CN117611535A - 包装状态检测方法、装置和电子设备 - Google Patents

包装状态检测方法、装置和电子设备 Download PDF

Info

Publication number
CN117611535A
CN117611535A CN202311558069.1A CN202311558069A CN117611535A CN 117611535 A CN117611535 A CN 117611535A CN 202311558069 A CN202311558069 A CN 202311558069A CN 117611535 A CN117611535 A CN 117611535A
Authority
CN
China
Prior art keywords
area
region
connected component
packaging
vector
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.)
Pending
Application number
CN202311558069.1A
Other languages
English (en)
Inventor
王辉
王守伟
赵燕
臧明伍
赵冰
白京
刘博文
付晓航
赵欣
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.)
China Meat Research Centre
Original Assignee
China Meat Research Centre
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 China Meat Research Centre filed Critical China Meat Research Centre
Priority to CN202311558069.1A priority Critical patent/CN117611535A/zh
Publication of CN117611535A publication Critical patent/CN117611535A/zh
Pending 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种包装状态检测方法、装置和电子设备，其中方法包括：获取预设角度下拍摄得到的待检测图像；确定所述待检测图像中的兴趣区域，并基于所述兴趣区域的最小外接矩形，构建区域扩展矩阵；获取所述区域扩展矩阵中的各连通分量，并对所述各连通分量进行封闭性检测，得到封闭图形向量；基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域。本发明提供的方法、装置和电子设备，可以避免人为判断造成的误差，使得检测过程更加客观，从而提高了检测效率及准确率，进而弥补了目前对于预包装肉制品包装状态快速无损检测上的空缺。

Description

包装状态检测方法、装置和电子设备
技术领域
本发明涉及包装检测技术领域，尤其涉及一种包装状态检测方法、装置和电子设备。
背景技术
预包装肉制品是一种预先定量包装或者在特定包装材料、容器中制作的肉类制品，可在产品要求的储藏条件下和最佳食用期限内保持产品内容物的良好物质状态，由此可以最大程度地抑制和减缓与肉品腐败变质相关的生理生化反应，适用于产品的仓储、运输和销售。随着低温储藏技术、复合包装技术在低温运输和储藏领域中的广泛应用，预包装肉制品储藏周期也随之延长，从而为肉制品定制生产、跨区域运输及贸易等提供了维持肉制品品质的条件。
但在实际的产品搬运、运输和销售过程中，由于人为或环境等因素，可能会导致预包装肉制品的外包装受到挤压、碰撞、刮擦或恶意破坏等强应力变化，造成外包装变形或破损，从而造成预包装肉制品的卖相受损、品质劣化及其后续食用安全的隐患。而目前对于预包装肉制品包装状态的检测主要通过肉眼进行，主观性强，个体差异较大，检视效率较低，而且由于环境光线强度及视觉疲劳等客观因素的影响，易造成对包装状态细微变化观察的疏漏，从而导致误判和漏检。
发明内容
本发明提供一种包装状态检测方法、装置和电子设备，用以解决现有技术中预包装肉制品的包装状态检测效率低、问题产品漏检率较高的缺陷。
本发明提供一种包装状态检测方法，包括：
获取预设角度下拍摄得到的待检测图像；
确定所述待检测图像中的兴趣区域，并基于所述兴趣区域的最小外接矩形，构建区域扩展矩阵；
获取所述区域扩展矩阵中的各连通分量，并对所述各连通分量进行封闭性检测，得到封闭图形向量；
基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域。
根据本发明提供的一种包装状态检测方法，所述获取所述区域扩展矩阵中的各连通分量，并对所述各连通分量进行封闭性检测，得到封闭图形向量，包括：
对所述区域扩展矩阵依次进行边缘提取和二值化，并基于二值化后的区域扩展矩阵，得到所述各连通分量；
对所述各连通分量进行编号，并基于所述各连通分量以及所述各连通分量对应的编号，得到标签矩阵；
对所述标签矩阵内的各连通分量进行封闭性检测，得到封闭图形向量。
根据本发明提供的一种包装状态检测方法，所述对所述标签矩阵内的各连通分量进行封闭性检测，得到封闭图形向量，包括：
对所述标签矩阵内的各连通分量进行封闭性检测；
在任一连通分量封闭的情况下，将所述任一连通分量和所述任一连通分量对应的编号添加到封闭图形向量中；
在任一连通分量未封闭的情况下，将所述任一连通分量和所述任一连通分量对应的编号添加到未封闭图形向量中；
在所述未封闭图形向量不为空的情况下，对所述未封闭图形向量中的各连通分量进行处理，并基于处理结果，更新所述封闭图形向量、所述未封闭图形向量和所述标签矩阵。
根据本发明提供的一种包装状态检测方法，所述对所述未封闭图形向量中的各连通分量进行处理，并基于处理结果，更新所述封闭图形向量、所述未封闭图形向量和所述标签矩阵，包括：
遍历所述未封闭图形向量中的各连通分量；
在任一连通分量满足预设封闭条件的情况下，对所述任一连通分量进行封闭处理，并将所述任一连通分量对应的编号和封闭后的所述任一连通分量添加到所述封闭图形向量中，以及将所述任一连通分量和所述任一连通分量对应的编号从所述未封闭图形向量中删除；
在任一连通分量满足预设删除条件的情况下，将所述任一连通分量和所述任一连通分量对应的编号从所述未封闭图形向量以及所述标签矩阵中删除。
根据本发明提供的一种包装状态检测方法，所述基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域，包括：
基于所述区域扩展矩阵中各连通分量的像素长度，确定所述区域扩展矩阵的亮区和暗区；
