CN117576101A - 一种油墨印刷品质检智能控制方法及系统 - Google Patents

一种油墨印刷品质检智能控制方法及系统 Download PDF

Info

Publication number
CN117576101A
CN117576101A CN202410062266.2A CN202410062266A CN117576101A CN 117576101 A CN117576101 A CN 117576101A CN 202410062266 A CN202410062266 A CN 202410062266A CN 117576101 A CN117576101 A CN 117576101A
Authority
CN
China
Prior art keywords
matrix
image
detected
energy
printed matter
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.)
Withdrawn
Application number
CN202410062266.2A
Other languages
English (en)
Inventor
胡霄鹏
郑付涛
王大威
候华毅
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.)
Changge Dayang Paper Co ltd
Foshan Longsheng Guangqi Technology Co ltd
Original Assignee
Changge Dayang Paper Co ltd
Foshan Longsheng Guangqi Technology Co ltd
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 Changge Dayang Paper Co ltd, Foshan Longsheng Guangqi Technology Co ltd filed Critical Changge Dayang Paper Co ltd
Priority to CN202410062266.2A priority Critical patent/CN117576101A/zh
Publication of CN117576101A publication Critical patent/CN117576101A/zh
Withdrawn legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Immunology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种油墨印刷品质检智能控制方法及系统，涉及人工智能技术领域，方法包括：获取油墨印刷品对应的印刷原图像以及待检测缺陷图像；对待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对第一空间特征向量进行主成分分析得到预设数量的主成分，将主成分与光谱特征进行叠加得到第二空间特征向量；根据印刷原图像与第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵；根据相似度矩阵拟合待检测缺陷图像的均值曲线，根据均值曲线评估油墨印刷品的品质。本发明有效地提高了油墨印刷品检测的性能和精度，并且无需额外的训练样本、计算复杂度低、可解释性强。

