CN117541588A - 一种纸制品的印刷缺陷检测方法 - Google Patents
一种纸制品的印刷缺陷检测方法 Download PDFInfo
- Publication number
- CN117541588A CN117541588A CN202410033449.1A CN202410033449A CN117541588A CN 117541588 A CN117541588 A CN 117541588A CN 202410033449 A CN202410033449 A CN 202410033449A CN 117541588 A CN117541588 A CN 117541588A
- Authority
- CN
- China
- Prior art keywords
- gray
- area
- value
- target area
- region
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 90
- 238000007639 printing Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000000877 morphologic effect Effects 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000009499 grossing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种纸制品的印刷缺陷检测方法,该方法包括:采集纸质印刷品的灰度图像;采用OTSU算法对灰度图像区分前景区域与背景区域得到二值图像;将二值图像与灰度图像进行掩膜叠加得到各前景纹样区域;根据前景纹样区域内的灰度分布、边缘像素点的灰度梯度变化得到前景纹样区域为干扰区域的可能性,基于预设阈值筛选出目标区域;根据目标区域的灰度分布获取形态特征;根据形态特征以及目标区域内像素点的灰度梯度分布得到目标区域的缺陷评价指标;根据缺陷评价指标筛选出缺陷区域;将缺陷区域的面积、数量与预设面积、预设数量进行比较生成印刷缺陷检测结果。本发明更精确完整的提取出印刷模糊的区域。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种纸制品的印刷缺陷检测方法。
背景技术
纸制品在印刷过程中可能出现各种不良状况,如过快的印刷速度或印刷机部件磨损可能导致印刷过程中的部分纹样图像失真或模糊,影响印刷品的质量和外观。因此需要检测出存在印刷模糊渐变的缺陷纸制品,从而相应的调整印刷参数或者改善印刷操作流程,确保产品质量稳定。
目前通过计算机视觉技术判断纸制品表面印刷质量时,纹样图案的模糊情况不相同,且由于印刷模糊渐变产生边缘的灰度变化平滑进而影响纹样边缘的识别准确性。因此需要针对纹样图案区域是否存在灰度平滑变化情况进行判断,进而准确评估纹样图案区域的印刷质量。
发明内容
为了解决上述技术问题,本发明提供一种纸制品的印刷缺陷检测方法,以解决现有的问题。
本发明的一种纸制品的印刷缺陷检测方法采用如下技术方案:
本发明一个实施例提供了一种纸制品的印刷缺陷检测方法,该方法包括以下步骤:
采集纸质印刷品的灰度图像;
采用OTSU算法对灰度图像区分前景区域与背景区域得到二值图像;将二值图像与灰度图像进行掩膜叠加得到各前景纹样区域;根据前景纹样区域内的灰度分布得到离散系数;根据前景纹样区域内边缘像素点的灰度梯度变化得到灰度梯度变化度量;根据前景纹样区域的离散系数以及灰度梯度变化度量得到前景纹样区域为干扰区域的可能性,基于预设阈值筛选出目标区域;
根据目标区域的灰度分布构建夹角余弦值序列;根据夹角余弦值序列获取目标区域的形态特征;根据形态特征以及目标区域内像素点的灰度梯度分布得到目标区域的缺陷评价指标;根据缺陷评价指标筛选出缺陷区域;将缺陷区域的面积、数量与预设面积、预设数量进行比较生成印刷缺陷检测结果。
优选的,所述采用OTSU算法对灰度图像区分前景区域与背景区域得到二值图像,包括:
采用OTSU算法对灰度图像进行处理得到OTSU阈值,同时通过OTSU阈值对灰度图像进行二值化得到二值图像;
将灰度值大于OTSU阈值的像素点作为前景区域的像素点,在二值图像中标记为1,将灰度值小于OTSU阈值的像素点作为背景区域的像素点,在二值图像中标记为0。
优选的,所述根据前景纹样区域内的灰度分布得到离散系数,包括:
获取前景纹样区域的灰度标准差以及灰度共生矩阵的熵;
计算所述灰度标准差与所述熵的乘积的倒数;
计算前景纹样区域内的最大灰度值与最小灰度值的差值,将所述差值与所述倒数的比值作为前景纹样区域的离散系数。
优选的,所述根据前景纹样区域内边缘像素点的灰度梯度变化得到灰度梯度变化度量,包括:
采用sobel算子获取前景纹样区域各边缘像素点的梯度幅值,计算前景纹样区域中所有边缘像素点的平均梯度幅值;
获取所有前景纹样区域中的平均梯度幅值的最大值和最小值;
计算最大值与最小值的差值作为第一差值,计算最大值与平均梯度幅值的差值作为第二差值,将第二差值与第一差值的比值作为前景纹样区域的灰度梯度变化度量。
优选的,所述根据前景纹样区域的离散系数以及灰度梯度变化度量得到前景纹样区域为干扰区域的可能性,包括:
计算离散系数与灰度梯度变化度量的乘积,将所述乘积的归一化值作为前景纹样区域为干扰区域的可能性。
优选的,所述基于预设阈值筛选出目标区域,包括:
将为干扰区域的可能性大于预设阈值的前景纹样区域标记为干扰区域,将干扰区域从所有前景纹样区域中排除后得到剩下的区域为各目标区域。
优选的,所述根据目标区域的灰度分布构建夹角余弦值序列,包括:
对目标区域的边缘采用8-链码得到目标区域的链码,计算所有相邻两个链码的夹角组成夹角序列;
对夹角序列中的各元素进行余弦变换得到夹角余弦值序列。
优选的,所述根据夹角余弦值序列获取目标区域的形态特征,包括:
对于夹角余弦值序列内各元素,计算元素值与1的和值;
将所有元素的所述和值之和作为目标区域的形态特征。
优选的,所述根据形态特征以及目标区域内像素点的灰度梯度分布得到目标区域的缺陷评价指标,包括:
对于目标区域各像素点,获取像素点与目标区域中具有灰度值差距最大的像素点所在的方向作为最大灰度差距方向,获取像素点八邻域方向上的最大梯度方向;
计算像素点与其他剩余所有像素点的灰度值之间的差值绝对值的和值;
计算像素点的最大灰度差距方向与最大梯度方向之间的余弦值;
计算目标区域所有像素点的所述和值与所述余弦值的乘积的均值,将所述均值与形态特征的乘积作为目标区域的缺陷评价指标。
优选的,所述根据缺陷评价指标筛选出缺陷区域,包括:
将各目标区域的缺陷评价指标进行归一化,当归一化值大于等于预设超参数时,则将对应的目标区域作为缺陷区域,反之则不作为缺陷区域。
本发明至少具有如下有益效果:
本发明通过前背景灰度差异定位前景目标,进而在前景目标区域中通过纹样印刷模糊渐变所产生的边缘灰度平滑现象进行筛选,得到存在印刷模糊的纹样区域;然后基于纹样图案区域进行模糊印刷的存在性检测,通过此步骤可以缩减检测范围、降低全局图像进行检测的计算成本,改进了现有直接通过区域分割结果进行印刷质量的方法不能够准确识别边缘灰度平滑现象所导致的模糊区域识别不准确的缺陷,避免了局部灰度平滑变化特征被全局图像中的灰度变化情况稀释的问题,从而更精确完整的提取出印刷模糊的区域。
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和优点,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的介绍,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它附图。
图1为本发明提供的一种纸制品的印刷缺陷检测方法的流程图;
图2为纸制品的印刷缺陷检测方法指标构建流程图。
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纸制品的印刷缺陷检测方法,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纸制品的印刷缺陷检测方法的具体方案。
本发明一个实施例提供的一种纸制品的印刷缺陷检测方法。
具体的,提供了如下的一种纸制品的印刷缺陷检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,使用高分辨率摄像机采集纸质印刷品的灰度图像。
首先,本实施例通过高分辨率摄像机采集厂商印刷完成后的纸质品表面图像,拍摄时将纸质印刷品平整的置于水平传送带上,然后将摄像机固定于传送带正上方,确保采集到的图像清晰、高质量,从而拍摄得到纸质印刷品的表面图像,并进行灰度化预处理得到灰度图像。
目前纸质印刷品上一般存在各种各样的彩印纹样,但在印刷过程中由于印刷设备磨损以及印刷参数设置的问题可能导致部分印刷所得纹样产生模糊渐变现象,而模糊的印刷纹样则会影响整体产品的良品率。后续步骤则针对此类缺陷进行分析与检测从而剔除次品。
步骤S002,从灰度图像中筛选存在纹样图案的区域,然后针对每个纹样图案区域计算缺陷评价并筛选出可能存在模糊缺陷的区域。
印刷模糊区域存在于纸制品的纹样图案中,为了获取更为准确的模糊缺陷区域,需要进行前景纹样区域与背景纸质区域的区分,在此可以使用OTSU算法对上述拍摄所得图像进行处理,得到前景区域的二值图像。
但由于纸质品表面可能存在部分褶皱阴影或油墨污渍干扰,导致上述二值图像中所分割出的前景区域既包含了纹样图案区域又包含了其他干扰区域。因此需要对其进一步筛选,排除掉无关干扰区域,得到准确完整的纹样图案区域。然后基于纹样图案区域进行分析,计算对应的缺陷存在评价,根据此评价的大小得到可能存在模糊缺陷的区域。
因此,步骤二筛选纹样图案的区域以及提取存在模糊缺陷区域的具体过程为:
使用OTSU算法对灰度图像进行处理得到OTSU阈值,从而将灰度图像进行二值化得到二值图像。将灰度值高于OTSU阈值的像素点设为前景像素点,低于阈值的设为背景像素点。由此,将所有的前景像素点组成前景区域,将所有的背景像素点组成背景区域。其中,OTSU算法为公知技术,本实施例不再赘述。
选择所有的前景区域的像素点将其进行掩膜叠加至原灰度图中,即将二值图像与灰度图像进行掩膜叠加,得到多个可能的前景区域,然后对所有的前景区域进行分析筛选出前景纹样区域。
在纸印刷制品的灰度图像中,由于纹样图案经过机械喷印附着于纸质品表面,因此其区域内的灰度一般较为平滑,存在较少的离群灰度值像素点,且边缘变化剧烈,即边缘灰度梯度变化较明显。而阴影或者污渍的干扰区域的内部灰度变化则相对离散,且边缘灰度梯度变化比纹样图案边缘更平滑更不明显。因此基于以上特征对各前景纹样区域建立异常评价指标。
针对掩膜叠加后所得的每一个前景纹样区域构建如下评价标准,其中,以任意一个前景纹样区域作为例子进行计算:
式中,为该区域作为干扰区域的可能性,/>为该区域内像素灰度值的标准差,/>为该区域内像素值灰度共生矩阵的熵值,/>分别表示此区域的最大灰度值与最小灰度值,/>为此区域所有边缘像素点的平均梯度幅值,/>为所有前景区域边缘像素点的平均梯度幅值的最大值,/>为所有前景区域边缘像素点的平均梯度幅值的最小值。其中,为第一差值,/>为第二差值,此区域所有边缘像素点的梯度幅值的计算方法为:将此区域中的所有边缘像素点采用sobel算子计算各边缘像素点的梯度幅值,sobel算子为公知技术,本实施例不再赘述。
其中,则代表了区域内灰度分布的离散系数,其中区域的灰度标准差/>与灰度共生矩阵的熵/>都可以衡量区域内像素灰度的分布离散情况,因此/>越大则代表此区域的灰度分布越离散,为了体现正相关性此处加上/>次幂,那么越有可能属于干扰区域。
同时结合区域的最大灰度值跨度,若此跨度越大则表示像素点的灰度分布差异越大,那么越有可能属于干扰区域。
为区域边缘像素的灰度梯度变化度量,由于干扰区域的边缘梯度变化相比纹样图案区域更加平滑,因此其边缘像素的梯度幅值会更小。在此计算区域边缘点的平均梯度幅值的度量,随着区域边缘的平均梯度幅值/>逐渐减小,那么对应的度量会逐渐增大,那么此区域作为干扰区域的可能性会逐渐增大。
最后使用函数对/>进行归一化,将/>控制在[0,1]的区间内,根据经验可选取所对应的区域为干扰区域。
至此通过以上方法处理后筛选出可能的干扰区域,然后将干扰区域排除抹消后剩下的区域可作为存在纹样图案的目标区域。
得到存在纹样图案目标的区域后针对每个目标区域进行分析,由于模糊渐变的缺陷区域不一定会是每个目标区域内,因此需要通过分析每个目标区域的灰度平滑特征以及形态变化特征计算缺陷存在评价,从而根据缺陷存在评价的大小筛选出存在模糊渐变的目标区域。
在此分析模糊渐变区域的缺陷特征,从内部灰度分布来说,如果存在模糊渐变情况那么区域内像素灰度相对于正常印刷区域的灰度分布更加不均匀,存在明显的灰度渐变趋向,从外部形态边缘来说,正常印刷区域的边缘线条收敛较为平直,而模糊渐变的区域其形态边缘则不够平直,可能存在边缘凹凸波动。基于以上特征,对每个目标区域定义缺陷评价指标。
首先基于形态特征,本实施例使用8-链码对所有目标区域的边缘进行处理,假设围成某一目标区域对应的链码数量为,然后开始计算相邻两个链码的夹角,则存在一个夹角序列/>,/>。然后,对此序列中的夹角进行余弦变换,可得夹角余弦值序列。其中,8-链码技术与余弦变换均为公知技术,本实施例不再赘述。
基于灰度的渐变特征,对于目标区域某些局部像素点来说其最大梯度方向可能会与灰度渐变方向相似;而在不存在渐变的区域内,任意像素点的灰度最大梯度方向较为随机无明显趋向。
因此计算目标区域的每个像素点在目标区域中的最大灰度差距方向以及8邻域中的最大梯度方向,其中,以目标区域中的像素点为例,获取目标区域内距离像素点/>的灰度值最大的像素点所在的方向作为像素点/>的最大灰度差距方向/>,同时获取在像素点/>的8邻域的最大梯度方向/>,如果存在渐变的区域内,则像素点的最大灰度差距方向/>及其8邻域内的最大梯度方向/>的夹角更小。同时结合目标区域内的像素点的灰度差的统计特征可得缺陷评价指标。
对于任意一个目标区域而言,其缺陷评价指标可定义为:
式中为目标区域的缺陷评价指标,/>为目标区域像素点总数,/>为目标区域内像素点/>的灰度值,/>为目标区域内除了像素点/>外第j个像素点的灰度值,/>为余弦函数,/>为像素点/>在目标区域内的最大灰度差距方向,/>为像素点/>在八邻域方向中的最大梯度方向,/>为目标区域的形态特征,/>为围成目标区域的链码数量,/>为围成此目标区域的第k个及其k+1个相邻链码之间的夹角。
其中,为目标区域内任意像素点之间的灰度差之和,其代表了区域内所有像素的灰度差异统计特征,若目标区域内灰度分布越不均匀,则像素的灰度差异会越大,那么此区域更有可能为缺陷区域。
为目标区域内任意像素点的局部最大梯度方向差异特征,代表了区域像素的灰度渐变趋向的显著性,若目标区域内存在模糊渐变的情况,那么会存在明显的灰度梯度方向,该值越大,则说明目标区域内模糊渐变的情况越明显,那么目标区域作为缺陷区域的可能性越大。
代表了目标区域的形态特征,将所有相邻链码夹角通过/>进行映射。若目标区域是模糊渐变区域,那么其边缘线条相对正常纹理边缘会存在较多的凹凸波动,那么对应的边缘链码则会更复杂,因此所有相邻链码的夹角的余弦值之和会更大,因此目标区域作为缺陷区域的可能性更大。
至此,针对所有的目标区域通过以上方法得到对应的缺陷评价指标,在后续步骤可根据缺陷评价指标的大小筛选存在缺陷的目标区域。
上述缺陷评价指标包含了目标区域的像素灰度差异特征、灰度渐变趋向以及边缘形态差异等指标,若目标区域的缺陷评价越大则代表此目标区域越有可能存在模糊渐变的缺陷,反之则越不可能存在此缺陷。
因此,本实施例将所有缺陷评价使用函数进行归一化至[0,1]之间,根据经验可定义超参数/>时,所对应的目标区域为存在模糊渐变的缺陷区域。其中,/>函数为公知技术,本实施例不再赘述。
步骤S003,根据纸制品表面模糊缺陷区域生成缺陷评价。
至此得到所有缺陷区域,可根据某一纸制品表面所检测出的缺陷区域的面积与数量,其中,缺陷区域的面积为缺陷区域内像素点总数,统计面积大于预设面积的缺陷区域的数量且当所述数量大于预设数量时,则将此产品作为次品;反之则将此作品作为良品。其中,预设面积与预设数量本实施例分别设置经验值为50像素和5,实施者可自行设定。
根据对纸制品的缺陷评价中的良品与次品等级,优化打印设备的相关参数,以提高良品率。其中,纸制品的印刷缺陷检测方法指标构建流程图如图2所示。
至此,本发明完成。
本发明实施例通过前背景灰度差异定位前景目标,进而在前景目标区域中通过纹样印刷模糊渐变所产生的边缘灰度平滑现象进行筛选,得到存在印刷模糊的纹样区域;然后基于纹样图案区域进行模糊印刷的存在性检测,通过此步骤可以缩减检测范围、降低全局图像进行检测的计算成本,改进了现有直接通过区域分割结果进行印刷质量的方法不能够准确识别边缘灰度平滑现象所导致的模糊区域识别不准确的缺陷,避免了局部灰度平滑变化特征被全局图像中的灰度变化情况稀释的问题,从而更精确完整的提取出印刷模糊的区域。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种纸制品的印刷缺陷检测方法,其特征在于,该方法包括以下步骤:
采集纸质印刷品的灰度图像;
采用OTSU算法对灰度图像区分前景区域与背景区域得到二值图像;将二值图像与灰度图像进行掩膜叠加得到各前景纹样区域;根据前景纹样区域内的灰度分布得到离散系数;根据前景纹样区域内边缘像素点的灰度梯度变化得到灰度梯度变化度量;根据前景纹样区域的离散系数以及灰度梯度变化度量得到前景纹样区域为干扰区域的可能性,基于预设阈值筛选出目标区域;
根据目标区域的灰度分布构建夹角余弦值序列;根据夹角余弦值序列获取目标区域的形态特征;根据形态特征以及目标区域内像素点的灰度梯度分布得到目标区域的缺陷评价指标;根据缺陷评价指标筛选出缺陷区域;将缺陷区域的面积、数量与预设面积、预设数量进行比较生成印刷缺陷检测结果。
2.如权利要求1所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述采用OTSU算法对灰度图像区分前景区域与背景区域得到二值图像,包括:
采用OTSU算法对灰度图像进行处理得到OTSU阈值,同时通过OTSU阈值对灰度图像进行二值化得到二值图像;
将灰度值大于OTSU阈值的像素点作为前景区域的像素点,在二值图像中标记为1,将灰度值小于OTSU阈值的像素点作为背景区域的像素点,在二值图像中标记为0。
3.如权利要求1所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述根据前景纹样区域内的灰度分布得到离散系数,包括:
获取前景纹样区域的灰度标准差以及灰度共生矩阵的熵;
计算所述灰度标准差与所述熵的乘积的倒数;
计算前景纹样区域内的最大灰度值与最小灰度值的差值,将所述差值与所述倒数的比值作为前景纹样区域的离散系数。
4.如权利要求1所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述根据前景纹样区域内边缘像素点的灰度梯度变化得到灰度梯度变化度量,包括:
采用sobel算子获取前景纹样区域各边缘像素点的梯度幅值,计算前景纹样区域中所有边缘像素点的平均梯度幅值;
获取所有前景纹样区域中的平均梯度幅值的最大值和最小值;
计算最大值与最小值的差值作为第一差值,计算最大值与平均梯度幅值的差值作为第二差值,将第二差值与第一差值的比值作为前景纹样区域的灰度梯度变化度量。
5.如权利要求1所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述根据前景纹样区域的离散系数以及灰度梯度变化度量得到前景纹样区域为干扰区域的可能性,包括:
计算离散系数与灰度梯度变化度量的乘积,将所述乘积的归一化值作为前景纹样区域为干扰区域的可能性。
6.如权利要求5所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述基于预设阈值筛选出目标区域,包括:
将为干扰区域的可能性大于预设阈值的前景纹样区域标记为干扰区域,将干扰区域从所有前景纹样区域中排除后得到剩下的区域为各目标区域。
7.如权利要求1所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述根据目标区域的灰度分布构建夹角余弦值序列,包括:
对目标区域的边缘采用8-链码得到目标区域的链码,计算所有相邻两个链码的夹角组成夹角序列;
对夹角序列中的各元素进行余弦变换得到夹角余弦值序列。
8.如权利要求7所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述根据夹角余弦值序列获取目标区域的形态特征,包括:
对于夹角余弦值序列内各元素,计算元素值与1的和值;
将所有元素的所述和值之和作为目标区域的形态特征。
9.如权利要求4所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述根据形态特征以及目标区域内像素点的灰度梯度分布得到目标区域的缺陷评价指标,包括:
对于目标区域各像素点,获取像素点与目标区域中具有灰度值差距最大的像素点所在的方向作为最大灰度差距方向,获取像素点八邻域方向上的最大梯度方向;
计算像素点与其他剩余所有像素点的灰度值之间的差值绝对值的和值;
计算像素点的最大灰度差距方向与最大梯度方向之间的余弦值;
计算目标区域所有像素点的所述和值与所述余弦值的乘积的均值,将所述均值与形态特征的乘积作为目标区域的缺陷评价指标。
10.如权利要求9所述的一种纸制品的印刷缺陷检测方法,其特征在于,所述根据缺陷评价指标筛选出缺陷区域,包括:
将各目标区域的缺陷评价指标进行归一化,当归一化值大于等于预设超参数时,则将对应的目标区域作为缺陷区域,反之则不作为缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033449.1A CN117541588B (zh) | 2024-01-10 | 2024-01-10 | 一种纸制品的印刷缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033449.1A CN117541588B (zh) | 2024-01-10 | 2024-01-10 | 一种纸制品的印刷缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541588A true CN117541588A (zh) | 2024-02-09 |
CN117541588B CN117541588B (zh) | 2024-03-12 |
Family
ID=89784675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410033449.1A Active CN117541588B (zh) | 2024-01-10 | 2024-01-10 | 一种纸制品的印刷缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541588B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808799A (zh) * | 2024-02-29 | 2024-04-02 | 天津戎军航空科技发展有限公司 | 基于人工智能的倒角设备加工质量检测方法 |
CN117876365A (zh) * | 2024-03-11 | 2024-04-12 | 惠州威尔高电子有限公司 | 一种高频印刷电路板的显影质量检测方法 |
CN117934456A (zh) * | 2024-03-20 | 2024-04-26 | 大连建峰印业有限公司 | 一种基于图像处理的包装盒印刷质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
CN105844621A (zh) * | 2016-03-17 | 2016-08-10 | 阜阳市飞扬印务有限公司 | 一种印刷品质量检测方法 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN114565614A (zh) * | 2022-05-02 | 2022-05-31 | 武汉华塑亿美工贸有限公司 | 基于机器视觉的注塑件表面缺陷分析方法与*** |
CN116912131A (zh) * | 2023-08-29 | 2023-10-20 | 东莞市沃野包装材料有限公司 | 一种基于图像处理的水转印表面膜纸视觉检测方法 |
-
2024
- 2024-01-10 CN CN202410033449.1A patent/CN117541588B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
CN105844621A (zh) * | 2016-03-17 | 2016-08-10 | 阜阳市飞扬印务有限公司 | 一种印刷品质量检测方法 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN114565614A (zh) * | 2022-05-02 | 2022-05-31 | 武汉华塑亿美工贸有限公司 | 基于机器视觉的注塑件表面缺陷分析方法与*** |
CN116912131A (zh) * | 2023-08-29 | 2023-10-20 | 东莞市沃野包装材料有限公司 | 一种基于图像处理的水转印表面膜纸视觉检测方法 |
Non-Patent Citations (4)
Title |
---|
BO TANG ET AL.: "Review of surface defect detection of steel products based on machine vision", 《IET IMAGE PROCESSING》, 31 December 2023 (2023-12-31), pages 303 * |
NGOC TUYEN LE ET AL.: "Automatic Defect Inspection for Coated Eyeglass Based on Symmetrized Energy Analysis of Color Channels", 《SYMMETRY》, 25 December 2019 (2019-12-25), pages 1 - 16 * |
彭道刚等: "基于 OTSU 和区域生长的电厂管道缺陷检测与分割", 《红外技术》, vol. 43, no. 05, 31 May 2021 (2021-05-31), pages 502 - 509 * |
汪子君等: "基于鲁棒 Otsu 的红外无损检测缺陷分割算法", 《红外与激光工程》, vol. 48, no. 02, 28 February 2019 (2019-02-28), pages 1 - 9 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808799A (zh) * | 2024-02-29 | 2024-04-02 | 天津戎军航空科技发展有限公司 | 基于人工智能的倒角设备加工质量检测方法 |
CN117808799B (zh) * | 2024-02-29 | 2024-05-07 | 天津戎军航空科技发展有限公司 | 基于人工智能的倒角设备加工质量检测方法 |
CN117876365A (zh) * | 2024-03-11 | 2024-04-12 | 惠州威尔高电子有限公司 | 一种高频印刷电路板的显影质量检测方法 |
CN117876365B (zh) * | 2024-03-11 | 2024-06-07 | 惠州威尔高电子有限公司 | 一种高频印刷电路板的显影质量检测方法 |
CN117934456A (zh) * | 2024-03-20 | 2024-04-26 | 大连建峰印业有限公司 | 一种基于图像处理的包装盒印刷质量检测方法 |
CN117934456B (zh) * | 2024-03-20 | 2024-05-28 | 大连建峰印业有限公司 | 一种基于图像处理的包装盒印刷质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117541588B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及*** | |
CN112630222B (zh) | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 | |
CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
CN108345881B (zh) | 一种基于计算机视觉的文档质量检测方法 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及*** | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN102156996A (zh) | 一种图像边缘检测的方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及*** | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN111739012A (zh) | 基于转盘的摄像头模组白斑检测*** | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN114445365A (zh) | 基于深度学习算法的钞票印刷质量检查方法 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及*** | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN117333467A (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及*** | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 |
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 |