CN117474909B - 基于机器视觉的包装纸盒瑕疵检测方法 - Google Patents
基于机器视觉的包装纸盒瑕疵检测方法 Download PDFInfo
- Publication number
- CN117474909B CN117474909B CN202311810134.5A CN202311810134A CN117474909B CN 117474909 B CN117474909 B CN 117474909B CN 202311810134 A CN202311810134 A CN 202311810134A CN 117474909 B CN117474909 B CN 117474909B
- Authority
- CN
- China
- Prior art keywords
- scratch
- pixel point
- pixel
- value
- calculating
- 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
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 25
- 230000007547 defect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 abstract description 18
- 238000012545 processing Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的包装纸盒瑕疵检测方法,该方法包括:采集纸盒展开灰度图像;获取各像素点的区域,并获取区域内其他像素点的特征子数;计算各像素点的纸盒特征值,并获取各像素点的映射纸盒特征值;构建划痕共生矩阵,并计算各像素点的区域划痕系数;计算划痕方向饱和度,并获取各像素点所在区域的划痕预设方向;计算各像素点的区域梯度散度系数,并获取各像素点的区域的频繁梯度方向;进而获取各像素点的划痕显著性系数对Felzenszwalb算法的不相似度进行改进,完成对包装纸盒瑕疵的检测。本发明旨在解决由于光照变化导致的图像像素值的变化导致的瑕疵错检漏检的问题。
Description
技术领域
本申请涉及图像数据处理技术领域,具体涉及基于机器视觉的包装纸盒瑕疵检测方法。
背景技术
在当今经济规模不断扩大的情况下,商业活动愈加频繁。其中,与我们日常生活关系最为密切的是日常消耗品的消费。在工厂生产产品的过程中,产品的包装成为影响销量的一个重要因素。然而,在生产产品包装的过程中,由于包装纸盒自身脆弱的特性,容易受到刮痕等因素的影响而导致报废。
包装纸盒作为产品的外包装,直接与消费者接触,其质量问题可能对产品造成损害。通过瑕疵检测,可以及早发现并纠正包装纸盒上的缺陷,确保产品在运输和使用过程中不受损。包装纸盒在保护产品不受外界环境影响的同时,还需要符合相关安全标准。瑕疵检测可以确保包装纸盒没有任何潜在的安全隐患,如锋利的边缘、有毒有害物质等。产品的包装设计和质量直接影响用户对产品的第一印象。如果包装纸盒上存在瑕疵或者质量问题,会给用户留下不好的体验。通过瑕疵检测,可以保证包装纸盒的外观完整,提升用户的满意度。总之,包装纸盒瑕疵检测的意义在于确保产品质量和安全性,提升用户体验,降低生产成本,对企业和消费者来说都具有重要价值。
随着机器视觉技术在人工智能算法中的不断发展,使用机器视觉来检测包装纸盒的瑕疵逐渐成为主流趋势。这一技术的引入使得生产过程更加智能化和高效化,有望提高包装纸盒的质量,减少因为瑕疵而导致的损耗。机器视觉系统可以精确而快速地检测包装纸盒表面的划痕、损伤等问题,有助于确保产品的整体外观和品质,进而提升客户满意度。这种技术的应用为商业活动中的生产过程注入了新的可能性,为提高生产效率和产品质量提供了强有力的支持。
传统的Felzenszwalb算法,没有针对光照不均匀的情况进行处理,无法有效应对由于光照变化导致的图像像素之间变化,而包装纸盒的瑕疵对光照极其敏感。直接使用该算法容易导致错检,漏检的情况,效果不佳。
发明内容
为了解决上述技术问题,本发明提供基于机器视觉的包装纸盒瑕疵检测方法,以解决现有的问题。
本发明的基于机器视觉的包装纸盒瑕疵检测方法采用如下技术方案:
本发明一个实施例提供了基于机器视觉的包装纸盒瑕疵检测方法,该方法包括以下步骤:
采集纸盒展开灰度图像;
