CN109377485A - 一种方便面包装缺陷机器视觉检测方法 - Google Patents
一种方便面包装缺陷机器视觉检测方法 Download PDFInfo
- Publication number
- CN109377485A CN109377485A CN201811188773.1A CN201811188773A CN109377485A CN 109377485 A CN109377485 A CN 109377485A CN 201811188773 A CN201811188773 A CN 201811188773A CN 109377485 A CN109377485 A CN 109377485A
- Authority
- CN
- China
- Prior art keywords
- image
- instant noodles
- defect
- packaging
- gray
- 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.)
- Granted
Links
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 48
- 235000008446 instant noodles Nutrition 0.000 title claims abstract description 46
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 238000011524 similarity measure Methods 0.000 claims abstract description 4
- 235000008429 bread Nutrition 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 241001632422 Radiola linoides Species 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 241001632427 Radiola Species 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种方便面包装缺陷机器视觉检测方法,主要包括:建立方便面包装缺陷自动检测装置模型,采集传送带上的方便面包装图像,对图像进行预处理,增强图像特征;选取图像分割中心像素点,根据像素灰度间的连续性建立相似性度量标准,将所有像素分割为不同区域;将包装图像用高斯内核函数进行卷积获得高斯差分图像,通过求图像的灰度极值提取方便面包装图像的缺陷特征;通过衡量缺陷特征与样本之间的相似性进行分类,检测缺陷类别并踢除,完成方便面包装缺陷的自动检测。该方法具有较好的稳定性和鲁棒性,降低漏检率和误检率,提高检测效率,检测速度快,实现无损检测,节省劳动力资源,为企业缩减成本,使方便面包装更加精细化。
Description
技术领域
本发明涉及食品质检、图像识别、数学领域,具体涉及一种方便面包装缺陷机器视觉检测方法。
背景技术
方便面包装对方便面的外观和质量都具有很大的影响,印刷生产中不可避免地存在各种缺陷或瑕疵。现有的方便面包装缺陷检测装置需要的劳动强度较大大,检测效率低,适应性差,易出现误检和漏检现象,检测成本较高,不利于生产成本的降低,削弱了方便面的竞争力。而没有在线检测装置的企业只能通过人工抽查的方式,缺陷检出率很低。
发明内容
为解决上述问题,本发明的目的在于提供一种具有较好的稳定性和鲁棒性的方便面包装缺陷机器视觉检测方法,降低漏检率和误检率,提高检测效率,检测速度快,实现无损检测,节省劳动力资源,为企业缩减成本,使方便面包装更加精细化。
本发明解决其问题所采用的技术方案,包括以下步骤:
A.建立方便面包装缺陷自动检测装置模型,采集传送带上的方便面包装图像,对图像进行预处理,增强图像特征;
B.选取图像分割中心像素点,根据像素灰度间的连续性建立相似性度量标准,将所有像素分割为不同区域;
C.将包装图像用高斯内核函数进行卷积获得高斯差分图像,通过求图像的灰度极值提取方便面包装图像的缺陷特征;
D.通过衡量缺陷特征与样本之间的相似性进行分类,检测缺陷类别并踢除,完成方便面包装缺陷的自动检测。
进一步的,所述步骤A包括:
(1)建立方便面包装缺陷自动检测装置,摄像头采集传送带上的方便面包装图像,传送给主控装置,并对图像进行数字化,利用直方图对图像的灰度值进行均衡处理,均衡处理后的图像灰度为:
其中,I是图像的灰度级,f(t)是图像灰度的概率密度函数,t是像素点,对图像灰度级进行归一化处理,则当l∈[0,1]时,概率密度函数值为1;否则为0;
(2)若图像像素点(x,y)的灰度值为g(x,y),灰度范围为[g1,g2],通过映射函数将灰度值映射为g'(x,y),进行灰度变换:
其中,(α,β)是灰度变换后的灰度范围。
进一步的,所述步骤B包括:
(1)对方便面包装图像进行彩色空间转换,通过分水岭方法将图像进行初始化分割,若某个区域为Vr,其邻域为Vi(i=1,2,…,n),则相似度函数为:
其中,ω是权值系数,n是邻域数量,xi是每个区域的灰度均值,是所有区域的灰度均值,通过最大类间方差法获取一个阈值,相似度函数值大于此阈值的,该区域被选做种子区域;
