CN117723564B - 基于图像传输的包装袋印刷质量检测方法及检测系统 - Google Patents
基于图像传输的包装袋印刷质量检测方法及检测系统 Download PDFInfo
- Publication number
- CN117723564B CN117723564B CN202410179047.2A CN202410179047A CN117723564B CN 117723564 B CN117723564 B CN 117723564B CN 202410179047 A CN202410179047 A CN 202410179047A CN 117723564 B CN117723564 B CN 117723564B
- Authority
- CN
- China
- Prior art keywords
- image
- packaging bag
- result
- region
- defects
- 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 96
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000005540 biological transmission Effects 0.000 title claims abstract description 21
- 230000007547 defect Effects 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000002950 deficient Effects 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 33
- 239000012467 final product Substances 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请公开了基于图像传输的包装袋印刷质量检测方法及检测系统,涉及图像处理技术领域;该检测方法包括:基于第一图像采集模块获取待检测包装袋的第一图像;基于第二图像采集模块获取待检测包装袋的第二图像;分别将第一图像、第二图像与预设标准图像进行比对,判定是否存在缺陷,判定结果为第一结果、第二结果;将第一图像与第二图像融合,得第三图像;将第三图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第三结果;三个结果中有两个以上为存在缺陷,则判定该包装袋印刷质量存在缺陷,若否,则判定不存在缺陷;该判定为第一判定。通过这种方法可以提高图像的清晰度和完整度,减少图像的噪声和失真,提高检测的准确性和稳定性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及基于图像传输的包装袋印刷质量检测方法及检测系统。
背景技术
包装袋印刷质量检测是包装行业的重要环节,直接影响到包装袋的外观和使用效果。传统的包装袋印刷质量检测方法主要依靠人工目视检测,存在效率低、准确度差、成本高等缺点。随着机器视觉和图像处理技术的发展,基于图像传输的包装袋印刷质量检测方法逐渐成为一种新的检测手段,能够实现对包装袋印刷质量的快速、准确、自动化的检测。
基于图像传输的包装袋印刷质量检测方法的核心是利用图像配准技术,将待检测的包装袋图像与预设的标准图像进行对齐和比对,从而判断是否存在缺陷。具体来说,使用高速摄像机获得包装袋的图像,随后采用差异阈值或者相关系数等方法将采集到的包装袋图像与标准图像进行比对,基于比对结果判断采集到的图像是否存在缺陷。
以上包装袋印刷质量检测方法中,检测结果易受到图像的噪声、失真、遮挡等因素的影响,导致检测的准确性和稳定性降低。
发明内容
本申请技术方案主要提供了基于图像传输的包装袋印刷质量检测方法及检测系统,能够获取待检测包装袋的第一图像和第二图像,并通过第一图像及第二图像获取第三图像,通过三个图像分别与标准预设图像进行比对判断包装袋是否存在缺陷,以减少图像的噪声和失真,提高检测的准确性和稳定性。
为实现上述目的,本申请提供了如下技术方案:
基于图像传输的包装袋印刷质量检测方法,包括:
基于第一图像采集模块获取待检测包装袋的第一图像;
将第一图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第一结果;
基于第二图像采集模块获取待检测包装袋的第二图像;
将第二图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第二结果;
将所述第一图像与所述第二图像融合,得第三图像;
