一种标签瑕疵的控制方法及系统技术方案

本发明专利技术公开了一种标签瑕疵的控制方法及系统，通过预设ROI区域，利用ROI区域对待检测图像进行裁剪；使用Swish激励函数改进YoloV5算法训练模型，得到更适用于布匹缺陷的AI模型；通过深度学习神经网络算法匹配出待检测图像中对应的Logo、字母和符号；将待检测图像的长和宽进行等比例缩放，并且将深度学习神经网络算法匹配出的符号进行遮挡，然后使用SIFT特征点匹配算法，将待检测布匹和设置的标准布匹进行特征点匹配，寻找出待检测布匹与标准布匹的特征差异，判断出差异数值并标记出差异区域，得到缺陷位置及大小。本发明专利技术提供的标签瑕疵的控制方法及系统，自动化程度高、节省人力成本；检测速度快、检测精度高。检测精度高。检测精度高。

【技术实现步骤摘要】
一种标签瑕疵的控制方法及系统


[0001]本专利技术涉及图像处理
，尤其公开了一种标签瑕疵的控制方法及系统。

技术介绍

[0002]标签是用于标志目标的分类或内容，便于自己和他人查找和定位自己目标的工具。服装行业通常采用织唛标签来进行标识区分，织唛标签通常都以单张的形式粘贴于对应的服装上。
[0003]在织唛标签中，可能会存在与预定图案不一致的标签，如有的标签存在图案颜色与要求的图案颜色不一致、图案部分缺损、图案模糊等问题，存在上述问题的织唛标签均为瑕疵标签，而与预定图案一致的标签为合格标签。在标签成品验收交付前，需要对瑕疵标签进行人工剔拣或利用单张检测平台进行剔拣。由于需要逐一进行排查所有单张标签成品，人工排查费时、费力且人力成本高；而单张标签检测平台价格昂贵，检测成本增加，标签产品的成本随之增加。
[0004]因此，现有标签瑕疵检测中存在的上述缺陷，是目前亟待解决的技术问题。

技术实现思路

[0005]本专利技术提供了一种签瑕疵的控制方法及系统，旨在解决现有标签瑕疵检测中存在的上述缺陷。
[0006]本专利技术的一方面涉及一种标签瑕疵的控制方法，包括以下步骤：预设ROI区域，利用ROI区域对待检测图像进行裁剪；使用Swish激励函数改进YoloV5算法训练模型，得到更适用于布匹缺陷的AI模型，AI模型用于预测布匹中的缺陷，并确定缺陷位置；通过深度学习神经网络算法匹配出待检测图像中对应的Logo、字母和符号；将待检测图像的长和宽进行等比例缩放，并且将深度学习神经网络算法匹配出的符号进行遮挡，然后使用SIFT特征点匹配算法，将待检测布匹和设置的标准布匹进行特征点匹配，寻找出待检测布匹与标准布匹的特征差异，判断出差异数值并标记出差异区域，得到缺陷位置及大小；将深度学习神经网络算法匹配出的符号进行二值化，并且通过Opencv边缘检测得到符号的轮廓，并且利用最小二乘法将轮廓拟合为一条直线，将直线延长分别与布匹的上边缘与下边缘相交，得到布匹与符号的夹角，如果得到的夹角大于预设夹角阈值时，则判断为斜唛；将以上各个步骤得到的缺陷结果进行汇总，得到总的标签缺陷，并将总的标签缺陷对外输出。
[0007]进一步地，通过深度学习神经网络算法匹配出待检测图像中对应的Logo、字母和符号的步骤包括：选定待检测图像中最具特征的一个符号，并对符号进行二值化；
通过Prewitt算子进行边缘提取，提取出符号的边缘，选取边缘点的中心点；以中心点向外腐蚀得到中心到标签外边缘的最短距离、以及中心点在布料的相对位置的比例，通过与标准图片的比例判断出中心点偏移量，确定标签是否有大小边缺陷。
[0008]进一步地，Prewitt算子是待检测图像中的边缘，通过待检测图像中像素值的梯度变化来检测；Prewitt算子包括两个3x3的卷积核，一个用于检测待检测图像中像素值在水平方向上的梯度变化，另一个用于检测像素值在垂直方向上的梯度变化。
[0009]进一步地，Prewitt算子的卷积核如下所示：将待检测图像转换为灰度图像；对灰度图像应用于hx卷积核和hy卷积核中，得到水平方向上和垂直方向上的梯度图像；将梯度图像合并成一个单独的图像，在单独的图像中显示所有边缘。
[0010]进一步地，将深度学习神经网络算法匹配出的符号进行二值化，并且通过Opencv边缘检测得到符号的轮廓，并且利用最小二乘法将轮廓拟合为一条直线，将直线延长分别与布匹的上边缘与下边缘相交，得到布匹与符号的夹角，如果得到的夹角大于预设夹角阈值时，则判断为斜唛的步骤中，预设夹角阈值的范围为87
°‑
93
°
。
[0011]本专利技术的另一方面涉及一种标签瑕疵的控制系统，包括：裁剪模块，用于预设ROI区域，利用ROI区域对待检测图像进行裁剪；训练模块，用于使用Swish激励函数改进YoloV5算法训练模型，得到更适用于布匹缺陷的AI模型，AI模型用于预测布匹中的缺陷，并确定缺陷位置；第一匹配模块，用于通过深度学习神经网络算法匹配出待检测图像中对应的Logo、字母和符号；第二匹配模块，用于将待检测图像的长和宽进行等比例缩放，并且将深度学习神经网络算法匹配出的符号进行遮挡，然后使用SIFT特征点匹配算法，将待检测布匹和设置的标准布匹进行特征点匹配，寻找出待检测布匹与标准布匹的特征差异，判断出差异数值并标记出差异区域，得到缺陷位置及大小；判断模块，用于将深度学习神经网络算法匹配出的符号进行二值化，并且通过Opencv边缘检测得到符号的轮廓，并且利用最小二乘法将轮廓拟合为一条直线，将直线延长分别与布匹的上边缘与下边缘相交，得到布匹与符号的夹角，如果得到的夹角大于预设夹角阈值时，则判断为斜唛；输出模块，用于将以上各个步骤得到的缺陷结果进行汇总，得到总的标签缺陷，并将总的标签缺陷对外输出。
[0012]进一步地，第一匹配模块包括：选定单元，用于选定待检测图像中最具特征的一个符号，并对符号进行二值化；提取单元，用于通过Prewitt算子进行边缘提取，提取出符号的边缘，选取边缘点的中心点；确定单元，用于以中心点向外腐蚀得到中心到标签外边缘的最短距离、以及中心点在布料的相对位置的比例，通过与标准图片的比例判断出中心点偏移量，确定标签是否
有大小边缺陷。
[0013]进一步地，Prewitt算子是待检测图像中的边缘，通过待检测图像中像素值的梯度变化来检测；Prewitt算子包括两个3x3的卷积核，一个用于检测待检测图像中像素值在水平方向上的梯度变化，另一个用于检测像素值在垂直方向上的梯度变化。
[0014]进一步地，Prewitt算子的卷积核如下所示：将待检测图像转换为灰度图像；对灰度图像应用于hx卷积核和hy卷积核中，得到水平方向上和垂直方向上的梯度图像；将梯度图像合并成一个单独的图像，在单独的图像中显示所有边缘。
[0015]进一步地，判断模块中，预设夹角阈值的范围为87
°‑
93
°
。
[0016]本专利技术所取得的有益效果为：本专利技术提供一种标签瑕疵的控制方法及系统，通过预设ROI区域，利用ROI区域对待检测图像进行裁剪；使用Swish激励函数改进YoloV5算法训练模型，得到更适用于布匹缺陷的AI模型，AI模型用于预测布匹中的缺陷，并确定缺陷位置；通过深度学习神经网络算法匹配出待检测图像中对应的Logo、字母和符号；将待检测图像的长和宽进行等比例缩放，并且将深度学习神经网络算法匹配出的符号进行遮挡，然后使用SIFT特征点匹配算法，将待检测布匹和设置的标准布匹进行特征点匹配，寻找出待检测布匹与标准布匹的特征差异，判断出差异数值并标记出差异区域，得到缺陷位置及大小；将深度学习神经网络算法匹配出的符号进行二值化，并且通过Opencv边缘检测得到符号的轮廓，并且利用最小二乘法将轮廓拟合为一条直线，将直线延长分别与布匹的上边缘与下边缘相交，得到布匹与符号的夹角，如果得到的夹角大于预设夹角阈值时，则判断为斜唛；将以上各个步骤得到的缺陷结果进行汇总，得到总的标签缺陷，并将总本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种标签瑕疵的控制方法，其特征在于，包括以下步骤：预设ROI区域，通过所述ROI区域对待检测图像进行裁剪；使用Swish激励函数改进YoloV5算法训练模型，得到更适用于布匹缺陷的AI模型，所述AI模型用于预测布匹中的缺陷，并确定缺陷位置；通过深度学习神经网络算法匹配出所述待检测图像中对应的Logo、字母和符号；将所述待检测图像的长和宽进行等比例缩放，并且将深度学习神经网络算法匹配出的符号进行遮挡，然后使用SIFT特征点匹配算法，将待检测布匹和设置的标准布匹进行特征点匹配，寻找出待检测布匹与标准布匹的特征差异，判断出差异数值并标记出差异区域，得到缺陷位置及大小；将深度学习神经网络算法匹配出的符号进行二值化，并且通过Opencv边缘检测得到所述符号的轮廓，并且利用最小二乘法将轮廓拟合为一条直线，将所述直线延长分别与布匹的上边缘与下边缘相交，得到布匹与所述符号的夹角，如果得到的所述夹角大于预设夹角阈值时，则判断为斜唛；将以上各个步骤得到的缺陷结果进行汇总，得到总的标签缺陷，并将总的标签缺陷对外输出。2.如权利要求1所述的标签瑕疵的控制方法，其特征在于，所述通过深度学习神经网络算法匹配出所述待检测图像中对应的Logo、字母和符号的步骤包括：选定所述待检测图像中最具特征的一个符号，并对所述符号进行二值化；通过Prewitt算子进行边缘提取，提取出所述符号的边缘，选取边缘点的中心点；以所述中心点向外腐蚀得到中心到标签外边缘的最短距离、以及所述中心点在布料的相对位置的比例，通过与标准图片的比例判断出中心点偏移量，确定所述标签是否有大小边缺陷。3.如权利要求2所述的标签瑕疵的控制方法，其特征在于，所述Prewitt算子是待检测图像中的边缘，通过待检测图像中像素值的梯度变化来检测；所述Prewitt算子包括两个3x3的卷积核，一个用于检测待检测图像中像素值在水平方向上的梯度变化，另一个用于检测像素值在垂直方向上的梯度变化。4.如权利要求3所述的标签瑕疵的控制方法，其特征在于，所述Prewitt算子的卷积核如下所示：将待检测图像转换为灰度图像；对所述灰度图像应用hx和hy卷积核，得到水平方向上和垂直方向上的梯度图像；将所述梯度图像合并成一个单独的图像，在所述在单独的图像中显示所有边缘。5.如权利要求4所述的标签瑕疵的控制方法，其特征在于，所述将深度学习神经网络算法匹配出的符号进行二值化，并且通过Opencv边缘检测得到所述符号的轮廓，并且利用最小二乘法将轮廓拟合为一条直线，将所述直线延长分别与布匹的上边缘与下边缘相交，得到布匹与所述符号的夹角，如果得到的所述夹角大于预设夹角阈值时，则判断为斜唛的步
骤中，所述预设夹角阈值的范围为87
°‑

【专利技术属性】
技术研发人员：陈昌杰，
申请(专利权)人：长沙高新开发区天骄电子有限公司，
类型：发明
国别省市：