CN116777912A - 乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质 - Google Patents

乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN116777912A
CN116777912A CN202311055096.7A CN202311055096A CN116777912A CN 116777912 A CN116777912 A CN 116777912A CN 202311055096 A CN202311055096 A CN 202311055096A CN 116777912 A CN116777912 A CN 116777912A
Authority
CN
China
Prior art keywords
bottle body
image
label
bottle
fold
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
Application number
CN202311055096.7A
Other languages
English (en)
Other versions
CN116777912B (zh
Inventor
张树君
施陈博
刘彬
刘玉平
孟庆胜
高辽辽
杨学鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Mingjia Technology Co Ltd
Original Assignee
Shandong Mingjia Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Mingjia Technology Co Ltd filed Critical Shandong Mingjia Technology Co Ltd
Priority to CN202311055096.7A priority Critical patent/CN116777912B/zh
Publication of CN116777912A publication Critical patent/CN116777912A/zh
Application granted granted Critical
Publication of CN116777912B publication Critical patent/CN116777912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体为乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质，该识别方法基于不同补光条件下，不同视角的瓶身图像，得到能够展示不同视角不同方向上标签褶皱特征的初始瓶身图像集，并根据初始瓶身图像集中的瓶身特点，得到瓶身位置和姿势，确定瓶身待检区域，将瓶身待检区域经像素值提取和判断处理后得到的褶皱图像，与瓶身待检区域经灰度均衡化和褶皱特征提取处理后得到的褶皱图像，进行叠加融合，基于两次提取结果的重叠区域，确定最终结果，使获得的标签褶皱具有较高的识别准确度。

Description

乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质
技术领域
本发明涉及图像处理技术领域，具体为乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质。
背景技术
液体盛装通常会用到各种瓶体，例如装水的塑料瓶、装酒的玻璃酒瓶等，在瓶体外侧通常会贴有各种标贴，例如商标等。因为瓶体垂直度或贴标机问题，在贴标过程中，会导致标签褶皱的产生。对于一些低档产品可能影响不大，但对于一些高档产品，例如高档白酒等，外观的瑕疵会影响产品的口碑。
使用图像处理技术能够一次性处理多张图像，提高计算效率，节省人力成本，但瓶身标签褶皱是存在方向性的，单一视角下识别标签褶皱特征，容易忽略瓶身上其他视角、其他类型的标签褶皱特征，降低结果准确度；另外，使用瓶身标签光学特征与标准标签褶皱特征库匹配来获取结果时，当瓶身位置与标准瓶身位置不一样时，处于标准瓶身位置处的其他仪器上的光学呈现特征，有可能会被误认为是瓶身标签特征而与标准标签褶皱特征库成功匹配，从而降低识别结果的准确性。
发明内容
本发明提供了一种乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质。
本发明技术方案如下：
一种乳玻瓶瓶身标签褶皱的识别方法，包括如下操作：
S1 分别获取横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像，得到初始瓶身图像集；
S2 基于所述初始瓶身图像集，得到检测框，获取所述检测框与瓶身的重复区域，得到定位框；基于所述定位框，所述初始瓶身图像集经连通域分析处理，得到瓶身待检区域；
S3 所述瓶身待检区域经像素值特征提取和判断处理，得到第一标签褶皱图像；所述瓶身待检区域经灰度均衡化处理和褶皱特征提取处理，得到第二标签褶皱图像；
S4 所述第一标签褶皱图像与第二标签褶皱图像经第一叠加处理，得到瓶身标签褶皱。
如上所述的识别方法，所述S1中得到检测框的操作具体为：获取所述初始瓶身图像集中，瓶身移动的最大距离，基于所述最大距离和预设宽度、预设高度，得到所述检测框。
如上所述的识别方法，所述S2的操作之后，还包括对非瓶身待检区域进行局部过滤消除处理，将所述非瓶身待检区域中大于亮度值阈值的对应区域标记为黑色。
如上所述的识别方法，所述S3中褶皱特征提取处理的操作具体为：
将所述瓶身待检区域经灰度均衡化处理后，分别经边缘二值化处理和局部极值提取处理，得到有效边缘区域图和有效局部极值图，所述有效边缘区域图和有效局部极值图经第二叠加处理，得到所述第二标签褶皱图像。
作为一种优化的实施方式，所述得到有效局部极值图后，还包括形态学处理所述有效局部极值图，与所述有效边缘区域图经第二叠加处理，得到所述第二标签褶皱图像。
如上所述的识别方法，所述S1中，
获取横向补光下乳玻瓶自转前进过程中不同视角的瓶身图像的操作为：将乳玻瓶瓶口放置在2个第一传送带之间，所述2个第一传送带运动方向的两端竖向设有第一补光器，所述2个第一传送带带动乳玻瓶位置发生变化，并使乳玻瓶发生自转，多个第一照相机采集横向补光下，若干位置处若干视角的瓶身图像，得到横向补光多视角瓶身图像集，组成所述初始瓶身图像集，用于检测瓶身标签竖向褶皱；
获取竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像的操作为：将乳玻瓶瓶口放置在2个第二传送带之间，所述2个第二传送带的上下方横向设有第二补光器，所述2个第二传送带带动乳玻瓶位置发生变化，并使乳玻瓶发生自转，所述多个第二照相机采集竖向补光条件下，若干位置处若干视角的瓶身图像，得到竖向补光多视角瓶身图像集，组成所述初始瓶身图像集，用于检测瓶身标签横向褶皱。
如上所述的识别方法，所述S1中还包括，对所述横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像进行灰度化处理，得到多个瓶身灰度图，得到所述初始瓶身图像集。
一种乳玻瓶瓶身标签褶皱的识别系统，包括：
初始瓶身图像集生产模块，用于分别获取横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像，得到初始瓶身图像集；
瓶身待检区域生产模块，用于基于所述初始瓶身图像集，得到检测框，获取所述检测框与瓶身的重复区域，得到定位框；基于所述定位框，所述初始瓶身图像集经连通域分析处理，得到瓶身待检区域；
第一标签褶皱图像和第二标签褶皱图像生产模块，用于所述瓶身待检区域经像素值特征提取和判断处理，得到第一标签褶皱图像；所述瓶身待检区域经灰度均衡化处理和褶皱特征提取处理，得到第二标签褶皱图像；
瓶身褶皱生成模块，所述第一标签褶皱图像与第二标签褶皱图像经第一叠加处理，得到瓶身标签褶皱。
一种乳玻瓶瓶身标签褶皱的识别设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的乳玻瓶瓶身标签褶皱的识别方法。
一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的乳玻瓶瓶身标签褶皱的识别方法。
本发明的有益效果在于：
本发明提供的一种乳玻瓶瓶身标签褶皱的识别方法，基于不同补光条件下，不同视角的瓶身图像，得到能够展示不同视角不同方向上标签褶皱特征的初始瓶身图像集，并根据初始瓶身图像集中的瓶身特点，得到瓶身位置和姿势，确定瓶身待检区域，将瓶身待检区域经像素值提取和判断处理后得到的褶皱图像，与瓶身待检区域经灰度均衡化和褶皱特征提取处理后得到的褶皱图像，进行叠加融合，基于两次提取结果的重叠区域，确定最终结果，使获得的标签褶皱图像具有较高的识别准确度。
附图说明
通过阅读下文优选实施方式的详细描述，本申请的方案和优点对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
在附图中：
图1为实施例中瓶身的检测框位置图；
图2为实施例中瓶身的定位框位置图；
图3为实施例中第一标签褶皱图像；
图4为实施例中灰度均衡化处理瓶身待检区域的过程图；
图5为实施例中有效边缘区域图；
图6为实施例中有效局部极值图；
图7为实施例中形态学处理有效局部极值图的过程图；
图8为实施例中得到第二标签褶皱图像的过程图；
图9为实施例中得到瓶身标签褶皱的过程图。
具体实施方式
下面将结合附图更详细地描述本公开的示例性实施方式。
本实施例提供了一种乳玻瓶瓶身标签褶皱的识别方法，包括如下操作：
S1 分别获取横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像，得到初始瓶身图像集；
S2 基于所述初始瓶身图像集，得到检测框，获取所述检测框与瓶身的重复区域，得到定位框；基于所述定位框，所述初始瓶身图像集经连通域分析处理，得到瓶身待检区域；
S3 所述瓶身待检区域经像素值特征提取和判断处理，得到第一标签褶皱图像；所述瓶身待检区域经灰度均衡化处理和褶皱特征提取处理，得到第二标签褶皱图像；
S4 所述第一标签褶皱图像与第二标签褶皱图像经第一叠加处理，得到瓶身标签褶皱。
S1 分别获取横向补光和竖向补光下乳玻瓶自转过程中不同视角的瓶身图像，得到初始瓶身图像集。
因为瓶体垂直度或贴标机问题，在贴标过程中，会导致标签褶皱的产生。褶皱是存在方向性的，即同一个褶皱在同一种成像光路下，必须在自转下，才有可以捕获到褶皱特征。为确保能够提取到乳玻瓶瓶身标签上的褶皱特征，将不同视角下的多张瓶身图像作为待检图像，并且针对不同标签褶皱方向拥有不同呈像性的特点，本实施例中分别获取横向补光和竖向补光下乳玻瓶自转过程中不同视角的瓶身图像，分别得到的横向补光多视角瓶身图像集和竖向补光多视角瓶身图像集共同组成初始瓶身图像集。
获取横向补光下乳玻瓶自转过程中不同视角的瓶身图像的操作为：将乳玻瓶瓶口放置在2个第一传送带之间，2个第一传送带运动方向的两端竖向设有第一补光器，2个第一传送带带动乳玻瓶位置发生变化，并使乳玻瓶发生自转，多个第一照相机采集横向补光下，若干位置处若干视角的瓶身图像，得到横向补光多视角瓶身图像集，组成初始瓶身图像集，用于检测瓶身竖向褶皱。
具体为：将乳玻瓶瓶口放置在2个竖向的第一传送带之间，2个第一传送带传送方向相同，传送速度不同；2个第一传送带的任意一侧设有第一平面镜，第一平面镜上方设有多个第一照相机，用于采集瓶身图像；第一传送带的起始端和末尾端的两侧均设有竖向的第一补光器，用于对乳玻瓶瓶身进行对应单侧补光；2个第一传送带带动乳玻瓶位置发生变化，并使乳玻瓶发生自转，多个第一照相机采集竖向补光条件下，不同位置、不同视角处的瓶身图像，得到横向补光多视角瓶身图像集。
获取竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像的操作为：将乳玻瓶瓶口放置在2个第二传送带之间，2个第二传送带的上下方横向设有第二补光器，2个第二传送带带动乳玻瓶位置发生变化，并使乳玻瓶发生自转，多个第二照相机采集竖向补光条件下，若干位置处若干视角的瓶身图像，得到竖向补光多视角瓶身图像集，组成初始瓶身图像集，用于检测瓶身横向褶皱。
具体为：将乳玻瓶瓶口放置在2个竖向的第二传送带之间，2个第二传送带传送方向相同，传送速度不同；2个第二传送带的任意一侧设有第二平面镜，第二平面镜上方设有多个第二照相机，用于采集瓶身图像；第二传送带上下方均设有横向的第二补光器，用于对乳玻瓶瓶身进行对应单侧补光；2个第二传送带带动乳玻瓶位置发生变化，并使乳玻瓶发生自转，多个第二照相机采集竖向补光条件下，不同位置、不同视角处的瓶身图像，得到竖向补光多视角瓶身图像集。
第一传送带的末端和第二传送带的始端连接，可使同一乳玻瓶实现连续自转向前运动，并能够连续接受两次打光。其中，第一传送带竖向放置，第一平面镜的倾斜角度为45度。本实施例采用瓶体旋转加多相机连续拍照的检测方式，对竖向标签褶皱采用双侧横向打光，对横向标签褶皱采用双侧竖向打光方式，从而获得易于识别标签褶皱特征的瓶身图像，提高识别方法的准确度。
更进一步的，S1中还包括，对横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像进行灰度化处理，得到多个瓶身灰度图，得到初始瓶身图像集。
S2 基于初始瓶身图像集，得到检测框，获取检测框与瓶身的重复区域，得到定位框；基于定位框，初始瓶身图像集经连通域分析处理，得到瓶身待检区域。
为进一步缩小计算区域，提高计算效率，得到检测框的操作为：获取初始瓶身图像集中，瓶身移动的最大距离，基于最大距离和预设宽度、预设高度，得到检测框，参见图1中瓶身底部的实线矩形框。具体为，根据初始瓶身图像集中乳玻瓶的极限位置变化，确定检测框的长度，可防止检测框过短不与瓶身重合，无法确定瓶身位置，同时也防止检测框过长会增加计算量和降低计算效率。因此，将瓶身移动的最大距离作为检测框的长度，结合预设宽度和预设高度，可以确定检测框的位置。在实际处理过程中，提取竖向褶皱时，检测框底部与瓶底位置齐平，无标签干扰；提取横向褶皱时，检测框底部与瓶底位置齐平，或检测框顶部与瓶身顶部位置齐平。
为确定瓶身在图像中的位置，根据检测框与瓶身的重复区域，得到能够确定瓶身位置的定位框，参见图2中瓶身底部的空白区域。在处理过程中，可依据当前图像中像素值分布状况与标准瓶身像素值分布情况进行比对，来获取瓶身的大致位置及轮廓。但由于不确定检测过程中瓶身是否会发生倾斜，影响检测结果，
为得到准确的瓶身区域，将初始瓶身图像集中瓶身图像经连通域分析，将具有相同像素值且相邻的像素对应位置找出来并标记，进行最大面积计算，由此得到较为准确的瓶身区域，将其作为瓶身待检区域。为后续提取处理提供准确范围，保证计算结果的准确性以及提升计算效率。
此外，在补光作用的影响下，图像中的其他物体可能会出现一些类似于标签褶皱反光的现象，后续处理计算过程中可能会将这些区域也进行标签褶皱提取，增加计算量。因此为消除局部亮色区域的干扰，S2的操作之后，还包括对非瓶身待检区域进行局部过滤消除处理，将非瓶身待检区域中大于亮度值阈值的对应区域标记为黑色。其中，局部过滤消除处理可通过形态学滤波和区域过滤参数来实现。
S3 瓶身待检区域经像素值特征提取和判断处理，得到第一标签褶皱图像；瓶身待检区域经灰度均衡化处理和褶皱特征提取，得到第二标签褶皱图像。
得到第一标签褶皱图像，参见图3。提取瓶身待检区域每个位置处的像素值，判断当前位置处的像素值是否处于预设标准检测像素范围内；若处于，当前位置为检测点，并统计所有检测点的位置，组成有效检测区域（见参见图3中的白色区域），得到第一标签褶皱图像；若不处于，不做处理。另外，得到有效检测区域的方法也可以为获取瓶体中心轴位置后，依据瓶体中心轴位置和不同补光方式下光源位置计算角度和距离，基于角度和距离，根据光源在瓶体上的投影，得到有效检测区域。实际处理过程中，会根据瓶身高亮区域（褶皱的反光性较强，呈现的亮度较亮），选择有效检测区域，有效检测区域应与瓶体的亮光区域保持一定距离，去除误检。其中，处理横向标签褶皱时，依据上下侧竖向打光方式，有效检测区域的灰度值偏高。
得到第二标签褶皱图像。得到瓶身待检区域后，为提取褶皱特征，将瓶身待检区域经灰度均衡化处理，设定瓶身顶部和底部灰度值，并选择合适灰度值梯度形成由亮色区域到暗色区域的缓慢过渡，使褶皱被打亮，凸显出来。瓶身待检区域经灰度均衡化处理过程参见图4。
为进一步提升计算结果的准确度，对灰度均衡化处理后的瓶身待检区域进行褶皱特征提取处理，褶皱特征提取的操作为：将瓶身待检区域经灰度均衡化处理后，分别经边缘二值化处理和局部极值提取处理，得到有效边缘区域图和有效局部极值图，有效边缘区域图（参见图5）和有效局部极值图（参见图6）经叠加处理，得到第二标签褶皱图像。
其中，边缘二值化的操作为：提取灰度均衡化处理后的瓶身待检区域中其每个像素的梯度值(i行j列)，使用卷积核对图像每个像素点的卷积和运算，计算公式如下：
，
设置边缘强度二值化阈值进行判断，G（i,j）为边缘强度，（i,j）为边缘点的横、纵坐标位置，▽x为对边缘点在横坐标x进行梯度处理，▽y为对边缘点在纵坐标y进行梯度处理，若G（i,j）（边缘强度）大于阈值，则点（i,j）为边缘点，提取所有边缘点，得到有效边缘区域。
局部极值提取处理的过程为，在灰度均衡化处理后的瓶身待检区域内找寻到像素值大于阈值的点，并进行横向比对，过滤掉像素值小于阈值的点，使得特殊点被过滤掉，提取出的点沿褶皱形成亮线。进一步地，得到有效局部极值图后，还包括形态学处理有效局部极值图，与有效边缘区域图经第二叠加处理，得到第二标签褶皱图像。具体为，对于提取的局部极值点进行闭运算（先膨胀后腐蚀）处理，得到亮线更明显的标签褶皱，形态学处理有效局部极值图的过程参见图7。
由于不同方向的补光及标签花纹的干扰，提取的有效边缘区域图与有效局部极值图可能包含有大量干扰信息，因此将有效边缘区域图和有效局部极值图经第二叠加处理，保留褶皱重合区域，去除标签花纹和噪点的干扰，得到第二标签褶皱图像。经过将补光与灰度均衡化处理后的图像，被边缘检测及局部极值提取出的重叠区域被认定为褶皱，这样的计算方式更为准确。图8展示了将有效边缘区域图，与经过局部极值提取、形态学处理得到的有效局部极值图经第二叠加处理的过程。
S4 第一标签褶皱图像与第二标签褶皱图像经第一叠加处理，得到瓶身褶皱。
将第一标签褶皱图像与第二标签褶皱图像记性叠加处理，提取褶皱区域重合部分，得到瓶身标签褶皱，通过将两种标签褶皱识别结果的相同部分提取出来，作为最终的瓶身标签褶皱结果，删除非标签褶皱特征，减小计算误差，提高识别结果的准确度，上述第一叠加处理过程参见图9。
本实施例提供一种乳玻瓶瓶身标签褶皱的识别系统，包括：
初始瓶身图像集生产模块，用于分别获取横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像，得到初始瓶身图像集；
瓶身待检区域生产模块，用于基于初始瓶身图像集，得到检测框，获取检测框与瓶身的重复区域，得到定位框；基于定位框，初始瓶身图像集经连通域分析处理，得到瓶身待检区域；
第一标签褶皱图像和第二标签褶皱图像生产模块，用于瓶身待检区域经像素值特征提取和判断，得到第一标签褶皱图像；瓶身待检区域经灰度均衡化处理和褶皱特征提取处理，得到第二标签褶皱图像；
瓶身褶皱生成模块，第一标签褶皱图像与第二标签褶皱图像经第一叠加处理，得到瓶身标签褶皱。
本实施例提供一种乳玻瓶瓶身标签褶皱的识别设备，包括处理器和存储器，其中，处理器执行存储器中保存的计算机程序时实现上述的乳玻瓶瓶身标签褶皱的识别方法。
本实施例提供一种计算机可读存储介质，用于存储计算机程序，其中，计算机程序被处理器执行时实现上述的乳玻瓶瓶身标签褶皱的识别方法。
本实施例提供的一种乳玻瓶瓶身标签褶皱的识别方法，基于不同补光条件下，不同视角的瓶身图像，得到能够展示不同视角不同方向上标签褶皱特征的初始瓶身图像集，并根据初始瓶身图像集中的瓶身特点，得到瓶身位置和姿势，确定瓶身待检区域，将瓶身待检区域经像素值提取和判断处理后得到的褶皱图像，与瓶身待检区域经灰度均衡化和褶皱特征提取处理后得到的褶皱图像，进行叠加融合，基于两次提取结果的重叠区域，确定最终结果，使获得的标签褶皱图像具有较高的识别准确度。

Claims (10)

1.一种乳玻瓶瓶身标签褶皱的识别方法，其特征在于，包括如下操作：
S1 分别获取横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像，得到初始瓶身图像集；
S2 基于所述初始瓶身图像集，得到检测框，获取所述检测框与瓶身的重复区域，得到定位框；基于所述定位框，所述初始瓶身图像集经连通域分析处理，得到瓶身待检区域；
S3 所述瓶身待检区域经像素值特征提取和判断处理，得到第一标签褶皱图像；所述瓶身待检区域经灰度均衡化处理和褶皱特征提取处理，得到第二标签褶皱图像；
S4 所述第一标签褶皱图像与第二标签褶皱图像经第一叠加处理，得到瓶身标签褶皱。
2.根据权利要求1所述的识别方法，其特征在于，所述S1中得到检测框的操作具体为：获取所述初始瓶身图像集中，瓶身移动的最大距离，基于所述最大距离和预设宽度、预设高度，得到所述检测框。
3.根据权利要求1所述的识别方法，其特征在于，所述S2的操作之后，还包括对非瓶身待检区域进行局部过滤消除处理，将所述非瓶身待检区域中大于亮度值阈值的对应区域标记为黑色。
4.根据权利要求1所述的识别方法，其特征在于，所述S3中褶皱特征提取处理的操作具体为：
将所述瓶身待检区域经灰度均衡化处理后，分别经边缘二值化处理和局部极值提取处理，得到有效边缘区域图和有效局部极值图，所述有效边缘区域图和有效局部极值图经第二叠加处理，得到所述第二标签褶皱图像。
5.根据权利要求4所述的识别方法，其特征在于，所述得到有效局部极值图后，还包括形态学处理所述有效局部极值图，与所述有效边缘区域图经第二叠加处理，得到所述第二标签褶皱图像。
6.根据权利要求1所述的识别方法，其特征在于，所述S1中，
获取横向补光下乳玻瓶自转前进过程中不同视角的瓶身图像的操作为：将乳玻瓶瓶口放置在2个第一传送带之间，所述2个第一传送带运动方向的两端竖向设有第一补光器，所述2个第一传送带带动乳玻瓶位置发生变化，并使乳玻瓶发生自转，多个第一照相机采集横向补光下，若干位置处若干视角的瓶身图像，得到横向补光多视角瓶身图像集，组成所述初始瓶身图像集，用于检测瓶身标签竖向褶皱；
获取竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像的操作为：将乳玻瓶瓶口放置在2个第二传送带之间，所述2个第二传送带的上下方横向设有第二补光器，所述2个第二传送带带动乳玻瓶位置发生变化，并使乳玻瓶发生自转，所述多个第二照相机采集竖向补光条件下，若干位置处若干视角的瓶身图像，得到竖向补光多视角瓶身图像集，组成所述初始瓶身图像集，用于检测瓶身标签横向褶皱。
7.根据权利要求1所述的识别方法，其特征在于，所述S1中还包括，对所述横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像进行灰度化处理，得到多个瓶身灰度图，得到所述初始瓶身图像集。
8.一种乳玻瓶瓶身标签褶皱的识别系统，其特征在于，包括：
初始瓶身图像集生产模块，用于分别获取横向补光和竖向补光下乳玻瓶自转前进过程中不同视角的瓶身图像，得到初始瓶身图像集；
瓶身待检区域生产模块，用于基于所述初始瓶身图像集，得到检测框，获取所述检测框与瓶身的重复区域，得到定位框；基于所述定位框，所述初始瓶身图像集经连通域分析处理，得到瓶身待检区域；
第一标签褶皱图像和第二标签褶皱图像生产模块，用于所述瓶身待检区域经像素值特征提取和判断处理，得到第一标签褶皱图像；所述瓶身待检区域经灰度均衡化处理和褶皱特征提取处理，得到第二标签褶皱图像；
瓶身褶皱生成模块，所述第一标签褶皱图像与第二标签褶皱图像经第一叠加处理，得到瓶身标签褶皱。
9.一种乳玻瓶瓶身标签褶皱的识别设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7任一项所述的乳玻瓶瓶身标签褶皱的识别方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的乳玻瓶瓶身标签褶皱的识别方法。
CN202311055096.7A 2023-08-22 2023-08-22 乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质 Active CN116777912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311055096.7A CN116777912B (zh) 2023-08-22 2023-08-22 乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311055096.7A CN116777912B (zh) 2023-08-22 2023-08-22 乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN116777912A true CN116777912A (zh) 2023-09-19
CN116777912B CN116777912B (zh) 2023-11-03

Family

ID=87989839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311055096.7A Active CN116777912B (zh) 2023-08-22 2023-08-22 乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116777912B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006330673A (ja) * 2005-04-28 2006-12-07 Sato Corp 値下げ価格バーコードラベルおよび値下げ価格バーコードラベルの貼付方法
US20140015960A1 (en) * 2011-02-23 2014-01-16 Krones Ag Method and Apparatus for Detecting Bubbles and/or Creases on Labeled Containers
CN104764746A (zh) * 2014-01-06 2015-07-08 山东明佳包装检测科技有限公司 一种全方位pet瓶盖防盗环缺陷的检测方法
JP2018091693A (ja) * 2016-12-01 2018-06-14 富士通株式会社 円筒面検査装置および円筒面検査方法
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
CN114324398A (zh) * 2022-01-17 2022-04-12 辽宁装备制造职业技术学院 一种药食品包装标签智能视觉检测系统及检测方法
CN114445707A (zh) * 2022-01-25 2022-05-06 张弛 瓶装水标签缺陷智能化视觉精细检测方法
CN114926839A (zh) * 2022-07-22 2022-08-19 富璟科技（深圳）有限公司 基于rpa和ai的图像识别方法及电子设备
CN115452842A (zh) * 2022-10-20 2022-12-09 颖态智能技术(上海)有限公司 一种面向阀口袋包装机的褶皱检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006330673A (ja) * 2005-04-28 2006-12-07 Sato Corp 値下げ価格バーコードラベルおよび値下げ価格バーコードラベルの貼付方法
US20140015960A1 (en) * 2011-02-23 2014-01-16 Krones Ag Method and Apparatus for Detecting Bubbles and/or Creases on Labeled Containers
CN104764746A (zh) * 2014-01-06 2015-07-08 山东明佳包装检测科技有限公司 一种全方位pet瓶盖防盗环缺陷的检测方法
JP2018091693A (ja) * 2016-12-01 2018-06-14 富士通株式会社 円筒面検査装置および円筒面検査方法
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
CN114324398A (zh) * 2022-01-17 2022-04-12 辽宁装备制造职业技术学院 一种药食品包装标签智能视觉检测系统及检测方法
CN114445707A (zh) * 2022-01-25 2022-05-06 张弛 瓶装水标签缺陷智能化视觉精细检测方法
CN114926839A (zh) * 2022-07-22 2022-08-19 富璟科技（深圳）有限公司 基于rpa和ai的图像识别方法及电子设备
CN115452842A (zh) * 2022-10-20 2022-12-09 颖态智能技术(上海)有限公司 一种面向阀口袋包装机的褶皱检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AN ZHAO: "Aircraft Recognition Based on Landmark Detection in Remote Sensing Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS ( VOLUME: 14, ISSUE: 8, AUGUST 2017)》, pages 1413 - 1417 *
罗彪;万贤福;汪军;王宏;赵波;宗斌;: "基于图像处理的褶皱衣片局部面积的测量校正方法", 东华大学学报(自然科学版), no. 02, pages 101 - 105 *
胡宗亮: "基于机器视觉的白酒瓶标签检测系统的设计与开发", 《电子技术与软件工程》, no. 13, pages 77 - 78 *

Also Published As

Publication number Publication date
CN116777912B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN109724990B (zh) 一种包装盒标签中喷码区域的快速定位与检测方法
CN108896574B (zh) 一种基于机器视觉的瓶装白酒杂质检测方法及系统
US8170271B2 (en) System and method for test tube and cap identification
CN101859378B (zh) 高速医药生产线上的药液质量视觉检测方法
US6134343A (en) System or method for detecting defect within a semi-opaque enclosure
CN105403147B (zh) 一种基于嵌入式的瓶胚检测系统和检测方法
CN101995223B (zh) 一种芯片外观检测方法及系统
TW578111B (en) Fast barcode search
CN201707305U (zh) 一种检测容器盖质量的检测装置
CN116843757B (zh) 基于计算机视觉的贴标机智能定位方法
CN114445707A (zh) 瓶装水标签缺陷智能化视觉精细检测方法
CN106097344A (zh) 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统
CN111239142A (zh) 膏体外观缺陷检测设备及方法
CN116704516A (zh) 一种用于水溶肥料包装的视觉检测方法
CN116012292A (zh) 一种基于机器视觉的晶圆外观缺陷检测方法
CN116777912B (zh) 乳玻瓶瓶身标签褶皱的识别方法、系统、设备和存储介质
JP2019200775A (ja) 表面欠陥検査装置及び表面欠陥検査方法
CN116309573B (zh) 一种牛奶包装盒印刷字符的缺陷检测方法
Chen et al. Vision-based nighttime vehicle detection and range estimation for driver assistance
CN116500052A (zh) 一种食用油杂质视觉检测系统及其使用方法
JP4293653B2 (ja) 外観検査方法
CN113192061B (zh) Led封装外观检测图像的提取方法、装置、电子设备和存储介质
CN109741302A (zh) 基于机器视觉的sd卡形态识别系统和方法
Wang et al. An accurate method for the extraction of line structured light stripe.
CN117541579B (zh) 一种封装支架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