CN116630315B - 基于计算机视觉的饮料包装缺陷智能检测方法 - Google Patents
基于计算机视觉的饮料包装缺陷智能检测方法 Download PDFInfo
- Publication number
- CN116630315B CN116630315B CN202310903829.1A CN202310903829A CN116630315B CN 116630315 B CN116630315 B CN 116630315B CN 202310903829 A CN202310903829 A CN 202310903829A CN 116630315 B CN116630315 B CN 116630315B
- Authority
- CN
- China
- Prior art keywords
- arc
- confidence
- edge pixel
- arc segment
- edge
- 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
Links
- 235000013361 beverage Nutrition 0.000 title claims abstract description 67
- 230000007547 defect Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 23
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于计算机视觉的饮料包装缺陷智能检测方法,包括:结合饮料包装中凹痕缺陷的轮廓特征,通过对饮料包装图像中的边缘线进行处理,获得若干个截取弧段,根据反映截取弧段在包装灰度图像中灰度分布特征所对应的邻域两侧相异度,以及由反映截取弧段自身轮廓特征所对应的变化一致性参数,获得的截取弧段的置信权值,获取反映边缘图像中各截取弧段为椭圆的可能性的弧段置信度特征。本发明降低了在饮料包装缺陷检测时,饮料包装表面的图案对检测结果的影响,提高了对饮料包装缺陷检测的准确性和智能性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于计算机视觉的饮料包装缺陷智能检测方法。
背景技术
饮料包装缺陷检测场景中,饮料包装作为饮料生产制造过程非常重要的一个环节,通过一定的检查手段对饮料包装进行缺陷检测,可以有效减少不良包装进入市场的概率,从而提高产品的质量。
在饮料包装缺陷检测过程中,利用计算机视觉技术实现饮料包装缺陷智能检测越来越普遍,通过图像采集装置获得待测饮料包装图像,利用边缘检测技术定位包装缺陷区域,采用基于弧段的缺陷区域轮廓检测方法,依赖于边缘检测的准确程度,会受到包装图案颜色、形状特点的影响,缺陷凹痕呈现出多段临近弧,难以确定准确缺陷区域椭圆轮廓。
材料包装图像的边缘检测结果受到包装图案的影响,缺陷凹痕呈现出多段临近弧的状况,弧段的置信度无法确定,进而导致包装缺陷区域的准确椭圆轮廓难以确定。
发明内容
本发明提供基于计算机视觉的饮料包装缺陷智能检测方法,以解决现有的问题。
本发明的基于计算机视觉的饮料包装缺陷智能检测方法采用如下技术方案:
本发明提供了基于计算机视觉的饮料包装缺陷智能检测方法,该方法包括以下步骤:
将边缘图像中边缘线末端的边缘像素点记为端点,将两个端点所对应的边缘线记为弧段,根据边缘图像中弧段的切线获得方向变化量,根据弧段的端点与弧段中边缘像素点获得弧度偏置量;根据弧段弧度偏置量与方向变化量的所有融合结果获得对应的变化一致性参数序列,根据变化一致性参数序列获得截取弧段以及对应的置信权值;
根据截取弧段邻域范围内像素点的灰度值获得邻域两侧相异度,利用置信权值对邻域两侧相异度进行调节,获得弧段置信度;
根据弧段置信度的大小获得置信弧段,对置信弧段进行拟合获得拟合椭圆,利用拟合椭圆实现饮料包装缺陷的智能检测。
进一步的,所述获取饮料包装的边缘图像,包括的具体步骤如下:
首先,利用摄像头采集饮料包装的侧面图像,获得饮料包装RGB图像,并对饮料包装RGB图像进行灰度化处理,获得灰度图,并对灰度图进行去噪和增强,获得包装灰度图像;
然后,利用Canny边缘检测算法对包装灰度图像进行边缘检测,获得边缘图像。
进一步的,所述根据边缘图像中弧段的切线获得方向变化量,包括的具体步骤如下:
首先,预设顺时针方向为正方向,遍历任意弧段上的边缘像素点,获取弧段上所有边缘像素点的切线;将任意弧段上的任意一个端点记为主端点,将主端点的切线与任意边缘像素点切线所形成的夹角,记为切线夹角;
