CN117474924B - 基于机器视觉的标签缺陷检测方法 - Google Patents
基于机器视觉的标签缺陷检测方法 Download PDFInfo
- Publication number
- CN117474924B CN117474924B CN202311824280.3A CN202311824280A CN117474924B CN 117474924 B CN117474924 B CN 117474924B CN 202311824280 A CN202311824280 A CN 202311824280A CN 117474924 B CN117474924 B CN 117474924B
- Authority
- CN
- China
- Prior art keywords
- contour
- label
- profile
- matched
- matching
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 164
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000005484 gravity Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 239000003086 colorant Substances 0.000 description 10
- 230000002950 deficient Effects 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based 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
- G06V10/70—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
-
- 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
- G06T2207/30204—Marker
-
- 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
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标签缺陷检测方法,该方法包括:获取待检测标签的标签图像,对标签图像进行预处理;分别对目标标签图像和预先获取的目标模板图像进行轮廓提取;对待检测标签轮廓与模板标签轮廓集合中的各个模板标签轮廓进行初步匹配;对待检测标签轮廓集合中的待检测标签轮廓进行分类;对待细化匹配标签轮廓与待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配;生成待检测标签对应的标签缺陷信息。本发明通过对标签图像进行图像处理,解决了对标签进行缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度,主要应用于对标签进行缺陷检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的标签缺陷检测方法。
背景技术
随着科技的发展,标签已经广泛的应用于生活中的方方面面,比如,可以应用于贴标机轨道尾部边缘挡瓶板上,标签与物品之间已经变得密不可分。由于标签中记载了物品的各种信息,所以标签成为了物品主要信息的有效载体,标签的存在有利于相关质检部门对物品的质量定级,方便消费者对物品质量进行主观以及客观评价。然而,标签在生产过程中往往受到生产设备以及生产工艺等因素的影响,导致生产出来的标签可能存在缺陷,缺陷类型如:标签破损、文字或图案的错误印刷、划痕等。缺陷标签往往使得人们无法获取标签中正确的物品信息,因此对于标签的缺陷检测至关重要。目前,对标签进行缺陷检测时,通常采用的方式为:根据待检测标签的待检测图像和标准图像,采用图像匹配进行缺陷检测,其中,待检测图像是待检测标签的图像,标准图像可以是未发生缺陷的标签的图像,该未发生缺陷的标签可以是与待检测标签规格型号相同的标签。
然而,当采用上述方式时,经常会存在如下技术问题:
第一,当采用图像匹配,对标签进行缺陷检测时,由于图像匹配的局限性,往往需要待检测标签未发生缺陷时,待检测图像和标准图像相同,即往往需要调节相机的拍摄角度、待检测标签和未发生缺陷的标签的放置方向相同,往往导致对标签进行缺陷检测的效率低下。
第二,由于图像匹配,对噪声点往往反应灵敏,对局部较小的缺陷检测效果往往不好,所以直接通过图像匹配,往往导致对标签进行缺陷检测准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对标签进行缺陷检测的效率和准确度低下的技术问题,本发明提出了基于机器视觉的标签缺陷检测方法。
本发明提供了基于机器视觉的标签缺陷检测方法,该方法包括:
获取待检测标签的标签图像,对所述标签图像进行预处理,得到目标标签图像;
分别对所述目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合;
对于所述待检测标签轮廓集合中的每个待检测标签轮廓,对所述待检测标签轮廓与所述模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,得到所述待检测标签轮廓对应的待匹配轮廓集合;
根据所述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对所述待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合;
对于所述待细化匹配标签轮廓集合中的每个待细化匹配标签轮廓,对所述待细化匹配标签轮廓与所述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到所述待细化匹配标签轮廓对应的目标匹配轮廓;
根据所述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、所述缺陷标签轮廓集合和所述待细化匹配标签轮廓集合,生成所述待检测标签对应的标签缺陷信息。
进一步的,在所述分别对所述目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合之前,所述方法还包括:
获取样本标签图像集合,其中,所述样本标签图像集合中的样本标签图像是未发生缺陷的样本标签的图像,样本标签的规格型号与所述待检测标签的规格型号相同;
对所述样本标签图像集合中的每个样本标签图像进行边缘检测,得到所述样本标签图像对应的样本轮廓集合;
对于所述样本标签图像集合中的每个样本标签图像,对所述样本标签图像对应的样本轮廓集合中的样本轮廓进行合并,得到所述样本标签图像对应的合并轮廓集合;
对所述样本标签图像集合中的各个样本标签图像对应的合并轮廓集合进行匹配,得到样本匹配轮廓组集合;
对所述样本匹配轮廓组集合中样本匹配轮廓组进行异常值剔除,得到初步匹配轮廓组集合;
对所述初步匹配轮廓组集合中的初步匹配轮廓组进行标准化,得到目标模板图像。
进一步的,所述对所述待检测标签轮廓与所述模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,包括:
从所述待检测标签轮廓中随机选取预设数目个轮廓像素点,得到所述待检测标签轮廓对应的轮廓像素点集合;
根据所述待检测标签轮廓对应的轮廓像素点集合,从模板标签轮廓中筛选出预设数目个模板轮廓像素点,得到模板标签轮廓对应的模板轮廓像素点集合;
根据所述待检测标签轮廓对应的轮廓像素点集合与模板标签轮廓对应的模板轮廓像素点集合,确定所述待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合;
对所述待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合中的第一轮廓差异度进行累加处理,当得到的和小于预先设置的第一差异阈值,并且累加次数等于预设数目时,将模板标签轮廓,确定为所述待检测标签轮廓对应的待匹配轮廓。
进一步的,所述根据所述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对所述待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合,包括:
当所述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量为0时,将待检测标签轮廓,确定为缺陷标签轮廓;
当所述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量大于0时,将待检测标签轮廓,确定为待细化匹配标签轮廓。
进一步的,所述对所述待细化匹配标签轮廓与所述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到所述待细化匹配标签轮廓对应的目标匹配轮廓,包括:
分别确定所述待细化匹配标签轮廓与所述待细化匹配标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的重心;
以所述待细化匹配标签轮廓的重心为圆心,作预先设置的目标数目个目标圆,得到所述待细化匹配标签轮廓对应的目标圆集合;
根据所述待细化匹配标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的重心,确定待匹配轮廓对应的待匹配圆集合;
根据所述待细化匹配标签轮廓对应的目标圆集合和待匹配轮廓对应的待匹配圆集合,确定所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度;
根据所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度;
根据所述待细化匹配标签轮廓与待匹配轮廓,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度;
根据所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度、轮廓差异程度和轮廓形变度,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓缺陷度指标;
从所述待细化匹配标签轮廓对应的待匹配轮廓集合中筛选出所述待细化匹配标签轮廓对应的目标匹配轮廓,其中,所述待细化匹配标签轮廓对应的目标匹配轮廓是所述待细化匹配标签轮廓对应的待匹配轮廓集合中与所述待细化匹配标签轮廓之间的轮廓缺陷度指标最小的待匹配轮廓。
进一步的,目标圆集合中的目标圆的数量和待匹配圆集合中的待匹配圆的数量相同;
所述根据所述待细化匹配标签轮廓对应的目标圆集合和待匹配轮廓对应的待匹配圆集合,确定所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度,包括:
按照目标圆和待匹配圆的大小,分别对所述待细化匹配标签轮廓对应的目标圆集合和待匹配轮廓对应的待匹配圆集合进行排序,得到所述待细化匹配标签轮廓对应的目标圆序列和待匹配轮廓对应的待匹配圆序列;
根据所述待细化匹配标签轮廓对应的目标圆序列中的目标圆和待匹配轮廓对应的待匹配圆序列中的待匹配圆,确定目标圆和待匹配圆之间的第三轮廓差异度;
对所述待细化匹配标签轮廓对应的目标圆序列中的目标圆和待匹配轮廓对应的待匹配圆序列中的待匹配圆之间的第三轮廓差异度进行累加,将得到的和,确定为所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度。
进一步的,所述根据所述待细化匹配标签轮廓对应的目标圆序列中的目标圆和待匹配轮廓对应的待匹配圆序列中的待匹配圆,确定目标圆和待匹配圆之间的第三轮廓差异度,包括:
按照像素点对应的像素值的大小,分别对目标圆中的轮廓像素点和待匹配圆中的模板轮廓像素点进行排序,得到目标圆对应的目标像素点序列和待匹配圆对应的待匹配像素点序列;
将目标圆对应的目标像素点序列中的目标像素点对应的像素值和待匹配圆对应的待匹配像素点序列中的待匹配像素点对应的像素值之间的差值的绝对值,确定为目标圆和待匹配圆之间的差值绝对值序列;
将目标圆和待匹配圆之间的差值绝对值序列中的各个差值绝对值的和,确定为目标圆和待匹配圆之间的第三轮廓差异度。
进一步的,所述根据所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度,包括:
将所述待细化匹配标签轮廓对应的目标圆序列中的各个目标圆与待匹配轮廓对应的待匹配圆序列中的各个待匹配圆之间的差值绝对值序列中的差值绝对值的总数,确定为所述待细化匹配标签轮廓与待匹配轮廓之间的目标数量;
将所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度与目标数量的比值,确定为所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度。
进一步的,所述根据所述待细化匹配标签轮廓与待匹配轮廓,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度,包括:
分别确定所述待细化匹配标签轮廓中的轮廓像素点与待匹配轮廓中的模板轮廓像素点对应的梯度方向;
当轮廓像素点对应的梯度方向大于预先设置的角点阈值时,将轮廓像素点,确定为目标角点;
当模板轮廓像素点对应的梯度方向大于角点阈值时,将模板轮廓像素点,确定为目标角点;
将所述待细化匹配标签轮廓的重心与所述待细化匹配标签轮廓中的各个目标角点之间的欧氏距离,确定为所述待细化匹配标签轮廓对应的欧式距离集合;
将待匹配轮廓的重心与待匹配轮廓中的各个目标角点之间的欧氏距离,确定为待匹配轮廓对应的欧式距离集合;
根据欧式距离的大小,分别对所述待细化匹配标签轮廓和待匹配轮廓对应的欧式距离集合中的欧式距离进行排序,得到所述待细化匹配标签轮廓和待匹配轮廓对应的欧式距离序列;
将所述待细化匹配标签轮廓对应的欧式距离序列中的欧式距离和待匹配轮廓对应的欧式距离序列中的欧式距离的差值的绝对值的和,确定为所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度。
进一步的,所述根据所述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、所述缺陷标签轮廓集合和所述待细化匹配标签轮廓集合,生成所述待检测标签对应的标签缺陷信息,包括:
根据所述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、所述缺陷标签轮廓集合和所述待细化匹配标签轮廓集合,确定所述待检测标签对应的标签缺陷度;
当所述标签缺陷度大于预先设置的标签缺陷阈值时,生成表征所述待检测标签发生影响正常使用的标签缺陷的标签缺陷信息;
当所述标签缺陷度小于或等于标签缺陷阈值时,生成表征所述待检测标签可以正常使用的标签缺陷信息。
本发明具有如下有益效果:
本发明的基于机器视觉的标签缺陷检测方法,通过对标签图像进行图像处理,解决了对标签进行缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度。首先,获取待检测标签的标签图像,对上述标签图像进行预处理,得到目标标签图像。实际情况中,对标签图像进行预处理,可以消除标签图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,可以便于后续通过分析目标标签图像,对待检测标签进行缺陷检测。接着,分别对上述目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合。实际情况,待检测标签的作用主要是展示对应物品的信息,物品的信息主要体现在待检测标签包括的文字或图案。由于文字或图案往往由轮廓组成,因此通过轮廓提取,可以得到目标标签图像和目标模板图像包括的文字或图案,可以便于后续分析文字或图案上是否存在缺陷。并且标签缺陷往往也是由轮廓组成,如果待检测标签存在缺陷,通过轮廓提取,还可以得到目标标签图像包括的缺陷,可以提高对标签进行缺陷检测的准确度。其次,为了吸引更多的客户,商家有时会为相同物品的标签设置不同的背景色,对于这些只有背景色不同的标签,如果直接通过图像匹配,对标签进行缺陷检测,往往需要获取与该标签相同背景色的标准图像,往往导致对标签进行缺陷检测的效率低下,而本方案考虑组成文字、图案和缺陷的轮廓,可以不需获取各种背景色的背景颜色,可以提高对标签进行缺陷检测的效率。然后,对于上述待检测标签轮廓集合中的每个待检测标签轮廓,对上述待检测标签轮廓与上述模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,得到上述待检测标签轮廓对应的待匹配轮廓集合。之后,根据上述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对上述待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合。可以通过初步匹配,分类出缺陷标签轮廓集合和待细化匹配标签轮廓集合,可以使后续只需对待细化匹配标签轮廓集合中的待细化匹配标签轮廓进行细化匹配,不再需要对缺陷标签轮廓集合中的缺陷标签轮廓进行细化匹配,减少了计算量,减少了计算资源的占用。而后,对于上述待细化匹配标签轮廓集合中的每个待细化匹配标签轮廓,对上述待细化匹配标签轮廓与上述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到上述待细化匹配标签轮廓对应的目标匹配轮廓。对待细化匹配标签轮廓与待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,可以提高匹配的准确度。最后,根据上述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、上述缺陷标签轮廓集合和上述待细化匹配标签轮廓集合,生成上述待检测标签对应的标签缺陷信息。综合考虑了待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、缺陷标签轮廓集合和待细化匹配标签轮廓集合,提高了生成的待检测标签对应的标签缺陷信息的准确度。因此,本发明通过对标签图像进行图像处理,解决了对标签进行缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度。
