彩印包装图案检测系统及其方法

技术领域

本申请涉及智能检测领域，且更为具体的涉及一种彩印包装图案检测系统及其方法。

背景技术

彩印包装图案是产品包装的重要组成部分，对产品的外观质量和品牌形象起着关键作用。通过检测彩印包装图案，可以确保图案的准确性、清晰度和一致性，避免出现模糊、扭曲、缺失或错误的图案，提高产品的整体质量。传统的方法是通过人工目视检查彩印包装上的图案是否存在或是否符合要求。这种方法依赖于人的经验和视觉判断，存在主观性和疲劳度的问题。同时，人工检查速度较慢，无法满足大规模生产和高效率的需求。

因此，期待一种优化的彩印包装图案检测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种彩印包装图案检测系统及其方法，其使用基于深度神经网络模型的人工智能技术来智能地对彩印包装图案的检测图像进行特征编码与提取，以得到更为精准的用于表示彩印包装图案是否合格的分类标签。这样，智能分析彩印包装图案，降低了检测所需的人力成本，提高了检测的效率。

根据本申请的一个方面，提供了一种彩印包装图案检测系统，其包括：

图像获取模块，用于获取彩印包装图案的检测图像；

颜色转换模块，用于将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；

纹理特征提取模块，用于将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；

颜色特征提取模块，用于将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；

融合模块，用于对所述颜色特征图和所述纹理特征图进行先验规范化匹配以得到分类特征图；

分类结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示彩印包装图案是否合格。

在上述的彩印包装图案检测系统中，所述纹理特征提取模块，包括：

使用所述包含多个混合卷积层的第一卷积神经网络模型的各个混合卷积层在层的正向传递中分别进行：

多尺度卷积编码单元，用于对输入数据进行多尺度卷积编码以得到多尺度卷积特征图；

池化单元，用于对所述多尺度卷积特征图进行池化处理以得到池化特征图；

激活单元，用于对所述池化特征图进行非线性激活处理以得到激活特征图；

其中，所述包含多个混合卷积层的第一卷积神经网络模型的最后一个混合卷积层的输出为所述纹理特征图。

在上述的彩印包装图案检测系统中，所述多尺度卷积编码单元，包括：

第一邻域尺度卷积子单元，用于将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度卷积特征图，其中，所述第一卷积层具有第一长度的第一一维卷积核；

第二邻域尺度卷积子单元，用于将将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度卷积特征图，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；

级联子单元，用于将所述第一邻域尺度卷积特征图和所述第二邻域尺度卷积特征图进行级联以得到所述多尺度卷积特征图。

在上述的彩印包装图案检测系统中，所述颜色特征提取模块，包括：

使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述颜色特征图，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述检测图像。

在上述的彩印包装图案检测系统中，所述融合模块，包括：

初始融合单元，用于计算所述颜色特征图和所述纹理特征图的按位置加权和以得到初始分类特征图；

先验特征提取单元，用于从数据库提取标签特征矩阵作为先验特征矩阵；

先验化匹配单元，用于将所述初始分类特征图的沿通道维度的各个特征矩阵与所述先验特征矩阵之间的推土机距离以得到由多个推土机距离组成的先验化匹配输入向量；

先验特征匹配单元，用于将所述先验化匹配输入向量通过包含一维卷积层和softmax激活层的先验规则匹配特征提取模块以得到先验化匹配特征向量；

加权单元，用于以所述先验化匹配特征向量中各个位置的特征值作为权重，对所述初始分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。

在上述的彩印包装图案检测系统中，所述分类结果生成模块，用于：

使用所述分类器以如下分类公式对所述分类特征图进行处理以获得分类结果；

其中，所述分类公式为：

O＝softmax{(M

其中，Project(F)表示将所述分类特征图投影为向量，其中M

根据本申请的另一方面，还提供了一种彩印包装图案检测方法，其包括：

获取彩印包装图案的检测图像；

将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；

将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；

将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；

对所述颜色特征图和所述纹理特征图进行先验规范化匹配以得到分类特征图；

将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示彩印包装图案是否合格。

与现有技术相比，本申请提供的彩印包装图案检测系统及其方法，其使用基于深度神经网络模型的人工智能技术来智能地对彩印包装图案的检测图像进行特征编码与提取，以得到更为精准的用于表示彩印包装图案是否合格的分类标签。这样，智能分析彩印包装图案，降低了检测所需的人力成本，提高了检测的效率。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的彩印包装图案检测系统的框图。

图2图示了根据本申请实施例的彩印包装图案检测系统的系统架构图。

图3图示了根据本申请实施例的彩印包装图案检测方法的流程图。

图4图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

示例性系统

图1图示了根据本申请实施例的彩印包装图案检测系统的框图。如图1所示，根据本申请实施例的彩印包装图案检测系统100，包括：图像获取模块110，用于获取彩印包装图案的检测图像；颜色转换模块120，用于将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；纹理特征提取模块130，用于将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；颜色特征提取模块140，用于将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；融合模块150，用于对所述颜色特征图和所述纹理特征图进行先验规范化匹配以得到分类特征图；以及分类结果生成模块160，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示彩印包装图案是否合格。

图2图示了根据本申请实施例的彩印包装图案检测系统的系统架构图。如图2所示，在该系统架构中，首先，获取彩印包装图案的检测图像。然后，将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图。接着，将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图。然后，将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图。接着，对所述颜色特征图和所述纹理特征图进行先验规范化匹配以得到分类特征图。进而，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示彩印包装图案是否合格。

在上述的彩印包装图案检测系统100中，所述图像获取模块110，用于获取彩印包装图案的检测图像。如上述背景技术所言，通过检测彩印包装图案，可以确保图案的准确性、清晰度和一致性，避免出现模糊、扭曲、缺失或错误的图案，提高产品的整体质量。传统的方法是通过人工目视检查彩印包装上的图案是否存在或是否符合要求。这种方法依赖于人的经验和视觉判断，存在主观性和疲劳度的问题。同时，人工检查速度较慢，无法满足大规模生产和高效率的需求。因此，期待一种优化的彩印包装图案检测方案。

针对上述技术问题，提出了一种彩印包装图案检测方案，其使用基于深度神经网络模型的人工智能技术来智能地对彩印包装图案的检测图像进行特征编码与提取，以得到更为精准的用于表示彩印包装图案是否合格的分类标签。这样，智能分析彩印包装图案，降低了检测所需的人力成本，提高了检测的效率。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为彩印包装图案检测方案提供了新的解决思路和方案。

具体地，首先，获取彩印包装图案的检测图像。彩印包装图案的检测图像包含了图案的形状、颜色、纹理等信息。通过对检测图像进行处理和分析，可以提取出图案的特征，如纹理特征、颜色特征，用于判断图案是否合格。

在上述的彩印包装图案检测系统100中，所述颜色转换模块120，用于将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图。YCbCr颜色空间将亮度(Y)和色度(Cb和Cr)分离开来，这样可以更好地对彩印包装图案进行分析。亮度通道(Y)包含了图像的灰度信息，而色度通道(Cb和Cr)包含了图像的色彩信息。通过分离色彩信息，可以更准确地提取图案的纹理特征。LBP(Local Binary Patterns)是一种常用的纹理特征描述子，用于描述图像局部纹理的变化。通过将LBP应用于各个通道的图像，可以提取出不同通道的纹理特征。多通道LBP纹理特征直方图综合了不同通道的纹理信息，更全面地描述了图案的纹理特征。通过将LBP纹理特征应用于彩印包装图案的检测图像，可以增强图案的纹理特征。这有助于提高图案的区分度和鲁棒性，使得后续的特征提取和分类更加准确和可靠。

在上述的彩印包装图案检测系统100中，所述纹理特征提取模块130，用于将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图。混合卷积层的卷积神经网络(CNN)模型可以学习图像中的特征表示。通过将多通道LBP纹理特征直方图输入到CNN模型中，模型可以自动学习和提取更高级别的纹理特征。这些特征可以更好地代表彩印包装图案的纹理信息，具有更好的表达能力和区分性。CNN模型的卷积操作具有局部感知性质，能够对图像中的局部纹理进行感知和提取。通过在混合卷积层中应用多个卷积核，可以捕捉不同尺度和方向的纹理特征。这样可以更全面地描述彩印包装图案的纹理特征，提高纹理特征图的丰富性和表达能力。CNN模型中的激活函数和非线性层可以引入非线性映射，进一步增强纹理特征的表达能力。这有助于捕捉图案中的复杂纹理结构和细节，使得纹理特征图更具有区分度和鲁棒性。通过将多通道LBP纹理特征直方图输入到CNN模型中，可以进行端到端的训练。这意味着整个彩印包装图案检测系统可以通过反向传播算法进行端到端的优化和训练，使得纹理特征图能够与后续的分类模块更好地配合和协同工作。

具体地，在本申请实施例中，所述纹理特征提取模块130，包括：使用所述包含多个混合卷积层的第一卷积神经网络模型的各个混合卷积层在层的正向传递中分别进行：多尺度卷积编码单元，用于对输入数据进行多尺度卷积编码以得到多尺度卷积特征图；池化单元，用于对所述多尺度卷积特征图进行池化处理以得到池化特征图；激活单元，用于对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述包含多个混合卷积层的第一卷积神经网络模型的最后一个混合卷积层的输出为所述纹理特征图。

具体地，在本申请实施例中，所述多尺度卷积编码单元，包括：第一邻域尺度卷积子单元，用于将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度卷积特征图，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度卷积子单元，用于将将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度卷积特征图，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；级联子单元，用于将所述第一邻域尺度卷积特征图和所述第二邻域尺度卷积特征图进行级联以得到所述多尺度卷积特征图。

在上述的彩印包装图案检测系统100中，所述颜色特征提取模块140，用于将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图。卷积神经网络(CNN)模型能够学习和提取图像中的特征表示，包括颜色信息。通过将检测图像输入到第二CNN模型中，模型可以学习和提取图像中的颜色特征。这些特征可以更好地代表彩印包装图案的颜色信息，具有更好的表达能力和区分性。CNN模型的卷积操作具有局部感知性质，能够对图像中的局部颜色进行感知和提取。此外，通过多层卷积和池化操作，CNN模型还能够获取图像的上下文信息，即颜色特征在整个图像中的分布和关系。这有助于更好地理解和描述彩印包装图案的颜色特征。通过将检测图像输入到作为特征提取器的第二卷积神经网络模型，可以学习和提取图像中的颜色特征，包括局部颜色、上下文信息以及综合的颜色特征。这样可以得到更具表达能力和区分度的颜色特征图，用于后续的彩印包装图案的分类和检测。

具体地，在本申请实施例中，所述颜色特征提取模块140，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述颜色特征图，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述检测图像。

在上述的彩印包装图案检测系统100中，所述融合模块150，用于对所述颜色特征图和所述纹理特征图进行先验规范化匹配以得到分类特征图。为了提高彩印包装图案的分类准确性和鲁棒性，将所述颜色特征图和纹理特征图融合以得到分类特征图以综合利用两者的信息。颜色特征和纹理特征都能提供不同方面的信息。颜色特征能够反映图案的色彩分布和颜色组合，而纹理特征则能揭示图案的纹理结构和细节。将两者融合可以获得更丰富的特征表示，更全面地描述彩印包装图案的特征。颜色特征和纹理特征往往具有互补的性质。有些图案可能在颜色上相似，但纹理上有明显差异；而另一些图案可能在纹理上相似，但颜色上有差异。通过融合两者的特征，可以弥补各自的局限性，提高分类的准确性和鲁棒性。颜色特征和纹理特征在面对噪声和变化时可能具有不同的鲁棒性。通过融合两者的特征，可以增强分类模型对噪声和变化的抗干扰能力，提高系统的稳定性。

进一步地，考虑到在彩印包装图案检测系统中，分类特征图是通过融合纹理和颜色特征而得到的。不同的局部特征可能对不同类别的图案有不同的判别能力。通过自适应地调整分类特征图中各个局部特征的贡献度，可以使模型更加关注对于区分不同类别最具有判别性的特征。如果不进行自适应调整，某些特征可能会在融合过程中对结果产生过大或过小的影响。这可能导致模型对于某些类别的判别能力下降，或者对于输入样本的细微变化过于敏感。通过自适应地调整贡献度，可以使模型更加灵活地适应不同类别之间的特征差异，提高分类特征图在类概率空间中的区分度。此外，自适应调整还可以增强分类特征图的稳定性。当输入样本发生细微变化时，如果特征的贡献度过于固定，可能会导致分类特征图的变化较大，从而影响模型的稳定性。通过自适应调整贡献度，可以使分类特征图对于输入样本的细微变化更加鲁棒，提高模型的稳定性。因此，基于先验匹配来自适应地调整所述分类特征图中各个局部特征在类概率空间中的贡献度，从而强化分类特征图在类概率空间的区分度和稳定性，进而提高矿石识别模型的性能。

具体地，在本申请实施例中，所述融合模块150，包括：初始融合单元，用于计算所述颜色特征图和所述纹理特征图的按位置加权和以得到初始分类特征图；先验特征提取单元，用于从数据库提取标签特征矩阵作为先验特征矩阵；先验化匹配单元，用于将所述初始分类特征图的沿通道维度的各个特征矩阵与所述先验特征矩阵之间的推土机距离以得到由多个推土机距离组成的先验化匹配输入向量；先验特征匹配单元，用于将所述先验化匹配输入向量通过包含一维卷积层和softmax激活层的先验规则匹配特征提取模块以得到先验化匹配特征向量；以及加权单元，用于以所述先验化匹配特征向量中各个位置的特征值作为权重，对所述初始分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。

在本申请的技术方案中，通过计算所述颜色特征图和所述纹理特征图的按位置加权和来融合所述颜色特征图和所述纹理特征图，进而以标签特征矩阵作为先验特征分布对所述初始分类特征图进行特征分布调制以强化所述初始分类特征图在类概率空间的区分度和稳定性，即提升所述分类特征图通过分类器的分类回归的精准度。

具体地，基于所述标签特征矩阵来构建查询映射特征空间，并分别计算所述初始分类特征图的沿通道维度的各个特征矩阵与所述先验特征矩阵之间的推土机距离，以此来表示所述分类特征图的沿通道维度的各个局部特征在先验分布特征空间中的匹配关系。进而，通过对由多个推土机距离组成的先验化匹配输入向量进行一维卷积编码和Softmax非线性激活来捕捉匹配关系之间的高维隐含特征以得到先验化匹配特征向量，并进一步以所述先验化匹配特征向量中各个位置的特征值作为权重，分别对所述初始分类特征图进行加权，通过这样的方式，基于先验匹配来自适应地调整所述分类特征图中各个局部特征在类概率空间中的贡献度，以此以强化所述分类特征图在类概率空间的区分度和稳定性，即提升所述分类特征图通过分类器的分类回归的精准度。

在上述的彩印包装图案检测系统100中，所述分类结果生成模块160，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示彩印包装图案是否合格。分类器可以根据事先定义好的分类标准，将输入的分类特征图映射到不同的类别或标签。通过训练分类器，可以学习到合格和不合格图案的特征模式和区别，从而进行准确的分类判断。通过使用分类器对彩印包装图案进行分类，可以实现自动化的评估过程。相比人工评估，自动化评估更高效、准确，并且可以在大规模生产中实施。这样可以节省时间和人力成本，并提高生产效率。

具体地，在本申请实施例中，所述分类结果生成模块160，用于：使用所述分类器以如下分类公式对所述分类特征图进行处理以获得分类结果；其中，所述分类公式为：

O＝softmax{(M

其中，Project(F)表示将所述分类特征图投影为向量，其中M

综上，根据本申请实施例的彩印包装图案检测系统已被阐明，其使用基于深度神经网络模型的人工智能技术来智能地对彩印包装图案的检测图像进行特征编码与提取，以得到更为精准的用于表示彩印包装图案是否合格的分类标签。这样，智能分析彩印包装图案，降低了检测所需的人力成本，提高了检测的效率。

如上所述，根据本申请实施例的彩印包装图案检测系统100可以实现在各种终端设备中，例如彩印包装图案检测服务器等。在一个示例中，根据本申请实施例的彩印包装图案检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该彩印包装图案检测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该彩印包装图案检测系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该彩印包装图案检测系统100与该终端设备也可以是分立的设备，并且该彩印包装图案检测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图3图示了根据本申请实施例的彩印包装图案检测方法的流程图。如图3所示，根据本申请实施例的所述彩印包装图案检测方法，包括步骤：S110，获取彩印包装图案的检测图像；S120，将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；S130，将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；S140，将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；S150，对所述颜色特征图和所述纹理特征图进行先验规范化匹配以得到分类特征图；以及S160，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示彩印包装图案是否合格。

这里，本领域技术人员可以理解，上述彩印包装图案检测方法中的各个步骤的具体操作已经在上面参考图1到图2的彩印包装图案检测系统的描述中得到了详细介绍，并因此，将省略其重复描述。

综上，根据本申请实施例的彩印包装图案检测方法已被阐明，其使用基于深度神经网络模型的人工智能技术来智能地对彩印包装图案的检测图像进行特征编码与提取，以得到更为精准的用于表示彩印包装图案是否合格的分类标签。这样，智能分析彩印包装图案，降低了检测所需的人力成本，提高了检测的效率。

示例性电子设备

下面，参考图4来描述根据本申请实施例的电子设备。图4为根据本申请实施例的电子设备的框图。如图4所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的彩印包装图案检测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如彩印包装图案的检测图像等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括彩印包装图案是否合格等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图4中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的彩印包装图案检测方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的彩印包装图案检测方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。