CN116824577B - 一种基于机器视觉的预制菜生产检测方法 - Google Patents
一种基于机器视觉的预制菜生产检测方法 Download PDFInfo
- Publication number
- CN116824577B CN116824577B CN202311108096.9A CN202311108096A CN116824577B CN 116824577 B CN116824577 B CN 116824577B CN 202311108096 A CN202311108096 A CN 202311108096A CN 116824577 B CN116824577 B CN 116824577B
- Authority
- CN
- China
- Prior art keywords
- packaging
- point
- pixel point
- taking
- difference
- 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
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 18
- 238000004806 packaging method and process Methods 0.000 claims abstract description 157
- 238000005538 encapsulation Methods 0.000 claims abstract description 41
- 230000005856 abnormality Effects 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000007789 sealing Methods 0.000 claims abstract description 10
- 230000035772 mutation Effects 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 81
- 238000000034 method Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012856 packing Methods 0.000 description 4
- 238000009461 vacuum packaging Methods 0.000 description 4
- 229920003023 plastic Polymers 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种基于机器视觉的预制菜生产检测方法,包括:获取封装灰度图;根据相邻像素点之间图像信息的差异获取近邻差异系数;根据近邻差异系数的排序结果获取外侧显著像素点集合;根据外侧显著像素点集合内每个像素点的封装距离获取每个像素点的中心权重;根据中心权重获取热封包装袋的顶点;根据单边边缘线上像素点图像信息的突变程度获取封装异常度以及封装异常序列;根据所有单边边缘线的封装异常序列获取最外侧轮廓的异常指数;根据最外侧轮廓的异常指数获取预制菜包装的检测评估系数。本发明避免热封造成的边缘倾斜与封装缺陷之间的混淆造成的检测误差,实现对不同类型预制菜包装完整性的精准检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于机器视觉的预制菜生产检测方法。
背景技术
预制菜又称预制调理食品,是提前准备好的菜品统称,在需要的时候快速加热或烹饪,以节省时间、提高效率。预制菜的生产流程包括采购、加工、包装、运输以及储存等阶段,其中预制菜的包装是预制菜保鲜的关键,若预制菜的包装出现破损或者漏气,则会导致菜品变质,同时对人们的身体健康造成影响。
传统的计算机视觉对食品包装检测的方法可移植性较弱,在对预制菜的包装进行检测时,不同的包装检测的效果不同,不确定性较高,会出现包装上缺陷检测效果较差的问题。除此之外,现阶段预制菜生产包装绝大多数通过真空塑封的方式进行包装,由于预制菜内菜品的形状各不相同,在包装期间会形成不规则的边缘扭曲,而当包装出现轻微破损或者漏气缺陷时,上述真空塑封造成的边缘扭曲与包装缺陷之间存在一定程度的视觉混淆性,对包装密封性、完整性的检测造成极大的干扰,易生成检测误差。
发明内容
本发明提供一种基于机器视觉的预制菜生产检测方法,以解决预制菜生产热封时的包装扭曲与包装缺陷之间区分精度低的问题,所采用的技术方案具体如下:
本发明一个实施例一种基于机器视觉的预制菜生产检测方法,该方法包括以下步骤:
获取预制菜包装的封装灰度图;
根据封装灰度图的边缘检测结果获取最外侧轮廓以及内侧热封轮廓;根据最外侧轮廓上相邻像素点之间图像信息的差异获取每个边缘像素点的近邻差异系数;
根据最外侧轮廓上所有边缘像素点近邻差异系数的排序结果获取外侧显著像素点集合;根据外侧显著像素点集合内像素点之间的封装特征获取外侧显著像素点集合对应的聚类结果,将所述聚类结果中每个聚类簇的中心点作为热封包装袋的顶点;
根据相邻两个顶点确定的单边边缘线上像素点图像信息的突变程度获取所述单边边缘线上每个封装异常点的封装异常度;将每条单边边缘线上所有封装异常点的封装异常度组成的序列作为每条单边边缘线的封装异常序列;
根据所有单边边缘线的封装异常序列获取封装轮廓的异常指数;根据待检测预制菜封装轮廓的异常指数与标准包装时封装轮廓的异常指数获取待检测预制菜的检测结果。
优选的,所述根据最外侧轮廓上相邻像素点之间图像信息的差异获取每个边缘像素点的近邻差异系数的方法为:
将以最外侧轮廓上每个边缘像素点为起始点,按照顺时针的顺序在最外侧轮廓上所取预设数量个连续边缘像素点组成的集合作为每个边缘像素点的近邻集合;
将每个边缘像素点与其近邻集合内所有像素点梯度方向之间差值的分布方差作为每个边缘像素点的近邻差异系数。
优选的,所述根据最外侧轮廓上所有边缘像素点近邻差异系数的排序结果获取外侧显著像素点集合的方法为:
获取最外侧轮廓上所有边缘像素点的近邻差异系数按照降序顺序排列的排列结果,将所述排列结果中前预设数量个边缘像素点组成的集合作为外侧显著像素点集合。
优选的,所述根据外侧显著像素点集合内像素点之间的封装特征获取外侧显著像素点集合对应的聚类结果的方法为:
根据外侧显著像素点集合内每个像素点的封装距离获取每个像素点的中心权重;
获取外侧显著像素点集合内所有像素点的中心权重按照降序顺序排列的排列结果,将所述排列结果中前预设数量个中心权重对应的像素点作为聚类算法的中心点,利用聚类算法获取外侧显著像素点集合内所有像素点的聚类结果。
优选的,所述根据外侧显著像素点集合内每个像素点的封装距离获取每个像素点的中心权重的方法为:
分别获取外侧显著像素点集合内每个像素点与外侧显著像素点集合内每个像素点之间的欧式距离,将所述每个像素点与外侧显著像素点集合内所有像素点之间的欧式距离的和作为每个像素点的封装距离;
将外侧显著像素点集合内每个像素点的封装距离的和作为分母,将所述每个像素点的封装距离与分母的比值作为每个像素点的中心权重。
优选的,所述根据相邻两个顶点确定的单边边缘线上像素点图像信息的突变程度获取所述单边边缘线上每个封装异常点的封装异常度的方法为:
根据单边边缘线的边缘序列内相邻元素的梯度信息差异获取单边边缘线的边缘信息差序列;将利用突变点检测算法获取的单边边缘线对应的边缘信息差序列中的突变点作为单边边缘线上的封装异常点,将每个封装异常点在所述边缘信息差序列对应元素的均值作为每个封装异常点的第一影响因子;
根据封装异常点与最外侧轮廓上顶点之间的空间距离获取每个封装异常点的映射距离差;
每个封装异常点的封装异常度由第一影响因子、映射距离差两部分组成,其中,所述封装异常度与第一影响因子、映射距离差成正比关系。
优选的,所述根据单边边缘线的边缘序列内相邻元素的梯度信息差异获取单边边缘线的边缘信息差序列的方法为:
将单边边缘线的两个顶点分别作为起始点和终点,将单边边缘线上所有边缘像素点按照顺时针顺序的排序结果作为单边边缘线的边缘序列;
分别获取所述边缘序列内相邻像素点梯度幅值之间差值的绝对值、梯度方向之间差值的绝对值,将以所述梯度幅值之间差值的绝对值为指数,以所述梯度方向之间差值的绝对值为底数的计算结果作为相邻像素点之间的边缘信息差,将所有相邻像素点之间的边缘信息差组成的序列作为单边边缘线对应的边缘信息差序列。
优选的,所述根据封装异常点与最外侧轮廓上顶点之间的空间距离获取每个封装异常点的映射距离差的方法为:
获取每个封装异常点与最外侧轮廓上每个顶点之间的欧式距离,将所述欧式距离中最大值对应的顶点作为每个封装异常点的平行远顶点,将与所述平行远顶点在同一条单边边缘线且不与每个封装异常点在同一条单边边缘线上的顶点作为每个封装异常点的平行近顶点;
将每个封装异常点与其平行远顶点之间欧氏距离在水平方向上的投影值作为每个封装异常点的远投影值,将每个封装异常点与其相邻封装异常点的远投影值之间的差值绝对值作为每个封装异常点的远投影差值;
将每个封装异常点与其平行近顶点之间欧氏距离在水平方向上的投影值作为每个封装异常点的近投影值,将每个封装异常点与其相邻封装异常点的近投影值之间的差值绝对值作为每个封装异常点的近投影差值;
每个封装异常点的映射距离差由每个封装异常点的远投影差值、近投影差值两部分组成,其中,所述映射距离差与远投影差值、近投影差值成正比关系。
优选的,所述根据所有单边边缘线的封装异常序列获取封装轮廓的异常指数的方法为:
将最外侧轮廓上所有单边边缘线的封装异常序列的变异系数的最大值作为第一组成因子;将内侧轮廓上所有单边边缘线的封装异常序列的变异系数的最大值作为第二组成因子;
封装轮廓的异常指数由第一组成因子、第二组成因子两部分组成,其中,所述异常指数与第一组成因子、第二组成因子成正比关系。
优选的,所述根据待检测预制菜封装轮廓的异常指数与标准包装时封装轮廓的异常指数获取待检测预制菜的检测结果的方法为:
将每类预制菜标准封装时封装轮廓对应的异常指数作为每类预制菜的参考阈值,将待检测预制菜封装轮廓的异常指数与其对应类别的参考阈值的差值绝对值作为待检测预制菜的检测评估系数;
根据待检测预制菜的检测评估系数与预设阈值的对比结果获取待检测预制菜的检测结果。
本发明的有益效果是:本发明根据预制菜真空包装袋上最外侧轮廓、内侧轮廓上像素点的图像信息的变化构建近邻差异系数,基于近邻差异系数获取最外侧轮廓上的外侧显著像素点集合,考虑不同角点的封装特征从外侧显著像素点集合的聚类结果中确定包装袋上的四个顶点;其次基于单边边缘线的封装异常序列获取封装轮廓的异常指数,异常指数考虑了包装袋不同单边边缘线之间的平行特征,利用投影距离之间的差异表征封装异常点与包装缺陷时缺陷像素点的吻合程度,能够准确检测过程中预制菜生产热封时的包装扭曲与包装缺陷之间的混淆误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种基于机器视觉的预制菜生产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获取封装异常点的映射距离差的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的预制菜生产检测方法流程图,该方法包括以下步骤:
步骤S001,利用图像采集设备获取预制菜包装的封装灰度图。
使用CCD相机获取预制菜包装的表面图像,得到预制菜包装的RGB空间图像。本发明针对用透明塑料袋对预制菜进行真空包装的封装模式进行分析,为了更清晰的获得预制菜包装边缘的信息,在对其进行图像采集时选择颜色较深的背景,例如黑色背景布。在采集图像的过程中会有噪声以及外界环境的干扰,本发明主要针对预制菜包装封口的完好性进行检测,则在对图像进行预处理时,需要在保留图像中的边缘细节信息的同时,消除噪声对图像的干扰。本发明选用双边滤波算法对RGB空间的预制菜表面图像进行去噪处理,实施者可根据实际情况选择其它去噪方式。其次对去噪后的图像进行灰度化,将所获灰度图像记为封装灰度图。双边滤波去噪为公知技术,具体过程不再赘述。
至此,得到预制菜生产包装后的封装灰度图,用于后续最外侧轮廓以及内侧轮廓的获取。
步骤S002,根据最外侧轮廓上相邻像素点之间图像信息的差异获取近邻差异系数,基于近邻差异系数确定外侧显著像素点集合。
由于获取封装灰度图使用了黑色的背景布,使得封装灰度图中预制菜包装边缘更加清晰,利用canny边缘检测技术获取封装灰度图中的边缘线,canny边缘检测为公知技术,具体过程不再赘述。
虽然预制菜选用真空包装方式导致矩形的包装袋在包装后通常呈现出不规则的外观,包装袋的边缘也会呈现出弯曲的形状,然而包装袋边缘弯曲的部分梯度方向变化并没有包装袋四个顶点的图像信息变化程度大,因此考虑通过梯度方向变化剧烈程度进行后续处理。
分别获取封装灰度图中每条边缘线的长度,将长度最大值对应的闭合边缘线作为
最外侧轮廓,将靠近预制菜菜品的闭合边缘线作为内侧轮廓线。对于最外侧轮廓上任意一
个边缘像素点,以每个边缘像素点为起始点,按照顺时针的顺序在最外侧轮廓上连续获取n
个边缘像素点组成的集合,n的大小取经验值6,将上述n个边缘点作为每个边缘像素点的近
邻集合,将边缘像素点i的近邻集合记为。通过边缘像素点与相邻像素点之间图像信息
的变化程度评估每个边缘像素点的梯度信息变化量。
计算边缘像素点i的近邻差异系数:
式中,是边缘像素点i、i+1之间的相邻角度差,、分别是边缘像素点i、
边缘像素点i+1的梯度方向,边缘像素点i+1是最外侧轮廓上将边缘像素点i所取的第一个
近邻点,即边缘像素点i+1是近邻集合中的第一个像素点;
是边缘像素点i与近邻集合中每个像素点之间的相邻角度差的分布方
差。
根据上述公式,分别获取最外侧轮廓上的每个边缘像素点的近邻差异系数,进一步的,将所有边缘像素点的近邻差异系数按照降序的顺序排序,将排序结果中前4n个近邻差异系数对应的边缘像素点标记为显著点,将所有4n个显著点组成的集合作为外侧显著像素点集合。
至此,得到外侧显著像素点集合,由于后续最外侧轮廓上顶点的确定。
步骤S003,基于外侧显著像素点集合对应的聚类结果确定热封包装袋的顶点,基于单边边缘线上图像信息的突变程度获取封装异常度。
无论预制菜的包装袋上是否发生包装缺陷,封装灰度图的四个顶点都会处于上述外侧显著像素点集合中。包装袋缺陷的严重程度影响的是四个顶点作为近邻差异系数最大值对应像素点的可能性。当包装袋上没有缺陷时,处于对角关系的两对顶点之间的连接线是整个包装袋上的最长线段,即如果外侧显著像素点集合中两个间隔一定空间距离且近邻差异系数较大的边缘像素点有可能是包装袋的顶点。
对于外侧显著像素点集合内的每一个像素点,以像素点j为例,分别获取像素点j与外侧显著像素点集合内每个像素点之间的欧式距离,根据所述欧式距离与上述最长线段的大小关系评估像素点j对应包装袋顶点的概率。
基于上述分析,此处构建中心权重,用于表征外侧显著像素点集合内每一个像素
点是包装袋顶点的可能性,计算像素点j的中心权重:
式中,是像素点j的封装距离,是外侧显著像素点集合内像素点的数量,p是外侧
显著像素点集合内第p个像素点,是像素点j、p之间的欧氏距离;
是像素点j的中心权重,像素点j与外侧显著像素点集合内像素点的空间距离
越大,像素点j越有可能在最长线段上,的值越大,的值越大。
进一步的,分别获取外侧显著像素点集合内每个像素点的中心权重,将外侧显著像素点集合内所有像素点的中心权重按照降序顺序排列,将所述排列结果中前k个中心权重对应的像素点作为聚类算法的中心点,本发明中,k的大小取经验值4,将所述两个像素点中心权重之间的差值绝对值作为聚类时两个像素点的度量距离,利用k-means聚类算法获取外侧显著像素点集合内所有像素点的聚类结果,将每个聚类簇的中心点作为一个顶点,k-means聚类算法为公知技术,具体过程不再赘述。
得到封装灰度图上的4个顶点后,需要进一步判断任意两个顶点之间的像素点存
在包装异常的可能性,这样判断的原因是因为真空包装过程中预制菜的类别是不固定的,
造成的扭曲边缘也是不固定的,因此需要从最外侧轮廓上的每条边缘线进行精度更高的检
测。将相邻两个顶点之间的边缘像素点组成的局部轮廓线作为两个顶点之间的单边边缘
线,共得到4条单边边缘线。对于每条单边边缘线,将单边边缘线的两个顶点分别作为起始
点和终点,将单边边缘线上所有边缘像素点按照顺时针顺序的排序结果作为单边边缘线的
边缘序列,其次分别获取所述边缘序列内相邻像素点梯度幅值之间差值的绝对值、梯度方
向之间差值的绝对值。基于边缘序列内相邻像素点之间边缘信息的差异构建边缘信息差,
计算像素点j的边缘信息差:
式中,、分别是像素点j、像素点j-1的梯度幅值,、分别是像素点j、
像素点j-1的梯度方向。
根据上述步骤,获取每条单边边缘线上每个像素点的边缘信息差,将所有相邻像
素点之间的边缘信息差组成的序列作为单边边缘线对应的边缘信息差序列,将第a条单边
边缘线的边缘信息差序列记为。将利用BG序列分割算法获取边缘信息差序列中的突
变点作为第a条单边边缘线上的封装异常点,将第a条单边边缘线上封装异常点的数量记为
M,c是第a条单边边缘线上的第c个封装异常点,BG序列分割算法为公知技术,具体过程不再
赘述。
分别获取封装异常点c与最外侧轮廓上每个顶点之间的欧式距离,将欧式距离中
最大值对应的顶点作为封装异常点c的平行远顶点,将与所述平行远顶点在同一条单边
边缘线且不与封装异常点c在同一条单边边缘线上的顶点作为封装异常点c的平行近顶点。
进一步的,分别连接封装异常点c与平行远顶点、封装异常点c与平行近顶点
,如图2所示,将封装异常点c与平行远顶点在水平方向上的投影值记为封装异常点c的
远投影值,将封装异常点c与平行远顶点在水平方向上的投影值记为封装异常点c的
近投影值。
需要说明的是,如果是在与水平方向夹角较小的单边边缘线上的封装异常点,获取的是所述连线在垂直方向上的投影值。
其次基于封装异常点到不同顶点的距离特征获取每个封装异常点的封装异常度,
计算封装异常点c的封装异常度:
式中,是封装异常点c的显著系数,c-1、c+1分别是边缘信息差序列中封装
异常点c左、右相邻像素点,、分别是c-1与c、c与c+1之间的边缘信息差;
是封装异常点c的远投影差值,h、分别是第a条单边边缘线上的第c个封装异
常点左右相邻的封装异常点,、分别是封装异常点h、的远投影值;是封装异常点
c的远投影差值,、分别是封装异常点h、的近投影值。
封装异常度反映了每个封装异常点的突变性是由真空包装时的扭曲边缘造成的
概率。边缘信息差序列中封装异常点c与相邻边缘点之间的信息差异越大,、的值越大,第一影响因子的值越大,封装异常点c越有可能是包装异常造成的突
变点;封装异常点c与最外侧轮廓上顶点之间的欧氏距离在水平方向上的投影值差异越大,
封装异常点c越不可能是扭曲边缘造成的突变点,的值越大,的值越大;即的值
越大,封装异常点c越有可能是包装缺陷造成的突变点。
至此,得到单边边缘线上每个封装异常点的封装异常度,便于后续获取封装轮廓的异常指数。
步骤S004,根据封装异常序列获取封装轮廓的异常指数,根据待检测预制菜封装轮廓的异常指数与标准包装时封装轮廓的异常指数获取待检测预制菜的检测结果。
根据上述步骤,分别获取第a条单边边缘线上每个封装异常点的封装异常度,将第a条单边边缘线上所有封装异常点的封装异常度组成的序列作为第a条单边边缘线的封装异常序列。如果封装灰度图上存在包装缺陷的现象,则最外侧轮廓、内部轮廓上单边边缘线之间的缺陷程度是不同的。因此考虑根据最外侧轮廓、内部轮廓上单边边缘线的封装异常序列对预制菜的封装边缘进行评估。计算预制菜封装轮廓的异常指数R:
式中,、分别是最外侧轮廓、内侧轮廓上4条单边边缘线的封装异常序列
对应变异系数的最大值,变异系数为公知技术,具体过程不再赘述。
进一步的,根据上述步骤获取不同种类预制菜标准封装时封装轮廓对应的异常指
数,并将每类预制菜标准封装时封装轮廓对应的异常指数作为每类预制菜的参考阈值,其
次获取每个待检测预制菜包的对应类别以及装封装轮廓的异常指数R,根据待检测预制菜
封装轮廓的异常指数与标准包装时封装轮廓的异常指数获取待检测预制菜的检测结果。以
第b类预制菜为例,将第b类预制菜的参考阈值记为,将属于第b类预制菜的第r个待检测
预制菜包装的异常指数与之间差值的绝对值作为第r个待检测预制菜的检测评估
系数,将所述检测评估系数与评估阈值Y进行比较,评估阈值Y的大小取经验值2,将大
于评估阈值的待检测预制菜认为是出现包装缺陷的预制菜;将小于等于评估阈值的待检测
预制菜认为是出现包装完好的预制菜,包装人员根据检测结果对预制菜进行后续处理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于机器视觉的预制菜生产检测方法,其特征在于,该方法包括以下步骤:
获取预制菜包装的封装灰度图;
根据封装灰度图的边缘检测结果获取最外侧轮廓以及内侧热封轮廓;根据最外侧轮廓上相邻像素点之间图像信息的差异获取每个边缘像素点的近邻差异系数;
根据最外侧轮廓上所有边缘像素点近邻差异系数的排序结果获取外侧显著像素点集合;根据外侧显著像素点集合内像素点之间的封装特征获取外侧显著像素点集合对应的聚类结果,将所述聚类结果中每个聚类簇的中心点作为热封包装袋的顶点;
根据相邻两个顶点确定的单边边缘线上像素点图像信息的突变程度获取所述单边边缘线上每个封装异常点的封装异常度;将每条单边边缘线上所有封装异常点的封装异常度组成的序列作为每条单边边缘线的封装异常序列,记为最外侧轮廓上的单边边缘线的封装异常序列;
按照最外侧轮廓上的单边边缘线的封装异常序列的获取方法,获取内侧热封轮廓上的单边边缘线的封装异常序列;
根据内侧热封轮廓上和最外侧轮廓上的所有单边边缘线的封装异常序列获取封装轮廓的异常指数;根据待检测预制菜封装轮廓的异常指数与标准包装时封装轮廓的异常指数获取待检测预制菜的检测结果;
所述根据外侧显著像素点集合内像素点之间的封装特征获取外侧显著像素点集合对应的聚类结果的方法为:
根据外侧显著像素点集合内每个像素点的封装距离获取每个像素点的中心权重;
获取外侧显著像素点集合内所有像素点的中心权重按照降序顺序排列的排列结果,将所述排列结果中前预设数量个中心权重对应的像素点作为聚类算法的中心点,利用聚类算法获取外侧显著像素点集合内所有像素点的聚类结果;
所述根据外侧显著像素点集合内每个像素点的封装距离获取每个像素点的中心权重的方法为:
分别获取外侧显著像素点集合内每个像素点与外侧显著像素点集合内每个像素点之间的欧式距离,将所述每个像素点与外侧显著像素点集合内所有像素点之间的欧式距离的和作为每个像素点的封装距离;
将外侧显著像素点集合内每个像素点的封装距离的和作为分母,将所述每个像素点的封装距离与分母的比值作为每个像素点的中心权重;
所述根据相邻两个顶点确定的单边边缘线上像素点图像信息的突变程度获取所述单边边缘线上每个封装异常点的封装异常度的方法为:
根据单边边缘线的边缘序列内相邻元素的梯度信息差异获取单边边缘线的边缘信息差序列;将利用突变点检测算法获取的单边边缘线对应的边缘信息差序列中的突变点作为单边边缘线上的封装异常点,将每个封装异常点在所述边缘信息差序列对应元素的均值作为每个封装异常点的第一影响因子;
根据封装异常点与最外侧轮廓上顶点之间的空间距离获取每个封装异常点的映射距离差;
每个封装异常点的封装异常度由第一影响因子、映射距离差两部分组成,其中,所述封装异常度与第一影响因子、映射距离差成正比关系。
2.根据权利要求1所述的一种基于机器视觉的预制菜生产检测方法,其特征在于,所述根据最外侧轮廓上相邻像素点之间图像信息的差异获取每个边缘像素点的近邻差异系数的方法为:
将以最外侧轮廓上每个边缘像素点为起始点,按照顺时针的顺序在最外侧轮廓上所取预设数量个连续边缘像素点组成的集合作为每个边缘像素点的近邻集合;
将每个边缘像素点与其近邻集合内所有像素点梯度方向之间差值的分布方差作为每个边缘像素点的近邻差异系数。
3.根据权利要求1所述的一种基于机器视觉的预制菜生产检测方法,其特征在于,所述根据最外侧轮廓上所有边缘像素点近邻差异系数的排序结果获取外侧显著像素点集合的方法为:
获取最外侧轮廓上所有边缘像素点的近邻差异系数按照降序顺序排列的排列结果,将所述排列结果中前预设数量个边缘像素点组成的集合作为外侧显著像素点集合。
4.根据权利要求1所述的一种基于机器视觉的预制菜生产检测方法,其特征在于,所述根据单边边缘线的边缘序列内相邻元素的梯度信息差异获取单边边缘线的边缘信息差序列的方法为:
将单边边缘线的两个顶点分别作为起始点和终点,将单边边缘线上所有边缘像素点按照顺时针顺序的排序结果作为单边边缘线的边缘序列;
分别获取所述边缘序列内相邻像素点梯度幅值之间差值的绝对值、梯度方向之间差值的绝对值,将以所述梯度幅值之间差值的绝对值为指数,以所述梯度方向之间差值的绝对值为底数的计算结果作为相邻像素点之间的边缘信息差,将所有相邻像素点之间的边缘信息差组成的序列作为单边边缘线对应的边缘信息差序列。
5.根据权利要求1所述的一种基于机器视觉的预制菜生产检测方法,其特征在于,所述根据封装异常点与最外侧轮廓上顶点之间的空间距离获取每个封装异常点的映射距离差的方法为:
获取每个封装异常点与最外侧轮廓上每个顶点之间的欧式距离,将所述欧式距离中最大值对应的顶点作为每个封装异常点的平行远顶点,将与所述平行远顶点在同一条单边边缘线且不与每个封装异常点在同一条单边边缘线上的顶点作为每个封装异常点的平行近顶点;
将每个封装异常点与其平行远顶点之间欧氏距离在水平方向上的投影值作为每个封装异常点的远投影值,将每个封装异常点与其相邻封装异常点的远投影值之间的差值绝对值作为每个封装异常点的远投影差值;
将每个封装异常点与其平行近顶点之间欧氏距离在水平方向上的投影值作为每个封装异常点的近投影值,将每个封装异常点与其相邻封装异常点的近投影值之间的差值绝对值作为每个封装异常点的近投影差值;
每个封装异常点的映射距离差由每个封装异常点的远投影差值、近投影差值两部分组成,其中,所述映射距离差与远投影差值、近投影差值成正比关系。
6.根据权利要求1所述的一种基于机器视觉的预制菜生产检测方法,其特征在于,所述根据内侧热封轮廓上和最外侧轮廓上的所有单边边缘线的封装异常序列获取封装轮廓的异常指数的方法为:
将最外侧轮廓上所有单边边缘线的封装异常序列的变异系数的最大值作为第一组成因子;将内侧热封轮廓上所有单边边缘线的封装异常序列的变异系数的最大值作为第二组成因子;
封装轮廓的异常指数由第一组成因子、第二组成因子两部分组成,其中,所述异常指数与第一组成因子、第二组成因子成正比关系。
7.根据权利要求1所述的一种基于机器视觉的预制菜生产检测方法,其特征在于,所述根据待检测预制菜封装轮廓的异常指数与标准包装时封装轮廓的异常指数获取待检测预制菜的检测结果的方法为:
将每类预制菜标准封装时封装轮廓对应的异常指数作为每类预制菜的参考阈值,将待检测预制菜封装轮廓的异常指数与其对应类别的参考阈值的差值绝对值作为待检测预制菜的检测评估系数;
根据待检测预制菜的检测评估系数与预设阈值的对比结果获取待检测预制菜的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108096.9A CN116824577B (zh) | 2023-08-31 | 2023-08-31 | 一种基于机器视觉的预制菜生产检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108096.9A CN116824577B (zh) | 2023-08-31 | 2023-08-31 | 一种基于机器视觉的预制菜生产检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116824577A CN116824577A (zh) | 2023-09-29 |
CN116824577B true CN116824577B (zh) | 2023-11-24 |
Family
ID=88127814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311108096.9A Active CN116824577B (zh) | 2023-08-31 | 2023-08-31 | 一种基于机器视觉的预制菜生产检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824577B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173169B (zh) * | 2023-11-02 | 2024-02-06 | 泰安金冠宏食品科技有限公司 | 基于图像处理的预制菜分选方法 |
CN117556108B (zh) * | 2024-01-12 | 2024-03-26 | 泰安金冠宏食品科技有限公司 | 一种基于数据分析的油渣分离效率异常检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2884426A1 (en) * | 2013-12-12 | 2015-06-17 | Omron Corporation | Image processing device, image processing method, and image processing program |
CN105046705A (zh) * | 2015-07-13 | 2015-11-11 | 浙江工业大学 | 一种基于模糊理论的裂纹边缘检测方法 |
CN106339707A (zh) * | 2016-08-19 | 2017-01-18 | 亿嘉和科技股份有限公司 | 一种基于对称性特征的仪表指针图像识别方法 |
CN109060836A (zh) * | 2018-08-28 | 2018-12-21 | 南通大学 | 基于机器视觉的高压油管接头外螺纹检测方法 |
CN114897773A (zh) * | 2022-03-31 | 2022-08-12 | 海门王巢家具制造有限公司 | 一种基于图像处理的扭曲木材检测方法及系统 |
CN115078365A (zh) * | 2021-03-15 | 2022-09-20 | 中国石油大学(华东) | 一种软包装印刷质量缺陷检测方法 |
CN115170669A (zh) * | 2022-09-05 | 2022-10-11 | 合肥安迅精密技术有限公司 | 基于边缘特征点集配准的识别定位方法及系统、存储介质 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
-
2023
- 2023-08-31 CN CN202311108096.9A patent/CN116824577B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2884426A1 (en) * | 2013-12-12 | 2015-06-17 | Omron Corporation | Image processing device, image processing method, and image processing program |
CN105046705A (zh) * | 2015-07-13 | 2015-11-11 | 浙江工业大学 | 一种基于模糊理论的裂纹边缘检测方法 |
CN106339707A (zh) * | 2016-08-19 | 2017-01-18 | 亿嘉和科技股份有限公司 | 一种基于对称性特征的仪表指针图像识别方法 |
CN109060836A (zh) * | 2018-08-28 | 2018-12-21 | 南通大学 | 基于机器视觉的高压油管接头外螺纹检测方法 |
CN115078365A (zh) * | 2021-03-15 | 2022-09-20 | 中国石油大学(华东) | 一种软包装印刷质量缺陷检测方法 |
CN114897773A (zh) * | 2022-03-31 | 2022-08-12 | 海门王巢家具制造有限公司 | 一种基于图像处理的扭曲木材检测方法及系统 |
CN115170669A (zh) * | 2022-09-05 | 2022-10-11 | 合肥安迅精密技术有限公司 | 基于边缘特征点集配准的识别定位方法及系统、存储介质 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
Non-Patent Citations (3)
Title |
---|
Graph Laplacian for image anomaly detection;Verdoja Francesco 等;Machine Vision and Applications;全文 * |
基于改进Canny和异常轮廓点搜索的密封圈毛刺检测系统设计;张洪;周益华;吴静静;;组合机床与自动化加工技术(10);全文 * |
基于统计阈值法的印品缺陷检测;官燕燕;刘昕;;西安理工大学学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116824577A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116824577B (zh) | 一种基于机器视觉的预制菜生产检测方法 | |
CN104517089B (zh) | 一种二维码解码系统及其方法 | |
CN115272341A (zh) | 一种基于机器视觉的包装机缺陷产品检测方法 | |
CN108613630A (zh) | 基于图像处理技术的两线型管水准器气泡偏移量测量方法 | |
CN108592948A (zh) | 一种管水准器气泡偏移量自动测量方法 | |
CN115018846B (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN107945155A (zh) | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 | |
CN112270268A (zh) | 一种非结构化环境下基于深度学习的果实采摘机器人目标检测方法 | |
CN115311294A (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 | |
CN108534802A (zh) | 基于图像处理技术的管水准器气泡偏移量测量方法 | |
CN116297530A (zh) | 基于光学技术的阻隔膜表面质量检测方法 | |
CN116255912A (zh) | 包裹的静态体积测量方法及系统 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN115953367B (zh) | 基于视觉识别的封口机异常检测方法及系统 | |
CN107316287A (zh) | 一种矩形铁氧体磁片表面的缺陷识别方法 | |
CN115545383A (zh) | 一种草莓脆外观品质的双目立体视觉检测方法 | |
CN117974637B (zh) | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 | |
CN112669304A (zh) | 一种基于数字图像处理技术的花粉检测方法 | |
CN117173169B (zh) | 基于图像处理的预制菜分选方法 | |
CN117474909B (zh) | 基于机器视觉的包装纸盒瑕疵检测方法 | |
CN113610775B (zh) | 一种药丸板的药丸检测方法、装置及存储介质 | |
CN117237353B (zh) | 手机外观的瑕疵检测方法、装置、设备及存储介质 | |
CN112802022B (zh) | 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
CN117974671A (zh) | 基于人工智能的手表表盘缺陷智能检测方法 |
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 |