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为根据本发明的基于机器视觉的标签缺陷检测方法的一些实施例的流程图;
图2为根据本发明的对各个样本标签图像对应的合并轮廓集合进行匹配的示意图;
图3为根据本发明的对初步匹配轮廓组集合中的初步匹配轮廓组进行标准化的示意图;
图4为根据本发明的待细化匹配标签轮廓对应的目标圆集合示意图。
其中,图2中的附图标记包括:样本标签图像集合201、第一样本标签图像202、第二样本标签图像203和第三样本标签图像204。
图3中的附图标记包括:初步匹配轮廓组301、第一初步匹配轮廓302、第一像素点303、第二初步匹配轮廓304、第二像素点305、第三初步匹配轮廓306、第三像素点307、轮廓308和第四像素点309。
图4中的附图标记包括:待细化匹配标签轮廓401、第一目标圆402、第二目标圆403和第三目标圆404。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种基于机器视觉的标签缺陷检测方法,该方法包括以下步骤:
获取待检测标签的标签图像,对标签图像进行预处理,得到目标标签图像;
分别对目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合;
对于待检测标签轮廓集合中的每个待检测标签轮廓,对待检测标签轮廓与模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,得到待检测标签轮廓对应的待匹配轮廓集合;
根据待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合;
对于待细化匹配标签轮廓集合中的每个待细化匹配标签轮廓,对待细化匹配标签轮廓与待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到待细化匹配标签轮廓对应的目标匹配轮廓;
根据待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、缺陷标签轮廓集合和待细化匹配标签轮廓集合,生成待检测标签对应的标签缺陷信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的基于机器视觉的标签缺陷检测方法的一些实施例的流程。该基于机器视觉的标签缺陷检测方法,包括以下步骤:
步骤S1,获取待检测标签的标签图像,对标签图像进行预处理,得到目标标签图像。
在一些实施例中,可以获取待检测标签的标签图像,对上述标签图像进行预处理,得到目标标签图像。
其中,待检测标签可以是待检测标签缺陷的标签。例如,待检测标签可以是贴标机轨道尾部边缘挡瓶板上的标签。标签缺陷可以包括但不限于:标签破损、文字错误印刷和划痕。标签图像可以是拍摄有待检测标签的图像。目标标签图像可以是进行预处理后的标签图像。预处理可以包括但不限于:图像去噪、图像灰度化和图像增强。
作为示例,首先,可以通过CCD(Charge Coupled Device,电荷耦合器件)相机,获取待检测标签的标签图像。接着,可以对上述标签图像进行图像去噪和图像灰度化,得到目标标签图像。
步骤S2,分别对目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合。
在一些实施例中,可以分别对上述目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合。
其中,目标模板图像可以是目标标签图像对应的标准图像。待检测标签轮廓集合中的待检测标签轮廓可以是目标标签图像中的轮廓。模板标签轮廓集合中的模板标签轮廓可以是目标模板图像中的轮廓。
作为示例,本步骤可以包括以下步骤:
第一步,对目标标签图像进行轮廓提取,得到待检测标签轮廓集合。
例如,本步骤可以包括以下子步骤:
第一子步骤,可以通过边缘检测算法,对目标标签图像进行边缘检测,将得到的轮廓,确定为第一标签轮廓,得到第一标签轮廓集合。
第二子步骤,对第一标签轮廓集合中对应的目标距离小于或等于预先设置的距离阈值的第一标签轮廓进行合并,将合并后的第一标签轮廓,确定为待检测标签轮廓。
其中,距离阈值可以是两个第一标签轮廓属于同一个图案或文字时,这两个第一标签轮廓之间所允许的最大的距离。如,距离阈值可以是0.1毫米。
比如,当目标标签图像中存在文字“员”时,对目标标签图像进行边缘检测,可能得到“口”和“贝”两个第一标签轮廓,并且这两个第一标签轮廓之间的距离可能是0.05毫米,则可以对这两个第一标签轮廓进行合并,得到待检测标签轮廓“员”。
第三子步骤,将第一标签轮廓集合中对应的目标距离大于距离阈值的第一标签轮廓,确定为待检测标签轮廓。
第二步,对目标模板图像进行轮廓提取,得到模板标签轮廓集合。
本步骤的具体实现方式可以参考步骤S2包括的作为示例包括的第一步,可以将目标模板图像,作为目标标签图像,执行步骤S2包括的作为示例包括的第一步,得到的待检测标签轮廓集合,即为模板标签轮廓集合。
可选地,在上述分别对上述目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合之前,基于机器视觉的标签缺陷检测方法还可以包括以下步骤:
第一步,获取样本标签图像集合。
其中,上述样本标签图像集合中的样本标签图像可以是未发生缺陷的样本标签的图像。样本标签的规格型号可以与上述待检测标签的规格型号相同。
例如,可以通过CCD相机,获取10张样本标签图像,得到样本标签图像集合。其中,拍摄样本标签图像集合中的各个样本标签图像时所调节的拍摄角度可以不完全相同。
第二步,对上述样本标签图像集合中的每个样本标签图像进行边缘检测,得到上述样本标签图像对应的样本轮廓集合。
例如,可以通过边缘检测算法,对样本标签图像进行边缘检测,将得到的轮廓,确定为样本轮廓。
第三步,对于上述样本标签图像集合中的每个样本标签图像,对上述样本标签图像对应的样本轮廓集合中的样本轮廓进行合并,得到上述样本标签图像对应的合并轮廓集合。
本步骤的具体实现方式可以参考步骤S2包括的作为示例包括的第一步,可以将样本标签图像,作为目标标签图像,执行步骤S2包括的作为示例包括的第一步,得到的待检测标签轮廓集合,即为合并轮廓集合。
第四步,对上述样本标签图像集合中的各个样本标签图像对应的合并轮廓集合进行匹配,得到样本匹配轮廓组集合。
例如,本步骤可以包括以下子步骤:
第一子步骤,确定样本标签图像集合中的各个样本标签图像对应的合并轮廓集合中的每个合并轮廓对应的傅里叶描述子。
比如,首先,确定样本标签图像对应的合并轮廓集合中的合并轮廓的重心。接着,确定合并轮廓上距离该合并轮廓的重心最远和最近的像素点,分别作为该合并轮廓对应的远像素点和近像素点。然后,将合并轮廓对应的近像素点,确定为该合并轮廓对应的傅里叶描述子的起始点。之后,沿合并轮廓对应的远像素点和近像素点的连线,分割该合并轮廓,可以将该合并轮廓分割为两个子轮廓。而后,可以沿合并轮廓对应的傅里叶描述子的起始点,先遍历该合并轮廓中像素点数量最少的子轮廓,再遍历该合并轮廓中像素点数量最多的子轮廓,得到该合并轮廓对应的傅里叶描述子。
第二子步骤,通过合并轮廓对应的傅里叶描述子之间的皮尔逊相关系数,对样本标签图像集合中的各个样本标签图像对应的合并轮廓集合进行匹配,得到样本匹配轮廓组集合。
比如,如图2所示,可以通过合并轮廓对应的傅里叶描述子之间的皮尔逊相关系数,对样本标签图像集合201中的第一样本标签图像202、第二样本标签图像203和第三样本标签图像204分别对应的合并轮廓集合{“名”,“称”}进行匹配,得到样本匹配轮廓组集合{(第一样本标签图像202中的合并轮廓“名”,第二样本标签图像203中的合并轮廓“名”,第三样本标签图像204中的合并轮廓“名”),(第一样本标签图像202中的合并轮廓“称”,第二样本标签图像203中的合并轮廓“称”,第三样本标签图像204中的合并轮廓“称”)}。
第五步,对上述样本匹配轮廓组集合中样本匹配轮廓组进行异常值剔除,得到初步匹配轮廓组集合。
例如,可以通过箱线图,对上述样本匹配轮廓组集合中样本匹配轮廓组进行异常值剔除,得到初步匹配轮廓组集合。
第六步,对上述初步匹配轮廓组集合中的初步匹配轮廓组进行标准化,得到目标模板图像。
例如,可以对初步匹配轮廓组中的各个初步匹配轮廓上相同位置处的像素点对应的灰度值进行先累加,再均值,以实现对初步匹配轮廓组进行标准化。如图3所示,首先可以对初步匹配轮廓组301中的第一初步匹配轮廓302中的第一像素点303对应的灰度值、第二初步匹配轮廓304中的第二像素点305对应的灰度值和第三初步匹配轮廓306包括的第三像素点307对应的灰度值进行先累加,再均值,将均值后的值,确定为目标模板图像包括的轮廓308中的第四像素点309对应的灰度值。对于目标模板图像中的各个轮廓中的各个像素点对应的灰度值,可以参考上述步骤确定。
可选地,样本标签图像中可能存在相同的图案或文字,如样本标签图像中可能包括:“型号”和“编号”。如果“型号”和“编号”中的“号”的字体大小颜色相同,可以使目标模板图像中只包括“型号”和“编号”中的一个“号”。如此,可以在一定程度上减少计算量,减少计算资源的占用。
步骤S3,对于待检测标签轮廓集合中的每个待检测标签轮廓,对待检测标签轮廓与模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,得到待检测标签轮廓对应的待匹配轮廓集合。
在一些实施例中,对于上述待检测标签轮廓集合中的每个待检测标签轮廓,可以对上述待检测标签轮廓与上述模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,得到上述待检测标签轮廓对应的待匹配轮廓集合。
其中,待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓可以是与该待检测标签轮廓初步匹配成功的模板标签轮廓。
作为示例,本步骤可以包括以下步骤:
第一步,从上述待检测标签轮廓中随机选取预设数目个轮廓像素点,得到上述待检测标签轮廓对应的轮廓像素点集合。
其中,预设数目可以是预先设置的数目。如,预设数目可以是待检测标签轮廓上的像素点的数量的三分之一。预设数目还可以是1000。待检测标签轮廓上的像素点即为待检测标签轮廓中的轮廓像素点。
第二步,根据上述待检测标签轮廓对应的轮廓像素点集合,从模板标签轮廓中筛选出预设数目个模板轮廓像素点,得到模板标签轮廓对应的模板轮廓像素点集合。
其中,轮廓像素点集合中的轮廓像素点可以与模板轮廓像素点集合中的模板轮廓像素点的位置一一对应。模板轮廓像素点可以是模板标签轮廓上的像素点。
例如,首先,可以从待检测标签轮廓中选取距离该待检测标签轮廓的重心最近和最远的轮廓像素点,得到该待检测标签轮廓对应的2个轮廓像素点。接着,可以从模板标签轮廓中筛选出距离该模板标签轮廓的重心最近和最远的模板轮廓像素点,得到模板标签轮廓对应的2个模板轮廓像素点。其中,轮廓像素点集合中距离待检测标签轮廓的重心最近的轮廓像素点的位置可以认为与模板轮廓像素点集合中距离模板标签轮廓的重心最近的模板轮廓像素点的位置相同。轮廓像素点集合中距离待检测标签轮廓的重心最远的轮廓像素点的位置可以认为与模板轮廓像素点集合中距离模板标签轮廓的重心最远的模板轮廓像素点的位置相同。
第三步,根据上述待检测标签轮廓对应的轮廓像素点集合与模板标签轮廓对应的模板轮廓像素点集合,确定上述待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合。
例如,可以通过序贯相似性检测法,确定上述待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合。如可以通过以下公式,确定上述待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合中的第一轮廓差异度:
;
其中,是待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合中的第i个第一轮廓差异度。/>是待检测标签轮廓对应的轮廓像素点集合中的第i个轮廓像素点对应的灰度值。/>是待检测标签轮廓中的各个轮廓像素点对应的灰度值的均值。/>是模板标签轮廓对应的模板轮廓像素点集合中的第i个模板轮廓像素点对应的灰度值。/>是模板标签轮廓中的各个模板轮廓像素点对应的灰度值的均值。
由于序贯相似性检测法为现有技术,所以采用序贯相似性检测法所带来的技术效果在此不再赘述。
第四步,对上述待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合中的第一轮廓差异度进行累加处理,当得到的和小于预先设置的第一差异阈值,并且累加次数等于预设数目时,将模板标签轮廓,确定为上述待检测标签轮廓对应的待匹配轮廓。
其中,第一差异阈值可以是预先设置的待检测标签轮廓与模板标签轮廓不匹配时,待检测标签轮廓与模板标签轮廓之间最小的第一轮廓差异度累加值。如,第一差异阈值可以是上述预设数目的十分之一。第一差异阈值可以是100。累加次数可以是第一轮廓差异度进行相加的次数。
例如,首先,可以对待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合中的各个第一轮廓差异度进行累加处理,此时累加次数等于预设数目。如预设数目为2,则第一轮廓差异度集合中的第一轮廓差异度的数量为2。对这两个第一轮廓差异度进行累加处理,即0+A+B,则累加次数等于2,其中,0可以是累加处理的初始值,A可以是这两个第一轮廓差异度中的第一个第一轮廓差异度,B可以是这两个第一轮廓差异度中的第二个第一轮廓差异度。接着,将该模板标签轮廓,确定为该待检测标签轮廓对应的待匹配轮廓。
又如,可以边对待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合中的第一轮廓差异度进行累加处理,边判断得到的和是否大于第一差异阈值。当得到的和大于第一差异阈值时,可以确定该模板标签轮廓不是该待检测标签轮廓对应的待匹配轮廓。当得到的和小于或等于第一差异阈值时,可以继续对该第一轮廓差异度集合中的第一轮廓差异度进行累加处理,直至将该第一轮廓差异度集合中的各个第一轮廓差异度进行累加完毕,得到的和依然小于或等于第一差异阈值时,可以将该模板标签轮廓,确定为该待检测标签轮廓对应的待匹配轮廓。
步骤S4,根据待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合。
在一些实施例中,可以根据上述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对上述待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合。
作为示例,本步骤可以包括以下步骤:
第一步,当上述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量为0时,将待检测标签轮廓,确定为缺陷标签轮廓。
实际情况中,待检测标签轮廓如果没有发生缺陷,那么应该会有模板标签轮廓与该待检测标签轮廓匹配成功。所以当该待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量为0时,说明初步匹配时,便没有模板标签轮廓与该待检测标签轮廓匹配成功,因此,该待检测标签轮廓往往发生了缺陷,即可以将该待检测标签轮廓,确定为缺陷标签轮廓。
第二步,当上述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量大于0时,将待检测标签轮廓,确定为待细化匹配标签轮廓。
实际情况中,初步匹配时,可能会存在待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量大于1的情况,然而,正常情况下,一个待检测标签轮廓应该对应一个模板标签轮廓,即待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量应该等于1,所以为了更加精确匹配,对于初步匹配成功的待检测标签轮廓,需要进行更加精细匹配。
步骤S5,对于待细化匹配标签轮廓集合中的每个待细化匹配标签轮廓,对待细化匹配标签轮廓与待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到待细化匹配标签轮廓对应的目标匹配轮廓。
在一些实施例中,对于上述待细化匹配标签轮廓集合中的每个待细化匹配标签轮廓,可以对上述待细化匹配标签轮廓与上述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到上述待细化匹配标签轮廓对应的目标匹配轮廓。
作为示例,本步骤可以包括以下步骤:
第一步,分别确定上述待细化匹配标签轮廓与上述待细化匹配标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的重心。
第二步,以上述待细化匹配标签轮廓的重心为圆心,作预先设置的目标数目个目标圆,得到上述待细化匹配标签轮廓对应的目标圆集合。
其中,目标数目可以是预先设置的数量。如,目标数目可以是10。目标圆可以是预先设置的圆。
例如,如图4所示,目标数目可以是3。待细化匹配标签轮廓401对应的目标圆集合可以包括:第一目标圆402、第二目标圆403和第三目标圆404。其中,第一目标圆402可以是待细化匹配标签轮廓401的最小外接圆。第一目标圆402与第二目标圆403之间的距离可以等于第二目标圆403与第三目标圆404之间的距离。
确定待细化匹配标签轮廓对应的目标圆集合,可以便于后续分析各个目标圆内的轮廓像素点,可以放大待细化匹配标签轮廓的缺陷情况,从而提高对待检测标签进行缺陷检测的准确度。并且标签往往用来展示物品信息,即标签多包含文字,同样地待检测标签往往也多包含文字,对于文字来说,往往越中心的位置,往往越重要,因此后续分析各个目标圆内的轮廓像素点时,待细化匹配标签轮廓的中心部分往往会重复参与分析,可以提高对待检测标签进行缺陷检测的准确度。
第三步,根据上述待细化匹配标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的重心,确定待匹配轮廓对应的待匹配圆集合。
本步骤的具体实现方式可以参考步骤S5包括的作为示例包括的第二步,可以将待匹配轮廓,作为待细化匹配标签轮廓,执行步骤S5包括的作为示例包括的第二步,得到的目标圆集合,即为待匹配圆集合。
第四步,根据上述待细化匹配标签轮廓对应的目标圆集合和待匹配轮廓对应的待匹配圆集合,确定上述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度。
例如,本步骤可以包括以下子步骤:
第一子步骤,按照目标圆和待匹配圆的大小,分别对上述待细化匹配标签轮廓对应的目标圆集合和待匹配轮廓对应的待匹配圆集合进行排序,得到上述待细化匹配标签轮廓对应的目标圆序列和待匹配轮廓对应的待匹配圆序列。
其中,目标圆集合中的目标圆的数量和待匹配圆集合中的待匹配圆的数量可以相同。目标圆序列和待匹配圆序列的排序方式可以相同。
第二子步骤,根据上述待细化匹配标签轮廓对应的目标圆序列中的目标圆和待匹配轮廓对应的待匹配圆序列中的待匹配圆,确定目标圆和待匹配圆之间的第三轮廓差异度。
比如,本子步骤可以包括以下步骤:
首先,按照像素点对应的像素值的大小,分别对目标圆中的轮廓像素点和待匹配圆中的模板轮廓像素点进行排序,得到目标圆对应的目标像素点序列和待匹配圆对应的待匹配像素点序列。
其中,目标像素点序列和待匹配像素点序列的排序方式可以相同。
接着,将目标圆对应的目标像素点序列中的目标像素点对应的像素值和待匹配圆对应的待匹配像素点序列中的待匹配像素点对应的像素值之间的差值的绝对值,确定为目标圆和待匹配圆之间的差值绝对值序列。
如,可以将目标圆对应的目标像素点序列中的第一个目标像素点对应的像素值和待匹配圆对应的待匹配像素点序列中的第一个待匹配像素点对应的像素值之间的差值的绝对值,确定为目标圆和待匹配圆之间的差值绝对值序列中的第一个差值绝对值。对于差值绝对值序列中除了第一个差值绝对值之外的差值绝对值的确定方式,可以参考第一个差值绝对值的确定方式。
最后,将目标圆和待匹配圆之间的差值绝对值序列中的各个差值绝对值的和,确定为目标圆和待匹配圆之间的第三轮廓差异度。
第三子步骤,对上述待细化匹配标签轮廓对应的目标圆序列中的目标圆和待匹配轮廓对应的待匹配圆序列中的待匹配圆之间的第三轮廓差异度进行累加,将得到的和,确定为上述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度。
第五步,根据上述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度,确定上述待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度。
例如,本步骤可以包括以下子步骤:
第一子步骤,将上述待细化匹配标签轮廓对应的目标圆序列中的各个目标圆与待匹配轮廓对应的待匹配圆序列中的各个待匹配圆之间的差值绝对值序列中的差值绝对值的总数,确定为上述待细化匹配标签轮廓与待匹配轮廓之间的目标数量。
第二子步骤,将上述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度与目标数量的比值,确定为上述待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度。
第六步,根据上述待细化匹配标签轮廓与待匹配轮廓,确定上述待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度。
例如,本步骤可以包括以下子步骤:
第一子步骤,分别确定上述待细化匹配标签轮廓中的轮廓像素点与待匹配轮廓中的模板轮廓像素点对应的梯度方向。
其中,轮廓像素点或模板轮廓像素点对应的梯度方向可以通过Sobel算子确定。
第二子步骤,当轮廓像素点对应的梯度方向大于预先设置的角点阈值时,将轮廓像素点,确定为目标角点。
其中,角点阈值可以是预先设置的轮廓像素点或模板轮廓像素点不为角点时,轮廓像素点或模板轮廓像素点对应的最小的梯度方向。如,角点阈值可以是60°。目标角点可以是待细化匹配标签轮廓或待匹配轮廓中的角点。
第三子步骤,当模板轮廓像素点对应的梯度方向大于角点阈值时,将模板轮廓像素点,确定为目标角点。
第四子步骤,将上述待细化匹配标签轮廓的重心与上述待细化匹配标签轮廓中的各个目标角点之间的欧氏距离,确定为上述待细化匹配标签轮廓对应的欧式距离集合。
第五子步骤,将待匹配轮廓的重心与待匹配轮廓中的各个目标角点之间的欧氏距离,确定为待匹配轮廓对应的欧式距离集合。
第六子步骤,根据欧式距离的大小,分别对上述待细化匹配标签轮廓和待匹配轮廓对应的欧式距离集合中的欧式距离进行排序,得到上述待细化匹配标签轮廓和待匹配轮廓对应的欧式距离序列。
其中,待细化匹配标签轮廓和待匹配轮廓对应的欧式距离序列的排序方式可以相同。
第七子步骤,将上述待细化匹配标签轮廓对应的欧式距离序列中的欧式距离和待匹配轮廓对应的欧式距离序列中的欧式距离的差值的绝对值的和,确定为上述待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度。
比如,确定待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度对应的公式可以为:
;
其中,是待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度。m是待细化匹配标签轮廓和待匹配轮廓对应的欧式距离序列中的欧式距离的数量的最大值。当待细化匹配标签轮廓和待匹配轮廓对应的欧式距离序列中的欧式距离的数量不同时,数量少的可以用0进行补充。/>是待细化匹配标签轮廓对应的欧式距离序列中的第j个欧式距离。/>是待匹配轮廓对应的欧式距离序列中的第j个欧式距离。
实际情况中,待细化匹配标签轮廓与待匹配轮廓越相似,待细化匹配标签轮廓与待匹配轮廓的重心与各个目标角点之间的欧氏距离之间的差值的绝对值往往越小,待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度/>往往越小。
第七步,根据上述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度、轮廓差异程度和轮廓形变度,确定上述待细化匹配标签轮廓与待匹配轮廓之间的轮廓缺陷度指标。
例如,确定上述待细化匹配标签轮廓与待匹配轮廓之间的轮廓缺陷度指标对应的公式可以为:
;
其中,是待细化匹配标签轮廓与待匹配轮廓之间的轮廓缺陷度指标。k是待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度。w是第一向量与第二向量之间的皮尔逊相关系数。第一向量可以由待细化匹配标签轮廓中的各个目标角点与该待细化匹配标签轮廓的重心之间的距离组成。第二向量可以由待匹配轮廓中的各个目标角点与该待匹配轮廓的重心之间的距离组成。/>是待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度。/>是第三向量与第四向量之间的皮尔逊相关系数。第三向量可以由待细化匹配标签轮廓中的各个轮廓像素点对应的灰度值组成。第四向量可以由待匹配轮廓中的各个模板轮廓像素点对应的灰度值组成。/>是待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度。
实际情况中,当待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度k越大,第一向量与第二向量之间的皮尔逊相关系数w越小,待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度越大,第三向量与第四向量之间的皮尔逊相关系数/>越小,待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度/>越大时,待细化匹配标签轮廓与待匹配轮廓之间的轮廓缺陷度指标/>越大,待细化匹配标签轮廓与待匹配轮廓之间的相似性越小。
第八步,从上述待细化匹配标签轮廓对应的待匹配轮廓集合中筛选出上述待细化匹配标签轮廓对应的目标匹配轮廓。
其中,上述待细化匹配标签轮廓对应的目标匹配轮廓是上述待细化匹配标签轮廓对应的待匹配轮廓集合中与上述待细化匹配标签轮廓之间的轮廓缺陷度指标最小的待匹配轮廓。
可选地,对于上述待细化匹配标签轮廓集合中的每个待细化匹配标签轮廓,对上述待细化匹配标签轮廓与上述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到上述待细化匹配标签轮廓对应的目标匹配轮廓可以包括以下步骤:
