CN117333467A - 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 - Google Patents

基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 Download PDF

Info

Publication number
CN117333467A
CN117333467A CN202311344562.3A CN202311344562A CN117333467A CN 117333467 A CN117333467 A CN 117333467A CN 202311344562 A CN202311344562 A CN 202311344562A CN 117333467 A CN117333467 A CN 117333467A
Authority
CN
China
Prior art keywords
bottle body
image
flaw
area
processing
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
CN202311344562.3A
Other languages
English (en)
Other versions
CN117333467B (zh
Inventor
付震
薄文才
迟程
张超
王伟东
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 Jingyao Glass Group
Original Assignee
Shandong Jingyao Glass Group
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 Jingyao Glass Group filed Critical Shandong Jingyao Glass Group
Priority to CN202311344562.3A priority Critical patent/CN117333467B/zh
Publication of CN117333467A publication Critical patent/CN117333467A/zh
Application granted granted Critical
Publication of CN117333467B publication Critical patent/CN117333467B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及图像处理技术领域，尤其涉及一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统。所述方法包括以下步骤：对玻璃瓶瓶身进行图像拍摄采集处理和图像预处理，得到瓶身高质量图像；对瓶身高质量图像进行第一瑕疵检测处理，得到瓶身表面瑕疵数据；对玻璃瓶瓶身进行潜在瑕疵识别处理，得到瓶身潜在瑕疵区域；根据瓶身潜在瑕疵区域对瓶身表面瑕疵数据进行第二瑕疵检测处理和特征提取处理，得到瓶身瑕疵区域特征；对瓶身瑕疵区域特征进行瑕疵分类处理和严重程度定量分析，得到瓶身瑕疵类型数据和瑕疵严重定量数据，并对玻璃瓶瓶身进行瑕疵标记处理，得到瓶身瑕疵标记信息。本发明能够高效、准确地识别啤酒玻璃瓶身上的各种瑕疵。

Description

基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统。
背景技术
在啤酒瓶玻璃容器制造过程中，啤酒瓶瓶身上可能会出现各种瑕疵，如气泡、划痕、杂质等。而传统的检测方法通常需要人工干预，费时费力且不够精确，容易漏检或误判，从而导致生产成本增加和产品质量下降。
发明内容
基于此，本发明有必要提供一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，包括以下步骤：
步骤S1：对玻璃瓶瓶身进行图像拍摄采集处理，得到瓶身高分辨率图像；并对瓶身高分辨率图像进行图像预处理，得到瓶身高质量图像；
步骤S2：对瓶身高质量图像进行第一瑕疵检测处理，得到瓶身表面瑕疵数据；
步骤S3：对玻璃瓶瓶身进行潜在瑕疵识别处理，得到瓶身潜在瑕疵区域；
步骤S4：根据瓶身潜在瑕疵区域对瓶身表面瑕疵数据进行第二瑕疵检测处理，得到瓶身瑕疵区域数据；并对瓶身瑕疵区域数据进行特征提取处理，得到瓶身瑕疵区域特征；
步骤S5：对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；对瓶身瑕疵类型数据进行严重程度定量分析，得到瑕疵严重定量数据；
步骤S6：根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，得到瓶身瑕疵标记信息。
本发明首先通过对玻璃瓶瓶身进行高分辨率图像拍摄采集处理，这样能够利用高分辨率图像捕捉玻璃瓶瓶身的每个微小细节，包括表面的纹理、颜色和形状，这提供了可用于深度瑕疵检测分析的丰富数据。同时，通过对采集得到的高分辨率图像进行图像预处理，这包括去除来自摄像机传感器的噪声，还能够校正可能的透视畸变，并增强图像的对比度和亮度。通过这些预处理步骤，能够获得高质量、高清晰度的图像，为后续的瑕疵检测提供了可靠的输入。通过将图像预处理后的瓶身高质量图像用于第一次瑕疵检测处理，这样能够快速而准确地识别瓶身表面的可见瑕疵，例如划痕、凹陷或颜色不均匀。通过分析图像中的像素差异，可以定位这些明显的瑕疵问题区域，这有助于及早检测和记录已知瑕疵，从而为后续的瑕疵修复提供指导。其次，通过对整个玻璃瓶瓶身进行潜在瑕疵识别处理，这一步骤的关键效果在于对玻璃瓶瓶身进行全面的扫描，以确定可能存在但尚未明显可见的瑕疵区域，这些潜在瑕疵可能包括微小的缺陷、纹理变化或颜色不均。通过探测这些隐藏问题，可以确保啤酒玻璃瓶产品质量的全面性和准确性。然后，基于瓶身潜在瑕疵区域的位置信息对瓶身表面瑕疵数据进行第二瑕疵检测处理，这样能够更仔细地检测和定位瓶身的瑕疵问题区域，包括微小的缺陷和细微的纹理变化。并且，通过对瓶身瑕疵区域数据进行特征提取处理，这包括捕捉关键的形状、纹理、颜色和深度信息，以便更深入地了解瑕疵的特性和位置。接下来，通过对瓶身瑕疵区域特征进行瑕疵分类处理，能够对不同类型的瑕疵分门别类，如裂纹、气泡、污渍等。这一步的效果在于为瑕疵提供准确的标签，以便进一步的处理和修复。此外，还通过对瓶身瑕疵类型数据进行严重程度定量分析，以评估每种瑕疵的程度和影响，这有助于制定后续的质量控制策略，确保啤酒玻璃瓶产品符合标准。最后，根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，能够将每个瑕疵的位置、类型和严重度清晰地标记在图像上，以便生产和质量控制团队能够迅速识别问题区域，这些标记信息也可用于生成质量报告和记录，帮助持续改进生产流程，从而能够减少生产成本和提高啤酒玻璃瓶产品的质量。
优选地，本发明还提供了一种基于图像处理的玻璃瓶瓶身瑕疵识别检测系统，用于执行如上所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，该基于图像处理的玻璃瓶瓶身瑕疵识别检测系统包括：
瓶身图像采集模块，用于对玻璃瓶瓶身进行图像拍摄采集处理，得到瓶身高分辨率图像；并对瓶身高分辨率图像进行图像预处理，从而得到瓶身高质量图像；
表面瑕疵检测模块，用于对瓶身高质量图像进行第一瑕疵检测处理，从而得到瓶身表面瑕疵数据；
潜在瑕疵识别模块，用于对玻璃瓶瓶身进行潜在瑕疵识别处理，从而得到瓶身潜在瑕疵区域；
瑕疵区域特征检测模块，用于根据瓶身潜在瑕疵区域对瓶身表面瑕疵数据进行第二瑕疵检测处理，得到瓶身瑕疵区域数据；并对瓶身瑕疵区域数据进行特征提取处理，从而得到瓶身瑕疵区域特征；
瑕疵分类定量分析模块，用于对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；对瓶身瑕疵类型数据进行严重程度定量分析，从而得到瑕疵严重定量数据；
瑕疵标记处理模块，用于根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，从而得到瓶身瑕疵标记信息。
