CN115601760A - 一种柔印首件的缺陷评估方法 - Google Patents

一种柔印首件的缺陷评估方法 Download PDF

Info

Publication number
CN115601760A
CN115601760A CN202211380614.8A CN202211380614A CN115601760A CN 115601760 A CN115601760 A CN 115601760A CN 202211380614 A CN202211380614 A CN 202211380614A CN 115601760 A CN115601760 A CN 115601760A
Authority
CN
China
Prior art keywords
character
detection
flexo
sampling module
output
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
Application number
CN202211380614.8A
Other languages
English (en)
Inventor
蔡念
燕舒乐
龙进良
肖盼
王晗
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211380614.8A priority Critical patent/CN115601760A/zh
Publication of CN115601760A publication Critical patent/CN115601760A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/147—Determination of region of interest
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V30/16—Image preprocessing
    • G06V30/164—Noise filtering
    • 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
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种柔印首件的缺陷评估方法，包括字符检测和脏污检测，其中，所述字符检测包括以下步骤：S1：基于电子样稿和柔印首件的字符位置对应构建电子样稿字符库和柔印首件字符库；S2：分别将电子样稿字符和柔印首件字符输入预构建的深度评估网络，得到字符检测结果，完成字符检测；所述脏污检测包括以下步骤：对柔印首件的图像进行时频转换、高斯滤波和Blob分析，得到脏污检测结果，完成脏污检测；根据字符检测结果和脏污检测结果得到柔印首件的缺陷评估结果。本发明提供一种柔印首件的缺陷评估方法，解决了目前柔印首检采用人工质检容易产生误检的问题。

Description

一种柔印首件的缺陷评估方法
技术领域
本发明涉及纺织工业检测技术领域，更具体的，涉及一种柔印首件的缺陷评估方法。
背景技术
柔性印刷是一种使用具有弹性的凸版的印刷方法，在印刷时先由输墨辊将油墨输送给传墨辊，然后传墨辊将油墨均匀、稳定地涂刷在印版滚筒表面上，当承印材料通过印版滚筒和压印滚筒时，印版上的图文转移到承印材料上，从而获得清晰图文。柔版印刷生产效率高，其生产速度通常达到100米每秒，远远高于凸版印刷的方式。柔版印刷的承印材料范围广，织物以及其他复合材料均可采用柔版印刷。
柔性印刷过程会由于机器故障、油墨故障不可避免地产生缺陷，因此柔印标签的批量生产前，工人每次换班、换产以及设备装调后，都必须经历柔印首检工艺，即印刷的第一件或前几件柔印产品都必须与电子样稿比对检查，以检查柔印产品的印刷质量。
目前柔印首检采用人工三检制：自检、互检和专检。但标签的字符涉及世界各地的语言，且平均每个标签超过200多个字符，这既导致人工质检效率低下，也十分容易产生漏检误检。
另外，柔印标签的衬底为织物，具有大量细小的孔隙，而衬底材质厚薄不一导致印刷受力不均，样品的字符图案会发生轻微的形变，且柔性版通过网纹传墨辊传递油墨施印时，受生产工艺的限制，其印制成品的字符内容与电子样稿相比存在视觉差异，也极易产生误检。
发明内容
本发明为克服目前柔印首检采用人工质检容易产生误检的技术缺陷，提供一种柔印首件的缺陷评估方法。
为解决上述技术问题，本发明的技术方案如下：
一种柔印首件的缺陷评估方法，包括字符检测和脏污检测，其中，所述字符检测包括以下步骤：
S1：基于电子样稿和柔印首件的字符位置对应构建电子样稿字符库和柔印首件字符库；
S2：分别将电子样稿字符和柔印首件字符输入预构建的深度评估网络，得到字符检测结果，完成字符检测；
所述脏污检测包括以下步骤：对柔印首件的图像进行时频转换、高斯滤波和Blob分析，得到脏污检测结果，完成脏污检测；
根据字符检测结果和脏污检测结果得到柔印首件的缺陷评估结果。
上述方案中，通过构建电子样稿字符库和柔印首件字符库避免框选的边距不一的问题，消除四周可能存在的大面积伪缺陷；并且通过深度评估网络对柔印首件、电子样稿的对应字符进行较为包容的缺陷检测，大大提高了鲁棒性，减小因生产工艺上客观存在的视觉差异的影响，降低了误检率，提高了检测准确率。同时，通过将字符和脏污按照不同的方式进行检测，即对于字符内容，使用深度学习的方式进行检测，对于纹理衬底，通过精细的疵点检测，实现精准定位，从而在保证检测的准确率下，提高检测效率。
优选的，所述电子样稿的字符位置通过投影法获取。
优选的，构建所述电子样稿字符库的步骤具体为：
在电子样稿上建立直角坐标系，沿字符的均匀分布方向为横轴；在纵坐标方向上，沿横坐标方向统计电子样稿上像素值为0的像素个数，得到纵坐标直方图，根据纵坐标直方图的分布情况计算每一行字符的位置；然后对每一行字符沿纵坐标统计像素值为0的像素个数，得到横坐标直方图，获取对应行中字符的宽度以及字符距离纵轴的距离；根据字符的位置、字符的宽度以及字符距离纵轴的距离获取字符外接矩形左上角和右下角的坐标，根据外接矩形的坐标将外接矩形上的字符截取保存，构建电子样稿字符库。
优选的，采用字符定位网络获取柔印首件的字符位置，所述字符定位网络用于检测单个字符及字符间的连接关系，并根据检测结果确定字符位置。
优选的，所述字符定位网络包括特征提取网络和解码器；
其中，所述特征提取网络包括依次连接的第一卷积阶段、第二卷积阶段、第三卷积阶段、第四卷积阶段和第五卷积阶段，每个卷积阶段分别包括卷积操作和最大池化操作；
所述解码器包括第一上采样模块、第二上采样模块、第三上采样模块、第四上采样模块和卷积模块；
在所述字符定位网络中，将第五卷积阶段的输出与自身进行堆叠后输入第四上采样模块，将第四上采样模块的输出与第四卷积阶段的输出堆叠后输入第三上采样模块，将第三上采样模块的输出与第三卷积阶段的输出堆叠后输入第二上采样模块，将第二上采样模块的输出与第二卷积阶段的输出堆叠后输入第一上采样模块完成最后一次上采样操作后输入到卷积模块中，最终输出预测的字符区域得分和连接关系得分，根据预测的字符区域得分和连接关系得分确定字符位置，并截取得到柔印首件的字符图像。
优选的，所述字符定位网络的置信度映射sconf(w)为：
Figure BDA0003927808960000031
根据置信度映射获取图像像素置信度Sc(p)：
Figure BDA0003927808960000032
构建所述字符定位网络的目标函数L：
Figure BDA0003927808960000033
其中，l(w)表示字符w的长度，lc(w)表示预测的字符w的长度，p表示R(w)的像素，R(w)表示字符w所在的字符边界框区域，Sr(p)表示预测的字符区域得分，
Figure BDA0003927808960000034
表示实际的字符区域得分，Sa(p)表示预测的连接关系得分，
Figure BDA0003927808960000035
表示实际的连接关系得分。
优选的，所述深度评估网络包括两个VGG-16网络，分别用于电子样稿字符和柔印首件字符的检测；
在所述深度评估网络中，将电子样稿字符库和柔印首件字符库的对应字符图像输入不同的VGG-16网络，然后将两个VGG-16网络的输出进行堆叠，并让其经过反卷积层和全连接层得到分割结果作为字符检测结果。
优选的，两个VGG-16网络的权重共享。
优选的，所述深度评估网络的损失函数Loss为：
Loss＝Dice_loss+CE_loss
Dice_loss＝1-Dice
Figure BDA0003927808960000041
Figure BDA0003927808960000042
其中，Dice表示dice系数，Dice_loss表示dice损失函数，N表示像素点总个数，yi＝{0,1}表示实际的二元标签，
Figure BDA0003927808960000043
表示预测的二元标签，CE_loss表示二元交叉熵损失函数，
Figure BDA0003927808960000044
表示输出属于
Figure BDA0003927808960000045
标签的概率。
优选的，脏污检测的步骤具体为：
首先采用傅里叶变换将柔印首件的图像的空间域特征转换为频域特征，然后通过高斯滤波获取图像的高频特征，最后通过Blob分析分割滤波后的图像，计算图像中每个区域的灰度共生矩阵，根据能量筛选缺陷，得到二值脏污分割图作为脏污检测结果，完成脏污检测。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种柔印首件的缺陷评估方法，通过构建电子样稿字符库和柔印首件字符库避免框选的边距不一的问题，消除四周可能存在的大面积伪缺陷；并且通过深度评估网络对柔印首件、电子样稿的对应字符进行较为包容的缺陷检测，大大提高了鲁棒性，减小因生产工艺上客观存在的视觉差异的影响，降低了误检率，提高了检测准确率。同时，通过将字符和脏污按照不同的方式进行检测，即对于字符内容，使用深度学习的方式进行检测，对于纹理衬底，通过精细的疵点检测，实现精准定位，从而在保证检测的准确率下，提高检测效率。
附图说明
图1为本发明的技术方案实施流程图；
图2为本发明中通过投影法获取字符位置的示意图；
图3为本发明中通过投影法得到纵坐标直方图的示例图；
图4为本发明中字符定位网络的架构示意图；
图5为本发明中通过字符定位网络获取字符位置的示意图；
图6为本发明中深度评估网络的架构示意图；
图7为本发明中上采样模块的架构示意图；
图8为本发明中卷积模块的架构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种柔印首件的缺陷评估方法，包括字符检测和脏污检测，其中，所述字符检测包括以下步骤：
S1：基于电子样稿和柔印首件的字符位置对应构建电子样稿字符库和柔印首件字符库；
S2：分别将电子样稿字符和柔印首件字符输入预构建的深度评估网络，得到字符检测结果，完成字符检测；
所述脏污检测包括以下步骤：对柔印首件的图像进行时频转换、高斯滤波和Blob分析，得到脏污检测结果，完成脏污检测；
根据字符检测结果和脏污检测结果得到柔印首件的缺陷评估结果。
在具体实施过程中，通过构建电子样稿字符库和柔印首件字符库避免框选的边距不一的问题，消除四周可能存在的大面积伪缺陷；并且通过深度评估网络对柔印首件、电子样稿的对应字符进行较为包容的缺陷检测，大大提高了鲁棒性，减小因生产工艺上客观存在的视觉差异的影响，降低了误检率，提高了检测准确率。同时，通过将字符和脏污按照不同的方式进行检测，即对于字符内容，使用深度学习的方式进行检测，对于纹理衬底，通过精细的疵点检测，实现精准定位，从而在保证检测的准确率下，提高检测效率。
实施例2
一种柔印首件的缺陷评估方法，包括字符检测和脏污检测，其中，所述字符检测包括以下步骤：
S1：基于电子样稿和柔印首件的字符位置对应构建电子样稿字符库和柔印首件字符库；
更具体的，如图2所示，所述电子样稿的字符位置通过投影法获取。
更具体的，构建所述电子样稿字符库的步骤具体为：
在电子样稿上建立直角坐标系，沿字符的均匀分布方向为横轴；在纵坐标方向上，沿横坐标方向统计电子样稿上像素值为0的像素个数，得到纵坐标直方图，如图3所示，根据纵坐标直方图的分布情况计算每一行字符的位置；然后对每一行字符沿纵坐标统计像素值为0的像素个数，得到横坐标直方图，获取对应行中字符的宽度以及字符距离纵轴的距离；根据字符的位置、字符的宽度以及字符距离纵轴的距离获取字符外接矩形左上角和右下角的坐标，根据外接矩形的坐标将外接矩形上的字符截取保存，构建电子样稿字符库。
更具体的，采用字符定位网络获取柔印首件的字符位置，所述字符定位网络用于检测单个字符及字符间的连接关系，并根据检测结果确定字符位置。
更具体的，如图4所示，所述字符定位网络包括特征提取网络和解码器；
其中，所述特征提取网络包括依次连接的第一卷积阶段、第二卷积阶段、第三卷积阶段、第四卷积阶段和第五卷积阶段，每个卷积阶段分别包括卷积操作和最大池化操作；
所述解码器包括第一上采样模块、第二上采样模块、第三上采样模块、第四上采样模块和卷积模块；
在所述字符定位网络中，将第五卷积阶段的输出与自身进行堆叠后输入第四上采样模块，将第四上采样模块的输出与第四卷积阶段的输出堆叠后输入第三上采样模块，将第三上采样模块的输出与第三卷积阶段的输出堆叠后输入第二上采样模块，将第二上采样模块的输出与第二卷积阶段的输出堆叠后输入第一上采样模块完成最后一次上采样操作后输入到卷积模块中，最终输出预测的字符区域得分和连接关系得分，根据预测的字符区域得分和连接关系得分确定字符位置，并截取得到柔印首件的字符图像，如图5所示，其中图5左半部分为字符区域得分，右半部分为字符定位网络的框选结果。
S2：分别将电子样稿字符和柔印首件字符输入预构建的深度评估网络，得到字符检测结果，完成字符检测；
更具体的，如图6所示，所述深度评估网络包括两个VGG-16网络，分别用于电子样稿字符和柔印首件字符的检测；
在所述深度评估网络中，将电子样稿字符库和柔印首件字符库的对应字符图像输入不同的VGG-16网络，然后将两个VGG-16网络的输出进行堆叠，并让其经过反卷积层和全连接层得到分割结果作为字符检测结果。
所述脏污检测包括以下步骤：对柔印首件的图像进行时频转换、高斯滤波和Blob分析，得到脏污检测结果，完成脏污检测；
更具体的，脏污检测的步骤具体为：
首先采用傅里叶变换将柔印首件的图像的空间域特征转换为频域特征，然后通过高斯滤波获取图像的高频特征，最后通过Blob分析分割滤波后的图像，计算图像中每个区域的灰度共生矩阵，根据能量筛选缺陷，得到二值脏污分割图作为脏污检测结果，完成脏污检测。
根据字符检测结果和脏污检测结果得到柔印首件的缺陷评估结果。
实施例3
一种柔印首件的缺陷评估方法，包括字符检测和脏污检测，其中，所述字符检测包括以下步骤：
S1：基于电子样稿和柔印首件的字符位置对应构建电子样稿字符库和柔印首件字符库；
更具体的，所述电子样稿的字符位置通过投影法获取。
更具体的，构建所述电子样稿字符库的步骤具体为：
在电子样稿上建立直角坐标系，沿字符的均匀分布方向为横轴；在纵坐标方向上，沿横坐标方向统计电子样稿上像素值为0的像素个数，得到纵坐标直方图，根据纵坐标直方图的分布情况计算每一行字符的位置；然后对每一行字符沿纵坐标统计像素值为0的像素个数，得到横坐标直方图，获取对应行中字符的宽度以及字符距离纵轴的距离；根据字符的位置、字符的宽度以及字符距离纵轴的距离获取字符外接矩形左上角和右下角的坐标，根据外接矩形的坐标将外接矩形上的字符截取保存，构建电子样稿字符库。
更具体的，采用字符定位网络获取柔印首件的字符位置，所述字符定位网络用于检测单个字符及字符间的连接关系，并根据检测结果确定字符位置。
更具体的，所述字符定位网络包括特征提取网络和解码器；
其中，所述特征提取网络包括依次连接的第一卷积阶段、第二卷积阶段、第三卷积阶段、第四卷积阶段和第五卷积阶段，每个卷积阶段(conv stage)分别包括卷积操作和最大池化操作；
本实施例采用VGG-16 BN作为特征提取网络；
所述解码器包括第一上采样模块、第二上采样模块、第三上采样模块、第四上采样模块和卷积模块；
其中，如图7所示，每个上采样模块分别包括两层卷积层和两层批归一化层，卷积层的卷积核大小为3*3，，输出通道数为out_ch，所述解码器采用自顶向下的特征聚合方式；卷积模块如图8所示，每层包括卷积层和Relu层。
在所述字符定位网络中，将第五卷积阶段的输出与自身进行堆叠后输入第四上采样模块，将第四上采样模块的输出与第四卷积阶段的输出堆叠后输入第三上采样模块，将第三上采样模块的输出与第三卷积阶段的输出堆叠后输入第二上采样模块，将第二上采样模块的输出与第二卷积阶段的输出堆叠后输入第一上采样模块完成最后一次上采样操作后输入到卷积模块中，最终输出预测的字符区域得分和连接关系得分，根据预测的字符区域得分和连接关系得分确定字符位置，并截取得到柔印首件的字符图像。
更具体的，所述字符定位网络的置信度映射sconf(w)为：
Figure BDA0003927808960000081
本实施例中，通过利用字符数得到一个置信度映射，防止在弱监督方式下产生的错误标签带偏网络；
根据置信度映射获取图像像素置信度Sc(p)：
Figure BDA0003927808960000082
构建所述字符定位网络的目标函数L：
Figure BDA0003927808960000083
其中，l(w)表示字符w的长度，lc(w)表示预测的字符w的长度，p表示R(w)的像素，R(w)表示字符w所在的字符边界框区域，Sr(p)表示预测的字符区域得分，
Figure BDA0003927808960000084
表示实际的字符区域得分，Sa(p)表示预测的连接关系得分，
Figure BDA0003927808960000085
表示实际的连接关系得分。当得到的结果与文本长度一致时，置信度高，否则置信度低。
本实施例中，还包括在得到字符定位网络的输出后，对输出的得分概率图进行取阈值计算，使用Connected Component Labeling(CCL)进行区域连接，完成后处理。
S2：分别将电子样稿字符和柔印首件字符输入预构建的深度评估网络，得到字符检测结果，完成字符检测；
更具体的，所述深度评估网络包括两个VGG-16网络，分别用于电子样稿字符和柔印首件字符的检测；
在所述深度评估网络中，将电子样稿字符库和柔印首件字符库的对应字符图像输入不同的VGG-16网络，然后将两个VGG-16网络的输出进行堆叠，并让其经过反卷积层和全连接层得到分割结果作为字符检测结果。
在具体实施过程中，由于检测的对象的尺寸较小，只使用VGG-16的前三个stage以及后面三个卷积层，两个网络的权重共享。分别将相对应的电子样稿字符和柔印首件字符输入深度评估网络，将两个VGG-16最后一层卷积层输出的特征向量堆叠后输入反卷积层进行上采样，使其特征维度降低为堆叠后的一半的同时包含电子样稿和首件字符的特征。将stage3的前一层卷积层输出与上采样后的特征向量与进行堆叠，同样地将经过两次上采样的特征向量与stage2的前一层卷积层输出进行堆叠。当特征向量上采样后的尺寸与输入的图片尺寸一致时，经过全连接(softmax)层得到分割的结果。
更具体的，两个VGG-16网络的权重共享。
更具体的，所述深度评估网络的损失函数Loss为：
Loss＝Dice_loss+CE_loss
Dice_loss＝1-Dice
Figure BDA0003927808960000091
Figure BDA0003927808960000092
其中，Dice表示dice系数，Dice_loss表示dice损失函数，N表示像素点总个数，yi＝{0,1}表示实际的二元标签，
Figure BDA0003927808960000093
表示预测的二元标签，CE_loss表示二元交叉熵损失函数，
Figure BDA0003927808960000094
表示输出属于
Figure BDA0003927808960000095
标签的概率。
在具体实施过程中，二元交叉熵函数不仅收敛快，而且在整批累积每像素的损失。采用dice系数作为损失函数使预测值尽可能接近实际值。
所述脏污检测包括以下步骤：对柔印首件的图像进行时频转换、高斯滤波和Blob分析，得到脏污检测结果，完成脏污检测；
更具体的，脏污检测的步骤具体为：
首先采用傅里叶变换将柔印首件的图像的空间域特征转换为频域特征，然后通过高斯滤波获取图像的高频特征，最后通过Blob分析分割滤波后的图像，计算图像中每个区域的灰度共生矩阵，根据能量筛选缺陷，得到二值脏污分割图作为脏污检测结果，完成脏污检测。
在具体实施过程中，频率特征是图像的灰度变化特征，低频特征是灰度变化不明显，例如图像整体轮廓，高频特征是图像灰度变化剧烈，如图像边缘和噪声。由于大部分的脏污颜色都比较深，灰度值能量较小，所以根据能量可以筛选脏污区域。
根据字符检测结果和脏污检测结果得到柔印首件的缺陷评估结果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种柔印首件的缺陷评估方法，其特征在于，包括字符检测和脏污检测，其中，所述字符检测包括以下步骤：
S1：基于电子样稿和柔印首件的字符位置对应构建电子样稿字符库和柔印首件字符库；
S2：分别将电子样稿字符和柔印首件字符输入预构建的深度评估网络，得到字符检测结果，完成字符检测；
所述脏污检测包括以下步骤：对柔印首件的图像进行时频转换、高斯滤波和Blob分析，得到脏污检测结果，完成脏污检测；
根据字符检测结果和脏污检测结果得到柔印首件的缺陷评估结果。
2.根据权利要求1所述的一种柔印首件的缺陷评估方法，其特征在于，所述电子样稿的字符位置通过投影法获取。
3.根据权利要求2所述的一种柔印首件的缺陷评估方法，其特征在于，构建所述电子样稿字符库的步骤具体为：
在电子样稿上建立直角坐标系，沿字符的均匀分布方向为横轴；在纵坐标方向上，沿横坐标方向统计电子样稿上像素值为0的像素个数，得到纵坐标直方图，根据纵坐标直方图的分布情况计算每一行字符的位置；然后对每一行字符沿纵坐标统计像素值为0的像素个数，得到横坐标直方图，获取对应行中字符的宽度以及字符距离纵轴的距离；根据字符的位置、字符的宽度以及字符距离纵轴的距离获取字符外接矩形左上角和右下角的坐标，根据外接矩形的坐标将外接矩形上的字符截取保存，构建电子样稿字符库。
4.根据权利要求1所述的一种柔印首件的缺陷评估方法，其特征在于，采用字符定位网络获取柔印首件的字符位置，所述字符定位网络用于检测单个字符及字符间的连接关系，并根据检测结果确定字符位置。
5.根据权利要求4所述的一种柔印首件的缺陷评估方法，其特征在于，所述字符定位网络包括特征提取网络和解码器；
其中，所述特征提取网络包括依次连接的第一卷积阶段、第二卷积阶段、第三卷积阶段、第四卷积阶段和第五卷积阶段，每个卷积阶段分别包括卷积操作和最大池化操作；
所述解码器包括第一上采样模块、第二上采样模块、第三上采样模块、第四上采样模块和卷积模块；
在所述字符定位网络中，将第五卷积阶段的输出与自身进行堆叠后输入第四上采样模块，将第四上采样模块的输出与第四卷积阶段的输出堆叠后输入第三上采样模块，将第三上采样模块的输出与第三卷积阶段的输出堆叠后输入第二上采样模块，将第二上采样模块的输出与第二卷积阶段的输出堆叠后输入第一上采样模块完成最后一次上采样操作后输入到卷积模块中，最终输出预测的字符区域得分和连接关系得分，根据预测的字符区域得分和连接关系得分确定字符位置，并截取得到柔印首件的字符图像。
6.根据权利要求5所述的一种柔印首件的缺陷评估方法，其特征在于，所述字符定位网络的置信度映射sconf(w)为：
Figure FDA0003927808950000021
根据置信度映射获取图像像素置信度Sc(p)：
Figure FDA0003927808950000022
构建所述字符定位网络的目标函数L：
Figure FDA0003927808950000023
其中，l(w)表示字符w的长度，lc(w)表示预测的字符w的长度，p表示R(w)的像素，R(w)表示字符w所在的字符边界框区域，Sr(p)表示预测的字符区域得分，
Figure FDA0003927808950000024
表示实际的字符区域得分，Sa(p)表示预测的连接关系得分，
Figure FDA0003927808950000025
表示实际的连接关系得分。
7.根据权利要求1所述的一种柔印首件的缺陷评估方法，其特征在于，所述深度评估网络包括两个VGG-16网络，分别用于电子样稿字符和柔印首件字符的检测；
在所述深度评估网络中，将电子样稿字符库和柔印首件字符库的对应字符图像输入不同的VGG-16网络，然后将两个VGG-16网络的输出进行堆叠，并让其经过反卷积层和全连接层得到分割结果作为字符检测结果。
8.根据权利要求7所述的一种柔印首件的缺陷评估方法，其特征在于，两个VGG-16网络的权重共享。
9.根据权利要求1所述的一种柔印首件的缺陷评估方法，其特征在于，所述深度评估网络的损失函数Loss为：
Loss＝Dice_loss+CE_loss
Dice_loss＝1-Dice
Figure FDA0003927808950000031
Figure FDA0003927808950000032
其中，Dice表示dice系数，Dice_loss表示dice损失函数，N表示像素点总个数，yi＝{0,1}表示实际的二元标签，
Figure FDA0003927808950000033
表示预测的二元标签，CE_loss表示二元交叉熵损失函数，
Figure FDA0003927808950000034
表示输出属于
Figure FDA0003927808950000035
标签的概率。
10.根据权利要求5所述的一种柔印首件的缺陷评估方法，其特征在于，脏污检测的步骤具体为：
首先采用傅里叶变换将柔印首件的字符图像的空间域特征转换为频域特征，然后通过高斯滤波获取图像的高频特征，最后通过Blob分析分割滤波后的图像，计算图像中每个区域的灰度共生矩阵，根据能量筛选缺陷，得到二值脏污分割图作为脏污检测结果，完成脏污检测。
CN202211380614.8A 2022-11-04 2022-11-04 一种柔印首件的缺陷评估方法 Pending CN115601760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211380614.8A CN115601760A (zh) 2022-11-04 2022-11-04 一种柔印首件的缺陷评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211380614.8A CN115601760A (zh) 2022-11-04 2022-11-04 一种柔印首件的缺陷评估方法

Publications (1)

Publication Number Publication Date
CN115601760A true CN115601760A (zh) 2023-01-13

Family

ID=84853743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211380614.8A Pending CN115601760A (zh) 2022-11-04 2022-11-04 一种柔印首件的缺陷评估方法

Country Status (1)

Country Link
CN (1) CN115601760A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893611A (zh) * 2024-03-14 2024-04-16 浙江华诺康科技有限公司 一种图像传感器的脏污检测方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893611A (zh) * 2024-03-14 2024-04-16 浙江华诺康科技有限公司 一种图像传感器的脏污检测方法、装置和计算机设备
CN117893611B (zh) * 2024-03-14 2024-06-11 浙江华诺康科技有限公司 一种图像传感器的脏污检测方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
CN106952250B (zh) 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置
CN103439348B (zh) 基于差影法的遥控器按键缺陷检测方法
CN108596166A (zh) 一种基于卷积神经网络分类的集装箱箱号识别方法
CN111080622A (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN107014819A (zh) 一种太阳能电池板表面缺陷检测***和方法
CN109142383B (zh) 一种基于形态学的字符缺陷检测方法
CN111242896A (zh) 一种彩色印刷标签缺陷检测与质量评级方法
CN114494259A (zh) 一种基于人工智能的布匹缺陷检测方法
CN111126391B (zh) 一种印刷字符缺陷定位方法
CN111062934B (zh) 一种织物图像缺陷实时检测方法
CN117541588B (zh) 一种纸制品的印刷缺陷检测方法
CN113034488A (zh) 一种喷墨印刷品的视觉检测方法
CN115601760A (zh) 一种柔印首件的缺陷评估方法
CN113888536A (zh) 一种基于计算机视觉的印刷品重影检测方法及***
CN114266764A (zh) 一种印刷标签的字符完整性检测方法及其装置
CN115775236A (zh) 基于多尺度特征融合的表面微小缺陷视觉检测方法及***
CN112884741B (zh) 一种基于图像相似性对比的印刷表观缺陷检测方法
CN116704516A (zh) 一种用于水溶肥料包装的视觉检测方法
CN114612458A (zh) 一种基于电子样稿的柔印首件检测方法
Gong et al. Adaptive visual inspection method for transparent label defect detection of curved glass bottle
CN117830315A (zh) 基于图像处理的印刷机实时监控方法及***
Brumm et al. A deep learning approach for the classification task of gravure printed patterns
CN110033469A (zh) 一种亚像素边缘检测方法及***
CN114037688A (zh) 智能化的印品图像检测方法和***
CN111798429B (zh) 一种印刷品缺陷的视觉检测方法

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