获取各像素点的区域,并获取区域内其他像素点的特征子数;根据特征子数获取各像素点的纸盒特征值,并获取各像素点的映射纸盒特征值;根据映射纸盒特征值构建划痕共生矩阵,并计算各像素点的区域划痕系数;计算划痕方向饱和度,并获取各像素点所在区域的划痕预设方向;计算各像素点的区域梯度散度系数,并获取各像素点的区域的频繁梯度方向;根据区域划痕系数、区域梯度散度系数、划痕预设方向和频繁梯度方向获取各像素点的划痕显著性系数;
使用划痕显著性系数对Felzenszwalb算法的不相似度进行改进,完成对包装纸盒瑕疵的检测。
进一步,所述获取各像素点的区域,并获取区域内其他像素点的特征子数,包括:
以纸盒展开灰度图像中各像素点为中心,选取边长为5的方形区域作为各像素点的区域;
计算各像素点的区域中所有像素点的灰度均值,计算所述灰度均值与纸盒展开灰度图像中灰度值的最大值的比值,计算所述比值与预设阈值系数的乘积作为各像素点的区域的灰度阈值;
计算各像素点与灰度阈值之间的和值与差值绝对值,若各像素点的区域的其他像素点的灰度值小于所述差值绝对值,将数字0作为其他像素点的特征子数;若其他像素点的灰度值大于等于所述差值绝对值,小于所述和值,将数字1作为其他像素点的特征子数;若其他像素点的灰度值大于等于所述和值,将数字2作为其他像素点的特征子数。
进一步,所述获取各像素点的纸盒特征值,并获取各像素点的映射纸盒特征值,包括:
将各像素点的区域内的其他像素点的特征子数从左上角的像素点开始,从区域最外层到最里层按照顺时针的顺序进行排列组成排列特征子数,将排列特征子数转换到十进制作为各像素点的纸盒特征值;
将纸盒特征值映射到数字1到数字8之间,作为各像素点的映射纸盒特征值。
进一步,所述构建划痕共生矩阵,包括:
在各像素点的区域中,将所有像素点的映射纸盒特征值按照灰度共生矩阵的思想构建区域在角度的划痕共生矩阵。
进一步,所述计算各像素点的区域划痕系数,包括:
计算各像素点的区域的划痕共生矩阵中各数据所在行数与所在列数的乘积与和值,计算以自然常数为底、所述乘积的负值为指数的指数函数的计算结果,计算所述计算结果与和值平方的比值,计算所有比值与各数据乘积的和值作为第一和值;
将在角度的所有划痕共生矩阵的第一和值中的最大值作为各像素点的区域划痕系数。
进一步,所述计算划痕方向饱和度,包括:
计算各像素点的区域在角度的划痕共生矩阵中左上角边长为2的方形区域中所有数据的和值作为各像素点的区域在角度上的划痕方向饱和度。
进一步,所述获取各像素点所在区域的划痕预设方向,包括:
将各像素点的最大的划痕方向饱和度所对应的角度作为各像素点的区域的划痕预设方向。
进一步,所述计算各像素点的区域梯度散度系数,包括:
使用Sobel算子获取各像素点的区域内所有像素点的梯度幅值和梯度方向;
计算各像素点的区域内所有像素点的梯度幅值的标准差,计算各像素点的区域内所有像素点的梯度幅值的最大值与最小值的差值,将所述标准差与差值的乘积作为各像素点的区域梯度散度系数。
进一步,所述获取各像素点的区域的频繁梯度方向,包括:
统计各像素点的区域内所有像素点的梯度方向,将0度到360度均分为八个区间,将所有像素点的梯度方向划分到对应的区间中,将像素点的梯度方向所在区间的最小值作为像素点的区间梯度方向;
将各像素点的区域内出现次数最多的区间梯度方向作为各像素点的区域的频繁梯度方向。
进一步,所述获取各像素点的划痕显著性系数,包括:
计算各像素点的区域划痕系数与区域梯度散度系数的对数的乘积,计算各像素点的划痕预设方向与频繁梯度方向的和值,计算所述和值的余弦函数的计算结果与数字1的和值作为第二和值;
将所述乘积与第二和值的比值作为各像素点的划痕显著系数。
本发明至少具有如下有益效果:
根据区域中心像素点灰度值与其余像素点的灰度大小关系,对每个像素点构建纸盒特征值TP,纸盒特征值TP尽可能避免了光照对图像的影响,可信度更高。进一步使用纸盒特征值TP代替灰度像素,使用共生矩阵的思想,构建区域划痕系数,根据不同角度的共生矩阵特征,估计图像中划痕大致角度。考虑到划痕与周围像素点的梯度差异,构架区域梯度散度系数。综合多个指标,构建划痕显著性系数,准确表示了划痕像素点与正常像素点的差异。在Felzenszwalb算法中使用像素灰度和划痕显著性系数来表示像素之间的不相似度,避免了由于光照变化导致的图像像素值的变化导致的瑕疵错检漏检的问题,使得正常像素点与划痕像素点的差异更加明显,在图像分割时更容易区分划痕区域。
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为本发明提供的基于机器视觉的包装纸盒瑕疵检测方法的流程图;
