CN114782475B - 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法 - Google Patents

基于人工智能***的瓦楞纸箱压线缺陷检测优化方法 Download PDF

Info

Publication number
CN114782475B
CN114782475B CN202210680258.5A CN202210680258A CN114782475B CN 114782475 B CN114782475 B CN 114782475B CN 202210680258 A CN202210680258 A CN 202210680258A CN 114782475 B CN114782475 B CN 114782475B
Authority
CN
China
Prior art keywords
edge
missing
gray gradient
line pressing
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.)
Active
Application number
CN202210680258.5A
Other languages
English (en)
Other versions
CN114782475A (zh
Inventor
罗盼利
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.)
Nantong Jinshi Packaging Printing Co ltd
Original Assignee
Nantong Jinshi Packaging Printing 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 Nantong Jinshi Packaging Printing Co ltd filed Critical Nantong Jinshi Packaging Printing Co ltd
Priority to CN202210680258.5A priority Critical patent/CN114782475B/zh
Publication of CN114782475A publication Critical patent/CN114782475A/zh
Application granted granted Critical
Publication of CN114782475B publication Critical patent/CN114782475B/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
    • G06T7/13—Edge detection
    • 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
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/11—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
    • G06T7/136—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
    • 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)
  • 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)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，具体涉及基于人工智能***的瓦楞纸箱压线缺陷检测优化方法。包括获取瓦楞纸板压线区域图像；对压线区域图像进行边缘检测得到边缘线区域；对边缘线区域进行聚类得到边缘簇区域，获取各缺失边缘区域高斯滤波前后的平均灰度梯度；计算各缺失边缘区域的最优标准差；提取各缺失边缘区域像素点的灰度梯度进行升序排序得到各缺失边缘区域的灰度梯度集合；确定各缺失边缘区域的低灰度梯度阈值；根据每个缺失边缘的低灰度梯度阈值和灰度梯度集合对缺失边缘进行检测。本发明通过对缺失边缘对边缘检测算法进行优化，并且能够提高边缘检测的精度和泛化能力，排除噪声边缘的影响，还能够减少重复检测调节的过程。

Description

基于人工智能***的瓦楞纸箱压线缺陷检测优化方法
技术领域
本发明涉及人工智能领域，具体涉及基于人工智能***的瓦楞纸箱压线缺陷检测优化方法。
背景技术
随着市场对指向精度及包装速度要求的不断提高，大量的包装纸箱采用张开箱体可自动封底的折叠式异性结构，模切成型已经成为纸箱生产的主流。压痕工艺是利用压线刀或压线模对瓦楞纸板压出压线，由于自动纸箱包装是通过机械手完成的，所以压线的好坏决定了纸箱在包装后的质量好坏。
对于压线过程中存在的深浅不一的压线和压线附近产生的干扰折痕或者在瓦楞纸板搬运到压线机的过程中，因受力不均匀产生的折痕都会对机械手在自动包装的过程中造成错误识别，导致瓦楞纸箱出现残次品。
现有技术中主要是通过人工对包装后的瓦楞纸箱进行检测，筛除残次品或者压线存在缺陷的瓦楞纸板；通过人工完成对瓦楞纸箱的残次品和缺陷进行检测需要大量的人工参与，生产效率低，还可能出现误检的现象；而通过canny算法进行边缘检测的方法，不仅会存在噪声边缘的影响，还会导致部分边缘的缺失，也会出现误检的问题。
发明内容
本发明提供基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，以解决现有的因人工检测效率低，而canny算法存在的噪声边缘的干扰和部分边缘缺失的问题。
本发明的基于图像处理的瓦楞纸箱压线缺陷检测优化方法采用如下技术方案，包括以下步骤：
获取瓦楞纸板压线区域图像；
利用canny边缘检测算法对压线区域图像进行边缘检测得到压线区域图像的边缘线区域；
对得到的边缘线区域进行聚类得到若干边缘簇区域，获取相邻两个边缘簇区域在经过边缘检测中的高斯滤波过程前后的平均灰度梯度；
提取相邻两个边缘簇区域之间缺失边缘区域，利用每相邻两个边缘簇区域获取平均灰度梯度的差值及该两个边缘簇区域之间各边缘的欧氏距离计算出相邻两个边缘簇区域之间的缺失边缘区域的最优标准差；
提取缺失边缘区域中每个像素点的灰度梯度，并对缺失边缘区域中像素点的灰度梯度进行升序排序得到该缺失边缘区域的灰度梯度集合，得到每个缺失边缘区域的灰度梯度集合；
根据每个缺失边缘区域的高斯滤波标准差与最优标准差的差值和灰度梯度集合长度得到低灰度梯度阈值的位置，根据得到的每个低灰度梯度阈值在对应的灰度梯度集合中的位置确定每个缺失边缘区域的低灰度梯度阈值；
根据每个缺失边缘的高斯滤波最优标准差和低灰度梯度阈值对每个缺失边缘区域进行压线检测。
获取压线区域图像的边缘线区域的方法为：
对压线区域图像进行灰度化处理，然后对得到的灰度图像利用高斯滤波器进行平滑图像处理；
计算图像中每个像素点的梯度强度和方向，采用非极大值抑制算法消除边缘检测带来的杂散响应；
利用双阈值分割算法确定真实边缘和噪声边缘，抑制孤立的弱边缘完成边缘检测得到压线区域图像的边缘线区域。
所述计算每个边缘簇区域的最优标准差的过程如下：
获取高斯滤波后相邻的两个边缘簇区域之间各边缘的欧氏距离，相邻两边缘簇区域之间的缺失边缘的最优标准差的计算公式如下：
Figure DEST_PATH_IMAGE001
式中：
Figure 623043DEST_PATH_IMAGE002
为相邻两边缘簇区域之间的缺失边缘的最优标准差，
Figure 868080DEST_PATH_IMAGE003
为与缺失边缘区域相邻的两个边缘簇区域的平均灰度梯度，
Figure 710134DEST_PATH_IMAGE004
为与缺失边缘区域相邻的两个边缘簇区域高斯滤波后的平均灰度梯度，
Figure 436169DEST_PATH_IMAGE005
为与该缺失边缘相邻的两个边缘簇区域之间各边缘的欧氏距离。
所述相邻的两个边缘簇区域之间各边缘的欧氏距离
Figure 312858DEST_PATH_IMAGE005
为：
分别获取两个边缘簇内的边缘线，一个边缘簇的每条边缘线到另一个边缘簇内的每条边缘线之间的距离为相邻的两个边缘簇区域之间各边缘的欧氏距离。
所述获取缺失边缘区域的灰度梯度集合的方法为：
将与缺失边缘相邻的边缘簇区域内的边缘像素点的梯度方向作为指导方向，沿指导方向的垂直方向对缺失边缘区域进行滑窗处理并提取缺失边缘区域的像素点的灰度梯度；
分别进行四个方向上的灰度梯度提取，选择四个方向中灰度梯度的最大值作为该像素点的灰度梯度，得到缺失边缘区域中所有像素点的灰度梯度；
对所有像素点的灰度梯度进行升序排序得到缺失边缘区域的灰度梯度集合。
所述得到低灰度梯度阈值的位置，根据低灰度梯度阈值的位置确定每个缺失边缘区域的低灰度梯度阈值的方法为：
Figure 197637DEST_PATH_IMAGE006
式中：
Figure DEST_PATH_IMAGE007
为低灰度梯度阈值的灰度梯度集合索引长度，
Figure 589305DEST_PATH_IMAGE008
为缺失边缘的灰度梯度集合长度，
Figure 850522DEST_PATH_IMAGE009
为高斯滤波调节前的标准差，
Figure 581717DEST_PATH_IMAGE002
为高斯滤波调节后缺失边缘区域的最优标准差，
Figure 637398DEST_PATH_IMAGE010
为主成分调节参数；
得到的低灰度梯度阈值的灰度梯度集合索引长度
Figure 734272DEST_PATH_IMAGE007
即为该缺失边缘区域的最优灰度梯度阈值在灰度梯度集合中的位数，该位数在缺失边缘区域灰度梯度集合中对应的灰度梯度即为该缺失边缘区域的最优灰度梯度。
所述确定主成分调节参数
Figure 533601DEST_PATH_IMAGE010
的方法为：
获取利用初始阈值进行边缘检测保留下来的边缘像素点，对保留下来的边缘像素点进行聚类，根据聚类簇中边缘像素点的灰度梯度方向的垂直方向向量进行主成分分析，获取方向一致的数量最多的像素点方向作为主成分方向，主成分方向的像素点与聚类簇中所有像素点的比值即为主成分调节参数。
所述对每个缺失边缘区域进行压线检测的方法是：
根据各缺失边缘区域的低灰度梯度阈值分别对对应的缺失边缘区域进行边缘检测；
对边缘检测得到的每个缺失边缘区域所有边缘像素点进行主成分分析，将不满足主成分方向的边缘像素点筛除，只保留主成分方向上的边缘像素点，得到所有缺失边缘区域的压线边缘；
得到的初始检测的边缘线区域中的压线边缘与所有缺失边缘区域中的压线边缘的总和作为最终的边缘检测结果，完成瓦楞纸箱压线缺陷检测的优化过程。
本发明的有益效果是：本发明采用基于图像处理的方法对瓦楞纸箱压线方法进行优化，能够避免人为检测需要大量人力物力的问题，还能提高检测效率，通过结合图像特征对高斯滤波函数的标准差自适应调节和对双阈值优化分割能够提高边缘检测的精度。
（1）基于本申请所述利用边缘检测算法能够得到压线区域的真实边缘、伪边缘和缺失边缘，相较于现有技术有益效果在于能够利用伪边缘和缺失边缘对边缘检测算法进行优化。
（2）基于本申请所述结合图像特征对高斯滤波函数的标准差自适应调节和对双阈值优化分割，相较于现有技术有益效果在于能够提高边缘检测的精度和泛化能力，排除噪声边缘的影响。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法的算法流程图。