Description

一种油墨印刷品质检智能控制方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种油墨印刷品质检智能控制方法及系统。
背景技术
印刷缺陷检测属于工业缺陷检测领域的一个分支，与其他工业缺陷检测问题相同，印刷缺陷检测的目标同样是希望通过机器视觉技术实现印刷产品质检的自动化，达到降低人工成本、提高检测效率与精度的效果。印刷品缺陷产生的原因多种多样、缺陷的形态多种多样，包括线状的、团状甚至是整个区域的，从背景角度来看，缺陷所处的区域多种多样，包括单一颜色背景的、周期纹理的以及复杂图案的，由于印刷工艺各不相同，印刷品体现的特征也不尽相同。
现有的印刷缺陷检测技术通常采用待检测图像与模板图像对比的思路。在现有技术中，以是否采用深度学习技术为标准，又可以分为基于传统图像处理的技术和基于深度学习的技术，二者的主要差异在于进行图像对比的空间不同，基于传统图像处理的技术在原始图像空间进行对比，即像素空间；基于深度学习的技术在高维特征空间进行对比，即语义空间。
基于深度学习的方案为了完成训练必须得到像素级的人工标注，导致训练成本过高。基于传统图像处理的技术对于图像预处理、图像配准、差值图像计算与分析等步骤环环相扣，只能运行存在极小的误差，导致鲁棒性不好，并且需要专业人员进行调试。此外，因为光照条件、机械误差等因素的存在，容易导致配准效果不佳等问题，进而影响检测结果。
因此，本发明提出一种油墨印刷品质检智能控制方法及系统，提高了检测性能和精度，并且无需额外的训练样本、计算复杂度低、可解释性强。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述全部或至少一部分问题的油墨印刷品质检智能控制方法及系统。
根据本发明的一个方面，提供了一种油墨印刷品质检智能控制方法，包括：
获取所述油墨印刷品对应的印刷原图像以及待检测缺陷图像；
对所述待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对所述第一空间特征向量进行主成分分析得到预设数量的主成分，将所述主成分与光谱特征进行叠加得到第二空间特征向量；
根据所述印刷原图像与所述第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵；
根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵，根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线，根据所述均值曲线评估所述油墨印刷品的品质。
更进一步地，所述对所述待检测缺陷图像进行双滤波的计算公式为：
；
其中，，为原始图像的像素索引，为当前被滤波的像素坐标，为输入的原始图 像，为双滤波核函数，为原始图像I的双滤波核，为标准化参数，，为空 间相似度，为光谱相似度，，分别为原始图像的像素i与像素j的像素坐标，，分别为原 始图像的像素i与像素j。
更进一步地，所述对所述待检测缺陷图像进行二维滤波的计算公式为：
；
其中， 为输入图像的空间域变量，为范数算子，u，v为滤波核的方向和尺度，为频率向量，为预设阈值，为二维滤波函数，可以是Gabor滤波函数，为输入 图像的空间域变量的滤波函数。
更进一步地，所述根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线进一步包括：
根据所述相似度矩阵拟合所述待检测缺陷图像的能量均值曲线以及灰度均匀度曲线。
更进一步地，所述能量均值曲线的计算公式为：
；
其中，为能量相似度矩阵的均值，为N行N列的矩阵，m为第m行的相似度矩 阵，n为第n列的相似度矩阵，为N行N列的能量相似度矩阵，为原始图像的灰度值，为待检测图像的灰度值,为相似度系数。
更进一步地，所述灰度均值的计算公式为：
；
其中，为图像的灰度均值，M为矩阵的行数，N为矩阵的列数，i，j为第i行第j列， 为第i行第i列图像的灰度值。
更进一步地，所述灰度方差值的计算公式为：
；
其中，为图像的灰度方差值，为图像的灰度均值，M为矩阵的行数，N为矩阵的列 数，i，j为第i行第j列，为第i行第i列图像的灰度值。
更进一步地，所述亮度矩阵的构建表达式为：
；
其中，为待检测缺陷图像的亮度矩阵，，为原始图像与待检测缺陷图像的灰 度均值；
所述对比度矩阵的构建表达式为：
；
其中，为待检测缺陷图像的亮度矩阵，和为原始图像与待检测缺陷图像的灰 度标准差，，为原始图像与待检测缺陷图像的灰度方差；
所述能量矩阵的构建表达式为：
；
其中，为待检测缺陷图像的能量矩阵，和分别为原始图像与待检测缺陷图 像的能量标准差，为原始图像与待检测缺陷图像的能量协方差,为数学期 望,为最小值函数。
更进一步地，所述根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵进一步包括：
将所述亮度矩阵、对比度矩阵以及能量矩阵相乘得到所述相似度矩阵；
所述根据所述均值曲线评估所述油墨印刷品的品质进一步包括：
若所述均值曲线越接近于1，则所述油墨印刷品的品质越高，反之越低。
根据本发明的另一方面，提供了一种油墨印刷品质检智能控制系统，包括：
图像获取模块，用于获取所述油墨印刷品对应的印刷原图像以及待检测缺陷图像；
第一处理模块，用于对所述待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对所述第一空间特征向量进行主成分分析得到预设数量的主成分，将所述主成分与光谱特征进行叠加得到第二空间特征向量；
第二处理模块，用于根据所述印刷原图像与所述第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵；
评估模块，用于根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵，根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线，根据所述均值曲线评估所述油墨印刷品的品质。
根据本发明提供的方案，获取所述油墨印刷品对应的印刷原图像以及待检测缺陷图像；对所述待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对所述第一空间特征向量进行主成分分析得到预设数量的主成分，将所述主成分与光谱特征进行叠加得到第二空间特征向量；根据所述印刷原图像与所述第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵；根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵，根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线，根据所述均值曲线评估所述油墨印刷品的品质。本发明有效地提高了油墨印刷品检测的性能和精度，并且无需额外的训练样本、计算复杂度低、可解释性强。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例的油墨印刷品质检智能控制方法的流程示意图；
图2示出了本发明实施例的油墨印刷品质检智能控制系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例的油墨印刷品质检智能控制方法的流程示意图。本发明有效地提高了油墨印刷品检测的性能和精度，并且无需额外的训练样本、计算复杂度低、可解释性强。具体地，包括以下步骤：
步骤S101，获取所述油墨印刷品对应的印刷原图像以及待检测缺陷图像。
油墨是用于印刷的重要材料，通过印刷或喷绘将图案、文字表现在承印物上。油墨中包括主要成分和辅助成分，它们均匀地混合并经反复轧制而成一种黏性胶状流体。由连结料（树脂）、颜料、填料、助剂和溶剂等组成。用于书刊、包装装潢、建筑装饰及电子线路板材等各种印刷。油墨的光泽度主要是指印品表面受光后，向同一个方向反射光线能力的大小，油墨光泽度的好坏会给印刷品的外观带来较大的影响，光泽度好则色泽鲜艳，光泽度差则色泽暗淡。此外，印刷品给人们最明显的感觉就是它的色彩、鲜艳程度和反映的真实性等，除了图案的结构，印刷水平外，几乎都要用颜色来表达。所以，油墨颜色的检验是非常重要的。检测油墨颜色的方法主要有两种：一种是仪器检验方法，采用反射密度计和色度计等仪器测定。另一种常规检验方法，是将油墨涂布于承印材料上进行比较和判断。
本实施例中，对于油墨印刷品的待检测缺陷图像，借助工业CCD相机和高亮LED线性聚光光源，根据印刷品纸张表面缺陷图像与纸张的正常成像存在的明显灰阶差异，能够及时发现缺陷并对不同的缺陷进行分类并自动记录缺陷图像、位置等信息，有效地节约生产成本，提高印刷品缺陷检测的效率。
步骤S102，对所述待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对所述第一空间特征向量进行主成分分析得到预设数量的主成分，将所述主成分与光谱特征进行叠加得到第二空间特征向量。
对待检测缺陷图像分别进行双滤波与二维滤波操作（即图像分割处理），可以进一步得到优化分割参数，以获取更好的分割结果。通过双滤波与二维滤波操作构建待检测缺陷图像的特征，能够消除量纲的影响，得到各个分割结果的质量评分，进一步从全局加强了对于分割块内部同质性及分割块间异质性的判断，从而增强了质量评价的精度和稳定性，使得评价结果更符合人类视觉特征。
具体地，对待检测缺陷图像进行双滤波以提取光谱特征，进行二维滤波操作得到空间特征向量（称为第一空间特征向量），对第一空间特征向量进行主成分分析得到预设数量的主成分，本实施例中，采用PCA方法进行主成分分析，可以降低算法的计算开销，使得结果更容易理解，并且无参数限制。然后，将主成分与光谱特征进行叠加得到光谱/空间特征向量（称为第二空间特征向量），能够更好地呈现出各种组分光谱叠加后的整体特征。
更进一步地，所述对所述待检测缺陷图像进行双滤波的计算公式为：
；
其中，，为原始图像的像素索引，为当前被滤波的像素坐标，为输入的原始图 像，为双滤波核函数，为原始图像的双滤波核，为标准化参数，，为空 间相似度，为光谱相似度，，分别为原始图像的像素i与像素j的像素坐标，，分别为原 始图像的像素i与像素j。
本实施例中，双边滤波（Bilateral Filter）是一种非线性滤波方法，结合了图像的空间邻近度与像素值相似度的处理办法。该滤波方法同时考虑了空间临近信息与颜色相似信息，在滤除噪声、平滑图像的同时，又做到边缘保存。双边滤波采用了两个高斯滤波的结合。一个负责计算空间邻近度的权值，也就是常用的高斯滤波器原理。而另一个负责计算像素值相似度的权值。在两个高斯滤波的同时作用下，就是双边滤波。双边滤波的基本思想是：通过各个点到中心点的空间临近度计算的各个权值进行优化，将其优化为空间临近度计算的权值和像素值相似度计算的权值的乘积，优化后的权值再与图像作卷积运算，从而达到保边去噪的效果。例如，当图像在变化程度平缓的区域时，邻域中的像素值(RGB值)差距相差不大，此时的双边就是普通的高斯滤波，达到对图像平滑的效果。当图像在变化程度剧烈的区域，比如在边缘区域时，邻域中的像素值(RGB值)差距相差很大。
更进一步地，所述对所述待检测缺陷图像进行二维滤波的计算公式为：
；
其中，为输入图像的空间域变量，为范数算子，u，v为滤波核的方向和尺度， 为频率向量，为预设阈值，为二维滤波函数，可以是Gabor滤波函数，为输入图 像的空间域变量的滤波函数。
本实施例中，二维滤波（如二维Gabor滤波器）是一种用于纹理分析的线性滤波器，能够分析图像在某一特定区域的特定方向上是否有特定的频率内容，二维滤波的频率和方向的表达与人类的视觉系统很相似，特别适合于纹理表示和辨别。
步骤S103，根据所述印刷原图像与所述第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵。
图像的灰度均值代表图像的亮度，灰度方差值代表对比度，能量是灰度共生矩阵元素值的平方和，反映了图像灰度分布均匀程度和纹理粗细度。对印刷原图像与第二空间特征向量的灰度均值、灰度方差值、能量值进行归一化操作，即可得到相对应的亮度矩阵、对比度矩阵以及能量矩阵。
更进一步地，所述灰度均值的计算公式为：
；
其中，为图像的灰度均值，M为矩阵的行数，N为矩阵的列数，i，j为第i行第j列， 为第i行第i列图像的灰度值。
更进一步地，所述灰度方差值的计算公式为：
；
其中，为图像的灰度方差值，为图像的灰度均值，M为矩阵的行数，N为矩阵的列 数，i，j为第i行第j列，为第i行第i列图像的灰度值。
更进一步地，所述亮度矩阵的构建表达式为：
；
其中，为待检测缺陷图像的亮度矩阵，，为原始图像与待检测缺陷图像的灰 度均值；
所述对比度矩阵的构建表达式为：
；
其中，为待检测缺陷图像的亮度矩阵，和为原始图像与待检测缺陷图像的灰 度标准差，，为原始图像与待检测缺陷图像的灰度方差；
所述能量矩阵的构建表达式为：
；
其中，为待检测缺陷图像的能量矩阵，和分别为原始图像与待检测缺陷图 像的能量标准差，为原始图像与待检测缺陷图像的能量协方差,为数学期 望,为最小值函数。
步骤S104，根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵，根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线，根据所述均值曲线评估所述油墨印刷品的品质。
例如，以相似度矩阵的均值为纵轴，画出平面坐标系中相似度矩阵的均值曲线，以评估相似度矩阵的均值变化，进而根据均值曲线评估油墨印刷品的品质。
更进一步地，所述根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵进一步包括：
将所述亮度矩阵、对比度矩阵以及能量矩阵相乘得到所述相似度矩阵；
更进一步地，所述根据所述均值曲线评估所述油墨印刷品的品质进一步包括：
若所述均值曲线越接近于1，则所述油墨印刷品的品质越高，反之越低。
更进一步地，所述根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线进一步包括：
根据所述相似度矩阵拟合所述待检测缺陷图像的能量均值曲线以及灰度均匀度曲线。
更进一步地，所述能量均值曲线的计算公式为：
；
其中，为能量相似度矩阵的均值，为N行N列的矩阵，m为第m行的相似度矩 阵，n为第n列的相似度矩阵，为N行N列的能量相似度矩阵，为原始图像的灰度值，为待检测图像的灰度值,为相似度系数。
根据本发明提供的方案，获取所述油墨印刷品对应的印刷原图像以及待检测缺陷图像；对所述待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对所述第一空间特征向量进行主成分分析得到预设数量的主成分，将所述主成分与光谱特征进行叠加得到第二空间特征向量；根据所述印刷原图像与所述第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵；根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵，根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线，根据所述均值曲线评估所述油墨印刷品的品质。本发明有效地提高了油墨印刷品检测的性能和精度，并且无需额外的训练样本、计算复杂度低、可解释性强。
图2示出了本发明实施例的油墨印刷品质检智能控制系统的结构示意图。如图2所示，包括图像获取模块210、第一处理模块220、第二处理模块230和评估模块240。
所述图像获取模块210，用于获取所述油墨印刷品对应的印刷原图像以及待检测缺陷图像；
所述第一处理模块220，用于对所述待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对所述第一空间特征向量进行主成分分析得到预设数量的主成分，将所述主成分与光谱特征进行叠加得到第二空间特征向量；
所述第二处理模块230，用于根据所述印刷原图像与所述第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵；
所述评估模块240，用于根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵，根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线，根据所述均值曲线评估所述油墨印刷品的品质。

Claims (10)

1.一种油墨印刷品质检智能控制方法，其特征在于，包括：
获取所述油墨印刷品对应的印刷原图像以及待检测缺陷图像；
对所述待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对所述第一空间特征向量进行主成分分析得到预设数量的主成分，将所述主成分与光谱特征进行叠加得到第二空间特征向量；
根据所述印刷原图像与所述第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵；
根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵，根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线，根据所述均值曲线评估所述油墨印刷品的品质。
2.根据权利要求1所述的油墨印刷品质检智能控制方法，其特征在于，所述对所述待检测缺陷图像进行双滤波的计算公式为：
；
其中，，/>为原始图像的像素索引，/>为当前被滤波的像素坐标，/>为输入的原始图像，/>为双滤波核函数，/>为原始图像/>的双滤波核，/>为标准化参数，/>，/>为空间相似度，/>为光谱相似度，/>与/>分别为原始图像的像素/>与像素/>的像素坐标，/>与/>分别为原始图像的像素/>与像素/>。
3.根据权利要求2所述的油墨印刷品质检智能控制方法，其特征在于，所述对所述待检测缺陷图像进行二维滤波的计算公式为：
；
其中，为输入图像的空间域变量，/>为范数算子，u，v为滤波核的方向和尺度，/>为频率向量，/>为预设阈值，/>为二维滤波函数，/>为输入图像的空间域变量的滤波函数。
4.根据权利要求1所述的油墨印刷品质检智能控制方法，其特征在于，所述根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线进一步包括：
根据所述相似度矩阵拟合所述待检测缺陷图像的能量均值曲线以及灰度均匀度曲线。
5.根据权利要求4所述的油墨印刷品质检智能控制方法，其特征在于，所述能量均值曲线的计算公式为：
；
其中，为能量相似度矩阵的均值，/>为N行N列的矩阵，m为第m行的相似度矩阵，n为第n列的相似度矩阵，/>为N行N列的能量相似度矩阵，/>为原始图像的灰度值，/>为待检测图像的灰度值,/>为相似度系数。
6.根据权利要求1所述的油墨印刷品质检智能控制方法，其特征在于，所述灰度均值的计算公式为：
；
其中，为图像的灰度均值，M为矩阵的行数，N为矩阵的列数，i，j为第i行第j列，/>为第i行第i列图像的灰度值。
7.根据权利要求1或6所述的油墨印刷品质检智能控制方法，其特征在于，所述灰度方差值的计算公式为：
；
其中，为图像的灰度方差值，/>为图像的灰度均值，M为矩阵的行数，N为矩阵的列数，i，j为第i行第j列，/>为第i行第i列图像的灰度值。
8.根据权利要求1所述的油墨印刷品质检智能控制方法，其特征在于，所述亮度矩阵的构建表达式为：
；
其中，为待检测缺陷图像的亮度矩阵，/>，/>为原始图像与待检测缺陷图像的灰度均值；
所述对比度矩阵的构建表达式为：
；
其中，为待检测缺陷图像的亮度矩阵，/>，/>为原始图像与待检测缺陷图像的灰度标准差，/>，/>为原始图像与待检测缺陷图像的灰度方差；
所述能量矩阵的构建表达式为：
；
其中，为待检测缺陷图像的能量矩阵，/>和/>分别为原始图像与待检测缺陷图像的能量标准差，/>为原始图像与待检测缺陷图像的能量协方差,/>为数学期望,为最小值函数。
9.根据权利要求1所述的油墨印刷品质检智能控制方法，其特征在于，所述根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵进一步包括：
将所述亮度矩阵、对比度矩阵以及能量矩阵相乘得到所述相似度矩阵；
所述根据所述均值曲线评估所述油墨印刷品的品质进一步包括：
若所述均值曲线越接近于1，则所述油墨印刷品的品质越高，反之越低。
10.一种油墨印刷品质检智能控制系统，该系统基于如权利要求1-9任一项所述的油墨印刷品质检智能控制方法，其特征在于，包括：
图像获取模块，用于获取所述油墨印刷品对应的印刷原图像以及待检测缺陷图像；
第一处理模块，用于对所述待检测缺陷图像分别进行双滤波与二维滤波操作得到光谱特征与第一空间特征向量，对所述第一空间特征向量进行主成分分析得到预设数量的主成分，将所述主成分与光谱特征进行叠加得到第二空间特征向量；
第二处理模块，用于根据所述印刷原图像与所述第二空间特征向量的灰度均值、灰度方差值、能量值构建亮度矩阵、对比度矩阵以及能量矩阵；
评估模块，用于根据所述亮度矩阵、对比度矩阵以及能量矩阵得到相似度矩阵，根据所述相似度矩阵拟合所述待检测缺陷图像的均值曲线，根据所述均值曲线评估所述油墨印刷品的品质。
CN202410062266.2A 2024-01-16 2024-01-16 一种油墨印刷品质检智能控制方法及系统 Withdrawn CN117576101A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410062266.2A CN117576101A (zh) 2024-01-16 2024-01-16 一种油墨印刷品质检智能控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410062266.2A CN117576101A (zh) 2024-01-16 2024-01-16 一种油墨印刷品质检智能控制方法及系统

Publications (1)

Publication Number Publication Date
CN117576101A true CN117576101A (zh) 2024-02-20

Family

ID=89862924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410062266.2A Withdrawn CN117576101A (zh) 2024-01-16 2024-01-16 一种油墨印刷品质检智能控制方法及系统

Country Status (1)

Country Link
CN (1) CN117576101A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118032678A (zh) * 2024-04-10 2024-05-14 沈阳圣祥科技有限公司 一种油墨印刷品的变色质量检验方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118032678A (zh) * 2024-04-10 2024-05-14 沈阳圣祥科技有限公司 一种油墨印刷品的变色质量检验方法及系统

Similar Documents

Publication Publication Date Title
CN108355981B (zh) 一种基于机器视觉的电池连接器质量检测方法
CN106770362B (zh) 基于aoi的宏观缺陷检测装置及方法
CN108355987B (zh) 一种基于分块模板匹配的电池丝印质量检测方法
CN112308832B (zh) 一种基于机器视觉的轴承质量检测方法
Padoan et al. Quantitative hyperspectral imaging of historical documents: technique and applications
EP2333720B1 (en) System and method for detection of specularity in an image
CN101622631A (zh) 扫描文件的多色彩舍去
CN112132196B (zh) 一种结合深度学习和图像处理的烟盒缺陷识别方法
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
CN113034488B (zh) 一种喷墨印刷品的视觉检测方法
CN113793337B (zh) 基于人工智能的机车配件表面异常程度评估方法
CN101246593B (zh) 一种彩色图像边缘检测方法及设备
Wesolkowski Color image edge detection and segmentation: A comparison of the vector angle and the euclidean distance color similarity measures
CN114878595B (zh) 一种书本印刷质量检测方法
Meng et al. Nonparametric illumination correction for scanned document images via convex hulls
CN109886914B (zh) 基于局部亮度不变性先验的纸张缺陷检测方法
CN114719749A (zh) 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统
CN117576101A (zh) 一种油墨印刷品质检智能控制方法及系统
CN115131336B (zh) 一种显示屏四色背景画面下的暗线缺陷检测方法
CN107643269B (zh) 交叉字迹时序鉴别方法、系统及计算装置
Zhou et al. Defect detection of printing images on cans based on SSIM and chromatism
Shuai et al. Defect detection of four-color display screen based on color equalization and local dynamic threshold segmentation
CN115343313A (zh) 基于人工智能的视觉识别方法
CN110298825B (zh) 导光板黑点缺陷检测方法
JP3253752B2 (ja) パターン評価方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20240220

WW01 Invention patent application withdrawn after publication