第一步,当待细化匹配标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量等于1时,将待匹配轮廓,确定为该待细化匹配标签轮廓对应的目标匹配轮廓。
第二步,当待细化匹配标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量大于1时,对上述待细化匹配标签轮廓与上述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到上述待细化匹配标签轮廓对应的目标匹配轮廓。
本步骤的具体实现方式及所带来的技术效果可以参考步骤S5包括的作为示例,在此不再赘述。
步骤S6,根据待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、缺陷标签轮廓集合和待细化匹配标签轮廓集合,生成待检测标签对应的标签缺陷信息。
在一些实施例中,可以根据上述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、上述缺陷标签轮廓集合和上述待细化匹配标签轮廓集合,生成上述待检测标签对应的标签缺陷信息。
其中,待检测标签对应的标签缺陷信息可以表征该待检测标签的缺陷情况。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、上述缺陷标签轮廓集合和上述待细化匹配标签轮廓集合,确定上述待检测标签对应的标签缺陷度。
例如,确定上述待检测标签对应的标签缺陷度对应的公式可以为:
;
其中,是上述待检测标签对应的标签缺陷度。/>与/>是预先设置的权重。。如,/>。/>。/>是第一数量与第二数量的差值的绝对值。第一数量可以是待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓中的各个轮廓像素点的总数。第二数量可以是上述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓中的模板轮廓像素点的总数。/>是上述缺陷标签轮廓集合中的各个缺陷标签轮廓中的各个轮廓像素点的总数。
实际情况中,第一数量与第二数量的差值的绝对值越大或缺陷标签轮廓集合中的各个缺陷标签轮廓中的各个轮廓像素点的总数/>越大时,待检测标签对应的标签缺陷度越大,待检测标签发生缺陷的可能性往往越大。并且根据实际情况设置权重/>与/>,可以使确定的待检测标签对应的标签缺陷度/>更加可以体现待检测标签的缺陷程度。
第二步,当上述标签缺陷度大于预先设置的标签缺陷阈值时,生成表征上述待检测标签发生影响正常使用的标签缺陷的标签缺陷信息。
其中,标签缺陷阈值可以是预先设置的待检测标签可以正常使用时,该待检测标签对应的最大的标签缺陷度。例如,标签缺陷阈值可以是15。
第三步,当上述标签缺陷度小于或等于标签缺陷阈值时,生成表征上述待检测标签可以正常使用的标签缺陷信息。
本发明的基于机器视觉的标签缺陷检测方法,通过对标签图像进行图像处理,解决了对标签进行缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度。首先,获取待检测标签的标签图像,对上述标签图像进行预处理,得到目标标签图像。实际情况中,对标签图像进行预处理,可以消除标签图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,可以便于后续通过分析目标标签图像,对待检测标签进行缺陷检测。接着,分别对上述目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合。实际情况,待检测标签的作用主要是展示对应物品的信息,物品的信息主要体现在待检测标签包括的文字或图案。由于文字或图案往往由轮廓组成,因此通过轮廓提取,可以得到目标标签图像和目标模板图像包括的文字或图案,并且标签缺陷往往也是由轮廓组成,如果待检测标签存在缺陷,通过轮廓提取,还可以得到目标标签图像包括的缺陷,可以提高对标签进行缺陷检测的准确度。其次,为了吸引更多的客户,商家有时会为相同物品的标签设置不同的背景色,对于这些只有背景色不同的标签,如果直接通过图像匹配,对标签进行缺陷检测,往往需要获取与该标签相同背景色的标准图像,往往导致对标签进行缺陷检测的效率低下,而本方案考虑组成文字、图案和缺陷的轮廓,可以不需获取各种背景色的背景颜色,可以提高对标签进行缺陷检测的效率。然后,对于上述待检测标签轮廓集合中的每个待检测标签轮廓,对上述待检测标签轮廓与上述模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,得到上述待检测标签轮廓对应的待匹配轮廓集合。之后,根据上述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对上述待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合。可以通过初步匹配,分类出缺陷标签轮廓集合和待细化匹配标签轮廓集合,可以使后续只需对待细化匹配标签轮廓集合中的待细化匹配标签轮廓进行细化匹配,不再需要对缺陷标签轮廓集合中的缺陷标签轮廓进行细化匹配,减少了计算量,减少了计算资源的占用。而后,对于上述待细化匹配标签轮廓集合中的每个待细化匹配标签轮廓,对上述待细化匹配标签轮廓与上述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到上述待细化匹配标签轮廓对应的目标匹配轮廓。对待细化匹配标签轮廓与待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,可以提高匹配的准确度。最后,根据上述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、上述缺陷标签轮廓集合和上述待细化匹配标签轮廓集合,生成上述待检测标签对应的标签缺陷信息。综合考虑了待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、缺陷标签轮廓集合和待细化匹配标签轮廓集合,提高了生成的待检测标签对应的标签缺陷信息的准确度。因此,本发明通过对标签图像进行图像处理,解决了对标签进行缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,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 (8)
1.一种基于机器视觉的标签缺陷检测方法,其特征在于,包括以下步骤:
获取待检测标签的标签图像,对所述标签图像进行预处理,得到目标标签图像;
分别对所述目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合;
对于所述待检测标签轮廓集合中的每个待检测标签轮廓,对所述待检测标签轮廓与所述模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,得到所述待检测标签轮廓对应的待匹配轮廓集合;
根据所述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对所述待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合;
对于所述待细化匹配标签轮廓集合中的每个待细化匹配标签轮廓,对所述待细化匹配标签轮廓与所述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到所述待细化匹配标签轮廓对应的目标匹配轮廓;
根据所述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、所述缺陷标签轮廓集合和所述待细化匹配标签轮廓集合,生成所述待检测标签对应的标签缺陷信息;
所述根据所述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合,对所述待检测标签轮廓集合中的待检测标签轮廓进行分类,得到缺陷标签轮廓集合和待细化匹配标签轮廓集合,包括:
当所述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量为0时,将待检测标签轮廓,确定为缺陷标签轮廓;
当所述待检测标签轮廓集合中的待检测标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的数量大于0时,将待检测标签轮廓,确定为待细化匹配标签轮廓;
所述根据所述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、所述缺陷标签轮廓集合和所述待细化匹配标签轮廓集合,生成所述待检测标签对应的标签缺陷信息,包括:
根据所述待细化匹配标签轮廓集合中的各个待细化匹配标签轮廓对应的目标匹配轮廓、所述缺陷标签轮廓集合和所述待细化匹配标签轮廓集合,确定所述待检测标签对应的标签缺陷度;
当所述标签缺陷度大于预先设置的标签缺陷阈值时,生成表征所述待检测标签发生影响正常使用的标签缺陷的标签缺陷信息;
当所述标签缺陷度小于或等于标签缺陷阈值时,生成表征所述待检测标签可以正常使用的标签缺陷信息。
2.根据权利要求1所述的一种基于机器视觉的标签缺陷检测方法,其特征在于,在所述分别对所述目标标签图像和预先获取的目标模板图像进行轮廓提取,得到待检测标签轮廓集合和模板标签轮廓集合之前,所述方法还包括:
获取样本标签图像集合,其中,所述样本标签图像集合中的样本标签图像是未发生缺陷的样本标签的图像,样本标签的规格型号与所述待检测标签的规格型号相同;
对所述样本标签图像集合中的每个样本标签图像进行边缘检测,得到所述样本标签图像对应的样本轮廓集合;
对于所述样本标签图像集合中的每个样本标签图像,对所述样本标签图像对应的样本轮廓集合中的样本轮廓进行合并,得到所述样本标签图像对应的合并轮廓集合;
对所述样本标签图像集合中的各个样本标签图像对应的合并轮廓集合进行匹配,得到样本匹配轮廓组集合;
对所述样本匹配轮廓组集合中样本匹配轮廓组进行异常值剔除,得到初步匹配轮廓组集合;
对所述初步匹配轮廓组集合中的初步匹配轮廓组进行标准化,得到目标模板图像。
3.根据权利要求1所述的一种基于机器视觉的标签缺陷检测方法,其特征在于,所述对所述待检测标签轮廓与所述模板标签轮廓集合中的各个模板标签轮廓进行初步匹配,包括:
从所述待检测标签轮廓中随机选取预设数目个轮廓像素点,得到所述待检测标签轮廓对应的轮廓像素点集合;
根据所述待检测标签轮廓对应的轮廓像素点集合,从模板标签轮廓中筛选出预设数目个模板轮廓像素点,得到模板标签轮廓对应的模板轮廓像素点集合;
根据所述待检测标签轮廓对应的轮廓像素点集合与模板标签轮廓对应的模板轮廓像素点集合,确定所述待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合;
对所述待检测标签轮廓与模板标签轮廓之间的第一轮廓差异度集合中的第一轮廓差异度进行累加处理,当得到的和小于预先设置的第一差异阈值,并且累加次数等于预设数目时,将模板标签轮廓,确定为所述待检测标签轮廓对应的待匹配轮廓。
4.根据权利要求1所述的一种基于机器视觉的标签缺陷检测方法,其特征在于,所述对所述待细化匹配标签轮廓与所述待细化匹配标签轮廓对应的待匹配轮廓集合进行细化匹配,得到所述待细化匹配标签轮廓对应的目标匹配轮廓,包括:
分别确定所述待细化匹配标签轮廓与所述待细化匹配标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的重心;
以所述待细化匹配标签轮廓的重心为圆心,作预先设置的目标数目个目标圆,得到所述待细化匹配标签轮廓对应的目标圆集合;
根据所述待细化匹配标签轮廓对应的待匹配轮廓集合中的待匹配轮廓的重心,确定待匹配轮廓对应的待匹配圆集合;
根据所述待细化匹配标签轮廓对应的目标圆集合和待匹配轮廓对应的待匹配圆集合,确定所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度;
根据所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度;
根据所述待细化匹配标签轮廓与待匹配轮廓,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度;
根据所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度、轮廓差异程度和轮廓形变度,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓缺陷度指标;
从所述待细化匹配标签轮廓对应的待匹配轮廓集合中筛选出所述待细化匹配标签轮廓对应的目标匹配轮廓,其中,所述待细化匹配标签轮廓对应的目标匹配轮廓是所述待细化匹配标签轮廓对应的待匹配轮廓集合中与所述待细化匹配标签轮廓之间的轮廓缺陷度指标最小的待匹配轮廓。
5.根据权利要求4所述的一种基于机器视觉的标签缺陷检测方法,其特征在于,目标圆集合中的目标圆的数量和待匹配圆集合中的待匹配圆的数量相同;
所述根据所述待细化匹配标签轮廓对应的目标圆集合和待匹配轮廓对应的待匹配圆集合,确定所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度,包括:
按照目标圆和待匹配圆的大小,分别对所述待细化匹配标签轮廓对应的目标圆集合和待匹配轮廓对应的待匹配圆集合进行排序,得到所述待细化匹配标签轮廓对应的目标圆序列和待匹配轮廓对应的待匹配圆序列;
根据所述待细化匹配标签轮廓对应的目标圆序列中的目标圆和待匹配轮廓对应的待匹配圆序列中的待匹配圆,确定目标圆和待匹配圆之间的第三轮廓差异度;
对所述待细化匹配标签轮廓对应的目标圆序列中的目标圆和待匹配轮廓对应的待匹配圆序列中的待匹配圆之间的第三轮廓差异度进行累加,将得到的和,确定为所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度。
6.根据权利要求5所述的一种基于机器视觉的标签缺陷检测方法,其特征在于,所述根据所述待细化匹配标签轮廓对应的目标圆序列中的目标圆和待匹配轮廓对应的待匹配圆序列中的待匹配圆,确定目标圆和待匹配圆之间的第三轮廓差异度,包括:
按照像素点对应的像素值的大小,分别对目标圆中的轮廓像素点和待匹配圆中的模板轮廓像素点进行排序,得到目标圆对应的目标像素点序列和待匹配圆对应的待匹配像素点序列;
将目标圆对应的目标像素点序列中的目标像素点对应的像素值和待匹配圆对应的待匹配像素点序列中的待匹配像素点对应的像素值之间的差值的绝对值,确定为目标圆和待匹配圆之间的差值绝对值序列;
将目标圆和待匹配圆之间的差值绝对值序列中的各个差值绝对值的和,确定为目标圆和待匹配圆之间的第三轮廓差异度。
7.根据权利要求6所述的一种基于机器视觉的标签缺陷检测方法,其特征在于,所述根据所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度,包括:
将所述待细化匹配标签轮廓对应的目标圆序列中的各个目标圆与待匹配轮廓对应的待匹配圆序列中的各个待匹配圆之间的差值绝对值序列中的差值绝对值的总数,确定为所述待细化匹配标签轮廓与待匹配轮廓之间的目标数量;
将所述待细化匹配标签轮廓与待匹配轮廓之间的第二轮廓差异度与目标数量的比值,确定为所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓差异程度。
8.根据权利要求4所述的一种基于机器视觉的标签缺陷检测方法,其特征在于,所述根据所述待细化匹配标签轮廓与待匹配轮廓,确定所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度,包括:
分别确定所述待细化匹配标签轮廓中的轮廓像素点与待匹配轮廓中的模板轮廓像素点对应的梯度方向;
当轮廓像素点对应的梯度方向大于预先设置的角点阈值时,将轮廓像素点,确定为目标角点;
当模板轮廓像素点对应的梯度方向大于角点阈值时,将模板轮廓像素点,确定为目标角点;
将所述待细化匹配标签轮廓的重心与所述待细化匹配标签轮廓中的各个目标角点之间的欧氏距离,确定为所述待细化匹配标签轮廓对应的欧式距离集合;
将待匹配轮廓的重心与待匹配轮廓中的各个目标角点之间的欧氏距离,确定为待匹配轮廓对应的欧式距离集合;
根据欧式距离的大小,分别对所述待细化匹配标签轮廓和待匹配轮廓对应的欧式距离集合中的欧式距离进行排序,得到所述待细化匹配标签轮廓和待匹配轮廓对应的欧式距离序列;
将所述待细化匹配标签轮廓对应的欧式距离序列中的欧式距离和待匹配轮廓对应的欧式距离序列中的欧式距离的差值的绝对值的和,确定为所述待细化匹配标签轮廓与待匹配轮廓之间的轮廓形变度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311824280.3A CN117474924B (zh) | 2023-12-28 | 2023-12-28 | 基于机器视觉的标签缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311824280.3A CN117474924B (zh) | 2023-12-28 | 2023-12-28 | 基于机器视觉的标签缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474924A CN117474924A (zh) | 2024-01-30 |
CN117474924B true CN117474924B (zh) | 2024-03-15 |
Family
ID=89624192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311824280.3A Active CN117474924B (zh) | 2023-12-28 | 2023-12-28 | 基于机器视觉的标签缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474924B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07134769A (ja) * | 1993-11-09 | 1995-05-23 | Fujitsu General Ltd | 画像合成におけるアンチエリアシング処理方法 |
CN107492091A (zh) * | 2017-07-06 | 2017-12-19 | 东莞理工学院 | 基于机器视觉的标签外观检测方法及终端设备 |
CN112907526A (zh) * | 2021-02-07 | 2021-06-04 | 电子科技大学 | 基于lbf的卫星望远镜镜片表面疵病检测方法 |
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 |
CN114092385A (zh) * | 2020-08-27 | 2022-02-25 | 北京市天元网络技术股份有限公司 | 基于机器视觉的工业机械故障检测方法及装置 |
WO2022151658A1 (zh) * | 2021-01-15 | 2022-07-21 | 北京市商汤科技开发有限公司 | 一种缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
CN115018835A (zh) * | 2022-08-08 | 2022-09-06 | 聊城市宁泰电机有限公司 | 一种汽车起动机齿轮检测方法 |
CN115546587A (zh) * | 2022-11-04 | 2022-12-30 | 广东工业大学 | 一种带有标签的多类型缺陷数据集生成方法和系统 |
CN115908269A (zh) * | 2022-10-26 | 2023-04-04 | 中科慧远视觉技术(北京)有限公司 | 视觉缺陷检测方法、装置、存储介质和计算机设备 |
CN115908988A (zh) * | 2023-03-09 | 2023-04-04 | 苏州苏映视图像软件科技有限公司 | 一种缺陷检测模型生成方法、装置、设备以及存储介质 |
CN116468687A (zh) * | 2023-04-13 | 2023-07-21 | 凌云光技术股份有限公司 | 划伤缺陷检测方法、装置及存储介质、电子设备 |
WO2023155494A1 (zh) * | 2022-02-16 | 2023-08-24 | 上海商汤智能科技有限公司 | 图像检测及训练方法、相关装置、设备、介质和程序产品 |
CN116883413A (zh) * | 2023-09-08 | 2023-10-13 | 山东鲁抗医药集团赛特有限责任公司 | 一种剔废接料滞留视觉检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8607169B2 (en) * | 2011-12-28 | 2013-12-10 | Elitetech Technology Co., Ltd. | Intelligent defect diagnosis method |
-
2023
- 2023-12-28 CN CN202311824280.3A patent/CN117474924B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07134769A (ja) * | 1993-11-09 | 1995-05-23 | Fujitsu General Ltd | 画像合成におけるアンチエリアシング処理方法 |
CN107492091A (zh) * | 2017-07-06 | 2017-12-19 | 东莞理工学院 | 基于机器视觉的标签外观检测方法及终端设备 |
CN114092385A (zh) * | 2020-08-27 | 2022-02-25 | 北京市天元网络技术股份有限公司 | 基于机器视觉的工业机械故障检测方法及装置 |
WO2022151658A1 (zh) * | 2021-01-15 | 2022-07-21 | 北京市商汤科技开发有限公司 | 一种缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN112907526A (zh) * | 2021-02-07 | 2021-06-04 | 电子科技大学 | 基于lbf的卫星望远镜镜片表面疵病检测方法 |
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 |
WO2023155494A1 (zh) * | 2022-02-16 | 2023-08-24 | 上海商汤智能科技有限公司 | 图像检测及训练方法、相关装置、设备、介质和程序产品 |
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
CN115018835A (zh) * | 2022-08-08 | 2022-09-06 | 聊城市宁泰电机有限公司 | 一种汽车起动机齿轮检测方法 |
CN115908269A (zh) * | 2022-10-26 | 2023-04-04 | 中科慧远视觉技术(北京)有限公司 | 视觉缺陷检测方法、装置、存储介质和计算机设备 |
CN115546587A (zh) * | 2022-11-04 | 2022-12-30 | 广东工业大学 | 一种带有标签的多类型缺陷数据集生成方法和系统 |
CN115908988A (zh) * | 2023-03-09 | 2023-04-04 | 苏州苏映视图像软件科技有限公司 | 一种缺陷检测模型生成方法、装置、设备以及存储介质 |
CN116468687A (zh) * | 2023-04-13 | 2023-07-21 | 凌云光技术股份有限公司 | 划伤缺陷检测方法、装置及存储介质、电子设备 |
CN116883413A (zh) * | 2023-09-08 | 2023-10-13 | 山东鲁抗医药集团赛特有限责任公司 | 一种剔废接料滞留视觉检测方法 |
Non-Patent Citations (3)
Title |
---|
一种基于轮廓配准的包装缺陷检测方法;舒小华;沈振康;龙永红;;包装工程;20070315(03);全文 * |
基于机器视觉的抽纸软包装缺陷检测算法研究;郜明;硕士电子期刊;20220215;全文 * |
杨欧 ; 胡涛 ; 郭轩 ; 郭宝平 ; .灰度形态学在印刷品缺陷检测中的应用.微计算机信息.2008,(07),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117474924A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
US20190236614A1 (en) | Artificial intelligence counterfeit detection | |
CA2976771C (en) | Barcode tag detection in side view sample tube images for laboratory automation | |
US20040247171A1 (en) | Image processing method for appearance inspection | |
JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN111161295B (zh) | 一种菜品图像背景剥离方法 | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN111126112B (zh) | 候选区域确定方法和装置 | |
CN112069907A (zh) | 基于实例分割的x光机图像识别方法、装置及系统 | |
CN111062379A (zh) | 标识防错识别方法、装置、存储介质和系统 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN117474924B (zh) | 基于机器视觉的标签缺陷检测方法 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN116002480A (zh) | 电梯轿厢内乘客意外摔倒的自动检测方法和系统 | |
CN116958035A (zh) | 产品零件缺陷检测方法、装置、介质及电子设备 | |
CN115375991A (zh) | 一种强/弱光照和雾环境自适应目标检测方法 | |
CN115082449A (zh) | 一种电子元器件缺陷检测方法 | |
CN111402185A (zh) | 一种图像检测方法及装置 | |
Achakir et al. | An automated AI-based solution for out-of-stock detection in retail environments |
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 |