综上所述，本发明提供了一种基于图像处理的玻璃瓶瓶身瑕疵识别检测系统，该基于图像处理的玻璃瓶瓶身瑕疵识别检测系统由瓶身图像采集模块、表面瑕疵检测模块、潜在瑕疵识别模块、瑕疵区域特征检测模块、瑕疵分类定量分析模块以及瑕疵标记处理模块组成，能够实现本发明所述任意一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，用于联合各个模块上运行的计算机程序之间的操作实现一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，系统内部结构互相协作，通过使用图像处理和机器学习技术，能够实现对玻璃瓶瓶身瑕疵的自动化识别和检测，并通过采用高分辨率图像和先进的图像预处理方法，从而提高了瑕疵检测的准确性和效率，这样能够大大减少重复工作和人力投入，能够快速有效地提供更准确、更高效的瑕疵识别检测过程，从而简化了基于图像处理的玻璃瓶瓶身瑕疵识别检测系统的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于图像处理的玻璃瓶瓶身瑕疵识别检测方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图2中步骤S16的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图3，本发明提供了一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，所述方法包括以下步骤：
步骤S1：对玻璃瓶瓶身进行图像拍摄采集处理，得到瓶身高分辨率图像；并对瓶身高分辨率图像进行图像预处理，得到瓶身高质量图像；
步骤S2：对瓶身高质量图像进行第一瑕疵检测处理，得到瓶身表面瑕疵数据；
步骤S3：对玻璃瓶瓶身进行潜在瑕疵识别处理，得到瓶身潜在瑕疵区域；
步骤S4：根据瓶身潜在瑕疵区域对瓶身表面瑕疵数据进行第二瑕疵检测处理，得到瓶身瑕疵区域数据；并对瓶身瑕疵区域数据进行特征提取处理，得到瓶身瑕疵区域特征；
步骤S5：对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；对瓶身瑕疵类型数据进行严重程度定量分析，得到瑕疵严重定量数据；
步骤S6：根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，得到瓶身瑕疵标记信息。
本发明实施例中，请参考图1所示，为本发明基于图像处理的玻璃瓶瓶身瑕疵识别检测方法的步骤流程示意图，在本实例中，所述基于图像处理的玻璃瓶瓶身瑕疵识别检测方法的步骤包括：
步骤S1：对玻璃瓶瓶身进行图像拍摄采集处理，得到瓶身高分辨率图像；并对瓶身高分辨率图像进行图像预处理，得到瓶身高质量图像；
本发明实施例通过使用高分辨率图像采集设备对玻璃瓶的瓶身进行拍摄，以确保图像的焦距和曝光等参数适合瓶身图像的获取，并能够准确地检测和分析玻璃瓶瓶身上的瑕疵和细节，从而得到瓶身高分辨率图像。然后，通过对瓶身高分辨率图像进行去噪、边缘缺陷修复以及图像增强等图像预处理过程，以提高瓶身高分辨率图像中每个图像区域块的对比度和细节，最终得到瓶身高质量图像。
步骤S2：对瓶身高质量图像进行第一瑕疵检测处理，得到瓶身表面瑕疵数据；
本发明实施例通过对图像预处理后的瓶身高质量图像进行第一次瑕疵检测，以快速而准确地识别瓶身表面的可见瑕疵，例如划痕、凹陷或颜色不均匀等瑕疵数据，最终得到瓶身表面瑕疵数据。
步骤S3：对玻璃瓶瓶身进行潜在瑕疵识别处理，得到瓶身潜在瑕疵区域；
本发明实施例通过使用一个合适的潜在瑕疵度量计算公式对玻璃瓶瓶身进行瑕疵识别计算，将瑕疵问题转化为可量化的度量值，并根据计算得到的度量值的范围和分布情况，设置一个合适的阈值进行比较，如果度量值大于或等于阈值，则将对应区域标记为潜在瑕疵区域，反之则标记为正常区域，同时，将被标记为潜在瑕疵区域的部分从玻璃瓶瓶身区分出来，最终得到瓶身潜在瑕疵区域。
步骤S4：根据瓶身潜在瑕疵区域对瓶身表面瑕疵数据进行第二瑕疵检测处理，得到瓶身瑕疵区域数据；并对瓶身瑕疵区域数据进行特征提取处理，得到瓶身瑕疵区域特征；
本发明实施例通过使用卷积神经网络(CNN)或循环神经网络(RNN)等深度学习模型对瓶身潜在瑕疵区域进行多次迭代学习训练，使其能够更好地识别和学习潜在瑕疵区域，并通过使用深度学习算法协同学习瓶身的实际瑕疵区域，从而得到瓶身瑕疵区域数据。然后，通过使用时域、频域等特征提取方法对瓶身瑕疵区域数据进行特征提取，并从瓶身瑕疵区域数据中提取出有用的特征，包括形状、颜色、纹理、边缘等方面的特征信息，最终得到瓶身瑕疵区域特征。
步骤S5：对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；对瓶身瑕疵类型数据进行严重程度定量分析，得到瑕疵严重定量数据；
本发明实施例通过设计一个合适的卷积神经网络模型对瓶身瑕疵区域特征进行瑕疵分类，并将瓶身上的瑕疵区域自动分为不同的瑕疵类别，从而得到瓶身瑕疵类型数据。然后，通过计算出瓶身瑕疵类型数据中每种瑕疵类型的严重程度，并根据计算得到的严重程度对瓶身瑕疵类型数据进行定量处理，以量化不同瑕疵类型的影响，最终得到瑕疵严重定量数据。
步骤S6：根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，得到瓶身瑕疵标记信息。
本发明实施例通过根据每种瓶身瑕疵类型以及对应的瑕疵严重程度对玻璃瓶瓶身进行标记，将每个瑕疵的位置、类型和严重度清晰地标记起来，最终得到瓶身瑕疵标记信息。
本发明首先通过对玻璃瓶瓶身进行高分辨率图像拍摄采集处理，这样能够利用高分辨率图像捕捉玻璃瓶瓶身的每个微小细节，包括表面的纹理、颜色和形状，这提供了可用于深度瑕疵检测分析的丰富数据。同时，通过对采集得到的高分辨率图像进行图像预处理，这包括去除来自摄像机传感器的噪声，还能够校正可能的透视畸变，并增强图像的对比度和亮度。通过这些预处理步骤，能够获得高质量、高清晰度的图像，为后续的瑕疵检测提供了可靠的输入。通过将图像预处理后的瓶身高质量图像用于第一次瑕疵检测处理，这样能够快速而准确地识别瓶身表面的可见瑕疵，例如划痕、凹陷或颜色不均匀。通过分析图像中的像素差异，可以定位这些明显的瑕疵问题区域，这有助于及早检测和记录已知瑕疵，从而为后续的瑕疵修复提供指导。其次，通过对整个玻璃瓶瓶身进行潜在瑕疵识别处理，这一步骤的关键效果在于对玻璃瓶瓶身进行全面的扫描，以确定可能存在但尚未明显可见的瑕疵区域，这些潜在瑕疵可能包括微小的缺陷、纹理变化或颜色不均。通过探测这些隐藏问题，可以确保啤酒玻璃瓶产品质量的全面性和准确性。然后，基于瓶身潜在瑕疵区域的位置信息对瓶身表面瑕疵数据进行第二瑕疵检测处理，这样能够更仔细地检测和定位瓶身的瑕疵问题区域，包括微小的缺陷和细微的纹理变化。并且，通过对瓶身瑕疵区域数据进行特征提取处理，这包括捕捉关键的形状、纹理、颜色和深度信息，以便更深入地了解瑕疵的特性和位置。接下来，通过对瓶身瑕疵区域特征进行瑕疵分类处理，能够对不同类型的瑕疵分门别类，如裂纹、气泡、污渍等。这一步的效果在于为瑕疵提供准确的标签，以便进一步的处理和修复。此外，还通过对瓶身瑕疵类型数据进行严重程度定量分析，以评估每种瑕疵的程度和影响，这有助于制定后续的质量控制策略，确保啤酒玻璃瓶产品符合标准。最后，根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，能够将每个瑕疵的位置、类型和严重度清晰地标记在图像上，以便生产和质量控制团队能够迅速识别问题区域，这些标记信息也可用于生成质量报告和记录，帮助持续改进生产流程，从而能够减少生产成本和提高啤酒玻璃瓶产品的质量。
优选地，步骤S1包括以下步骤：
步骤S11：通过高分辨率图像采集设备对玻璃瓶瓶身进行图像拍摄处理，得到瓶身初始图像；
步骤S12：利用图像清晰程度计算公式对瓶身初始图像进行清晰计算，得到瓶身图像清晰程度；
其中，图像清晰程度计算公式如下所示：
式中，S为瓶身图像清晰程度，I(x,y)为瓶身初始图像的图像亮度分布函数，x为瓶身初始图像的横坐标参数，y为瓶身初始图像的纵坐标参数，为瓶身初始图像的亮度变化梯度，α为亮度变化梯度的图像清晰贡献平衡参数，/>为瓶身初始图像的拉普拉斯梯度，β为拉普拉斯梯度的图像清晰贡献平衡参数，/>为瓶身初始图像的亮度变化三阶梯度，γ为亮度变化三阶梯度的图像清晰贡献平衡参数，μ为瓶身图像清晰程度的修正值；
