CN111950538B - 一种标签检测方法、装置以及计算机可读存储介质 - Google Patents

一种标签检测方法、装置以及计算机可读存储介质 Download PDF

Info

Publication number
CN111950538B
CN111950538B CN202010581966.4A CN202010581966A CN111950538B CN 111950538 B CN111950538 B CN 111950538B CN 202010581966 A CN202010581966 A CN 202010581966A CN 111950538 B CN111950538 B CN 111950538B
Authority
CN
China
Prior art keywords
image
label
images
area
tested
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
Application number
CN202010581966.4A
Other languages
English (en)
Other versions
CN111950538A (zh
Inventor
张伟
刘浩
罗文君
汪二虎
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.)
Hefei Lianbao Information Technology Co Ltd
Original Assignee
Hefei Lianbao Information 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 Hefei Lianbao Information Technology Co Ltd filed Critical Hefei Lianbao Information Technology Co Ltd
Priority to CN202010581966.4A priority Critical patent/CN111950538B/zh
Publication of CN111950538A publication Critical patent/CN111950538A/zh
Application granted granted Critical
Publication of CN111950538B publication Critical patent/CN111950538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种标签检测方法、装置以及计算机可读存储介质，包括：对指定区域图像进行图像分割处理，得到多个小区域图像，其中所述指定区域用于粘贴标签；根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选；根据所述多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像；根据所得到的多个候选框图像和所述对比标签图像，确定所述标签检测结果。由此，首先通过聚类分割思想得到候选框图像，再根据候选框图像和对比标签图像确定标签检测结果，相比较于传统的穷举窗口方法，该方法减少了大量的计算量，提升了检测效率。

Description

一种标签检测方法、装置以及计算机可读存储介质
技术领域
本发明涉及检测技术领域，尤其涉及一种标签检测方法、装置以及计算机可读存储介质。
背景技术
现有技术中，图像标签在指定区域中粘贴的正确与否一般采用穷举窗口的方法来进行判断，此方法会伴随着较大的计算量，导致检测效率降低。
发明内容
本发明实施例提供了一种标签检测方法、装置以及计算机可读存储介质，具有提升检测效率的技术效果。
本发明一方面提供一种标签检测方法，所述方法包括：对指定区域图像进行图像分割处理，得到多个小区域图像，其中所述指定区域用于粘贴标签；根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选；根据所述多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像；根据所得到的多个候选框图像和所述对比标签图像信息，确定所述标签检测结果。
在一可实施方式中，所述对比标签图像信息包括对比标签图像尺寸；相应的，所述根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选，包括：分别计算每个所述小区域图像尺寸与所述对比标签图像尺寸之差，得到尺寸差值；若存在所述尺寸差值超过预设尺寸范围的小区域图像，则剔除所述小区域图像。
在一可实施方式中，所述根据所述多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像，包括：分别计算多个小区域图像之间的图像重叠度；根据所得到的图像重叠度，将经筛选后的小区域图像进行选择性合并。
在一可实施方式中，所述根据所得到的多个候选框图像和所述对比标签图像信息，确定所述标签检测结果，包括：根据图像颜色对比度，分别从每个所述候选框图像中提取待测试图像信息；根据所提取到的待测试图像信息和所述对比标签图像信息，确定所述标签检测结果。
在一可实施方式中，所述待测试图像信息包括待测试图像区域，所述对比标签图像信息还包括对比图像区域；相应的，所述根据所提取到的待测试图像信息和所述对比标签图像信息，确定所述标签检测结果，包括：若所有所述待测试图像区域均与所述对比标签图像区域不存在区域交集，则判定为标签漏贴；若非所有所述待测试图像区域与所述对比标签图像区域部分存在区域交集，则判定为标签多贴；在所有所述待测试图像区域均与所述对比标签图像区域存在区域交集的情况下，若所述待测试图像区域相对于所述对比标签图像区域存在位置偏移，则判定为标签歪贴。
在一可实施方式中，所述待测试图像信息包括待测试图像内容信息；相应的，所述根据所提取到的待测试图像信息和所述对比标签图像信息，确定所述标签检测结果，包括：对所述待测试图像信息中的待测试图像内容信息进行标签类别粗识别；若所识别得到的标签类别与所述对比标签图像的标签类别不一致，则判定为标签错贴。
在一可实施方式中，所述标签包括细分类标签；相应的，在所述对所述待测试图像中的待测试图像内容进行标签类别粗识别之后，所述方法还包括：若判定识别得到的标签为细分类标签，则利用光学字符识别OCR技术对所述标签进行细分类，得到标签类别。
本发明另一方面提供一种标签检测装置，所述装置包括：图像分割模块，用于对指定区域图像进行图像分割处理，得到多个小区域图像，其中所述指定区域用于粘贴标签；图像筛选模块，用于根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选；图像合并模块，用于根据所述多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像；标签检测模块，用于根据所得到的多个候选框图像和所述对比标签图像，确定所述标签检测结果。
在一可实施方式中，所述图像合并模块具体用于：分别计算多个小区域图像之间的图像重叠度；根据所得到的图像重叠度，将经筛选后的小区域图像进行选择性合并。
本发明另一方面提供一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行上述任一项所述的标签检测方法。
在本发明实施例中，通过将指定区域图像分割成多个小区域图像，并将多个小区域图像进行筛选和选择性合并处理，得到多个候选框图像，根据多个候选框图像与对比标签图像进行比较，得到标签检测结果，由此，首先通过聚类分割思想得到候选框图像，再根据候选框图像和对比标签图像确定标签检测结果，相比较于传统的穷举窗口方法，该方法减少了大量的计算量，提升了检测效率。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种标签检测方法的实现流程示意图；
图2为本发明实施例一种标签检测方法中指定区域的位置示意图；
图3本发明实施例一种标签检测方法中标签漏贴的检测结果示意图；
图4本发明实施例一种标签检测方法中标签多贴的检测结果示意图；
图5本发明实施例一种标签检测方法中标签歪贴的检测结果示意图；
图6本发明实施例一种标签检测方法的整体实现流程示意图；
图7本发明实施例一种标签检测装置的结构组成示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，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，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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。
图1为本发明实施例一种标签检测方法的实现流程示意图；
图2为本发明实施例一种标签检测方法中指定区域的位置示意图。
本发明一方面提供一种标签检测方法，方法包括：
步骤101，对指定区域图像进行图像分割处理，得到多个小区域图像，其中指定区域用于粘贴标签；
步骤102，根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选；
步骤103，根据多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像；
步骤104，根据所得到的多个候选框图像和对比标签图像，确定标签检测结果。
本实施例中，通过将指定区域图像分割成多个小区域图像，并将多个小区域图像进行筛选和选择性合并处理，得到多个候选框图像，根据多个候选框图像与对比标签图像进行比较，得到标签检测结果，由此，首先通过聚类分割思想得到候选框图像，再根据候选框图像和对比标签图像确定标签检测结果，相比较于传统的穷举窗口方法，该方法减少了大量的计算量，提升了检测效率。
进一步地，在步骤101中，结合图2所示，指定区域具体可以是整体图像中的其中一部分；图像分割的方式有多种，如基于边缘的图像分割算法、基于区域分割的算法和基于图的分割算法，本实施例中，优选选用基于区域分割算法中的Seletcive Search算法进行图像分割，分割所得到的小区域图像之间可能存在图像重合。
在步骤102中，对比图像信息可以包括尺寸信息、颜色信息、位置信息和纹理信息等，因此该步骤可以根据对比图像尺寸信息、颜色信息、位置信息以及纹理信息中的一种或者多种进行图像筛选，以除去一些不必要的小区域图像，进而减少后续的计算量。
在步骤103中，特定关系指的是多个小区域之间存在一定的联系，比如多个小区域之间存在颜色相近、纹理相近等，将存在一定联系的小区域图像进行合并。
该方法具体可以应用于工业生产中对设备上的标签(如笔记本电脑托盘上的处理器标签、显卡标签等)进行检测，以判定标签是否贴歪、错贴、多贴等。
在一可实施方式中，对比标签图像信息包括对比标签图像尺寸；
相应的，根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选，包括：
分别计算每个小区域图像尺寸与对比标签图像尺寸之差，得到尺寸差值；
若存在尺寸差值超过预设尺寸范围的小区域图像，则剔除小区域图像。
本实施例中，对比标签图像信息包括对比标签图像尺寸，由此，步骤102的具体筛选过程为：
计算每一个小区域图像尺寸与对比标签尺寸之差，具体可以计算两者长与宽之差，将长与宽之差相加得到尺寸差值。
若存在尺寸差值超过预设尺寸范围的小区域图像，则将该小区域图像进行剔除，最终只保留符合尺寸要求的小区域图像，经过筛选处理，以减少后续的计算量。
在一可实施方式中，根据多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像，包括：
分别计算多个小区域图像之间的图像重叠度；
根据所得到的图像重叠度，将经筛选后的小区域图像进行选择性合并。
本实施例中，步骤103优选为根据多个小区域之间的图像重叠度来进行选择性合并。图像重叠度的计算方法可以选用交并比(Intersection over Union)算法来得到，若两小区域图像之间的图像重叠度超过指定阈值，则将其进行合并，其中该阈值一般为定值，可根据实际需求进行调整。
在一可实施方式中，根据所得到的多个候选框图像和对比标签图像，确定标签检测结果，包括：
根据图像颜色对比度，分别从每个候选框图像中提取待测试图像；
根据所提取到的待测试图像和对比标签图像，确定标签检测结果。
本实施例中，步骤104的具体过程为：
首先根据图像颜色对比度，分别从每个候选框图像中提取待测试图像，该步骤的具体实现方法可以是对RGB标签图像采用kmeans算法根据颜色对比度进行聚类分割，以精确获得候选框中的待测试图像，其中kmeans算法聚类类别K为6，随机选取初始质心。例如标签颜色为亮色，背景颜色为暗色，kmeans算法根据颜色对比度提取亮色部分的区域，进而能精确提取得到待测试图像。
在一可实施方式中，根据所提取到的待测试图像和对比标签图像，确定标签检测结果，包括：
若所有待测试图像区域均与对比标签图像区域不存在区域交集，则判定为标签漏贴；
若所有待测试图像区域与对比标签图像区域部分存在区域交集，则判定为标签多贴；
在所有待测试图像区域均与对比标签图像区域存在区域交集的情况下，若待测试图像区域相对于对比标签图像区域存在位置偏移，则判定为标签歪贴。
图3本发明实施例一种标签检测方法中标签漏贴的检测结果示意图；
图4本发明实施例一种标签检测方法中标签多贴的检测结果示意图；
图5本发明实施例一种标签检测方法中标签歪贴的检测结果示意图。
本实施例中，提取后的待测试图像以及对比标签图像均在同一个指定区域中有着具***置，其中对比标签图像区域为固定区域，因此确定标签检测结果的具体步骤为：
结合图3所示，假设所提取得到的待测试图像为两个，图中的待测试图像区域1和待测试图像区域2位置区域重叠，但均未与对比标签图像区域形成区域交集，则判定标签漏贴。
结合图4所示，若只有待检测图像区域1与对比标签图像区域有区域交集，而待检测图像区域2与对比标签图像区域部分未存在区域交集，则判定为标签多贴；
结合图5所示，待检测图像区域1和待检测图像区域2位置重叠，且均与对比标签图像区域存在区域交集，此时，利用待检测图像区域与对比标签图像区域的坐标信息来判定两者之间是否存在位置偏移，若存在位置偏移，则判定标签歪贴。
在一可实施方式中，根据所提取到的待测试图像和对比标签图像，确定标签检测结果，包括：
对待测试图像中的待测试图像内容进行标签类别粗识别；
若所识别得到的标签类别与对比标签图像的标签类别不一致，则判定为标签错贴。
本实施例中，标签类别识别可利用分类器模型识别待测试图像的类别。其中，分类器的具体训练过程为：
对每一种标签图像随机选取加噪、滤波、旋转、对比度调整、像素调整中的1-3种图像处理方法进行样本数据扩增，以保证样本的随机性和鲁棒性。接着提取样本中的HOG特征，并采用SVM算法来训练分类器模型，采用单个标签样本来训练分类器模型，无需生产现场采集大量样本图像，节省时间和人力。
由此，通过提取待测试图像中的HOG特征，并将HOG特征作为分类器模型的输入进行训练，便可识别得到标签类别，以笔记本电脑上的处理器标签为例，可利用分类器模型识别得到该标签为Intel处理器标签或者是AMD处理器标签。
若所识别得到的标签类别与已知得对比标签图像类别不一致，则判定标签错贴。
在一可实施方式中，标签包括细分类标签；
相应的，在对待测试图像中的待测试图像内容进行标签类别粗识别之后，方法还包括：
若判定识别得到的标签为细分类标签，则利用光学字符识别OCR技术对标签进行细分类，得到标签类别。
本实施例中，仍旧以笔记本电脑为例，众所周知，目前笔记本电脑上的处理器标签分为Intel处理器和AMD处理器，其中一些Intel处理器还分Core i3、Core i5、Core i7等，一些AMD处理器还分R3、R5、R7等，因此该部分标签为细分类标签；另外，例如显卡标签等一些没有具体细分的标签为粗分类标签。
若经分类器模型粗识别之后，对所识别到的标签进行判断，若判定所识别的标签为细分类标签，则利用光学字符识别OCR技术对标签进行细分类，得到更具体的标签类别，以提高分类精度，例如Intel处理器下的Core i5处理器，接着再进行与对比标签图像类别的标签类别判定。若判定所识别得到的标签为粗分类标签，则无需进行进行OCR技术进行识别，直接进行与对比标签图像类别的标签类别判定。
图6本发明实施例一种标签检测方法的整体实现流程示意图。
结合图6所示，以检测笔记本掌托上的标签为例，首先对单个标签图像随机选取加噪、滤波、旋转、对比度调整、像素调整中的1-3种图像处理方法进行样本数据扩增。
接着提取所有样本中的HOG特征，并利用SVM算法进行训练，得到分类器模型。
再从笔记本掌托区域中选定指定区域，并利用Seletcive Search算法对指定区域进行分割处理，得到多个小区域图像。
接着按照对比标签图像的尺寸大小对小区域图像进行筛选，并利用交并比算法对小区域图像进行合并，得到多个候选框图像。
利用kmeans算法对所得到的多个候选框图像进行精确提取，得到待测试图像。
将待测试图像输入于分类器模型中，得到粗分类结果。
若得到的分类结果为Intel或者AMD这类需要进一步OCR识别的标签，则利用OCR技术进一步进行细分类，得到分类结果；若分类记过为不需要进行OCR识别的标签，则跳过OCR识别步骤。
最后将分类结果与对比标签信息进行对比，得到标签正确、歪贴、多贴、位置偏移等检测结果。
图7本发明实施例一种标签检测装置的结构组成示意图。
如图7所示，本发明实施例另一方面提供一种标签检测装置，装置包括：
图像分割模块201，用于对指定区域图像进行图像分割处理，得到多个小区域图像，其中指定区域用于粘贴标签；
图像筛选模块202，用于根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选；
图像合并模块203，用于根据多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像；
标签检测模块204，用于根据所得到的多个候选框图像和对比标签图像，确定标签检测结果。
本实施例中，首先通过图像分割模块201将指定区域图像分割成多个小区域图像，并通过图像筛选模块202和图像合并模块203将多个小区域图像进行筛选和选择性合并处理，得到多个候选框图像，最后通过标签检测模块204根据多个候选框图像与对比标签图像进行比较，得到标签检测结果，由此，首先通过聚类分割思想得到候选框图像，再根据候选框图像和对比标签图像确定标签检测结果，相比较于传统的穷举窗口方法，该方法减少了大量的计算量，提升了检测效率。
进一步地，上述所提到的指定区域具体可以是整体图像中的其中一部分；图像分割的方式有多种，如基于边缘的图像分割算法、基于区域分割的算法和基于图的分割算法，本实施例中，优选选用基于区域分割算法中的Seletcive Search算法进行图像分割，分割所得到的小区域图像之间可能存在图像重合。
上述所提到的对比图像信息可以包括尺寸信息、颜色信息、位置信息和纹理信息等，因此该步骤可以根据对比图像尺寸信息、颜色信息、位置信息以及纹理信息中的一种或者多种进行图像筛选，以除去一些不必要的小区域图像，进而减少后续的计算量。
上述所提到的特定关系指的是多个小区域之间存在一定的联系，比如多个小区域之间存在颜色相近、纹理相近等，将存在一定联系的小区域图像进行合并。
该方法具体可以应用于工业生产中对设备上的标签(如笔记本电脑托盘上的处理器标签、显卡标签等)进行检测，以判定标签是否贴歪、错贴、多贴等。
在一可实施方式中，图像合并模块203具体用于：
分别计算多个小区域图像之间的图像重叠度；
根据所得到的图像重叠度，将经筛选后的小区域图像进行选择性合并。
本实施例中，图像合并模块203具体优选根据多个小区域之间的图像重叠度来进行选择性合并。图像重叠度的计算方法可以选用交并比(Intersection over Union)算法来得到，若两小区域图像之间的图像重叠度超过指定阈值，则将其进行合并，其中该阈值一般为定值，可根据实际需求进行调整。
本发明另一方面提供一种计算机可读存储介质，存储介质包括一组计算机可执行指令，当指令被执行时用于执行上述任一项的标签检测方法。
在本发明实施例中计算机可读存储介质包括一组计算机可执行指令，当指令被执行时用于对指定区域图像进行图像分割处理，得到多个小区域图像，其中指定区域用于粘贴标签；根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选；根据多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像；根据所得到的多个候选框图像和对比标签图像，确定标签检测结果。
由此，通过聚类分割思想得到候选框图像，再根据候选框图像和对比标签图像确定标签检测结果，相比较于传统的穷举窗口方法，该方法减少了大量的计算量，提升了检测效率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种标签检测方法，其特征在于，所述方法包括：
对指定区域图像进行图像分割处理，得到多个小区域图像，其中所述指定区域用于粘贴标签；
根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选；
根据所述多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像；
根据所得到的多个候选框图像和所述对比标签图像，确定所述标签检测结果，包括：根据图像颜色对比度，分别从每个所述候选框图像中提取待测试图像；
根据所提取到的待测试图像和所述对比标签图像进行判断，若所有所述待测试图像区域均与所述对比标签图像区域不存在区域交集，则判定为标签漏贴；若所有所述待测试图像区域与所述对比标签图像区域部分存在区域交集，则判定为标签多贴；在所有所述待测试图像区域均与所述对比标签图像区域存在区域交集的情况下，若所述待测试图像区域相对于所述对比标签图像区域存在位置偏移，则判定为标签歪贴。
2.根据权利要求1所述的方法，其特征在于，所述对比标签图像信息包括对比标签图像尺寸；
相应的，所述根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选，包括：
分别计算每个所述小区域图像尺寸与所述对比标签图像尺寸之差，得到尺寸差值；
若存在所述尺寸差值超过预设尺寸范围的小区域图像，则剔除所述小区域图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像，包括：
分别计算多个小区域图像之间的图像重叠度；
根据所得到的图像重叠度，将经筛选后的小区域图像进行选择性合并。
4.根据权利要求1所述的方法，其特征在于，所述根据所提取到的待测试图像和所述对比标签图像，确定所述标签检测结果，包括：
对所述待测试图像中的待测试图像内容进行标签类别粗识别；
若所识别得到的标签类别与所述对比标签图像的标签类别不一致，则判定为标签错贴。
5.根据权利要求4所述的方法，其特征在于，所述标签包括细分类标签；
相应的，在所述对所述待测试图像中的待测试图像内容进行标签类别粗识别之后，所述方法还包括：
若判定识别得到的标签为细分类标签，则利用光学字符识别OCR技术对所述标签进行细分类，得到标签类别。
6.一种标签检测装置，其特征在于，所述装置包括：
图像分割模块，用于对指定区域图像进行图像分割处理，得到多个小区域图像，其中所述指定区域用于粘贴标签；
图像筛选模块，用于根据对比标签图像信息，对所得到的多个小区域图像进行图像筛选；
图像合并模块，用于根据所述多个小区域图像之间的特定关系，将经筛选后的小区域图像进行选择性合并，得到多个候选框图像；
标签检测模块，用于根据所得到的多个候选框图像和所述对比标签图像，确定所述标签检测结果，包括：根据图像颜色对比度，分别从每个所述候选框图像中提取待测试图像；
根据所提取到的待测试图像和所述对比标签图像进行判断，若所有所述待测试图像区域均与所述对比标签图像区域不存在区域交集，则判定为标签漏贴；若所有所述待测试图像区域与所述对比标签图像区域部分存在区域交集，则判定为标签多贴；在所有所述待测试图像区域均与所述对比标签图像区域存在区域交集的情况下，若所述待测试图像区域相对于所述对比标签图像区域存在位置偏移，则判定为标签歪贴。
7.根据权利要求6所述的装置，其特征在于，所述图像合并模块具体用于：
分别计算多个小区域图像之间的图像重叠度；
根据所得到的图像重叠度，将经筛选后的小区域图像进行选择性合并。
8.一种计算机可读存储介质，其特征在于，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行权利要求1-5任一项所述的标签检测方法。
CN202010581966.4A 2020-06-23 2020-06-23 一种标签检测方法、装置以及计算机可读存储介质 Active CN111950538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010581966.4A CN111950538B (zh) 2020-06-23 2020-06-23 一种标签检测方法、装置以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010581966.4A CN111950538B (zh) 2020-06-23 2020-06-23 一种标签检测方法、装置以及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111950538A CN111950538A (zh) 2020-11-17
CN111950538B true CN111950538B (zh) 2022-02-08

Family

ID=73337571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010581966.4A Active CN111950538B (zh) 2020-06-23 2020-06-23 一种标签检测方法、装置以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111950538B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203199298U (zh) * 2013-02-05 2013-09-18 广东雅丽洁精细化工有限公司 一种贴标转盘
CN108805862A (zh) * 2018-05-02 2018-11-13 南京大学 一种基于改进结构相似度的标签鉴别方法
CN109086643A (zh) * 2018-06-05 2018-12-25 四川斐讯信息技术有限公司 一种基于机器视觉的彩盒标签检测方法及***
CN109945842A (zh) * 2018-06-11 2019-06-28 河北科技大学 成捆圆钢端面标签漏贴检测及贴标误差分析方法
US10540572B1 (en) * 2019-01-31 2020-01-21 StradVision, Inc. Method for auto-labeling training images for use in deep learning network to analyze images with high precision, and auto-labeling device using the same
CN111062379A (zh) * 2018-10-16 2020-04-24 珠海格力电器股份有限公司 标识防错识别方法、装置、存储介质和***
CN111242957A (zh) * 2020-01-10 2020-06-05 合肥联宝信息技术有限公司 一种数据处理方法、装置及计算机存储介质和电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203199298U (zh) * 2013-02-05 2013-09-18 广东雅丽洁精细化工有限公司 一种贴标转盘
CN108805862A (zh) * 2018-05-02 2018-11-13 南京大学 一种基于改进结构相似度的标签鉴别方法
CN109086643A (zh) * 2018-06-05 2018-12-25 四川斐讯信息技术有限公司 一种基于机器视觉的彩盒标签检测方法及***
CN109945842A (zh) * 2018-06-11 2019-06-28 河北科技大学 成捆圆钢端面标签漏贴检测及贴标误差分析方法
CN111062379A (zh) * 2018-10-16 2020-04-24 珠海格力电器股份有限公司 标识防错识别方法、装置、存储介质和***
US10540572B1 (en) * 2019-01-31 2020-01-21 StradVision, Inc. Method for auto-labeling training images for use in deep learning network to analyze images with high precision, and auto-labeling device using the same
CN111242957A (zh) * 2020-01-10 2020-06-05 合肥联宝信息技术有限公司 一种数据处理方法、装置及计算机存储介质和电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Fast Interactive Image Segmentation to Locate Multiple Similar-colored Objects;Bibhas Chandra Dhara 等;《2011 Third National Conference on Computer Vision, Pattern Recognition, Image Processing and Graphics》;20111231;第25-28页 *
基于改进结构相似度的标签缺陷检测***研究与实现;高吉;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20181015;第2018年卷(第10期);第I138-542页 *
基于机器视觉的化妆品纸质标签缺陷检测方法;刘鹏 等;《浙江理工大学学报》;20191231;第41卷(第2期);第231-238页 *

Also Published As

Publication number Publication date
CN111950538A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
Varadharajan et al. Vision for road inspection
US20190156123A1 (en) Method, electronic device and non-transitory computer readable storage medium for image annotation
US9633050B2 (en) Methods for assessing image change and devices thereof
CN105321350B (zh) ***检测方法及装置
Wang et al. An effective method for plate number recognition
CN104318225B (zh) 车牌检测方法及装置
US8306318B2 (en) Image processing apparatus, image processing method, and computer readable storage medium
CN112381775A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN110276295B (zh) 车辆识别号码检测识别方法及设备
CN101122953A (zh) 一种图片文字分割的方法
CN107622489A (zh) 一种图像篡改检测方法及装置
CA2656425A1 (en) Recognizing text in images
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
JP2018088206A (ja) 円検出方法、円検出装置、プログラム及び記憶媒体
CN106326921B (zh) 文本检测方法
Mammeri et al. Road-sign text recognition architecture for intelligent transportation systems
Ahmed et al. Traffic sign detection and recognition model using support vector machine and histogram of oriented gradient
CN111027544A (zh) 一种基于视觉显著性检测的mser车牌定位方法及***
CN112733666A (zh) 一种难例图像的搜集、及模型训练方法、设备及存储介质
CN113435219B (zh) 防伪检测方法、装置、电子设备及存储介质
EP2911112A1 (en) Methods for assessing image change and devices thereof
Choi et al. Localizing slab identification numbers in factory scene images
CN111950538B (zh) 一种标签检测方法、装置以及计算机可读存储介质
CN111163332A (zh) 视频色情度检测方法、终端及介质
Tran et al. A novel approach for text detection in images using structural features

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