一种易拉罐底喷码异常识别方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种易拉罐底喷码异常识别方法。


背景技术：

2.对易拉罐底进行喷码是目前对产品标注信息的重要手段，是对产品质量进行检测、追踪的主要标识，但是在喷码过程中会出现字符漏喷、字符不完整、字符混乱、字符位置不准确等异常缺陷，因此在生产中需要在线实时对喷码结果进行异常识别检测，以及时剔除喷码不合格的不良产品，减少喷码不良对企业带来的损失。
3.在现有的对易拉罐底上的喷码异常进行检测时，需要将待检测易拉罐底图像进行旋转，使得与合格的模板图像在方向上统一以方便进行两者对比来识别检测喷码异常情况。这种方法需要将图像逐角度的旋转360
°
，在旋转过程中需要对所有像素点的位置进行计算，并计算获取在各角度下相似程度最高的一个角度下的待检测图像，再进行后续的喷码异常识别，这样做可以降低后续图像处理分析算法的难度。但是这种图像的逐角度旋转匹配需要大量的计算，以至于会需要较多的时间。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种易拉罐底喷码异常识别方法，所采用的技术方案具体如下：本发明实施例中提供了一种易拉罐底喷码异常识别方法，该方法包括以下步骤：采集易拉罐底喷码后的底面图像，对底面图像进行灰度化，得到灰度图像；对灰度图像进行二值化处理得到二值图像，喷码像素点为1，其他像素点为0；统计二值图像中喷码像素点的第一总数量；获取模板图像中像素点的第二总数量和罐口边缘对应像素点的第三总数量，根据第一总数量、第二总数量和第三总数量之间的差异得到计算必要指标；基于计算必要指标确认底面图像需要匹配时，利用surf算法获取底面图像的特征点集合；将底面图像与模板图像相邻放置，利用surf算法的特征点匹配获得地面图像和模板图像匹配时的辅助线段，根据每个辅助线段对应两个相互匹配的特征点的坐标计算对应辅助线段的斜率；计算任意两个辅助线段之间的夹角，基于夹角对底面图像进行旋转，得到旋转后的底面图像；计算模板图像与旋转后的底面图像之间的相似度，根据相似度确认匹配成功的旋转后的底面图像，以对其进行喷码异常识别。
5.进一步的，所述计算必要指标的获取方法，包括：计算第一总数量与第三总数量的差值作为分子，计算第二总数量与第三总数量的差值作为分母，得到的比值为计算必要指标。
6.进一步的，所述旋转后的底面图像的获取方法，包括：根据夹角设置的图像旋转公式，对特征点所对应的像素点按照图像旋转公式进行
旋转，并获取旋转后特征点对应辅助线段的斜率，由斜率获取集中程度，当集中程度满足阈值时，再对底面图像中的剩余像素点按照对应夹角进行旋转，进而得到旋转后的底面图像。
7.进一步的，所述相似度的计算公式为：其中，为相似度；为旋转后的底面图像的行数，为旋转后的底面图像的列数；为模板图像中第行、第列的像素点的灰度值；为旋转后的底面图像中第行、第列的像素点的灰度值。
8.本发明实施例至少具有如下有益效果：利用surf算法在匹配图像时获取的特征点以及相互匹配的特征点之间的相互位置关系，通过分析省去对非关键对像素点位置的非必要计算量，加快匹配速度。
附图说明
9.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
10.图1为本发明一个实施例提供的一种易拉罐底喷码异常识别方法的步骤流程图；图2为本方明实施例提供的待检测的底面图像与模板图像的特征点匹配的示意图。
具体实施方式
11.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种易拉罐底喷码异常识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
12.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
13.下面结合附图具体的说明本发明所提供的一种易拉罐底喷码异常识别方法的具体方案。
14.请参阅图1，其示出了本发明一个实施例提供的一种易拉罐底喷码异常识别方法的步骤流程图，该方法包括以下步骤：步骤s001，采集易拉罐底喷码后的底面图像，对底面图像进行灰度化，得到灰度图像。
15.具体的，利用cmos相机采集获取易拉罐底喷码后的底面图像，采集图像时应设定好拍照频率，使得采集的图像中易拉罐底位于图像的中心，并对所获得喷码后的底面图像
进行预处理，图像预处理包括图像灰度化、图像降噪、图像增强等处理过程，进而得到对应的灰度图像。
16.步骤s002，对灰度图像进行二值化处理得到二值图像，喷码像素点为1，其他像素点为0；统计二值图像中喷码像素点的第一总数量；获取模板图像中像素点的第二总数量和罐口边缘对应像素点的第三总数量，根据第一总数量、第二总数量和第三总数量之间的差异得到计算必要指标。
17.具体的，surf算法是一种能够快速地进行计算出特征点并匹配的算法，在对两副图像进行特征点匹配时，相似程度高的特征点之间会有连接的辅助线短以作特征点匹配的直观表示。
18.对上述中所获的灰度图像进行二值化处理，喷码像素点为1，其他像素点为0，获得二值图像并统计二值图像中的喷码像素点的第一总数量：其中，为图像中像素点=的位置坐标，即该像素点位于第行、第列。
19.获取模板图像中像素点的第二总数量和罐口边缘对应像素点的第三总数量，根据第一总数量、第二总数量和第三总数量之间的差异得到采用surf算法的计算必要指标：该式反映了待检测图像中像素点数量与模板像素点数量的差异，当的值等于1时两幅图像的像素点数量相同，考虑到在待检测中喷码漏喷、字符缺失等缺陷，设置阈值，使时，有必要利用surf算法进行特征点获取，因为当时像素点数量过少，易拉罐底喷码缺失严重，没有必要进行匹配。
20.经过surf必要性计算，对有必要计算的图像利用surf算法获取其图像中用来匹配的特征点集。
21.步骤s003，基于计算必要指标确认底面图像需要匹配时，利用surf算法获取底面图像的特征点集合；将底面图像与模板图像相邻放置，利用surf算法的特征点匹配获得地面图像和模板图像匹配时的辅助线段，根据每个辅助线段对应两个相互匹配的特征点的坐标计算对应辅助线段的斜率；计算任意两个辅助线段之间的夹角，基于夹角对底面图像进行旋转，得到旋转后的底面图像。
22.具体的，surf算法具有尺度不变性和旋转不变性，非常适用于易拉罐检测时罐体角度变化的复杂情况，其需要经过的步骤为构建尺度空间，搜索所有尺度空间上的图像，通过hessian矩阵来识别潜在的对尺度和选择不变的兴趣点；特征点过滤并进行精确定位；特征方向赋值：统计特征点圆形邻域内的harr小波特征；特征点描述：沿着特征点主方向周围的邻域内，取4
×
4个矩形小区域，统计每个小区域的harr特征，包括边缘特征、线性特征、中心特征和对角线特征，然后每个区域得到一个4维的特征向量，一个特征点共有64维的特征
向量作为surf特征的描述子；最后利用特征描述子的信息进行特征点匹配。
23.在易拉罐底的喷码图像中，利用surf算法可以获得其中在所有尺度空间喷码图形上所有的不因尺度变化而变化的强特征点，根据上述中所获可匹配的特征点集，其中为特征点数量，进行两幅图像匹配，如图2所示，该图中两两匹配的特征点之间存在匹配辅助线段集，左边两幅图像为模板图像，右边为待检测的底面图像；上边两幅图像为发生角度偏移旋转的匹配示意图，下边两幅图为旋转后的匹配示意图，当匹配的辅助线段之间总体斜率分布在一个数值上集中时，则表示该图像旋转配准成功。
24.对按照图2中相邻放置的两幅图像建立坐标系，将两幅图像置于坐标系的第一象限，其中模板图像与底面图像中相互匹配的特征点位置分别为、，计算匹配的辅助线段的斜率：该式计算了特征点之间的斜率借以反映在模板图像与待检测的底面图像中匹配特征点之间的相对位置关系。
25.计算旋转角度，具体如下：记图像中对特征点围绕图像中心点的旋转角度为，另外统计上述中利用surf获取的匹配辅助线之间的交点数量为。取其中任意两辅助线之间的夹角为，则对图像进行顺时针和逆时针旋转，并统计顺时针和逆时针旋转后的辅助线交点数量为和；若，则再次选取图像中其他相交辅助线之间的夹角，继续进行顺时针旋转，若，则再次选取图像中其他相交辅助线之间的夹角，继续进行或逆时针旋转，直至辅助线之间互不相交。这时，每逐1
°
的角度对特征点进行旋转，获取下述中的集中程度j和相似程度q，直至满足匹配成功条件，实现准确且快速匹配。
26.基于旋转角度进行图像旋转，具体如下：对待检测的底面图像中的特征点按照图像旋转公式进行旋转，并获取旋转后的底面图像的特征点与模板图像上的特征点之间的相对位置关系，即特征点匹配辅助线斜率。图像旋转公式为：式中，、为旋转后的特征点的横纵坐标，、为旋转前的特征点的横纵坐标；为底面图像的旋转角度，也即是辅助线段之间的夹角。
27.在进行图像旋转时，先只对特征点所在的像素点按照旋转公式进行旋转，并结合上述中的斜率计算旋转后的特征点匹配辅助线的斜率，对所得的斜率数据集进行下文中的
计算分析，当满足下文中的条件后，再用正确匹配下的旋转角度对其他像素点进行旋转。
28.计算集中程度：对所得斜率进行统计并绘制其分布曲线，该曲线横坐标为上述所得斜率，纵坐标为斜率对应的频数统计值，分析该曲线的最大值频数对应斜率的集中程度：其中，为斜率分布曲线的最大值频数所对应的斜率；为邻域参数，可取；为在分布曲线上对左右邻域内的积分；表示对分布曲线整体进行积分。
29.该式反映了在分布曲线中，最大值的邻域区间内在分布曲线的整体占比，值越大，匹配特征点之间的相对位置关系越集中，即斜率大小越同一，该待检测的底面图像角度与模板图像角度越同一，设置阈值，当集中程度大于阈值时，说明对应旋转角度合适，利用该旋转角度对底面图像进行旋转，得到旋转后的底面图像。
30.步骤s004，计算模板图像与旋转后的底面图像之间的相似度，根据相似度确认匹配成功的旋转后的底面图像，以对其进行喷码异常识别。
31.具体的，计算模板图像和旋转后的底面图像之间的相似度q：其中，表示为图像中像素点位于第行、第列；表示位于模板图像m中的像素点的灰度值；为旋转后底面图像y中的像素点的灰度值；为旋转后的底面图像的行数，为旋转后的底面图像的列数。
32.相似度q的计算公式反映了旋转后的底面图像与模板图像之间的相似程度，q值越大，表示两幅图像之间相似程度越高，图像的旋转匹配成功的概率越大。
33.设置相似度阈值，当相似度大于或等于相似度阈值时，确定旋转匹配成功，反之，相似度小于相似度阈值时，旋转匹配失败。
34.在旋转匹配成功后，对旋转后的底面图像进行后续的喷码异常识别。
35.综上所述，本发明实施例采集易拉罐底喷码后的底面图像，对底面图像进行灰度化，得到灰度图像；获取灰度图像的二值图像，得到喷码像素点的第一总数量，获取模板图像中像素点的第二总数量和罐口边缘对应像素点的第三总数量，以计算必要指标；基于计算必要指标确认底面图像需要匹配时，获取底面图像的特征点集合，进而获取地面图像和模板图像匹配时的辅助线段，基于辅助线段的斜率对底面图像进行旋转，计算模板图像与旋转后的底面图像之间的相似度，根据相似度确认匹配成功的旋转后的底面图像，对其进
行喷码异常识别。本发明加快了匹配速度，提高了异常识别的效率。
36.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
37.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。