CN109670499A - 一种酒瓶盖面检测方法 - Google Patents
一种酒瓶盖面检测方法 Download PDFInfo
- Publication number
- CN109670499A CN109670499A CN201811380901.2A CN201811380901A CN109670499A CN 109670499 A CN109670499 A CN 109670499A CN 201811380901 A CN201811380901 A CN 201811380901A CN 109670499 A CN109670499 A CN 109670499A
- Authority
- CN
- China
- Prior art keywords
- bottle capping
- bottle
- capping
- image
- detection method
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种酒瓶盖面检测方法,通过由试验架、彩色面阵相机、远心镜头、环形光源和载物台搭建构成的测量***实现,步骤如下:拍摄酒瓶盖面的彩色图像,进行灰度化和二值化处理,再采用中值滤波器滤波处理和腐蚀膨胀操作,找到目标区域;选择酒瓶盖面的多个特征点,计算出酒瓶盖面图像的特征矩阵,进行PCA降维处理,取出降维之后占特征值之和达到判断阈值的特征;将酒瓶盖面样本库按比例分成训练样本和测试样本,采用SVM分类器,选择高斯核函数,建立训练模型供测试样本检测;计算酒瓶盖面图库中测试样本正确分类的比例,得到酒瓶盖面的检测精度。本发明可应用于对流水线上生产的酒瓶盖良品进行检测,具有准确率高、速度快的优点。
Description
技术领域
本发明涉及视觉检测技术领域,具体涉及一种酒瓶盖面检测方法。
背景技术
在工业的生产中,许多行业都对检查和测量方面提出了更高的要求。例如,印刷包装工序的检测、半导体芯片的封装检测、工厂生产线产品合格检测、高精密零配件的检测等。在这些应用中,多数自动化的工厂需要大批量的生产,尤其对于某些特殊的零配件、芯片、仪器等,其精确度的要求是非常高的。传统的人工检测方法已经无法满足目前的工艺需求,很大程度上限制了制造业的发展和进步。这一方面来源于传统的人工检测方法效率低下,出错率高,人工成本大;另一方面,人类眼睛的生理极限也导致人类在该方面上无法达到计算机检测技术的精度。而计算机的快速性、可靠性、精确性与人类视觉的智能化相结合,使得机器视觉在工业检测中应用的越来越广泛。机器视觉可以用于各种产品的检测,例如产品的缺陷检测、有无检测。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种酒瓶盖面检测方法。
本发明的目的可以通过采取如下技术方案达到:
一种酒瓶盖面检测方法,所述的检测方法包括下列步骤:
S1、拍摄多幅酒瓶盖面的彩色图像保存在样本库中,其中包括合格品和残次品,并对彩色图像进行二值化处理和腐蚀膨胀操作,提取感兴趣区域ROI;
S2、选择酒瓶盖面的图像特征,计算每个酒瓶盖面图像中各个特征值,得到酒瓶盖面检测图像的一个特征矩阵,根据PCA方法对特征矩阵进行降维,取出降维之后占特征值之和达到指定阈值的特征;
S3、将样本库中图片按比例分成训练样本和测试样本,采用SVM分类器,选择高斯核函数,用所得到的特征对训练样本进行训练,建立检测模型,根据该检测模型检验测试样本;
S4、计算酒瓶盖面图库中测试样本中正确分类的比例,得到酒瓶盖面的检测精度。
进一步地,所述的步骤S1过程如下:
对酒瓶盖面的彩色图像进行灰度化处理,得到一个0至255的灰度图像;
根据背景与酒瓶盖面的最大灰度差值进行阈值分割处理;
对酒瓶盖面的灰度图像采用中值滤波器进行滤波处理和腐蚀膨胀操作,提取得到酒瓶盖面中的被检测区域。
进一步地,所述的步骤S1中拍摄的酒瓶盖面的彩色图像,其图像背景与酒瓶盖存在明显色差,酒瓶盖边缘清晰。
进一步地,所述的步骤S2中根据PCA方法对特征矩阵进行降维的过程如下:
将特征矩阵的每一行进行零均值化然后求出协方差矩阵,求出协方差矩阵的特征值以及对应的特征向量,将特征向量按对应特征值大小从上到下排列成矩阵。
进一步地,所述的图像特征包括酒瓶盖面的RGB三色值和每种颜色所占像素点、半径、面积、高度、宽度、连通区域个数以及每个连通区域的面积中一种或多种的组合。
进一步地,所述的样本库中图片比例为训练样本占70%,测试样本占30%。
本发明相对于现有技术具有如下的优点及效果:
1、本发明在对酒瓶盖面的特征值提取与表达中,增加了纹理特征点的提取,一共找了十几种特征值,进行特征值计算,然后根据PCA降维处理,可以选出最有区分度的特征点,有利于提高分类器的分类精度;
2、本发明公开的酒瓶盖面检测方法中,训练算法采用了抽取70%为训练样本,30%为测试样本,可防止训练过拟合的现象,同时可以实现半监督的学习分类,提高分类的准确度;
3、本发明公开的酒瓶盖面检测方法中,采用SVM分类器的高斯核函数,对酒瓶盖面的特征的分类效果有着极大的提升,可实现分类准确度达到92%,相比于目前的视觉检测算法,其分类的准确率高,运行速度快。
附图说明
图1是本发明公开的酒瓶盖面检测方法的流程图;
图2是本发明公开的酒瓶盖面检测方法所应用装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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做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。
实施例
参考图1和图2,本实施例公开了一种酒瓶盖面视觉检测方法,该视觉检测方法通过由试验架5、彩色面阵相机1、远心镜头2、环形光源4和载物台3搭建构成的测量***实现,该测量***组成部件的具***置结构关系可以进一步参照图2,测量***的硬件安装应满足彩色面阵相机1、远心镜头2、载物台3和环形光源4的轴心平行,且载物台3安装于远心镜头2的景深范围内。
以该测量***为测量工具的视觉检测方法包括以下步骤:
S1、拍摄多幅酒瓶盖面的彩色图像保存在样本库中,其中包括合格品和残次品,并对酒瓶盖面的图像先进行灰度化处理,得到一个0至255的灰度图像,再根据背景与酒瓶盖面的最大灰度差值进行阈值分割处理,再对上述处理之后的酒瓶盖面的灰度图像采用中值滤波器进行滤波处理和腐蚀膨胀操作,即可提取得到酒瓶盖面中的被检测区域;
其中,拍摄的酒瓶盖面的图像应该是彩色图像,并且背景与酒瓶盖色差大,边缘清晰。
S2、选择酒瓶盖面的图像特征,计算每个酒瓶盖面图像中各个特征值,得到酒瓶盖面检测图像的一个特征矩阵,将特征矩阵的每一行进行零均值化然后求出协方差矩阵,求出协方差矩阵的特征值以及对应的特征向量,将特征向量按对应特征值大小从上到下排列成矩阵,取出降维之后占比重和达到指定阈值的特征;
其中,所述的图像特征包括酒瓶盖面的RGB三色值和每种颜色所占像素点、半径、面积、高度、宽度、连通区域个数以及每个连通区域的面积中一种或多种的组合。
本实施例中,指定阈值取值为90%,但该指定阈值的取值为示例性取值,取值范围可以根据具体要求进行调整,并不构成对本发明技术方案的限制。
S3、将样本库中图片按比例分成训练样本和测试样本,采用SVM分类器,选择高斯核函数,用所得到的特征对训练样本进行训练,建立检测模型,根据该检测模型去检验测试样本;
其中,所述的样本库中图片比例为训练样本占70%,测试样本占30%。
S4、计算酒瓶盖面图库中测试样本中正确分类的比例,得到酒瓶盖面的检测精度。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种酒瓶盖面检测方法,其特征在于,所述的检测方法包括下列步骤:
S1、拍摄多幅酒瓶盖面的彩色图像保存在样本库中,其中包括合格品和残次品,并对彩色图像进行二值化处理和腐蚀膨胀操作,提取感兴趣区域ROI;
S2、选择酒瓶盖面的图像特征,计算每个酒瓶盖面图像中各个特征值,得到酒瓶盖面检测图像的一个特征矩阵,根据PCA方法对特征矩阵进行降维,取出降维之后占特征值之和达到指定阈值的特征;
S3、将样本库中图片按比例分成训练样本和测试样本,采用SVM分类器,选择高斯核函数,用所得到的特征对训练样本进行训练,建立检测模型,根据该检测模型检验测试样本;
S4、计算酒瓶盖面图库中测试样本中正确分类的比例,得到酒瓶盖面的检测精度。
2.根据权利要求1所述的一种酒瓶盖面检测方法,其特征在于,所述的步骤S1过程如下:
对酒瓶盖面的彩色图像进行灰度化处理,得到一个0至255的灰度图像;
根据背景与酒瓶盖面的最大灰度差值进行阈值分割处理;
对酒瓶盖面的灰度图像采用中值滤波器进行滤波处理和腐蚀膨胀操作,提取得到酒瓶盖面中的被检测区域。
3.根据权利要求1所述的一种酒瓶盖面检测方法,其特征在于,所述的步骤S1中拍摄的酒瓶盖面的彩色图像,其图像背景与酒瓶盖存在明显色差,酒瓶盖边缘清晰。
4.根据权利要求1所述的一种酒瓶盖面检测方法,其特征在于,所述的步骤S2中根据PCA方法对特征矩阵进行降维的过程如下:
将特征矩阵的每一行进行零均值化然后求出协方差矩阵,求出协方差矩阵的特征值以及对应的特征向量,将特征向量按对应特征值大小从上到下排列成矩阵。
5.根据权利要求1所述的一种酒瓶盖面检测方法,其特征在于,所述的图像特征包括酒瓶盖面的RGB三色值和每种颜色所占像素点、半径、面积、高度、宽度、连通区域个数以及每个连通区域的面积中一种或多种的组合。
6.根据权利要求1所述的一种酒瓶盖面检测方法,其特征在于,
所述的样本库中图片比例为训练样本占70%,测试样本占30%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380901.2A CN109670499A (zh) | 2018-11-20 | 2018-11-20 | 一种酒瓶盖面检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380901.2A CN109670499A (zh) | 2018-11-20 | 2018-11-20 | 一种酒瓶盖面检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670499A true CN109670499A (zh) | 2019-04-23 |
Family