步骤S13：基于瓶身图像清晰程度对高分辨率图像采集设备进行光源适应校正处理，得到高分辨率图像采集校正设备；
步骤S14：利用高分辨率图像采集校正设备对玻璃瓶瓶身进行图像采集处理，得到瓶身高分辨率图像；
步骤S15：对瓶身高分辨率图像进行图像去噪处理，得到瓶身去噪图像；
步骤S16：对瓶身去噪图像进行边缘缺陷检测处理，得到瓶身边缘缺陷图像；
步骤S17：对瓶身边缘缺陷图像进行缺陷校正处理，得到瓶身缺陷校正图像；
步骤S18：对瓶身缺陷校正图像进行图像分块增强处理，得到瓶身高质量图像。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：通过高分辨率图像采集设备对玻璃瓶瓶身进行图像拍摄处理，得到瓶身初始图像；
本发明实施例通过使用高分辨率图像采集设备对玻璃瓶的瓶身进行拍摄，以确保图像的焦距和曝光等参数适合瓶身图像的获取，最终得到瓶身初始图像。
步骤S12：利用图像清晰程度计算公式对瓶身初始图像进行清晰计算，得到瓶身图像清晰程度；
本发明实施例通过结合图像亮度分布函数、瓶身初始图像的坐标参数、亮度变化梯度、拉普拉斯梯度、亮度变化三阶梯度、图像清晰贡献平衡参数以及相关参数构成了一个合适的图像清晰程度计算公式对瓶身初始图像进行清晰计算，以量化瓶身初始图像的清晰度，最终得到瓶身图像清晰程度。
其中，图像清晰程度计算公式如下所示：
式中，S为瓶身图像清晰程度，I(x,y)为瓶身初始图像的图像亮度分布函数，x为瓶身初始图像的横坐标参数，y为瓶身初始图像的纵坐标参数，为瓶身初始图像的亮度变化梯度，α为亮度变化梯度的图像清晰贡献平衡参数，/>为瓶身初始图像的拉普拉斯梯度，β为拉普拉斯梯度的图像清晰贡献平衡参数，/>为瓶身初始图像的亮度变化三阶梯度，γ为亮度变化三阶梯度的图像清晰贡献平衡参数，μ为瓶身图像清晰程度的修正值；
本发明构建了一个图像清晰程度计算公式，用于对瓶身初始图像进行清晰计算，该图像清晰程度计算公式综合考虑了图像亮度分布、亮度变化梯度、拉普拉斯梯度和亮度变化三阶梯度等因素，并通过加权求和得到图像的清晰程度，可以用于衡量瓶身初始图像的清晰度，为后续处理提供基础。通过使用这一项来衡量瓶身图像的局部对比度，其中拉普拉斯算子(二阶梯度)是一种用于衡量图像变化的工具，它可以帮助检测出图像中的边缘和纹理。通过将拉普拉斯梯度除以图像亮度分布函数，可以获得相对于图像的亮度变化的对比度信息。通过使用/>来关注图像的亮度梯度，亮度梯度表示了图像像素亮度的变化速率。通过将亮度梯度除以图像亮度分布函数的值，并进行平方运算，可以强调亮度梯度对图像清晰度的贡献。同时，通过使用/>来关注拉普拉斯梯度相对于亮度梯度的变化，它用于衡量图像的边缘锐度。通过将拉普拉斯梯度除以亮度梯度，可以获得图像边缘特征的信息。其次，通过使用/>来考虑了亮度变化的三阶梯度相对于二阶梯度的变化，这可以帮助检测图像中更高阶的特征，如纹理的细节变化。最终，将所有这些因素加权求和并对整个图像进行积分，就可以得到一个综合的清晰度评估值，该评估值反映了图像的整体清晰度，另外，这个评估值可以用于指导后续的图像处理步骤，以获得高质量的图像结果。该公式充分考虑了瓶身图像清晰程度S，瓶身初始图像的图像亮度分布函数I(x,y)，瓶身初始图像的横坐标参数x，瓶身初始图像的纵坐标参数y，瓶身初始图像的亮度变化梯度/>亮度变化梯度的图像清晰贡献平衡参数α，瓶身初始图像的拉普拉斯梯度/>拉普拉斯梯度的图像清晰贡献平衡参数β，瓶身初始图像的亮度变化三阶梯度/>亮度变化三阶梯度的图像清晰贡献平衡参数γ，瓶身图像清晰程度的修正值μ，根据瓶身图像清晰程度S与以上各参数之间的相互关联关系构成了一种函数关系：
该公式能够实现对瓶身初始图像的清晰计算过程，同时，通过瓶身图像清晰程度的修正值μ的引入可以根据实际情况进行调整，从而提高图像清晰程度计算公式的准确性和适用性。
步骤S13：基于瓶身图像清晰程度对高分辨率图像采集设备进行光源适应校正处理，得到高分辨率图像采集校正设备；
本发明实施例通过根据计算得到的瓶身图像清晰程度调整校正高分辨率图像采集设备光源的亮度和角度，以提高图像的质量和清晰度，最终得到高分辨率图像采集校正设备。
步骤S14：利用高分辨率图像采集校正设备对玻璃瓶瓶身进行图像采集处理，得到瓶身高分辨率图像；
本发明实施例通过使用经过光源适应校正处理后的高分辨率图像采集校正设备对玻璃瓶瓶身重新进行图像拍摄，以准确地检测和分析玻璃瓶瓶身上的瑕疵和细节，最终得到瓶身高分辨率图像。
步骤S15：对瓶身高分辨率图像进行图像去噪处理，得到瓶身去噪图像；
本发明实施例通过使用如高斯滤波器、中值滤波器等图像去噪方法对瓶身高分辨率图像进行去噪，以有效地消除和抑制瓶身高分辨率图像中的噪声，最终得到瓶身去噪图像。
步骤S16：对瓶身去噪图像进行边缘缺陷检测处理，得到瓶身边缘缺陷图像；
本发明实施例通过使用Canny边缘检测算法、Sobel算子等边缘缺陷检测算法对瓶身去噪图像进行缺陷检测，以检测出边缘缺陷的位置和形状，最终得到瓶身边缘缺陷图像。
步骤S17：对瓶身边缘缺陷图像进行缺陷校正处理，得到瓶身缺陷校正图像；
本发明实施例通过使用图像修复算法如填充、插值等对瓶身边缘缺陷图像中的边缘缺陷进行修复校正处理，最终得到瓶身缺陷校正图像。
步骤S18：对瓶身缺陷校正图像进行图像分块增强处理，得到瓶身高质量图像。
本发明实施例首先根据图像的特征选择合适块的大小将瓶身缺陷校正图像进行分块，然后，通过使用对比度增强、直方图均衡化、滤波等图像增强算法对分块后的图像区域进行图像增强处理，以提高每个图像区域块的对比度和细节，最后，将增强后的图像区域块重新组合，最终得到瓶身高质量图像。
本发明首先通过使用高分辨率图像采集设备对玻璃瓶瓶身进行图像拍摄处理，通过拍摄能够获得玻璃瓶瓶身的初始图像。这一步骤的关键效果在于获取原始图像数据，为后续处理提供了基础。高分辨率图像采集设备有助于捕捉瓶身上微小细节和潜在的瑕疵，提供了瑕疵质量分析的起点。通过使用合适的图像清晰度计算公式对瓶身初始图像进行清晰度计算，该计算公式能够量化图像的清晰度，以确定图像是否足够清晰，可以有效地识别瓶身上的瑕疵。通过清晰程度评估有助于决定后续图像处理的方式和参数。同时，根据计算得到的瓶身图像清晰程度，对高分辨率图像采集设备进行光源适应校正处理。这一步骤的效果在于根据图像的清晰度调整采集设备光源的亮度和角度，以优化图像的质量。通过光源适应校正有助于消除反射和阴影，提高图像的可视性，进一步减少干扰因素。其次，通过借助经过校正的高分辨率图像采集设备对玻璃瓶瓶身重新进行图像采集处理，以得到瓶身高分辨率图像，这样能够获取经过光源适应校正的高质量图像，以便更准确地检测和分析瓶身上的瑕疵和细节。通过对瓶身高分辨率图像进行图像去噪处理，能够消除图像中的噪声，使图像更加清晰和可分辨。通过去噪处理有助于提高后续瑕疵检测和分析的准确性，确保不会误识别噪声为瑕疵。然后，通过对瓶身去噪图像进行边缘缺陷检测处理，这样能够检测和突出显示瓶身边缘上的任何潜在缺陷，如裂纹或碎片。通过边缘缺陷检测有助于快速定位和识别瓶身的问题区域。接下来，通过对瓶身边缘缺陷图像进行缺陷校正处理。这一步骤的效果在于修复或校正检测到的边缘缺陷，以获得更准确的图像，减少误报。缺陷校正可以包括填充、修复或其他图像处理技术，以改善图像质量。最后，通过对瓶身缺陷校正图像进行图像分块增强处理，这一步骤的效果在于增强图像的局部区域，以使瑕疵更加显著且易于分析。通过图像分块增强，可以进一步提高瑕疵检测的准确性和精度，从而为后续的瑕疵检测提供高质量的图像数据。
优选地，步骤S16包括以下步骤：
步骤S161：对瓶身去噪图像进行图像灰度化处理，得到瓶身灰度化图像；
步骤S162：对瓶身灰度化图像进行边缘增强处理，得到瓶身边缘增强图像；
步骤S163：对瓶身边缘增强图像进行阈值分割处理，得到瓶身分割图像；
步骤S164：对瓶身分割图像进行缺陷检测标定处理，得到瓶身边缘缺陷图像。
作为本发明的一个实施例，参考图3所示，为图2中步骤S16的详细步骤流程示意图，在本实施例中步骤S16包括以下步骤：
步骤S161：对瓶身去噪图像进行图像灰度化处理，得到瓶身灰度化图像；
本发明实施例通过将瓶身去噪图像中每个像素的红、绿和蓝通道进行加权平均，将彩色的瓶身去噪图像转换为灰度图像，最终得到瓶身灰度化图像。
步骤S162：对瓶身灰度化图像进行边缘增强处理，得到瓶身边缘增强图像；
本发明实施例通过使用Sobel、Canny或Laplacian等边缘增强算法对瓶身灰度化图像进行图像增强，以突出瓶身灰度化图像的边界和轮廓信息，最终得到瓶身边缘增强图像。
步骤S163：对瓶身边缘增强图像进行阈值分割处理，得到瓶身分割图像；
本发明实施例通过使用二值化阈值分割方法对瓶身边缘增强图像进行图像分割，通过设置合适的分割阈值将瓶身边缘增强图像分为目标(瓶身)和背景两部分，并将瓶身边缘增强图像中的瓶身与其他背景区域明显区分开，同时，将分割后的瓶身部分保存，最终得到瓶身分割图像。
步骤S164：对瓶身分割图像进行缺陷检测标定处理，得到瓶身边缘缺陷图像。
本发明实施例通过使用形状分析、纹理分析、像素差异检测等图像缺陷检测技术对瓶身分割图像进行检测，以检测瓶身分割图像上的缺陷或瑕疵，并将检测到的缺陷区域标记出来，最终得到瓶身边缘缺陷图像。
本发明首先通过对瓶身去噪图像进行图像灰度化处理，能够通过将瓶身彩色图像转换为灰度图像，可以减少数据维度的同时保留关键的亮度信息，有助于提高后续处理步骤的处理效率，还能够有效降低图像处理的复杂性，为后续的瓶身缺陷检测提供了更清晰的图像基础。其次，通过对瓶身灰度化图像进行边缘增强处理，能够强调图像中的边缘特征，这还有助于突出瓶身的轮廓，使得缺陷或异常特征更加显著。通过边缘增强处理不仅提高了图像的对比度，而且有利于后续阶段的准确分割和缺陷检测，从而提高整体图像检测的性能。然后，通过对瓶身边缘增强图像进行阈值分割处理，能够将图像分为目标和背景两部分，通过将图像中的瓶身与其他背景区域明显区分开，为缺陷检测提供了清晰的目标区域。阈值分割的精准性直接关系到后续步骤的准确性，因此，通过合适的阈值选择，可以有效提高瓶身缺陷检测的精度。最后，通过对分割后的瓶身分割图像进行缺陷检测标定处理，能够突出瓶身图像边缘的缺陷信息，同时，旨在标定可能存在的瓶身表面缺陷，如凹陷或瑕疵，使其在图像上更为明显。通过准确定位并标定缺陷，可以提高对异常瓶身的准确性，确保生产过程中的瓶身质量控制。另外，缺陷检测标定处理过程在整个图像处理流程中扮演着关键角色，直接决定了缺陷检测的可靠性和实用性。
优选地，步骤S18包括以下步骤：
步骤S181：对瓶身缺陷校正图像进行图像分块处理，得到瓶身图像分块区域；
本发明实施例通过以像素为单位将瓶身缺陷校正图像划分成多个小块，最终得到瓶身图像分块区域。
步骤S182：利用图像区域强度计算公式对瓶身图像分块区域进行强度计算，得到瓶身图像区域强度值；
本发明实施例通过结合瓶身图像分块区域的图像像素坐标参数、瓶身图像分块区域的图像亮度函数、图像颜色函数、图像边缘函数、图像亮度强度贡献因子、图像颜色强度贡献因子、纹理特征强度贡献因子、拉普拉斯算子以及相关参数构成了一个图像区域强度计算公式对瓶身图像分块区域进行强度计算，以衡量每个图像分块区域的强度，最终得到瓶身图像区域强度值。
步骤S183：根据预设的区域强度阈值对瓶身图像区域强度值进行判断，当瓶身图像区域强度值小于预设的区域强度阈值时，则将瓶身图像区域强度值对应的瓶身图像分块区域标记为图像低强度区域；当瓶身图像区域强度值大于或等于预设的区域强度阈值时，则将瓶身图像区域强度值对应的瓶身图像分块区域标记为图像高强度区域；
本发明实施例通过预先设定一个合适的区域强度阈值，并根据预设的区域强度阈值对计算得到的瓶身图像区域强度值进行判断，以判断瓶身图像分块区域的图像强度，如果瓶身图像区域强度值小于预设的区域强度阈值，说明该瓶身图像区域强度值对应的瓶身图像分块区域的图像强度较低，则将对应的瓶身图像分块区域标记为图像低强度区域，如果瓶身图像区域强度值大于或等于预设的区域强度阈值，说明该瓶身图像区域强度值对应的瓶身图像分块区域的图像强度较高，则将对应的瓶身图像分块区域标记为图像高强度区域。
步骤S184：对图像低强度区域进行图像增强处理，得到图像低强度增强区域；
本发明实施例通过使用对比度增强、直方图均衡化、滤波等图像增强算法对被标记出来的图像低强度区域进行增强，以改善图像低强度区域的可视化质量，最终得到图像低强度增强区域。
步骤S185：将图像高强度区域以及图像低强度增强区域进行图像整合处理，得到瓶身高质量图像。
本发明实施例通过将标记出来的图像高强度区域和增强后的低强度区域整合在一起，最终得到瓶身高质量图像。
本发明首先通过瓶身缺陷校正图像的分块处理，能够将图像划分为更小的块或区域，以便更细粒度地分析和处理图像内容，这样有助于针对瓶身的局部特征进行精确处理，提高了图像处理的灵活性和效率。通过分块处理后，可以独立处理每个块，以检测和校正不同部分的缺陷，有助于提高整体瓶身质量。其次，通过使用合适的图像区域强度计算公式对瓶身图像分块区域进行强度计算，通过计算可以量化每个图像块的亮度或强度信息，从而确定每个块的局部特征，能够用于区分图像块之间的强度差异，有助于检测潜在的缺陷或异常。然后，通过基于预设的区域强度阈值，对计算得到的瓶身图像区域强度值进行判断，当瓶身图像区域强度值低于阈值时，将该对应的图像区域标记为图像低强度区域，表明该区域可能包含缺陷或异常。相反，当瓶身图像区域强度值大于或等于阈值时，将对应的图像区域标记为图像高强度区域，指示该区域具有较高的质量，这样能够实现瓶身图像区域强度值的二值化，使得图像增强处理更为准确。接下来，通过对被标记出来的图像低强度区域进行图像增强处理，以突出潜在的缺陷或异常。通过提高低强度区域的对比度或清晰度，使缺陷更加显著，从而增强了缺陷检测的灵敏度。图像低强度区域的增强有助于准确定位和更好地分析潜在的问题。最后，通过将图像高强度区域(高质量区域)与图像低强度增强区域整合在一起，生成高质量的瓶身图像。这样通过融合处理后的瓶身图像，确保高质量部分保持不变，同时提高了整体图像的质量。最终生成的瓶身高质量图像用于生产质量控制或其他应用，能够确保瓶身质量的一致性和可靠性。
优选地，步骤S182中的图像区域强度计算公式具体为：
式中，Q(x',y')为瓶身图像区域强度值，x'为瓶身图像分块区域的图像像素横坐标，y'为瓶身图像分块区域的图像像素纵坐标，A为待强度计算的瓶身图像分块区域，B为瓶身图像分块区域的相邻图像区域，f(x',y')为瓶身图像分块区域的图像亮度函数，δ1为图像亮度强度贡献因子，g(x',y')为瓶身图像分块区域的图像颜色函数，δ2为图像颜色强度贡献因子，h(x',y')为瓶身图像分块区域的纹理特征函数，δ3为纹理特征强度贡献因子，b(x',y')为瓶身图像分块区域的图像边缘函数，δ4为图像边缘强度贡献因子，为拉普拉斯算子，ε为瓶身图像区域强度值的修正值。
本发明构建了一个图像区域强度计算公式，用于对瓶身图像分块区域进行强度计算，该图像区域强度计算公式综合了多个图像特征，包括亮度、颜色、纹理、边缘等，这有助于捕捉瓶身图像区域的多个方面特征，使得缺陷检测更全面和准确。并通过使用相应的强度贡献因子，可以调整各特征对强度计算的贡献程度，以适应不同的应用场景。该公式中的积分运算涵盖了局部图像区域和其相邻区域的信息，这允许了局部特征和全局特征的结合，有助于更好地理解图像内容和上下文。还通过使用拉普拉斯算子用于捕捉图像中的边缘信息，有助于识别物体边缘和细节，这可以提高对瓶身上微小缺陷或特征的检测能力。另外，通过引入修正项用于微调计算的结果，以确保区域强度值的准确性，这对于适应不同的图像条件和噪声水平非常有用。综上所述，该图像区域强度计算公式通过综合不同的图像特征，并结合局部和全局信息，以及应用修正项，为瓶身缺陷校正图像处理提供了全面的分析和强度评估，从而有助于提高缺陷检测的准确性和图像质量。该公式充分考虑了瓶身图像区域强度值Q(x',y')，瓶身图像分块区域的图像像素横坐标x'，瓶身图像分块区域的图像像素纵坐标y'，待强度计算的瓶身图像分块区域A，瓶身图像分块区域的相邻图像区域B，瓶身图像分块区域的图像亮度函数f(x',y')，图像亮度强度贡献因子δ1，瓶身图像分块区域的图像颜色函数g(x',y')，图像颜色强度贡献因子δ2，瓶身图像分块区域的纹理特征函数h(x',y')，纹理特征强度贡献因子δ3，瓶身图像分块区域的图像边缘函数b(x',y')，图像边缘强度贡献因子δ4，拉普拉斯算子瓶身图像区域强度值的修正值ε，根据瓶身图像区域强度值Q(x',y')与以上各参数之间的相互关联关系构成了一种函数关系：
该公式能够实现对瓶身图像分块区域的强度计算过程，同时，通过瓶身图像区域强度值的修正值ε的引入可以根据实际情况进行调整，从而提高图像区域强度计算公式的准确性和适用性。
优选地，步骤S3包括以下步骤：
利用潜在瑕疵度量计算公式对玻璃瓶瓶身进行瑕疵识别计算，得到瓶身潜在瑕疵度量值；
本发明实施例通过结合玻璃瓶瓶身的位置参数、瑕疵状况差异值、瑕疵状况差异最大值、瑕疵度量差异影响控制因子、瑕疵度量差异衰减控制因子、瑕疵梯度惩罚因子、积分项权重因子以及相关参数构成了一个潜在瑕疵度量计算公式对玻璃瓶瓶身进行瑕疵识别计算，将瑕疵问题转化为可量化的度量值，最终得到瓶身潜在瑕疵度量值。
其中，潜在瑕疵度量计算公式如下所示：
式中，L(u)为瓶身潜在瑕疵度量值，u为玻璃瓶瓶身的位置参数，U为玻璃瓶瓶身的位置范围参数，s为玻璃瓶瓶身的积分位置参数，D(u)为玻璃瓶瓶身在位置u处的瑕疵状况差异值，Dmax为瑕疵状况差异最大值，v1为瑕疵度量差异影响控制因子，ρ2为瑕疵度量差异衰减控制因子，ρ3为瑕疵梯度惩罚因子，ρ4为积分项权重因子，∈为瓶身潜在瑕疵度量值的修正值；
本发明构建了一个潜在瑕疵度量计算公式，用于对玻璃瓶瓶身进行瑕疵识别计算，该潜在瑕疵度量计算公式综合考虑了多种信息来计算瓶身的潜在瑕疵度量值，包括瑕疵差异值、位置信息、瑕疵度量差异影响控制因子、瑕疵度量差异衰减控制因子、瑕疵梯度惩罚因子、积分项权重因子等参数，这使得度量值可以考虑多个因素，从而提高了瑕疵识别的准确性。通过引入位置参数和位置范围参数，该公式能够考虑玻璃瓶瓶身上不同位置的瑕疵情况，这意味着在不同位置上的瑕疵可以得到不同的度量值，从而更好地反映了瓶身上的瑕疵分布。通过使用瑕疵差异值来度量在不同位置上的瑕疵程度，当瑕疵差异值趋近于最大值时，度量值会减小，表明该位置上的瑕疵较少。同时，通过使用相应的因子参数来调整各种影响瑕疵度量值的因素。并通过调整这些因子，可以根据实际需求和应用场景对不同因素进行加权，以达到更好的度量效果。其次，该公式中的积分项用于对不同位置上的瑕疵情况进行积累，这有助于考虑整体的瑕疵分布，而不仅仅是单一位置上的情况，还可以帮助更全面地了解瓶身的瑕疵情况。另外，还通过引入修正项用于微调度量值，以确保度量值的准确性。该公式充分考虑了瓶身潜在瑕疵度量值L(u)，玻璃瓶瓶身的位置参数u，玻璃瓶瓶身的位置范围参数U，玻璃瓶瓶身的积分位置参数s，玻璃瓶瓶身在位置u处的瑕疵状况差异值D(u)，瑕疵状况差异最大值Dmax，瑕疵度量差异影响控制因子ρ1，瑕疵度量差异衰减控制因子ρ2，瑕疵梯度惩罚因子ρ3，积分项权重因子ρ4，瓶身潜在瑕疵度量值的修正值∈，根据瓶身潜在瑕疵度量值L(u)与以上各参数之间的相互关联关系构成了一种函数关系：
该公式能够实现对玻璃瓶瓶身的瑕疵识别计算过程，同时，通过瓶身潜在瑕疵度量值的修正值∈的引入可以根据实际情况进行调整，从而提高潜在瑕疵度量计算公式的准确性和适用性。
优选地，根据瓶身潜在瑕疵度量值对玻璃瓶瓶身进行分区域标定处理，得到瓶身潜在瑕疵区域。
本发明实施例根据瓶身潜在瑕疵度量值的范围和分布情况，设置一个合适的阈值，通过使用阈值对计算得到的瓶身潜在瑕疵度量值进行比较，如果瓶身潜在瑕疵度量值大于或等于阈值，则将该区域标记为潜在瑕疵区域，反之则标记为正常区域，同时，将被标记为潜在瑕疵区域的部分从玻璃瓶瓶身区分出来，最终得到瓶身潜在瑕疵区域。
本发明首先通过使用合适的潜在瑕疵度量计算公式对玻璃瓶瓶身进行瑕疵识别计算，通过该计算公式，对玻璃瓶瓶身进行全面的瑕疵分析和识别，为后续的瑕疵区域标定提供依据。通过将瑕疵问题转化为可量化的度量值，使得瑕疵识别更加客观和准确。然后，根据计算得到的瓶身潜在瑕疵度量值对玻璃瓶瓶身进行分区域标定处理，能够根据预先设定的瑕疵度量阈值，将瓶身上可能存在瑕疵的区域进行标注，这有助于将潜在的瑕疵区域明确地定位出来，在瑕疵检测中起到指导和辅助的作用。通过瓶身潜在瑕疵区域的准确定位，能够提高后续的瑕疵修复或淘汰的准确性，有效提升玻璃瓶的质量管理水平。通过潜在瑕疵度量的计算和区域标定处理，能够实现对瑕疵问题的系统分析和定量化，为瑕疵管理和质量控制提供有效的依据，这样还有助于提高玻璃瓶生产线的效率和质量，减少瑕疵产生的风险，从而确保产品的可靠性和可持续发展。
优选地，步骤S4包括以下步骤：
步骤S41：对瓶身潜在瑕疵区域进行迭代学习处理，得到瓶身潜在瑕疵数据；
本发明实施例通过使用卷积神经网络(CNN)或循环神经网络(RNN)等深度学习模型对瓶身潜在瑕疵区域进行多次迭代学习训练，使其能够更好地识别和学习潜在瑕疵区域，最终得到瓶身潜在瑕疵数据。
步骤S42：对瓶身潜在瑕疵数据进行敏感增强处理，得到潜在瑕疵敏感数据；
本发明实施例通过使用潜在瑕疵敏感增强方法对瓶身潜在瑕疵数据进行增强处理，以突出潜在瑕疵的敏感特征，使得瓶身潜在瑕疵更加显著，最终得到潜在瑕疵敏感数据。
步骤S43：利用生成对抗网络对潜在瑕疵敏感数据进行增强检测处理，得到潜在瑕疵增强数据；
本发明实施例通过构建一个生成对抗网络，包括生成器和判别器两部分，通过使用生成器训练生成潜在瑕疵增强数据，同时训练判别器来区分生成的数据和真实数据，并通过迭代训练增强潜在瑕疵的可检测性和可视性，最终得到潜在瑕疵增强数据。
步骤S44：根据潜在瑕疵增强数据对瓶身表面瑕疵数据进行瑕疵区域协同学习，得到瓶身瑕疵区域数据；
本发明实施例通过使用瑕疵叠加方法将潜在瑕疵增强数据与瓶身表面瑕疵数据结合，并通过使用深度学习算法协同学习结合后数据的瓶身实际瑕疵区域，最终得到瓶身瑕疵区域数据。
步骤S45：对瓶身瑕疵区域数据进行特征提取处理，得到瓶身瑕疵区域特征。
本发明实施例通过使用时域、频域等特征提取方法对瓶身瑕疵区域数据进行特征提取，从瓶身瑕疵区域数据中提取出有用的特征，包括形状、颜色、纹理、边缘等方面的特征信息，最终得到瓶身瑕疵区域特征。
本发明首先通过对瓶身潜在瑕疵区域进行迭代学习处理，旨在不断优化瑕疵识别过程，通过不断分析潜在瑕疵数据的反馈信息，可以自动调整和改进潜在瑕疵识别过程，从而提高对不同瑕疵的检测精度。通过迭代学习有助于不断适应生产中可能出现的新瑕疵类型，确保瑕疵识别的持续可靠性和准确性。其次，通过对瓶身潜在瑕疵数据进行敏感增强处理，旨在突出可能存在的瑕疵区域，通过增强潜在瑕疵数据中的特征，使得潜在瑕疵更加显著，有助于后续的检测和分析。这样能够提高瑕疵的可见性，使得潜在瑕疵更容易被识别，并提高了质量管理的效率。然后，通过使用生成对抗网络(GAN)对潜在瑕疵敏感数据进行增强检测处理，GAN是一种深度学习模型，用于生成合成数据，这里用于生成潜在瑕疵增强数据。通过与真实数据进行对比，能够更好地理解潜在瑕疵的特征和变化，从而改进对瑕疵的识别和分类，并且提高了瑕疵检测的准确性和可靠性。接下来，根据潜在瑕疵增强数据，对瓶身表面瑕疵数据进行瑕疵区域协同学习，这意味着能够将不同来源的数据相互融合和协同，以更准确地确定瑕疵的位置和性质。通过协同学习有助于减少误报和漏报，提高了对复杂瑕疵的检测精度。最后，通过对瓶身瑕疵区域数据进行特征提取处理，以获得瓶身瑕疵区域的特征描述，这样还有助于将瑕疵数据转化为更高级别的信息，例如瑕疵的形状、大小、颜色等特征。提取的特征可以用于瑕疵分类、统计分析和质量改进。通过这一流程，能够更好地理解瓶身瑕疵的问题，从而为生产质量管理提供更多有用的信息和见解。
优选地，步骤S5包括以下步骤：
步骤S51：根据瓶身瑕疵区域特征利用卷积神经网络训练构建瑕疵分类模型；
本发明实施例通过设计一个合适的卷积神经网络模型，包括设计卷积层、池化层、全连接层和激活函数，以确保模型的输入层与瓶身瑕疵区域特征的维度兼容，同时，按照预设的划分规则8：2将瓶身瑕疵区域特征划分为训练集和验证集，通过使用训练集对卷积神经网络模型进行训练，并使用损失函数来更新模型参数，以使模型能够准确地分类瑕疵类型，然后，使用验证集调整模型的超参数以获得最佳性能，最终得到瑕疵分类模型。
步骤S52：利用瑕疵分类模型对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；
本发明实施例通过将瓶身瑕疵区域特征输入至已构建好的瑕疵分类模型中进行分类处理，将瓶身上的瑕疵区域自动分为不同的瑕疵类别，最终得到瓶身瑕疵类型数据。