获取所述封闭图形向量中各连通分量所围区域；
在任一连通分量所围区域处于暗区的情况下，确定所述任一连通分量所围区域为包装异常区域；
在任一连通分量所围区域处于亮区的情况下，基于所述任一连通分量所围区域的几何尺寸比例和像素面积，确定所述任一连通分量所围区域为包装正常区域或包装异常区域。
根据本发明提供的一种包装状态检测方法，所述包装正常区域包括镜头阴影区、脂肪区、空白区、日期区中的至少一种，所述基于所述任一连通分量所围区域的几何尺寸比例和像素面积，确定所述任一连通分量所围区域为包装正常区域或包装异常区域，包括：
在第一像素数量最大且所述任一连通分量所围区域的长短轴比例小于第一比例阈值的情况下，确定所述任一连通分量所围区域为镜头阴影区，所述第一像素数量为所述任一连通分量所围区域的总像素数量；
在第二像素数量与所述第一像素数量的比值大于第二比例阈值的情况下，确定所述任一连通分量所围区域为脂肪区，所述第二像素数量为所述任一连通分量所围区域中大于全局二值化阈值的像素数量；
在所述第二像素数量与所述第一像素数量的比值大于第三比例阈值的情况下，确定所述任一连通分量所围区域为空白区；
在所述第二像素数量与所述第一像素数量的比值大于第三比例阈值且所述任一连通分量所围区域的像素灰度小于所述任一连通分量所围区域的像素局部阈值的情况下，确定所述任一连通分量所围区域为日期区；
在所述任一连通分量所围区域不属于镜头阴影区、脂肪区、空白区、日期区中任意一种的情况下，确定所述任一连通分量所围区域为包装异常区域。
根据本发明提供的一种包装状态检测方法，所述基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域，之后还包括：
获取所述包装异常区域对应的所述连通分量的编号；
基于所述编号和所述标签矩阵，确定所述连通分量在所述区域扩展矩阵中的坐标；
基于所述连通分量在所述区域扩展矩阵中的坐标以及所述最小外接矩形的原点坐标，确定所述连通分量在所述待检测图像中的新坐标；
应用所述新坐标，将所述包装异常区域映射到所述待检测图像中。
根据本发明提供的一种包装状态检测方法，所述基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域，之后还包括：
统计所述待检测图像中所述包装异常区域的数量；
在所述包装异常区域的数量不为零的情况下，进行包装异常报警。
本发明还提供一种包装状态检测装置，包括：
获取单元，用于获取预设角度下拍摄得到的待检测图像；
构建单元，用于确定所述待检测图像中的兴趣区域，并基于所述兴趣区域的最小外接矩形，构建区域扩展矩阵；
检测单元，用于获取所述区域扩展矩阵中的各连通分量，并对所述各连通分量进行封闭性检测，得到封闭图形向量；
确定单元，用于基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述包装状态检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述包装状态检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述包装状态检测方法。
本发明提供的包装状态检测方法、装置和电子设备，通过获取预设角度下拍摄得到的待检测图像，确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵，以便在区域扩展矩阵中对各连通分量进行封闭性检测，得到封闭图形向量，由此可以基于封闭图形向量所处的区域，确定待检测图像中的包装异常区域，避免了人为判断造成的误差，从而使得检测过程更加客观，提高了检测效率及准确率，进而弥补了目前对于预包装肉制品包装状态快速无损检测上的空缺。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1是本发明提供的包装状态检测方法的流程示意图之一；
图2是本发明提供的预包装肉制品的原始图像；
图3是本发明提供的预包装肉制品的兴趣区域最小外接矩形的示意图；
图4是本发明提供的预包装肉制品的区域扩展矩阵示意图；
图5是本发明提供的区域扩展矩阵中的连通分量示意图；
图6是本发明提供的封闭图形向量和未封闭图形向量的示意图；
图7是本发明提供的更新后封闭图形向量的示意图；
图8是本发明提供的预包装肉制品的包装状态分类示意图；
图9是本发明提供的更新后封闭图形向量中各连通向量所围区域在兴趣区域上的投影图像；
图10是本发明提供的包装异常区域映射到原始图像上的示意图；
图11是本发明提供的包装状态检测方法的流程示意图之二；
图12是本发明提供的包装状态检测装置的结构示意图；
图13是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
预包装肉制品是一种预先定量包装或者在特定包装材料、容器中制作的肉类制品，可在产品要求的储藏条件下和最佳食用期限内保持产品内容物的良好物质状态，由此可以最大程度地抑制和减缓与肉品腐败变质相关的生理生化反应，适用于产品的仓储、运输和销售。随着低温储藏技术、复合包装技术在低温运输和储藏领域中的广泛应用，预包装肉制品储藏周期也随之延长，从而为肉制品定制生产、跨区域运输及贸易等提供了维持肉制品品质的条件。
但在实际的产品搬运、运输和销售过程中，由于人为或环境等因素，可能会导致预包装肉制品的外包装受到挤压、碰撞、刮擦或恶意破坏等强应力变化，其外包装材料所承受的外力大于其机械力学性能的阈值而导致外包装形变或破损，从而造成产品内部结构受损、产品内容物与外界环境连通、内容物与产品外包装分离或非食源性物质侵入等严重影响产品内容物品质和保质期的情况发生，由此造成预包装肉制品的卖相受损、品质劣化及其后续食用安全的隐患。在此类情况发生时，人工检视效果受到待检样品量、检视效率、环境光线强度及视觉疲劳等客观因素的影响，导致问题产品漏检率较高。
目前，对于预包装肉制品包装状态的检测主要通过肉眼进行，主观性强，个体差异较大，由于环境光源的变化，易造成对包装状态细微变化观察的疏漏，因而容易导致误判和漏判。因此，亟需一种在包装破损现象发生的早期进行检测和预警的检测方法，以降低问题产品漏检率，亦可为二次人工复检降低劳动强度。
对此，本发明实施例提供一种包装状态检测方法，从而克服上述缺陷。需要说明的是，该方法适用于运输、仓储、检验等过程中对各种类型预包装肉制品的包装异常检测，包括但不限于使用畜肉、禽肉、水产品肉或任意市售原料生产的预包装肉制品。此外，对于加工方式、包装材料、包装形式及加工肉制品种类，本发明实施例也不作具体限定，例如，可以为国标、行标或地标规定的任意带包装的加工肉制品。
图1是本发明提供的包装状态检测方法的流程示意图之一，如图1所示，该方法包括：
步骤110，获取预设角度下拍摄得到的待检测图像；
