像素点的滑动窗口区域的笔划密集指数。
步骤S4:根据灰度图像中每个像素点所在行的角点分布和对应滑动窗口区域中的笔划密集指数,获取灰度图像中每个像素点的结构丰富度。
具体的,水溶肥料包装上的文字笔划横平竖直,且文字都为水平、从左到右排列,分布较为集中,因此在灰度图像中不同行的角点数量有明显区别,在灰度图像中,某一行中的角点数量越多,则该行中文字区域的占比越多,即文字像素点越多。因此,根据灰度图像中每个像素点所在行的角点分布和对应滑动窗口区域中的笔划密集指数,获取灰度图像中每个像素点的结构丰富度,表示灰度图像中的每个像素点为文字像素点的可能性。
优选地,获取结构丰富度的方法为:获取灰度图像中水平方向上每行像素点中的角点数量,作为第三数量;选取最大的第三数量作为参考数量,获取灰度图像中每个像素点所在行的第三数量与参考数量的比值,作为灰度图像中每个像素点的第一特征值;将灰度图像中每个像素点的第一特征值和对应滑动窗口区域的笔划密集指数的乘积,作为灰度图像中每个像素点的结构丰富度。
作为一个示例,获取灰度图像中水平方向上每行像素点中的角点数量即第三数量,将出现的最大的第三数量作为参考数量。以步骤S2中的灰度图像中第a个像素点为例,获取第a个像素点所在行的第三数量与参考数量的比值,即为第a个像素点的第一特征值,计算第a个像素点的第一特征值和第a个像素点的滑动窗口区域的笔划密集指数的乘积,即为第a个像素点的结构丰富度。因此,获取第a个像素点的结构丰富度的公式为:
式中,为第a个像素点的结构丰富度;为第a个像素点的滑动窗口区域的笔划
密集指数;为第a个像素点所在行的第三数量;为参考数量;为第
a个像素点的第一特征值。
需要说明的是,越大,第a个像素点的滑动窗口区域中的结构越复杂,第a个像
素点的滑动窗口区域中的文字区域可能越多,越大;越大,第a个像素点越可能为
文字像素点,第一特征值越大,越大;因此,越大,第a个像素点越可能为文字像
素点。
根据获取第a个像素点的结构丰富度的方法,获取灰度图像中每个像素点的结构丰富度。
步骤S5:将灰度图像划分为预设数量个超像素块,根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度。
具体的,本发明实施例为了使得图像增强的效果更好,将灰度图像分割为预设数量个区域,本发明实施例将预设数量设定为256,实施者可根据实际情况进行设定,在此不进行限定。进而通过SLIC(simple linear iterative clustering)超像素分割算法,将灰度图像进行分割,获得超像素块。其中,SLIC(simple linear iterative clustering)超像素分割算法为公知算法,在此不进行赘述。根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度。
优选地,获取区域丰富度的方法为:将灰度图像中每个结构丰富度进行归一化的结果,作为第一结果;获取每个超像素块中第一结果的均值,作为每个超像素块的区域丰富度。
作为一个示例,获取灰度图像中每个像素点的结构丰富度进行归一化的结果,即为灰度图像中每个像素点的第一结果,获取每个超像素块中所有像素点的第一结果的均值,即为每个超像素块的区域丰富度。其中区域丰富度的取值范围为0到1。
步骤S6:根据所述区域丰富度,确定每个超像素块中的像素点进行伽马变换的伽马因子,基于伽马因子,对灰度图像进行伽马变换,获取灰度图像的增强图像。
具体的,已知每个超像素块中的像素点相似,因此,根据每个超像素块的区域丰富度,获取每个超像素块中的像素点统一对应的伽马因子,使得对灰度图像中的文字像素点的增强效果越准确,使得文字区域的特征更能凸显出来。
优选地,获取伽马因子的方法为:将预设常数与每个超像素块的区域丰富度的相加结果,作为每个超像素块中的像素点进行伽马变换的伽马因子。
本发明实施例设定预设常数为1,实施者可根据实际情况设定预设常数的大小,在此不进行限定。将预设常数与每个超像素块的区域丰富度的相加结果,作为每个超像素块中的每个像素点进行伽马变换的伽马因子。此时,每个超像素块对应的伽马因子的取值范围均为1到2,在灰度图像中文字像素点的灰度级相比于非文字部位的背景区域像素点的灰度级要大,因此,通过大于1的伽马因子,可以更好的对文字像素点进行增强。至此,确定灰度图像中每个像素点对应的伽马因子,通过伽马变换,完成对灰度图像的增强。根据增强后的灰度图像,对水溶肥料包装进行准确的检测。
根据灰度图像中文字像素点的角点和直线的特征,获取灰度图像中每个像素点的结构丰富度,进而准确的获取每个像素点进行伽马变换对应的伽马因子,通过伽马变换,完成对灰度图像的增强,使得灰度图像中的文字像素点的特点更明显,对水溶肥料包装的视觉检测更准确。
一种水溶肥料包装的质量评价方法实施例:
水溶肥料需要溶解于水中,形成肥料溶液供植物吸收和利用,如今,水溶肥料被广泛应用于农业、园艺和植物栽培等领域。
通过水溶肥料包装,可以明确水溶肥料的作用,因此,需要确保水溶肥料包装的清晰。为了准确检测水溶肥料包装,现有方法中使用计算机视觉技术对水溶肥料包装进行检测,为了保证检测结果的准确性,在检测之前需要对水溶肥料包装图像进行增强,减小光照等环境的影响,突出水溶肥料包装图像中的关键特征和细节。现有方法中通过伽马变换对水溶肥料包装图像进行图像增强,伽马变换中的伽马因子是固定的,对水溶肥料包装图像中的每个像素点均进行相同伽马因子的伽马变换,会导致水溶肥料包装图像的部分增强效果不准确,进而不能对水溶肥料包装进行准确的视觉检测,导致对水溶肥料包装的质量评价不准确。
为了解决对水溶肥料包装的质量评价不准确的技术问题,本发明的目的在于提供一种水溶肥料包装的质量评价方法,所采用的技术方案具体如下:
请参阅图2,其示出了本发明一个实施例提供的一种水溶肥料包装的质量评价方法的流程示意图,该方法包括以下步骤:
步骤S1:获取水溶肥料包装图像的灰度图像。
步骤S2:获取灰度图像中每个像素点的滑动窗口区域,根据每个滑动窗口区域中角点和直线交点的分布,获取灰度图像中每个像素点的结构复杂因子。
步骤S3:根据每个滑动窗口区域中每条直线的长度,确定每个滑动窗口区域中的目标直线;根据每个滑动窗口区域中的目标直线和灰度图像中对应像素点的结构复杂因子,获取每个滑动窗口区域中的笔划密集指数。
步骤S4:根据灰度图像中每个像素点所在行的角点分布和对应滑动窗口区域中的笔划密集指数,获取灰度图像中每个像素点的结构丰富度。
步骤S5:将灰度图像划分为预设数量个超像素块,根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度。
步骤S6:根据所述区域丰富度,确定每个超像素块中的像素点进行伽马变换的伽马因子,基于伽马因子,对灰度图像进行伽马变换,获取灰度图像的增强图像。
步骤S7:根据增强的灰度图像,对水溶肥料包装进行质量评价。
其中,步骤S1~步骤S6在一种用于水溶肥料包装的视觉检测方法实施例中已经给出了详细说明,不再赘述。以下对步骤S7进行具体描述。
步骤S7:根据增强的灰度图像,对水溶肥料包装进行质量评价。
具体的,将增强的灰度图像转换为RGB形式下的水溶肥料包装图像,由灰度图像转换为RGB图像是现有方法,在此不进行赘述。其中,转换获得的水溶肥料包装图像为增强后的图像,因此,水溶肥料包装图像中的细节信息更清楚,进而将增强的水溶肥料包装图像通过模板匹配算法进行质量评价,确定水溶肥料包装是否合格,将不合格的水溶肥料包装进行重新加工。其中,模板匹配算法为现有技术,在此不进行赘述。
优选地,对水溶肥料包装进行质量评价的方法为:将增强的灰度图像转换为RGB形式下的水溶肥料包装图像,通过模板匹配算法中的ORB(Oriented Brief)特征点匹配算法,将水溶肥料包装图像与模板图像进行匹配,获取匹配度;当匹配度小于预设的匹配度阈值时,水溶肥料包装中的文字印刷不合格,水溶肥料包装质量不合格;当匹配度大于或者等于预设的匹配度阈值时,水溶肥料包装中的文字印刷合格,将水溶肥料包装图像与模板图像中的颜色进行比较,当水溶肥料包装图像与模板图像中相同位置的颜色不相同时,水溶肥料包装质量不合格;当水溶肥料包装图像与模板图像中相同位置的颜色相同时,水溶肥料包装质量合格。其中,ORB(Oriented Brief)特征点匹配算法为现有技术,在此不进行赘述。
本发明实施例将不存在任何缺陷的水溶肥料包装图像作为模板图像,通过ORB(Oriented Brief)特征点匹配算法提取水溶肥料包装图像中的关键点,获取水溶肥料包装图像与模板图像中位置信息相同的关键点数量作为第一目标数量,将模板图像中的关键点数量作为第二目标数量,获取第一目标数量与第二目标数量的比值,即为水溶肥料包装图像与模板图像之间的匹配度,本发明实施例将匹配度阈值设定为0.85,实施者可根据实际情况设定匹配度阈值的大小,在此不进行限定。当匹配度小于预设的匹配度阈值时,水溶肥料包装中的文字印刷不合格,则水溶肥料包装质量不合格,需要对水溶肥料包装进行再次加工。当匹配度大于或者等于预设的匹配度阈值时,说明水溶肥料包装中的文字印刷合格,此时将水溶肥料包装图像与模板图像中的颜色进行比较,当水溶肥料包装图像与模板图像中相同位置的颜色不相同时,则水溶肥料包装质量不合格,需要对水溶肥料包装进行再次加工,此时进行再次加工时,可以只对水溶肥料包装中的颜色进行调整;当水溶肥料包装图像与模板图像中相同位置的颜色相同时,则说明水溶肥料包装质量合格。至此,完成对水溶肥料包装的质量评价。
本实施例提供的一种水溶肥料包装的质量评价方法具有如下技术效果:
根据灰度图像中每个像素点的滑动窗口区域中角点和直线交点的分布,获取灰度图像中每个像素点的结构复杂因子,初步确定每个像素点的特征,提高后续获取伽马变换中伽马因子的准确性;根据每条直线的长度,确定目标直线,使得目标直线更接近文字笔划直线,降低了非文字直线的干扰,进而根据每个滑动窗口区域中的目标直线和灰度图像中对应像素点的结构复杂因子,准确获取每个滑动窗口区域中的笔划密集指数,进一步准确获取灰度图像中文字区域的特征;根据灰度图像中每个像素点所在行的角点分布和对应滑动窗口区域中的笔划密集指数,获取灰度图像中每个像素点的结构丰富度,确定灰度图像中每个像素点为文字像素点的可能性,进行准确获取灰度图像中每个像素点的伽马因子,使得文字像素点的增强效果更准确;将灰度图像划分为预设数量个超像素块,提高获取伽马因子的效率,进而根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度,准确确定每个超像素块中的像素点进行伽马变换的伽马因子,获取灰度图像的增强图像,突出灰度图像中的关键特征和细节,更容易检测出水溶肥料包装中的信息,进而对水溶肥料包装进行准确的检测,使得对水溶肥料包装的质量评价结果更准确。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种用于水溶肥料包装的视觉检测方法,其特征在于,该方法包括以下步骤:
获取水溶肥料包装图像的灰度图像;
获取灰度图像中每个像素点的滑动窗口区域,根据每个滑动窗口区域中角点和直线交点的分布,获取灰度图像中每个像素点的结构复杂因子;
根据每个滑动窗口区域中每条直线的长度,确定每个滑动窗口区域中的目标直线;根据每个滑动窗口区域中的目标直线和灰度图像中对应像素点的结构复杂因子,获取每个滑动窗口区域中的笔划密集指数;
根据灰度图像中每个像素点所在行的角点分布和对应滑动窗口区域中的笔划密集指数,获取灰度图像中每个像素点的结构丰富度;
将灰度图像划分为预设数量个超像素块,根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度;
根据所述区域丰富度,确定每个超像素块中的像素点进行伽马变换的伽马因子,基于伽马因子,对灰度图像进行伽马变换,获取灰度图像的增强图像。
2.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述结构复杂因子的获取方法为:
选取灰度图像中的任一个像素点作为目标像素点,将目标像素点的滑动窗口区域作为目标区域;
获取目标区域中直线交点的数量作为第一数量;
获取目标区域中的每个角点到所述目标像素点之间的距离作为第一距离;
获取所述第一距离的均值,作为目标距离均值;
获取每个所述第一距离与所述目标距离均值的差异,作为第一差异;
获取所述第一差异的均值,作为距离整体分布值;
计算所述第一数量与所述距离整体分布值的乘积,作为所述目标像素点的结构复杂因子。
3.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述目标直线的获取方法为:
当直线的长度大于或者等于预设的直线长度阈值时,对应的直线为目标直线。
4.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述笔划密集指数的获取方法为:
获取每个滑动窗口区域中目标直线的数量,作为第二数量;
计算所述第二数量和灰度图像中对应像素点的结构复杂因子的乘积,作为对应滑动窗口区域的笔划密集指数。
5.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述结构丰富度的获取方法为:
获取灰度图像中水平方向上每行像素点中的角点数量,作为第三数量;
选取最大的第三数量作为参考数量,获取灰度图像中每个像素点所在行的第三数量与参考数量的比值,作为灰度图像中每个像素点的第一特征值;
将灰度图像中每个像素点的所述第一特征值和对应滑动窗口区域的笔划密集指数的乘积,作为灰度图像中每个像素点的结构丰富度。
6.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述根据超像素块中每个像素点的结构丰富度,获取每个超像素块的区域丰富度的方法为:
将灰度图像中每个结构丰富度进行归一化的结果,作为第一结果;
获取每个超像素块中第一结果的均值,作为每个超像素块的区域丰富度。
7.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述根据所述区域丰富度,确定每个超像素块中的像素点进行伽马变换的伽马因子的方法为:
将预设常数与每个超像素块的区域丰富度的相加结果,作为每个超像素块中的像素点进行伽马变换的伽马因子。
8.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述角点的获取方法为:
通过Harris角点检测算法,获取灰度图像中的角点。
9.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述直线交点的获取方法为:
通过霍夫线变换,获取灰度图像中的直线;
根据直线的位置,确定灰度图像中的直线交点。
10.如权利要求1所述一种用于水溶肥料包装的视觉检测方法,其特征在于,所述超像素块的获取方法为:
通过SLIC超像素分割算法,对灰度图像进行分割,获取超像素块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310985335.2A CN116704516B (zh) | 2023-08-07 | 2023-08-07 | 一种用于水溶肥料包装的视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310985335.2A CN116704516B (zh) | 2023-08-07 | 2023-08-07 | 一种用于水溶肥料包装的视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704516A true CN116704516A (zh) | 2023-09-05 |
CN116704516B CN116704516B (zh) | 2023-10-24 |
Family
ID=87826174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310985335.2A Active CN116704516B (zh) | 2023-08-07 | 2023-08-07 | 一种用于水溶肥料包装的视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704516B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557561A (zh) * | 2024-01-11 | 2024-02-13 | 凌源日兴矿业有限公司 | 基于人工智能的井下巷道壁缝隙快速检测方法 |
CN117635507A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476800A (zh) * | 2020-03-31 | 2020-07-31 | 万翼科技有限公司 | 一种基于形态学操作的文字区域检测方法及装置 |
CN113269199A (zh) * | 2021-03-16 | 2021-08-17 | 贵州财经大学 | 用于水族文字提取识别方法及水族文字提取装置 |
CN113393394A (zh) * | 2021-06-17 | 2021-09-14 | 河海大学 | 基于伽马变换的低照度灰度图像增强方法、装置及存储介质 |
US20220292645A1 (en) * | 2021-03-12 | 2022-09-15 | China University Of Mining & Technology, Beijing | Method for restoring video data of drainage pipe based on computer vision |
CN115063689A (zh) * | 2022-06-16 | 2022-09-16 | 安徽大学 | 一种基于局部显著性增强的cfar舰船目标检测方法 |
CN115861135A (zh) * | 2023-03-01 | 2023-03-28 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
WO2023046112A1 (zh) * | 2021-09-26 | 2023-03-30 | 维沃移动通信有限公司 | 文档图像增强方法、装置及电子设备 |
US20230205014A1 (en) * | 2021-12-27 | 2023-06-29 | Haining Eswin Ic Design Co., Ltd. | Viewing Angle Compensation Method and Apparatus for Display Panel, and Display Panel |
CN116468640A (zh) * | 2023-06-20 | 2023-07-21 | 山东正禾大教育科技有限公司 | 一种用于互联网教学的视频图像增强方法 |
-
2023
- 2023-08-07 CN CN202310985335.2A patent/CN116704516B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476800A (zh) * | 2020-03-31 | 2020-07-31 | 万翼科技有限公司 | 一种基于形态学操作的文字区域检测方法及装置 |
US20220292645A1 (en) * | 2021-03-12 | 2022-09-15 | China University Of Mining & Technology, Beijing | Method for restoring video data of drainage pipe based on computer vision |
CN113269199A (zh) * | 2021-03-16 | 2021-08-17 | 贵州财经大学 | 用于水族文字提取识别方法及水族文字提取装置 |
CN113393394A (zh) * | 2021-06-17 | 2021-09-14 | 河海大学 | 基于伽马变换的低照度灰度图像增强方法、装置及存储介质 |
WO2023046112A1 (zh) * | 2021-09-26 | 2023-03-30 | 维沃移动通信有限公司 | 文档图像增强方法、装置及电子设备 |
US20230205014A1 (en) * | 2021-12-27 | 2023-06-29 | Haining Eswin Ic Design Co., Ltd. | Viewing Angle Compensation Method and Apparatus for Display Panel, and Display Panel |
CN115063689A (zh) * | 2022-06-16 | 2022-09-16 | 安徽大学 | 一种基于局部显著性增强的cfar舰船目标检测方法 |
CN115861135A (zh) * | 2023-03-01 | 2023-03-28 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
CN116468640A (zh) * | 2023-06-20 | 2023-07-21 | 山东正禾大教育科技有限公司 | 一种用于互联网教学的视频图像增强方法 |
Non-Patent Citations (3)
Title |
---|
廖文婧;杨秀璋;吕询;敖进;范郁锋;于小民;赵小明;: "一种改进的复杂环境下条形码图像增强和定位算法", 现代计算机, no. 11 * |
朱铮涛;萧达安;: "基于非线性调整的伽马校正图像增强算法", 计算机工程与设计, no. 09 * |
石守东;徐淼华;李俊晖;方劲;: "生产线上线缆字符的扫描处理方法", 无线通信技术, no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557561A (zh) * | 2024-01-11 | 2024-02-13 | 凌源日兴矿业有限公司 | 基于人工智能的井下巷道壁缝隙快速检测方法 |
CN117557561B (zh) * | 2024-01-11 | 2024-03-22 | 凌源日兴矿业有限公司 | 基于人工智能的井下巷道壁缝隙快速检测方法 |
CN117635507A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
CN117635507B (zh) * | 2024-01-26 | 2024-04-09 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116704516B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN109977944B (zh) | 一种数字水表读数的识别方法 | |
CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN109190625B (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN111739020B (zh) | 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 | |
CN115775236B (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN112560538B (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
CN113705673B (zh) | 一种文字检测方法、装置、设备及存储介质 | |
CN104331695A (zh) | 一种鲁棒的圆形标志符形状质量检测方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN114092468A (zh) | 一种基于机器视觉的标准目标计数方法 | |
CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 | |
CN106778766B (zh) | 一种基于定位点的旋转数字识别方法及系统 | |
CN110276759A (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN112419225A (zh) | 一种基于引脚分割的sop型芯片检测方法及系统 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN116452809A (zh) | 一种基于语义分割的线条物体提取方法 | |
CN114001674B (zh) | 一种自由视角下的线束弯曲半径机器视觉测量方法 | |
CN113743360B (zh) | 智能化印章解析的方法和装置 | |
CN115457563A (zh) | 一种零漏检兼低误识的船体水尺读取方法 | |
CN113159027B (zh) | 基于最小外接矩形变体的七段式数显仪表识别方法 | |
CN112561991A (zh) | 基于surf特征提取和颜色分割的液位计图像识别方法 | |
CN111861997A (zh) | 一种花纹板材圆孔尺寸检测方法、系统及装置 |
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 |