图2为特征子数排序示意图。
具体实施方式
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基于机器视觉的包装纸盒瑕疵检测方法,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基于机器视觉的包装纸盒瑕疵检测方法的具体方案。
本发明一个实施例提供的基于机器视觉的包装纸盒瑕疵检测方法,具体的,提供了如下的基于机器视觉的包装纸盒瑕疵检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,获取纸盒展开灰度图像。
使用全局快门的运捕相机,拍摄展开后的包装纸盒的表面,获取纸盒展开图。
由于在实际生产过程中,拍摄图像容易受到光照影响,导致图像中明亮不一致。为了消除光照对图片的影响,使用直方图均衡化技术,减轻纸盒展开图中光照不一致的情况。将处理后的纸盒展开图转化为灰度图像,记为纸盒展开灰度图像。其中直方图均衡化为公知技术,在此不做赘述。
至此,获取纸盒展开灰度图像。
步骤S002,根据纸盒展开灰度图像中的信息,减小图像中的光照影响,并根据划痕区域的特征构建划痕显著性系数。
当纸盒展开灰度图像收到光照影响时,像素点的灰度值均会增加,但是像素点灰度值之间的大小关系不会改变。即传统的LBP局部二值化模式算法思想,LBP通过当前像素点与周围像素点的大小关系计算每个像素点的LBP值。由于传统的LPB局部二值化模式思想是假设在所有像素点收到光照均相同的假设前提下,而在实际生产过程中,不同区域包装纸盒受到光照强度是不同的,因此出现LTP局部三值化模式。
纸盒展开灰度图像中的灰度值可能会由于光照强度不一致的原因产生的变化。在灰度值小的像素点区域受到光照后的灰度值变化较大,而在灰度值大的像素点区域受到光照后灰度变化较小。为了消除该影响,在纸盒展开灰度图像中任意选取一个(5×5)的区域称为,其中心像素点的位置坐标记作/>,/>区域中像素点的灰度值集合记作,定义纸盒展开灰度图像中每个像素点的纸盒特征值为:
为区域/>中像素点/>的纸盒特征值;/>是纸盒特征值的三进制表示,为一串三进制的数字,/>表示将三进制数/>转为十进制,/>表示三进制数/>中的第/>个数字,将/>记为特征子数。/>表示区域/>中/>点的灰度值,即区域中心位置的灰度值。/>表示区域/>中第/>个像素的灰度值。/>为可接受灰度阈值;/>为阈值系数,经验值为15,/>为纸盒展开灰度图像中的灰度值最大值,当区域/>中大部分像素点灰度值较小时,可接受灰度阈值/>较小;/>表示区域/>中所有像素点的灰度值均值。
若在区域中像素点的灰度值较小时,设置的可接受灰度阈值较大,则会导致区域/>内所有像素点的灰度值均落到/>区间内,导致所有特征子数/>全为1,本实施例中希望纸盒特征值TP值能减少光照的影响,但在该情况下(灰度阈值大)计算的得到的纸盒特征值TP是不合逻辑的,因此设定一个自动调整的可接受灰度阈值/>。
上式计算了像素点的纸盒特征值TP,该数值受到光照的影响小,方便后续检测包装纸盒上的划痕瑕疵。
特征子数的具体排序过程如图2所示,在区域/>内,按图中所示箭头方向,比较当前像素灰度值与区域中心像素点灰度值的大小,按照上式中特征子数/>的公式,赋予当前像素点三进制数值。例:若/>的灰度值为50,/>的灰度值为70,/>等于3,此时,特征子数/>为0。
将三进制数值依次排列共得到24个值,得到的纸盒特征三进制数TN值可能转为十进制后是个非常大的数值,在计算完所有像素的纸盒特征值TP后,为了方便后续的计算,将所有像素点的纸盒特征值TP线性映射到[1,8]的区间范围,获取各像素点的映射纸盒特征值TPM。
进一步的,考虑到在包装纸盒划痕瑕疵中,划痕的形状多为长条形。为了描述区域中的纹理特征,使用灰度共生矩阵对纸盒展开灰度图像进行处理,灰度共生矩阵是用于描述图像纹理特征的方法,为本领域人员所熟知的技术,不再过多赘述。由于纸盒展开灰度图像的映射纸盒特征值TPM受到光照的影响较小,使用像素点的映射纸盒特征值TPM代替纸盒展开灰度图像中像素点的灰度值,根据灰度共生矩阵的构建思想,使用像素点的映射纸盒特征值TPM代替原算法中的灰度值,构建包装纸盒的划痕共生矩阵。
所述灰度共生矩阵的构建思想为公知技术,在此不再赘述。
