【技术实现步骤摘要】
本申请涉及图像数据处理，具体涉及基于机器视觉的包装纸盒瑕疵检测方法。
技术介绍
1、在当今经济规模不断扩大的情况下，商业活动愈加频繁。其中，与我们日常生活关系最为密切的是日常消耗品的消费。在工厂生产产品的过程中，产品的包装成为影响销量的一个重要因素。然而，在生产产品包装的过程中，由于包装纸盒自身脆弱的特性，容易受到刮痕等因素的影响而导致报废。
2、包装纸盒作为产品的外包装，直接与消费者接触，其质量问题可能对产品造成损害。通过瑕疵检测，可以及早发现并纠正包装纸盒上的缺陷，确保产品在运输和使用过程中不受损。包装纸盒在保护产品不受外界环境影响的同时，还需要符合相关安全标准。瑕疵检测可以确保包装纸盒没有任何潜在的安全隐患，如锋利的边缘、有毒有害物质等。产品的包装设计和质量直接影响用户对产品的第一印象。如果包装纸盒上存在瑕疵或者质量问题，会给用户留下不好的体验。通过瑕疵检测，可以保证包装纸盒的外观完整，提升用户的满意度。总之，包装纸盒瑕疵检测的意义在于确保产品质量和安全性，提升用户体验，降低生产成本，对企业和消费者来说都具有重要价值。
3、随着机器视觉技术在人工智能算法中的不断发展，使用机器视觉来检测包装纸盒的瑕疵逐渐成为主流趋势。这一技术的引入使得生产过程更加智能化和高效化，有望提高包装纸盒的质量，减少因为瑕疵而导致的损耗。机器视觉系统可以精确而快速地检测包装纸盒表面的划痕、损伤等问题，有助于确保产品的整体外观和品质，进而提升客户满意度。这种技术的应用为商业活动中的生产过程注入了新的可能性，为提高生产效率和产品质
4、传统的felzenszwalb算法，没有针对光照不均匀的情况进行处理，无法有效应对由于光照变化导致的图像像素之间变化，而包装纸盒的瑕疵对光照极其敏感。直接使用该算法容易导致错检，漏检的情况，效果不佳。
技术实现思路
1、为了解决上述技术问题，本专利技术提供基于机器视觉的包装纸盒瑕疵检测方法，以解决现有的问题。
2、本专利技术的基于机器视觉的包装纸盒瑕疵检测方法采用如下技术方案：
3、本专利技术一个实施例提供了基于机器视觉的包装纸盒瑕疵检测方法，该方法包括以下步骤：
4、采集纸盒展开灰度图像；
5、获取各像素点的区域，并获取区域内其他像素点的特征子数；根据特征子数获取各像素点的纸盒特征值，并获取各像素点的映射纸盒特征值；根据映射纸盒特征值构建划痕共生矩阵，并计算各像素点的区域划痕系数；计算划痕方向饱和度，并获取各像素点所在区域的划痕预设方向；计算各像素点的区域梯度散度系数，并获取各像素点的区域的频繁梯度方向；根据区域划痕系数、区域梯度散度系数、划痕预设方向和频繁梯度方向获取各像素点的划痕显著性系数；
6、使用划痕显著性系数对felzenszwalb算法的不相似度进行改进，完成对包装纸盒瑕疵的检测。
7、进一步，所述获取各像素点的区域，并获取区域内其他像素点的特征子数，包括：
8、以纸盒展开灰度图像中各像素点为中心，选取边长为5的方形区域作为各像素点的区域；
9、计算各像素点的区域中所有像素点的灰度均值，计算所述灰度均值与纸盒展开灰度图像中灰度值的最大值的比值，计算所述比值与预设阈值系数的乘积作为各像素点的区域的灰度阈值；
10、计算各像素点与灰度阈值之间的和值与差值绝对值，若各像素点的区域的其他像素点的灰度值小于所述差值绝对值，将数字0作为其他像素点的特征子数；若其他像素点的灰度值大于等于所述差值绝对值，小于所述和值，将数字1作为其他像素点的特征子数；若其他像素点的灰度值大于等于所述和值，将数字2作为其他像素点的特征子数。
11、进一步，所述获取各像素点的纸盒特征值，并获取各像素点的映射纸盒特征值，包括：
12、将各像素点的区域内的其他像素点的特征子数从左上角的像素点开始，从区域最外层到最里层按照顺时针的顺序进行排列组成排列特征子数，将排列特征子数转换到十进制作为各像素点的纸盒特征值；
13、将纸盒特征值映射到数字1到数字8之间，作为各像素点的映射纸盒特征值。
14、进一步，所述构建划痕共生矩阵，包括：
15、在各像素点的区域中，将所有像素点的映射纸盒特征值按照灰度共生矩阵的思想构建区域在角度的划痕共生矩阵。
16、进一步，所述计算各像素点的区域划痕系数，包括：
17、计算各像素点的区域的划痕共生矩阵中各数据所在行数与所在列数的乘积与和值，计算以自然常数为底、所述乘积的负值为指数的指数函数的计算结果，计算所述计算结果与和值平方的比值，计算所有比值与各数据乘积的和值作为第一和值；
18、将在角度的所有划痕共生矩阵的第一和值中的最大值作为各像素点的区域划痕系数。
19、进一步，所述计算划痕方向饱和度，包括：
20、计算各像素点的区域在角度的划痕共生矩阵中左上角边长为2的方形区域中所有数据的和值作为各像素点的区域在角度上的划痕方向饱和度。
21、进一步，所述获取各像素点所在区域的划痕预设方向，包括：
22、将各像素点的最大的划痕方向饱和度所对应的角度作为各像素点的区域的划痕预设方向。
23、进一步，所述计算各像素点的区域梯度散度系数，包括：
24、使用sobel算子获取各像素点的区域内所有像素点的梯度幅值和梯度方向；
25、计算各像素点的区域内所有像素点的梯度幅值的标准差，计算各像素点的区域内所有像素点的梯度幅值的最大值与最小值的差值，将所述标准差与差值的乘积作为各像素点的区域梯度散度系数。
26、进一步，所述获取各像素点的区域的频繁梯度方向，包括：
27、统计各像素点的区域内所有像素点的梯度方向，将0度到360度均分为八个区间，将所有像素点的梯度方向划分到对应的区间中，将像素点的梯度方向所在区间的最小值作为像素点的区间梯度方向；
28、将各像素点的区域内出现次数最多的区间梯度方向作为各像素点的区域的频繁梯度方向。
29、进一步，所述获取各像素点的划痕显著性系数，包括：
30、计算各像素点的区域划痕系数与区域梯度散度系数的对数的乘积，计算各像素点的划痕预设方向与频繁梯度方向的和值，计算所述和值的余弦函数的计算结果与数字1的和值作为第二和值；
31、将所述乘积与第二和值的比值作为各像素点的划痕显著系数。
32、本专利技术至少具有如下有益效果：
33、根据区域中心像素点灰度值与其余像素点的灰度大小关系，对每个像素点构建纸盒特征值tp，纸盒特征值tp尽可能避免了光照对图像的影响，可信度更高。进一步使用纸盒特征值tp代替灰度像素，使用共生矩阵的思想，构建区域划痕系数，根据不同角度的共生矩阵特征，估计图像中划痕大致角度。考虑到划痕与周围像素点的梯度差异，构架区域梯度散度系数。综合多个指标，构建划痕显著性本文档来自技高网...
【技术保护点】
1.基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述获取各像素点的区域，并获取区域内其他像素点的特征子数，包括：
3.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述获取各像素点的纸盒特征值，并获取各像素点的映射纸盒特征值，包括：
4.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述构建划痕共生矩阵，包括：
5.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述计算各像素点的区域划痕系数，包括：
6.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述计算划痕方向饱和度，包括：
7.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述获取各像素点所在区域的划痕预设方向，包括：
8.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述计算各像素点的区域梯度散度系数，包括：
9.
10.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述获取各像素点的划痕显著性系数，包括：
...【技术特征摘要】
1.基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述获取各像素点的区域，并获取区域内其他像素点的特征子数，包括：
3.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述获取各像素点的纸盒特征值，并获取各像素点的映射纸盒特征值，包括：
4.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述构建划痕共生矩阵，包括：
5.如权利要求1所述的基于机器视觉的包装纸盒瑕疵检测方法，其特征在于，所述计算各像素点的区域划痕系数，包括：
<...【专利技术属性】
技术研发人员：梅水银，
申请(专利权)人：深圳市信来誉包装有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。