(3)对选取的种子区域进行标记,遍历所有种子区域及其邻域,若有区域未被标记,查看该区域的邻域,若邻域标记相同,则该区域进行同样的标记;若邻域标记不同,则计算该区域与邻域的灰度均值差,选择差异最小的邻域进行相同的标记,遍历所有区域,直至所有区域均被标记,从而便将与种子区域有相似灰度值的相邻像素合并为一个区域,分割的区域中有许多零碎的小区域,设定区域范围阈值,将小于阈值的区域合并到灰度均值差异最小的邻域中,从而完成图像分割。
进一步的,所述步骤C包括:
(1)构造方便面包装图像的高斯函数:
其中,σ是图像正态分布的标准差,(x,y)是像素点坐标,(x0,y0)是种子点的坐标,则图像I(x,y)的尺度空间函数为:
S(x,y)=f(x,y)*I(x,y)
其中,*表示卷积,则σ越小,图像尺度越小,细节特征也就越明显;
(2)包装图像通过高斯函数卷积生成一组图像,在尺度空间中通过常量k进行分离,得到高斯差分函数:
D(x,y)=[f(x,y)-f(k(x,y))]*I(x,y)
=S(k(x,y))-S(x,y)
通过高斯差分函数对图像中的像素点进行比较,设定灰度阈值,寻找灰度值大于阈值的像素点,在剩余像素点中寻找灰度极值点作为待选特征点,将高斯差分函数进行泰勒展开:
其中,(x,y)T是像素点的偏移量,令从而得到极值点,将候选特征点中位于边缘处的像素点去除,提取出稳定的特征点。
进一步的,所述步骤D包括:
计算提取的特征图像f(x,y)与检测样本s(x,y)之间的欧氏距离:
其中,fi(x,y)是第i个特征,n是特征数量,寻找欧氏距离最小的特征min(d)进行分类,主控装置统计缺陷类型并发送信号给踢除装置进行踢除,没有缺陷的包装将继续下道工序,从而完成方便面包装缺陷的自动检测。
本发明的有益效果是:
在方便面包装质量要求越来越高的情况下,本发明具有较好的稳定性和鲁棒性,降低漏检率和误检率,提高检测效率,检测速度快,实现无损检测,节省劳动力资源,为企业缩减成本,使方便面包装更加精细化。
附图说明
图1为一种方便面包装缺陷机器视觉检测方法的整体流程图;
图2为方便面包装缺陷自动检测装置模型图;
图3为方便面包装图像缺陷特征提取流程图。
具体实施方式
参照图1,本发明所述的方法包括以下步骤:
A.建立方便面包装缺陷自动检测装置模型,采集传送带上的方便面包装图像,对图像进行预处理,增强图像特征;
(1)建立方便面包装缺陷自动检测装置,如图2所示。摄像头采集传送带上的方便面包装图像,传送给主控装置。现场采集的原始图像可能存在各种噪声,因此需要进行预处理。对图像进行数字化,利用直方图对图像的灰度值进行均衡处理,增强视觉效果。均衡处理后的图像灰度为:
其中,I是图像的灰度级,f(t)是图像灰度的概率密度函数,t是像素点。对图像灰度级进行归一化处理,则当l∈[0,1]时,概率密度函数值为1;否则为0。
(2)若图像像素点(x,y)的灰度值为g(x,y),灰度范围为[g1,g2],通过映射函数将灰度值映射为g'(x,y),进行灰度变换:
其中,(α,β)是灰度变换后的灰度范围。从而扩大了图像的灰度范围,使图像更清晰。
B.选取图像分割中心像素点,根据像素灰度间的连续性建立相似性度量标准,将所有像素分割为不同区域;
(1)对方便面包装图像进行彩色空间转换,通过分水岭方法将图像进行初始化分割。若某个区域为Vr,其邻域为Vi(i=1,2,…,n),则相似度函数为:
其中,ω是权值系数,n是邻域数量,xi是每个区域的灰度均值,是所有区域的灰度均值。通过最大类间方差法获取一个阈值,相似度函数值大于此阈值的,该区域被选做种子区域。
(2)对选取的种子区域进行标记,遍历所有种子区域及其邻域。若有区域未被标记,查看该区域的邻域,若邻域标记相同,则该区域进行同样的标记;若邻域标记不同,则计算该区域与邻域的灰度均值差,选择差异最小的邻域进行相同的标记。遍历所有区域,直至所有区域均被标记。从而便将与种子区域有相似灰度值的相邻像素合并为一个区域。分割的区域中有许多零碎的小区域,设定区域范围阈值,将小于阈值的区域合并到灰度均值差异最小的邻域中,从而完成图像分割。
C.将包装图像用高斯内核函数进行卷积获得高斯差分图像,通过求图像的灰度极值提取方便面包装图像的缺陷特征(如图3所示);
(1)构造方便面包装图像的高斯函数:
其中,σ是图像正态分布的标准差,(x,y)是像素点坐标,(x0,y0)是种子点的坐标。则图像I(x,y)的尺度空间函数为:
S(x,y)=f(x,y)*I(x,y)
其中,*表示卷积。则σ越小,图像尺度越小,细节特征也就越明显。
(2)包装图像通过高斯函数卷积生成一组图像,在尺度空间中通过常量k进行分离,得到高斯差分函数:
D(x,y)=[f(x,y)-f(k(x,y))]*I(x,y)
=S(k(x,y))-S(x,y)
通过高斯差分函数对图像中的像素点进行比较,设定灰度阈值,寻找灰度值大于阈值的像素点,在剩余像素点中寻找灰度极值点作为待选特征点,将高斯差分函数进行泰勒展开:
其中,(x,y)T是像素点的偏移量。令从而得到极值点。将候选特征点中位于边缘处的像素点去除,提取出稳定的特征点。
D.通过衡量缺陷特征与样本之间的相似性进行分类,检测缺陷类别并踢除,完成方便面包装缺陷的自动检测。
计算提取的特征图像f(x,y)与检测样本s(x,y)之间的欧氏距离:
其中,fi(x,y)是第i个特征,n是特征数量。寻找欧氏距离最小的特征min(d)进行分类,主控装置统计缺陷类型并发送信号给踢除装置进行踢除,没有缺陷的包装将继续下道工序,从而完成方便面包装缺陷的自动检测。
综上所述,便完成了本发明所述的一种方便面包装缺陷机器视觉检测方法。该方法具有较好的稳定性和鲁棒性,降低漏检率和误检率,提高检测效率,检测速度快,实现无损检测,节省劳动力资源,为企业缩减成本,使方便面包装更加精细化。
Claims (5)
1.一种方便面包装缺陷机器视觉检测方法,其特征在于,包括以下步骤:
A.建立方便面包装缺陷自动检测装置模型,采集传送带上的方便面包装图像,对图像进行预处理,增强图像特征;
B.选取图像分割中心像素点,根据像素灰度间的连续性建立相似性度量标准,将所有像素分割为不同区域;
C.将包装图像用高斯内核函数进行卷积获得高斯差分图像,通过求图像的灰度极值提取方便面包装图像的缺陷特征;
D.通过衡量缺陷特征与样本之间的相似性进行分类,检测缺陷类别并踢除,完成方便面包装缺陷的自动检测。
2.如权利要求1所述的方便面包装缺陷机器视觉检测方法,其特征在于,所述步骤A包括:
(1)建立方便面包装缺陷自动检测装置,摄像头采集传送带上的方便面包装图像,传送给主控装置,并对图像进行数字化,利用直方图对图像的灰度值进行均衡处理,均衡处理后的图像灰度为:
其中,I是图像的灰度级,f(t)是图像灰度的概率密度函数,t是像素点,对图像灰度级进行归一化处理,则当l∈[0,1]时,概率密度函数值为1;否则为0;
(2)若图像像素点(x,y)的灰度值为g(x,y),灰度范围为[g1,g2],通过映射函数将灰度值映射为g'(x,y),进行灰度变换:
其中,(α,β)是灰度变换后的灰度范围。
3.如权利要求2所述的方便面包装缺陷机器视觉检测方法,其特征在于,所述步骤B包括:
(1)对方便面包装图像进行彩色空间转换,通过分水岭方法将图像进行初始化分割,若某个区域为Vr,其邻域为Vi(i=1,2,…,n),则相似度函数为:
其中,ω是权值系数,n是邻域数量,xi是每个区域的灰度均值,是所有区域的灰度均值,通过最大类间方差法获取一个阈值,相似度函数值大于此阈值的,该区域被选做种子区域;
(2)对选取的种子区域进行标记,遍历所有种子区域及其邻域,若有区域未被标记,查看该区域的邻域,若邻域标记相同,则该区域进行同样的标记;若邻域标记不同,则计算该区域与邻域的灰度均值差,选择差异最小的邻域进行相同的标记,遍历所有区域,直至所有区域均被标记,从而便将与种子区域有相似灰度值的相邻像素合并为一个区域,分割的区域中有许多零碎的小区域,设定区域范围阈值,将小于阈值的区域合并到灰度均值差异最小的邻域中,从而完成图像分割。
4.如权利要求3所述的方便面包装缺陷机器视觉检测方法,其特征在于,所述步骤C包括:
(1)构造方便面包装图像的高斯函数:
其中,σ是图像正态分布的标准差,(x,y)是像素点坐标,(x0,y0)是种子点的坐标,则图像I(x,y)的尺度空间函数为:
S(x,y)=f(x,y)*I(x,y)
其中,*表示卷积,则σ越小,图像尺度越小,细节特征也就越明显;
(2)包装图像通过高斯函数卷积生成一组图像,在尺度空间中通过常量k进行分离,得到高斯差分函数:
D(x,y)=[f(x,y)-f(k(x,y))]I(x,y)
=S(k(x,y))-S(x,y)
通过高斯差分函数对图像中的像素点进行比较,设定灰度阈值,寻找灰度值大于阈值的像素点,在剩余像素点中寻找灰度极值点作为待选特征点,将高斯差分函数进行泰勒展开:
其中,(x,y)T是像素点的偏移量,令从而得到极值点,将候选特征点中位于边缘处的像素点去除,提取出稳定的特征点。
5.如权利要求4所述的方便面包装缺陷机器视觉检测方法,其特征在于,所述步骤D包括:
计算提取的特征图像f(x,y)与检测样本s(x,y)之间的欧氏距离:
其中,fi(x,y)是第i个特征,n是特征数量,寻找欧氏距离最小的特征min(d)进行分类,主控装置统计缺陷类型并发送信号给踢除装置进行踢除,没有缺陷的包装将继续下道工序,从而完成方便面包装缺陷的自动检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811188773.1A CN109377485B (zh) | 2018-10-12 | 2018-10-12 | 一种方便面包装缺陷机器视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811188773.1A CN109377485B (zh) | 2018-10-12 | 2018-10-12 | 一种方便面包装缺陷机器视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377485A true CN109377485A (zh) | 2019-02-22 |
CN109377485B CN109377485B (zh) | 2022-09-06 |
Family
ID=65397514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811188773.1A Active CN109377485B (zh) | 2018-10-12 | 2018-10-12 | 一种方便面包装缺陷机器视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377485B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415241A (zh) * | 2019-08-02 | 2019-11-05 | 同济大学 | 一种基于计算机视觉的混凝土构件表面质量检测方法 |
CN110717889A (zh) * | 2019-09-06 | 2020-01-21 | 深圳新视智科技术有限公司 | 基于数码印刷的缺陷检测方法、装置、终端及可读介质 |
CN111583084A (zh) * | 2020-04-01 | 2020-08-25 | 杭州优视泰信息技术有限公司 | 一种工件缺陷定位方法 |
CN111968082A (zh) * | 2020-07-30 | 2020-11-20 | 陕西科技大学 | 一种基于机器视觉的产品包装缺陷检测识别方法 |
CN112070710A (zh) * | 2019-06-10 | 2020-12-11 | 北京平恒智能科技有限公司 | 工业品缺陷图像检测的方法 |
CN112862760A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
CN112862773A (zh) * | 2021-01-29 | 2021-05-28 | 山东建筑大学 | 一种刨花板图像缺陷分类检测方法及装置 |
KR102259519B1 (ko) * | 2020-08-28 | 2021-06-03 | 주식회사농심 | 커팅불량 스프팩 검출시스템 |
KR102278895B1 (ko) * | 2020-08-21 | 2021-07-20 | 주식회사농심 | 라면제품 포장불량 검출시스템 및 이를 이용한 검출방법 |
CN113610851A (zh) * | 2021-10-09 | 2021-11-05 | 武汉平桥兄弟包装材料有限公司 | 一种基于机器视觉的包装装潢质检方法 |
CN113744239A (zh) * | 2021-09-02 | 2021-12-03 | 广东奥普特科技股份有限公司 | 一种基于机器视觉的聚合物软包锂电池底角自动检测装置 |
CN113777033A (zh) * | 2021-08-18 | 2021-12-10 | 长沙长泰机器人有限公司 | 一种基于机器视觉的生条缺陷检测方法和装置 |
CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
CN114706360A (zh) * | 2022-06-06 | 2022-07-05 | 浙江新迪嘉禾食品有限公司 | 一种面包生产质量的控制方法及*** |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及*** |
CN114813794A (zh) * | 2022-02-18 | 2022-07-29 | 成都飞机工业(集团)有限责任公司 | 一种基于机器人的3d打印无损检测方法 |
CN115311289A (zh) * | 2022-10-12 | 2022-11-08 | 南通甜享纺织品有限公司 | 一种素色布匹油渍缺陷检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009113844A (ja) * | 2007-11-08 | 2009-05-28 | Ajinomoto Co Inc | 薄弱フィルムによる包装製品の包装不良検査方法及び装置 |
CN101470896A (zh) * | 2007-12-24 | 2009-07-01 | 南京理工大学 | 基于视频分析的机动目标飞行模式预测方法 |
CN102514767A (zh) * | 2011-12-29 | 2012-06-27 | 天津普达软件技术有限公司 | 基于机器视觉的方便面酱包缺陷自动检测装置及方法 |
CN202583085U (zh) * | 2011-12-29 | 2012-12-05 | 天津普达软件技术有限公司 | 基于机器视觉的方便面酱包缺陷自动检测装置 |
CN103512888A (zh) * | 2013-06-05 | 2014-01-15 | 北京化工大学 | 一种基于图像识别技术的烟包封条缺陷检测*** |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
US20160258880A1 (en) * | 2015-03-05 | 2016-09-08 | Emage Vision Pte. Ltd. | Inspection of sealing quality in blister packages |
CN107330871A (zh) * | 2017-06-29 | 2017-11-07 | 西安工程大学 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
CN107481241A (zh) * | 2017-08-24 | 2017-12-15 | 太仓安顺财务服务有限公司 | 一种基于混合方法的彩色图像分割方法 |
CN206914796U (zh) * | 2017-07-07 | 2018-01-23 | 今麦郎面品有限公司 | 一种方便面包装不良品排除装置 |
CN108416766A (zh) * | 2018-01-31 | 2018-08-17 | 浙江理工大学 | 双侧入光式导光板缺陷视觉检测方法 |
-
2018
- 2018-10-12 CN CN201811188773.1A patent/CN109377485B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009113844A (ja) * | 2007-11-08 | 2009-05-28 | Ajinomoto Co Inc | 薄弱フィルムによる包装製品の包装不良検査方法及び装置 |
CN101470896A (zh) * | 2007-12-24 | 2009-07-01 | 南京理工大学 | 基于视频分析的机动目标飞行模式预测方法 |
