买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川省宜宾环球集团有限公司;四川省宜宾环球格拉斯玻璃制造有限公司申请的专利玻璃酒瓶表面缺陷检测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119438210B 。

龙图腾网通过国家知识产权局官网在2025-12-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411414987.1，技术领域涉及：G01N21/88；该发明授权玻璃酒瓶表面缺陷检测方法及系统是由刘兴;金飞宏;郭永刚;何志平设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本玻璃酒瓶表面缺陷检测方法及系统在说明书摘要公布了：本发明提供一种玻璃酒瓶表面缺陷检测系统，包括如下步骤：S1：进行图像采集的步骤；S2：进行图像处理的步骤；S3：缺陷识别于分类的步骤；所述步骤S1具体包括：S11：设备选择与配置，根据玻璃酒瓶的尺寸、形状及表面特性，选择工业级高清摄像头，摄像头具备高分辨率、低噪声、高动态范围特性，以确保捕获到清晰的图像，同时配置LED背光或环形光源系统，以消除阴影和反光，突出酒瓶表面的细节，光源的亮度和色温根据场景进行调整；该方法很好的解决了现有玻璃酒瓶检测时采用经验判断或人工直观观察的方式所产生的效率低下且检测的准确率也不高的问题，提出一种基于视觉观察的智能化检测方法以提高检测效率和准确性。

本发明授权玻璃酒瓶表面缺陷检测方法及系统在权利要求书中公布了：1.一种玻璃酒瓶表面缺陷检测方法，其特征在于，包括如下步骤： S1：进行图像采集的步骤； S2：进行图像处理的步骤； S3：缺陷识别与分类的步骤； 所述步骤S1具体包括： S11：设备选择与配置，根据玻璃酒瓶的尺寸、形状及表面特性，选择工业级高清摄像头，摄像头具备高分辨率、低噪声、高动态范围特性，以确保捕获到清晰的图像，同时配置LED背光或环形光源系统，以消除阴影和反光，突出酒瓶表面的细节，光源的亮度和色温根据场景进行调整； S12：安装与调试，将摄像头和光源系统安装在生产线上的传送带或旋转台上，调整摄像头与酒瓶之间保持距离和角度，以捕获整个酒瓶表面的图像，进行摄像头焦距、曝光时间、白平衡参数的调试，以获得最佳的图像质量； S13：触发机制设置，设置通过光电传感器、编码器或图像识别算法来实现触发机制，当酒瓶进入拍摄区域时，触发机制会向摄像头发送信号，使其开始拍摄； S14：实时预览与调整，在正式采集之前，进行实时预览以检查图像质量，通过预览画面观察酒瓶表面的细节是否清晰、光源是否均匀、是否有阴影或反光问题，根据预览结果调整摄像头和光源的参数； S15：图像保存与传输，将采集到的图像保存到本地硬盘或通过网络传输到服务器，在保存图像时记录每幅图像的拍摄时间、酒瓶编号信息，以便后续追溯和分析； 步骤S2具体包括： S21：图像预处理，对采集到的原始图像进行预处理，包括去噪、增强对比度、调整亮度的操作； S22：边缘检测，利用边缘检测算法提取酒瓶表面的轮廓和边缘信息，边缘是图像中亮度变化最剧烈的地方，通常也是缺陷的潜在位置，通过边缘检测，初步筛选出可能包含缺陷的区域； S23：纹理分析，对酒瓶表面的纹理进行分析，以识别出与正常纹理不符的区域，纹理分析通过灰度共生矩阵计算图像的局部统计特征、使用纹理滤波器或基于深度学习的纹理识别算法来实现，通过纹理分析，进一步确认边缘检测中筛选出的区域是否确实为缺陷； S24：颜色识别，对于颜色异常的缺陷需要进行颜色识别，首先将图像从RGB颜色空间转换到更适合颜色分析的HSV颜色空间，然后利用颜色分割算法将图像中的不同颜色区域分割出来，最后通过比较分割出的颜色区域与预设的颜色模板或数据库中的样本，识别出颜色异常的缺陷； S25：特征提取与融合，将边缘检测和颜色识别步骤中提取出的特征信息进行融合，特征融合通过加权融合，得到一个包含多个维度信息的特征向量，用于后续的缺陷识别与分类； 步骤S23中通过灰度共生矩阵计算图像的局部统计特征的具体方法如下： S231：设置多方向和多距离的灰度共生矩阵； 灰度共生矩阵的值：，表示灰度值为i和j的像素对在距离d和方向θ下的共现频率； d是两个像素之间的距离； θ是两个像素之间的角度； i和j分别表示两个像素的灰度值，范围是0到L−1，其中L是灰度级别的数量； S242:归一化灰度共生矩阵，对每个方向和距离的灰度共生矩阵进行归一化： ； S233:提取高级统计特征，结合多个方向和距离的灰度共生矩阵，提取更复杂的统计特征； 能量：； 对比度：； 熵：； 同质性：； 相关性：； 逆方差：； 差异熵：； 其中，是灰度差异为k的概率； 综合特征计算，将所有方向和距离的特征Featured,θ进行加权得到最终特征：； 是对应方向和距离的权重，根据应用需求进行调整； 其中：为灰度共生矩阵的值，表示在距离d和角度θ下，灰度值为i和j的像素对的共现频率； ：归一化后的灰度共生矩阵； i，j：像素的灰度值，范围是0到L-1； d：像素之间的距离； θ：像素之间的角度； ：灰度级别i和j的均值； ：灰度级别i和j的标准差； pk：灰度差异为k的概率； ：距离d和角度θ下的权重； 步骤S23中利用颜色分割算法将图像中的不同颜色区域分割出来的方法如下： S241：将图像从RGB颜色空间转换到HSV颜色空间转换公式如下：； 其中，色调θ\thetaθ的计算如下：； 其中： R,G,B分别为红、绿、蓝通道的值； V是明度最大； θ是色调，范围0到360度； S是饱和度，范围0到1； S242：定义颜色范围，定义要分割的颜色范围，在HSV颜色空间中： Lower=Hmin,Smin,Vmin； Upper=Hmax,Smax,Vmax； 其中： Hmin和Hmax分别为色调的下限和上限； Smin和Smax分别为饱和度的下限和上限； Vmin和Vmax分别为明度的下限和上限； S243：利用定义的颜色范围，对HSV图像进行阈值分割，生成二值掩膜，掩膜中符合颜色范围的像素被标记为白色，其他像素被标记为黑色； S244：对掩膜进行形态学操作，包括膨胀和腐蚀，具体计算公式如下： 膨胀：； 腐蚀：； 其中：和分别是膨胀和腐蚀后的掩膜图像，kernel是形态学操作的结构元素； S245:显示原图像和分割后的图像，便于对比和验证分割效果； 步骤S24中具体的加权融合公式如下：； 其中： F是融合后的特征向量； fE是对边缘特征的非线性变换，且； gC是对颜色特征的非线性变换，且； hE,C是边缘特征和颜色特征之间的交互作用函数，且； 、、、分别是边缘特征、颜色特征和特征交互的权重系数； λ是正则化项的权重系数； RE,C是正则化项，且； 所述步骤S3具体包括： S31：特征匹配与比较，将融合后的特征向量与预设的缺陷模板或数据库中的样本进行比较和匹配，匹配算法为基于统计的匹配，通过比较和匹配判断图像中是否存在缺陷以及缺陷的类型； S32：分类器设计与训练，采用机器学习的方法进行缺陷识别与分类，设计并训练一个合适的分类器，分类器的设计包括选择算法、确定输入特征、设置算法参数，训练过程则是使用带有标签的训练数据，即已知缺陷类型和位置的图像，来优化分类器的参数，使其能够准确识别不同类型的缺陷； S33：分类决策与后处理，根据分类器的输出结果做出分类决策。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川省宜宾环球集团有限公司;四川省宜宾环球格拉斯玻璃制造有限公司，其通讯地址为：644000 四川省宜宾市临港经开区长江北路西段附三段17号320室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。