ID=66141815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811380901.2A Pending CN109670499A (zh) | 2018-11-20 | 2018-11-20 | 一种酒瓶盖面检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670499A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211093A (zh) * | 2019-04-30 | 2019-09-06 | 上海工程技术大学 | 一种用于自动饮水机的出水控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392432A (zh) * | 2014-11-03 | 2015-03-04 | 深圳市华星光电技术有限公司 | 基于方向梯度直方图的显示面板缺陷检测方法 |
CN105719291A (zh) * | 2016-01-20 | 2016-06-29 | 江苏省沙钢钢铁研究院有限公司 | 品种可选择的表面缺陷图像分类*** |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN108389179A (zh) * | 2018-01-15 | 2018-08-10 | 湖南大学 | 一种基于机器视觉的罐盖表面缺陷检测方法 |
CN108765412A (zh) * | 2018-06-08 | 2018-11-06 | 湖北工业大学 | 一种带钢表面缺陷分类方法 |
-
2018
- 2018-11-20 CN CN201811380901.2A patent/CN109670499A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392432A (zh) * | 2014-11-03 | 2015-03-04 | 深圳市华星光电技术有限公司 | 基于方向梯度直方图的显示面板缺陷检测方法 |
CN105719291A (zh) * | 2016-01-20 | 2016-06-29 | 江苏省沙钢钢铁研究院有限公司 | 品种可选择的表面缺陷图像分类*** |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN108389179A (zh) * | 2018-01-15 | 2018-08-10 | 湖南大学 | 一种基于机器视觉的罐盖表面缺陷检测方法 |
CN108765412A (zh) * | 2018-06-08 | 2018-11-06 | 湖北工业大学 | 一种带钢表面缺陷分类方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211093A (zh) * | 2019-04-30 | 2019-09-06 | 上海工程技术大学 | 一种用于自动饮水机的出水控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110220917B (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN111179251A (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
CN104268538A (zh) | 一种易拉罐点阵喷码字符在线视觉检测方法 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN108169236A (zh) | 一种基于视觉的金属表面缺陷检测方法 | |
CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其*** | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN109215015A (zh) | 一种基于卷积神经网络的蚕茧在线视觉检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN103868924A (zh) | 一种基于视觉的轴承外观缺陷检测算法 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN110766683B (zh) | 一种珍珠光洁度等级检测方法及*** | |
CN111311576A (zh) | 基于点云信息的缺陷检测方法 | |
CN103258218A (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
CN116539620A (zh) | 一种刀具表面缺陷在机检测方法 | |
CN114663457A (zh) | 复杂背景下基于圆形卷积核的纱筒识别方法及*** | |
CN109670499A (zh) | 一种酒瓶盖面检测方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN108615039A (zh) | 基于计算机视觉的弹壳表面缺陷自动检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |