基于改進(jìn)多類支持向量機(jī)的印刷缺陷檢測(cè)

胡方尚, 郭 慧

(華東理工大學(xué)機(jī)械與動(dòng)力工程學(xué)院,上海 200237)

基于改進(jìn)多類支持向量機(jī)的印刷缺陷檢測(cè)

胡方尚, 郭 慧

(華東理工大學(xué)機(jī)械與動(dòng)力工程學(xué)院,上海 200237)

針對(duì)印刷品缺陷檢測(cè)問(wèn)題,為了對(duì)缺陷位置、形狀、類型等信息進(jìn)行有效的識(shí)別和分析,提出了一種基于改進(jìn)多類支持向量機(jī)的印刷缺陷檢測(cè)方法。首先根據(jù)人眼視覺(jué)特性,將配準(zhǔn)后的印刷圖像通過(guò)基于動(dòng)態(tài)閾值的差分運(yùn)算,快速地得到二值缺陷圖像;然后采用由缺陷幾何特征和形狀特征構(gòu)成的特征向量對(duì)缺陷信息進(jìn)行分析和描述;最終通過(guò)改進(jìn)的多類支持向量機(jī)實(shí)現(xiàn)印刷缺陷的準(zhǔn)確識(shí)別。實(shí)驗(yàn)結(jié)果表明,相對(duì)于一對(duì)一型支持向量機(jī)(OVOSVM)和一對(duì)多型支持向量機(jī)(OVRSVM),在實(shí)際訓(xùn)練樣本較少的情況下,該方法具有檢測(cè)速度快、識(shí)別準(zhǔn)確率高的特點(diǎn),能夠有效解決印刷品缺陷檢測(cè)問(wèn)題。

缺陷檢測(cè); 差分運(yùn)算; 支持向量機(jī); 動(dòng)態(tài)閾值; 印刷品

隨著現(xiàn)代印刷行業(yè)的自動(dòng)化程度越來(lái)越高,企業(yè)對(duì)缺陷檢測(cè)技術(shù)的要求也越來(lái)越高。機(jī)器視覺(jué)具有實(shí)時(shí)性強(qiáng)、準(zhǔn)確率高和穩(wěn)定性好等特點(diǎn),能夠很好地適應(yīng)和滿足印刷質(zhì)量檢測(cè)的要求[1]。因此,它對(duì)傳統(tǒng)印刷檢測(cè)水平的提高具有重要的現(xiàn)實(shí)意義。

目前,國(guó)內(nèi)外對(duì)基于機(jī)器視覺(jué)和圖像處理技術(shù)的印刷缺陷檢測(cè)進(jìn)行了一些研究。Luo等[2]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的彩色印刷品檢測(cè)算法,它通過(guò)分析顏色直方圖提取圖像特征,利用人工神經(jīng)網(wǎng)絡(luò)對(duì)提取的特征信息進(jìn)行模式識(shí)別,最終判定印刷圖像是否存在缺陷;Mehenni等[3]提出了一種n-tuple和逐像素比較相結(jié)合的檢測(cè)方法,但它通過(guò)對(duì)所有的像素點(diǎn)進(jìn)行比較只能檢測(cè)到缺陷位置,并不能獲得缺陷的具體形狀、類型等信息,而且缺陷檢測(cè)的速度較慢;徐敏等[4]提出了一種基于Blob的印刷缺陷形態(tài)學(xué)分析方法,通過(guò)區(qū)域生長(zhǎng)分割算法對(duì)圖像中存在像素差異的區(qū)域進(jìn)行劃分,但采用Blob算法只能分析和描述完全連通缺陷區(qū)域的圖像特征,而對(duì)于不完全連通缺陷區(qū)域要借助數(shù)學(xué)形態(tài)學(xué)處理。

為了克服上述檢測(cè)方法的局限性,有效識(shí)別印刷圖像中缺陷位置、形狀、類型等信息,本文提出了一種基于改進(jìn)多類支持向量機(jī)的印刷缺陷檢測(cè)方法。首先根據(jù)人眼視覺(jué)特性,將配準(zhǔn)后的印刷圖像通過(guò)基于動(dòng)態(tài)閾值的差分運(yùn)算,快速地得到二值化缺陷圖像;然后采用由缺陷邊緣特征和區(qū)域特征構(gòu)成的特征向量對(duì)缺陷信息進(jìn)行分析和描述;最終通過(guò)改進(jìn)的多類支持向量機(jī)實(shí)現(xiàn)印刷缺陷的準(zhǔn)確識(shí)別。

1 印刷缺陷分析及檢測(cè)流程

1.1 常見(jiàn)的印刷缺陷

印刷質(zhì)量一般是指印刷品各種外觀特性的綜合效果,本文討論的印刷缺陷則是待檢印刷圖像相對(duì)于標(biāo)準(zhǔn)模板圖像的忠實(shí)程度,即與模板存在像素差異的區(qū)域則認(rèn)為印刷缺陷[5]。根據(jù)數(shù)字印刷生產(chǎn)工藝特點(diǎn)和印刷產(chǎn)品質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn),綜合各種缺陷特征,本文將印刷缺陷分為3大類,如表1所示。

表1 印刷缺陷分類

圖1所示為實(shí)際印刷生產(chǎn)過(guò)程中常見(jiàn)的缺陷,為了能夠清晰地顯示印刷缺陷信息,圖像均經(jīng)過(guò)二值化處理。

1.2 印刷缺陷檢測(cè)流程

印刷缺陷檢測(cè)的基本原理是將印刷圖像與標(biāo)準(zhǔn)模板進(jìn)行比較,尋找二者之間的差異并進(jìn)行分析,從而獲得印刷圖像中的缺陷信息。因此,本文在圖像匹配完成的基礎(chǔ)上重點(diǎn)研究和實(shí)現(xiàn)印刷缺陷檢測(cè)的關(guān)鍵技術(shù)。圖2所示為本文設(shè)計(jì)的印刷缺陷檢測(cè)流程圖,虛線框內(nèi)部分為圖像處理和分析模塊。

圖1 二值缺陷圖像

圖2 印刷缺陷檢測(cè)流程圖

2 印刷缺陷檢測(cè)的關(guān)鍵技術(shù)

2.1 基于動(dòng)態(tài)閾值的圖像差影

為了能夠直觀地顯示印刷圖像與標(biāo)準(zhǔn)模板之間的差異,通常的做法是圖像差影,即將二者對(duì)應(yīng)像素的灰度值進(jìn)行差分運(yùn)算,然后按照設(shè)定的灰度閾值對(duì)圖像匹配的結(jié)果進(jìn)行判決。對(duì)于印刷缺陷檢測(cè)而言,采用固定的灰度閾值并不能得到較好的檢測(cè)結(jié)果，因此,本文提出一種基于動(dòng)態(tài)閾值的圖像差影。

設(shè)f(x,y)為標(biāo)準(zhǔn)圖像,g(x,y)為待檢圖像,則差分圖像s(x,y)可以表示為

(1)

本文動(dòng)態(tài)閾值是在全局最優(yōu)準(zhǔn)則下,首先確定出一個(gè)固定閾值,該閾值具有一定的抗噪聲能力,然后利用差分點(diǎn)所在位置的灰度分布特性,對(duì)其進(jìn)行修正,所得閾值即為動(dòng)態(tài)閾值,如式(2)所示。

(2)

式中：Txy為動(dòng)態(tài)閾值；T為固定閾值；α為修正系數(shù)。若α=0,表示閾值按全局灰度特性確定;若α=1,表示閾值完全按局部灰度特性確定。本文具體算法中調(diào)整系數(shù)α的選取通過(guò)實(shí)驗(yàn)予以確定,固定閾值T根據(jù)最大類間方差法自動(dòng)選擇。

由于修正系數(shù)α的存在,使得圖像上各像素點(diǎn)都有隨灰度變化的動(dòng)態(tài)閾值。它能同時(shí)兼顧全局最優(yōu)和局部感興趣細(xì)節(jié),更符合人眼視覺(jué)特性,即在灰度值不同的區(qū)域,人眼對(duì)相同的灰度差值也會(huì)有明顯的感官差異。因此,二值缺陷圖像B(x,y)可以表示為

(3)

根據(jù)人眼的視覺(jué)特性,在相同亮度的刺激下,人眼對(duì)不同背景亮度所感覺(jué)到的明暗程度也不同[6]。從視覺(jué)感官效果來(lái)看,人眼對(duì)于處于較暗(灰度值較小)的區(qū)域更為敏感,能分辨更小的灰度差異,而對(duì)于較亮(灰度值較大)的區(qū)域卻很難分辨灰度的差異。圖3所示為視力與亮度關(guān)系曲線,橫坐標(biāo)為亮度的對(duì)數(shù),縱坐標(biāo)為白地黑圈蘭道爾環(huán)視力。圖像灰度的取值范圍為0～255。

圖3 人眼視覺(jué)特性曲線

圖4所示為不同灰度區(qū)域的動(dòng)態(tài)閾值范圍,圖中矩形框的上下底邊表示灰度值所決定的灰度閾值范圍?？梢钥闯?所設(shè)定的動(dòng)態(tài)閾值對(duì)于高灰度區(qū)域的像素點(diǎn)有更大的允許范圍。

圖4 灰度閾值范圍

2.2 缺陷區(qū)域分割與特征提取

印刷缺陷的區(qū)域分割實(shí)際上是對(duì)二值圖像中缺陷像素點(diǎn)(灰度值為255)進(jìn)行搜索與聚類的過(guò)程。區(qū)域生長(zhǎng)法是最基礎(chǔ)的圖像分割技術(shù),其基本思想是從一組生長(zhǎng)點(diǎn)開(kāi)始,將與該生長(zhǎng)點(diǎn)相似的相鄰像素或區(qū)域與生長(zhǎng)點(diǎn)合并,形成新的生長(zhǎng)點(diǎn),重復(fù)此過(guò)程直到不能生長(zhǎng)為止[7]。區(qū)域生長(zhǎng)一般包括3個(gè)基本要素:選擇合適的生長(zhǎng)點(diǎn);確定相似性準(zhǔn)則即生長(zhǎng)準(zhǔn)則;判斷生長(zhǎng)停止條件。圖5所示是一個(gè)區(qū)域生長(zhǎng)的實(shí)例,其中加括號(hào)的像素表示已被生長(zhǎng)點(diǎn)，未加括號(hào)的像素表示未被生長(zhǎng)點(diǎn)。圖5(a)所示為原圖像,數(shù)字表示像素的灰度值,初始生長(zhǎng)點(diǎn)選擇灰度值為255的像素,圖5(b)所示為生長(zhǎng)停止后的區(qū)域生長(zhǎng)結(jié)果。

00254000254(255)2540025225300002530000000é?êêêêêêù?úúúúúú00(254)000(254)(255)(254)00(252)(253)0000(253)0000000é?êêêêêêù?úúúúúú(a)初始生長(zhǎng)點(diǎn)(b)區(qū)域生長(zhǎng)結(jié)果

圖5 區(qū)域生長(zhǎng)示意圖

Fig.5 Regional growth

為了提高缺陷區(qū)域分割的速度,本文提出了一種混合型的區(qū)域生長(zhǎng)算法,它把圖像分成若干小區(qū)域,通過(guò)比較相鄰區(qū)域的灰度特征實(shí)現(xiàn)區(qū)域生長(zhǎng)。由于實(shí)驗(yàn)采用的CCD分辨率為500 ppi,要求檢測(cè)到的最小缺陷為0.025 mm2,而一個(gè)像素的大小為0.002 6 mm2,即可檢測(cè)到的最小缺陷面積大概是9個(gè)像素的大小。因此,可以將每9個(gè)像素看成一個(gè)小區(qū)域作為最小基本單元,這樣整個(gè)圖像就被重新劃分成眾多邊長(zhǎng)為3個(gè)像素的正方形區(qū)域。圖像分區(qū)如圖6所示,以圖像的左上角為坐標(biāo)原點(diǎn),分別作x和y軸,建立坐標(biāo)系,其中,區(qū)域A坐標(biāo)為(3,2)。

本文用每個(gè)分區(qū)內(nèi)9個(gè)像素的灰度平均值表示分區(qū)的灰度信息,然后有分區(qū)代替單個(gè)像素完成區(qū)域生長(zhǎng)。通過(guò)圖像分區(qū),大大減少了計(jì)算量,加快了程序的執(zhí)行速度,而且由于連續(xù)色調(diào)圖像各像素間的關(guān)聯(lián)性及數(shù)據(jù)的冗余性,這種方法對(duì)缺陷區(qū)域分割結(jié)果并沒(méi)有太大的影響。

圖6 圖像分區(qū)

通過(guò)對(duì)缺陷點(diǎn)的搜索聚類完成缺陷區(qū)域分割,進(jìn)一步統(tǒng)計(jì)缺陷信息可以提取缺陷區(qū)域的各種特征參數(shù),包括面積、周長(zhǎng)、邊緣、長(zhǎng)寬比、分布方向等。

根據(jù)印刷品生產(chǎn)過(guò)程可知,飛墨、臟點(diǎn)等缺陷往往為圓形或者橢圓形,且形狀大小不唯一。取長(zhǎng)徑l和圓形度ρ表示缺陷形狀特征,則計(jì)算公式如下:

l=max(lx,ly)

(4)

式中:lx為x方向長(zhǎng)度;ly為y方向長(zhǎng)度。

(5)

式中:s為面積,即缺陷區(qū)域中的像素總數(shù);c為周長(zhǎng),即位于缺陷區(qū)域邊界上的像素?cái)?shù)目。

刀絲、刮板等缺陷大多為均勻直線,且一般沿印刷品行走方向。取長(zhǎng)寬比k表示直線特征,則計(jì)算公式如下:

(6)

顏色失真、墨色濃淡等缺陷通常與標(biāo)準(zhǔn)圖像色差相對(duì)較小,且分布均勻。取差分圖像(未二值化的灰度缺陷圖像)的灰度標(biāo)準(zhǔn)差σ表示顏色特征,則計(jì)算公式如下:

(7)

式中:hi為差分圖像的缺陷區(qū)域中各像素灰度值;E為差分圖像中缺陷區(qū)域的灰度均值。

(8)

標(biāo)準(zhǔn)差越小,缺陷區(qū)域的灰度分布越均勻,反之核心物體的灰度分布不均勻。

2.3 基于改進(jìn)多類SVM的缺陷識(shí)別

印刷圖像經(jīng)過(guò)缺陷區(qū)域分割和特征提取之后,需要對(duì)獲得的缺陷信息進(jìn)一步處理和分析,才能完成印刷缺陷的分類和識(shí)別,這是一個(gè)模式識(shí)別過(guò)程。傳統(tǒng)模式識(shí)別技術(shù)(如人工神經(jīng)網(wǎng)絡(luò))采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則,在缺乏代表性的小訓(xùn)練集情況下,一味地降低訓(xùn)練集上的分類錯(cuò)誤就會(huì)導(dǎo)致過(guò)度擬合[8]。支持向量機(jī)依據(jù)統(tǒng)計(jì)學(xué)習(xí)理論采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則,同時(shí)兼顧訓(xùn)練誤差與測(cè)試誤差的最小化,因而對(duì)于未見(jiàn)過(guò)的測(cè)試樣本具有更好的推廣能力[9]。為了提高缺陷檢測(cè)速度和識(shí)別率,本文將二叉決策樹(shù)與向量支持機(jī)相結(jié)合,并引入優(yōu)先級(jí)概念,采用改進(jìn)的多類分類算法實(shí)現(xiàn)印刷缺陷準(zhǔn)確識(shí)別,圖7所示為本文改進(jìn)的多類SVM結(jié)構(gòu)示意圖。

圖7 改進(jìn)的多類SVM結(jié)構(gòu)示意圖

在每次對(duì)k類訓(xùn)練樣本進(jìn)行訓(xùn)練生成二叉樹(shù)結(jié)構(gòu)時(shí),首先是將類間距最小的兩類合并為新簇Ⅰ得到一個(gè)新的父結(jié)點(diǎn),同時(shí)訓(xùn)練生成一個(gè)子SVM分類器。同理再對(duì)其余k-2類樣本中類間距最小的兩類合并為新簇Ⅱ,并訓(xùn)練生成另一個(gè)子SVM分類器,直至最終得到二叉樹(shù)的根結(jié)點(diǎn),即訓(xùn)練完成。對(duì)測(cè)試樣本的分類過(guò)程為訓(xùn)練過(guò)程的逆方向,從根結(jié)點(diǎn)開(kāi)始進(jìn)行判斷,經(jīng)相應(yīng)結(jié)點(diǎn)的SVM分類器測(cè)試后生成左、右兩個(gè)子結(jié)點(diǎn),若子結(jié)點(diǎn)是葉結(jié)點(diǎn)則直接確定樣本所屬類別,否則繼續(xù)測(cè)試直到找到葉結(jié)點(diǎn)為止。具體算法流程如下:

Step 1 在特征空間中,每個(gè)類都會(huì)存在k-1個(gè)與其他類的距離值。根據(jù)式(9)計(jì)算類i與類j間的距離dij(i,j= 1,2,…,k,且i≠j)。

(9)

Step2 將第i類與其他k-1個(gè)類的距離值按從小到大的順序排列,并重新編號(hào)為

Step3 通過(guò)聚類的方法將類間距最小的兩個(gè)類合并成一個(gè)新簇Ⅰ,并訓(xùn)練生成第1個(gè)子SVM分類器;同理對(duì)剩下的k-2個(gè)類進(jìn)行類間距的計(jì)算,將類間距最小的兩類合并成新簇Ⅱ,并訓(xùn)練生成第2個(gè)子SVM分類器,直至得到第k-1個(gè)子SVM分類器,此時(shí)訓(xùn)練結(jié)束。

Step4 對(duì)測(cè)試樣本進(jìn)行分類決策,在Step3形成的二叉樹(shù)根結(jié)點(diǎn)處利用SVM子分類器測(cè)試,判斷生成的子結(jié)點(diǎn)是否為葉結(jié)點(diǎn)(即層級(jí)為0)。若是則轉(zhuǎn)Step7;否則轉(zhuǎn)Step5。

Step5 利用該結(jié)點(diǎn)的SVM子分類器進(jìn)一步測(cè)試,確定測(cè)試樣本屬于該結(jié)點(diǎn)下一級(jí)左結(jié)點(diǎn)還是右結(jié)點(diǎn)。

Step6 判斷Step5的左結(jié)點(diǎn)(或右結(jié)點(diǎn))是否為葉結(jié)點(diǎn),若是則轉(zhuǎn)向Step7;否則轉(zhuǎn)向Step5。

Step7 確定樣本所屬類別,程序結(jié)束。

3 實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證本文印刷缺陷檢測(cè)方法的效果,實(shí)驗(yàn)在64-bitWindows7操作系統(tǒng)上使用LibSVM作為開(kāi)發(fā)平臺(tái)，基于C++語(yǔ)言對(duì)源代碼進(jìn)行修改編譯,實(shí)現(xiàn)本文印刷缺陷檢測(cè)算法。選取600張印刷缺陷樣本,其中包括臟點(diǎn)、飛墨、刀絲、刮板、糊版、色墨濃淡樣本各100張。根據(jù)2.2節(jié)中的統(tǒng)計(jì)特征參數(shù)對(duì)缺陷樣本進(jìn)行訓(xùn)練測(cè)試,訓(xùn)練集樣本數(shù)為300,測(cè)試集樣本數(shù)為300,且各類別樣本數(shù)比例相同。

按照LibSVM應(yīng)用程序運(yùn)行要求,在訓(xùn)練之前需要對(duì)印刷缺陷特征向量X=(s,l,k,ρ,σ)進(jìn)行歸一化處理,使得數(shù)值分布于[-1,+1]范圍內(nèi)。滿足格式要求的數(shù)據(jù)準(zhǔn)備完成后,實(shí)驗(yàn)選用徑向基核函數(shù)K(x,y)=exp(-γ‖Xi-Xj‖2)作為核函數(shù),利用交叉驗(yàn)證方法對(duì)γ以及C進(jìn)行評(píng)估。根據(jù)最佳核參數(shù)γ和懲罰系數(shù)C對(duì)整個(gè)訓(xùn)練集進(jìn)行訓(xùn)練從而獲取相應(yīng)的支持向量機(jī)模型,最后通過(guò)構(gòu)建的二叉樹(shù)多類SVM模型對(duì)剩余的300個(gè)樣本進(jìn)行測(cè)試。以SVM1為例,通過(guò)參數(shù)選擇工具grid.py得到最佳核參數(shù)γ為0.007 812 5,最佳懲罰系數(shù)C為128,對(duì)應(yīng)交叉驗(yàn)證的識(shí)別率為97.5%。

為了進(jìn)一步驗(yàn)證改進(jìn)的多類支持向量機(jī)性能,本文同時(shí)與一對(duì)一和一對(duì)多型支持向量機(jī)進(jìn)行比較。表2所示為3種算法的訓(xùn)練時(shí)間、分類時(shí)間以及識(shí)別率的對(duì)比結(jié)果、表3所示為各種缺陷類型在不同算法下的識(shí)別率統(tǒng)計(jì)結(jié)果。

表2 實(shí)驗(yàn)數(shù)據(jù)對(duì)比結(jié)果

表3 缺陷識(shí)別率統(tǒng)計(jì)結(jié)果

由表2可知,本文改進(jìn)的多類支持向量機(jī)無(wú)論在訓(xùn)練時(shí)間、測(cè)試時(shí)間還是識(shí)別率方面都有較好的表現(xiàn)。由于本文引入優(yōu)先級(jí)概念,把類間距最小的兩類結(jié)合起來(lái)先進(jìn)行分類,有利于排除對(duì)后續(xù)分類產(chǎn)生的干擾,同時(shí)減少了SVM分類器的數(shù)量(本文只需要構(gòu)造k-1個(gè))。因此,算法大大節(jié)省了訓(xùn)練和測(cè)試時(shí)間,提高了整體分類的速度以及識(shí)別率。由表3可知,本文算法對(duì)各種類型的印刷缺陷均有較好的識(shí)別效果,而且刮板缺陷識(shí)別率到達(dá)100%。另外,由于糊版缺陷相對(duì)難以分割,容易造成特征信息丟失,從而增加了缺陷識(shí)別難度,導(dǎo)致糊版相對(duì)于其他類型缺陷在3種算法中都有比較低的識(shí)別率。

4 結(jié) 論

本文在圖像匹配的基礎(chǔ)上對(duì)印刷缺陷檢測(cè)關(guān)鍵技術(shù)進(jìn)行研究,提出了一種基于改進(jìn)多類支持向量機(jī)的印刷品缺陷檢測(cè)方法,得到以下結(jié)論:

(1) 設(shè)定動(dòng)態(tài)閾值,以同時(shí)兼顧全局最優(yōu)和局部感興趣細(xì)節(jié),使二值缺陷更符合人眼視覺(jué)特性;

(2) 運(yùn)用圖像分區(qū),大大減少了計(jì)算量,加快了程序的執(zhí)行速度;

(3) 引入優(yōu)先級(jí)概念,有利于排除分類干擾,提高整體分類的速度和識(shí)別率；

(4) 實(shí)驗(yàn)結(jié)果表明,本文方法能夠有效地識(shí)別和分析缺陷位置、形狀、類型等信息,具有較高的檢測(cè)速度和識(shí)別率。

[1]張媛.基于DSP的印刷品質(zhì)量檢測(cè)系統(tǒng)研究[J].淮海工學(xué)院學(xué)報(bào),2014(1):11-14.

[2]LUO J,ZHANG Z.Automatic colour printing inspection by image processing[J].Journal of Materials Processing Technology,2003,139(1):373-378.

[3]MEHENNI B,WAHAB M A.APRIS:Automatic pattern recognition and inspection system[J].Computers in Design,Manufacturing and Production,1993(5):23-28.

[4]徐敏,唐萬(wàn)有,馬千里,等.基于Blob算法的印刷缺陷在線檢測(cè)的研究[J].包裝工程,2011(9):20-23.

[5]吳鵬.數(shù)字印刷品質(zhì)量檢測(cè)與評(píng)價(jià)方法[J].印刷技術(shù),2015(9):33-35.

[6]王鋒,阮秋琦,徐金強(qiáng).基于動(dòng)態(tài)閾值和分層檢測(cè)的圖像缺陷識(shí)別算法的研究與應(yīng)用[J].北京交通大學(xué)學(xué)報(bào),2002,26(1):19-22.

[7]LIRA J,MALETTI G.A supervised contextual classifier based on a region-growth algorithm[J].Computers & Geosciences,2002,28(8):951-959.

[8]HASSOUN M H,INTRATOR N,MCKAY S,etal.Fundamentals of Artificial Neural Networks[M].Massachusetts,USA:MIT Press,2010:906.

[9]HSU C W,LIN C J.A comparison of methods for multi-class support vector machine[J].IEEE Transaction on Neura1 Network，2002,13(2):415-425.

Printing Defects Inspection Based on Improved Multi-Class Support Vector Machine

HU Fang-shang, GUO Hui

(School of Mechanical and Power Engineering,East China University of Science and Technology,Shanghai 200237,China)

To recognize the defects of printed matter effectively,a method of printing defect inspection based on the improved multi-class support vector machine is proposed.According to the human visual characteristics,the binary defect image is rapidly obtained by the subtraction operation of registered image based on dynamic threshold.A feature vector consisting of defect geometric feature and shape feature is used to describe the defect of printing,and finally the accurate identification of printing defects is realized by the improved multi-class support vector machine.The experimental results show that in the case of less training samples the proposed method has faster detection speed and higher recognition accuracy than OVOSVM and OVRSVM,which can effectively solve the problem of printing defect inspection.

defect inspection; subtraction operation; SVM; dynamic threshold; printed matter

1006-3080(2017)01-0143-06

10.14135/j.cnki.1006-3080.2017.01.022

2016-06-29

胡方尚(1992-),男,碩士生,主要研究方向?yàn)橛?jì)算機(jī)圖形學(xué)、機(jī)器視覺(jué)。

郭 慧,E-mail:huiguo@ecust.edu.cn

TP391

A