CN116152249A - 一种智能数字印刷质量检测方法 - Google Patents
一种智能数字印刷质量检测方法 Download PDFInfo
- Publication number
- CN116152249A CN116152249A CN202310424973.7A CN202310424973A CN116152249A CN 116152249 A CN116152249 A CN 116152249A CN 202310424973 A CN202310424973 A CN 202310424973A CN 116152249 A CN116152249 A CN 116152249A
- Authority
- CN
- China
- Prior art keywords
- detected
- ssim
- image block
- target
- value
- 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.)
- Granted
Links
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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种智能数字印刷质量检测方法,包括:获取模板图像和待检测图像,对模板图像和待检测图像进行分块处理,结合色调和饱和度,对原始SSIM值进行初始改进,获得每个待检测图像块的初始改进SSIM值,获取待检测图像中每行的差值行序列和每列的差值列序列,结合差值行序列和差值列序列的分布情况,对所有待检测图像块的初始改进SSIM值进行调整,获得所有待检测图像块的改进SSIM值,根据所有待检测图像块的改进SSIM值,获得疑似缺陷图像块,完成对印刷品图像的质量检测。本发明提高缺陷的检测准确性和缺陷边缘的完整性,排除噪声干扰,提高了后续对于印刷图像质量检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种智能数字印刷质量检测方法。
背景技术
在完整的数字印刷过程中,印刷预处理中的纸张质量出现偏差,印刷过程中的印刷压力不均,印后上光、覆膜等操作不当会导致印刷品表面出现划痕、漏印、色斑等缺陷,均会影响印刷质量,不被客户接受。因此,对印刷质量进行检测是其中必不可少的操作。
现有技术通常对采集得到的印刷品图像与模板图像进行相似度衡量,进而对印刷品图像进行质量检测。现有常采用SSIM算法对数字印刷图像与模板图像进行相似度衡量。
由于印刷缺陷大小与位置的随机性,当出现微小缺陷时,使用SSIM算法对印刷品进行相似度衡量时,得到的结果较大。同时由于对印刷品图像进行采集传输时不可避免会产生噪声,直接进行去噪处理会导致印刷品图像细节丢失,影响后续质量检测的准确性。但噪声点同时会影响相似度衡量,而微小缺陷与噪声对印刷质量的影响不同,需结合印刷缺陷与噪声点的形状与分布特征对SSIM算法进行调整,进而提升印刷质量检测的准确性。
发明内容
本发明提供一种智能数字印刷质量检测方法,以解决现有的问题。
本发明的一种智能数字印刷质量检测方法采用如下技术方案:
本发明提供了一种智能数字印刷质量检测方法,该方法包括以下步骤:
采集模板图像和待检测图像,将模板图像划分为若干个大小等于预设尺寸的模板图像块,将待检测图像划分为若干个大小等于预设尺寸的待检测图像块;
将任意一个待检测图像块记为目标待检测图像块,将模板图像中相同位置的模板图像块记为目标模板图像块;计算目标待检测图像块与目标模板图像块之间的SSIM值,记为目标待检测图像块的原始SSIM值;
根据目标待检测图像块和目标模板图像块的中心点的色调值和饱和度值,对目标待检测图像块的原始SSIM值进行改进,获得目标待检测图像块的初始改进SSIM值;获得所有待检测图像块的初始改进SSIM值;
将待检测图像中位于同一行的所有待检测图像块的初始改进SSIM值按照顺序组成的序列记为SSIM行序列;将待检测图像中位于同一列的所有待检测图像块的初始改进SSIM值按照顺序组成的序列记为SSIM列序列;获得每个SSIM行序列的差值行序列和每个SSIM列序列的差值列序列;
根据目标待检测图像块所在行的差值行序列和所在列的差值列序列的分布特征,获得目标待检测图像块的缺陷边缘可能性;将目标待检测图像块的初始改进SSIM值与目标待检测图像块的缺陷边缘可能性的差值,记为目标待检测图像块的改进SSIM值,获得所有待检测图像块的改进SSIM值;
将改进SSIM值小于阈值的待检测图像块记为疑似缺陷图像块,对所有疑似缺陷图像块进行标记,完成对印刷品图像的质量检测。
进一步地,所述获得目标待检测图像块的初始改进SSIM值,包括的具体步骤如下:
目标待检测图像块的初始改进SSIM值的计算公式为:
式中,表示目标待检测图像块的初始改进SSIM值,表示目标待检测图像块
的原始SSIM值,表示目标待检测图像块的中心点的色调值,表示目标模板图像块的中
心点的色调值,表示目标待检测图像块的中心点的饱和度值,表示目标模板图像块的中
心点的饱和度值,表示取绝对值,表示以自然常数为底的指数函数。
进一步地,获得每个所述SSIM行序列的差值行序列和每个SSIM列序列的差值列序列,包括的具体步骤如下:
获取每个SSIM行序列和SSIM列序列的一阶差分序列,将每个SSIM行序列的第一个数值与每个SSIM行序列的一阶差分序列组成的序列,记为每个SSIM行序列的差值行序列,其中,将差值行序列中的第i个数据作为对应行中的第i个待检测图像块的SSIM行差值;将每个SSIM列序列的第一个数值与每个SSIM列序列的一阶差分序列组成的序列,记为每个SSIM列序列的差值列序列,其中,将差值列序列中的第j个数据作为对应列中的第j个待检测图像块的SSIM列差值。
进一步地,计算所述目标待检测图像块与目标模板图像块之间的SSIM值,包括的具体步骤如下:
根据SSIM算法计算目标待检测图像块与目标模板图像块之间的R通道的SSIM值,同理,获得目标待检测图像块与目标模板图像块之间的G通道的SSIM值和B通道的SSIM值,将获得的三个通道的SSIM值的均值记为目标待检测图像块与目标模板图像块之间的SSIM值。
进一步地,获得所述目标待检测图像块的缺陷边缘可能性,包括的具体步骤如下:
目标待检测图像块的缺陷边缘可能性的计算公式为:
式中,表示目标待检测图像块的缺陷边缘可能性,表示同一行中位于目标待检
测图像块的左侧且与目标待检测图像块的SSIM行差值的符号相同的连续多个目标待检测
图像块的最大数量,表示同一行中位于目标待检测图像块的右侧且与目标待检测图像块
的SSIM行差值的符号相同的连续多个目标待检测图像块的最大数量,表示同一行中位于
目标待检测图像块的左侧的待检测图像块的SSIM行差值,表示同一行中位于目标待检测
图像块的右侧的待检测图像块的SSIM行差值;表示同一列中位于目标待检测图像块的上
方且与目标待检测图像块的SSIM列差值的符号相同的连续多个目标待检测图像块的最大
数量,表示同一列中位于目标待检测图像块的下方且与目标待检测图像块的SSIM列差值
的符号相同的连续多个目标待检测图像块的最大数量,表示同一列中位于目标待检测图
像块的上方的待检测图像块的SSIM列差值,表示同一列中位于目标待检测图像块的下方
的待检测图像块的SSIM列差值,表示取绝对值,表示取最大值,表示
Sigmoid函数,M和N分别表示待检测图像的行数和列数,A为预设边长,表示向上取整。
本发明的技术方案的有益效果是:现有SSIM算法在衡量待检测图像和模板图像的相似度时,没有考虑待检测图像中的颜色特征、细节信息以及噪声影响,无法准确获取缺陷的边缘,将噪声错误地识别为缺陷,导致对待检测图像中的漏印、错印、色斑等颜色缺陷的检测不准确,本发明相较于现有技术,结合色调和饱和度,根据颜色特征对待检测图像块的原始SSIM值进行初始改进,提高待检测图像中的漏印、错印、色斑等颜色缺陷的检测准确性,获得初始改进SSIM值,通过印刷缺陷与噪声的二维特征获得待检测图像块的缺陷边缘可能性,通过缺陷边缘可能性对待检测图像块的初始改进SSIM值进行调整,减小位于缺陷边缘的待检测图像块的初始改进SSIM值,提高噪声处的待检测图像块的初始改进SSIM值,保证获取的缺陷的边缘的完整性,排除噪声对缺陷检测的干扰,进而提高了后续对于印刷图像质量检测的准确性。
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为本发明的一种智能数字印刷质量检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种智能数字印刷质量检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种智能数字印刷质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种智能数字印刷质量检测方法的步骤流程图,该方法包括以下步骤:
S001.获取模板图像和待检测图像,对模板图像和待检测图像进行分块处理。
本实施例对数字印刷图像进行质量检测,需要将采集的印刷品图像与模板图像进行相似度衡量,因此,在数字印刷机上方放置相机,对印刷完毕的数字印刷图像进行实时采集,将采集的图像记为待检测图像,将未出现印刷缺陷的印刷品图像记为模板图像,其中,待检测图像和模板图像均为RGB图像。
模板图像和待检测图像的尺寸均为M×N,M表示待检测图像的行数,N表示待检测
图像的列数,通过在图像的右方和下方填充灰度值为0的像素点,将模板图像和待检测图像
扩充为尺寸为的图像,其中,A为预设边长,表示向上取整;将模板
图像划分为若干个大小等于预设尺寸的图像块,记为模板图像块,将待检测图像划分为若
干个大小等于预设尺寸的图像块,记为待检测图像块,其中,预设尺寸为A×A。
在本发明实施例中预设边长A为11,则预设尺寸A×A为11×11,在其他实施例中,实施人员可根据实际实施情况设置预设边长和预设尺寸。
S002.结合色调和饱和度,对原始SSIM值进行初始改进,获得每个待检测图像块的初始改进SSIM值,获取待检测图像中每行的差值行序列和每列的差值列序列,结合差值行序列和差值列序列的分布情况,对所有待检测图像块的初始改进SSIM值进行调整,获得所有待检测图像块的改进SSIM值。
1.结合色调和饱和度,对原始SSIM值进行初始改进,获得所有待检测图像块的初始改进SSIM值。
需要说明的是,当出现微小印刷缺陷时,直接使用SSIM算法对待检测图像与模板图像进行相似度衡量会导致得到的SSIM值偏大,进而导致质量检测的误差较大。对于印刷品而言,出现较多的缺陷为漏印、错印、色斑等,导致待检测图像与模板图像的颜色特征出现差异,而SSIM算法仅考虑印刷品图像的亮度、对比度和结构,没有考虑对印刷品图像的颜色特征影响较大的色调和饱和度,因此,获得的原始SSIM值没有结合待检测图像与模板图像的颜色特征差异,对常出现的漏印、错印、色斑等缺陷的检测结果不准确。本实施例结合色调和饱和度对原始SSIM值进行初始改进,获得每个待检测图像块的初始改进SSIM值。
在本实施例中,对于待检测图像中的任意一个待检测图像块,将模板图像中相同位置的模板图像块记为待检测图像块的模板图像块;将任意一个待检测图像块记为目标待检测图像块,将目标待检测图像块的模板图像块记为目标模板图像块。
根据SSIM算法计算目标待检测图像块与目标模板图像块之间的R通道的SSIM值,同理,获得目标待检测图像块与目标模板图像块之间的G通道的SSIM值和B通道的SSIM值,将获得的三个通道的SSIM值的均值记为目标待检测图像块与目标模板图像块之间的SSIM值。
将目标待检测图像块的中心位置的像素点为目标待检测图像块的中心点,将目标模板图像块的中心位置的像素点为目标模板图像块的中心点,将目标待检测图像块和目标模板图像块转换为对应的HSV图像,获得目标待检测图像块的中心点的色调值和饱和度值,以及目标模板图像块的中心点的色调值和和饱和度值。
目标待检测图像块的初始改进SSIM值的计算公式为:
式中,表示目标待检测图像块的初始改进SSIM值,表示目标待检测图像块
的原始SSIM值,表示目标待检测图像块的中心点的色调值,表示目标模板图像块的中
心点的色调值,表示目标待检测图像块的中心点的饱和度值,表示目标模板图像块的中
心点的饱和度值,表示取绝对值,表示以自然常数为底的指数函数。
表示目标待检测图像块的中心点与目标模板图像块的中心点的色调值的
差异性,表示目标待检测图像块的中心点与目标模板图像块的中心点的饱和度值
的差异性,目标待检测图像块与目标模板图像块的色调值的差异性和饱和度值的差异性越
大,则目标待检测图像块与目标模板图像块的颜色特征差异越大,则目标待检测图像块的
初始改进SSIM值越小。
获得所有待检测图像块的初始改进SSIM值。
考虑到印刷品图像的缺陷绝大多数为颜色缺陷,结合待检测图像与模板图像的色调值的差异性和饱和度值的差异性,获得待检测图像与模板图像的颜色特征差异,进而根据颜色特征差异对待检测图像与模板图像的原始SSIM值进行改进,获得的初始改进SSIM值,对印刷品图像常出现的漏印、错印、色斑等颜色缺陷的检测结果更准确,更适用于印刷品质量检测。
2.获取待检测图像中每行的差值行序列和每列的差值列序列,结合差值行序列和差值列序列的分布情况,对所有待检测图像块的初始改进SSIM值进行调整,获得所有待检测图像块的改进SSIM值。
需要说明的是,印刷品图像上的缺陷具有范围特性,对于印刷品图像上的某处缺陷,缺陷周边的多个待检测图像块存在印刷缺陷的可能性较大,则多个待检测图像块的初始改进SSIM值相近且相较于正常的待检测图像块较小。考虑到对印刷品图像上的不同缺陷的后续处理操作不同,因此,需保证印刷品图像的缺陷检测的完整性,需要保证缺陷的边缘也要被完整获取,但对于微小缺陷,例如当出现微小漏印时,漏印边缘与模板图像上的正常区域的边缘相近,漏印边缘处的待检测图像块的SSIM值较大,但为了保证缺陷处被完整提取,需对漏印边缘处的待检测图像块的初始改进SSIM值进行降低调整,便于后续对缺陷的完整检测。同时对印刷品图像进行采集传输时,印刷品图像会产生噪声,但对于噪声所在的待检测图像块相对于周边正常的待检测图像块,其初始改进SSIM较小,但噪声与印刷缺陷对图像质量的影响不同,需对待检测图像块的初始改进SSIM进行调整,将噪声处的待检测图像块的初始改进SSIM值增大。
需要进一步说明的是,由于印刷品图像的缺陷具有范围性,缺陷的中心处的损伤程度最大,由中心向***四周扩散,损伤程度逐渐减小,具体体现在待检测图像块的初始改进SSIM值上时,由于缺陷的中心处对应的待检测图像块与模板图像块的差异较大,逐渐向外扩散,缺陷程度降低,进而与模板图像块的差异降低,所对应的初始改进SSIM值降低。但对于由于噪声点所在的待检测图像块,其周围的待检测图像块与模板图像块无差异,则周围的待检测图像块的初始改进SSIM值较大,其周围的待检测图像块像块不具备递变特征。考虑到噪声与缺陷对印刷品图像质量的影响不同,需要结合印刷缺陷与噪声的二维特征,对待检测图像块的初始改进SSIM进行调整,将缺陷边缘处的待检测图像块的初始改进SSIM值减小。
在本实施例中,将待检测图像中位于同一行的所有待检测图像块的初始改进SSIM值按照顺序组成的序列记为SSIM行序列;将待检测图像中位于同一列的所有待检测图像块的初始改进SSIM值按照顺序组成的序列记为SSIM列序列。
获取每个SSIM行序列和SSIM列序列的一阶差分序列,将每个SSIM行序列的第一个数值与每个SSIM行序列的一阶差分序列组成的序列,记为每个SSIM行序列的差值行序列,其中,将差值行序列中的第i个数据作为对应行中的第i个待检测图像块的SSIM行差值;将每个SSIM列序列的第一个数值与每个SSIM列序列的一阶差分序列组成的序列,记为每个SSIM列序列的差值列序列,其中,将差值列序列中的第j个数据作为对应列中的第j个待检测图像块的SSIM列差值。
将任意一个待检测图像块记为目标待检测图像块,将目标待检测图像块的模板图像块记为目标模板图像块,目标待检测图像块的缺陷边缘可能性的计算公式为:
式中,表示目标待检测图像块的缺陷边缘可能性,表示同一行中位于目标待检
测图像块的左侧且与目标待检测图像块的SSIM行差值的符号相同的连续多个目标待检测
图像块的最大数量,表示同一行中位于目标待检测图像块的右侧且与目标待检测图像块
的SSIM行差值的符号相同的连续多个目标待检测图像块的最大数量,表示同一行中位于
目标待检测图像块的左侧的待检测图像块的SSIM行差值,表示同一行中位于目标待检测
图像块的右侧的待检测图像块的SSIM行差值;表示同一列中位于目标待检测图像块的上
方且与目标待检测图像块的SSIM列差值的符号相同的连续多个目标待检测图像块的最大
数量,表示同一列中位于目标待检测图像块的下方且与目标待检测图像块的SSIM列差值
的符号相同的连续多个目标待检测图像块的最大数量,表示同一列中位于目标待检测图
像块的上方的待检测图像块的SSIM列差值,表示同一列中位于目标待检测图像块的下方
的待检测图像块的SSIM列差值,表示取绝对值,表示取最大值,表示
Sigmoid函数,M和N分别表示待检测图像的行数和列数,A为预设边长,表示向上取整。
表示同一行中位于目标待检测图像块周围的待检测图像块的SSIM行差值
的变化趋势,如果目标待检测图像块处于缺陷的边缘处,由于缺陷处的损伤程度由中心向
***四周扩散,损伤程度逐渐减小,初始改进SSIM值逐渐增大,此时目标待检测图像块周围
的待检测图像块的初始改进SSIM值呈递增趋势,同一行中位于目标待检测图像块周围的且
与目标待检测图像块的SSIM行差值的符号相同的目标待检测图像块越多,即越
大,目标待检测图像块处于缺陷的边缘处的可能性越大,则目标待检测图像块的缺陷边缘
可能性越大;而当目标待检测图像块位于噪声处时,目标待检测图像块周围的待检测图像
块的初始改进SSIM值相近且均较大,同一行中位于目标待检测图像块周围的且与目标待检
测图像块的SSIM行差值的符号相同的目标待检测图像块越少,即越小,目标待检
测图像块位于噪声处的可能性越大,目标待检测图像块处于缺陷的边缘处的可能性越小,
则目标待检测图像块的缺陷边缘可能性越小;同理,越大,目标待检测图像块处
于缺陷的边缘处的可能性越大,则目标待检测图像块的缺陷边缘可能性越大,越
小,目标待检测图像块位于噪声处的可能性越大,目标待检测图像块处于缺陷的边缘处的
可能性越小,则目标待检测图像块的缺陷边缘可能性越小。
表示同一行中位于目标待检测图像块的周围的待检测图像块的SSIM行差
值的差异程度,如果目标待检测图像块处于缺陷的边缘处,目标待检测图像块的一侧的待
检测图像块的初始改进SSIM值较小,而另一侧的待检测图像块的初始改进SSIM值较大,因
此,目标待检测图像块的周围的待检测图像块的SSIM行差值的差异程度越大,即
越大,目标待检测图像块处于缺陷的边缘处的可能性越大,则目标待检测图像块的缺陷边
缘可能性越大;如果目标待检测图像块位于噪声处,目标待检测图像块周围的待检测图像
块的初始改进SSIM值相近,则目标待检测图像块的周围的待检测图像块的SSIM行差值的差
异程度越小,即越大,目标待检测图像块位于噪声处的可能性越大,目标待检测图
像块处于缺陷的边缘处的可能性越小,则目标待检测图像块的缺陷边缘可能性越小;同
理,越大,目标待检测图像块处于缺陷的边缘处的可能性越大,则目标待检测图像
块的缺陷边缘可能性越大,越小,目标待检测图像块位于噪声处的可能性越大,
目标待检测图像块处于缺陷的边缘处的可能性越小,则目标待检测图像块的缺陷边缘可能
性越小。
例如,目标待检测图像块所在行的SSIM行序列的差值行序列为{0.2,-0.3,-0.4,-
0.6,-0.2,0.7},其中,目标待检测图像块的SSIM行差值为-0.6,则目标待检测图像块的
SSIM行差值的符号为负号,此时,。
将目标待检测图像块的初始改进SSIM值与目标待检测图像块的缺陷边缘可能性的差值,记为目标待检测图像块的改进SSIM值。
获得所有待检测图像块的改进SSIM值。
通过印刷缺陷与噪声的二维特征,对待检测图像块的初始改进SSIM值进行调整,减小位于缺陷边缘的待检测图像块的初始改进SSIM值,提高噪声处的待检测图像块的初始改进SSIM值,保证获取的缺陷的边缘的完整性,排除噪声对缺陷检测的干扰,进而提高了后续对于印刷图像质量检测的准确性。
S003.根据所有待检测图像块的改进SSIM值,获得疑似缺陷图像块,完成对印刷品图像的质量检测。
将改进SSIM值小于阈值的待检测图像块记为疑似缺陷图像块,对所有疑似缺陷图像块进行标记,完成对印刷品图像的质量检测。
在本实施例中,阈值为0.6,在其他实施例中,实施人员可以根据经验设置阈值。
现有SSIM算法在衡量待检测图像和模板图像的相似度时,没有考虑待检测图像中的颜色特征、细节信息以及噪声影响,无法准确获取缺陷的边缘,将噪声错误地识别为缺陷,导致对待检测图像中的漏印、错印、色斑等颜色缺陷的检测不准确,本发明相较于现有技术,结合色调和饱和度,根据颜色特征对待检测图像块的原始SSIM值进行初始改进,提高待检测图像中的漏印、错印、色斑等颜色缺陷的检测准确性,获得初始改进SSIM值,通过印刷缺陷与噪声的二维特征获得待检测图像块的缺陷边缘可能性,通过缺陷边缘可能性对待检测图像块的初始改进SSIM值进行调整,减小位于缺陷边缘的待检测图像块的初始改进SSIM值,提高噪声处的待检测图像块的初始改进SSIM值,保证获取的缺陷的边缘的完整性,排除噪声对缺陷检测的干扰,进而提高了后续对于印刷图像质量检测的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (5)
1.一种智能数字印刷质量检测方法,其特征在于,该方法包括以下步骤:
采集模板图像和待检测图像,将模板图像划分为若干个大小等于预设尺寸的模板图像块,将待检测图像划分为若干个大小等于预设尺寸的待检测图像块;
将任意一个待检测图像块记为目标待检测图像块,将模板图像中相同位置的模板图像块记为目标模板图像块;计算目标待检测图像块与目标模板图像块之间的SSIM值,记为目标待检测图像块的原始SSIM值;
根据目标待检测图像块和目标模板图像块的中心点的色调值和饱和度值,对目标待检测图像块的原始SSIM值进行改进,获得目标待检测图像块的初始改进SSIM值;获得所有待检测图像块的初始改进SSIM值;
将待检测图像中位于同一行的所有待检测图像块的初始改进SSIM值按照顺序组成的序列记为SSIM行序列;将待检测图像中位于同一列的所有待检测图像块的初始改进SSIM值按照顺序组成的序列记为SSIM列序列;获得每个SSIM行序列的差值行序列和每个SSIM列序列的差值列序列;
根据目标待检测图像块所在行的差值行序列和所在列的差值列序列的分布特征,获得目标待检测图像块的缺陷边缘可能性;将目标待检测图像块的初始改进SSIM值与目标待检测图像块的缺陷边缘可能性的差值,记为目标待检测图像块的改进SSIM值,获得所有待检测图像块的改进SSIM值;
将改进SSIM值小于阈值的待检测图像块记为疑似缺陷图像块,对所有疑似缺陷图像块进行标记,完成对印刷品图像的质量检测。
3.根据权利要求1所述的一种智能数字印刷质量检测方法,其特征在于,获得每个所述SSIM行序列的差值行序列和每个SSIM列序列的差值列序列,包括的具体步骤如下:
获取每个SSIM行序列和SSIM列序列的一阶差分序列,将每个SSIM行序列的第一个数值与每个SSIM行序列的一阶差分序列组成的序列,记为每个SSIM行序列的差值行序列,其中,将差值行序列中的第i个数据作为对应行中的第i个待检测图像块的SSIM行差值;将每个SSIM列序列的第一个数值与每个SSIM列序列的一阶差分序列组成的序列,记为每个SSIM列序列的差值列序列,其中,将差值列序列中的第j个数据作为对应列中的第j个待检测图像块的SSIM列差值。
4.根据权利要求1所述的一种智能数字印刷质量检测方法,其特征在于,计算所述目标待检测图像块与目标模板图像块之间的SSIM值,包括的具体步骤如下:
根据SSIM算法计算目标待检测图像块与目标模板图像块之间的R通道的SSIM值,同理,获得目标待检测图像块与目标模板图像块之间的G通道的SSIM值和B通道的SSIM值,将获得的三个通道的SSIM值的均值记为目标待检测图像块与目标模板图像块之间的SSIM值。
5.根据权利要求3所述的一种智能数字印刷质量检测方法,其特征在于,获得所述目标待检测图像块的缺陷边缘可能性,包括的具体步骤如下:
目标待检测图像块的缺陷边缘可能性的计算公式为:
式中,表示目标待检测图像块的缺陷边缘可能性,/>表示同一行中位于目标待检测图像块的左侧且与目标待检测图像块的SSIM行差值的符号相同的连续多个目标待检测图像块的最大数量,/>表示同一行中位于目标待检测图像块的右侧且与目标待检测图像块的SSIM行差值的符号相同的连续多个目标待检测图像块的最大数量,/>表示同一行中位于目标待检测图像块的左侧的待检测图像块的SSIM行差值,/>表示同一行中位于目标待检测图像块的右侧的待检测图像块的SSIM行差值;/>表示同一列中位于目标待检测图像块的上方且与目标待检测图像块的SSIM列差值的符号相同的连续多个目标待检测图像块的最大数量,/>表示同一列中位于目标待检测图像块的下方且与目标待检测图像块的SSIM列差值的符号相同的连续多个目标待检测图像块的最大数量,/>表示同一列中位于目标待检测图像块的上方的待检测图像块的SSIM列差值,/>表示同一列中位于目标待检测图像块的下方的待检测图像块的SSIM列差值,/>表示取绝对值,/>表示取最大值,/>表示Sigmoid函数,M和N分别表示待检测图像的行数和列数,A为预设边长,/>表示向上取整。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424973.7A CN116152249B (zh) | 2023-04-20 | 2023-04-20 | 一种智能数字印刷质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424973.7A CN116152249B (zh) | 2023-04-20 | 2023-04-20 | 一种智能数字印刷质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152249A true CN116152249A (zh) | 2023-05-23 |
CN116152249B CN116152249B (zh) | 2023-07-07 |
Family
ID=86362164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310424973.7A Active CN116152249B (zh) | 2023-04-20 | 2023-04-20 | 一种智能数字印刷质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152249B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110069894A1 (en) * | 2009-09-24 | 2011-03-24 | Marie Vans | Image defect detection |
US20140022460A1 (en) * | 2011-04-12 | 2014-01-23 | Dolby Laboratories Licensing Corporation | Quality Assessment for Images that Have Extended Dynamic Ranges or Wide Color Gamuts |
CN104361593A (zh) * | 2014-11-14 | 2015-02-18 | 南京大学 | 一种基于hvs和四元数的彩色图像质量评价方法 |
JP2017164935A (ja) * | 2016-03-15 | 2017-09-21 | 株式会社リコー | 印刷物検査装置、印刷物検査方法およびプログラム |
CN108010024A (zh) * | 2017-12-11 | 2018-05-08 | 宁波大学 | 一种盲参考色调映射图像质量评价方法 |
CN110782453A (zh) * | 2019-11-06 | 2020-02-11 | 西安工程大学 | 一种基于图像特征匹配的印刷品质量检测方法 |
CN112508826A (zh) * | 2020-11-16 | 2021-03-16 | 哈尔滨工业大学(深圳) | 一种基于特征配准及梯度形状匹配融合的印刷品缺陷检测方法 |
CN113706464A (zh) * | 2021-07-22 | 2021-11-26 | 西安交通大学 | 一种印刷品外观质量检测方法及*** |
CN113793274A (zh) * | 2021-08-26 | 2021-12-14 | 中国科学院沈阳自动化研究所 | 一种基于色调的高光图像恢复方法 |
CN114842011A (zh) * | 2022-07-04 | 2022-08-02 | 启东万惠机械制造有限公司 | 基于图像处理的轴承磨损检测方法及*** |
CN115272341A (zh) * | 2022-09-29 | 2022-11-01 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
-
2023
- 2023-04-20 CN CN202310424973.7A patent/CN116152249B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110069894A1 (en) * | 2009-09-24 | 2011-03-24 | Marie Vans | Image defect detection |
US20140022460A1 (en) * | 2011-04-12 | 2014-01-23 | Dolby Laboratories Licensing Corporation | Quality Assessment for Images that Have Extended Dynamic Ranges or Wide Color Gamuts |
CN104361593A (zh) * | 2014-11-14 | 2015-02-18 | 南京大学 | 一种基于hvs和四元数的彩色图像质量评价方法 |
JP2017164935A (ja) * | 2016-03-15 | 2017-09-21 | 株式会社リコー | 印刷物検査装置、印刷物検査方法およびプログラム |
CN108010024A (zh) * | 2017-12-11 | 2018-05-08 | 宁波大学 | 一种盲参考色调映射图像质量评价方法 |
CN110782453A (zh) * | 2019-11-06 | 2020-02-11 | 西安工程大学 | 一种基于图像特征匹配的印刷品质量检测方法 |
CN112508826A (zh) * | 2020-11-16 | 2021-03-16 | 哈尔滨工业大学(深圳) | 一种基于特征配准及梯度形状匹配融合的印刷品缺陷检测方法 |
CN113706464A (zh) * | 2021-07-22 | 2021-11-26 | 西安交通大学 | 一种印刷品外观质量检测方法及*** |
CN113793274A (zh) * | 2021-08-26 | 2021-12-14 | 中国科学院沈阳自动化研究所 | 一种基于色调的高光图像恢复方法 |
CN114842011A (zh) * | 2022-07-04 | 2022-08-02 | 启东万惠机械制造有限公司 | 基于图像处理的轴承磨损检测方法及*** |
CN115272341A (zh) * | 2022-09-29 | 2022-11-01 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
Non-Patent Citations (2)
Title |
---|
曾台英;邵雪;汪祖辉;: "基于灰平衡的印刷质量控制和评价", 包装学报, no. 04 * |
李雨;王振东;孙威;林冠男;: "海洋文化印刷品中图像的改进增强算法", 盐城工学院学报(自然科学版), no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152249B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
CN113344857B (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN107389693B (zh) | 一种基于机器视觉的印刷品缺陷自动检测方法 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN109886954B (zh) | 一种印刷品缺陷检测方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及*** | |
CN107240086A (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN113160222A (zh) | 一种针对工业信息图像的生产数据识别方法 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及*** | |
CN114266764A (zh) | 一种印刷标签的字符完整性检测方法及其装置 | |
CN115272343A (zh) | 一种包装印刷品印刷质量检测方法 | |
CN115078365A (zh) | 一种软包装印刷质量缺陷检测方法 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN117333467B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及*** | |
CN116152249B (zh) | 一种智能数字印刷质量检测方法 | |
CN116402822B (zh) | 混凝土结构图像检测方法、装置、电子设备及存储介质 | |
CN116934761A (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 |
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 |