在区域中,本实施例选择在/>四种角度构建划痕共生矩阵,由于映射纸盒特征值TPM的值在/>的区间内,因此四个划痕共生矩阵的大小均为8×8。由于划痕多呈现白色等高亮色彩,导致划痕处的像素点的灰度值与周围像素点的灰度值高,划痕处的像素点所计算的映射纸盒特征值TPM较小。即当区域/>中存在划痕时,划痕共生矩阵的右上部分数值较大,据此构建各像素点所在区域的区域划痕系数:
上式中,为区域/>中心像素点/>的区域划痕系数;/>是角度为的划痕共生矩阵,n是矩阵的边长,由于映射纸盒特征值TPM的值在[1,8]的区间内,划痕共生矩阵为8×8,此处n=8。式中的/>解释为权重,e为自然常数;/>解释为角度为k的划痕共生矩阵中第/>行第/>个元素的数值,其中k的取值为/>。
划痕区域多呈现白色等高亮色彩,则若区域内包含划痕区域,则区域内像素点的映射纸盒特征值TPM较小,越可能为划痕共生矩阵中靠近左上角的数据所包含的像素点,此时权重权重/>的值越大,区域划痕系数/>越大,越可能在区域中存在划痕像素点;映射纸盒特征值TPM越大,区域/>中的像素点越可能是正常像素点,即越可能为划痕共生矩阵中靠近右下角的数据所包含的像素点,此时权重/>的值越小,区域划痕系数/>越小,减小对该部分数据的关注程度。
划痕为连续的高亮色彩,在划痕区域所在的像素点会出现连续的映射纸盒特征值TPM较小的像素点。反映在划痕共生矩阵中为划痕共生矩阵的左上角区域数值较大,因此对四个划痕共生矩阵计算如下,构建划痕方向饱和度:
上式中,表示划痕共生矩阵在角度为k的划痕方向饱和度;/>解释为角度为k的划痕共生矩阵中第/>行第/>个数值,其中k的取值为/>。
划痕方向饱和度为划痕共生矩阵的左上角区域四个数值之和,表示了区域内映射纸盒特征值TPM较小的像素点的多少,某方向划痕共生矩阵的/>值越大,区域/>中的划痕方向越可能为该方向。设划痕预设方向为:
上式中,为划痕预设方向;/>为获取括号中最大值的下标。关于的解释,若/>最大,则划痕预设方向/>的值为0;若/>最大,则划痕预设方向的值为45;/>分别表示划痕共生矩阵在角度为/>的划痕方向饱和度。
若纸盒展开灰度图像没有划痕出现,则纸盒展开灰度图像中像素点的灰度值互相之间较为接近,像素的梯度分布较小。而在存在瑕疵划痕部分图像的灰度像素与周围像素点存在较大的差距,而且划痕一般为细长状态。
首先使用Sobel算子计算纸盒展开灰度图中像素点的梯度幅值和梯度方向,其中Sobel算子为公知技术,在此不做赘述。
对于纸盒展开灰度图中每个像素点,构建区域梯度散度系数:
上式中,表示/>点的梯度散度系数;/>表示以像素点/>为中心的区域/>中的所有像素点的梯度幅值集合,/>表示以像素点/>为中心的区域梯度幅值的标准差,/>表示区域/>中所有像素点的梯度幅值的最大值,表示区域/>中所有像素点的梯度幅值的最小值。
区域梯度散度系数反映了包装纸盒灰度变化情况,若某像素点区域梯度散度系数较大,说明该像素点周围存在灰度像素的剧烈变化,可能存在纸盒的划痕。
若像素点在划痕区域,则像素点垂直于划痕方向的梯度方向变化应该最快,即垂直于方向的梯度变化最快。在区域/>中统计各个像素点的梯度方向,每45度作为一个单位,若像素点的梯度方向在[0/>,45/>)区间内,则将其区间梯度方向记作0度,在[45/>,90)区间内,将其区间梯度方向记为45度,以此类推。将区域/>中出现最频繁的区间梯度方向记为频繁梯度方向/>。
综合上述构建的特征指标,构建划痕显著性系数:
上式中,为划痕显著性系数;/>为区域划痕系数,/>为区域梯度散度系数,/>为对数函数;/>为区域/>中划痕预设方向,/>为区域/>中频繁梯度方向,/>余弦函数;1为调参因子,防止分母为零。
由于划痕显著性系数能尽量避免光照的影响,为了更注重划痕显著性系数,对梯度散度系数/>取对数后再进行后续处理。划痕系数/>与梯度散度系数越大,说明在以/>为中心的区域/>内越可能存在包装纸盒的划痕。
举例说明分母含义:若包装纸盒在某区域中存在划痕为0度方向,则存在水平的高亮灰度像素较多,求得划痕预设方向为0°。在该情况下存在划痕的区域中像素的灰度变化快,灰度像素的梯度方向多为90°或-90°(梯度方向是像素灰度变化最快的方向),即频繁梯度方向/>为90°或-90°。此时/>约等于0(代入90°或者-90°并不影响余弦函数的计算结果),分子减小,从而导致划痕显著性系数/>增加。
步骤S003,使用Felzenszwalb算法,检测包装纸盒缺陷。
根据划痕显著性系数,针对包装纸盒下的场景,修改Felzenszwalb算法中两像素点的不相似度为:
上式中,为像素点/>与像素点/>之间的不相似度;/>为像素点/>的灰度值,/>为像素点/>的灰度值;/>表示像素点/>的划痕显著系数,/>表示像素点的划痕显著性系数。
Felzenswalb算法是基于图像的一种贪心算法,在计算过程中将每个像素点当做图中的一个节点,相邻像素点之间的不相似度作为边。首先对属于所有像素点设置可容忍范围r,计算每个像素点与其邻域像素的不相似度F,将所有计算得到的不相似度从小到大排列,选择不相似度F最小的边,连接该边所连通的两个像素点,两像素点的不相似度小,应属于同一类像素(同属划痕区域像素或者同属正常区域像素),其后更新可容忍范围。
在两个像素点不相似度的计算过程中,使用像素灰度值和划痕显著性系数来评价。由于划痕显著性系数充分考虑了光照,包装纸盒的划痕特征,梯度等方面,使得划痕区域像素点的划痕显著性系数与包装纸盒的正常区域像素点不相似度有着较大差异。在正常像素点与划痕像素点之间,由于其在灰度值和划痕显著性系数上差别较大,所计算的不相似度较大,因此包装纸盒的正常像素点难以和划痕像素点划为同一类别。而当两相邻像素点同属于划痕像素点时,其划痕显著性系数均较大,而划痕像素点的像素又较为相似,导致划痕像素点之间的不相似度较小,容易被划为一类。
使用Felzenswalb算法对图像进行分割,得到分割后的各分割区域,计算纸盒展开灰度图中所有像素点的划痕显著性系数均值U,当某一分割区域内所有像素点的划痕显著性系数均值X大于U时,即认为该分割区域为包装纸盒瑕疵所在区域。其中,Felzenswalb算法为公知技术,本实施例不再赘述。
至此,完成对包装纸盒的瑕疵检测。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (3)
1.基于机器视觉的包装纸盒瑕疵检测方法,其特征在于,该方法包括以下步骤:
采集纸盒展开灰度图像;
获取各像素点的区域,并获取区域内其他像素点的特征子数;根据特征子数获取各像素点的纸盒特征值,并获取各像素点的映射纸盒特征值;根据映射纸盒特征值构建划痕共生矩阵,并计算各像素点的区域划痕系数;计算划痕方向饱和度,并获取各像素点所在区域的划痕预设方向;计算各像素点的区域梯度散度系数,并获取各像素点的区域的频繁梯度方向;根据区域划痕系数、区域梯度散度系数、划痕预设方向和频繁梯度方向获取各像素点的划痕显著性系数;
使用划痕显著性系数对Felzenszwalb算法的不相似度进行改进,完成对包装纸盒瑕疵的检测;
所述获取各像素点的区域,并获取区域内其他像素点的特征子数,包括:
以纸盒展开灰度图像中各像素点为中心,选取边长为5的方形区域作为各像素点的区域;
计算各像素点的区域中所有像素点的灰度均值,计算所述灰度均值与纸盒展开灰度图像中灰度值的最大值的比值,计算所述比值与预设阈值系数的乘积作为各像素点的区域的灰度阈值;
计算各像素点与灰度阈值之间的和值与差值绝对值,若各像素点的区域的其他像素点的灰度值小于所述差值绝对值,将数字0作为其他像素点的特征子数;若其他像素点的灰度值大于等于所述差值绝对值,小于所述和值,将数字1作为其他像素点的特征子数;若其他像素点的灰度值大于等于所述和值,将数字2作为其他像素点的特征子数;
所述计算各像素点的区域划痕系数,包括:
计算各像素点的区域的划痕共生矩阵中各数据所在行数与所在列数的乘积与和值,计算以自然常数为底、所述乘积的负值为指数的指数函数的计算结果,计算所述计算结果与和值平方的比值,计算所有比值与各数据乘积的和值作为第一和值;
将在角度的所有划痕共生矩阵的第一和值中的最大值作为各像素点的区域划痕系数;
所述计算划痕方向饱和度,包括:
计算各像素点的区域在角度的划痕共生矩阵中左上角边长为2的方形区域中所有数据的和值作为各像素点的区域在角度/>上的划痕方向饱和度;
所述获取各像素点所在区域的划痕预设方向,包括:
将各像素点的最大的划痕方向饱和度所对应的角度作为各像素点的区域的划痕预设方向;
所述计算各像素点的区域梯度散度系数,包括:
使用Sobel算子获取各像素点的区域内所有像素点的梯度幅值和梯度方向;
计算各像素点的区域内所有像素点的梯度幅值的标准差,计算各像素点的区域内所有像素点的梯度幅值的最大值与最小值的差值,将所述标准差与差值的乘积作为各像素点的区域梯度散度系数;
所述获取各像素点的区域的频繁梯度方向,包括:
统计各像素点的区域内所有像素点的梯度方向,将0度到360度均分为八个区间,将所有像素点的梯度方向划分到对应的区间中,将像素点的梯度方向所在区间的最小值作为像素点的区间梯度方向;
将各像素点的区域内出现次数最多的区间梯度方向作为各像素点的区域的频繁梯度方向;
所述获取各像素点的划痕显著性系数,包括:
计算各像素点的区域划痕系数与区域梯度散度系数的对数的乘积,计算各像素点的划痕预设方向与频繁梯度方向的和值,计算所述和值的余弦函数的计算结果与数字1的和值作为第二和值;
将所述乘积与第二和值的比值作为各像素点的划痕显著系数。
2.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法,其特征在于,所述获取各像素点的纸盒特征值,并获取各像素点的映射纸盒特征值,包括:
将各像素点的区域内的其他像素点的特征子数从左上角的像素点开始,从区域最外层到最里层按照顺时针的顺序进行排列组成排列特征子数,将排列特征子数转换到十进制作为各像素点的纸盒特征值;
将纸盒特征值映射到数字1到数字8之间,作为各像素点的映射纸盒特征值。
3.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法,其特征在于,所述构建划痕共生矩阵,包括:
在各像素点的区域中,将所有像素点的映射纸盒特征值按照灰度共生矩阵的思想构建区域在角度的划痕共生矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311810134.5A CN117474909B (zh) | 2023-12-27 | 2023-12-27 | 基于机器视觉的包装纸盒瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311810134.5A CN117474909B (zh) | 2023-12-27 | 2023-12-27 | 基于机器视觉的包装纸盒瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474909A CN117474909A (zh) | 2024-01-30 |
CN117474909B true CN117474909B (zh) | 2024-04-05 |
Family
ID=89624052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311810134.5A Active CN117474909B (zh) | 2023-12-27 | 2023-12-27 | 基于机器视觉的包装纸盒瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474909B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
CN111145163A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市中钞科信金融科技有限公司 | 一种纸张褶皱缺陷检测方法及装置 |
CN115272349A (zh) * | 2022-09-30 | 2022-11-01 | 江苏宝翼通讯科技有限公司 | 一种计算机pcb主板焊接缺陷检测方法 |
CN115326919A (zh) * | 2022-08-25 | 2022-11-11 | 浙江欣旺达电子有限公司 | 虚焊缺陷检测方法及检测系统 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6618185B2 (en) * | 2001-11-28 | 2003-09-09 | Micronic Laser Systems Ab | Defective pixel compensation method |
-
2023
- 2023-12-27 CN CN202311810134.5A patent/CN117474909B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
CN111145163A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市中钞科信金融科技有限公司 | 一种纸张褶皱缺陷检测方法及装置 |
CN115326919A (zh) * | 2022-08-25 | 2022-11-11 | 浙江欣旺达电子有限公司 | 虚焊缺陷检测方法及检测系统 |
CN115272349A (zh) * | 2022-09-30 | 2022-11-01 | 江苏宝翼通讯科技有限公司 | 一种计算机pcb主板焊接缺陷检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测系统 |
Non-Patent Citations (2)
Title |
---|
基于先验分布活动轮廓模型的纹理缺陷检测;戴铭 等;控制与决策;20200531;第35卷(第5期);第1226-1230页 * |
基于加权中值各向扩散模型的焊接缺陷实时检测算法;占俊;组合机床与自动化加工技术;20150930(第9期);第86-90页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117474909A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10719937B2 (en) | Automated detection and trimming of an ambiguous contour of a document in an image | |
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
Ding et al. | Importance filtering for image retargeting | |
CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
CN104637067B (zh) | 一种纹理表面的缺陷检测方法 | |
CN112819793A (zh) | 一种集装箱残损识别方法、装置、设备和可读存取介质 | |
Hou et al. | Underwater image dehazing and denoising via curvature variation regularization | |
CN108181316A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN116503414B (zh) | 屏幕缺陷检测方法、装置、计算机设备和存储介质 | |
CN113902641A (zh) | 一种基于红外图像的数据中心热区判别方法及系统 | |
CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
CN107895371B (zh) | 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 | |
Pierre et al. | Luminance-hue specification in the RGB space | |
CN115731166A (zh) | 一种基于深度学习的高压电缆接头打磨缺陷检测方法 | |
CN117474909B (zh) | 基于机器视觉的包装纸盒瑕疵检测方法 | |
Wong et al. | An integrated method to remove color cast and contrast enhancement for underwater image | |
JP4649498B2 (ja) | 画像データの色補正方法及びシステム | |
CN116758080A (zh) | 一种太阳能电池片丝网印刷缺陷检测方法及系统 | |
CN107424134A (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
Ouattara et al. | A new image inpainting approach based on Criminisi algorithm | |
CN112541860A (zh) | 肤色美化校正方法及装置 | |
CN110197178A (zh) | 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法 | |
CN115641294A (zh) | 基于周长面积比筛选阳性突变细胞的方法及系统 | |
CN115601616A (zh) | 一种样本数据生成方法、装置、电子设备和存储介质 |
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 |