CN102514767A (zh) * | 2011-12-29 | 2012-06-27 | 天津普达软件技术有限公司 | 基于机器视觉的方便面酱包缺陷自动检测装置及方法 |
CN202583085U (zh) * | 2011-12-29 | 2012-12-05 | 天津普达软件技术有限公司 | 基于机器视觉的方便面酱包缺陷自动检测装置 |
CN103512888A (zh) * | 2013-06-05 | 2014-01-15 | 北京化工大学 | 一种基于图像识别技术的烟包封条缺陷检测*** |
US20160258880A1 (en) * | 2015-03-05 | 2016-09-08 | Emage Vision Pte. Ltd. | Inspection of sealing quality in blister packages |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN107330871A (zh) * | 2017-06-29 | 2017-11-07 | 西安工程大学 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
CN206914796U (zh) * | 2017-07-07 | 2018-01-23 | 今麦郎面品有限公司 | 一种方便面包装不良品排除装置 |
CN107481241A (zh) * | 2017-08-24 | 2017-12-15 | 太仓安顺财务服务有限公司 | 一种基于混合方法的彩色图像分割方法 |
CN108416766A (zh) * | 2018-01-31 | 2018-08-17 | 浙江理工大学 | 双侧入光式导光板缺陷视觉检测方法 |
Non-Patent Citations (8)
Title |
---|
KAI PENG等: "Research of Image processing in Instant Noodle Packets Auto-Inspection System", 《2ND INTERNATIONAL CONFERENCE ON ELECTRONIC & MECHANICAL ENGINEERING AND INFORMATION TECHNOLOGY (EMEIT-2012)》 * |
吕建平等: "基于分水岭和种子生长的彩色图像分割", 《西安邮电大学学报》 * |
孔俊等: "基于区域的自动种子区域生长法的彩色图像分割算法", 《东北师大学报(自然科学版)》 * |
王兰英: "基于ARM的泡罩药品包装缺陷检测***", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
谢丹毅: "药品泡罩包装缺陷机器视觉检测技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈慧丽等: "基于机器视觉的方便面包装品质检测***设计", 《包装工程》 * |
陈财彪: "泡罩药品包装缺陷检测中光照处理和图像匹配方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
霍长凡: "桶装面外包装膜缺陷检测***设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070710A (zh) * | 2019-06-10 | 2020-12-11 | 北京平恒智能科技有限公司 | 工业品缺陷图像检测的方法 |
CN110415241A (zh) * | 2019-08-02 | 2019-11-05 | 同济大学 | 一种基于计算机视觉的混凝土构件表面质量检测方法 |
CN110717889A (zh) * | 2019-09-06 | 2020-01-21 | 深圳新视智科技术有限公司 | 基于数码印刷的缺陷检测方法、装置、终端及可读介质 |
CN111583084A (zh) * | 2020-04-01 | 2020-08-25 | 杭州优视泰信息技术有限公司 | 一种工件缺陷定位方法 |
CN111968082A (zh) * | 2020-07-30 | 2020-11-20 | 陕西科技大学 | 一种基于机器视觉的产品包装缺陷检测识别方法 |
KR102278895B1 (ko) * | 2020-08-21 | 2021-07-20 | 주식회사농심 | 라면제품 포장불량 검출시스템 및 이를 이용한 검출방법 |
KR102259519B1 (ko) * | 2020-08-28 | 2021-06-03 | 주식회사농심 | 커팅불량 스프팩 검출시스템 |
CN112862760A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
CN112862760B (zh) * | 2021-01-19 | 2023-11-10 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
CN112862773A (zh) * | 2021-01-29 | 2021-05-28 | 山东建筑大学 | 一种刨花板图像缺陷分类检测方法及装置 |
CN113777033A (zh) * | 2021-08-18 | 2021-12-10 | 长沙长泰机器人有限公司 | 一种基于机器视觉的生条缺陷检测方法和装置 |
CN113744239A (zh) * | 2021-09-02 | 2021-12-03 | 广东奥普特科技股份有限公司 | 一种基于机器视觉的聚合物软包锂电池底角自动检测装置 |
CN113610851A (zh) * | 2021-10-09 | 2021-11-05 | 武汉平桥兄弟包装材料有限公司 | 一种基于机器视觉的包装装潢质检方法 |
CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
CN114240888B (zh) * | 2021-12-17 | 2022-09-20 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
CN114813794A (zh) * | 2022-02-18 | 2022-07-29 | 成都飞机工业(集团)有限责任公司 | 一种基于机器人的3d打印无损检测方法 |
CN114813794B (zh) * | 2022-02-18 | 2023-10-03 | 成都飞机工业(集团)有限责任公司 | 一种获取机器人3d打印无损检测所需扫描照片的方法 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及*** |
CN114706360A (zh) * | 2022-06-06 | 2022-07-05 | 浙江新迪嘉禾食品有限公司 | 一种面包生产质量的控制方法及*** |
CN115311289A (zh) * | 2022-10-12 | 2022-11-08 | 南通甜享纺织品有限公司 | 一种素色布匹油渍缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109377485B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377485A (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
US20220172348A1 (en) | Information processing device, information processing method, and storage medium | |
CN110678901B (zh) | 信息处理设备、信息处理方法和计算机可读存储介质 | |
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 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
US20210019878A1 (en) | Image processing device, image processing method, and image processing program | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114897806A (zh) | 缺陷检测方法、电子设备及计算机可读存储介质 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
KR100601453B1 (ko) | 지문 인식 방법 | |
CN114863493B (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
CN110070523A (zh) | 一种用于瓶底的异物检测方法 | |
CN115760820A (zh) | 一种塑料件缺陷图像识别方法及应用 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN114067147A (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
CN110060239A (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
Fang et al. | Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm | |
CN114782728A (zh) | 一种探地雷达的数据可视化方法 | |
CN111476074A (zh) | 基于毫米波图像的人体异物检测方法 | |
CN116563591A (zh) | 一种基于特征提取的海天背景下的光学烟雾检测方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220817 Address after: 518000 Room 2107, No. 51, Pingxin North Road, Shangmu Ancient Community, Pinghu Street, Longgang District, Shenzhen, Guangdong, China Applicant after: Shenzhen Zhongzhi Vision Technology Co., Ltd. Address before: 265700 No. 218 Huancheng North Road, Donglai Street, Longkou City, Yantai City, Shandong Province Applicant before: LONGKOU WEIMEISI ENVIRONMENTAL PROTECTION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |