CN117282687A - 印刷品视觉检测自动剔补标控制系统 - Google Patents

Abstract

本发明涉及计算机视觉技术领域，尤指一种印刷品视觉检测自动剔补标控制系统，包括：视觉检测模块、剔标机构和补标机构，视觉检测模块在检测到贴标不合格的印刷品时，发出第一控制指令和第二控制指令，具体为：视觉检测模块检测标签在印刷品上的位置是否正确，若否，则发出第一控制指令和第二控制指令，若是，则检测印刷品上的标签是否存在缺陷，若存在，则发出第一控制指令和第二控制指令；第一控制指令用于控制剔标机构剔除贴标不合格的印刷品上的标签，第二控制指令用于控制补标机构在剔除标签后的印刷品上粘贴合格的标签。本发明可以及时发现印刷品上的贴标不合格或标签缺陷，并自动进行剔标和补标。

Description

印刷品视觉检测自动剔补标控制系统

技术领域

本发明涉及计算机视觉技术领域，尤指一种印刷品视觉检测自动剔补标控制系统。

背景技术

标签可以用来标志产品或对产品分类，印刷业所称的标签，大部分是用来标识自己产品的相关说明。在印刷品生产过程中，若发现印刷材料上的标签存在缺陷或标签粘贴位置存在错误，则需要对该标签进行剔除更换。

现有的印刷品检测机在检测到印刷品有瑕疵时，通过控制牵引电机的运动，使当前不良品停在操作台上，由操作人员对不良产品进行手动剔除，再由操作人员手工再贴一个良品上去。这种换标的方法自动化程度抵，需要人工操作，费时费力。

发明内容

为解决上述问题，本发明提供一种印刷品视觉检测自动剔补标控制系统，其通过视觉检测模块的检测和控制，可以及时发现贴标不合格的印刷品，并发出控制指令，通过剔标机构和补标机构能够根据控制指令自动进行剔标和补标，确保印刷品的质量符合要求，而且无需人工干预，提高了生产效率。

为实现上述目的，本发明采用的技术方案是：

一种印刷品视觉检测自动剔补标控制系统，包括：沿印刷品传输路径依序设置的视觉检测模块、剔标机构和补标机构，所述视觉检测模块与所述剔标机构及补标机构通信连接；

所述视觉检测模块在检测到贴标不合格的印刷品时，发出第一控制指令和第二控制指令，具体为：

所述视觉检测模块检测标签在印刷品上的位置是否正确，

若否，则发出第一控制指令和第二控制指令，

若是，则检测印刷品上的标签是否存在缺陷，若存在，则发出第一控制指令和第二控制指令；

所述第一控制指令用于控制剔标机构剔除贴标不合格的印刷品上的标签，所述第二控制指令用于控制补标机构在剔除标签后的印刷品上粘贴合格的标签。

进一步，所述视觉检测模块检测标签在印刷品上的位置是否正确，包括：

通过Harris角点检测算法提取印刷品上的标签位置；

通过预设的标签位置模型判断所述标签位置是否正确。

进一步，所述检测印刷品上的标签是否存在缺陷，包括：

获取标签图像；

提取标签特征；

通过预设的标签模型判断所述标签特征是否存在缺陷。

进一步，所述视觉检测模块包括：

图像采集单元，用于采集印刷品图像；

图像预处理单元，用于将采集到的印刷品图像进行预处理；

第一判断单元，用于通过Harris角点检测算法提取预处理后的印刷品图像的标签位置，并通过预设的标签位置模型判断所述标签位置是否正确；

第二判断单元，用于提取预处理后的印刷品图像的标签特征，并通过预设的标签模型判断所述标签特征是否存在缺陷；

控制单元，用于根据第一判断单元或第二判断单元输出的结果，发出第一控制指令和第二控制指令。

进一步，所述将采集到的印刷品图像进行预处理，包括颜色空间转换、噪声去除和边缘增强。

进一步，所述通过Harris角点检测算法提取预处理后的印刷品图像的标签位置，并通过预设的标签位置模型判断所述标签位置是否正确，具体包括：

通过Harris角点检测算法提取预处理后的印刷品图像中的角点位置，其中，通过计算每个像素的响应值，选取响应值较高的像素作为角点；

根据预先收集的正确标签位置数据，通过SVM算法训练一个标签位置模型；

将提取到的角点位置输入到训练好的标签位置模型中，所述标签位置模型根据已有的训练样本信息，计算每个提取到的角点的特征并进行比较，从而给出判断结果。

进一步，所述标签模型是通过随机森林算法根据已有的印刷品标签样本数据集构建而成。

进一步，所述提取预处理后的印刷品图像的标签特征，并通过预设的标签模型判断所述标签特征是否存在缺陷；具体包括：

通过CNN算法，对预处理后的印刷品图像进行标签特征的提取；所述印刷品图像的标签特征包括标签形状特征、标签颜色特征和标签纹理特征；

将提取到的标签特征输入预设的标签模型中；

标签模型根据训练样本的信息学习到缺陷特征的规律，并根据输入的标签特征判断是否存在缺陷。

进一步，所述图像预处理单元与所述图像采集单元、第一判断单元以及第二判断单元通信连接，所述第一判断单元与所述第二判断单元通信连接，所述控制单元与所述剔标机构、补标机构、第一判断单元以及第二判断单元通信连接。

进一步，所述根据预先收集的正确标签位置数据，通过SVM算法训练一个标签位置模型，包括：

收集并整理一组包含正确标签位置的数据集；

从所述数据集的每个数据样本中提取关键特征作为输入向量；

通过降维算法对特征向量进行预处理；

采用交叉验证的方式将数据集划分为训练集和测试集；

选择SVM算法作为标签位置初始模型；

通过训练集对所述标签位置初始模型进行训练，训练过程中，SVM算法通过寻找最优超平面来将不同类别的数据样本分开；

根据所述标签位置初始模型的训练结果，对所述标签位置初始模型的参数进行调优；

通过测试集对参数调优后的所述标签位置初始模型进行评估；

根据评估结果，对所述标签位置初始模型进行优化，得到标签位置模型；

将所述标签位置模型部署在所述第一判断单元中。

本发明的有益效果在于：

本发明的视觉检测模块首先检测印刷品上的标签位置是否正确，如果不正确，则发出第一和第二控制指令；如果标签位置正确，视觉检测模块接着检测标签是否存在缺陷，如果存在缺陷，则同样会发出第一和第二控制指令。第一控制指令用于触发剔标机构，让其剔除贴标不合格的印刷品上的标签，第二控制指令用于触发补标机构，在剔除标签后的印刷品上粘贴合格的标签。由此可见，通过视觉检测模块的检测和控制，系统可以及时发现印刷品上的标签位置错误以及标签缺陷，并发出控制指令；通过剔标机构和补标机构能够根据控制指令自动进行剔标和补标，确保印刷品的质量符合要求，而且无需人工干预，提高了生产效率，同时，可以有效减少人为因素对印刷品质量的影响，提高了生产线的稳定性和一致性。

附图说明

图1 是本发明的印刷品视觉检测自动剔补标控制系统的示意图。

具体实施方式

请参阅图1所示，本发明关于一种印刷品视觉检测自动剔补标控制系统，包括：沿印刷品传输路径依序设置的视觉检测模块、剔标机构和补标机构，所述视觉检测模块与所述剔标机构及补标机构通信连接；

所述视觉检测模块在检测到贴标不合格的印刷品时，发出第一控制指令和第二控制指令，具体为：

所述视觉检测模块检测标签在印刷品上的位置是否正确，

若否，则发出第一控制指令和第二控制指令，

若是，则检测印刷品上的标签是否存在缺陷，若存在，则发出第一控制指令和第二控制指令；

所述第一控制指令用于控制剔标机构剔除贴标不合格的印刷品上的标签，所述第二控制指令用于控制补标机构在剔除标签后的印刷品上粘贴合格的标签。

在上述方案中，视觉检测模块首先检测印刷品上的标签位置是否正确，如果不正确，则发出第一和第二控制指令；如果标签位置正确，视觉检测模块接着检测标签是否存在缺陷，如果存在缺陷，则同样会发出第一和第二控制指令。第一控制指令用于触发剔标机构，让其剔除贴标不合格的印刷品上的标签，第二控制指令用于触发补标机构，在剔除标签后的印刷品上粘贴合格的标签。由此可见，通过视觉检测模块的检测和控制，系统可以及时发现贴标不合格的印刷品以及标签缺陷，并发出控制指令；剔标机构和补标机构能够根据控制指令自动进行剔标和补标，确保印刷品的质量符合要求，而且无需人工干预，提高了生产效率，同时，可以有效减少人为因素对印刷品质量的影响，提高了生产线的稳定性和一致性。另外，通过剔除贴标不合格的印刷品和补贴合格的标签，系统可以避免不良产品的流入市场。

进一步地，所述视觉检测模块检测标签在印刷品上的位置是否正确，包括：

通过Harris角点检测算法提取印刷品上的标签位置；

通过预设的标签位置模型判断所述标签位置是否正确。

进一步地，所述检测印刷品上的标签是否存在缺陷，包括：

获取标签图像；

提取标签特征；

通过预设的标签模型判断所述标签特征是否存在缺陷。

进一步地，所述视觉检测模块包括：

图像采集单元，用于采集印刷品图像；

图像预处理单元，用于将采集到的印刷品图像进行预处理；

第一判断单元，用于通过Harris角点检测算法提取预处理后的印刷品图像的标签位置，并通过预设的标签位置模型判断所述标签位置是否正确；

第二判断单元，用于提取预处理后的印刷品图像的标签特征，并通过预设的标签模型判断所述标签特征是否存在缺陷；

控制单元，用于根据第一判断单元或第二判断单元输出的结果，发出第一控制指令和第二控制指令。

所述图像预处理单元与所述图像采集单元、第一判断单元以及第二判断单元通信连接，所述第一判断单元与所述第二判断单元通信连接，所述控制单元与所述剔标机构、补标机构、第一判断单元以及第二判断单元通信连接。

在上述方案中，通过图像采集单元和图像预处理单元的组合，可以快速、准确地采集印刷品图像，并对其进行必要的预处理操作，这样可以减少第一判断单元以及第二判断单元的计算时间和负担。第一判断单元通过Harris角点检测算法提取标签位置，并使用预设的标签位置模型判断标签位置是否正确。这样可以避免由于生产过程中存在的标签位置错误，进一步减少错误率。第二判断单元通过提取印刷品图像的标签特征，并使用预设的标签模型判断标签特征是否存在缺陷；这样可以及时发现并修正标签特征的问题，提高印刷品的质量水平。控制单元根据第一判断单元或第二判断单元的输出结果，发出相应的控制指令，这样可以实现对剔标机构、补标机构等设备的自动控制，提高生产过程的自动化程度。综上所述，所述视觉检测模块能够提高印刷品生产过程的工作效率、减少错误率、提高产品质量，并实现自动化控制。

进一步地，所述将采集到的印刷品图像进行预处理，包括颜色空间转换、噪声去除和边缘增强，此处限定的目的在于提高图像质量、便于后续处理和分析，以及改善图像识别和理解，具体为：1.提高图像质量：预处理过程中的颜色空间转换技术可以对图像的颜色表示进行调整，从而改善图像的质量和还原度。噪声去除技术可以有效地降低图像中的噪声干扰，使得图像更加清晰和可辨识。边缘增强技术可以突出图像中的边缘信息，使得图像中的细节更加鲜明和丰富。2.便于后续处理和分析：通过预处理，可以使得采集到的印刷品图像更符合后续处理和分析的需求。颜色空间转换可以使得图像的颜色表示更加一致，方便进行特定颜色信息的提取和分析。噪声去除可以减少图像中的冗余信息，提高后续处理算法的准确性和效率。边缘增强可以突出图像中的边缘信息，使得后续的边缘检测和物体识别等任务更加容易实现。3.改善图像识别和理解：预处理过程中的颜色空间转换、噪声去除和边缘增强等操作可以改善图像的质量和可辨识性，有助于后续的图像识别和理解任务。例如，对于印刷品图像中的文字识别任务，清晰的图像可以提高文字识别算法的准确率和稳定性。对于印刷品图像中的目标检测任务，突出的边缘信息可以帮助算法更好地定位和分割目标物体。

进一步地，所述通过Harris角点检测算法提取预处理后的印刷品图像的标签位置，并通过预设的标签位置模型判断所述标签位置是否正确，具体包括：

通过Harris角点检测算法提取预处理后的印刷品图像中的角点位置，其中，通过计算每个像素的响应值，选取响应值较高的像素作为角点；

根据预先收集的正确标签位置数据，通过SVM算法训练一个标签位置模型；

将提取到的角点位置输入到训练好的标签位置模型中，所述标签位置模型根据已有的训练样本信息，计算每个提取到的角点的特征并进行比较，从而给出判断结果。

在上述方案中，通过Harris角点检测算法提取角点位置，并通过SVM算法训练的标签位置模型进行判断，可以实现自动提取印刷品图像标签位置、提高准确性和工作效率。具体为：1.自动提取标签位置：通过Harris角点检测算法，可以自动提取印刷品图像中的角点位置，不需要人工干预；可以提高工作效率，减少人力成本。2.标签位置判断：通过训练好的标签位置模型，可以对提取到的角点位置进行判断，判断该位置是否正确，对于大量印刷品图像的批量处理任务，可以快速准确地确定标签位置的正确与否。3.提高准确性：利用Harris角点检测算法和SVM算法训练的标签位置模型，结合已有的训练样本信息，可以计算每个提取到的角点的特征并进行比较，从而给出准确的判断结果。这可以避免人为主观因素对标签位置判断的影响，提高判断的准确性和可靠性。4.应用范围广泛：该方法适用于各类印刷品图像的标签位置提取和判断，如产品包装、条形码识别等场景。

进一步地，所述根据预先收集的正确标签位置数据，通过SVM算法训练一个标签位置模型，包括：

收集并整理一组包含正确标签位置的数据集；

从所述数据集的每个数据样本中提取关键特征作为输入向量；

通过降维算法对特征向量进行预处理；

采用交叉验证的方式将数据集划分为训练集和测试集；

选择SVM算法作为标签位置初始模型；

通过训练集对所述标签位置初始模型进行训练，训练过程中，SVM算法通过寻找最优超平面来将不同类别的数据样本分开；

根据所述标签位置初始模型的训练结果，对所述标签位置初始模型的参数进行调优；

通过测试集对参数调优后的所述标签位置初始模型进行评估；

根据评估结果，对所述标签位置初始模型进行优化，得到标签位置模型；

将所述标签位置模型部署在所述第一判断单元中。

通过上述过程，可以实现对标签位置的准确预测和判断，提高工作效率和准确性，降低计算成本，增强泛化能力，并且便于实际应用部署。具体为，1.提高准确性：通过收集并整理一组包含正确标签位置的数据集，并根据这些数据样本提取关键特征作为输入向量，可以建立一个准确的标签位置模型。该模型经过参数调优和评估后，能够更准确地进行标签位置的预测和判断。2.降低计算成本：通过采用降维算法对特征向量进行预处理，可以减少特征的数量，从而降低了训练和预测的计算成本。这样可以在保持一定准确性的前提下，提高算法的效率和响应速度。3.增强泛化能力：通过将数据集划分为训练集和测试集，并采用交叉验证的方式进行训练和评估，可以有效地评估模型的泛化能力。这样可以帮助模型更好地适应不同的数据样本，提高其在实际应用中的稳定性和可靠性。4.优化模型性能：通过训练集对标签位置初始模型进行训练，并根据训练结果对模型的参数进行调优，可以进一步优化模型的性能。经过参数调优和评估后，可以得到一个更具优化效果的标签位置模型，提高了标签位置预测的准确性和稳定性。5.实际应用部署：将训练得到的标签位置模型部署在第一判断单元中，可以实现对印刷品标签位置的快速判断和处理。这样可以提高工作效率，减少人工干预，实现自动化处理和决策。

进一步地，所述标签模型是通过随机森林算法根据已有的印刷品标签样本数据集构建而成。需要说明的是，标签模型是通过随机森林算法构建的，该算法基于已有的印刷品标签样本数据集。随机森林是一种集成学习方法，它由多个决策树组成。在构建标签模型时，随机森林算法会对数据集进行随机采样，并使用这些采样数据构建多个决策树模型。在每个决策树中，随机森林算法会考虑不同的特征和属性，并根据已有的标签样本数据进行训练。每个决策树都会根据这些特征和属性对数据进行划分，形成一个决策过程。最后，随机森林算法会将多个决策树的结果进行整合，得出最终的标签模型。通过使用随机森林算法构建标签模型，可以有效地利用不同的特征和属性对印刷品进行分类和标记。该模型能够根据已有的标签样本数据学习到各种特征之间的关联性，并在实际应用中对新的印刷品进行分类预测。同时，随机森林算法还具有较好的鲁棒性和泛化能力，能够有效地处理数据中的噪声和异常情况，提高标签模型的准确性和稳定性。总之，通过随机森林算法构建的标签模型能够根据已有的印刷品标签样本数据对新的印刷品进行分类和标记，具有较好的准确性、稳定性和泛化能力。

进一步地，所述提取预处理后的印刷品图像的标签特征，并通过预设的标签模型判断所述标签特征是否存在缺陷；具体包括：

通过CNN算法，对预处理后的印刷品图像进行标签特征的提取；所述印刷品图像的标签特征包括标签形状特征、标签颜色特征和标签纹理特征；

将提取到的标签特征输入预设的标签模型中；

标签模型根据训练样本的信息学习到缺陷特征的规律，并根据输入的标签特征判断是否存在缺陷。

在上述方案中，首先，基于卷积神经网络（CNN）算法对预处理后的印刷品图像进行特征提取，包括标签的形状特征、颜色特征和纹理特征。通过CNN算法的运算，可以自动地从图像中提取这些标签特征。接下来，将提取到的标签特征输入预设的标签模型中。这个标签模型是通过学习训练样本中的信息，从中学习到缺陷特征的规律。标签模型可以将输入的标签特征与已学习到的缺陷特征进行比较，并判断是否存在缺陷。如果模型认为输入的标签特征符合缺陷特征的规律，则意味着存在缺陷；从而可以自动检测印刷品图像中的标签缺陷。传统的印刷品标签缺陷检测方法需要人工参与，费时费力。而使用这种基于CNN算法的自动检测，可以大大提高检测效率和准确性。通过提取图像的标签特征并与已学习的缺陷特征进行匹配，可以快速识别出存在缺陷的标签，并及时进行处理，提高产品质量和生产效率。

以上实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (6)

1.一种印刷品视觉检测自动剔补标控制系统，其特征在于，包括：沿印刷品传输路径依序设置的视觉检测模块、剔标机构和补标机构，所述视觉检测模块与所述剔标机构及补标机构通信连接；

所述视觉检测模块在检测到贴标不合格的印刷品时，发出第一控制指令和第二控制指令，具体为：

所述视觉检测模块检测标签在印刷品上的位置是否正确，

若否，则发出第一控制指令和第二控制指令，

若是，则检测印刷品上的标签是否存在缺陷，若存在，则发出第一控制指令和第二控制指令；

所述第一控制指令用于控制剔标机构剔除贴标不合格的印刷品上的标签，所述第二控制指令用于控制补标机构在剔除标签后的印刷品上粘贴合格的标签；

其中，

所述视觉检测模块检测标签在印刷品上的位置是否正确，包括：

通过Harris角点检测算法提取印刷品上的标签位置；

通过预设的标签位置模型判断所述标签位置是否正确；

所述检测印刷品上的标签是否存在缺陷，包括：

获取标签图像；

提取标签特征；

通过预设的标签模型判断所述标签特征是否存在缺陷；

所述视觉检测模块包括：

图像采集单元，用于采集印刷品图像；

图像预处理单元，用于将采集到的印刷品图像进行预处理；

第一判断单元，用于通过Harris角点检测算法提取预处理后的印刷品图像的标签位置，并通过预设的标签位置模型判断所述标签位置是否正确；

第二判断单元，用于提取预处理后的印刷品图像的标签特征，并通过预设的标签模型判断所述标签特征是否存在缺陷；

控制单元，用于根据第一判断单元或第二判断单元输出的结果，发出第一控制指令和第二控制指令；

所述通过Harris角点检测算法提取预处理后的印刷品图像的标签位置，并通过预设的标签位置模型判断所述标签位置是否正确，具体包括：

通过Harris角点检测算法提取预处理后的印刷品图像中的角点位置，其中，通过计算每个像素的响应值，选取响应值较高的像素作为角点；

根据预先收集的正确标签位置数据，通过SVM算法训练一个标签位置模型；

将提取到的角点位置输入到训练好的标签位置模型中，所述标签位置模型根据已有的训练样本信息，计算每个提取到的角点的特征并进行比较，从而给出判断结果。

2.根据权利要求1所述的印刷品视觉检测自动剔补标控制系统，其特征在于，所述将采集到的印刷品图像进行预处理，包括颜色空间转换、噪声去除和边缘增强。

3.根据权利要求2所述的印刷品视觉检测自动剔补标控制系统，其特征在于，所述标签模型是通过随机森林算法根据已有的印刷品标签样本数据集构建而成。

4.根据权利要求3所述的印刷品视觉检测自动剔补标控制系统，其特征在于，所述提取预处理后的印刷品图像的标签特征，并通过预设的标签模型判断所述标签特征是否存在缺陷；具体包括：

通过CNN算法，对预处理后的印刷品图像进行标签特征的提取；所述印刷品图像的标签特征包括标签形状特征、标签颜色特征和标签纹理特征；

将提取到的标签特征输入预设的标签模型中；

标签模型根据训练样本的信息学习到缺陷特征的规律，并根据输入的标签特征判断是否存在缺陷。

5.根据权利要求4所述的印刷品视觉检测自动剔补标控制系统，其特征在于，所述图像预处理单元与所述图像采集单元、第一判断单元以及第二判断单元通信连接，所述第一判断单元与所述第二判断单元通信连接，所述控制单元与所述剔标机构、补标机构、第一判断单元以及第二判断单元通信连接。

6.根据权利要求5所述的印刷品视觉检测自动剔补标控制系统，其特征在于，所述根据预先收集的正确标签位置数据，通过SVM算法训练一个标签位置模型，包括：

收集并整理一组包含正确标签位置的数据集；

从所述数据集的每个数据样本中提取关键特征作为输入向量；

通过降维算法对特征向量进行预处理；

采用交叉验证的方式将数据集划分为训练集和测试集；

选择SVM算法作为标签位置初始模型；

通过训练集对所述标签位置初始模型进行训练，训练过程中，SVM算法通过寻找最优超平面来将不同类别的数据样本分开；

根据所述标签位置初始模型的训练结果，对所述标签位置初始模型的参数进行调优；

通过测试集对参数调优后的所述标签位置初始模型进行评估；

根据评估结果，对所述标签位置初始模型进行优化，得到标签位置模型；

将所述标签位置模型部署在所述第一判断单元中。