然后,将弧段上第i个边缘像素点与主端点形成的切线夹角,与第i-1个边缘像素点与主端点形成的切线夹角的差值,记为第i个边缘像素点的方向变化量。
进一步的,所述根据弧段的端点与弧段中边缘像素点获得弧度偏置量,包括的具体步骤如下:
首先,将主端点与弧段上任意边缘像素点进行连接形成对应的弦,获得弧段与弦之间形成封闭区域的面积,将弧段与弦左侧之间对应封闭区域的面积记为左面积,将弧段与弦右侧之间对应封闭区域的面积记为右面积;
然后,将弧段上第i个边缘像素点与主端点所形成弦对应的左面积,与第i个边缘像素点与主端点所形成弦对应的右面积之间的差值,记为第i个边缘像素点的面积特征;
最后,将弧段上第i个边缘像素点的面积特征,与示弧段上第i-1个边缘像素点的面积特征之间的差值,记为第i个边缘像素点的弧度偏置量。
进一步的,所述根据弧段弧度偏置量与方向变化量的所有融合结果获得对应的变化一致性参数序列,包括的具体步骤如下:
首先,根据弧段上边缘像素点的弧度偏置量和方向变化量获得边缘像素点的变化一致性参数:
其中,表示弧段上第i个边缘像素点的变化一致性参数,/>表示弧段上第i个边缘像素点的弧度偏置量,/>表示弧段上第i个边缘像素点的弧度偏置量的绝对值,表示弧段上第i个边缘像素点的方向变化量,/>表示弧段上第i个边缘像素点的方向变化量的绝对值;
然后,对弧段上所有边缘像素点进行遍历,获取所有边缘像素点的变化一致性参数,由弧段上所有边缘像素点的变化一致性参数,构成对应弧段的变化一致性参数序列。
进一步的,所述根据变化一致性参数序列获得截取弧段以及对应的置信权值,包括的具体步骤如下:
首先,利用均值漂移聚类算法对任意弧段的变化一致性参数序列进行聚类,聚类后任意聚类簇对应变化一致性参数序列中的一段子序列,记为截取序列,获得若干个截取序列;则截取序列对应弧段中的一个片段,记为截取弧段,则对应的存在若干个截取弧段;
然后,弧段中截取弧段的置信权值,具体获取方法为:
其中,表示第n个截取弧段的置信权值,/>表示第n个截取弧段的截取序列,/>为计数函数,获取截取序列中所有相邻元素的正负符号不同时的数量,表示以自然常数为底的指数函数。
进一步的,所述根据截取弧段邻域范围内像素点的灰度值获得邻域两侧相异度,包括的具体步骤如下:
首先,获取边缘图像中的截取弧段在包装灰度图像中的位置,预设滑动窗口大小,以截取弧段中的边缘像素点为滑动窗口的中心,利用滑动窗口遍历任意截取弧段的边缘像素点,分别获取截取弧段两侧的所有像素点在包装灰度图像中的灰度值;
然后,根据截取弧段两侧的所有像素点在包装灰度图像中的灰度值,分别获取截取弧段两侧所有像素点灰度值的标准差,分别记为和/>;
最后,将截取弧段两侧所有像素点灰度值的标准差的乘积,记为相异度因子,利用以自然常数为底的指数衰减函数对相异度因子进行归一化,获得对应截取弧段的邻域两侧相异度。
进一步的,所述利用置信权值对邻域两侧相异度进行调节,获得弧段置信度,包括的具体步骤如下:
任意弧段中截取弧段的弧段置信度获取方法为:
其中,表示弧段的第/>个截取弧段的弧段置信度,/>表示弧段的第/>个截取弧段的置信权值,/>表示弧段的第/>个截取弧段的邻域两侧相异度。
进一步的,所述根据弧段置信度的大小获得置信弧段,对置信弧段进行拟合获得拟合椭圆,利用拟合椭圆实现饮料包装缺陷的智能检测,包括的具体步骤如下:
首先,获取边缘图像中所有截取弧段的弧段置信度,利用线型归一化将所有截取弧段的弧段置信度进行归一化处理,获得归一化弧段置信度,预设弧段置信度阈值,将归一化弧段置信度大于弧段置信度阈值的截取弧段,记为置信弧段;
然后,利用最小二乘法对边缘图像中的每一个置信弧段进行椭圆拟合,获得若干个拟合椭圆;
最后,根据拟合椭圆在边缘图像中的位置,将拟合椭圆标注在饮料包装RGB图像上,实现对饮料包装的智能化和可视化缺陷检测。
本发明的技术方案的有益效果是:结合饮料包装中凹痕缺陷的轮廓特征,通过对饮料包装图像中的边缘线进行处理,获得若干个截取弧段,根据反映截取弧段在包装灰度图像中灰度分布特征所对应的邻域两侧相异度,以及由反映截取弧段自身轮廓特征所对应的变化一致性参数,获得的截取弧段的置信权值,获取反映边缘图像中各截取弧段为椭圆的可能性的弧段置信度,降低了饮料包装表面的图案对检测结果的影响,提高了对饮料包装缺陷检测的准确性和智能性。
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为本发明基于计算机视觉的饮料包装缺陷智能检测方法的步骤流程图;
图2为饮料包装图像采集装置。
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基于计算机视觉的饮料包装缺陷智能检测方法,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基于计算机视觉的饮料包装缺陷智能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基于计算机视觉的饮料包装缺陷智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,对图像采集装置获取的饮料包装图像进行预处理,获取对应的边缘图像。
首先,利用如图2所示的饮料包装图像采集装置,其中摄像头与待测物品,即饮料包装处于同一水平面,饮料包装在圆形传送带上围绕摄像头前进,利用摄像头采集饮料包装的侧面图像,获得饮料包装RGB图像,并对饮料包装RGB图像进行灰度化处理,获得灰度图,并对灰度图进行去噪和增强,完成预处理过程,获得包装灰度图像;
然后,利用Canny边缘检测算法对包装灰度图像进行边缘检测,获得边缘图像。
需要说明的是,获取的边缘图像中,边缘像素点的灰度值为255,非边缘像素点的灰度值为0。
至此,获得饮料包装RGB图像对应的边缘图像。
步骤S002,根据边缘图像获取弧度偏置量和方向变化量,根据弧度偏置量和方向变化量获得变化一致性参数,进一步获得截取弧段以及置信权值。
对待测饮料图像进行边缘检测后,由于饮料包装的凹痕缺陷通常呈现椭圆状,因此需要进行椭圆检测,采用基于弧段判断的椭圆检测方法,获取缺陷凹痕的准确边缘。一方面,由于饮料包装上的凹痕通常表现为由多段弧形边缘构成环状区域;另一方面,饮料包装上的图案会使凹痕边缘表现出断裂,对检测结果形成干扰。
因此,本实施例利用边缘像素点的邻域特征构建量化指标,即弧度偏置量和方向变化量,根据椭圆的几何性质,对弧段进行分割获得可能弧段序列集合;然后根据边缘像素点的邻域范围内的灰度变化特征获取弧度置信度,根据弧度置信度进行筛选,获得置信弧段;最后对置信弧段进行椭圆中心点可靠性分析,获得置信拟合椭圆,即获得饮料包装缺陷区域置信边缘轮廓。
另外,由于椭圆的几何性质,椭圆上点的切线斜率与点的坐标有关,弧度偏置量与方向变化量呈现变化一致性,由此进行可能弧段判断,获得可能弧段序列集合并获得置信权值,便于后续置信弧段序列集合的获取。
获取可能弧段序列集合和置信权值的具体过程如下:
步骤(1),构建滑动窗口遍历边缘图像,获得若干个弧段。
构建3X3大小的滑动窗口,对边缘图像进行逐行逐列遍历,当滑动窗口的中心点为边缘像素点,且在8邻域内存在边缘像素点时,则认为位于中心的边缘像素点与8邻域内所存在的边缘像素点属于同一条边缘线,继续遍历,获得边缘图像中的所有边缘线;
另外,将边缘线的末端对应的边缘像素点记为端点,边缘图像中任意边缘线存在若干个端点,将边缘图像中任意两个端点所对应形成的一个边缘线记为一个弧段。
步骤(2),根据弧段上边缘像素点以及对应的端点获得弧度偏置量和方向变化量。
预设顺时针方向为正方向,遍历任意弧段上的边缘像素点,获取弧段上所有边缘像素点的切线;将任意弧段上的任意一个端点记为主端点,将主端点的切线与任意边缘像素点切线所形成的夹角,记为切线夹角;
则任意弧段上的任意边缘像素点的方向变化量为,具体获取方法为:
其中,表示弧段上第i个边缘像素点的方向变化量,/>表示弧段上第i个边缘像素点与主端点形成的切线夹角,/>表示弧段上第i-1个边缘像素点与主端点形成的切线夹角;
另外,将主端点与弧段上任意边缘像素点进行连接形成对应的弦,获得弧段与弦之间形成封闭区域的面积,将弧段与弦左侧之间对应封闭区域的面积记为左面积,将弧段与弦右侧之间对应封闭区域的面积记为右面积/>;
需要说明的是,当弧段与弦的一侧之间未形成封闭区域时,对应的左面积或右面积预设为0;
则根据左面积与右面积获得任意弧段上任意边缘像素点的面积特征:
其中,表示弧段上第i个边缘像素点的面积特征,/>表示弧段上第i个边缘像素点与主端点所形成弦对应的左面积;/>表示弧段上第i个边缘像素点与主端点所形成弦对应的右面积;
根据面积特征获得边缘像素点的弧度偏置量:
其中,表示弧段上第i个边缘像素点的弧度偏置量;/>表示弧段上第i个边缘像素点的面积特征;/>表示弧段上第i-1个边缘像素点的面积特征。
步骤(3),根据弧度偏置量和方向变化量获得变化一致性参数。
变化一致性参数与弧度偏置量和方向变化量的正负性质有关,正负性相异表明此弧段不属于同一个椭圆上的弧;
则根据弧段上边缘像素点的弧度偏置量和方向变化量获得边缘像素点的变化一致性参数:
其中,表示弧段上第i个边缘像素点的变化一致性参数,/>表示弧段上第i个边缘像素点的弧度偏置量,/>表示弧段上第i个边缘像素点的弧度偏置量的绝对值,表示弧段上第i个边缘像素点的方向变化量,/>表示弧段上第i个边缘像素点的方向变化量的绝对值;
变化一致性参数反映了当前弧段的弧度偏置量与方向变化量的变化趋势的异同,变化一致时,其值为1,变化不一致时,其值为-1;变化一致性参数为弧度偏置量和方向变化量变化方向的表征。
步骤(4),根据变化一致性参数获得截取弧段和置信权值。
首先,对弧段上所有边缘像素点进行遍历,获取所有边缘像素点的变化一致性参数,由弧段上所有边缘像素点的变化一致性参数,构成对应弧段的变化一致性参数序列;
然后,利用均值漂移聚类算法对任意弧段的变化一致性参数序列进行聚类,聚类后任意聚类簇对应变化一致性参数序列中的一段子序列,记为截取序列,获得若干个截取序列;则截取序列对应弧段中的一个片段,记为截取弧段,则对应的存在若干个截取弧段;
另外,将任意弧段中第n个截取弧段的截取序列记为BS;
最后,根据弧段的变化一致性参数序列中相邻元素的正负符号的差异,获得置信权值,次数越多表明截取弧段越不可能形成一个椭圆;
则弧段中截取弧段的置信权值,具体获取方法为:
其中,表示第n个截取弧段的置信权值,/>表示第n个截取弧段的截取序列,/>为计数函数,获取截取序列中所有相邻元素的正负符号不同时的数量,表示以自然常数为底的指数函数;
置信权值是与截取弧段的截取序列的取值突变次数相关联的,反映了截取弧段属于椭圆部分的可能性。
至此,通过对边缘图像求取边缘点弧度偏置量和方向变化量,获得变化一致性参数,进而获得可能弧段序列集合和置信权值/>。
步骤S003,根据截取弧段以及对应的置信权值,结合弧段邻域灰度变化特征获得弧段置信度。
通过获取的截取弧段与对应的置信权值,需要根据截取弧段的邻域范围两侧的灰度获得邻域两侧相异度,并根据邻域两侧相异度与置信权值获得弧段置信度,用于筛选截取弧段,以便于后续根据筛选结果进行拟合,获得缺陷检测结果。
步骤(1),根据截取弧段在邻域范围内像素点的灰度值获取截取弧段的邻域两侧相异度。
获取截取弧段的邻域两侧相异度的具体方法为:
首先,获取边缘图像中的截取弧段在包装灰度图像中的位置,并预设滑动窗口大小为,以截取弧段中的边缘像素点为滑动窗口的中心,利用滑动窗口遍历任意截取弧段的边缘像素点,分别获取截取弧段两侧的所有像素点在包装灰度图像中的灰度值;
然后,根据截取弧段两侧的所有像素点在包装灰度图像中的灰度值,分别获取两侧所有像素点灰度值的标准差,分别记为和/>;
最后,根据截取弧段两侧所有像素点灰度值的标准差,获得任意截取弧段的邻域两侧相异度:
其中,表示截取弧段的邻域两侧相异度,/>和/>分别截取弧段两侧所有像素点灰度值的标准差,/>表示以自然常数为底的指数函数;
弧段邻域两侧相异度的值越大,表明弧侧两侧区域的相异程度越大,其弧为缺陷凹陷区域边缘椭圆上弧段的可能性越大。
步骤(2),由于弧段置信度与邻域两侧相异度和置信权值有关,邻域两侧相异度越大,置信权值越大,弧段置信程度越高。
则任意弧段中截取弧段的弧段置信度为:
其中,表示弧段的第/>个截取弧段的弧段置信度,/>表示弧段的第/>个截取弧段的置信权值,/>表示弧段的第/>个截取弧段的邻域两侧相异度;
弧段置信度表示截取弧段属于椭圆的部分的置信程度,值越大,截取弧段属于椭圆的置信程度越高。
由于邻域两侧相异度越大,表示弧段分隔了不同的两个区域,置信权值越大,表示其邻域多邻近弧数量越少,弧段可信程度越大,因此弧段置信程度越高。
步骤(3),获取边缘图像中所有截取弧段的弧段置信度,利用线型归一化将所有截取弧段的弧段置信度进行归一化处理,获得归一化弧段置信度,预设弧段置信度阈值为0.9,将归一化弧段置信度大于弧段置信度阈值的截取弧段,记为置信弧段。
至此,获得置信弧段。
步骤S004,对置信弧段进行拟合,获得拟合椭圆,根据拟合椭圆进一步实现饮料包装缺陷智能检测。
首先,利用最小二乘法对边缘图像中的每一个置信弧段进行椭圆拟合,获得若干个拟合椭圆;
然后,根据拟合椭圆在边缘图像中的位置,将拟合椭圆标注在饮料包装RGB图像上,实现对饮料包装的智能化和可视化缺陷检测。
需要说明的是,最小二乘法为现有算法,本实施例不过多赘述。
需要说明的是,本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模型输出的结果处于区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以exp(-x)模型为例进行叙述,不对其做具体限定,其中x是指该模型的输入。
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 (6)
1.基于计算机视觉的饮料包装缺陷智能检测方法,其特征在于,该方法包括以下步骤:
获取饮料包装的边缘图像;
将边缘图像中边缘线末端的边缘像素点记为端点,将两个端点所对应的边缘线记为弧段,根据边缘图像中弧段的切线获得方向变化量,根据弧段的端点与弧段中边缘像素点获得弧度偏置量;根据弧段弧度偏置量与方向变化量的所有融合结果获得对应的变化一致性参数序列,根据变化一致性参数序列获得截取弧段以及对应的置信权值;
根据截取弧段邻域范围内像素点的灰度值获得邻域两侧相异度,利用置信权值对邻域两侧相异度进行调节,获得弧段置信度;
根据弧段置信度的大小获得置信弧段,对置信弧段进行拟合获得拟合椭圆,利用拟合椭圆实现饮料包装缺陷的智能检测;
所述根据弧段弧度偏置量与方向变化量的所有融合结果获得对应的变化一致性参数序列,包括的具体步骤如下:
首先,根据弧段上边缘像素点的弧度偏置量和方向变化量获得边缘像素点的变化一致性参数:
其中,表示弧段上第i个边缘像素点的变化一致性参数,/>表示弧段上第i个边缘像素点的弧度偏置量,/>表示弧段上第i个边缘像素点的弧度偏置量的绝对值,/>表示弧段上第i个边缘像素点的方向变化量,/>表示弧段上第i个边缘像素点的方向变化量的绝对值;
然后,对弧段上所有边缘像素点进行遍历,获取所有边缘像素点的变化一致性参数,由弧段上所有边缘像素点的变化一致性参数,构成对应弧段的变化一致性参数序列;
所述根据变化一致性参数序列获得截取弧段以及对应的置信权值,包括的具体步骤如下:
首先,利用均值漂移聚类算法对任意弧段的变化一致性参数序列进行聚类,聚类后任意聚类簇对应变化一致性参数序列中的一段子序列,记为截取序列,获得若干个截取序列;则截取序列对应弧段中的一个片段,记为截取弧段,则对应的存在若干个截取弧段;
然后,弧段中截取弧段的置信权值,具体获取方法为:
其中,表示第n个截取弧段的置信权值,/>表示第n个截取弧段的截取序列,为计数函数,获取截取序列中所有相邻元素的正负符号不同时的数量,/>表示以自然常数为底的指数函数;
所述利用置信权值对邻域两侧相异度进行调节,获得弧段置信度,包括的具体步骤如下:
任意弧段中截取弧段的弧段置信度获取方法为:
其中,表示弧段的第/>个截取弧段的弧段置信度,/>表示弧段的第/>个截取弧段的置信权值,/>表示弧段的第/>个截取弧段的邻域两侧相异度。
2.根据权利要求1所述基于计算机视觉的饮料包装缺陷智能检测方法,其特征在于,所述获取饮料包装的边缘图像,包括的具体步骤如下:
首先,利用摄像头采集饮料包装的侧面图像,获得饮料包装RGB图像,并对饮料包装RGB图像进行灰度化处理,获得灰度图,并对灰度图进行去噪和增强,获得包装灰度图像;
然后,利用Canny边缘检测算法对包装灰度图像进行边缘检测,获得边缘图像。
3.根据权利要求1所述基于计算机视觉的饮料包装缺陷智能检测方法,其特征在于,所述根据边缘图像中弧段的切线获得方向变化量,包括的具体步骤如下:
首先,预设顺时针方向为正方向,遍历任意弧段上的边缘像素点,获取弧段上所有边缘像素点的切线;将任意弧段上的任意一个端点记为主端点,将主端点的切线与任意边缘像素点切线所形成的夹角,记为切线夹角;
然后,将弧段上第i个边缘像素点与主端点形成的切线夹角,与第i-1个边缘像素点与主端点形成的切线夹角的差值,记为第i个边缘像素点的方向变化量。
4.根据权利要求1所述基于计算机视觉的饮料包装缺陷智能检测方法,其特征在于,所述根据弧段的端点与弧段中边缘像素点获得弧度偏置量,包括的具体步骤如下:
首先,将主端点与弧段上任意边缘像素点进行连接形成对应的弦,获得弧段与弦之间形成封闭区域的面积,将弧段与弦左侧之间对应封闭区域的面积记为左面积,将弧段与弦右侧之间对应封闭区域的面积记为右面积;
然后,将弧段上第i个边缘像素点与主端点所形成弦对应的左面积,与第i个边缘像素点与主端点所形成弦对应的右面积之间的差值,记为第i个边缘像素点的面积特征;
最后,将弧段上第i个边缘像素点的面积特征,与示弧段上第i-1个边缘像素点的面积特征之间的差值,记为第i个边缘像素点的弧度偏置量。
5.根据权利要求1所述基于计算机视觉的饮料包装缺陷智能检测方法,其特征在于,所述根据截取弧段邻域范围内像素点的灰度值获得邻域两侧相异度,包括的具体步骤如下:
首先,获取边缘图像中的截取弧段在包装灰度图像中的位置,预设滑动窗口大小,以截取弧段中的边缘像素点为滑动窗口的中心,利用滑动窗口遍历任意截取弧段的边缘像素点,分别获取截取弧段两侧的所有像素点在包装灰度图像中的灰度值;
然后,根据截取弧段两侧的所有像素点在包装灰度图像中的灰度值,分别获取截取弧段两侧所有像素点灰度值的标准差,分别记为和/>;
最后,将截取弧段两侧所有像素点灰度值的标准差的乘积,记为相异度因子,利用以自然常数为底的指数衰减函数对相异度因子进行归一化,获得对应截取弧段的邻域两侧相异度。
6.根据权利要求1所述基于计算机视觉的饮料包装缺陷智能检测方法,其特征在于,所述根据弧段置信度的大小获得置信弧段,对置信弧段进行拟合获得拟合椭圆,利用拟合椭圆实现饮料包装缺陷的智能检测,包括的具体步骤如下:
首先,获取边缘图像中所有截取弧段的弧段置信度,利用线型归一化将所有截取弧段的弧段置信度进行归一化处理,获得归一化弧段置信度,预设弧段置信度阈值,将归一化弧段置信度大于弧段置信度阈值的截取弧段,记为置信弧段;
然后,利用最小二乘法对边缘图像中的每一个置信弧段进行椭圆拟合,获得若干个拟合椭圆;
最后,根据拟合椭圆在边缘图像中的位置,将拟合椭圆标注在饮料包装RGB图像上,实现对饮料包装的智能化和可视化缺陷检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903829.1A CN116630315B (zh) | 2023-07-24 | 2023-07-24 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903829.1A CN116630315B (zh) | 2023-07-24 | 2023-07-24 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630315A CN116630315A (zh) | 2023-08-22 |
CN116630315B true CN116630315B (zh) | 2023-09-29 |
Family
ID=87638589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310903829.1A Active CN116630315B (zh) | 2023-07-24 | 2023-07-24 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630315B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996040452A1 (en) * | 1995-06-07 | 1996-12-19 | Agri-Tech, Inc. | Defective object inspection and separation system |
JPH09251544A (ja) * | 1996-03-14 | 1997-09-22 | Toshiba Corp | ワークエッジ検出画像処理装置 |
US6714679B1 (en) * | 1998-02-05 | 2004-03-30 | Cognex Corporation | Boundary analyzer |
US7162073B1 (en) * | 2001-11-30 | 2007-01-09 | Cognex Technology And Investment Corporation | Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object |
CN109564169A (zh) * | 2016-07-06 | 2019-04-02 | 蒂阿马公司 | 确定环表面的内边缘上的卷边的检查方法、检查装置和检查线 |
CN111145241A (zh) * | 2019-11-25 | 2020-05-12 | 上海宇航***工程研究所 | 一种椭圆特征检测方法及装置 |
CN112508913A (zh) * | 2020-12-10 | 2021-03-16 | 国网江西省电力有限公司电力科学研究院 | 基于图像检测的电缆截面边沿检测方法 |
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*** |
CN112734779A (zh) * | 2020-11-25 | 2021-04-30 | 深圳了然视觉科技有限公司 | 一种圆点标定板边缘亚像素检测方法 |
CN113077467A (zh) * | 2021-06-08 | 2021-07-06 | 深圳市华汉伟业科技有限公司 | 一种目标物体的边缘缺陷检测方法及装置、存储介质 |
CN113538488A (zh) * | 2021-07-16 | 2021-10-22 | 合肥国轩高科动力能源有限公司 | 一种bms充电口的识别方法 |
CN113643276A (zh) * | 2021-08-29 | 2021-11-12 | 浙江工业大学 | 一种基于统计分析的纺织物纹理缺陷自动检测方法 |
CN113962967A (zh) * | 2021-10-26 | 2022-01-21 | 中国长江三峡集团有限公司 | 一种基于马克劳林定理约束的物体拍摄图像椭圆检测算法 |
CN115239735A (zh) * | 2022-09-23 | 2022-10-25 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
CN115274486A (zh) * | 2022-09-27 | 2022-11-01 | 南通睿禧智能科技有限公司 | 一种半导体表面缺陷识别方法 |
CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
CN115880305A (zh) * | 2023-03-08 | 2023-03-31 | 中国计量大学现代科技学院 | 轴类零件表面缺陷视觉检测方法及装置 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
WO2023134193A1 (zh) * | 2022-01-12 | 2023-07-20 | 江苏省沙钢钢铁研究院有限公司 | 一种基于红外技术的高速线材盘卷形状与位置检测方法 |
-
2023
- 2023-07-24 CN CN202310903829.1A patent/CN116630315B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996040452A1 (en) * | 1995-06-07 | 1996-12-19 | Agri-Tech, Inc. | Defective object inspection and separation system |
JPH09251544A (ja) * | 1996-03-14 | 1997-09-22 | Toshiba Corp | ワークエッジ検出画像処理装置 |
US6714679B1 (en) * | 1998-02-05 | 2004-03-30 | Cognex Corporation | Boundary analyzer |
US7162073B1 (en) * | 2001-11-30 | 2007-01-09 | Cognex Technology And Investment Corporation | Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object |
CN109564169A (zh) * | 2016-07-06 | 2019-04-02 | 蒂阿马公司 | 确定环表面的内边缘上的卷边的检查方法、检查装置和检查线 |
CN111145241A (zh) * | 2019-11-25 | 2020-05-12 | 上海宇航***工程研究所 | 一种椭圆特征检测方法及装置 |
CN112734779A (zh) * | 2020-11-25 | 2021-04-30 | 深圳了然视觉科技有限公司 | 一种圆点标定板边缘亚像素检测方法 |
CN112508913A (zh) * | 2020-12-10 | 2021-03-16 | 国网江西省电力有限公司电力科学研究院 | 基于图像检测的电缆截面边沿检测方法 |
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*** |
CN113077467A (zh) * | 2021-06-08 | 2021-07-06 | 深圳市华汉伟业科技有限公司 | 一种目标物体的边缘缺陷检测方法及装置、存储介质 |
CN113538488A (zh) * | 2021-07-16 | 2021-10-22 | 合肥国轩高科动力能源有限公司 | 一种bms充电口的识别方法 |
CN113643276A (zh) * | 2021-08-29 | 2021-11-12 | 浙江工业大学 | 一种基于统计分析的纺织物纹理缺陷自动检测方法 |
CN113962967A (zh) * | 2021-10-26 | 2022-01-21 | 中国长江三峡集团有限公司 | 一种基于马克劳林定理约束的物体拍摄图像椭圆检测算法 |
WO2023134193A1 (zh) * | 2022-01-12 | 2023-07-20 | 江苏省沙钢钢铁研究院有限公司 | 一种基于红外技术的高速线材盘卷形状与位置检测方法 |
CN115239735A (zh) * | 2022-09-23 | 2022-10-25 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
CN115274486A (zh) * | 2022-09-27 | 2022-11-01 | 南通睿禧智能科技有限公司 | 一种半导体表面缺陷识别方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
CN115880305A (zh) * | 2023-03-08 | 2023-03-31 | 中国计量大学现代科技学院 | 轴类零件表面缺陷视觉检测方法及装置 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的金属边缘细微缺陷检测方法的研究;刘建春;林海森;黄勇杰;江骏杰;;制造技术与机床(11);正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630315A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115272341B (zh) | 一种基于机器视觉的包装机缺陷产品检测方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及*** | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115018853B (zh) | 基于图像处理的机械组件缺陷检测方法 | |
CN115311270A (zh) | 一种塑料制品表面缺陷检测方法 | |
CN110930390A (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN116912250B (zh) | 基于机器视觉的菌包生产质量检测方法 | |
CN112819793A (zh) | 一种集装箱残损识别方法、装置、设备和可读存取介质 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测*** | |
CN115018846B (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及*** | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及*** | |
CN116805316B (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN117218122A (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN114005108A (zh) | 一种基于坐标变换的指针式仪表度数识别方法 | |
CN116523923A (zh) | 一种电池外壳缺陷识别方法 | |
CN117808799B (zh) | 基于人工智能的倒角设备加工质量检测方法 | |
CN116630315B (zh) | 基于计算机视觉的饮料包装缺陷智能检测方法 | |
CN114998346B (zh) | 一种防水布质量数据处理、识别方法 | |
US9311710B1 (en) | Method for measuring width of gap of display module | |
CN117173166B (zh) | 一种光缆表面缺陷检测方法 |
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 |