具体实施方式
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1
本发明的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法的实施例，如图1所示。
S101、获取瓦楞纸板压线区域图像
通过相机获取瓦楞纸板图像，并对瓦楞纸板图像进行图像分割，能够根据先验信息排除无关区域的折痕干扰。
S102、得到压线区域图像的边缘线区域
利用边缘检测算法获取压线区域图像进行边缘检测，获取初始边缘线，可以根据检测到的初始边缘线特征进行边缘检测算法优化。
S103、对边缘线区域进行聚类得到若干边缘簇区域
对得到的边缘线区域进行聚类得到边缘簇区域，根据各区域的边缘簇进行分析，能够使优化过程中的数据更加精确。
S104、获取相邻两个边缘簇区域高斯滤波前后的平均灰度梯度
通过与缺失边缘区域相邻的两个边缘簇区域高斯滤波前后的平均灰度梯度的变化来计算各缺失边缘区域的标准差，得到各缺失边缘区域的最优标准差，可以让调节的阈值更适合。
S105、计算各缺失边缘区域的最优标准差
利用各边缘簇区域中的信息构建每个边缘簇区域的标准差目标函数，通过构建的标准差目标函数来确定各边缘簇区域的最优标准差，根据最优标准差对图像进行自适应滤波，可以保留更多的真实边缘点。
S106、获取各缺失边缘区域的灰度梯度集合
通过提取缺失边缘区域的像素点的灰度梯度，得到缺失边缘区域的灰度梯度集合，对缺失边缘区域的像素点进行分析，能够确定出最适宜的低灰度梯度阈值。
S107、确定各缺失边缘区域低灰度梯度阈值
根据缺失边缘区域的灰度梯度集合与标准差差值即高斯滤波函数的调节尺度综合分析，可以得到各缺失边缘区域的低灰度梯度阈值，利用各缺失边缘区域的低灰度梯度阈值对缺失边缘进行压线检测，达到对瓦楞纸箱压线检测方法进行优化。
S108、根据优化后的方法对瓦楞纸箱进行压线检测
由于压线设备的缺陷容易导致压线区域一部分深一部分浅，较浅的部分由于灰度梯度较小，在进行边缘检测的过程中被双阈值抑制丢弃掉，通过调节低灰度梯度阈值能够有效的避免较浅区域边缘缺失，有效的降低检测误差，还能够提高检测效率。
实施例2
本发明的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法的实施例，如图1所示。
S201、获取瓦楞纸板压线区域图像
通过相机获取瓦楞纸板图像，并对瓦楞纸板图像进行图像分割，能够根据先验信息排除无关区域的折痕干扰。
通过机械手上的相机采集瓦楞纸板图像，利用语义分割网络对瓦楞纸板图像进行背景分割，将瓦楞纸板压线区域图像像素标记为1，其他区域标记为0，得到瓦楞纸板压线区域图像。
为了保证后续图像检测的一致性，分割后的各区域的图像应该保证等大。
S202、得到压线区域图像的边缘线区域
利用边缘检测算法获取压线区域图像进行边缘检测，获取初始边缘线，可以根据检测到的初始边缘线特征进行边缘检测算法优化。
首先，将压线区域分割图像进行灰度化处理，利用高斯滤波器进行平滑图像处理滤除噪声。
1.然后，计算图像中每个像素点的梯度强度和方向，应用非极大值抑制算法消除边缘检测带来的杂散响应。
2.利用双阈值分割算法来确定真实的和噪声的边缘，通过抑制孤立的弱边缘完成边缘检测得到压线区域图像的边缘线区域。
需要说明的是，Canny边缘检测算法需要通过高斯滤波对图像进行去噪处理，但是不同的高斯滤波函数的标准差决定了图像平滑去噪的程度，图像经过平滑处理后导致本不属于噪声的图像像素点的灰度值之间的差异变小，造成后续得到的边缘缺失，所以合适的高斯滤波函数决定了平滑效果的好坏和边缘检测的质量。
另外，采用双阈值分割算法来确定真实的边缘和噪声边缘，但是，双阈值一般通过人为设定的经验值，自身的泛化能力并不好，在面对不同缺陷程度的边缘灰度梯度不能自适应的调节。
根据上述问题，对Canny边缘算子的检测过程进行优化，保证得到最优的压线区域真实边缘。
S203、对边缘线区域进行聚类得到若干边缘簇区域
对得到的边缘线区域进行聚类得到边缘簇区域，根据各区域的边缘簇进行分析，能够使优化过程中的数据更加精确。
对得到的边缘线区域进行DBSCAN聚类，聚类半径
Figure 119303DEST_PATH_IMAGE011
，本实施例中采用边缘像素点之间的欧式距离最小值，获得若干边缘簇区域。
S204、获取相邻两个边缘簇区域高斯滤波前后的平均灰度梯度
通过与缺失边缘区域相邻的两个边缘簇区域高斯滤波前后的平均灰度梯度的变化来计算各缺失边缘区域的标准差，得到各缺失边缘区域的最优标准差，可以让调节的阈值更适合。
获取相邻两个边缘簇区域之间的平均灰度梯度
Figure 611464DEST_PATH_IMAGE003
，对边缘簇区域区域进行区域标记，根据标记的区域获取高斯滤波前各边缘簇区域的平均灰度梯度
Figure 915406DEST_PATH_IMAGE012
。
S205、计算各缺失边缘区域的最优标准差
利用各边缘簇区域中的信息构建每个边缘簇区域的标准差目标函数，通过构建的标准差目标函数来确定各边缘簇区域的最优标准差，根据最优标准差对图像进行自适应滤波，可以保留更多的真实边缘点。
根据与缺失边缘区域相邻的两个边缘簇区域之间滤波前后的平均灰度梯度和高斯滤波后与该缺失边缘相邻的两个边缘簇区域之间各边缘的欧氏距离计算该缺失边缘区域的最优标准差，计算公式如下：
Figure 252847DEST_PATH_IMAGE001
式中：
Figure 958635DEST_PATH_IMAGE002
为相邻两边缘簇区域之间的缺失边缘的最优标准差，
Figure 359048DEST_PATH_IMAGE003
为与缺失边缘区域相邻的两个边缘簇区域的平均灰度梯度，
Figure 150286DEST_PATH_IMAGE004
为与缺失边缘区域相邻的两个边缘簇区域高斯滤波后的平均灰度梯度，
Figure 556997DEST_PATH_IMAGE005
为与该缺失边缘相邻的两个边缘簇区域之间各边缘的欧氏距离。
S206、获取各缺失边缘区域的灰度梯度集合
通过提取缺失边缘区域的像素点的灰度梯度，得到缺失边缘区域的灰度梯度集合，对缺失边缘区域的像素点进行分析，能够确定出最适宜的低灰度梯度阈值。
根据先验知识可知，真实的压线边缘都是连续规则的，且边缘走向（压线方向）都是一致的。
将与缺失边缘区域相邻的边缘簇区域内的边缘像素点的梯度方向作为指导方向，沿着指导方向设置
Figure 117291DEST_PATH_IMAGE013
大小的滑窗分别对各缺失边缘区域内的每个边缘像素点进行四个方向的灰度梯度的提取，灰度梯度提取方式为：
Figure 216834DEST_PATH_IMAGE014
，选四个方向中的最大灰度梯度作为该边缘像素点的灰度梯度，得到缺失边缘区域所有像素点的灰度梯度，对得到的灰度梯度进行升序排序得到灰度梯度集合
Figure 495369DEST_PATH_IMAGE015
。
S207、确定各缺失边缘区域低灰度梯度阈值
根据缺失边缘区域的灰度梯度集合与标准差差值即高斯滤波函数的调节尺度综合分析，可以得到各缺失边缘区域的低灰度梯度阈值，利用各缺失边缘区域的低灰度梯度阈值对缺失边缘进行压线检测，达到对瓦楞纸箱压线检测方法进行优化
获取双阈值分割的初始阈值
Figure 440191DEST_PATH_IMAGE016
，然后，根据步骤1中聚类后的结果对相邻边缘簇区域之间的像素点重新获取灰度梯度
Figure 123501DEST_PATH_IMAGE017
，并对存在灰度梯度的像素点进行结构分析，并与相邻边缘簇区域的边缘像素点结构进行相似性度量，对缺失边缘区域的真实压线边缘点的灰度梯度进行低阈值
Figure 128366DEST_PATH_IMAGE018
调节。
由于高斯滤波平滑的效果好坏，决定了图像的模糊程度和去噪效果，图像越模糊，相应的像素点之间的灰度梯度越小，越容易造成真实压线边缘的缺失，所以，根据高斯滤波函数的调节尺度
Figure 894196DEST_PATH_IMAGE019
，对灰度梯度集合内选取合适的低灰度梯度阈值。
选取规则为：调节尺度越大，相应的灰度梯度集合内选取的灰度梯度越接近于最小灰度梯度，所以合适的低灰度梯度阈值位置为：
Figure 642709DEST_PATH_IMAGE020
式中：
Figure 974334DEST_PATH_IMAGE007
为低灰度梯度阈值的灰度梯度集合索引长度，
Figure 150100DEST_PATH_IMAGE008
为灰度梯度集合长度，
Figure 403227DEST_PATH_IMAGE009
为高斯滤波调节前的标准差，
Figure 692781DEST_PATH_IMAGE002
为高斯滤波调节后边缘簇区域的最优标准差，
Figure 816595DEST_PATH_IMAGE010
为主成分调节参数；
得到的低灰度梯度阈值的灰度梯度集合索引长度
Figure 163263DEST_PATH_IMAGE007
即为最优灰度梯度阈值在灰度梯度集合中的位数，该位数在灰度梯度集合中对应的灰度梯度即为最优灰度梯度。
其中，确定主成分调节参数的方法为：
获取利用初始阈值进行边缘检测保留下来的边缘像素点，对保留下来的边缘像素点进行聚类，根据聚类簇中边缘像素点的灰度梯度方向的垂直方向向量进行主成分分析，获取方向一致的数量最多的像素点方向作为主成分方向，主成分方向的像素点与聚类簇中所有像素点的比值即为主成分调节参数。
S208、根据优化后的方法对瓦楞纸箱进行压线检测
由于压线设备的缺陷容易导致压线区域一部分深一部分浅，较浅的部分由于灰度梯度较小，在进行边缘检测的过程中被双阈值抑制丢弃掉，通过调节低灰度梯度阈值能够有效的避免较浅区域边缘缺失，有效的降低检测误差，还能够提高检测效率。
根据以上步骤得到的每个缺失边缘区域的低灰度梯度阈值和高斯滤波参数（即调节的最优标准差的值）对每个缺失边缘区域进行压线检测，从而达到对瓦楞纸箱检测方法的优化。
上述的高斯滤波函数和双阈值参数为同时调节，同时达到最优，减少重复检测调节的过程，提高边缘算法的检测效率；能够有效的降低检测误差，还能够提高检测效率。
为了避免压线区域的一些噪声折痕和细小裂纹的影响，利用主成分分析算法，将不满足主成分方向的边缘像素点进行删除，只保留主成分方向上的边缘像素点，得到所有缺失边缘区域的压线边缘。
得到的初始检测的边缘线区域中的压线边缘与所有缺失边缘区域中的压线边缘的总和作为最终的边缘检测结果，完成瓦楞纸箱压线缺陷检测的优化过程。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (8)

1.基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，其特征在于：包括以下步骤：
获取瓦楞纸板压线区域图像；
利用canny边缘检测算法对压线区域图像进行边缘检测得到压线区域图像的边缘线区域；
对得到的边缘线区域进行聚类得到若干边缘簇区域，获取相邻两个边缘簇区域在经过边缘检测中的高斯滤波过程前后的平均灰度梯度；
提取相邻两个边缘簇区域之间缺失边缘区域，利用每相邻两个边缘簇区域获取平均灰度梯度的差值及该两个边缘簇区域之间各边缘的欧氏距离计算出相邻两个边缘簇区域之间的缺失边缘区域的最优标准差；
提取缺失边缘区域中每个像素点的灰度梯度，并对缺失边缘区域中像素点的灰度梯度进行升序排序得到该缺失边缘区域的灰度梯度集合，得到每个缺失边缘区域的灰度梯度集合；
根据每个缺失边缘区域的高斯滤波标准差与最优标准差的差值和灰度梯度集合长度得到低灰度梯度阈值的位置，根据得到的每个低灰度梯度阈值在对应的灰度梯度集合中的位置确定每个缺失边缘区域的低灰度梯度阈值；
根据每个缺失边缘的高斯滤波最优标准差和低灰度梯度阈值对每个缺失边缘区域进行压线检测。
2.根据权利要求1所述的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，其特征在于：获取压线区域图像的边缘线区域的方法为：
对压线区域图像进行灰度化处理，然后对得到的灰度图像利用高斯滤波器进行平滑图像处理；
计算图像中每个像素点的梯度强度和方向，采用非极大值抑制算法消除边缘检测带来的杂散响应；
利用双阈值分割算法确定真实边缘和噪声边缘，抑制孤立的弱边缘完成边缘检测得到压线区域图像的边缘线区域。
3.根据权利要求1所述的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，其特征在于：所述计算每个边缘簇区域的最优标准差的过程如下：
获取高斯滤波后相邻的两个边缘簇区域之间各边缘的欧氏距离，相邻两边缘簇区域之间的缺失边缘的最优标准差的计算公式如下：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
为相邻两边缘簇区域之间的缺失边缘的最优标准差，
Figure DEST_PATH_IMAGE006
为与缺失边缘区域相邻的两个边缘簇区域的平均灰度梯度，
Figure DEST_PATH_IMAGE008
为与缺失边缘区域相邻的两个边缘簇区域高斯滤波后的平均灰度梯度，
Figure DEST_PATH_IMAGE010
为与该缺失边缘相邻的两个边缘簇区域之间各边缘的欧氏距离。
4.根据权利要求1或3所述的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，其特征在于：所述相邻的两个边缘簇区域之间各边缘的欧氏距离
Figure 116451DEST_PATH_IMAGE010
为：
分别获取两个边缘簇内的边缘线，一个边缘簇的每条边缘线到另一个边缘簇内的每条边缘线之间的距离为相邻的两个边缘簇区域之间各边缘的欧氏距离。
5.根据权利要求1所述的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，其特征在于：所述得到缺失边缘区域的灰度梯度集合的方法为：
将与缺失边缘相邻的边缘簇区域内的边缘像素点的梯度方向作为指导方向，沿指导方向的垂直方向对缺失边缘区域进行滑窗处理并提取缺失边缘区域的像素点的灰度梯度；
分别进行四个方向上的灰度梯度提取，选择四个方向中灰度梯度的最大值作为该像素点的灰度梯度，得到缺失边缘区域中所有像素点的灰度梯度；
对所有像素点的灰度梯度进行升序排序得到缺失边缘区域的灰度梯度集合。
6.根据权利要求1所述的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，其特征在于：所述得到低灰度梯度阈值的位置，根据低灰度梯度阈值的位置确定每个缺失边缘区域的低灰度梯度阈值的方法为：
Figure DEST_PATH_IMAGE012
式中：
Figure DEST_PATH_IMAGE014
为低灰度梯度阈值的灰度梯度集合索引长度，
Figure DEST_PATH_IMAGE016
为缺失边缘的灰度梯度集合长度，
Figure DEST_PATH_IMAGE018
为高斯滤波调节前的标准差，
Figure 331794DEST_PATH_IMAGE004
为高斯滤波调节后缺失边缘区域的最优标准差，
Figure DEST_PATH_IMAGE020
为主成分调节参数；
得到的低灰度梯度阈值的灰度梯度集合索引长度
Figure 799947DEST_PATH_IMAGE014
即为该缺失边缘区域的最优灰度梯度阈值在灰度梯度集合中的位数，该位数在缺失边缘区域灰度梯度集合中对应的灰度梯度即为该缺失边缘区域的最优灰度梯度。
7.根据权利要求6所述的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，其特征在于：所述确定主成分调节参数
Figure 850949DEST_PATH_IMAGE020
的方法为：
获取利用初始阈值进行边缘检测保留下来的边缘像素点，对保留下来的边缘像素点进行聚类，根据聚类簇中边缘像素点的灰度梯度方向的垂直方向向量进行主成分分析，获取方向一致的数量最多的像素点方向作为主成分方向，主成分方向的像素点与聚类簇中所有像素点的比值即为主成分调节参数。
8.根据权利要求1所述的基于人工智能***的瓦楞纸箱压线缺陷检测优化方法，其特征在于：所述对每个缺失边缘区域进行压线检测的方法是：
根据各缺失边缘区域的低灰度梯度阈值分别对对应的缺失边缘区域进行边缘检测；
对边缘检测得到的每个缺失边缘区域所有边缘像素点进行主成分分析，将不满足主成分方向的边缘像素点筛除，只保留主成分方向上的边缘像素点，得到所有缺失边缘区域的压线边缘；
得到的初始检测的边缘线区域中的压线边缘与所有缺失边缘区域中的压线边缘的总和作为最终的边缘检测结果，完成瓦楞纸箱压线缺陷检测的优化过程。
CN202210680258.5A 2022-06-16 2022-06-16 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法 Active CN114782475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210680258.5A CN114782475B (zh) 2022-06-16 2022-06-16 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210680258.5A CN114782475B (zh) 2022-06-16 2022-06-16 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法

Publications (2)

Publication Number Publication Date
CN114782475A CN114782475A (zh) 2022-07-22
CN114782475B true CN114782475B (zh) 2022-09-02

Family

ID=82421731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210680258.5A Active CN114782475B (zh) 2022-06-16 2022-06-16 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法

Country Status (1)

Country Link
CN (1) CN114782475B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082453A (zh) * 2022-07-27 2022-09-20 南通艾果纺织品有限公司 基于神经网络的床上用品生产用包边机智能控制方法
CN115239737B (zh) * 2022-09-26 2022-12-13 淄博永丰环保科技有限公司 基于图像处理的瓦楞纸缺陷检测方法
CN115861736B (zh) * 2022-12-14 2024-04-26 广州科盛隆纸箱包装机械有限公司 基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法、***及存储介质
CN116612112B (zh) * 2023-07-17 2023-09-22 鑫脉(山东)工贸有限公司 一种水桶表面缺陷视觉检测方法
CN116703918B (zh) * 2023-08-07 2023-10-20 山东辰欣佛都药业股份有限公司 一种基于神经网络模型的药品包装盒质量检测方法及***
CN116977358B (zh) * 2023-09-22 2023-12-12 玖龙智能包装(天津)有限公司 一种瓦楞纸生产品质视觉辅助检测方法
CN117455870B (zh) * 2023-10-30 2024-04-16 太康精密（中山）有限公司 一种连接线和连接器质量视觉检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179225B (zh) * 2019-12-14 2022-02-01 西安交通大学 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN112712512A (zh) * 2021-01-05 2021-04-27 余波 一种基于人工智能的热轧带钢结疤缺陷检测方法及***
CN113935996B (zh) * 2021-12-16 2022-03-15 武汉市菲利纸业有限责任公司 基于图像处理的瓦楞纸透楞现象检测方法及***
CN114494210B (zh) * 2022-01-28 2023-03-24 江苏豪尚新材料科技有限公司 基于图像处理的塑料膜生产缺陷检测方法及***

Also Published As

Publication number Publication date
CN114782475A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114782475B (zh) 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN108171104B (zh) 一种文字检测方法及装置
CN108830832A (zh) 一种基于机器视觉的塑料筒表面缺陷检测算法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN106780486A (zh) 一种钢板表面缺陷图像提取方法
CN115330767B (zh) 一种腐蚀箔生产异常识别方法
CN114219794B (zh) 基于机器视觉的刨花板表面质量评估方法及***
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN112233116B (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN114897896B (zh) 基于灰度变换的建筑木材缺陷检测方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测***
CN113506246B (zh) 基于机器视觉的混凝土3d打印构件精细检测方法
CN116735612B (zh) 一种精密电子元器件焊接缺陷检测方法
CN116168027B (zh) 基于视觉定位的木工机械智能切割方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及***
CN114926839A (zh) 基于rpa和ai的图像识别方法及电子设备
CN115797872A (zh) 基于机器视觉的包装缺陷识别方法、***、设备及介质
CN112288760B (zh) 一种粘连细胞图像筛除方法、***及细胞图像分析方法
CN112258532B (zh) 一种超声图像中胼胝体的定位及分割方法
CN112102189B (zh) 一种线结构光光条中心线提取方法
CN115841600B (zh) 基于深度学习的甘薯外观品质分类方法
CN112288726A (zh) 一种井下带式输送机带面异物检测方法
CN109934817A (zh) 一种果体外部轮廓畸形检测方法

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
GR01 Patent grant
GR01 Patent grant