将第三图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第三结果;
三个结果中有两个以上为存在缺陷,则判定该包装袋印刷质量存在缺陷,若否,则判定不存在缺陷;该判定为第一判定。
优选为,第一图像判定过程中:
将第一图像分割为A1区域,A2区域和A3区域;
将第一图像的各个区域与预设标准图像对应区域进行比对,任一区域存在缺陷则判定所述第一图像存在缺陷;
优选为,第二图像判定过程中:
将第二图像分割为B1区域,B2区域和B3区域;
将第二图像的各个区域与预设标准图像对应区域进行比对,任一区域存在缺陷则判定所述第二图像存在缺陷;
优选为,第三图像判定过程中:
将A1区域与B1区域融合、A2区域与B2区域融合、A3区域与B3区域融合得第三图像;
将第三图像的各融合区域与预设标准图像对应区域进行比对,任一区域存在缺陷则判定所述第三图像存在缺陷。
优选为,对第一图像、第二图像以及第三图像中的各个区域与预设标准图像的对应区域进行比对时,按照如下步骤进行:
将第一图像、第二图像以及第三图像的各个区域以及预设标准图像的各个区域进行小波变换,得到相同层数的小波分解;
对每一层的小波分解,计算对应区域的低频子图像和高频子图像差异;
对每一层的差异结果设定一个阈值,若差异超过阈值,则认定该层存在缺陷,否则认为不存在缺陷;
对每个区域所有层的差异结果,按照如下判式综合判断是否存在缺陷:
;
其中,S i 表示第i层的差异结果,n表示层数,M1为大于1的整数,1表示存在缺陷,0表示不存在缺陷。
优选为,还包括:
若基于第一结果、第二结果及第三结果判定待检测包装袋存在缺陷,则将该缺陷结果以及对应的包装袋进行显示。
优选为,基于缺陷结果以及对应包装袋的显示判定所述包装袋是否存在缺陷、以及对应的缺陷类型,该判定为第二判定;
第二判定与第一判定是否相同;
若否,舍弃第一判定。
优选为,在预设时间内,若第一判定中缺陷数量为P,第二判定中缺陷数量为Q,若:
;
则第一图像、第二图像以及第三图像各个区域以及预设标准图像每个区域所有层是否存在缺陷的判式调整为:
;
其中,S i 表示第i层的差异结果,n表示层数,M2为小于M1的整数,1表示存在缺陷,0表示不存在缺陷。
优选为,若基于第一结果、第二结果及第三结果判定待检测包装袋存在缺陷,发出警示信号。
优选为,若基于第一结果,第二结果及第三结果判定待检测包装袋存在缺陷,发送控制信号至包装袋输送单元。
本申请的另一个方面还公开了基于图像传输的包装袋印刷质量的检测系统,包括:
第一图像采集模块,用于获取待检测包装袋的第一图像;
第二图像采集模块,用于获取代检测包装袋的第二图像;
融合模块,用于将第一图像及第二图像进行融合,得第三图像;
图像处理模块,用于对第一图像、第二图像及第三图像进行处理,并将处理后的图像与预设标准图像进行比对,且图像处理模块中嵌设有判断模块,所述判断模块能够判定是否存在缺陷,该判定为第一判定;
存储模块,用于存储预设标准图像以及第一判定。
优选为,还包括:
显示模块,若第一判定为待检测包装袋存在缺陷,则将判定结果以及对应的包装袋进行显示;
交互模块,能够将基于显示模块显示内容给出的第二判定交互给图像处理模块;
调整模块,嵌设于所述图像处理模块中,调整模块基于第二判定对判断模块进行调整。
本申请提供的技术方案,与已知的公有技术相比,具有如下有益效果:
1)本申请技术方案设置有第一图像采集模块以及第二图像采集模块,分别获取待检测包装袋的第一图像和第二图像;然后再将第一图像与第二图像融合获得第三图像;通过将第一图像、第二图像以及第三图像分别与预设标准图像进行比对,判定是否存在缺陷。通过这种方法可以提高图像的清晰度和完整度,减少图像的噪声和失真,提高检测的准确性和稳定性。
2)本申请技术方案将第一图像与第二图像进行分割成多个区域,将各个图像的不同区域分别与标准图像的对应区域进行比对判断是否存在缺陷,使得针对不同的特征进行针对性比对,包装袋上不同区域中判定模型中的参数可以进行适应性选择,提高判定模型对缺陷判定的准确性。
3)本申请技术方案采用小波变换和差异阈值,对图像进行分层处理和缺陷判定,能够充分利用图像的多层次和多维度的特征信息,降低图像的亮度、对比度、色彩等因素的影响,提高检测的鲁棒性和可靠性。
附图说明
为了更清楚地说明本申请实施例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简单地介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请一实施例公开的基于图像传输的包装袋印刷质量检测方法的工作流程图;
图2为本申请另一实施例公开的基于图像传输的包装袋印刷质量检测方法的工作流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面结合图1-图2对本申请实施例中记载的基于图像传输的包装袋印刷质量检测方法以及检测系统进行阐释。
