一种基于机器视觉的贴标品质检测方法和系统与流程

本发明属于贴标品质检测领域，尤其涉及一种基于机器视觉的贴标品质检测方法和系统。

背景技术：

1、贴标品质检测是在生产和制造过程中对产品上的标签或贴纸进行检测和评估，以确保标签的准确性、完整性和可读性。贴标品质的准确性对于产品的追溯、品牌形象和消费者信任至关重要。传统的贴标品质检测通常依赖于人工视觉检查，这种方式费时费力且容易受到主观因素的影响。随着机器视觉和图像处理技术的发展，基于机器视觉的贴标品质检测方法逐渐受到广泛关注。现有方法大多依赖人工目测来判断贴标品质，效率低下，且易受主观因素的影响，判断结果不够准确可靠。现有方法往往只关注贴标品质判断的某一方面，如仅考虑贴标的定位精度或形状完整性，无法全面检测贴标品质。同时，图像噪声和光照变化可能导致检测和评估结果的不稳定性，影响贴标品质的准确性。

技术实现思路

1、有鉴于此，本发明提供一种基于机器视觉的贴标品质检测方法和系统，目的在于通过使用图像处理、分割、特征提取和机器学习等技术，使贴标品质的检测结果更加精确和可靠。

2、实现上述目的，本发明提供的一种基于机器视觉的贴标品质检测方法，包括以下步骤：

3、s1：获取贴标物体图像，并对其进行去噪和增强，获得预处理后的贴标物体图像；

4、s2：对预处理后的贴标物体图像进行分割，获得贴标区域和非贴标区域；

5、s3：将分割出的贴标区域与标准贴标图像的贴标区域比对，计算贴标的偏移度、旋转度和完整度；

6、s4：对预处理后的贴标物体图像提取图像特征；

7、s5：将s1至s4中获得的结果输入至贴标品质检测网络对贴标品质进行综合评估，得到贴标品质检测结果。

8、s1：获取贴标物体图像，并对其进行去噪和增强，获得预处理后的贴标物体图像：

9、通过相机拍摄贴标物体的图像，所拍摄图像包含完整的贴标物体，并对图像进行预处理，所述预处理包括去噪和增强：

10、s11：图像去噪：

11、基于双边滤波对图像进行去噪，所述双边滤波的计算方式为：

12、；

13、其中，表示滤波后的像素值；表示滤波前图像周围邻域像素的值；为像素坐标；，；表示位置权重函数；表示像素差异权重函数；是归一化因子； s为邻域大小；

14、位置权重函数的表达式为：

15、；

16、其中，为自然常数；是位置参数；

17、像素差异权重函数的表达式为：

18、；

19、其中，是像素差异参数；

20、归一化因子的表达式为：

21、；

22、s12：图像增强：

23、基于直方图均衡化对去噪后的图像进行增强，所述图像增强的计算方式为：

24、计算去噪后的图像中每个灰度级出现的像素数量，并将其存储在直方图数组中，其中表示灰度级 h的像素数量；

25、计算每个灰度级的累计频率：

26、；

27、其中，m和n分别表示去噪后的图像的长和宽；表示灰度级的像素数量；；

28、将去噪后的图像的每个像素值根据累积分布函数进行映射，得到新的灰度级，映射公式为：

29、；

30、其中，为向下取整函数； l为灰度级的数量； 表示增强后的像素值；

31、完成所述图像去噪和图像增强过程后，获得预处理后的贴标物体图像 e；

32、s2：对预处理后的贴标物体图像进行分割，获得贴标区域和非贴标区域：

33、基于分水岭和区域生长结合的方法对预处理后的贴标物体图像进行分割，所述分水岭和区域生长结合的方法流程为：

34、s21：计算不同灰度值对应的分割结果：

35、从图像的最小灰度级开始，记灰度级为的点为，以为种子点进行区域生长，经过区域生长后的结果为：

36、；

37、其中，表示以为种子点并且分割阈值为时区域生长的结果，表示以为中心8邻域内的像素点；

38、将中每个点作为新的种子点进行区域生长，直到没有新的点满足生长条件，此时区域生长最终的结果为：

39、；

40、其中，表示以为基础并且分割阈值为时区域生长最终的结果；为集合合并符号；

41、增加灰度级重复s21区域生长过程，直到，其中为最大灰度级，基于区域生长结果对所有像素分为贴标区域和非贴标区域，得到图像分割结果 u；

42、s22：分割目标函数构建：

43、计算图像分割结果贴标区域的最大方差和相邻区域间的灰度平均值最大差：

44、；

45、其中，表示贴标区域的序号；、和分别表示第个贴标区域的面积，均值和相邻区域的个数；表示第个贴标区域内像素的合集；表示第个贴标区域的均值；为预处理后的贴标物体图像在处的像素值，；

46、基于得到的贴标区域的最大方差和相邻区域间的灰度平均值最大差，进一步计算区域平均对比度和内部均匀性：

47、；

48、分割目标函数由区域平均对比度和内部均匀性加权得到：

49、；

50、s23：分割阈值选择：

51、基于s21的分割方法和s22的目标函数，随机生成一系列候选分割阈值，对每一个候选分割阈值计算图像分割结果和分割目标函数值，选择使得分割目标函数值最大的分割阈值作为最终选择的分割阈值；

52、s3：将分割出的贴标区域与标准贴标图像的贴标区域比对，计算贴标的偏移度、旋转度和完整度：

53、将分割出的贴标区域与标准贴标图像的贴标区域比对从而评估贴标品质，评估的衡量标准为贴标的偏移度、旋转度和完整度，贴标的偏移度的计算方式为：

54、；

55、其中，为分割出的贴标区域中心；为标准贴标图像的贴标区域中心；

56、旋转度的计算方式为：

57、；

58、其中，分割出的贴标区域主方向向量；为标准贴标图像的贴标区域主方向向量；主方向向量为区域边缘相邻两边的向量之和；

59、完整度的计算方式为：

60、；

61、其中，为分割出的贴标区域像素数量；为标准贴标图像的贴标区域像素数量。

62、s4：对预处理后的贴标物体图像提取图像特征：

63、对预处理后的贴标物体图像提取图像特征，所述特征包括局部二值特征与纹理特征，局部二值特征的计算方式为：

64、；

65、；

66、其中，是以为中心的邻域像素；为预处理后的贴标物体图像在处的像素值，邻域大小为；

67、纹理特征的计算方式为：

68、；

69、其中，和为整数，分别表示横向和纵向的步长；

70、s5：将s1至s4中获得的结果输入至贴标品质检测网络对贴标品质进行综合评估，得到贴标品质检测结果：

71、将s1至s4中获得的结果输入贴标品质检测网络对贴标品质进行综合评估，所述贴标品质检测网络的流程为：

72、s51：定义贴标品质检测网络的检测结果：

73、；

74、其中，；；和分别代表贴标品质检测网络的权重和偏置；为贴标品质检测网络对输入的贴标信息进行检测的结果，检测结果中将贴标品质从高到低分为i、ii、iii、iv级；

75、s52：计算贴标品质检测网络预测的结果与真实结果之间的差异：

76、；

77、其中，为人工设定的贴标品质等级；表示如果当前枚举的类别等于人工设定的贴标品质等级，则为1，否则为0；表示贴标品质检测网络预测贴标品质等级为的概率； e为自然常数；

78、s53：基于贴标品质检测网络预测的结果与真实结果之间的差异更新贴标品质检测网络的权重和偏置：

79、贴标品质检测网络的权重和偏置基于随机梯度下降法获得：

80、；

81、；

82、其中，和分别代表差异相对于权重和偏置的偏导；为贴标品质检测网络的学习率，控制权重和偏导的更新速率；表示赋值操作；

83、贴标品质检测网络的权重和偏置更新完成后，输入s1至s4中获得的结果得到贴标品质等级。

84、本发明还公开了一种基于机器视觉的贴标品质检测系统，包括：

85、图像预处理模块：获取贴标物体图像，并对其进行预处理；

86、图像分割模块：对预处理后的贴标物体图像进行分割；

87、贴标比对模块：将分割出的贴标区域与标准贴标图像的贴标区域比对；

88、特征提取模块：对预处理后的贴标物体图像提取图像特征；

89、贴标品质检测模块：使用贴标品质检测网络对贴标品质进行综合评估，得到贴标品质检测结果。

90、有益效果

91、本发明采用了预处理、分割、特征提取和机器学习等多种方法，能够综合考虑多个因素对贴标品质的影响，提高了贴标品质检测的准确性。通过对比分割出的贴标区域与标准贴标图像，计算偏移度、旋转度和完整度等指标，可以更准确地评估贴标的位置、角度和完整性。

92、本发明的方法通过预处理和分割技术，能够适应处理复杂场景和多样化的贴标。预处理步骤对图像进行去噪和增强，降低噪声和光照变化对贴标品质检测的影响。分割步骤能够准确地分离贴标区域和非贴标区域，适应不同尺寸和形状的贴标，增强了方法的适应性。

93、本发明的方法在预处理和特征提取步骤中采用了图像处理技术，减少了对图像噪声和光照变化的敏感性，提升了贴标品质检测的稳定性。通过对图像的增强和特征的提取，使方法能够在不同光照条件下获取更稳定的特征，降低了干扰的影响。

94、本发明利用机器视觉和自动化技术，实现了对贴标品质的自动检测和评估。通过图像处理和特征提取的方法，可以在较短的时间内对大量贴标进行检测，并利用贴标品质检测网络进行快速的综合评估。相比传统的人工检查方法，本发明提高了贴标品质检测的效率和自动化程度。