基于改进Faster-RCNN的烟标缺陷检测

针对品检机上的烟标缺陷检测算法进行改进,根据烟标缺陷检测固有特性,融合目标检测算法,提高烟标缺陷检测精度,实现传统烟标缺陷检测算法不能实现的实时缺陷分类。用改进后的Faster-RCNN代替传统的模版匹配,对CCD线阵相机采集到的4K烟标图像进行烟标缺陷检测,通过加入特征图金字塔网络FPN,烟标缺陷检测准确率上升1.4%。在FPN中使用内卷卷积,对比不同大小内卷卷积核的烟标缺陷检测精度发现,使用5×5的内卷卷积核的烟标缺陷检测精度提升最大,达1%,且使用内卷卷积模型的单张烟标检测时间未增加。最后通过迁移学习使烟标缺陷检测精度进一步提升,达97.9%。结果表明,所提算法能够实现烟标缺陷检测定位和分类,且具有较高准确率。

基于单角区域特征的烟标图像配准方法

实时图像与标准图像高效配准是保证烟标质量检测效率的关键步骤之一。根据烟标的结构和印刷工艺,提出了一种单角区域配准方法。所提单角区域配准法包括粗配准和精配准两步:粗配准利用烟标的边界特征调整烟标在图像中的姿态和位置,并去除图像中的冗余像素;精配准利用单角区域中的特征点求出实时图像与标准图像之间的单应性矩阵,然后利用单应性矩阵完成配准。实验结果表明,所提单角区域配准方法在烟标图像的配准速度和效果上优于尺度不变特征变换、ORB和AKAZE算法,能满足烟标质量检测的实时性要求。