基于深度学习的标签缺陷检测系统应用

依据深度学习算法可以自主进行特征学习和识别的特点,提出一种基于主成分分析法的深度学习模型,构建印刷标签检测系统,从中进行信息提取和学习处理。实验结果表明,该方法的分类识别率高达94.6%。与传统标签缺陷检测算法相比,这种研究方式更加注重原始图像的特征提取,无需进行复杂的模板制作,实现方法简单,适应性强。

基于Caffe深度学习框架的标签缺陷检测应用研究

本文根据深度学习模型智能化的特点,提出了一种基于Caffe框架的深度学习缺陷检测模型,该模型的创新点主要表现在使用Dropout函数在图像特征抽象过程中,不断地踢除提取到的一般特征点,保留有效特征点,从而提高模型的分类识别率。实验结果表明,该方法的分类识别率高达97. 66%。与传统深度学习标签缺陷检测算法相比,该研究更加注重图像有效特征的提取,很大程度上提高了模型检测准确率,同时无需进行复杂的模板制作,实现方法简单,适应性强。

基于图像传感器的标签缺陷检测方法

目前检测技术在自动化生产过程中越来越重要,为了实现工业现场中投影仪壳体标签的自动检测功能,提出了一种基于图像传感器的数字图像处理技术检测方法。采用工业摄像头替代目视作为传感器;利用Otsu阈值分割处理图像,将标签区域分为字符标签区域和非字符标签区域两类,两部分缺陷分开判断,互不干扰。字符标签区域利用模板匹配技术进行缺陷检测;非字符标签区域提取面积、重心、方向三个特征量,与标准模板数据进行特征匹配。实验测试表明:检测系统采集到的产品标签图像清晰,缺陷检测算法正确率达到95%以上,可实现工业自动化生产过程中投影仪壳体标签缺陷的自动化检测。

基于Halcon的锂电池标签表面缺陷检测

针对现有的工业上的标签表面质量检测过程中存在的速度慢,精度低的问题,提出一种基于Halcon的工业标签表面的印刷图案的缺陷检测。其方法主要思想为差分思想即根据不同工业标签表面图案的区域特征进行Blob分析来定位,通过基于形状的模板匹配算法来快速查找目标区域,然后利用灰度值差影匹配算法进行缺陷检测。最后通过图像配准的方法检测缺陷的特征值,该检测方法得到的检测结果与实际存在的缺陷基本一致,而且大大提高了检测的速度和精度,达到了生产线上的质量要求。

饮料瓶标签360°全方位检测系统研究

目前,大多数PET材质饮料瓶通过套标机将标签套在灌装旋盖后的饮料瓶上,然后经过热缩炉时标签自动收缩到达指定位置。在套标热缩的过程中可能会出现多种缺陷,如无标、高标、低标、偏移标、接头标、标签倒置、标签面穿孔破洞、标签产生左右倾斜、颈标与正标位置偏移等。设计一款饮料瓶标签360°全方位检测系统,实现360°无盲区全方位检测,亦可实现对饮料瓶套标和贴标过程中各种缺陷的高准确率检测。

圆柱类药瓶标签智能视觉检测系统设计与研究

面向圆柱类药瓶外观与标签缺陷检测问题,设计了一种基于机器视觉的标签智能检测系统。通过四台工业相机两两呈90°分布的方式,分别采集不同视场角下的标签图像,在各自相机坐标系中完成标签图像的畸变校正和拼接,进而完成圆柱标签的全面表重建;通过提取的药瓶标签全表面图像与标准图像对比形成针对基于药瓶缺盖、生产日期和批次喷码缺失、药品标签缺失、药品标签倾斜等典型药瓶缺陷特征的样本库并分类,再借助深度学习的特征提取算法,从大量训练样本中自动学习到重点特征提取,从而实现了药瓶标签典型缺陷的智能分拣。