具体地，预设角度是指预先设定的用于拍摄的特定角度或视角。在实际实施过程中，可以拍摄得到多张不同预设角度下的待检测图像，其中，每种预设角度均对应一张待检测图像。例如，可以拍摄0度下的预包装肉制品的图像，作为待检测图像，此处，0度下的图像可以为预包装肉制品的正面图像。又例如，可以拍摄90度或180度下的预包装肉制品的图像，作为待检测图像，本发明实施例对此不作具体限定。可以理解的是，图像获取可以通过图像采集设备(例如相机、摄像机等)得到，本发明实施例对此不作具体限定。
进一步地，本发明实施例对于获取预设角度下拍摄得到的待检测图像的方式不作具体限定，例如，可以将预包装肉制品放置在暗箱中，以漫反射LED灯作为光源，按照预设角度，通过不加装偏振光片的电荷耦合元件相机拍摄得到待检测图像。
步骤120，确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵；
需要说明的是，兴趣区域是指在待检测图像中感兴趣并希望进行进一步分析、处理或检测的特定区域，这个区域可以是图像中的一个目标、感兴趣的物体、特定的区域等。例如，在对预包装肉制品的包装状态进行检测时，兴趣区域可以是待检测图像中预包装肉制品的包装区域。最小外接矩形是指能够完全包围兴趣区域的最小面积矩形，它的边与兴趣区域的边是相切的，没有多余空白部分。通过基于兴趣区域的最小外接矩形构建区域扩展矩阵，可以帮助进一步处理和分析兴趣区域，提取有用的特征，并用于后续的图像处理和分析任务，且为后续的计算机视觉任务提供了更准确、更具描述性的输入。
图2是本发明提供的预包装肉制品的原始图像，如图2所示，该原始图像即为拍摄得到的预包装肉制品的待检测图像，在该图像中，包括预包装肉制品的包装袋区域、放置台区域以及一些空白区域等。为了实现对预包装肉制品包装状态的检测，在获得待检测图像后，可以通过如下处理步骤得到兴趣区域的区域扩展矩阵，具体包括：颜色空间转换、提取图像前景、提取最小矩形区域内图像、对比度调整、图像保边滤波、反锐化掩膜边缘增强、边缘像素提取、图像扩展及像素填充，从而获得兴趣区域的区域扩展矩阵。
图3是本发明提供的预包装肉制品的兴趣区域最小外接矩形的示意图，如图3所示，在上述处理步骤中，提取得到图像中的前景区域后，可以根据前景区域，提取包含兴趣区域的最小外接矩形区域。
图4是本发明提供的预包装肉制品的区域扩展矩阵示意图，如图4所示，在提取得到包含兴趣区域的最小外接矩形区域后，可以对提取的最小外接矩形区域内的图像进行对比度调整，以增强图像的边缘信息；使用保边滤波算法对图像进行滤波处理，以保留边缘信息并减少图像噪声；使用反锐化掩膜方法对图像进行边缘增强处理，以突出图像中的边缘细节；根据增强后的图像，可以提取边缘像素，根据提取的边缘像素，进行区域扩展，对扩展后的区域进行像素填充，即可得到兴趣区域的区域扩展矩阵。
具体地，在进行图像扩展及像素填充时，可以先基于待检测图像的兴趣区域中像素点坐标的最大值和最小值，确定最小外接矩形在待检测图像中的实际坐标([Xmin,Ymin]，[Xmax,Ymin]，[Xmax,Ymax]，[Xmin,Ymax])，剪切成包含兴趣区域的最小外接矩形图像后，可以在该图像的X轴和Y轴方向上分别向两侧延展固定数值的像素数(Pfixed)，即向最小外接矩形的上、下、左、右四个方向延展固定数值的像素数，从而构建得到四个顶点坐标分别为([Xmin-Pfixed,Ymin-Pfixed]，[Xmax+Pfixed,Ymin-Pfixed]，[Xmax+Pfixed,Ymax+Pfixed]，[Xmin-Pfixed,Ymax+Pfixed])的区域扩展矩阵，延展部分区域以255像素值进行填充。
可以理解的是，固定数值的像素数(Pfixed)的选择可以取决于待检测图像中兴趣区域的大小和具体应用的需求，一般来说，Pfixed的取值应该足够大以涵盖兴趣区域的边缘信息，但又不能过大以避免扩展过多的无关区域。例如，Pfixed的取值范围可以在5到50像素之间，根据实际情况进行适当的调整，如果待检测图像中的兴趣区域较小或边缘信息较细致，可以选择较小的Pfixed值；如果兴趣区域较大或边缘信息相对粗糙，可以选择较大的Pfixed值，本发明实施例对此不作具体限定。
步骤130，获取区域扩展矩阵中的各连通分量，并对各连通分量进行封闭性检测，得到封闭图形向量；
具体地，连通分量是指在图像或矩阵中，由具有相同特性(像素值相同或满足某种条件)且相互连接的像素点组成的区域。对于区域扩展矩阵中的连通分量，可以使用连通组件标记算法来进行标记和分割，这个算法会给每个连通分量分配一个唯一的标签，从而可以对不同的连通分量进行识别和处理。
图5是本发明提供的区域扩展矩阵中的连通分量示意图，如图5所示，在获取区域扩展矩阵中的各连通分量时，可以基于兴趣区域中相邻像素的灰度梯度强度来确定，例如，可以基于兴趣区域中检测到像素灰度值突变而形成的边缘，来确定各连通分量。在获得区域扩展矩阵中的各连通分量后，可以对各连通分量进行封闭性检测。此处，封闭性检测是指判断一个图形是否是封闭的，即图形的边界是否构成一个连续的闭合路径。在区域扩展矩阵的各连通分量中，可以通过检测边界是否构成一个闭合路径来判断连通分量的封闭性。例如，封闭性检测方法可以包括检测边界像素是否形成一个封闭的轮廓，或者通过计算图形的欧拉数来判断图形的封闭性，本发明实施例对此不作具体限定。
图6是本发明提供的封闭图形向量和未封闭图形向量的示意图，如图6所示，通过对各连通分量进行封闭性检测，可以构建封闭图形向量和未封闭图形向量。此处，对于区域扩展矩阵中的各连通分量，可以通过封闭性检测来判断其是否封闭，从而将连通分量分为封闭和未封闭两类，并分别加入封闭图形向量和未封闭图形向量中。其中，封闭图形向量是指由封闭的连通分量构成的向量集合，每个连通分量都是一个封闭的图形，其边界形成一个连续的闭合路径；未封闭图形向量是指由未封闭的连通分量构成的向量集合，每个连通分量表示一个未封闭的图形，其边界不构成一个闭合路径。
图7是本发明提供的更新后封闭图形向量的示意图，如图7所示，对于未封闭图形向量，可以通过预设的可封闭、可连接和可删除的约束条件，来判断未封闭的连通分量是否可以封闭或删除，并根据判断结果对其进行封闭或删除处理，从而可以根据处理结果对封闭图形向量进行更新，得到更新后的封闭图形向量。可以理解的是，更新后的封闭图形向量中包括所有封闭的连通分量。
步骤140，基于封闭图形向量所处的区域，确定待检测图像中的包装异常区域。
具体地，基于封闭图形向量中所有连通分量的像素长度排序，可以区分区域扩展矩阵中的亮区与暗区，并确定各自的坐标范围。通过将封闭图形向量中各连通分量的坐标与亮区或暗区的坐标范围取交集，可以确定各连通分量所处的区域。根据各连通分量所处的区域为亮区或暗区，以及预设区域判断条件分析封闭图形向量中各连通分量所围区域的属性，从而可以确定待检测图像中的包装异常区域。
在区域扩展矩阵中，亮区是指光线较强或颜色较浅的区域，暗区是指光线较弱或颜色较深的区域。通过区分区域扩展矩阵中的亮度和暗区，可以提供一定的图形分割信息，有助于进一步对图像中的不同区域进行识别和分析，从而确定包装正常区域和包装异常区域。此处，包装异常区域即为预包装肉制品与产品包装没有紧密贴在一起的区域，这是由于产品包装在受到挤压、碰撞、刮擦或恶意破坏等外力作用下包装发生应力形变或破损，而导致外部空气进入产品包装与肉制品之间的空隙中或肉制品暴露在产品包装外，从而出现包装异常区域的情况。
可以理解的是，各连通分量所围区域的属性可以包括镜头阴影区、脂肪区、日期区、空白区、包装异常区域等，上述根据各连通分量所处的区域为亮区或暗区，以及预设区域判断条件分析封闭图形向量中各连通分量所围区域的属性，即是指判断各连通分量所围区域的属性是否满足镜头阴影区、脂肪区、日期区、空白区或破损区域的约束条件，从而根据判断结果可以确定各连通分量所围区域是否为包装异常区域，进而在待检测图像中确定包装异常区域。
本发明实施例提供的方法，通过获取预设角度下拍摄得到的待检测图像，确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵，以便在区域扩展矩阵中对各连通分量进行封闭性检测，得到封闭图形向量，由此可以基于封闭图形向量所处的区域，确定待检测图像中的包装异常区域，避免了人为判断造成的误差，从而使得检测过程更加客观，提高了检测效率及准确率，进而弥补了目前对于预包装肉制品包装状态快速无损检测上的空缺。
基于上述实施例，步骤130具体包括：
步骤131，对区域扩展矩阵依次进行边缘提取和二值化，并基于二值化后的区域扩展矩阵，得到各连通分量；
具体地，在获取区域扩展矩阵中的各连通分量时，可以先对区域扩展矩阵进行边缘提取，并将其转化为二值化图像，对二值化后的区域扩展矩阵进行遍历，当遍历到像素值为255(表示图像中的目标)时，则检测其8个相邻的像素，通过递归或迭代的方式，对相邻的像素进行检测。如果相邻像素也是255，则将其加入到连通分量中，并继续检测其相邻像素，直至最后一个像素值为0。
步骤132，对各连通分量进行编号，并基于各连通分量以及各连通分量对应的编号，得到标签矩阵；
具体地，在对二值化后的区域扩展矩阵进行遍历的过程中，每获得一个连通分量，则对此连通分量进行编号，最终所有像素值为255的点都归属于相应的连通分量，从而形成每条连通分量具有编号的标签矩阵。编号可以是连续的整数，表示不同的连通分量。得到的标签矩阵中，每个像素点都被归属于相应的连通分量，并且每个连通分量都有一个唯一的编号。可以理解的是，标签矩阵是一个与原始图像大小相同的矩阵，在标签矩阵中，每个像素的值表示该像素所属的连通分量编号。
步骤133，对标签矩阵内的各连通分量进行封闭性检测，得到封闭图形向量。
具体地，在得到标签矩阵后，可以对标签矩阵内的各连通分量进行封闭性检测，以得到封闭图形向量。此处，对各连通分量进行封闭性检测可以参考上述实施例中的封闭性检测方法，在此不再赘述。
本发明实施例提供的方法，通过边缘提取和二值化操作，可以将图像转换为二值化的区域扩展矩阵，方便后续的处理和分析；基于二值化后的区域扩展矩阵，可以提取各连通分量，便于对每个目标物体进行单独的处理和分析；通过对各连通分量进行编号，可以生成一个与原始图像大小相同的标签矩阵，通过对标签矩阵中的连通分量进行封闭性检测，可以判断每个连通分量是否为封闭图形，由此可以将封闭的连通分量提取出来，形成封闭图形向量，从而可以进一步进行形状分析和包装状态异常检测。
基于上述实施例，步骤133具体包括：
步骤1331，对标签矩阵内的各连通分量进行封闭性检测；
步骤1332，在任一连通分量封闭的情况下，将任一连通分量和任一连通分量对应的编号添加到封闭图形向量中；
步骤1333，在任一连通分量未封闭的情况下，将任一连通分量和任一连通分量对应的编号添加到未封闭图形向量中；
步骤1334，在未封闭图形向量不为空的情况下，对未封闭图形向量中的各连通分量进行处理，并基于处理结果，更新封闭图形向量、未封闭图形向量和标签矩阵。
具体地，通过对标签矩阵内各连通分量进行封闭性检测，可以得到各连通分量的封闭性，根据各连通分量的封闭性，可以将封闭的连通分量及其编号添加到封闭图形向量中，其他的则添加到未封闭图形向量中，从而构建得到封闭图形向量和未封闭图形向量。
对于未封闭图形向量中的各连通分量，可以进行可封闭性分析，并更新标签矩阵、未封闭图形向量和封闭图形向量。具体包括：遍历未封闭图形向量中的各连通分量端点，建立对应端点间的邻接矩阵，根据预设的可封闭、可连接和可删除的约束条件，判断未封闭的连通分量是否可封闭或可删除，从而将可封闭连通分量添加到封闭图形向量中，将可删除连通分量从标签矩阵和未封闭图形向量中删除。当未封闭图形向量为空，则完成所有未封闭连通分量的检测，否则继续上述操作直至未封闭图形向量为空。
可以理解的是，连通分量端点是指位于该连通分量边界上的像素点，这些像素点与其他连通分量的边界像素点相邻或相交。端点是连接连通分量的关键部分，通过遍历各未封闭连通分量的端点，可以建立对应端点间的邻接关系，即建立邻接矩阵，通过判断端点之间的邻接关系，可以确定连通分量的连接性和封闭性。
基于上述实施例，步骤1334具体包括：
遍历未封闭图形向量中的各连通分量；
在任一连通分量满足预设封闭条件的情况下，对任一连通分量进行封闭处理，并将任一连通分量对应的编号和封闭后的任一连通分量添加到封闭图形向量中，以及将任一连通分量和任一连通分量对应的编号从未封闭图形向量中删除；
在任一连通分量满足预设删除条件的情况下，将任一连通分量和任一连通分量对应的编号从未封闭图形向量以及标签矩阵中删除。
具体地，为了准确判断未封闭图形向量中各连通分量的可封闭性，可以对未封闭图形向量中各连通分量进行骨骼化，获取连通分量的所有端点和分支点，同时剔除各端点与分支点之间像素点最少的端点，从而可以保留连通分量的主要结构特征，以便进行更加准确的判断。
此处，在连通分量的骨骼化过程中，骨骼化后的连通分量将被转换为一条线状的结构，其中包含了连通分量的所有端点和分支点。其中，端点是指骨骼化线状结构的两端，而分支点是指骨骼化线状结构中的一个像素点。在骨骼化后，可以通过遍历连通分量的像素点，找出所有的端点和分支点，同时根据像素点数量最少的端点与分支点之间的连接关系，可以将这个端点剔除，从而排除一些细小的分支或误差点，以保留连通分量的主要分支和关键特征。
对未封闭的连通分量进行上述处理后，可以对每一连通分量的端点进行标号，并依据每对端点间是否连接，构建邻接矩阵，存在连接则赋值为1，否则赋值为0。应理解的是，邻接矩阵中每对端点可分处于不同连通分量上(即不同边缘上)。构建得到邻接矩阵后，可以判断邻接矩阵中的端点之间的关系，并根据预设封闭条件和预设删除条件来判断未封闭区域是否可以封闭或删除。
此处，预设封闭条件是指预先设定的连通分量可封闭和连接的约束条件，预设删除条件是指预先设定的连通分量可删除的约束条件。在未封闭图形向量中，单个连通分量的自身端点与其他连通分量端点的可封闭和连接以及可删除的约束条件具体包括：
可封闭和连接的约束条件：(1)未封闭连通分量端点间距离小于第一封闭阈值；(2)未封闭连通分量端点间距离与该连通分量长度之间的比值小于第二封闭阈值；(3)未封闭连通分量端点与其他未封闭连通分量端点间距离小于或等于第三封闭阈值。
可删除的约束条件：(1)暗区中的未封闭连通分量像素长度大于第一删除阈值；(2)亮区中的未封闭连通分量端点与其他未封闭连通分量端点直线距离大于第二删除阈值；(3)未封闭连通分量处于已封闭连通分量内部(不包含产品外边缘和亮区边缘)。
可以理解的是，第一封闭阈值、第二封闭阈值和第三封闭阈值可以根据图像的尺寸、分辨率和目标物体的大小等因素来确定。例如，第一封闭阈值可以根据图像的分辨率和目标物体的大小来确定，第一封闭阈值可以比目标物体的直径或宽度小，以确保连通分量的端点之间距离较近；第二封闭阈值可以根据目标物体的形状和比例来确定，第二封闭阈值可以小于1，以确保连通分量的端点之间的距离与连通分量长度之间的比值较小；第三封闭阈值可以根据连通分量间的间距和目标物体的形状来确定，以确保连通分量的端点与其他连通分量的端点之间的距离较小。第一删除阈值和第二删除阈值也可以根据具体的应用需求和图像特点来确定，并根据实际情况进行调整，例如，第一删除阈值可以是一个适当的像素长度，以确保暗区中的未封闭连通分量的像素长度较大；第二删除阈值可以是一个适当的距离值，以确保亮区中的未封闭连通分量的端点与其他未封闭连通分量的端点之间的直线距离较大。
在连通分量满足可封闭和连接的约束条件的情况下，可以对其进行封闭处理，例如，可以构建圆形结构元素的半径(Rstel)，求取端点间欧氏距离(dem)并向上取整，如果为偶数，则Rstel＝dem/2，否则Rstel＝(dem+1)/2，将该数值(Rstel)作为半径下限，端点间距离(dem)作为半径上限，对未封闭连通分量进行连续形态学闭运算，直至边界封闭。所有未封闭连通分量进行封闭操作后，对满足删除阈值的剩余未封闭连通分量进行删除，未封闭连通分量封闭或删除后，在邻接矩阵根据对应未封闭连通分量端点标号查找对应数值，并赋值为0。当邻接矩阵中所有数值为0时，将封闭的未封闭连通分量及其编号添加到封闭图形向量中，并将删除的未封闭连通分量及其编号在标签矩阵中删除。
基于上述任一实施例，步骤140具体包括：
步骤141，基于区域扩展矩阵中各连通分量的像素长度，确定区域扩展矩阵的亮区和暗区；
步骤142，获取封闭图形向量中各连通分量所围区域；
步骤143，在任一连通分量所围区域处于暗区的情况下，确定任一连通分量所围区域为包装异常区域；
步骤144，在任一连通分量所围区域处于亮区的情况下，基于任一连通分量所围区域的几何尺寸比例和像素面积，确定任一连通分量所围区域为包装正常区域或包装异常区域。
具体地，基于封闭图形向量中所有连通分量的像素长度排序，可以区分区域扩展矩阵中的亮区与暗区，并确定各自的坐标范围，即区域扩展矩阵中像素长度最大的连通分量与像素长度排序第二的连通分量之间所包围的区域为区域扩展矩阵中的暗区，区域扩展矩阵中像素长度排序第二的连通分量所包围的区域为区域扩展矩阵中的亮区。
在确定区域扩展矩阵中的亮区和暗区后，可以将封闭图形向量中各连通分量的坐标与亮区或暗区的坐标范围取交集，从而可以确定各连通分量所围区域处于亮区或暗区。当连通分量所围区域处于暗区中时，可以确定该连通分量所围区域为包装异常区域；当连通分量所围区域处于亮区中时，可以根据亮区中所有连通分量所围区域的几何尺寸比例和像素面积，来判断各连通分量所围区域是包装正常区域还是包装异常区域。
本发明实施例提供的方法，通过利用区域扩展矩阵中的连通分量信息，结合连通分量的像素长度、区域的亮度、几何尺寸比例和像素面积等多个特征进行判断，综合考虑了多个因素对包装的影响，可以提高包装状态检测的准确性和可靠性。
基于上述实施例，包装正常区域包括镜头阴影区、脂肪区、空白区、日期区中的至少一种，相应地，步骤144中，基于任一连通分量所围区域的几何尺寸比例和像素面积，确定任一连通分量所围区域为包装正常区域或包装异常区域，包括：
在第一像素数量最大且任一连通分量所围区域的长短轴比例小于第一比例阈值的情况下，确定任一连通分量所围区域为镜头阴影区，第一像素数量为任一连通分量所围区域的总像素数量；
在第二像素数量与第一像素数量的比值大于第二比例阈值的情况下，确定任一连通分量所围区域为脂肪区，第二像素数量为任一连通分量所围区域中大于全局二值化阈值的像素数量；
在第二像素数量与第一像素数量的比值大于第三比例阈值的情况下，确定任一连通分量所围区域为空白区；
在第二像素数量与第一像素数量的比值大于第三比例阈值且任一连通分量所围区域的像素灰度小于任一连通分量所围区域的像素局部阈值的情况下，确定任一连通分量所围区域为日期区；
在任一连通分量所围区域不属于镜头阴影区、脂肪区、空白区、日期区中任意一种的情况下，确定任一连通分量所围区域为包装异常区域。
具体地，当连通分量所围区域处于亮区时，可以根据亮区中所有连通分量所围区域的像素数量进行排序，如果连通分量所围区域的第一像素数量最大，并且该连通分量所围区域的长度轴比例小于第一比例阈值，则可以确定该连通分量所围区域为镜头阴影区。其中，第一像素数量为连通分量所围区域的总像素数量，即连通分量所包围的区域内的所有像素的总数。
如果第二像素数量与第一像素数量的比值大于第二比例阈值，则可以确定该连通分量所围区域为脂肪区。其中，第二像素数量是指连通分量所围区域中灰度值大于全局二值化阈值的像素数量，全局二值化阈值是根据全局图像灰度分布进行确定的一个固定阈值。通过与全局二值化阈值进行比较，可以将连通分量所围区域内的像素分为灰度值较低的像素和灰度值较高的像素。
如果第二像素数量与第一像素数量的比值大于第三比例阈值，则可以确定该连通分量所围区域为空白区。在此基础上，如果该连通分量所围区域的像素灰度小于连通分量所围区域的像素局部阈值，则可以确定该连通分量所围区域为日期区。
如果连通分量所围区域不属于镜头阴影区、脂肪区、空白区、日期区中的任意一种情况，则可以确定该连通分量所围区域为包装异常区域。
图8是本发明提供的预包装肉制品的包装状态分类示意图，如图8所示，图中A为预包装肉制品产品外边缘和产品内边缘，其中产品外边缘和内边缘之间区域为暗区，产品内边缘区域为亮区，图中B为摄像头在亮区的阴影，图中C为兴趣区域内的非异常区域(即日期区和空白区)，图中D为兴趣区域内亮区和暗区中的包装异常区域。
图9是本发明提供的更新后封闭图形向量中各连通向量所围区域在兴趣区域上的投影图像，如图9所示，标识a表示区域扩展矩阵中的亮区，b表示区域扩展矩阵的暗区，c表示镜头阴影区，d表示日期及空白区，e表示包装异常区域。
本发明实施例提供的方法，通过根据连通分量的像素数量、几何尺寸比例和像素灰度等特征，判断连通分量所围区域的类型，从而确定包装的正常区域和异常区域，不仅检测准确率高，还可以根据实际情况进行调整和优化，以适应不同的包装状态检测场景。
基于上述任一实施例，步骤140之后，该方法还包括：
获取包装异常区域对应的连通分量的编号；
基于编号和标签矩阵，确定连通分量在区域扩展矩阵中的坐标；
基于连通分量在区域扩展矩阵中的坐标以及最小外接矩形的原点坐标，确定连通分量在待检测图像中的新坐标；
应用新坐标，将包装异常区域映射到待检测图像中。
具体地，在确定各包装异常区域后，可以将检出的包装异常区域的封闭图形映射到待检测图像上，即映射到原始图像上，以标识异常区域在预包装肉制品上的位置。
图10是本发明提供的包装异常区域映射到原始图像上的示意图，如图10所示，在将包装异常区域映射到原始图像上时，可以通过获取各包装异常区域在区域扩展矩阵中的坐标，将其与区域扩展时向左和向下延展的像素数相加，并与最小外接矩形原点的坐标值相加，即可得到该包装异常区域在待检测图像中的新坐标。
对于每个包装异常区域，可以通过其对应的连通分量的编号，从标签矩阵中获取该异常区域在区域扩展矩阵中的坐标。由于在在区域扩展过程中，已经确定了包装异常区域在区域扩展矩阵中的位置，并通过向左和向下的像素数确定了包装异常区域相对于最小外接矩形原点的偏移量。因此，通过将偏移量与原点坐标相加，可以得到包装异常区域在待检测图像中的新坐标，从而将其映射到待检测图像中。
基于上述任一实施例，步骤140之后，该方法还包括：
统计待检测图像中包装异常区域的数量；
在包装异常区域的数量不为零的情况下，进行包装异常报警。
具体地，在拍摄获取待检测图像时，预设角度可以为多种，相应地，若在所有待检测图像中的任意一张待检测图像中检出包装异常区域后，可以进行包装异常报警。
本发明实施例提供的方法，通过统计包装异常区域的数量并在原始图像中进行标注，不仅可以提供准确和客观的检测结果和预警提示，还可以为二次人工复检降低劳动强度。
基于上述任一实施例，图11是本发明提供的包装状态检测方法的流程示意图之二，如图11所示，本发明实施例提供一种预包装肉制品包装状态的快速检测方法，包括：
S1，获取预设角度下拍摄得到的待检测图像，其中，每种预设角度均对应一张待检测图像；
S2，对待检测图像进行预处理，确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵，计算区域扩展矩阵内所有灰度突变区域的连通分量，建立得到对应的标签矩阵；
S3，对标签矩阵中各连通分量进行封闭性检测，构建封闭图形向量和未封闭图形向量，并构建未封闭图形向量中各连通分量的端点之间的邻接矩阵，根据预设的可封闭和连接约束条件以及可删除约束条件，对未封闭图形向量中的各连通分量进行封闭、连接或删除操作，并持续更新标签矩阵、未封闭图形向量和封闭图形向量，以获取更新后的封闭图形向量；
S4，获取更新后的封闭图形向量中各连通分量所围区域的长短轴比例、像素面积、二值化后像素面积，并根据亮区和暗区对于对应区域中连通分量的区域属性判断条件，对所有封闭图形进行镜头阴影区、脂肪区、日期区及空白区、异常区域等的区域属性判断，并统计包装异常区域数量；
S5，将检出的包装异常区域对应的封闭图形映射到待测图像上，以标识异常区域在预包装肉制品上的位置。
本发明实施例提供的方法，通过基于计算机视觉技术，对预包装肉制品的图像进行分析，通过获取亮区和暗区中封闭的连通分量，并依据不同光照区内封闭图形区域属性的判别方法，将不同区域内的封闭图形区分为正常区域和异常区域，统计异常区域数量并在原始图像中进行标注，提供准确和客观的检测结果和预警提示。
下面对本发明提供的包装状态检测装置进行描述，下文描述的包装状态检测装置与上文描述的包装状态检测方法可相互对应参照。
基于上述任一实施例，图12是本发明提供的包装状态检测装置的结构示意图，如图12所示，该装置包括：
获取单元1210，用于获取预设角度下拍摄得到的待检测图像；
构建单元1220，用于确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵；
检测单元1230，用于获取区域扩展矩阵中的各连通分量，并对各连通分量进行封闭性检测，得到封闭图形向量；
确定单元1240，用于基于封闭图形向量所处的区域，确定待检测图像中的包装异常区域。
本发明实施例提供的装置，通过获取预设角度下拍摄得到的待检测图像，确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵，以便在区域扩展矩阵中对各连通分量进行封闭性检测，得到封闭图形向量，由此可以基于封闭图形向量所处的区域，确定待检测图像中的包装异常区域，避免了人为判断造成的误差，从而使得检测过程更加客观，提高了检测效率及准确率，进而弥补了目前对于预包装肉制品包装状态快速无损检测上的空缺。
基于上述任一实施例，检测单元1230具体包括：
连通分量获取单元，用于对区域扩展矩阵依次进行边缘提取和二值化，并基于二值化后的区域扩展矩阵，得到各连通分量；
标签矩阵获取单元，用于对各连通分量进行编号，并基于各连通分量以及各连通分量对应的编号，得到标签矩阵；
封闭检测单元，用于对标签矩阵内的各连通分量进行封闭性检测，得到封闭图形向量。
基于上述任一实施例，封闭检测单元具体包括：
检测子单元，用于对标签矩阵内的各连通分量进行封闭性检测；
第一判别子单元，用于在任一连通分量封闭的情况下，将任一连通分量和任一连通分量对应的编号添加到封闭图形向量中；
第二判别子单元，用于在任一连通分量未封闭的情况下，将任一连通分量和任一连通分量对应的编号添加到未封闭图形向量中；
更新子单元，用于在未封闭图形向量不为空的情况下，对未封闭图形向量中的各连通分量进行处理，并基于处理结果，更新封闭图形向量、未封闭图形向量和标签矩阵。
基于上述任一实施例，更新子单元具体用于：
遍历未封闭图形向量中的各连通分量；
在任一连通分量满足预设封闭条件的情况下，对任一连通分量进行封闭处理，并将任一连通分量对应的编号和封闭后的任一连通分量添加到封闭图形向量中，以及将任一连通分量和任一连通分量对应的编号从未封闭图形向量中删除；
在任一连通分量满足预设删除条件的情况下，将任一连通分量和任一连通分量对应的编号从未封闭图形向量以及标签矩阵中删除。
基于上述任一实施例，确定单元1240具体包括：
区分子单元，用于基于区域扩展矩阵中各连通分量的像素长度，确定区域扩展矩阵的亮区和暗区；
区域获取子单元，用于获取封闭图形向量中各连通分量所围区域；
第一确定子单元，用于在任一连通分量所围区域处于暗区的情况下，确定任一连通分量所围区域为包装异常区域；
第二确定子单元，用于在任一连通分量所围区域处于亮区的情况下，基于任一连通分量所围区域的几何尺寸比例和像素面积，确定任一连通分量所围区域为包装正常区域或包装异常区域。
基于上述任一实施例，包装正常区域包括镜头阴影区、脂肪区、空白区、日期区中的至少一种，相应地，第二确定子单元具体用于：
在第一像素数量最大且任一连通分量所围区域的长短轴比例小于第一比例阈值的情况下，确定任一连通分量所围区域为镜头阴影区，第一像素数量为任一连通分量所围区域的总像素数量；
在第二像素数量与第一像素数量的比值大于第二比例阈值的情况下，确定任一连通分量所围区域为脂肪区，第二像素数量为任一连通分量所围区域中大于全局二值化阈值的像素数量；
在第二像素数量与第一像素数量的比值大于第三比例阈值的情况下，确定任一连通分量所围区域为空白区；
在第二像素数量与第一像素数量的比值大于第三比例阈值且任一连通分量所围区域的像素灰度小于任一连通分量所围区域的像素局部阈值的情况下，确定任一连通分量所围区域为日期区；
在任一连通分量所围区域不属于镜头阴影区、脂肪区、空白区、日期区中任意一种的情况下，确定任一连通分量所围区域为包装异常区域。
基于上述任一实施例，该装置还包括映射单元，映射单元具体用于：
获取包装异常区域对应的连通分量的编号；
基于编号和标签矩阵，确定连通分量在区域扩展矩阵中的坐标；
基于连通分量在区域扩展矩阵中的坐标以及最小外接矩形的原点坐标，确定连通分量在待检测图像中的新坐标；
应用新坐标，将包装异常区域映射到待检测图像中。
基于上述任一实施例，该装置还包括报警单元，报警单元具体用于：
统计待检测图像中包装异常区域的数量；
在包装异常区域的数量不为零的情况下，进行包装异常报警。
图13示例了一种电子设备的实体结构示意图，如图13所示，该电子设备可以包括：处理器(processor)1310、通信接口(Communications Interface)1320、存储器(memory)1330和通信总线1340，其中，处理器1310，通信接口1320，存储器1330通过通信总线1340完成相互间的通信。处理器1310可以调用存储器1330中的逻辑指令，以执行包装状态检测方法，该方法包括：获取预设角度下拍摄得到的待检测图像；确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵；获取区域扩展矩阵中的各连通分量，并对各连通分量进行封闭性检测，得到封闭图形向量；基于封闭图形向量所处的区域，确定待检测图像中的包装异常区域。
此外，上述的存储器1330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的包装状态检测方法，该方法包括：获取预设角度下拍摄得到的待检测图像；确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵；获取区域扩展矩阵中的各连通分量，并对各连通分量进行封闭性检测，得到封闭图形向量；基于封闭图形向量所处的区域，确定待检测图像中的包装异常区域。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的包装状态检测方法，该方法包括：获取预设角度下拍摄得到的待检测图像；确定待检测图像中的兴趣区域，并基于兴趣区域的最小外接矩形，构建区域扩展矩阵；获取区域扩展矩阵中的各连通分量，并对各连通分量进行封闭性检测，得到封闭图形向量；基于封闭图形向量所处的区域，确定待检测图像中的包装异常区域。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种包装状态检测方法，其特征在于，包括：
获取预设角度下拍摄得到的待检测图像；
确定所述待检测图像中的兴趣区域，并基于所述兴趣区域的最小外接矩形，构建区域扩展矩阵；
获取所述区域扩展矩阵中的各连通分量，并对所述各连通分量进行封闭性检测，得到封闭图形向量；
基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域。
2.根据权利要求1所述的包装状态检测方法，其特征在于，所述获取所述区域扩展矩阵中的各连通分量，并对所述各连通分量进行封闭性检测，得到封闭图形向量，包括：
对所述区域扩展矩阵依次进行边缘提取和二值化，并基于二值化后的区域扩展矩阵，得到所述各连通分量；
对所述各连通分量进行编号，并基于所述各连通分量以及所述各连通分量对应的编号，得到标签矩阵；
对所述标签矩阵内的各连通分量进行封闭性检测，得到封闭图形向量。
3.根据权利要求2所述的包装状态检测方法，其特征在于，所述对所述标签矩阵内的各连通分量进行封闭性检测，得到封闭图形向量，包括：
对所述标签矩阵内的各连通分量进行封闭性检测；
在任一连通分量封闭的情况下，将所述任一连通分量和所述任一连通分量对应的编号添加到封闭图形向量中；
在任一连通分量未封闭的情况下，将所述任一连通分量和所述任一连通分量对应的编号添加到未封闭图形向量中；
在所述未封闭图形向量不为空的情况下，对所述未封闭图形向量中的各连通分量进行处理，并基于处理结果，更新所述封闭图形向量、所述未封闭图形向量和所述标签矩阵。
4.根据权利要求3所述的包装状态检测方法，其特征在于，所述对所述未封闭图形向量中的各连通分量进行处理，并基于处理结果，更新所述封闭图形向量、所述未封闭图形向量和所述标签矩阵，包括：
遍历所述未封闭图形向量中的各连通分量；
在任一连通分量满足预设封闭条件的情况下，对所述任一连通分量进行封闭处理，并将所述任一连通分量对应的编号和封闭后的所述任一连通分量添加到所述封闭图形向量中，以及将所述任一连通分量和所述任一连通分量对应的编号从所述未封闭图形向量中删除；
在任一连通分量满足预设删除条件的情况下，将所述任一连通分量和所述任一连通分量对应的编号从所述未封闭图形向量以及所述标签矩阵中删除。
5.根据权利要求1所述的包装状态检测方法，其特征在于，所述基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域，包括：
基于所述区域扩展矩阵中各连通分量的像素长度，确定所述区域扩展矩阵的亮区和暗区；
获取所述封闭图形向量中各连通分量所围区域；
在任一连通分量所围区域处于暗区的情况下，确定所述任一连通分量所围区域为包装异常区域；
在任一连通分量所围区域处于亮区的情况下，基于所述任一连通分量所围区域的几何尺寸比例和像素面积，确定所述任一连通分量所围区域为包装正常区域或包装异常区域。
6.根据权利要求5所述的包装状态检测方法，其特征在于，所述包装正常区域包括镜头阴影区、脂肪区、空白区、日期区中的至少一种，所述基于所述任一连通分量所围区域的几何尺寸比例和像素面积，确定所述任一连通分量所围区域为包装正常区域或包装异常区域，包括：
在第一像素数量最大且所述任一连通分量所围区域的长短轴比例小于第一比例阈值的情况下，确定所述任一连通分量所围区域为镜头阴影区，所述第一像素数量为所述任一连通分量所围区域的总像素数量；
在第二像素数量与所述第一像素数量的比值大于第二比例阈值的情况下，确定所述任一连通分量所围区域为脂肪区，所述第二像素数量为所述任一连通分量所围区域中大于全局二值化阈值的像素数量；
在所述第二像素数量与所述第一像素数量的比值大于第三比例阈值的情况下，确定所述任一连通分量所围区域为空白区；
在所述第二像素数量与所述第一像素数量的比值大于第三比例阈值且所述任一连通分量所围区域的像素灰度小于所述任一连通分量所围区域的像素局部阈值的情况下，确定所述任一连通分量所围区域为日期区；
在所述任一连通分量所围区域不属于镜头阴影区、脂肪区、空白区、日期区中任意一种的情况下，确定所述任一连通分量所围区域为包装异常区域。
7.根据权利要求2至4任一项所述的包装状态检测方法，其特征在于，所述基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域，之后还包括：
获取所述包装异常区域对应的所述连通分量的编号；
基于所述编号和所述标签矩阵，确定所述连通分量在所述区域扩展矩阵中的坐标；
基于所述连通分量在所述区域扩展矩阵中的坐标以及所述最小外接矩形的原点坐标，确定所述连通分量在所述待检测图像中的新坐标；
应用所述新坐标，将所述包装异常区域映射到所述待检测图像中。
8.根据权利要求1至6任一项所述的包装状态检测方法，其特征在于，所述基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域，之后还包括：
统计所述待检测图像中所述包装异常区域的数量；
在所述包装异常区域的数量不为零的情况下，进行包装异常报警。
9.一种包装状态检测装置，其特征在于，包括：
获取单元，用于获取预设角度下拍摄得到的待检测图像；
构建单元，用于确定所述待检测图像中的兴趣区域，并基于所述兴趣区域的最小外接矩形，构建区域扩展矩阵；
检测单元，用于获取所述区域扩展矩阵中的各连通分量，并对所述各连通分量进行封闭性检测，得到封闭图形向量；
确定单元，用于基于所述封闭图形向量所处的区域，确定所述待检测图像中的包装异常区域。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述包装状态检测方法。
CN202311558069.1A 2023-11-21 2023-11-21 包装状态检测方法、装置和电子设备 Pending CN117611535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311558069.1A CN117611535A (zh) 2023-11-21 2023-11-21 包装状态检测方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311558069.1A CN117611535A (zh) 2023-11-21 2023-11-21 包装状态检测方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN117611535A true CN117611535A (zh) 2024-02-27

Family

ID=89952631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311558069.1A Pending CN117611535A (zh) 2023-11-21 2023-11-21 包装状态检测方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN117611535A (zh)

Similar Documents

Publication Publication Date Title
CN109671058B (zh) 一种大分辨率图像的缺陷检测方法及系统
CN111709948B (zh) 容器瑕疵检测方法和装置
CN113096119B (zh) 晶圆缺陷分类的方法、装置、电子设备以及存储介质
CN112577969B (zh) 一种基于机器视觉的缺陷检测方法以及缺陷检测系统
Eshkevari et al. Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method
CN111047655A (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
US20170278234A1 (en) Method for detecting a defect on a surface of a tire
JPWO2018179559A1 (ja) 航空機用部品の欠陥検出システム及び航空機用部品の欠陥検出方法
CN114519696B (zh) 基于光学智能化的pvc热收缩膜检测方法及系统
JP2004340832A (ja) 回路基板の外観検査方法及び回路基板の外観検査装置
CN112200790B (zh) 布料缺陷检测方法、设备和介质
CN110706224A (zh) 基于暗场图像的光学元件弱划痕检测方法、系统和装置
JP2015197396A (ja) 画像検査方法および画像検査装置
US20240095983A1 (en) Image augmentation techniques for automated visual inspection
Khule et al. Automated object counting for visual inspection applications
CN117611535A (zh) 包装状态检测方法、装置和电子设备
CN111458344A (zh) 一种口罩缺陷视觉检测方法、设备、存储介质
Sharma et al. Empty and filled bottle inspection system
CN113506297B (zh) 基于大数据处理的印刷数据识别方法
KR101330098B1 (ko) 광학 필름의 결함 판별 방법
CN115393290A (zh) 边缘缺陷检测方法、装置及设备
CN112581472A (zh) 一种面向人机交互的目标表面缺陷检测方法
CN113888503A (zh) 产品外观检测方法、装置和存储介质
Sarkar et al. Image processing based product label quality control on FMCG products
JP2014174003A (ja) 画像検査方法および画像検査装置

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