本申请实施例技术方案记载的是基于图像传输的包装袋印刷质量检测方法,主要是针对在食品包装袋生产过程中,印刷在包装袋上的图案可能会存在的墨点、漏印、文字残缺或者刀丝等缺陷进行的检测。
本申请实施例记载包装袋印刷质量检测方法主要是通过基于图像传输的包装袋印刷质量检测系统进行的,该检测系统主要包括第一图像采集模块110、第二图像采集模块120、融合模块200、图像处理模块300以及存储模块400。
在检测时,印刷后的包装袋通过输送单元进行输送,一般来说,输送单元包括一成品辊,印刷完成后待检测的包装袋缠绕在成品辊上;与成品辊相对地设置终品辊,驱动装置驱动终品辊转动,带动印刷后的包装袋在成品辊与终品辊之间移动。
第一图像采集模块110以及第二图像采集模块120设置在成品辊与终品辊之间,用于对两辊之间的包装袋进行图像采集;第一图像采集模块110能够获取第一图像,第二图像采集模块120能够获取第二图像;其中第一图像与第二图像所属同一个包装袋。
在本申请实施例中,第一图像采集模块与第二图像采集模块配置在不同的图像采集装置中,如第一图像采集模块配置在多光谱图像采集装置中,获得的第一图像为多光谱图像;第二图像采集模块配置在红外采集装置中,获得的第二图像为红外图像。这就使得通过不同的图像采集装置采集到的图像分别与标准图像进行比对,减少图像的噪音和失真,提高检测的准确性和稳定性;并且多光谱图像与红外图像的互补,能够增强图像的对比度和细节,提高缺陷的可见性和可分性,提高检测的鲁棒性和可靠性。
融合模块200主要是对第一图像和第二图像进行融合,在本申请实施例中,由于第一图像为多光谱图像,第二图像为红外图像;多光谱图像和红外融合是一种利用不同波段的图像信息来提高图像质量和分析能力的技术。现有以下几种常用的多光谱图像和红外图像的融合方法:
1)基于多尺度分解的方法:这种方法通过将多光谱图像和红外图像在时域和频域上进行多层次的分解,然后根据一定的规则对不同层次的分解系数进行融合,最后通过逆变换得到融合图像。通过这种融合方法可以保留图像的细节特征,如边缘、纹理、形状等,但也存在一些缺点,如偏移方差、混叠和方向性缺失等。
2)基于稀疏表示的方法:这种方法通过将多光谱图像和红外图像在一个稀疏字典上进行稀疏编码,然后根据一定的优化准则对稀疏系数进行融合,最后通过稀疏重构得到融合图像。通过这种融合方法可以克服多尺度分解方法的一些缺陷,但也需要较大的计算量和存储空间。
3)基于神经网络的方法:这种方法通过利用神经网络的强大的特征提取和非线性映射能力,将多光谱图像和红外图像作为网络的输入,经过一系列的卷积、池化、激活等操作,得到网络的输出,即融合图像。这种方法可以自动学习图像的复杂特征,提高融合的准确率和鲁棒性,但也需要大量的训练数据和参数调节。
本申请实施例中采用的是上述基于多尺度分解方法中的一种,在本申请实施例中,对第一图像和第二图像进行融合的方法采用多频段融合,利用拉普拉斯金字塔和高斯金字塔对图像进行分层处理和缺陷判定,具体步骤如下:
对第一图像区域和第二图像区域分别构建拉普拉斯金字塔和高斯金字塔,每个金字塔有m层,m为预设的融合层数,m值越大融合效果越好。
对金字塔的每一层,基于如下公式进行融合:
;
其中,为融合后的第i层拉普拉斯图像,/>和/>分别是第一图像和第二图像的第i层拉普拉斯图像,/>为第i层高斯金字塔的掩膜图像,其像素值表示融合的权重,范围为0~1。
根据融合后的拉普拉斯金字塔重建出第三图像,即对金字塔的每一层进行上采样和相加,得到最终的融合图像区域。
图像处理模块300是对第一图像以及第二图像进行去噪、与标准图像配准、特征提取以及图像分割等预处理,并对分割成多个区域的第一图像、第二图像以及融合后的第三图像与预设图像进行比对得出第一判定。
存储模块400是用来存储预设标准图像,同时能够将图像处理模块中得到的第一判定进行存储。
在有的实施例中,上述基于图像传输的包装袋印刷质量检测系统还包括显示模块500、交互模块600以及调整模块310。其中,若第一判定为待检测包装袋存在缺陷,则将判定结果以及对应的包装袋通过显示模块500进行显示;交互模块600能够将基于显示模块显示内容给出的第二判定交互给图像处理模块;调整模块310嵌设于所述图像处理模块中,调整模块基于第二判定对判断模块进行调整。
在以上的技术方案中,通过显示模块的设置能够实时将第一判定中认定为缺陷的包装袋的图像进行显示,操作人员通过对该图像的判定为第二判定,通过交互模块将第二判定传递给图像处理模块300,图像处理模块300接收到这一信号后,基于第二判定,一方面能够将该第二判定传递给包装袋输送单元,使得包装袋输送单元能够继续执行相应的动作;另一方面,图像处理模块300将第二判定与第一判定进行比对,基于比对结果,通过调整模块310对图像处理模块中对缺陷的判定方式进行调整,使得其适应性更强。
具体来说,本申请实施例中基于图像传输的包装袋印刷质量检测方法是通过以下的步骤进行的。
S110,基于第一图像采集模块获取待检测包装袋的第一图像;基于前述的记载,在本申请实施例中,第一图像采集模块配置在多光谱采集装置中,所获取的第一图像为多光谱图像。
S120,将第一图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第一结果。在现有技术中,对于获得的第一图像,往往在对图像进行去噪以及特征增强等预处理后直接将该第一图像与预设的标准图像进行比对,在本申请实施例中,第一图像与预设标准图像进行比对判断是否存在缺陷具体通过如下的步骤进行:
S121,将第一图像分割为A1区域,A2区域和A3区域;在本申请实施例中,A1区域为第一图像的字符区域,A2区域为第一图像的图案区域,A3区域为第一图像的背景区域。
S122,将第一图像的各个区域与预设标准图像对应区域进行比对,任一区域存在缺陷则判定所述第一图像存在缺陷。
也即在本申请实施例中,在第一图像与预设标准图像进行比对的过程中,在对图像进行预处理后将第一图像分割为三个区域,分别对应第一图像的字符区域、图案区域以及背景区域,在比对的过程中,分别将这三个区域与预设标准图案中的相关区域进行比对。
在将第一图像的各个区域与预设标准图像的各个图像的对应区域进行比对时,是将第一图像的各个区域以及预设标准图像的各个区域进行小波变换,得到相同层数的小波分解,层数越多,判断效果越准确,在本申请实施例中,分解层数n为7。具体步骤如下:
1)选择一个合适的小波基函数,如Haar小波,Daubechies小波等。
2)将两幅图像对应区域转换为灰度图像,并调整为相同的大小,如M×N。
3)对两幅图像的各个区域分别进行一维小波变换,即对每一行进行小波变换,得到每一行的低频分量和高频分量。
4)对第3步得到的结果再进行一维小波变换,即对每一列进行小波变换,得到每一列的低频分量和高频分量。
5)将第4步得到的结果分为四个子图像,分别为LL,LH,HL,HH,其中LL表示低频分量的低频分量,LH表示低频分量的高频分量,HL表示高频分量的低频分量,HH表示高频分量的高频分量。
6)对LL子图像重复第3步和第4步,得到更低层的小波分解,直到达到预设的层数。
7)对每一层的小波分解,计算对应区域的低频低频子图像和高频子图像差异,可以选用均方误差(MSE)或者结构相似性指数(SSIM)进行计算:
均方误差(MSE):
;
其中,I 1和I 2是两幅图像对应区域的同一层的同一子图像,u和v分别是子图像的行数和列数,i和j是像素的坐标,MSE越小,表示两幅图像越相似。
结构相似性指数(SSIM):
;
其中,μ 1和μ 2是两幅图像对应区域的同一层的同一子图像的均值,和/>是两幅图像的同一层的同一子图像的方差,/>是两幅图像对应区域的同一层的同一子图像的协方差,c 1和c 2是两个常数,用来避免分母为零。SSIM越接近1,表示两幅图像越相似。
8)对每一层的差异结果,预设一个阈值,如果差异超过该阈值,则就认定该层存在缺陷,否则认为不存在缺陷。例如在本申请实施例中选取均方误差(MSE)作为度量方法,并预设阈值T;对于每一层的小波分解,计算第一图像以及预设标准图像中对应区域的低频子图像和高频子图像之间的差异,得到一个差异值,如D;如果D>T,就认为该层存在缺陷,否则认为不存在缺陷。
9)对于每个区域中所有层的差异结果,综合判断是否存在缺陷:
;
其中,S i表示第i层的差异结果,n表示层数,M1为大于1的整数,1表示存在缺陷,0表示不存在缺陷。其中,对于不同的区域,M1值的选取可以不尽相同,使得该判定模型能够适应于包装袋的不同区域。
在本申请实施例中,由于对于第一图像中的每个区域的分解层数为7层,取M1=3,也即7个分解层中差异数大于也即2.3个时(取整数即为≥3个),认定该区域存在缺陷。而当第一图像中的任一区域存在缺陷时,则判定第一图像存在缺陷。
10)基于上述步骤判断第一图像中是否存在缺陷,该判定结果为第一结果。
S210,基于第二图像采集模块获取待检测包装袋的第二图像;基于前述记载,本申请实施例中,第二图像采集模块是嵌设在红外采集装置中的,获取的第二图像为红外图像。
S220,将第二图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第二结果;在本申请实施例中,与第一图像处理类似地,第二图像的处理步骤为:
S221,将第二图像分割为B1区域,B2区域和B3区域;B1区域为第二图像的字符区域,B2区域为第二图像的图案区域,B3区域为第二图像的背景区域。
S222,将第二图像的各个区域与预设标准图像对应区域进行比对,任一区域存在缺陷则判定所述第二图像存在缺陷;该步骤采用的方法与S122中的相同,均是通过小波变换后计算对应图像与标准预设图像对应区域的差异,再基于各个区域的缺陷判定第二图像中的缺陷,在此不再赘述。此步骤的判定结果为第二结果。
S310,将所述第一图像与所述第二图像融合,得第三图像;具体来说,将将A1区域与B1区域融合得H1区域、A2区域与B2区域融合得H2区域、A3区域与B3区域融合得H3区域;融合的方法即为前述记载的对第一图像的各个区域以及第二图像的各个区域分别构建拉普拉斯金字塔和高斯金字塔,对应区域进行融合,得融合区域H1、H2和H3;H1、H2与H3区域即组成第三图像。
S320,将第三图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第三结果。由于在步骤S310中已经获得H1区域、H2区域以及H3区域,其中H1区域为第三图像的字符区域,H2区域为第三图像的图案区域,H3区域为第三图像的背景区域,因此在将第三图像与预设标准图像进行比对时无需进行分割,直接对对应的区域进行小波变换,计算小波变换后计算对应图像与标准预设图像对应区域的差异,与第一图像的处理方法相同。此步骤的判定结果为第三结果。
S400,以上通过步骤S122的第一结果,通过步骤S222得第二结果,通过步骤S322得第三结果。
三个结果中有两个以上为存在缺陷,则判定该包装袋印刷质量存在缺陷,若否,则判定不存在缺陷;该判定为第一判定。
S500,若基于第一结果、第二结果以及第三结果判定对应的待检测包装袋存在缺陷,则将该缺陷结果以及对应的包装袋在显示模块上进行显示;同时,发出警示信号,提醒工作人员此处有含缺陷的包装袋;同时,发送控制信号至包装袋输送单元,停止包装袋的输送。
S600,基于显示对应的包装袋判定是否存在缺陷、以及对应的缺陷类型,该判定为第二判定;判断第二判定与第一判定是否相同,基于该判断分两种情况进行:
1)第二判定与第一判定相同,也即第二判定同样认为显示在显示模块上的包装袋存在缺陷,则仍停止包装袋的继续输送,直至将该含缺陷包装袋剔除后发送控制信号至包装袋输送单元继续输送。
2)第二判定与第一判定不同,也即第二判定认为该包装袋不存在缺陷,则舍弃第一判定,以第二判定为准执行命令,也即解除前述警示信号,并发送控制信号至包装袋输送单元,继续对包装袋的输送。
S700,持续上述S100~S600信号直至预设时间,统计第二判定与第一判定的偏差以对图像判定模型进行调整。
具体来说,在本申请实施例中,若预设时间为1h,则在1h内第一判定中缺陷数量为P,第二判定中缺陷数量为Q,则计算。
若,则认定第一判定的模型过于灵敏,需要进行调整。
假设在上述1h内,第一判定中缺陷数量为10,第二判定中缺陷数量为8,而预设T值为0.7,此时,无需对第一判定的模型进行调整。
假设在上述1h内,第一判定中缺陷数量为10,第二判定中缺陷数量为6,预设T值仍为0.7,则此时,则需要对第一判定的模型进行调整。
具体的调整方式为,对于特定图像,每个区域中通过小波变换计算所有层的差异结果,其综合判断方式调整为:
;
其中,R i表示第i层的差异结果,n表示层数,M2为小于M1的整数,1表示存在缺陷,0表示不存在缺陷。
仍以前述第一图像中每个区域的分解层数为7层进行说明,由于前述M1=3时,在预设的时间内第二判定与第一判定偏差超过预设值,此时取M2=2,也即7个分解层中差异数大于也即3.5个时(取整数即为≥3个),认定该区域存在缺陷。
通过对第一判定模型中M系数的调整,使其对缺陷判定的灵敏度降低,有效地提高了针对特定包装袋的适应性。
还有另外的一种情形,在实际工作过程中,可能会存在在几个预设的时间1h内,均有Q=P。也即在多个预设时间段内,第一判定认定的缺陷均被第二认定确认,此时需要考虑是否存在第一判定模型是否存在对缺陷判定不灵敏的情形。
为了验证第一判定模型是否存在判定不灵敏情形,需要将综合判定方式进行调整,此时,判定式调整为:
;
其中,R i表示第i层的差异结果,n表示层数,M3为大于M1的整数,1表示存在缺陷,0表示不存在缺陷。
仍以前述第一图像中每个区域的分解层数为7层进行说明,由于前述M1=3时,在连续的几个预设的时间内第二判定与第一判定始终相同,此时取M3=4,也即7个分解层中差异数大于也即1.75个时(取整数即为≥2个),认定该区域存在缺陷。
通过上述调整,提高对应第一判定判断模型的灵敏度,在接下来的几个预设时间段内再通过对的计算判定调整后第一判定的判断模型过灵敏。
也即在接下来的几个预设时间1h内,仍计算,若该值持续低于预设T值,则认定调整后的模型过于灵敏,需要将判式中的M3调整回原M1值。
以上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,并不会使相应技术方案的本质脱离本申请各实施例技术方案的保护范围。
Claims (5)
1.基于图像传输的包装袋印刷质量检测方法,其特征在于,包括:
基于第一图像采集模块获取待检测包装袋的第一图像;
将第一图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第一结果;
基于第二图像采集模块获取待检测包装袋的第二图像;
将第二图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第二结果;
将所述第一图像与所述第二图像融合,得第三图像;
将第三图像与预设标准图像进行比对,判定是否存在缺陷,该判定结果为第三结果;
三个结果中有两个以上为存在缺陷,则判定该包装袋印刷质量存在缺陷,若否,则判定不存在缺陷;该判定为第一判定;
其中,第一图像判定过程中:
将第一图像分割为A1区域,A2区域和A3区域;
将第一图像的各个区域与预设标准图像对应区域进行比对,任一区域存在缺陷则判定所述第一图像存在缺陷;
第二图像判定过程中:
将第二图像分割为B1区域,B2区域和B3区域;
将第二图像的各个区域与预设标准图像对应区域进行比对,任一区域存在缺陷则判定所述第二图像存在缺陷;
第三图像判定过程中:
将A1区域与B1区域融合、A2区域与B2区域融合、A3区域与B3区域融合得第三图像;
将第三图像的各融合区域与预设标准图像对应区域进行比对,任一区域存在缺陷则判定所述第三图像存在缺陷;
在第一图像、第二图像以及第三图像中的各个区域与预设标准图像的对应区域进行比对时,按照如下步骤进行:
将第一图像、第二图像以及第三图像的各个区域以及预设标准图像的各个区域进行小波变换,得到相同层数的小波分解;
对每一层的小波分解,计算对应区域的低频子图像和高频子图像差异;
对每一层的差异结果设定一个阈值,若差异超过阈值,则认定该层存在缺陷,否则认为不存在缺陷;
对每个区域所有层的差异结果,按照如下判式综合判断是否存在缺陷:
;
其中,S i 表示第i层的差异结果,n表示层数,M1为大于1的整数,1表示存在缺陷,0表示不存在缺陷;
其中,若基于第一结果、第二结果及第三结果判定待检测包装袋存在缺陷,则将该缺陷结果以及对应的包装袋进行显示;
基于缺陷结果以及对应包装袋的显示判定所述包装袋是否存在缺陷、以及对应的缺陷类型,该判定为第二判定;
第二判定与第一判定是否相同;
若否,舍弃第一判定;
在预设时间内,若第一判定中缺陷数量为P,第二判定中缺陷数量为Q,若:
;
则第一图像、第二图像以及第三图像各个区域以及预设标准图像每个区域所有层是否存在缺陷的判式调整为:
;
其中,S i 表示第i层的差异结果,n表示层数,M2为小于M1的整数,1表示存在缺陷,0表示不存在缺陷。
2.如权利要求1所述的基于图像传输的包装袋印刷质量检测方法,其特征在于,若基于第一结果、第二结果及第三结果判定待检测包装袋存在缺陷,发出警示信号。
3.如权利要求1所述的基于图像传输的包装袋印刷质量检测方法,其特征在于,若基于第一结果,第二结果及第三结果判定待检测包装袋存在缺陷,发送控制信号至包装袋输送单元。
4.如权利要求1-3任一项所述的基于图像传输的包装袋印刷质量检测方法的检测系统,其特征在于,包括:
第一图像采集模块,用于获取待检测包装袋的第一图像;
第二图像采集模块,用于获取代检测包装袋的第二图像;
融合模块,用于将第一图像及第二图像进行融合,得第三图像;
图像处理模块,用于对第一图像、第二图像及第三图像进行处理,并将处理后的图像与预设标准图像进行比对,且图像处理模块中嵌设有判断模块,所述判断模块能够判定是否存在缺陷,该判定为第一判定;
存储模块,用于存储预设标准图像以及第一判定。
5.如权利要求4所述的基于图像传输的包装袋印刷质量检测系统,其特征在于,还包括:
显示模块,若第一判定为待检测包装袋存在缺陷,则将判定结果以及对应的包装袋进行显示;
交互模块,能够将基于显示模块显示内容给出的第二判定交互给图像处理模块;
调整模块,嵌设于所述图像处理模块中,调整模块基于第二判定对判断模块进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179047.2A CN117723564B (zh) | 2024-02-18 | 2024-02-18 | 基于图像传输的包装袋印刷质量检测方法及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179047.2A CN117723564B (zh) | 2024-02-18 | 2024-02-18 | 基于图像传输的包装袋印刷质量检测方法及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117723564A CN117723564A (zh) | 2024-03-19 |
CN117723564B true CN117723564B (zh) | 2024-04-26 |
Family
ID=90200178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179047.2A Active CN117723564B (zh) | 2024-02-18 | 2024-02-18 | 基于图像传输的包装袋印刷质量检测方法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117723564B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118010613B (zh) * | 2024-04-08 | 2024-07-09 | 广州南洋电缆集团有限公司 | 一种应用于高强度电气装备用线的包装监控系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05108800A (ja) * | 1991-10-14 | 1993-04-30 | Nippon Telegr & Teleph Corp <Ntt> | 画像欠陥判別処理装置 |
JP2009063388A (ja) * | 2007-09-06 | 2009-03-26 | Dainippon Printing Co Ltd | 検査装置および方法 |
CN110189281A (zh) * | 2019-04-10 | 2019-08-30 | 西安电子科技大学 | 一种多曝光红外图像融合方法 |
CN110907472A (zh) * | 2019-11-15 | 2020-03-24 | 河南中烟工业有限责任公司 | 一种在线卷烟产品包装的图像识别系统 |
CN112184604A (zh) * | 2020-09-15 | 2021-01-05 | 杭州电子科技大学 | 一种基于图像融合的彩色图像增强方法 |
CN112379231A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测方法及装置 |
CN113390888A (zh) * | 2021-05-10 | 2021-09-14 | 上海工程技术大学 | 一种镜片质量检测管理系统 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN114037672A (zh) * | 2021-11-02 | 2022-02-11 | 联宝(合肥)电子科技有限公司 | 一种图像缺陷的检测方法、装置及计算机可读介质 |
CN114170208A (zh) * | 2021-12-14 | 2022-03-11 | 武汉福旺家包装有限公司 | 一种基于人工智能的纸制品缺陷检测方法 |
CN115015286A (zh) * | 2022-06-13 | 2022-09-06 | 中大智能科技股份有限公司 | 基于机器视觉的芯片检测方法及系统 |
CN115601647A (zh) * | 2022-10-28 | 2023-01-13 | 国网新疆电力有限公司经济技术研究院(Cn) | 一种基于图像识别的输电线路覆冰状态确定方法 |
KR102523195B1 (ko) * | 2022-08-30 | 2023-04-18 | 유봉수 | 도포된 자동차 실러 검사용 퓨전비전검사시스템 |
CN116051541A (zh) * | 2023-03-06 | 2023-05-02 | 杭州深度视觉科技有限公司 | 基于频闪光源的轴承端面平缓磨伤检测方法及装置 |
CN116253026A (zh) * | 2023-03-03 | 2023-06-13 | 江西中烟工业有限责任公司 | 一种用于gdx2包装设备中的烟支外观检测与判别处理系统及方法 |
CN116485795A (zh) * | 2023-06-19 | 2023-07-25 | 湖南隆深氢能科技有限公司 | 一种卷料涂布生产线瑕疵检测方法及系统 |
CN117191816A (zh) * | 2023-11-08 | 2023-12-08 | 广东工业大学 | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10395362B2 (en) * | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
-
2024
- 2024-02-18 CN CN202410179047.2A patent/CN117723564B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05108800A (ja) * | 1991-10-14 | 1993-04-30 | Nippon Telegr & Teleph Corp <Ntt> | 画像欠陥判別処理装置 |
JP2009063388A (ja) * | 2007-09-06 | 2009-03-26 | Dainippon Printing Co Ltd | 検査装置および方法 |
CN110189281A (zh) * | 2019-04-10 | 2019-08-30 | 西安电子科技大学 | 一种多曝光红外图像融合方法 |
CN110907472A (zh) * | 2019-11-15 | 2020-03-24 | 河南中烟工业有限责任公司 | 一种在线卷烟产品包装的图像识别系统 |
CN112184604A (zh) * | 2020-09-15 | 2021-01-05 | 杭州电子科技大学 | 一种基于图像融合的彩色图像增强方法 |
CN112379231A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测方法及装置 |
CN113390888A (zh) * | 2021-05-10 | 2021-09-14 | 上海工程技术大学 | 一种镜片质量检测管理系统 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN114037672A (zh) * | 2021-11-02 | 2022-02-11 | 联宝(合肥)电子科技有限公司 | 一种图像缺陷的检测方法、装置及计算机可读介质 |
CN114170208A (zh) * | 2021-12-14 | 2022-03-11 | 武汉福旺家包装有限公司 | 一种基于人工智能的纸制品缺陷检测方法 |
CN115015286A (zh) * | 2022-06-13 | 2022-09-06 | 中大智能科技股份有限公司 | 基于机器视觉的芯片检测方法及系统 |
KR102523195B1 (ko) * | 2022-08-30 | 2023-04-18 | 유봉수 | 도포된 자동차 실러 검사용 퓨전비전검사시스템 |
CN115601647A (zh) * | 2022-10-28 | 2023-01-13 | 国网新疆电力有限公司经济技术研究院(Cn) | 一种基于图像识别的输电线路覆冰状态确定方法 |
CN116253026A (zh) * | 2023-03-03 | 2023-06-13 | 江西中烟工业有限责任公司 | 一种用于gdx2包装设备中的烟支外观检测与判别处理系统及方法 |
CN116051541A (zh) * | 2023-03-06 | 2023-05-02 | 杭州深度视觉科技有限公司 | 基于频闪光源的轴承端面平缓磨伤检测方法及装置 |
CN116485795A (zh) * | 2023-06-19 | 2023-07-25 | 湖南隆深氢能科技有限公司 | 一种卷料涂布生产线瑕疵检测方法及系统 |
CN117191816A (zh) * | 2023-11-08 | 2023-12-08 | 广东工业大学 | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117723564A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN117723564B (zh) | 基于图像传输的包装袋印刷质量检测方法及检测系统 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
CN108918532A (zh) | 一种快速道路交通标志破损检测系统及其检测方法 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN111861990B (zh) | 一种产品不良外观检测的方法、系统及存储介质 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN115063421A (zh) | 极片区域检测方法及系统及装置及介质及缺陷检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN112697814A (zh) | 一种基于机器视觉的线缆表面缺陷检测系统及方法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
CN118096796B (zh) | 基于机器学习的径锻钛棒外观视觉检测方法 | |
CN113313031A (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |