CN114187247A - 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 - Google Patents
一种基于图像配准的安瓿瓶印刷字缺陷检测方法 Download PDFInfo
- Publication number
- CN114187247A CN114187247A CN202111432045.2A CN202111432045A CN114187247A CN 114187247 A CN114187247 A CN 114187247A CN 202111432045 A CN202111432045 A CN 202111432045A CN 114187247 A CN114187247 A CN 114187247A
- Authority
- CN
- China
- Prior art keywords
- image
- registered
- ampoule bottle
- difference
- template
- 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
- 239000003708 ampul Substances 0.000 title claims abstract description 34
- 230000007547 defect Effects 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000012937 correction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based 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
- G06T2207/20081—Training; 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像配准的安瓿瓶印刷字缺陷检测方法,步骤1:使用线阵工业相机采集安瓿瓶印刷字图像,获得模板图像和待配准图像;步骤2:利用SURF算法,对模板图像进行特征点提取和特征点描述,对待配准图像进行特征点提取和特征点描述;步骤3:使用FLANN匹配算法进行特征点匹配;步骤4:根据匹配到的特征点对,计算出待配准图像映射到模板图像的变换矩阵;步骤5:将待配准图像经变换矩阵,进行校准,消除图像畸变;步骤6:把模板图像和校准后的待配准图像作图像差分,得到差分图像,根据差分图像判断印刷字是否有缺陷。本发明能够快速有效地实现安瓿瓶印刷字图像的特征提取、匹配、校正、检测,检测过程用时较少。
Description
技术领域
本发明属于工业印刷字缺陷检测领域,尤其涉及一种基于图像配准的安瓿瓶印刷字缺陷检测方法。
背景技术
近年来,药品的质量安全问题受到越来越多人的关注,国家也加大了对药品的质量检测力度。针对安瓿瓶印刷领域,对其印刷字的质量要求也更加严格,避免因安瓿瓶印字不全或信息不完整,导致的用药安全问题。
目前药瓶生产企业采用的印字设备后端没有配套的印字检测设备,只能雇佣人工对安瓿瓶印刷质量进行检测,而人工检测存在无法避免的缺陷:
1、容易造成漏检情况,人工由于长时间的工作,眼睛会疲劳,很容易漏掉一些缺陷信息,对某些缺陷的地方判断错误。
2、质量的合格标准不能完全统一,不同的人检测同一产品可能会因为主观意识对产品做出不一样的判断。
3、速度慢、成本高、效率低,需要大量的人工和资金。
因此,基于以上问题,现急需一种新型安瓿瓶印刷字缺陷检测方法来取代人工,提高生产效率。
发明内容
针对现有技术不足,本发明的目的在于提供一种基于图像配准的安瓿瓶印刷字缺陷检测方法,解决背景技术中的问题。
本发明提供如下技术方案:
一种基于图像配准的安瓿瓶印刷字缺陷检测方法,包括以下步骤:
步骤1:使用线阵工业相机采集安瓿瓶印刷字图像,获得模板图像和待配准图像;
步骤2:利用SURF算法,对模板图像进行特征点提取和特征点描述,对待配准图像进行特征点提取和特征点描述;
步骤3:使用FLANN匹配算法进行特征点匹配;
步骤4:根据匹配到的特征点对,计算出待配准图像映射到模板图像的变换矩阵;
步骤5:将待配准图像经变换矩阵,进行校准,消除图像畸变;
步骤6:把模板图像和校准后的待配准图像作图像差分,得到差分图像,根据差分图像判断印刷字是否有缺陷。
优选的,在步骤1中,使用CMOS线阵工业相机采集图像,其图像传感器有两行感光元件。
优选的,在步骤2中,在特征点提取前,将输入图片调节至统一尺寸。
优选的,在步骤3中,使用FLANN匹配算法进行特征点匹配后,计算每个特征点对的欧式距离,将欧式距离大于设定阈值的特征点对剔除。
优选的,在步骤4中,计算变换矩阵时,使用RANSAC算子,剔除误匹配点对。
优选的,在步骤6中,先将模板图像和校准后的待配准图像进行灰度化处理,再进行图像差分。
优选的,得到差分图像后,依次对差分图像进行二值化处理和滤波处理,统计出差分图像中像素值为255的像素点个数,若统计的个数大于设定阈值,则视为存在漏印情况。
与现有技术相比,本发明具有以下有益效果:
(1)本发明一种基于图像配准的安瓿瓶印刷字缺陷检测方法,能够快速有效地实现安瓿瓶印刷字图像的特征提取、匹配、校正、检测,图像特征具有尺度不变性、光照不变形性、旋转不变性的特点,检测过程用时较少。
(2)本发明一种基于图像配准的安瓿瓶印刷字缺陷检测方法,通过使用FLANN匹配算法进行特征点匹配,提高了特征点匹配精度,减小了特征匹配误差。
(3)本发明一种基于图像配准的安瓿瓶印刷字缺陷检测方法,通过将待配准图像经变换矩阵,进行校准,消除图像畸变,避免了因图像畸变对检测工作带来的不利影响,改善了检测结果,提高了检测效率。
(4)本发明一种基于图像配准的安瓿瓶印刷字缺陷检测方法,在计算变换矩阵时,使用RANSAC算子,剔除误匹配点对,减少了错误匹配点对对检测过程的影响,提高了检测精度。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明的流程图。
图2为模板图像和待配准图像。
图3为剔除误匹配后的特征点对匹配示意图。
图4为待配准图像经变换矩阵校准还原后的图像。
图5为模板图像和校准后的待配准图像做图像差分的效果图。
图6为差分图像经二值化处理的效果图。
图7为差分图像又经滤波处理的效果图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
实施例一:
如图1所示,一种基于图像配准的安瓿瓶印刷字缺陷检测方法,包括以下步骤:
步骤1:使用线阵工业相机采集安瓿瓶印刷字图像,获得模板图像和待配准图像;步骤2:利用SURF算法,对模板图像进行特征点提取和特征点描述,对待配准图像进行特征点提取和特征点描述;步骤3:使用FLANN匹配算法进行特征点匹配;步骤4:根据匹配到的特征点对,计算出待配准图像映射到模板图像的变换矩阵;步骤5:将待配准图像经变换矩阵,进行校准,消除图像畸变;步骤6:把模板图像和校准后的待配准图像作图像差分,得到差分图像,根据差分图像判断印刷字是否有缺陷。在步骤1中,使用CMOS线阵工业相机采集图像,其图像传感器有两行感光元件。在步骤2中,在特征点提取前,将输入图片调节至统一尺寸。在步骤3中,使用FLANN匹配算法进行特征点匹配后,计算每个特征点对的欧式距离,将欧式距离大于设定阈值的特征点对剔除。在步骤4中,计算变换矩阵时,使用RANSAC算子,剔除误匹配点对。在步骤6中,先将模板图像和校准后的待配准图像进行灰度化处理,再进行图像差分,得到差分图像后,依次对差分图像进行二值化处理和滤波处理,统计出差分图像中像素值为255的像素点个数,若统计的个数大于设定阈值,则视为存在漏印情况。
实施例二
一种基于图像配准的安瓿瓶印刷字缺陷检测方法,包括以下步骤:步骤1:使用线阵工业相机采集安瓿瓶印刷字图像,获得模板图像和待配准图像,如图2所示;步骤2:利用SURF算法,对模板图像进行特征点提取和特征点描述,对待配准图像进行特征点提取和特征点描述,在特征点提取前,将输入图片缩小至250*200的尺寸大小;步骤3:使用FLANN匹配算法进行特征点匹配,如图3所示,特征点匹配后,计算每个特征点对的欧式距离,把2倍最小欧式距离的值设定为阈值,将欧式距离大于设定阈值的特征点对剔除;步骤4:根据匹配到的特征点对,计算出待配准图像映射到模板图像的变换矩阵,同时,使用RANSAC算子,再次剔除误匹配点对,排除错误点对产生的干扰,提高匹配精度;步骤5:将待配准图像经变换矩阵,进行校准,消除图像畸变,如图4所示;步骤6:先将模板图像和校准后的待配准图像进行灰度化处理,再进行图像差分,如图5所示,得到差分图像,然后依次对差分图像进行二值化处理和滤波处理,如图6、7所示,然后统计出差分图像中像素值为255的像素点个数,若统计的个数大于设定阈值,则视为存在漏印情况,若统计的个数小于设定的阈值,则视为印刷完整。
实施例三
如图1所示,一种基于图像配准的安瓿瓶印刷字缺陷检测方法,包括以下步骤:
步骤1:使用线阵工业相机采集安瓿瓶印刷字图像,获得模板图像和待配准图像;
步骤2:利用SURF算法,对模板图像进行特征点提取和特征点描述,对待配准图像进行特征点提取和特征点描述,特征点描述包括特征点方向分配和128维向量描述两个步骤,其中,特征点的方向分配:Sift求取特征点周围邻域内所有像素的梯度方向,生成梯度方向直方图,并归一化为0~360°的梯度方向直方图到36个方向内,取梯度直方图的主要分量所代表的方向作为特征点的方向;128维向量描述:这个基于梯度方向直方图展开,取特征点周围邻域4*4个块,每块提取出8个梯度方向,共计128个方向作为特征的描述子。
