CN119399554A 一种基于图像处理的标签缺陷检测方法及系统 （北京茄豆网络科技有限公司）

一种基于图像处理的标签缺陷检测方法及将所有商品包含的标签区域图像汇总生成标签模型基于标签设计图对标签图像集进行多层分2获取商品对应的标签设计图，基于所述标签设计图构建目标识方式获取商品的实体图像，基于所述目标识别模型在所述实体图像中提取标签区域图像，将所有商品包含的所述标签区域图像汇总生成标签对所述标签设计图进行标记类别信息，构建分类模型，将所述标签图基于卷积神经网络构建第一分类模型，所述第一分类模型基于所基于所述分类结果将所述标签图像集划分为标准标签集和非标基于多层神经网络构建识别模型，将所有所述标注图像进行预处理将所述实体图像输入所述目标识别模型中，所述目标识别模型基于基于所述目标标签与所述待细化标签对所述实体图像进行图像切述目标标签与所述待细化标签对所述实体图像进行图像切割包括设置像素选取框，所述像素选取框基于预设的选取方式在所述实体图3将存在所述第一子区域的所述拼接图设定为扩展拼接图，计算将所述实体图像基于所述目标标签与相邻的所述非目标标签进行将所述聚类结果中任一所述子区域设定为所述区域点，计算所述区域点的平均特征，基于所述区域点和所述边系数构建多个组合图，设置优化所述分类模型提取所述标签图像集中任一所述标签区域图像的区域向量基于所述公共向量将所有所述标签区域图像进行分类，生成多个第在所述第二分类结果中抽取一个所述标签区域图像并设定为检重复此步骤，至任一所述第二分类结果中所有所述标签区域类型对应的所述检测图像组合生成所述非标准标签在所述缺陷标签对应的所述分类空间中分别获取所述边缘标签和所述格式标签对应4第二重合度与所述第三重合度累加并设定为所述缺陷所述缺陷类别包括形状缺陷和内容缺陷，若所述评估值小于等于第三9.一种基于图像处理的标签缺陷检测系统，其特标签提取模块，用于获取商品对应的标签设计图，基于所述标签设计图构建目子空间中所述特征向量的映射准确度，基于所述映射准确度调节所述分类模型的训练参缺陷识别模块，用于根据所述分类结果将所述标签图像集划分为标5[0002]在自动化贴标生产线中，标签的质量直接影响产品的市场形象和消费者满意6述第一重合度大于等于第一预设值，并将调整后的所述识别模型设定为所述目标识别模对所述实体图像进行识别，将所述实体图像中包含所述图像特征的区域设定为目标区域，点对应的所述子区域之间的图像相似度，基于所述图像相似度将所有所述区域点进行连7[0028]基于所述公共向量将所有所述标签区域图像进行分类，类结果包含的所述标签区域图像设定为所述标签类型对应的所述检测图像组合生成所述非标准标签[0033]在所述缺陷标签对应的所述分类空间中分别获取所述边缘标签和所述格式标签所述第二重合度与所述第三重合度累加并设定为所述缺陷标签的所89[0053]基于卷积神经网络构建第一分类模型，第一分类模型基行标注。分类模型是能够对标签图像集进行多层分类的模型，可以使用卷积神经网络（CNN如ResNet、VGG等模型构建分类模型。将标签图像集和标签设计图均输入分类模型中，分类模型首先使用标签设计图进行训练，然后通过训练好的分类模型对标签图像集进使用有监督学习方法将相同类别信息对应的标签设计图的特征向量在特征空间中进行划形状等特征，识别区域是指提取出图像特征的像素点组成的像素区域。由于识别模型在提识别模型对应的第一重合度大于等于第一预设值，其中，模型参数包括且不限于学习率等域与任一子区域之间的图像相似度并设定为第一估计值，若第一估计值大于第二预设值，[0075]数值特征中像素位置信息对应的特征是指子区域在实体图像中的位置坐标对应[0077]目标标签对应的像素与相邻的非目标标签的像素之间是[0081]具体地，平均特征是指区域点对应的子区域中数值特征基于像素数量的平均[0103]缺陷识别模块203，用于根据分类结果将标签图像集划分为标准标签集和非标准以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对