CN117764963A - 基于机器视觉的包装袋缺陷检测方法、装置、终端及介质 - Google Patents
基于机器视觉的包装袋缺陷检测方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN117764963A CN117764963A CN202311809235.0A CN202311809235A CN117764963A CN 117764963 A CN117764963 A CN 117764963A CN 202311809235 A CN202311809235 A CN 202311809235A CN 117764963 A CN117764963 A CN 117764963A
- Authority
- CN
- China
- Prior art keywords
- packaging bag
- defect detection
- image
- determining
- 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.)
- Pending
Links
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 302
- 238000001514 detection method Methods 0.000 title claims abstract description 230
- 230000007547 defect Effects 0.000 title claims abstract description 175
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000003860 storage Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 238000012856 packing Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011185 multilayer composite material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器视觉的包装袋缺陷检测方法、装置、终端以及存储介质，获取待进行缺陷检测的包装袋图像；基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。使用机器视觉技术替代人工对包装袋的缺陷进行检测，能够显著地提高检测质量、检测效率以及节省人工成本，并且仅通过机器视觉实现对包装袋的多种缺陷的检测，具有较高的硬件使用效率，使得精简的硬件实现成为可能。
Description
技术领域
本发明涉及包装袋检测技术领域，尤其涉及一种基于机器视觉的包装袋缺陷检测方法、装置、终端以及存储介质。
背景技术
包装袋是工业生产和日常生活中被广泛使用的物品，它们能够为各种产品提供重要的包装和保护功能。包装袋的制作是一个复杂的过程，需要许多不同的工艺和技术，如，印刷工艺，可以在包装袋上印刷各种图案、文字和商标等，切割工艺，可以将印刷好的材料剪成所需的形状和大小，拼接工艺，可以将不同材料拼接在一起，形成一个完整的包装袋，涂层工艺，可以将一层材料涂在包装袋的表面，以提高包装袋的强度、防水性、防潮性等性能，贴合工艺，可以将两个材料粘合在一起，用于制作多层复合材料。然而，在制造过程中，包装袋常常会出现各种各样的缺陷，例如，包装袋切割的尺寸不合格、印刷的色彩不合格、印刷的套印不合格等。这些缺陷会影响包装袋的质量和外观，严重时还可能导致产品的损坏和浪费。因此，在实际生产中，很有必要对包装袋的缺陷进行检测。目前，包装袋的缺陷检测大多依赖于人工检测，其存在着标准不稳定、检测质量低、检测效率低、人工成本高等问题。
发明内容
本发明所要解决的技术问题在于，目前的包装袋的缺陷检测大多依赖于人工检测，其标准不稳定、检测质量低、检测效率低且人工成本高。
为了解决上述技术问题中的至少一个，本发明第一方面公开了一种基于机器视觉的包装袋缺陷检测方法，所述方法包括：
获取待进行缺陷检测的包装袋图像；
基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；
基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。
作为一种可选的实施方式，在本发明第一方面中，所述缺陷检测特征数据包括：外部区域长度值和外部区域宽度值，其中，所述外部区域长度值为所述包装袋图像的外部目标区域的最小外接矩形的长度值，所述外部区域宽度值为所述包装袋图像的外部目标区域的最小外接矩形的宽度值；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，包括：
基于预先确定的第一二值化阈值对所述包装袋图像进行二值化处理，得到所述包装袋图像对应的第一二值化图像；
从所述第一二值化图像中确定出所述外部区域长度值和所述外部区域宽度值；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，包括：
判断所述外部区域长度值是否在预设的合格长度值区间中；
判断所述外部区域宽度值是否在预设的合格宽度值区间中；
当所述外部区域长度值在所述合格长度值区间中且所述外部区域宽度值在所述合格宽度值区间中，确定包装袋的尺寸检测合格；
当所述外部区域长度值不在所述合格长度值区间中或者所述外部区域宽度值不在所述合格宽度值区间中，确定包装袋的尺寸检测不合格。
作为一种可选的实施方式，在本发明第一方面中，所述缺陷检测特征数据还包括：所述包装袋图像的内部目标区域的最小外接矩形和所述包装袋图像的内部目标区域的目标像素点个数；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
基于预先确定的第二二值化阈值对所述包装袋图像进行二值化处理，得到所述包装袋图像对应的第二二值化图像；
从所述第二二值化图像中确定出所述包装袋图像的内部目标区域的最小外接矩形和所述包装袋图像的内部目标区域的目标像素点个数，其中，所述目标像素点个数为所述第二二值化图像中所述内部目标区域所包含的白色像素的个数；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
计算所述目标像素点个数与所述包装袋图像的内部目标区域的最小外接矩形所包含的像素点个数的比值；
当所述比值大于预设的比值阈值时，确定包装袋的异物检测合格；
当所述比值未大于所述比值阈值时，确定包装袋的异物检测不合格。
作为一种可选的实施方式，在本发明第一方面中，所述缺陷检测特征数据还包括：所述包装袋图像的监测框；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
根据所述包装袋图像的外部目标区域的最小外接矩形，确定所述包装袋图像的监测框；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述监测框包含所述包装袋图像的内部目标区域的最小外接矩形时，确定包装袋的版面检测合格；
当所述监测框未包含所述包装袋图像的内部目标区域的最小外接矩形时，确定包装袋的版面检测不合格。
作为一种可选的实施方式，在本发明第一方面中，所述缺陷检测特征数据还包括：套印标记像素点个数，所述套印标记像素点个数为所述包装袋图像的套印标记所占的像素点的个数；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
从所述包装袋图像中识别出套印标记，并计算出所述套印标记在所述包装袋图像中所占的像素点的个数；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述套印标记像素点个数小于预设的像素点个数阈值时，确定包装袋的套印检测合格；
当所述套印标记像素点个数未小于所述像素点个数阈值时，确定包装袋的套印检测不合格。
作为一种可选的实施方式，在本发明第一方面中，所述缺陷检测特征数据还包括：所述包装袋图像的颜色直方图；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
计算所述包装袋图像的颜色直方图；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
计算所述包装袋图像的颜色直方图和标准的包装袋图像的颜色直方图的直方图差值；
当所述直方图差值小于预设的直方图差值阈值时，确定包装袋的色彩检测合格；
当所述直方图差值未小于所述直方图差值阈值时，确定包装袋的色彩检测不合格。
作为一种可选的实施方式，在本发明第一方面中，所述缺陷检测特征数据还包括：所述包装袋图像的形变值；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
将所述外部区域长度值和所述外部区域宽度值分别与预设的标准外部区域长度值和标准外部区域宽度值进行比对，以得到所述包装袋图像的形变值；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述形变值在预设的形变值区间时，确定包装袋的填充检测合格；
当所述形变值未在所述形变值区间时，确定包装袋的填充检测不合格。
本发明第二方面公开了一种基于机器视觉的包装袋缺陷检测装置，所述装置包括：
获取模块，用于获取待进行缺陷检测的包装袋图像；
提取模块，用于基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；
确定模块，用于基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。
本发明第三方面公开了一种基于机器视觉的包装袋缺陷检测终端，所述终端包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于机器视觉的包装袋缺陷检测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于机器视觉的包装袋缺陷检测方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，获取待进行缺陷检测的包装袋图像；基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。使用机器视觉技术替代人工对包装袋的缺陷进行检测，能够显著地提高检测质量、检测效率以及节省人工成本，并且仅通过机器视觉实现对包装袋的多种缺陷的检测，具有较高的硬件使用效率，使得精简的硬件实现成为可能。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例公开的一种基于机器视觉的包装袋缺陷检测方法的流程示意图；
图2是本发明实施例中包装袋图像对应的第一二值化图像；
图3是本发明实施例中包装袋图像出现长边连袋的示意图；
图4是本发明实施例中包装袋图像出现宽边连袋的示意图；
图5是本发明实施例中包装袋图像对应的第二二值化图像；
图6是本发明实施例中包装袋图像出现异物遮挡的示意图；
图7是本发明实施例中包装袋图像出现版面错位的示意图；
图8是本发明实施例中包装袋图像的监测框的示意图；
图9是本发明实施例中标准包装袋图像的两个颜色通道的颜色直方图；
图10是本发明实施例中色差包装袋图像的两个颜色通道的颜色直方图；
图11是本发明实施例公开的一种基于机器视觉的包装袋缺陷检测装置的结构示意图；
图12是本发明实施例公开的一种基于机器视觉的包装袋缺陷检测终端的结构示意图；
图13是本发明实施例公开的一种计算机存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于机器视觉的包装袋缺陷检测方法、装置、终端以及存储介质，获取待进行缺陷检测的包装袋图像；基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。使用机器视觉技术替代人工对包装袋的缺陷进行检测，能够显著地提高检测质量、检测效率以及节省人工成本，并且仅通过机器视觉实现对包装袋的多种缺陷的检测，具有较高的硬件使用效率，使得精简的硬件实现成为可能。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于机器视觉的包装袋缺陷检测方法的流程示意图。如图1所示，该基于机器视觉的包装袋缺陷检测方法可以包括以下操作：
101、获取待进行缺陷检测的包装袋图像。
102、基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据。
103、基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。
本发明实施例中，可以将待进行缺陷检测的包装袋在生产线上依次进行运输，依次经过生产线上设置有高速相机的部分。高速相机对每个经过的包装袋进行抓拍，从而得到每个包装袋的图像。然后，提取每个包装袋图像的缺陷检测特征，利用提取的缺陷检测特征进行包装袋的缺陷检测。
在一个可选的实施例中，所述缺陷检测特征数据包括：外部区域长度值和外部区域宽度值，其中，所述外部区域长度值为所述包装袋图像的外部目标区域的最小外接矩形的长度值，所述外部区域宽度值为所述包装袋图像的外部目标区域的最小外接矩形的宽度值；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，包括：
基于预先确定的第一二值化阈值对所述包装袋图像进行二值化处理，得到所述包装袋图像对应的第一二值化图像；
从所述第一二值化图像中确定出所述外部区域长度值和所述外部区域宽度值；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，包括：
判断所述外部区域长度值是否在预设的合格长度值区间中；
判断所述外部区域宽度值是否在预设的合格宽度值区间中；
当所述外部区域长度值在所述合格长度值区间中且所述外部区域宽度值在所述合格宽度值区间中，确定包装袋的尺寸检测合格；
当所述外部区域长度值不在所述合格长度值区间中或者所述外部区域宽度值不在所述合格宽度值区间中，确定包装袋的尺寸检测不合格。
在该可选的实施例中，可以实现对包装袋的尺寸是否合格进行检测。具体地，如图2所示，通过对包装袋图像进行图像二值化，实现图像中包装袋与背景的分离。其中，图像二值化是一种将图像转换为由黑白像素点组成的图片的技术，设定一个二值化阈值，若图像中的某一点的像素值大于该二值化阈值，则将该点设置为黑色像素点，若图像中的某一点的像素值未大于该二值化阈值，则将该点设置为白色像素点，这样即能够实现对图像的二值化。由于包装袋图像的内容通常都是固定的，即同一批次产品的包装袋图像的内容都是相同的，所以技术人员根据自身的经验以及现场的实际情况，确定出一个准确的二值化阈值以将图像中包装袋与背景进行分离完全是可以实现的。进行图像二值化后，白色像素点的区域即为包装袋，然后根据白色像素点区域即可以确定出外部目标区域的最小外接矩形Pout，进而确定出外部区域长度值和外部区域宽度值以作为缺陷检测特征数据。可以看出，外部区域长度值和外部区域宽度值表征的是包装袋的长度和宽度。最后，设定合格长度值区间和合格宽度值区间，通过判断外部区域长度值和外部区域宽度值是否在合格的区间内，即能够判断包装袋的尺寸是否合格。
可见，实施该可选的实施例，通过对包装袋图像进行二值化处理，提取出包装袋的长度特征和宽度特征，根据提取的长度特征和宽度特征能够实现对包装袋尺寸的合格检测，从而能够充分考虑包装袋图像的实际情况，选择图像二值化来进行特征提取，能够以较少的图像处理信息量，实现准确的包装袋的尺寸特征的提取，从而能够准确地对包装袋的尺寸进行检测。
在一个可选的实施例中，在确定出包装袋的尺寸检测不合格时，还可以进一步根据外部区域长度值和外部区域宽度值超出合格长度值区间和合格宽度值区间的程度，对包装袋的尺寸检测不合格的情况进行分类。如，外部区域长度值和外部区域宽度值仅超出合格长度值区间和合格宽度值区间0％-10％，即可以认为此时的尺寸不合格仅是正常的生产偏差导致的；如图3所示，外部区域长度值超出合格长度值区间10％以上，即可以认为此时的尺寸不合格是包装袋的长边连袋而导致的；如图4所示，外部区域宽度值超出合格宽度值区间10％以上，即可以认为此时的尺寸不合格是包装袋的宽边连袋而导致的。
可见，实施该可选的实施例，能够根据提取的外部区域长度值和外部区域宽度值实现对包装袋常见的尺寸错误类别进行识别，能够准确地识别出包装袋的长边连袋和宽边连袋。
在一个可选的实施例中，所述缺陷检测特征数据还包括：所述包装袋图像的内部目标区域的最小外接矩形和所述包装袋图像的内部目标区域的目标像素点个数；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
基于预先确定的第二二值化阈值对所述包装袋图像进行二值化处理，得到所述包装袋图像对应的第二二值化图像；
从所述第二二值化图像中确定出所述包装袋图像的内部目标区域的最小外接矩形和所述包装袋图像的内部目标区域的目标像素点个数，其中，所述目标像素点个数为所述第二二值化图像中所述内部目标区域所包含的白色像素的个数；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
计算所述目标像素点个数与所述包装袋图像的内部目标区域的最小外接矩形所包含的像素点个数的比值；
当所述比值大于预设的比值阈值时，确定包装袋的异物检测合格；
当所述比值未大于所述比值阈值时，确定包装袋的异物检测不合格。
在该可选的实施例中，如图5所示，通过使用第二二值化阈值对包装袋图像进行第二次二值化处理，能够将包装袋中的印刷内容分离出来。同理，由于包装袋图像的内容通常都是固定的，即同一批次产品的包装袋图像的内容都是相同的，所以技术人员根据自身的经验以及现场的实际情况，确定出另一个准确的二值化阈值以将图像中包装袋的印刷内容分离出来完全是可以实现的。进行第二次二值化后，即可以根据白色像素点的分布确定出内部目标区域的最小外接矩形Pin，白色像素点分布的区域即为包装袋的印刷内容，即内部目标区域。然后，统计内部目标区域中白色像素点的个数，通过内部目标区域中白色像素点的个数在内部目标区域的占比，判断包装袋的印刷内容是否存在异物。如图6所示，当包装袋的印刷内容存在异物时，将有一大部分印刷内容会被异物遮挡，被异物遮挡的部分在完成图像二值化后会变成黑色像素点，可以看出，相对于印刷内容不存在异物的情况，印刷内容存在异物的情况下内部目标区域中白色像素点的个数在内部目标区域的占比会存在明显的降低，因此，通过内部目标区域中白色像素点的个数在内部目标区域的占比，完全能够判断出包装袋的印刷内容是否存在异物。具体地，技术人员可以根据现场的试验情况，设定出合适的比值阈值，当比值大于该比值阈值时，说明印刷内容未被异物所遮挡，异物检测合格，当比值未大于该比值阈值时，黑色像素点过多，说明印刷内容被异物所遮挡，则异物检测不合格。
可见，实施该可选的实施例，通过使用第二二值化阈值对包装袋图像进行第二次二值化处理，将包装袋中的印刷内容分离出来，然后通过内部目标区域中白色像素点的个数在内部目标区域的占比，判断包装袋的印刷内容是否存在异物，能够充分考虑包装袋图像的实际情况，选择图像二值化来进行异物检测的特征提取，能够以较少的图像处理信息量，实现准确的异物检测的特征的提取，并能够准确地实现对包装袋的印刷内容的异物检测。
在一个可选的实施例中，所述缺陷检测特征数据还包括：所述包装袋图像的监测框；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
根据所述包装袋图像的外部目标区域的最小外接矩形，确定所述包装袋图像的监测框；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述监测框包含所述包装袋图像的内部目标区域的最小外接矩形时，确定包装袋的版面检测合格；
当所述监测框未包含所述包装袋图像的内部目标区域的最小外接矩形时，确定包装袋的版面检测不合格。
在该可选的实施例中，如图7所示，包装袋的印刷有时会出现版面错位的情况。针对版面错位的情况，可以先根据包装袋图像的外部目标区域的最小外接矩形，确定包装袋图像的监测框，其中，监测框的长边和宽边可以分别平行于外部目标区域的最小外接矩形的长边和宽边，监测框的长边和宽边的长度也可以按照百分比取外部目标区域的最小外接矩形的长边和宽边的长度。如图8所示，监测框M与外部目标区域的最小外接矩形Pout平行，长度和宽度均按照预设的百分比取自于外部目标区域的最小外接矩形的长度和宽度。然后，通过判断监测框是否包含包装袋的内部目标区域的最小外接矩形，以判断出包装袋的版面是否错位。图7中，监测框与最小外接矩形相交，监测框未包含内部目标区域的最小外接矩形，因此，可以判断出包装袋的版面发生错位，版面检测不合格。同样，由于包装袋的图像内容比较固定，所以对于监测框M的设定，可以由技术人员通过现场调试的方式调试出合适的监测框M，从而能够达到合适的版面检测效果。
可见，实施该可选的实施例，根据包装袋图像的外部目标区域的最小外接矩形，确定包装袋图像的监测框，然后通过判断监测框是否包含包装袋的内部目标区域的最小外接矩形，以判断出包装袋的版面是否错位，从而能够实现对包装袋的版面检测。
在一个可选的实施例中，所述缺陷检测特征数据还包括：套印标记像素点个数，所述套印标记像素点个数为所述包装袋图像的套印标记所占的像素点的个数；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
从所述包装袋图像中识别出套印标记，并计算出所述套印标记在所述包装袋图像中所占的像素点的个数；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述套印标记像素点个数小于预设的像素点个数阈值时，确定包装袋的套印检测合格；
当所述套印标记像素点个数未小于所述像素点个数阈值时，确定包装袋的套印检测不合格。
在该可选的实施例中，包装袋的印刷通常是使用四色印刷的模式，包装袋印刷时需要依次经过这4个部分，依次被印刷4次，先印刷青色的部分，再依次印刷洋红色、黄色、黑色的部分，最后C(Cyan，青色)、M(Magenta，洋红色)、Y(Yellow，黄色)、K(blacK，黑色)四个色彩通道的印刷叠加后即能够得到最终的包装袋印刷。然而，在印刷的过程中，包装袋可能会由于热胀冷缩、机械误差等原因使得各个色彩印刷的位置没有精准对上，各个色彩的印刷位置会产生偏差，从而影响最终各个色彩印刷的叠加效果，影响最终的包装袋印刷成品的质量。为了对包装袋印刷的套印偏差进行检测，可以在每次套印时在包装袋的相同空白位置印刷一个套印检测标记，如，一个“+”号，若套印的偏差合格，则四次套印的“+”号将严格重合，在最终的包装袋印刷成品中只会出现一个清晰的“+”号；若套印的偏差不合格，则最终的包装袋印刷成品中的“+”号可能会模糊或者重影，甚至会出现多个“+”号，所以可以通过检测“+”号的印刷情况来判断包装袋的套印偏差是否合格。具体地，机器视觉可以对包装袋图像的套印标记“+”号进行像素级的检测，首先提取出“+”号的图像区域，然后计算“+”号在图像中所占的像素点的数量。若套印偏差合格，则“+”号会清晰，其所占的像素点不会过多，则可以确定包装袋的套印检测合格；若套印偏差不合格，则“+”号可能会模糊或者重影，其所占的像素点通常会更多，则可以确定包装袋的套印检测不合格。同样，套印检测时，像素点个数阈值可以是由技术人员通过现场调试来确定，从而能够保证较好的套印检测效果。
可见，实施该可选的实施例，通过在包装袋印刷中设置套印标记，然后通过检测套印标记在包装袋图像中的像素点的个数来检测包装袋的套印是否合格，从而能够利用机器视觉实现对包装袋的套印检测。
在一个可选的实施例中，所述缺陷检测特征数据还包括：所述包装袋图像的颜色直方图；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
计算所述包装袋图像的颜色直方图；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
计算所述包装袋图像的颜色直方图和标准的包装袋图像的颜色直方图的直方图差值；
当所述直方图差值小于预设的直方图差值阈值时，确定包装袋的色彩检测合格；
当所述直方图差值未小于所述直方图差值阈值时，确定包装袋的色彩检测不合格。
在该可选的实施例中，通过比对包装袋图像的颜色直方图和标准包装袋图像的颜色直方图，以实现对包装袋的色差的检测，确定包装袋的色彩是否合格。颜色直方图是在许多图像检索***中被广泛采用的颜色特征，它所描述的是不同色彩在整副图像中所占的比例，而并不关心每种色彩所处的空间位置。颜色直方图是灰度级的函数，它表示图像的该颜色通道中具有每种灰度级的像素的个数，反映图像的该颜色通道中每种灰度出现的频率。颜色直方图的横坐标是灰度级，纵坐标是该灰度级出现的频率。如上所述，包装袋的印刷图像通常可以划分为C、M、Y、K四个颜色通道，因此，可以提取四个颜色通道的颜色直方图进行色差的检测。如图9所示，图9是标准包装袋图像的某两个颜色通道的颜色直方图，从图中可以看出a通道的像素都主要分布在0-50的灰度级。如图10所示，图10是一个存在色差的包装袋图像的该两个颜色通道的颜色直方图。从两图的对比可以看出，由于两个包装袋图像存在色差，所以该两个颜色直方图的像素分布存在着较大的差异。具体地，颜色直方图之间的差异可以使用直方图差值来定量表示。直方图差值的计算方法可以如下，计算两个颜色直方图在每个灰度级的像素个数的差值，然后将所有的差值的绝对值进行叠加，即可以得到直方图差值。可选地，也可以将每个灰度级的差值进行过滤，设定一定的阈值，只有大于该阈值的灰度级差值才会最终叠加至直方图差值中，这样即可以实现对微小的差异的过滤。同样，直方图差值阈值也可以由技术人员通过现场调试来确定，从而能够保证色彩检测的效果。
可见，实施该可选的实施例，通过将包装袋图像的颜色直方图和标准包装袋图像的颜色直方图进行比较，从而能够实现对包装袋的色差的检测，检测包装袋的色彩是否合格。
在一个可选的实施例中，所述缺陷检测特征数据还包括：所述包装袋图像的形变值；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
将所述外部区域长度值和所述外部区域宽度值分别与预设的标准外部区域长度值和标准外部区域宽度值进行比对，以得到所述包装袋图像的形变值；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述形变值在预设的形变值区间时，确定包装袋的填充检测合格；
当所述形变值未在所述形变值区间时，确定包装袋的填充检测不合格。
在该可选的实施例中，还可以在包装袋填充物品后，根据包装袋的形变程度来判断所填充的物品的数量、体积等是否合格。上述的检测通常都是在包装袋填充物品之前进行的检测，为进一步提升检测的内容，本发明实施例提出了在包装袋填充物品后，对填充的物品是否合格进行检测。具体地，包装袋填充物品后，由于物品对包装袋的填充，包装袋的尺寸通常会发生变化，如，由于包装袋中间的***，导致包装袋的长宽都会相对于平铺时的长宽有所缩短。且包装袋的形变程度也会跟随填充物品的体积变化而变化。因此，通过检测包装袋的形变程度来确定所填充的物品的体积是否吻合完全是可行的。可以将图像检测到的外部区域长度值与标准外部区域长度值的比值、外部区域宽度值与标准外部区域宽度值的比值作为包装袋图像的形变值。形变值区间也可以由技术人员通过现场调试来确定，从而能够保证填充检测的效果。
可见，实施该可选的实施例，根据包装袋的形变程度来判断所填充的物品的数量、体积等是否合格，从而能够利用机器视觉实现对包装袋的填充检测。
可见，实施图1所描述的基于机器视觉的包装袋缺陷检测方法，获取待进行缺陷检测的包装袋图像；基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。使用机器视觉技术替代人工对包装袋的缺陷进行检测，能够显著地提高检测质量、检测效率以及节省人工成本，并且仅通过机器视觉实现对包装袋的多种缺陷的检测，具有较高的硬件使用效率，使得精简的硬件实现成为可能。
实施例二
请参阅图11，图11是本发明实施例公开的一种基于机器视觉的包装袋缺陷检测装置的结构示意图。如图11所示，该基于机器视觉的包装袋缺陷检测装置可以包括：
获取模块1101，用于获取待进行缺陷检测的包装袋图像；
提取模块1102，用于基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；
确定模块1103，用于基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。
对于上述基于机器视觉的包装袋缺陷检测装置的具体描述可以参照上述基于机器视觉的包装袋缺陷检测方法的具体描述，在此不再一一赘述。
实施例三
请参阅图12，图12是本发明实施例公开的一种基于机器视觉的包装袋缺陷检测终端的结构示意图。如图12所示，该基于机器视觉的包装袋缺陷检测终端可以包括：
存储有可执行程序代码的存储器1201；
与存储器1201耦合的处理器1202；
处理器1202调用存储器1201中存储的可执行程序代码，执行本发明实施例一公开的基于机器视觉的包装袋缺陷检测方法中的步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于机器视觉的包装袋缺陷检测方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于机器视觉的包装袋缺陷检测方法、装置、终端以及存储介质所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于机器视觉的包装袋缺陷检测方法，其特征在于，所述方法包括：
获取待进行缺陷检测的包装袋图像；
基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；
基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。
2.根据权利要求1所述的基于机器视觉的包装袋缺陷检测方法，其特征在于，所述缺陷检测特征数据包括：外部区域长度值和外部区域宽度值，其中，所述外部区域长度值为所述包装袋图像的外部目标区域的最小外接矩形的长度值，所述外部区域宽度值为所述包装袋图像的外部目标区域的最小外接矩形的宽度值；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，包括：
基于预先确定的第一二值化阈值对所述包装袋图像进行二值化处理，得到所述包装袋图像对应的第一二值化图像；
从所述第一二值化图像中确定出所述外部区域长度值和所述外部区域宽度值；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，包括：
判断所述外部区域长度值是否在预设的合格长度值区间中；
判断所述外部区域宽度值是否在预设的合格宽度值区间中；
当所述外部区域长度值在所述合格长度值区间中且所述外部区域宽度值在所述合格宽度值区间中，确定包装袋的尺寸检测合格；
当所述外部区域长度值不在所述合格长度值区间中或者所述外部区域宽度值不在所述合格宽度值区间中，确定包装袋的尺寸检测不合格。
3.根据权利要求2所述的基于机器视觉的包装袋缺陷检测方法，其特征在于，所述缺陷检测特征数据还包括：所述包装袋图像的内部目标区域的最小外接矩形和所述包装袋图像的内部目标区域的目标像素点个数；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
基于预先确定的第二二值化阈值对所述包装袋图像进行二值化处理，得到所述包装袋图像对应的第二二值化图像；
从所述第二二值化图像中确定出所述包装袋图像的内部目标区域的最小外接矩形和所述包装袋图像的内部目标区域的目标像素点个数，其中，所述目标像素点个数为所述第二二值化图像中所述内部目标区域所包含的白色像素的个数；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
计算所述目标像素点个数与所述包装袋图像的内部目标区域的最小外接矩形所包含的像素点个数的比值；
当所述比值大于预设的比值阈值时，确定包装袋的异物检测合格；
当所述比值未大于所述比值阈值时，确定包装袋的异物检测不合格。
4.根据权利要求3所述的基于机器视觉的包装袋缺陷检测方法，其特征在于，所述缺陷检测特征数据还包括：所述包装袋图像的监测框；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
根据所述包装袋图像的外部目标区域的最小外接矩形，确定所述包装袋图像的监测框；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述监测框包含所述包装袋图像的内部目标区域的最小外接矩形时，确定包装袋的版面检测合格；
当所述监测框未包含所述包装袋图像的内部目标区域的最小外接矩形时，确定包装袋的版面检测不合格。
5.根据权利要求4所述的基于机器视觉的包装袋缺陷检测方法，其特征在于，所述缺陷检测特征数据还包括：套印标记像素点个数，所述套印标记像素点个数为所述包装袋图像的套印标记所占的像素点的个数；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
从所述包装袋图像中识别出套印标记，并计算出所述套印标记在所述包装袋图像中所占的像素点的个数；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述套印标记像素点个数小于预设的像素点个数阈值时，确定包装袋的套印检测合格；
当所述套印标记像素点个数未小于所述像素点个数阈值时，确定包装袋的套印检测不合格。
6.根据权利要求5所述的基于机器视觉的包装袋缺陷检测方法，其特征在于，所述缺陷检测特征数据还包括：所述包装袋图像的颜色直方图；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
计算所述包装袋图像的颜色直方图；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
计算所述包装袋图像的颜色直方图和标准的包装袋图像的颜色直方图的直方图差值；
当所述直方图差值小于预设的直方图差值阈值时，确定包装袋的色彩检测合格；
当所述直方图差值未小于所述直方图差值阈值时，确定包装袋的色彩检测不合格。
7.根据权利要求6所述的基于机器视觉的包装袋缺陷检测方法，其特征在于，所述缺陷检测特征数据还包括：所述包装袋图像的形变值；
所述基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据，还包括：
将所述外部区域长度值和所述外部区域宽度值分别与预设的标准外部区域长度值和标准外部区域宽度值进行比对，以得到所述包装袋图像的形变值；
所述基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果，还包括：
当所述形变值在预设的形变值区间时，确定包装袋的填充检测合格；
当所述形变值未在所述形变值区间时，确定包装袋的填充检测不合格。
8.一种基于机器视觉的包装袋缺陷检测装置，其特征在于，所述装置包括：
获取模块，用于获取待进行缺陷检测的包装袋图像；
提取模块，用于基于预设的图像处理方式对所述包装袋图像进行处理，以提取出所述包装袋图像的缺陷检测特征数据；
确定模块，用于基于所述缺陷检测特征数据，确定包装袋的缺陷检测结果。
9.一种基于机器视觉的包装袋缺陷检测终端，其特征在于，所述终端包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于机器视觉的包装袋缺陷检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于机器视觉的包装袋缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311809235.0A CN117764963A (zh) | 2023-12-25 | 2023-12-25 | 基于机器视觉的包装袋缺陷检测方法、装置、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311809235.0A CN117764963A (zh) | 2023-12-25 | 2023-12-25 | 基于机器视觉的包装袋缺陷检测方法、装置、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117764963A true CN117764963A (zh) | 2024-03-26 |
Family
ID=90310230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311809235.0A Pending CN117764963A (zh) | 2023-12-25 | 2023-12-25 | 基于机器视觉的包装袋缺陷检测方法、装置、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117764963A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103072718A (zh) * | 2012-12-27 | 2013-05-01 | 天津普达软件技术有限公司 | 用于食品包装生产线的机器视觉检测***及方法 |
| CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
| CN106770372A (zh) * | 2016-11-29 | 2017-05-31 | 中国科学院自动化研究所 | 基于显微视觉的白玻表面缺陷检测方法 |
| CN107014821A (zh) * | 2017-02-28 | 2017-08-04 | 深圳市维图视技术有限公司 | 一种塑料自封袋检测***及方法 |
| CN107966454A (zh) * | 2017-12-25 | 2018-04-27 | 陕西科技大学 | 一种基于fpga的端塞缺陷检测装置及检测方法 |
| CN109724990A (zh) * | 2019-01-08 | 2019-05-07 | 上海大学 | 一种包装盒标签中喷码区域的快速定位与检测方法 |
| CN111524120A (zh) * | 2020-04-22 | 2020-08-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的印刷品细小划痕、套印偏差检测方法 |
| CN111968082A (zh) * | 2020-07-30 | 2020-11-20 | 陕西科技大学 | 一种基于机器视觉的产品包装缺陷检测识别方法 |
| CN114092375A (zh) * | 2020-07-30 | 2022-02-25 | 四川卡库机器人科技有限公司 | 包装袋封面印刷缺陷自动检测***及方法 |
| CN114882037A (zh) * | 2022-07-11 | 2022-08-09 | 北京中科慧眼科技有限公司 | 基于动态印次掩模的图像缺陷检测方法和*** |
| CN116703899A (zh) * | 2023-08-03 | 2023-09-05 | 青岛义龙包装机械有限公司 | 基于图像数据的袋式包装机产品质量检测方法 |
| CN117011304A (zh) * | 2023-10-08 | 2023-11-07 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
-
2023
- 2023-12-25 CN CN202311809235.0A patent/CN117764963A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103072718A (zh) * | 2012-12-27 | 2013-05-01 | 天津普达软件技术有限公司 | 用于食品包装生产线的机器视觉检测***及方法 |
| CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
| CN106770372A (zh) * | 2016-11-29 | 2017-05-31 | 中国科学院自动化研究所 | 基于显微视觉的白玻表面缺陷检测方法 |
| CN107014821A (zh) * | 2017-02-28 | 2017-08-04 | 深圳市维图视技术有限公司 | 一种塑料自封袋检测***及方法 |
| CN107966454A (zh) * | 2017-12-25 | 2018-04-27 | 陕西科技大学 | 一种基于fpga的端塞缺陷检测装置及检测方法 |
| CN109724990A (zh) * | 2019-01-08 | 2019-05-07 | 上海大学 | 一种包装盒标签中喷码区域的快速定位与检测方法 |
| CN111524120A (zh) * | 2020-04-22 | 2020-08-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的印刷品细小划痕、套印偏差检测方法 |
| CN111968082A (zh) * | 2020-07-30 | 2020-11-20 | 陕西科技大学 | 一种基于机器视觉的产品包装缺陷检测识别方法 |
| CN114092375A (zh) * | 2020-07-30 | 2022-02-25 | 四川卡库机器人科技有限公司 | 包装袋封面印刷缺陷自动检测***及方法 |
| CN114882037A (zh) * | 2022-07-11 | 2022-08-09 | 北京中科慧眼科技有限公司 | 基于动态印次掩模的图像缺陷检测方法和*** |
| CN116703899A (zh) * | 2023-08-03 | 2023-09-05 | 青岛义龙包装机械有限公司 | 基于图像数据的袋式包装机产品质量检测方法 |
| CN117011304A (zh) * | 2023-10-08 | 2023-11-07 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李丹等: "基于机器视觉的包装袋缺陷检测算法研究与应用", 《激光与光电子学进展》, vol. 56, no. 9, 31 May 2019 (2019-05-31), pages 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6771807B2 (en) | Method and system for detecting defects on a printed circuit board | |
| CN102246186B (zh) | 物品识别方法和*** | |
| CN109752392B (zh) | 一种pcb板缺陷类型检测***和方法 | |
| CN107179324A (zh) | 检测产品包装的方法、装置和*** | |
| CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
| JP2013122455A (ja) | たばこの生産中及び／又は包装中に検査すべき対象物を光学的に検査する方法及び装置 | |
| CN114419038A (zh) | 轮毂表面缺陷的识别方法及装置、存储介质、电子设备 | |
| CN116573307A (zh) | 一种垃圾自动分类回收智能设备及其智能垃圾分类*** | |
| CN114708247A (zh) | 基于深度学习的烟盒包装缺陷识别方法和装置 | |
| CN117764963A (zh) | 基于机器视觉的包装袋缺陷检测方法、装置、终端及介质 | |
| CN112465910B (zh) | 一种目标拍摄距离获取方法、装置、存储介质及电子设备 | |
| CN110516375B (zh) | 一种异常板卡的检测方法、装置、电子设备及存储介质 | |
| CN116840233A (zh) | 条烟外观检测方法、装置、电子设备及存储介质 | |
| CN115861161A (zh) | 机器学习***、学习数据收集方法以及存储介质 | |
| CN112135511A (zh) | 一种pcb板锡膏印刷品检方法、装置及*** | |
| EP4358020A1 (en) | Method of detecting errors in the placement of elements in the pcb | |
| CN117115114B (zh) | 基于yolo的电力电子器件生产工艺目标识别与缺陷检测方法 | |
| US20170200383A1 (en) | Automated review of forms through augmented reality | |
| JP3190173B2 (ja) | 半導体装置の外観検査方法および外観検査装置 | |
| CN111445458B (zh) | 一种手机电池标签印刷质量的检测方法 | |
| CN113780074A (zh) | 卷纸中包质量检测方法、装置及存储介质 | |
| JPH04133500A (ja) | 極性相違検出方法 | |
| CN116848400A (zh) | 一种评估食品包装的横向密封质量的方法 | |
| JP2004318488A (ja) | 製品検査方法及び製品検査装置 | |
| CN117057379A (zh) | 封箱机防差错控制方法、装置、设备及存储介质 |
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 |