步骤3:使用FLANN匹配算法进行特征点匹配;特征点匹配的结果会得到两个特征集合的对应关系列表。第一组特征集被称为训练集,第二组被称为查询集。FLANN在调用匹配函数之前,为了提高匹配速度,训练一个匹配器。训练阶段是为了优化cv::FlannBasedMatcher的性能。train类将会建立特征集的索引树。将query image的每一个特征点和train匹配器进行匹配,找出最佳匹配;即query image的特征中逐个去和训练器做匹配,每一个query image特征点都会有一个最佳匹配,然后验证这匹配的正确性,通过设置截断值来去除误差大的匹配。
步骤4:根据匹配到的特征点对,计算出待配准图像映射到模板图像的变换矩阵;计算变换矩阵时,使用RANSAC算子,剔除误匹配点对。RANSAC通过反复选择数据集去估计出模型,持续迭代到估计出较好的模型。
具体的实现步骤分为以下步骤:
(1)选择出可以估计出模型的最小数据集;
(2)使用这个数据集来计算出数据模型;
(3)将所有数据带入这个模型,计算出“内点”的数目,累加在一定误差范围内的适合当前迭代推出模型的数据;
(4)比较当前模型和之前推出的最好的模型的“内点“的数量,记录最大“内点”数的模型参数和“内点”数;
重复1-4步,直到迭代结束或者当前模型为较优模型。
步骤5:将待配准图像经变换矩阵,进行校准,消除图像畸变;
步骤6:把模板图像和校准后的待配准图像作图像差分,得到差分图像,根据差分图像判断印刷字是否有缺陷,先将模板图像和校准后的待配准图像进行灰度化处理,再进行图像差分,得到差分图像后,依次对差分图像进行二值化处理和滤波处理,统计出差分图像中像素值为255的像素点个数,若统计的个数大于设定阈值,则视为存在漏印情况。
通过上述技术方案得到的装置是一种基于图像配准的安瓿瓶印刷字缺陷检测方法,能够快速有效的实现安瓿瓶印刷字图像的特征提取、匹配、校正、检测流程,图像特征不仅具有尺度不变性、光照不变形性、旋转不变性,而且消耗的时间较少。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化;凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像配准的安瓿瓶印刷字缺陷检测方法,其特征在于,包括以下步骤:
步骤1:使用线阵工业相机采集安瓿瓶印刷字图像,获得模板图像和待配准图像;
步骤2:利用SURF算法,对模板图像进行特征点提取和特征点描述,对待配准图像进行特征点提取和特征点描述;
步骤3:使用FLANN匹配算法进行特征点匹配;
步骤4:根据匹配到的特征点对,计算出待配准图像映射到模板图像的变换矩阵;
步骤5:将待配准图像经变换矩阵,进行校准,消除图像畸变;
步骤6:把模板图像和校准后的待配准图像作图像差分,得到差分图像,根据差分图像判断印刷字是否有缺陷。
2.根据权利要求1所述一种基于图像配准的安瓿瓶印刷字缺陷检测方法,其特征在于,在步骤1中,使用CMOS线阵工业相机采集图像,其图像传感器有两行感光元件。
3.根据权利要求1所述一种基于图像配准的安瓿瓶印刷字缺陷检测方法,其特征在于,在步骤2中,在特征点提取前,将输入图片调节至统一尺寸。
4.根据权利要求1所述一种基于图像配准的安瓿瓶印刷字缺陷检测方法,其特征在于,在步骤3中,使用FLANN匹配算法进行特征点匹配后,计算每个特征点对的欧式距离,将欧式距离大于设定阈值的特征点对剔除。
5.根据权利要求1所述一种基于图像配准的安瓿瓶印刷字缺陷检测方法,其特征在于,在步骤4中,计算变换矩阵时,使用RANSAC算子,剔除误匹配点对。
6.根据权利要求1所述一种基于图像配准的安瓿瓶印刷字缺陷检测方法,其特征在于,在步骤6中,先将模板图像和校准后的待配准图像进行灰度化处理,再进行图像差分。
7.根据权利要求6所述一种基于图像配准的安瓿瓶印刷字缺陷检测方法,其特征在于,得到差分图像后,依次对差分图像进行二值化处理和滤波处理,统计出差分图像中像素值为255的像素点个数,若统计的个数大于设定阈值,则视为存在漏印情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432045.2A CN114187247A (zh) | 2021-11-29 | 2021-11-29 | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432045.2A CN114187247A (zh) | 2021-11-29 | 2021-11-29 | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187247A true CN114187247A (zh) | 2022-03-15 |
Family
ID=80541697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111432045.2A Pending CN114187247A (zh) | 2021-11-29 | 2021-11-29 | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187247A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757913A (zh) * | 2022-04-15 | 2022-07-15 | 电子科技大学 | 一种显示屏缺陷检测方法 |
WO2024087640A1 (zh) * | 2022-10-26 | 2024-05-02 | 上海第二工业大学 | 一种基于数字图像处理的印刷电路板焊点缺陷检测方法 |
-
2021
- 2021-11-29 CN CN202111432045.2A patent/CN114187247A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757913A (zh) * | 2022-04-15 | 2022-07-15 | 电子科技大学 | 一种显示屏缺陷检测方法 |
WO2024087640A1 (zh) * | 2022-10-26 | 2024-05-02 | 上海第二工业大学 | 一种基于数字图像处理的印刷电路板焊点缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111709909B (zh) | 基于深度学习的通用印刷缺陷检测方法及其模型 | |
CN110287963B (zh) | 用于综合性能试验的ocr识别方法 | |
CN114240939B (zh) | 一种主板元器件外观缺陷检测方法、***、设备及介质 | |
CN114187247A (zh) | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 | |
Xia et al. | SSIM-NET: Real-time PCB defect detection based on SSIM and MobileNet-V3 | |
CN109886978B (zh) | 一种基于深度学习的端到端告警信息识别方法 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及*** | |
CN109190625B (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN112926563B (zh) | 一种钢卷喷印标记故障诊断*** | |
CN113808180B (zh) | 一种异源图像配准方法、***及装置 | |
CN111340041B (zh) | 一种基于深度学习的车牌识别方法及装置 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN116152261B (zh) | 一种印刷制品质量的视觉检测*** | |
CN111738367A (zh) | 一种基于图像识别的零件分类方法 | |
CN113297420A (zh) | 视频图像处理方法、装置、存储介质及电子设备 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
CN113487538B (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN112396582A (zh) | 一种基于Mask RCNN的均压环歪斜检测方法 | |
CN116664817A (zh) | 基于图像差分的电力装置状态变化检测方法 | |
CN111160262A (zh) | 一种融合人体关键点检测的人像分割方法 | |
CN113506297B (zh) | 基于大数据处理的印刷数据识别方法 | |
CN113516193B (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 |
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 |