CN117282687A - 印刷品视觉检测自动剔补标控制*** - Google Patents
印刷品视觉检测自动剔补标控制*** Download PDFInfo
- Publication number
- CN117282687A CN117282687A CN202311346558.0A CN202311346558A CN117282687A CN 117282687 A CN117282687 A CN 117282687A CN 202311346558 A CN202311346558 A CN 202311346558A CN 117282687 A CN117282687 A CN 117282687A
- Authority
- CN
- China
- Prior art keywords
- label
- printed matter
- model
- control instruction
- image
- 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
- 230000001502 supplementing effect Effects 0.000 title claims abstract description 28
- 238000011179 visual inspection Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 230000007547 defect Effects 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 34
- 230000000007 visual effect Effects 0.000 claims abstract description 27
- 239000013589 supplement Substances 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000000047 product Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域,尤指一种印刷品视觉检测自动剔补标控制***,包括:视觉检测模块、剔标机构和补标机构,视觉检测模块在检测到贴标不合格的印刷品时,发出第一控制指令和第二控制指令,具体为:视觉检测模块检测标签在印刷品上的位置是否正确,若否,则发出第一控制指令和第二控制指令,若是,则检测印刷品上的标签是否存在缺陷,若存在,则发出第一控制指令和第二控制指令;第一控制指令用于控制剔标机构剔除贴标不合格的印刷品上的标签,第二控制指令用于控制补标机构在剔除标签后的印刷品上粘贴合格的标签。本发明可以及时发现印刷品上的贴标不合格或标签缺陷,并自动进行剔标和补标。
Description
技术领域
本发明涉及计算机视觉技术领域,尤指一种印刷品视觉检测自动剔补标控制***。
背景技术
标签可以用来标志产品或对产品分类,印刷业所称的标签,大部分是用来标识自己产品的相关说明。在印刷品生产过程中,若发现印刷材料上的标签存在缺陷或标签粘贴位置存在错误,则需要对该标签进行剔除更换。
现有的印刷品检测机在检测到印刷品有瑕疵时,通过控制牵引电机的运动,使当前不良品停在操作台上,由操作人员对不良产品进行手动剔除,再由操作人员手工再贴一个良品上去。这种换标的方法自动化程度抵,需要人工操作,费时费力。
发明内容
为解决上述问题,本发明提供一种印刷品视觉检测自动剔补标控制***,其通过视觉检测模块的检测和控制,可以及时发现贴标不合格的印刷品,并发出控制指令,通过剔标机构和补标机构能够根据控制指令自动进行剔标和补标,确保印刷品的质量符合要求,而且无需人工干预,提高了生产效率。
为实现上述目的,本发明采用的技术方案是:
一种印刷品视觉检测自动剔补标控制***,包括:沿印刷品传输路径依序设置的视觉检测模块、剔标机构和补标机构,所述视觉检测模块与所述剔标机构及补标机构通信连接;
所述视觉检测模块在检测到贴标不合格的印刷品时,发出第一控制指令和第二控制指令,具体为:
所述视觉检测模块检测标签在印刷品上的位置是否正确,
若否,则发出第一控制指令和第二控制指令,
若是,则检测印刷品上的标签是否存在缺陷,若存在,则发出第一控制指令和第二控制指令;
所述第一控制指令用于控制剔标机构剔除贴标不合格的印刷品上的标签,所述第二控制指令用于控制补标机构在剔除标签后的印刷品上粘贴合格的标签。
进一步,所述视觉检测模块检测标签在印刷品上的位置是否正确,包括:
通过Harris角点检测算法提取印刷品上的标签位置;
通过预设的标签位置模型判断所述标签位置是否正确。
进一步,所述检测印刷品上的标签是否存在缺陷,包括:
获取标签图像;
提取标签特征;
通过预设的标签模型判断所述标签特征是否存在缺陷。
进一步,所述视觉检测模块包括:
图像采集单元,用于采集印刷品图像;
图像预处理单元,用于将采集到的印刷品图像进行预处理;
第一判断单元,用于通过Harris角点检测算法提取预处理后的印刷品图像的标签位置,并通过预设的标签位置模型判断所述标签位置是否正确;
第二判断单元,用于提取预处理后的印刷品图像的标签特征,并通过预设的标签模型判断所述标签特征是否存在缺陷;
控制单元,用于根据第一判断单元或第二判断单元输出的结果,发出第一控制指令和第二控制指令。
进一步,所述将采集到的印刷品图像进行预处理,包括颜色空间转换、噪声去除和边缘增强。
进一步,所述通过Harris角点检测算法提取预处理后的印刷品图像的标签位置,并通过预设的标签位置模型判断所述标签位置是否正确,具体包括:
通过Harris角点检测算法提取预处理后的印刷品图像中的角点位置,其中,通过计算每个像素的响应值,选取响应值较高的像素作为角点;
根据预先收集的正确标签位置数据,通过SVM算法训练一个标签位置模型;
将提取到的角点位置输入到训练好的标签位置模型中,所述标签位置模型根据已有的训练样本信息,计算每个提取到的角点的特征并进行比较,从而给出判断结果。
进一步,所述标签模型是通过随机森林算法根据已有的印刷品标签样本数据集构建而成。
进一步,所述提取预处理后的印刷品图像的标签特征,并通过预设的标签模型判断所述标签特征是否存在缺陷;具体包括:
通过CNN算法,对预处理后的印刷品图像进行标签特征的提取;所述印刷品图像的标签特征包括标签形状特征、标签颜色特征和标签纹理特征;
将提取到的标签特征输入预设的标签模型中;
标签模型根据训练样本的信息学习到缺陷特征的规律,并根据输入的标签特征判断是否存在缺陷。
进一步,所述图像预处理单元与所述图像采集单元、第一判断单元以及第二判断单元通信连接,所述第一判断单元与所述第二判断单元通信连接,所述控制单元与所述剔标机构、补标机构、第一判断单元以及第二判断单元通信连接。
进一步,所述根据预先收集的正确标签位置数据,通过SVM算法训练一个标签位置模型,包括:
收集并整理一组包含正确标签位置的数据集;
从所述数据集的每个数据样本中提取关键特征作为输入向量;
通过降维算法对特征向量进行预处理;
采用交叉验证的方式将数据集划分为训练集和测试集;
选择SVM算法作为标签位置初始模型;
通过训练集对所述标签位置初始模型进行训练,训练过程中,SVM算法通过寻找最优超平面来将不同类别的数据样本分开;
根据所述标签位置初始模型的训练结果,对所述标签位置初始模型的参数进行调优;
通过测试集对参数调优后的所述标签位置初始模型进行评估;
根据评估结果,对所述标签位置初始模型进行优化,得到标签位置模型;
将所述标签位置模型部署在所述第一判断单元中。
本发明的有益效果在于:
本发明的视觉检测模块首先检测印刷品上的标签位置是否正确,如果不正确,则发出第一和第二控制指令;如果标签位置正确,视觉检测模块接着检测标签是否存在缺陷,如果存在缺陷,则同样会发出第一和第二控制指令。第一控制指令用于触发剔标机构,让其剔除贴标不合格的印刷品上的标签,第二控制指令用于触发补标机构,在剔除标签后的印刷品上粘贴合格的标签。由此可见,通过视觉检测模块的检测和控制,***可以及时发现印刷品上的标签位置错误以及标签缺陷,并发出控制指令;通过剔标机构和补标机构能够根据控制指令自动进行剔标和补标,确保印刷品的质量符合要求,而且无需人工干预,提高了生产效率,同时,可以有效减少人为因素对印刷品质量的影响,提高了生产线的稳定性和一致性。
附图说明
图1 是本发明的印刷品视觉检测自动剔补标控制***的示意图。
具体实施方式
请参阅图1所示,本发明关于一种印刷品视觉检测自动剔补标控制***,包括:沿印刷品传输路径依序设置的视觉检测模块、剔标机构和补标机构,所述视觉检测模块与所述剔标机构及补标机构通信连接;
所述视觉检测模块在检测到贴标不合格的印刷品时,发出第一控制指令和第二控制指令,具体为:
所述视觉检测模块检测标签在印刷品上的位置是否正确,
若否,则发出第一控制指令和第二控制指令,
若是,则检测印刷品上的标签是否存在缺陷,若存在,则发出第一控制指令和第二控制指令;
所述第一控制指令用于控制剔标机构剔除贴标不合格的印刷品上的标签,所述第二控制指令用于控制补标机构在剔除标签后的印刷品上粘贴合格的标签。
在上述方案中,视觉检测模块首先检测印刷品上的标签位置是否正确,如果不正确,则发出第一和第二控制指令;如果标签位置正确,视觉检测模块接着检测标签是否存在缺陷,如果存在缺陷,则同样会发出第一和第二控制指令。第一控制指令用于触发剔标机构,让其剔除贴标不合格的印刷品上的标签,第二控制指令用于触发补标机构,在剔除标签后的印刷品上粘贴合格的标签。由此可见,通过视觉检测模块的检测和控制,***可以及时发现贴标不合格的印刷品以及标签缺陷,并发出控制指令;剔标机构和补标机构能够根据控制指令自动进行剔标和补标,确保印刷品的质量符合要求,而且无需人工干预,提高了生产效率,同时,可以有效减少人为因素对印刷品质量的影响,提高了生产线的稳定性和一致性。另外,通过剔除贴标不合格的印刷品和补贴合格的标签,***可以避免不良产品的流入市场。
进一步地,所述视觉检测模块检测标签在印刷品上的位置是否正确,包括:
通过Harris角点检测算法提取印刷品上的标签位置;
通过预设的标签位置模型判断所述标签位置是否正确。
进一步地,所述检测印刷品上的标签是否存在缺陷,包括:
获取标签图像;
提取标签特征;
通过预设的标签模型判断所述标签特征是否存在缺陷。
进一步地,所述视觉检测模块包括:
图像采集单元,用于采集印刷品图像;
图像预处理单元,用于将采集到的印刷品图像进行预处理;
第一判断单元,用于通过Harris角点检测算法提取预处理后的印刷品图像的标签位置,并通过预设的标签位置模型判断所述标签位置是否正确;
第二判断单元,用于提取预处理后的印刷品图像的标签特征,并通过预设的标签模型判断所述标签特征是否存在缺陷;
控制单元,用于根据第一判断单元或第二判断单元输出的结果,发出第一控制指令和第二控制指令。
所述图像预处理单元与所述图像采集单元、第一判断单元以及第二判断单元通信连接,所述第一判断单元与所述第二判断单元通信连接,所述控制单元与所述剔标机构、补标机构、第一判断单元以及第二判断单元通信连接。
在上述方案中,通过图像采集单元和图像预处理单元的组合,可以快速、准确地采集印刷品图像,并对其进行必要的预处理操作,这样可以减少第一判断单元以及第二判断单元的计算时间和负担。第一判断单元通过Harris角点检测算法提取标签位置,并使用预设的标签位置模型判断标签位置是否正确。这样可以避免由于生产过程中存在的标签位置错误,进一步减少错误率。第二判断单元通过提取印刷品图像的标签特征,并使用预设的标签模型判断标签特征是否存在缺陷;这样可以及时发现并修正标签特征的问题,提高印刷品的质量水平。控制单元根据第一判断单元或第二判断单元的输出结果,发出相应的控制指令,这样可以实现对剔标机构、补标机构等设备的自动控制,提高生产过程的自动化程度。综上所述,所述视觉检测模块能够提高印刷品生产过程的工作效率、减少错误率、提高产品质量,并实现自动化控制。
进一步地,所述将采集到的印刷品图像进行预处理,包括颜色空间转换、噪声去除和边缘增强,此处限定的目的在于提高图像质量、便于后续处理和分析,以及改善图像识别和理解,具体为:1.提高图像质量:预处理过程中的颜色空间转换技术可以对图像的颜色表示进行调整,从而改善图像的质量和还原度。噪声去除技术可以有效地降低图像中的噪声干扰,使得图像更加清晰和可辨识。边缘增强技术可以突出图像中的边缘信息,使得图像中的细节更加鲜明和丰富。2.便于后续处理和分析:通过预处理,可以使得采集到的印刷品图像更符合后续处理和分析的需求。颜色空间转换可以使得图像的颜色表示更加一致,方便进行特定颜色信息的提取和分析。噪声去除可以减少图像中的冗余信息,提高后续处理算法的准确性和效率。边缘增强可以突出图像中的边缘信息,使得后续的边缘检测和物体识别等任务更加容易实现。3.改善图像识别和理解:预处理过程中的颜色空间转换、噪声去除和边缘增强等操作可以改善图像的质量和可辨识性,有助于后续的图像识别和理解任务。例如,对于印刷品图像中的文字识别任务,清晰的图像可以提高文字识别算法的准确率和稳定性。对于印刷品图像中的目标检测任务,突出的边缘信息可以帮助算法更好地定位和分割目标物体。
进一步地,所述通过Harris角点检测算法提取预处理后的印刷品图像的标签位置,并通过预设的标签位置模型判断所述标签位置是否正确,具体包括:
通过Harris角点检测算法提取预处理后的印刷品图像中的角点位置,其中,通过计算每个像素的响应值,选取响应值较高的像素作为角点;
根据预先收集的正确标签位置数据,通过SVM算法训练一个标签位置模型;
将提取到的角点位置输入到训练好的标签位置模型中,所述标签位置模型根据已有的训练样本信息,计算每个提取到的角点的特征并进行比较,从而给出判断结果。
在上述方案中,通过Harris角点检测算法提取角点位置,并通过SVM算法训练的标签位置模型进行判断,可以实现自动提取印刷品图像标签位置、提高准确性和工作效率。具体为:1.自动提取标签位置:通过Harris角点检测算法,可以自动提取印刷品图像中的角点位置,不需要人工干预;可以提高工作效率,减少人力成本。2.标签位置判断:通过训练好的标签位置模型,可以对提取到的角点位置进行判断,判断该位置是否正确,对于大量印刷品图像的批量处理任务,可以快速准确地确定标签位置的正确与否。3.提高准确性:利用Harris角点检测算法和SVM算法训练的标签位置模型,结合已有的训练样本信息,可以计算每个提取到的角点的特征并进行比较,从而给出准确的判断结果。这可以避免人为主观因素对标签位置判断的影响,提高判断的准确性和可靠性。4.应用范围广泛:该方法适用于各类印刷品图像的标签位置提取和判断,如产品包装、条形码识别等场景。
进一步地,所述根据预先收集的正确标签位置数据,通过SVM算法训练一个标签位置模型,包括:
收集并整理一组包含正确标签位置的数据集;
从所述数据集的每个数据样本中提取关键特征作为输入向量;
通过降维算法对特征向量进行预处理;
采用交叉验证的方式将数据集划分为训练集和测试集;
选择SVM算法作为标签位置初始模型;
通过训练集对所述标签位置初始模型进行训练,训练过程中,SVM算法通过寻找最优超平面来将不同类别的数据样本分开;
根据所述标签位置初始模型的训练结果,对所述标签位置初始模型的参数进行调优;
通过测试集对参数调优后的所述标签位置初始模型进行评估;
根据评估结果,对所述标签位置初始模型进行优化,得到标签位置模型;
将所述标签位置模型部署在所述第一判断单元中。
通过上述过程,可以实现对标签位置的准确预测和判断,提高工作效率和准确性,降低计算成本,增强泛化能力,并且便于实际应用部署。具体为,1.提高准确性:通过收集并整理一组包含正确标签位置的数据集,并根据这些数据样本提取关键特征作为输入向量,可以建立一个准确的标签位置模型。该模型经过参数调优和评估后,能够更准确地进行标签位置的预测和判断。2.降低计算成本:通过采用降维算法对特征向量进行预处理,可以减少特征的数量,从而降低了训练和预测的计算成本。这样可以在保持一定准确性的前提下,提高算法的效率和响应速度。3.增强泛化能力:通过将数据集划分为训练集和测试集,并采用交叉验证的方式进行训练和评估,可以有效地评估模型的泛化能力。这样可以帮助模型更好地适应不同的数据样本,提高其在实际应用中的稳定性和可靠性。4.优化模型性能:通过训练集对标签位置初始模型进行训练,并根据训练结果对模型的参数进行调优,可以进一步优化模型的性能。经过参数调优和评估后,可以得到一个更具优化效果的标签位置模型,提高了标签位置预测的准确性和稳定性。5.实际应用部署:将训练得到的标签位置模型部署在第一判断单元中,可以实现对印刷品标签位置的快速判断和处理。这样可以提高工作效率,减少人工干预,实现自动化处理和决策。
进一步地,所述标签模型是通过随机森林算法根据已有的印刷品标签样本数据集构建而成。需要说明的是,标签模型是通过随机森林算法构建的,该算法基于已有的印刷品标签样本数据集。随机森林是一种集成学习方法,它由多个决策树组成。在构建标签模型时,随机森林算法会对数据集进行随机采样,并使用这些采样数据构建多个决策树模型。在每个决策树中,随机森林算法会考虑不同的特征和属性,并根据已有的标签样本数据进行训练。每个决策树都会根据这些特征和属性对数据进行划分,形成一个决策过程。最后,随机森林算法会将多个决策树的结果进行整合,得出最终的标签模型。通过使用随机森林算法构建标签模型,可以有效地利用不同的特征和属性对印刷品进行分类和标记。该模型能够根据已有的标签样本数据学习到各种特征之间的关联性,并在实际应用中对新的印刷品进行分类预测。同时,随机森林算法还具有较好的鲁棒性和泛化能力,能够有效地处理数据中的噪声和异常情况,提高标签模型的准确性和稳定性。总之,通过随机森林算法构建的标签模型能够根据已有的印刷品标签样本数据对新的印刷品进行分类和标记,具有较好的准确性、稳定性和泛化能力。
进一步地,所述提取预处理后的印刷品图像的标签特征,并通过预设的标签模型判断所述标签特征是否存在缺陷;具体包括:
通过CNN算法,对预处理后的印刷品图像进行标签特征的提取;所述印刷品图像的标签特征包括标签形状特征、标签颜色特征和标签纹理特征;
将提取到的标签特征输入预设的标签模型中;
标签模型根据训练样本的信息学习到缺陷特征的规律,并根据输入的标签特征判断是否存在缺陷。
在上述方案中,首先,基于卷积神经网络(CNN)算法对预处理后的印刷品图像进行特征提取,包括标签的形状特征、颜色特征和纹理特征。通过CNN算法的运算,可以自动地从图像中提取这些标签特征。接下来,将提取到的标签特征输入预设的标签模型中。这个标签模型是通过学习训练样本中的信息,从中学习到缺陷特征的规律。标签模型可以将输入的标签特征与已学习到的缺陷特征进行比较,并判断是否存在缺陷。如果模型认为输入的标签特征符合缺陷特征的规律,则意味着存在缺陷;从而可以自动检测印刷品图像中的标签缺陷。传统的印刷品标签缺陷检测方法需要人工参与,费时费力。而使用这种基于CNN算法的自动检测,可以大大提高检测效率和准确性。通过提取图像的标签特征并与已学习的缺陷特征进行匹配,可以快速识别出存在缺陷的标签,并及时进行处理,提高产品质量和生产效率。
以上实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (6)
1.一种印刷品视觉检测自动剔补标控制***,其特征在于,包括:沿印刷品传输路径依序设置的视觉检测模块、剔标机构和补标机构,所述视觉检测模块与所述剔标机构及补标机构通信连接;
所述视觉检测模块在检测到贴标不合格的印刷品时,发出第一控制指令和第二控制指令,具体为:
所述视觉检测模块检测标签在印刷品上的位置是否正确,
若否,则发出第一控制指令和第二控制指令,
若是,则检测印刷品上的标签是否存在缺陷,若存在,则发出第一控制指令和第二控制指令;
所述第一控制指令用于控制剔标机构剔除贴标不合格的印刷品上的标签,所述第二控制指令用于控制补标机构在剔除标签后的印刷品上粘贴合格的标签;
其中,
所述视觉检测模块检测标签在印刷品上的位置是否正确,包括:
通过Harris角点检测算法提取印刷品上的标签位置;
通过预设的标签位置模型判断所述标签位置是否正确;
所述检测印刷品上的标签是否存在缺陷,包括:
获取标签图像;
提取标签特征;
通过预设的标签模型判断所述标签特征是否存在缺陷;
所述视觉检测模块包括:
图像采集单元,用于采集印刷品图像;
图像预处理单元,用于将采集到的印刷品图像进行预处理;
第一判断单元,用于通过Harris角点检测算法提取预处理后的印刷品图像的标签位置,并通过预设的标签位置模型判断所述标签位置是否正确;
第二判断单元,用于提取预处理后的印刷品图像的标签特征,并通过预设的标签模型判断所述标签特征是否存在缺陷;
控制单元,用于根据第一判断单元或第二判断单元输出的结果,发出第一控制指令和第二控制指令;
所述通过Harris角点检测算法提取预处理后的印刷品图像的标签位置,并通过预设的标签位置模型判断所述标签位置是否正确,具体包括:
通过Harris角点检测算法提取预处理后的印刷品图像中的角点位置,其中,通过计算每个像素的响应值,选取响应值较高的像素作为角点;
根据预先收集的正确标签位置数据,通过SVM算法训练一个标签位置模型;
将提取到的角点位置输入到训练好的标签位置模型中,所述标签位置模型根据已有的训练样本信息,计算每个提取到的角点的特征并进行比较,从而给出判断结果。
2.根据权利要求1所述的印刷品视觉检测自动剔补标控制***,其特征在于,所述将采集到的印刷品图像进行预处理,包括颜色空间转换、噪声去除和边缘增强。
3.根据权利要求2所述的印刷品视觉检测自动剔补标控制***,其特征在于,所述标签模型是通过随机森林算法根据已有的印刷品标签样本数据集构建而成。
4.根据权利要求3所述的印刷品视觉检测自动剔补标控制***,其特征在于,所述提取预处理后的印刷品图像的标签特征,并通过预设的标签模型判断所述标签特征是否存在缺陷;具体包括:
通过CNN算法,对预处理后的印刷品图像进行标签特征的提取;所述印刷品图像的标签特征包括标签形状特征、标签颜色特征和标签纹理特征;
将提取到的标签特征输入预设的标签模型中;
标签模型根据训练样本的信息学习到缺陷特征的规律,并根据输入的标签特征判断是否存在缺陷。
5.根据权利要求4所述的印刷品视觉检测自动剔补标控制***,其特征在于,所述图像预处理单元与所述图像采集单元、第一判断单元以及第二判断单元通信连接,所述第一判断单元与所述第二判断单元通信连接,所述控制单元与所述剔标机构、补标机构、第一判断单元以及第二判断单元通信连接。
6.根据权利要求5所述的印刷品视觉检测自动剔补标控制***,其特征在于,所述根据预先收集的正确标签位置数据,通过SVM算法训练一个标签位置模型,包括:
收集并整理一组包含正确标签位置的数据集;
从所述数据集的每个数据样本中提取关键特征作为输入向量;
通过降维算法对特征向量进行预处理;
采用交叉验证的方式将数据集划分为训练集和测试集;
选择SVM算法作为标签位置初始模型;
通过训练集对所述标签位置初始模型进行训练,训练过程中,SVM算法通过寻找最优超平面来将不同类别的数据样本分开;
根据所述标签位置初始模型的训练结果,对所述标签位置初始模型的参数进行调优;
通过测试集对参数调优后的所述标签位置初始模型进行评估;
根据评估结果,对所述标签位置初始模型进行优化,得到标签位置模型;
将所述标签位置模型部署在所述第一判断单元中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311346558.0A CN117282687B (zh) | 2023-10-18 | 2023-10-18 | 印刷品视觉检测自动剔补标控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311346558.0A CN117282687B (zh) | 2023-10-18 | 2023-10-18 | 印刷品视觉检测自动剔补标控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117282687A true CN117282687A (zh) | 2023-12-26 |
CN117282687B CN117282687B (zh) | 2024-05-28 |
Family
ID=89240740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311346558.0A Active CN117282687B (zh) | 2023-10-18 | 2023-10-18 | 印刷品视觉检测自动剔补标控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117282687B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120195574A1 (en) * | 2011-01-31 | 2012-08-02 | Home Box Office, Inc. | Real-time visible-talent tracking system |
CN104155311A (zh) * | 2014-08-08 | 2014-11-19 | 林小博 | 印刷质量视觉检测方法 |
CN106845898A (zh) * | 2017-01-20 | 2017-06-13 | 李莉 | 一种智能标签数据采集及物流分拣控制方法 |
CN107097464A (zh) * | 2017-05-31 | 2017-08-29 | 广州市普理司印刷科技有限公司 | 一种自动剔标补标设备 |
CN108126916A (zh) * | 2018-01-29 | 2018-06-08 | 上扬无线射频科技扬州有限公司 | 可实现异常rfid剔废和补标功能的复检设备 |
US20180232686A1 (en) * | 2017-02-16 | 2018-08-16 | Toshiba Tec Kabushiki Kaisha | Article management apparatus and article management method |
CN109215247A (zh) * | 2018-08-16 | 2019-01-15 | 刘璐 | 一种自动收快递设备 |
CN208393766U (zh) * | 2018-06-08 | 2019-01-18 | 广州坤林自动化科技有限公司 | 一种信封及卡片自动化包装流水生产线 |
CN109533538A (zh) * | 2018-12-24 | 2019-03-29 | 广州市普理司科技有限公司 | 一种全伺服自动剔补标品检机及其控制方法 |
CN109606880A (zh) * | 2018-12-14 | 2019-04-12 | 拓卡奔马机电科技有限公司 | 基于图像识别的贴标情况检测方法、装置及贴标控制*** |
CN111266302A (zh) * | 2020-02-20 | 2020-06-12 | 广州市普理司科技有限公司 | 一种卷筒材料视觉检测机 |
WO2020211823A1 (zh) * | 2019-04-18 | 2020-10-22 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及缺陷检测方法、装置 |
CN212922307U (zh) * | 2020-06-17 | 2021-04-09 | 达尔嘉(广州)标识设备有限公司 | 标签剔除装置 |
WO2021087985A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳市欢太科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
WO2021179777A1 (zh) * | 2020-03-08 | 2021-09-16 | 冉浩 | 包装袋次品剔除方法 |
WO2021243498A1 (zh) * | 2020-06-01 | 2021-12-09 | 昆山杰拓电子科技有限公司 | 剔标补标设备 |
CN114955152A (zh) * | 2022-07-01 | 2022-08-30 | 湖南中融汇智信息科技股份有限公司 | 电解铝铸造成品铝锭智能贴标机器人贴标防错控制*** |
WO2023119412A1 (ja) * | 2021-12-21 | 2023-06-29 | 日本電気株式会社 | 情報処理装置、制御方法及び記憶媒体 |
-
2023
- 2023-10-18 CN CN202311346558.0A patent/CN117282687B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120195574A1 (en) * | 2011-01-31 | 2012-08-02 | Home Box Office, Inc. | Real-time visible-talent tracking system |
CN104155311A (zh) * | 2014-08-08 | 2014-11-19 | 林小博 | 印刷质量视觉检测方法 |
CN106845898A (zh) * | 2017-01-20 | 2017-06-13 | 李莉 | 一种智能标签数据采集及物流分拣控制方法 |
US20180232686A1 (en) * | 2017-02-16 | 2018-08-16 | Toshiba Tec Kabushiki Kaisha | Article management apparatus and article management method |
CN107097464A (zh) * | 2017-05-31 | 2017-08-29 | 广州市普理司印刷科技有限公司 | 一种自动剔标补标设备 |
CN108126916A (zh) * | 2018-01-29 | 2018-06-08 | 上扬无线射频科技扬州有限公司 | 可实现异常rfid剔废和补标功能的复检设备 |
CN208393766U (zh) * | 2018-06-08 | 2019-01-18 | 广州坤林自动化科技有限公司 | 一种信封及卡片自动化包装流水生产线 |
CN109215247A (zh) * | 2018-08-16 | 2019-01-15 | 刘璐 | 一种自动收快递设备 |
CN109606880A (zh) * | 2018-12-14 | 2019-04-12 | 拓卡奔马机电科技有限公司 | 基于图像识别的贴标情况检测方法、装置及贴标控制*** |
CN109533538A (zh) * | 2018-12-24 | 2019-03-29 | 广州市普理司科技有限公司 | 一种全伺服自动剔补标品检机及其控制方法 |
WO2020211823A1 (zh) * | 2019-04-18 | 2020-10-22 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及缺陷检测方法、装置 |
WO2021087985A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳市欢太科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
CN111266302A (zh) * | 2020-02-20 | 2020-06-12 | 广州市普理司科技有限公司 | 一种卷筒材料视觉检测机 |
WO2021179777A1 (zh) * | 2020-03-08 | 2021-09-16 | 冉浩 | 包装袋次品剔除方法 |
WO2021243498A1 (zh) * | 2020-06-01 | 2021-12-09 | 昆山杰拓电子科技有限公司 | 剔标补标设备 |
CN212922307U (zh) * | 2020-06-17 | 2021-04-09 | 达尔嘉(广州)标识设备有限公司 | 标签剔除装置 |
WO2023119412A1 (ja) * | 2021-12-21 | 2023-06-29 | 日本電気株式会社 | 情報処理装置、制御方法及び記憶媒体 |
CN114955152A (zh) * | 2022-07-01 | 2022-08-30 | 湖南中融汇智信息科技股份有限公司 | 电解铝铸造成品铝锭智能贴标机器人贴标防错控制*** |
Non-Patent Citations (3)
Title |
---|
刘小红;苏湛;徐青;沈昱明;: "基于LANDMARC***的室内定位算法优化", 信息技术, no. 12, 25 December 2016 (2016-12-25) * |
刘梦迪;陈燕俐;陈蕾;: "图像自动标注技术研究进展", 计算机应用, no. 08, 10 August 2016 (2016-08-10) * |
闵达;: "标签位置正误动态检测装置设计", 南方农机, no. 09, 15 May 2017 (2017-05-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117282687B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161243B (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
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 | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN101576956B (zh) | 基于机器视觉的在线字符检测方法和*** | |
CN102305798B (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN110310262A (zh) | 一种用于检测轮胎缺陷的方法、装置及*** | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN101739570B (zh) | 棉花异性纤维在线分类方法和*** | |
CN110927171A (zh) | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN114445707A (zh) | 瓶装水标签缺陷智能化视觉精细检测方法 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及*** | |
CN117358615B (zh) | 一种自动喷码印刷缺陷检测方法及*** | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
CN117409005A (zh) | 基于图像的收板机用不良品检测***及方法 | |
CN117282687B (zh) | 印刷品视觉检测自动剔补标控制*** | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测*** | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN115082923B (zh) | 一种基于机器视觉的牛奶包装盒生产日期识别方法 | |
CN116482125A (zh) | 一种基于机器视觉的布匹缺陷处理方法 |
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 |