步骤S53：利用瑕疵严重程度计算公式对瓶身瑕疵类型数据进行分类统计计算，得到瑕疵类型严重程度；
本发明实施例通过结合分类统计计算的时间参数、瑕疵类型、权重参数、形状变化参数、形状控制参数、严重性控制参数、时间衰减调整系数、时间衰减控制参数以及相关参数构成了一个合适的瑕疵严重程度计算公式对瓶身瑕疵类型数据进行分类统计计算，以计算出每种瑕疵类型的严重程度，最终得到瑕疵类型严重程度。
步骤S54：根据瑕疵类型严重程度对瓶身瑕疵类型数据进行定量分析，得到瑕疵严重定量数据。
本发明实施例通过根据计算得到的瑕疵类型严重程度对瓶身瑕疵类型数据进行定量处理，包括生成统计报告、绘制图表等方法，以量化不同瑕疵类型的影响，最终得到瑕疵严重定量数据。
本发明首先通过使用深度学习技术如卷积神经网络(CNN)，基于瓶身瑕疵区域的特征数据构建瑕疵分类模型，这个模型的作用是将不同类型的瓶身瑕疵，如裂纹、气泡或污渍，自动分类到其相应的类别中。通过训练，模型能够从特征数据中学习各种瑕疵的特征和模式，为后续的瑕疵分类提供了强大的自动化工具。其次，通过借助已训练好的瑕疵分类模型，对瓶身瑕疵区域的特征数据进行瑕疵分类处理，这样能够将瓶身上的瑕疵区域自动分为不同的类别，以便更精确地识别每个瑕疵的类型，例如是裂纹、气泡或污渍。通过这种分类，可以更清楚地了解瓶身上存在的瑕疵类型，为后续的质量管理和改进提供了基础。然后，通过使用合适的瑕疵严重程度计算公式，对瓶身瑕疵类型数据进行分类统计计算，这样能够根据瑕疵的性质和影响程度来评估每种瑕疵的严重程度。例如，一些瑕疵可能对产品质量的影响更大，因此需要更多的注意。通过统计计算，可以确定哪些瑕疵类型对产品的质量影响最大，以便有针对性地进行质量控制和改进。最后，基于瑕疵类型的严重程度，对瓶身瑕疵类型数据进行定量分析，这样能够有助于量化不同瑕疵类型的影响，以确定其相对重要性，并提供了定量数据供决策制定使用。通过定量分析可以协助生产部门和质量管理团队更好地了解生产线上的问题，优先处理严重的瑕疵类型，以提高产品的整体质量和生产效率，这也有助于跟踪瑕疵问题的变化趋势，制定持续改进计划。
优选地，步骤S53中的瑕疵严重程度计算公式具体为：
/>
式中，C为瑕疵类型严重程度，T为分类统计计算的积分时间范围参数，t为分类统计计算的时间参数，n为瓶身瑕疵类型数据中瑕疵类型的数量，ci为瓶身瑕疵类型数据中的第i个瑕疵类型，wi为瓶身瑕疵类型数据中第i个瑕疵类型的权重参数，ai(t)为在时间t处瓶身瑕疵类型数据中第i个瑕疵类型的形状变化参数，bi(t)为在时间t处瓶身瑕疵类型数据中第i个瑕疵类型的形状控制参数，θi为瓶身瑕疵类型数据中第i个瑕疵类型的严重性控制参数，为时间衰减调整系数，ζ为时间衰减控制参数，η为瑕疵类型严重程度的修正值。
本发明构建了一个瑕疵严重程度计算公式，用于对瓶身瑕疵类型数据进行分类统计计算，该瑕疵严重程度计算公式综合考虑了多个因素来计算瑕疵的严重程度，这些因素包括瑕疵的类型、权重参数、形状变化参数、形状控制参数、严重性控制参数等，这意味着不同类型的瑕疵可以根据其属性和严重性被合理地加权考虑，从而更精确地评估瑕疵的严重程度。该公式中还引入了时间参数和积分时间范围参数来考虑随着时间的推移，瑕疵的严重程度可能会发生变化，这对于识别和跟踪瑕疵的演变非常有用，因为它可以捕捉到随着时间的变化趋势。通过使用时间衰减调整系数和时间衰减控制参数来考虑时间对瑕疵严重程度的影响。随着时间的推移，瑕疵可能会逐渐变得更严重或减轻，这些因素可以根据实际情况进行调整。另外，还通过引入修正项来微调瑕疵类型严重程度，以确保度量值的准确性。该公式充分考虑了瑕疵类型严重程度C，分类统计计算的积分时间范围参数T，分类统计计算的时间参数t，瓶身瑕疵类型数据中瑕疵类型的数量n，瓶身瑕疵类型数据中的第i个瑕疵类型ci，瓶身瑕疵类型数据中第i个瑕疵类型的权重参数wi，在时间t处瓶身瑕疵类型数据中第i个瑕疵类型的形状变化参数ai(t)，在时间t处瓶身瑕疵类型数据中第i个瑕疵类型的形状控制参数bi(t)，瓶身瑕疵类型数据中第i个瑕疵类型的严重性控制参数θi，时间衰减调整系数，时间衰减控制参数ζ，瑕疵类型严重程度的修正值η，根据瑕疵类型严重程度C与以上各参数之间的相互关联关系构成了一种函数关系/>该公式能够实现对瓶身瑕疵类型数据的分类统计计算过程，同时，通过瑕疵类型严重程度的修正值η的引入可以根据实际情况进行调整，从而提高瑕疵严重程度计算公式的准确性和适用性。
优选地，本发明还提供了一种基于图像处理的玻璃瓶瓶身瑕疵识别检测系统，用于执行如上所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，该基于图像处理的玻璃瓶瓶身瑕疵识别检测系统包括：
瓶身图像采集模块，用于对玻璃瓶瓶身进行图像拍摄采集处理，得到瓶身高分辨率图像；并对瓶身高分辨率图像进行图像预处理，从而得到瓶身高质量图像；
表面瑕疵检测模块，用于对瓶身高质量图像进行第一瑕疵检测处理，从而得到瓶身表面瑕疵数据；
潜在瑕疵识别模块，用于对玻璃瓶瓶身进行潜在瑕疵识别处理，从而得到瓶身潜在瑕疵区域；
瑕疵区域特征检测模块，用于根据瓶身潜在瑕疵区域对瓶身表面瑕疵数据进行第二瑕疵检测处理，得到瓶身瑕疵区域数据；并对瓶身瑕疵区域数据进行特征提取处理，从而得到瓶身瑕疵区域特征；
瑕疵分类定量分析模块，用于对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；对瓶身瑕疵类型数据进行严重程度定量分析，从而得到瑕疵严重定量数据；
瑕疵标记处理模块，用于根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，从而得到瓶身瑕疵标记信息。
综上所述，本发明提供了一种基于图像处理的玻璃瓶瓶身瑕疵识别检测系统，该基于图像处理的玻璃瓶瓶身瑕疵识别检测系统由瓶身图像采集模块、表面瑕疵检测模块、潜在瑕疵识别模块、瑕疵区域特征检测模块、瑕疵分类定量分析模块以及瑕疵标记处理模块组成，能够实现本发明所述任意一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，用于联合各个模块上运行的计算机程序之间的操作实现一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，系统内部结构互相协作，通过使用图像处理和机器学习技术，能够实现对玻璃瓶瓶身瑕疵的自动化识别和检测，并通过采用高分辨率图像和先进的图像预处理方法，从而提高了瑕疵检测的准确性和效率，这样能够大大减少重复工作和人力投入，能够快速有效地提供更准确、更高效的瑕疵识别检测过程，从而简化了基于图像处理的玻璃瓶瓶身瑕疵识别检测系统的操作流程。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，包括以下步骤：
步骤S1：对玻璃瓶瓶身进行图像拍摄采集处理，得到瓶身高分辨率图像；并对瓶身高分辨率图像进行图像预处理，得到瓶身高质量图像；
步骤S2：对瓶身高质量图像进行第一瑕疵检测处理，得到瓶身表面瑕疵数据；
步骤S3：对玻璃瓶瓶身进行潜在瑕疵识别处理，得到瓶身潜在瑕疵区域；
步骤S4：根据瓶身潜在瑕疵区域对瓶身表面瑕疵数据进行第二瑕疵检测处理，得到瓶身瑕疵区域数据；并对瓶身瑕疵区域数据进行特征提取处理，得到瓶身瑕疵区域特征；
步骤S5：对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；对瓶身瑕疵类型数据进行严重程度定量分析，得到瑕疵严重定量数据；
步骤S6：根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，得到瓶身瑕疵标记信息。
2.根据权利要求1所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，步骤S1包括以下步骤：
步骤S11：通过高分辨率图像采集设备对玻璃瓶瓶身进行图像拍摄处理，得到瓶身初始图像；
步骤S12：利用图像清晰程度计算公式对瓶身初始图像进行清晰计算，得到瓶身图像清晰程度；
其中，图像清晰程度计算公式如下所示：
式中，S为瓶身图像清晰程度，I(x,y)为瓶身初始图像的图像亮度分布函数，x为瓶身初始图像的横坐标参数，y为瓶身初始图像的纵坐标参数，为瓶身初始图像的亮度变化梯度，α为亮度变化梯度的图像清晰贡献平衡参数，/>为瓶身初始图像的拉普拉斯梯度，β为拉普拉斯梯度的图像清晰贡献平衡参数，/>为瓶身初始图像的亮度变化三阶梯度，γ为亮度变化三阶梯度的图像清晰贡献平衡参数，μ为瓶身图像清晰程度的修正值；
步骤S13：基于瓶身图像清晰程度对高分辨率图像采集设备进行光源适应校正处理，得到高分辨率图像采集校正设备；
步骤S14：利用高分辨率图像采集校正设备对玻璃瓶瓶身进行图像采集处理，得到瓶身高分辨率图像；
步骤S15：对瓶身高分辨率图像进行图像去噪处理，得到瓶身去噪图像；
步骤S16：对瓶身去噪图像进行边缘缺陷检测处理，得到瓶身边缘缺陷图像；
步骤S17：对瓶身边缘缺陷图像进行缺陷校正处理，得到瓶身缺陷校正图像；
步骤S18：对瓶身缺陷校正图像进行图像分块增强处理，得到瓶身高质量图像。
3.根据权利要求2所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，步骤S16包括以下步骤：
步骤S161：对瓶身去噪图像进行图像灰度化处理，得到瓶身灰度化图像；
步骤S162：对瓶身灰度化图像进行边缘增强处理，得到瓶身边缘增强图像；
步骤S163：对瓶身边缘增强图像进行阈值分割处理，得到瓶身分割图像；
步骤S164：对瓶身分割图像进行缺陷检测标定处理，得到瓶身边缘缺陷图像。
4.根据权利要求2所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，步骤S18包括以下步骤：
步骤S181：对瓶身缺陷校正图像进行图像分块处理，得到瓶身图像分块区域；
步骤S182：利用图像区域强度计算公式对瓶身图像分块区域进行强度计算，得到瓶身图像区域强度值；
步骤S183：根据预设的区域强度阈值对瓶身图像区域强度值进行判断，当瓶身图像区域强度值小于预设的区域强度阈值时，则将瓶身图像区域强度值对应的瓶身图像分块区域标记为图像低强度区域；当瓶身图像区域强度值大于或等于预设的区域强度阈值时，则将瓶身图像区域强度值对应的瓶身图像分块区域标记为图像高强度区域；
步骤S184：对图像低强度区域进行图像增强处理，得到图像低强度增强区域；
步骤S185：将图像高强度区域以及图像低强度增强区域进行图像整合处理，得到瓶身高质量图像。
5.根据权利要求3所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，步骤S182中的图像区域强度计算公式具体为：
式中，Q(x′，y′)为瓶身图像区域强度值，x′为瓶身图像分块区域的图像像素横坐标，y′为瓶身图像分块区域的图像像素纵坐标，A为待强度计算的瓶身图像分块区域，B为瓶身图像分块区域的相邻图像区域，f(x′，y′)为瓶身图像分块区域的图像亮度函数，δ1为图像亮度强度贡献因子，g(x′，y′)为瓶身图像分块区域的图像颜色函数，δ2为图像颜色强度贡献因子，h(x′，y′)为瓶身图像分块区域的纹理特征函数，δ3为纹理特征强度贡献因子，b(x′，y′)为瓶身图像分块区域的图像边缘函数，δ4为图像边缘强度贡献因子，为拉普拉斯算子，ε为瓶身图像区域强度值的修正值。
6.根据权利要求1所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，步骤S3包括以下步骤：
利用潜在瑕疵度量计算公式对玻璃瓶瓶身进行瑕疵识别计算，得到瓶身潜在瑕疵度量值；
其中，潜在瑕疵度量计算公式如下所示：
式中，L(u)为瓶身潜在瑕疵度量值，u为玻璃瓶瓶身的位置参数，U为玻璃瓶瓶身的位置范围参数，s为玻璃瓶瓶身的积分位置参数，D(u)为玻璃瓶瓶身在位置u处的瑕疵状况差异值，Dmax为瑕疵状况差异最大值，ρ1为瑕疵度量差异影响控制因子，ρ2为瑕疵度量差异衰减控制因子，ρ3为瑕疵梯度惩罚因子，ρ4为积分项权重因子，∈为瓶身潜在瑕疵度量值的修正值；
根据瓶身潜在瑕疵度量值对玻璃瓶瓶身进行分区域标定处理，得到瓶身潜在瑕疵区域。
7.根据权利要求1所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，步骤S4包括以下步骤：
步骤S41：对瓶身潜在瑕疵区域进行迭代学习处理，得到瓶身潜在瑕疵数据；
步骤S42：对瓶身潜在瑕疵数据进行敏感增强处理，得到潜在瑕疵敏感数据；
步骤S43：利用生成对抗网络对潜在瑕疵敏感数据进行增强检测处理，得到潜在瑕疵增强数据；
步骤S44：根据潜在瑕疵增强数据对瓶身表面瑕疵数据进行瑕疵区域协同学习，得到瓶身瑕疵区域数据；
步骤S45：对瓶身瑕疵区域数据进行特征提取处理，得到瓶身瑕疵区域特征。
8.根据权利要求1所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，步骤S5包括以下步骤：
步骤S51：根据瓶身瑕疵区域特征利用卷积神经网络训练构建瑕疵分类模型；
步骤S52：利用瑕疵分类模型对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；
步骤S53：利用瑕疵严重程度计算公式对瓶身瑕疵类型数据进行分类统计计算，得到瑕疵类型严重程度；
步骤S54：根据瑕疵类型严重程度对瓶身瑕疵类型数据进行定量分析，得到瑕疵严重定量数据。
9.根据权利要求8所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，步骤S53中的瑕疵严重程度计算公式具体为：
式中，C为瑕疵类型严重程度，T为分类统计计算的积分时间范围参数，t为分类统计计算的时间参数，n为瓶身瑕疵类型数据中瑕疵类型的数量，ci为瓶身瑕疵类型数据中的第i个瑕疵类型，wi为瓶身瑕疵类型数据中第i个瑕疵类型的权重参数，ai(t)为在时间t处瓶身瑕疵类型数据中第i个瑕疵类型的形状变化参数，bi(t)为在时间t处瓶身瑕疵类型数据中第i个瑕疵类型的形状控制参数，θi为瓶身瑕疵类型数据中第i个瑕疵类型的严重性控制参数，为时间衰减调整系数，ζ为时间衰减控制参数，η为瑕疵类型严重程度的修正值。
10.一种基于图像处理的玻璃瓶瓶身瑕疵识别检测系统，其特征在于，用于执行如权利要求1所述的基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，该基于图像处理的玻璃瓶瓶身瑕疵识别检测系统包括：
瓶身图像采集模块，用于对玻璃瓶瓶身进行图像拍摄采集处理，得到瓶身高分辨率图像；并对瓶身高分辨率图像进行图像预处理，从而得到瓶身高质量图像；
表面瑕疵检测模块，用于对瓶身高质量图像进行第一瑕疵检测处理，从而得到瓶身表面瑕疵数据；
潜在瑕疵识别模块，用于对玻璃瓶瓶身进行潜在瑕疵识别处理，从而得到瓶身潜在瑕疵区域；
瑕疵区域特征检测模块，用于根据瓶身潜在瑕疵区域对瓶身表面瑕疵数据进行第二瑕疵检测处理，得到瓶身瑕疵区域数据；并对瓶身瑕疵区域数据进行特征提取处理，从而得到瓶身瑕疵区域特征；
瑕疵分类定量分析模块，用于对瓶身瑕疵区域特征进行瑕疵分类处理，得到瓶身瑕疵类型数据；对瓶身瑕疵类型数据进行严重程度定量分析，从而得到瑕疵严重定量数据；
瑕疵标记处理模块，用于根据瓶身瑕疵类型数据以及瑕疵严重定量数据对玻璃瓶瓶身进行瑕疵标记处理，从而得到瓶身瑕疵标记信息。
CN202311344562.3A 2023-10-16 2023-10-16 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 Active CN117333467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311344562.3A CN117333467B (zh) 2023-10-16 2023-10-16 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311344562.3A CN117333467B (zh) 2023-10-16 2023-10-16 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统

Publications (2)

Publication Number Publication Date
CN117333467A true CN117333467A (zh) 2024-01-02
CN117333467B CN117333467B (zh) 2024-05-14

Family

ID=89278997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311344562.3A Active CN117333467B (zh) 2023-10-16 2023-10-16 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统

Country Status (1)

Country Link
CN (1) CN117333467B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689086A (zh) * 2024-02-02 2024-03-12 山东国泰民安玻璃科技有限公司 一种中硼硅玻璃瓶的生产参数优化方法、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010004401A1 (en) * 1999-12-15 2001-06-21 Philippe Dubois Process for inspecting the quality of an article in particular one made of glass
CN103154710A (zh) * 2010-09-24 2013-06-12 格林策巴赫机械制造有限公司 在连续生产浮制玻璃中检测瑕疵的装置及方法
TWI456190B (zh) * 2013-09-16 2014-10-11 Univ Nat Chunghsing 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN109613002A (zh) * 2018-11-21 2019-04-12 腾讯科技（深圳）有限公司 一种玻璃缺陷检测方法、装置和存储介质
CN111709948A (zh) * 2020-08-19 2020-09-25 深兰人工智能芯片研究院（江苏）有限公司 容器瑕疵检测方法和装置
CN112461844A (zh) * 2020-11-20 2021-03-09 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电子元器件瑕疵定位方法及存储介质
CN113032919A (zh) * 2021-03-12 2021-06-25 奥特斯科技(重庆)有限公司 部件承载件制造方法、处理系统、计算机程序和系统架构
CN116228696A (zh) * 2023-02-17 2023-06-06 江南大学 一种基于深度学习和重影现象的玻璃检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010004401A1 (en) * 1999-12-15 2001-06-21 Philippe Dubois Process for inspecting the quality of an article in particular one made of glass
CN103154710A (zh) * 2010-09-24 2013-06-12 格林策巴赫机械制造有限公司 在连续生产浮制玻璃中检测瑕疵的装置及方法
TWI456190B (zh) * 2013-09-16 2014-10-11 Univ Nat Chunghsing 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN109613002A (zh) * 2018-11-21 2019-04-12 腾讯科技（深圳）有限公司 一种玻璃缺陷检测方法、装置和存储介质
CN111709948A (zh) * 2020-08-19 2020-09-25 深兰人工智能芯片研究院（江苏）有限公司 容器瑕疵检测方法和装置
CN112461844A (zh) * 2020-11-20 2021-03-09 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电子元器件瑕疵定位方法及存储介质
CN113032919A (zh) * 2021-03-12 2021-06-25 奥特斯科技(重庆)有限公司 部件承载件制造方法、处理系统、计算机程序和系统架构
CN116228696A (zh) * 2023-02-17 2023-06-06 江南大学 一种基于深度学习和重影现象的玻璃检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689086A (zh) * 2024-02-02 2024-03-12 山东国泰民安玻璃科技有限公司 一种中硼硅玻璃瓶的生产参数优化方法、设备及介质
CN117689086B (zh) * 2024-02-02 2024-04-26 山东国泰民安玻璃科技有限公司 一种中硼硅玻璃瓶的生产参数优化方法、设备及介质

Also Published As

Publication number Publication date
CN117333467B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN108827969B (zh) 金属零件表面缺陷检测与识别方法及装置
CN108846397B (zh) 一种基于图像处理的电缆半导电层自动检测方法
CN117333467B (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统
Eshkevari et al. Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method
CN107490582B (zh) 一种流水线工件检测系统
CN116758491B (zh) 应用于3d打印的打印监控图像分析方法及系统
CN116777907A (zh) 一种钣金件质量检测方法
JP4250931B2 (ja) 外観検査装置および外観検査方法
CN117152161B (zh) 一种基于图像识别的刨花板质量检测方法及系统
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN113222938A (zh) 芯片缺陷检测方法及系统与计算机可读存储介质
CN113034488A (zh) 一种喷墨印刷品的视觉检测方法
CN117541588A (zh) 一种纸制品的印刷缺陷检测方法
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN114092682A (zh) 基于机器学习的小金具类缺陷检测算法
Hashmi et al. Computer-vision based visual inspection and crack detection of railroad tracks
CN117314826A (zh) 一种显示屏的性能检测方法
TW202034421A (zh) 濾色器檢查裝置、檢查裝置、濾色器檢查方法及檢查方法
CN117036314A (zh) 一种高密度柔性ic基板氧化区域检测方法
CN111833350A (zh) 机器视觉检测方法与系统
CN114120318B (zh) 一种基于集成决策树的暗场图像目标点精确提取方法
US11768159B2 (en) Belt examination system and computer-readable non-transitory recording medium having stored belt examination program
JP7469740B2 (ja) ベルト検査システムおよびベルト検査プログラム
JP4247993B2 (ja) 画像検査装置、画像検査方法、制御プログラムおよび可読記憶媒体
JP6114559B2 (ja) フラットパネルディスプレイの自動ムラ検出装置

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