申请/专利权人：湖北中烟工业有限责任公司

申请日：2021-11-16

公开（公告）日：2024-04-12

公开（公告）号：CN114140400B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.03.22#实质审查的生效;2022.03.04#公开

摘要：本发明提出了一种基于RANSAC与CNN算法检测烟包封签缺陷的方法，采集封签图像，构建CNN网络模型，使用CNN模型预测图像，若预测为无缺陷，则在封签波动位置内均匀采样并计算一阶导数，再经过筛选形成点集；从点集中选择多个点作为一个样本，估计出一条直线；经过M次迭代，得到最佳直线方程，然后可知封签长度和角度，最后输出检测结果。本发明用于检测烟包封签缺陷，通过设定检测的阈值参数，实现不同产品均可灵活设置。CNN模型检测图像无需设置大量参数，只要采集图像并分类，训练并验证可以完成所有配置工作。RANSAC算法弥补了CNN模型无法精确检测封签边缘的角度和长度，传统图像处理方法与神经网络相结合，使检测更加精准，且不需要设置太多的检测参数。

主权项：1.一种基于RANSAC与CNN算法检测烟包封签缺陷的方法，其特征在于，包括以下步骤：步骤1：采集多张烟包图像，并对图像进行预处理；步骤2：构建CNN网络模型；步骤3：在图像中标记一个矩形框B1，所述矩形框B1覆盖封签边缘的波动位置；步骤4：使用CNN网络模型预测图像，若图像被预测为缺陷，则直接输出结果；若图像被分类为无缺陷则进行步骤5；步骤5：在矩形框B1内均匀取N条垂直于封签的直线；步骤6：取步骤5中的一条直线，计算该直线上在矩形框Box1内的所有点一阶导数；步骤7：若任一点的导数大于设定值K，则该点加入点集S，K值为自定义数值；步骤8：重复步骤6和7，遍历所有的直线形成点集S；步骤9：从步骤8的点集S中选择n个点作为一个样本，估计出直线L1；步骤10：计算点集S中所有点到直线L1的距离，取到直线L1之间的距离小于t的点形成内点集Si，若内点集Si个数大于T，则把内点作为样本用估计出一条更精确的直线L2；t为距离阈值，T为点数阈值，都是自定义数值；步骤11：如果内点集Si的个数小于点数阈值T,则重复步骤9；步骤12：经过M次迭代，迭代过程重复步骤9、10和11，得到最佳内点集Si和最佳直线L2；步骤13：根据迭代后的直线L2得到封签斜率，根据内点集的最大点和最小点，得到封签长度；步骤14：若封签长度与斜率在设定的范围内，则输出无缺陷，反之则输出缺陷；步骤8所述遍历所有的直线形成点集为：S＝{G1x1，y1,G2x2，y3,G3x3，y3……Gzxz，yz}其中Gzxz，yz为点击S中第z像素点坐标；步骤9所述估计出直线L1为：假设直线L1的方程为：y＝α+βx随机的从点集S中随机选择n个点作为一个样本，则随机样本点集Sn为Sn＝{G1x1，y1,G2x2，y3,G3x3，y3……Gnxn，yn}假设随机样本集Sn估计出的直线L方程为y＝α+βx，将样本点集带入计算直线拟合残差平方和fα,β： 其中，xi为随机样本集Sn中第i像素点x坐标，yi为随机样本集Sn中第i像素点y坐标,α、β为直线L方程的中的参数； 其中,xi为随机样本集Sn中第i像素点x坐标，yi为随机样本集Sn中第i像素点y坐标,α、β为直线L方程的中的参数； α＝y均+βx均计算出α与β后，直线方程为y＝α+βx；其中xi为随机样本集Sn中第i像素点x坐标，yi为随机样本集Sn中第i像素点y坐标,y均为随机样本集Sn中所有像素点坐标的y平均值，x均为随机样本集Sn中所有像素点坐标的x平均值，α、β为直线L方程的中的参数；步骤10所述计算内点具体为：直线的一般方程为：Ax+By+C＝0取内点集Si内的任意一点Pxp，yp，则该点到直线的距离为： 其中xp，yp为点集Si内的任意一点P的坐标；根据模型，每个点计算出到直线距离d，利用距离阈值t识别该点为内点还是外点，如果是内点则加入内点集Si，用内点集Si作为样本，重新估计直线，估计出的直线更加精确， 其中d为点集Si内的任意一点P到直线的距离，t为距离阈值。

全文数据：

权利要求：

百度查询： 湖北中烟工业有限责任公司 一种基于RANSAC与CNN算法检测烟包封签缺陷的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD