基于視覺(jué)的印刷品缺陷檢測(cè)技術(shù)

徐足騁，周 鑫，袁鎖中，王從慶，張小正

(南京航空航天大學(xué) 自動(dòng)控制系， 南京 211106)

基于視覺(jué)的印刷品缺陷檢測(cè)技術(shù)

徐足騁，周 鑫，袁鎖中，王從慶，張小正

(南京航空航天大學(xué) 自動(dòng)控制系， 南京 211106)

為滿(mǎn)足印刷品缺陷檢測(cè)的準(zhǔn)確度需求，設(shè)計(jì)了一種基于計(jì)算機(jī)視覺(jué)的分布式檢測(cè)系統(tǒng)。該系統(tǒng)主要包括圖像采集模塊、圖像處理模塊、輸入輸出模塊。研究了圖像預(yù)處理、特征提取、圖像配準(zhǔn)、圖像匹配和缺陷檢測(cè)的相關(guān)算法。實(shí)驗(yàn)數(shù)據(jù)表明：該系統(tǒng)和采用的圖像算法能精確計(jì)算缺陷的各項(xiàng)特征參數(shù)并判斷類(lèi)型，達(dá)到了印刷品缺陷檢測(cè)的要求。

計(jì)算機(jī)視覺(jué)；分布式系統(tǒng)；印刷缺陷；圖像處理

當(dāng)今科學(xué)技術(shù)日新月異，知識(shí)的更新瞬息萬(wàn)變，印刷產(chǎn)品已然成為生活中不可或缺的部分[1]。然而，因?yàn)橛∷⒓夹g(shù)相對(duì)落后且存在外在干擾，印刷產(chǎn)品一般會(huì)帶有些許缺陷，常見(jiàn)的情況為色彩畸變、飛墨、劃痕、刀絲、臟版等[2]。為了保證印刷品質(zhì)量，除了要控制整個(gè)印刷工藝流程外，還要做好印后質(zhì)檢工作，嚴(yán)格把關(guān)印刷品質(zhì)量，及時(shí)去掉不合格品。

傳統(tǒng)的印刷檢測(cè)主要是采用人工質(zhì)檢的方式，借助靜止的畫(huà)面和隨機(jī)抽樣的方法在一定程度上控制產(chǎn)品質(zhì)量，但在實(shí)際應(yīng)用中會(huì)有很大的問(wèn)題。人工檢測(cè)具有很大的不確定性，需要依賴(lài)工人的主觀(guān)判斷，很難保證印刷的準(zhǔn)確性和一致性，同時(shí)人工檢測(cè)效率低下，成本高。

進(jìn)入21世紀(jì)，工業(yè)相機(jī)和多用途工業(yè)計(jì)算機(jī)得到了普遍運(yùn)用，計(jì)算機(jī)視覺(jué)技術(shù)也因此不斷進(jìn)步，為促進(jìn)全自動(dòng)缺陷檢測(cè)打下了堅(jiān)實(shí)的基礎(chǔ)[3]。基于計(jì)算機(jī)視覺(jué)的檢測(cè)技術(shù)是借助相機(jī)采集對(duì)象的圖像并使用計(jì)算機(jī)分析處理圖像信息來(lái)完成質(zhì)量檢測(cè)。這既加快了檢測(cè)速率，增加了缺陷識(shí)別的準(zhǔn)確性和一致性，又減少了企業(yè)的生產(chǎn)費(fèi)用[4]。本文基于計(jì)算機(jī)視覺(jué)設(shè)計(jì)了一套印刷缺陷檢測(cè)系統(tǒng)，同時(shí)探究了印刷缺陷的檢測(cè)方法[5]。

1 印刷缺陷分析和檢測(cè)系統(tǒng)的整體結(jié)構(gòu)

1.1 常見(jiàn)的印刷缺陷

實(shí)現(xiàn)印刷品的在線(xiàn)檢測(cè)主要是希望能提早發(fā)現(xiàn)產(chǎn)品缺陷，發(fā)出報(bào)警信號(hào)并提供缺陷相關(guān)信息，增加企業(yè)生產(chǎn)合格率。首先，有必要對(duì)印刷缺陷進(jìn)行分類(lèi)。印刷中存在的缺陷主要包括竄墨、劃痕、漏印、色彩畸變、缺印、模糊、重影等[6]，可以被歸為塊狀、線(xiàn)狀、離散點(diǎn)狀。其中：塊狀缺陷一般為封閉區(qū)域，形狀和大小不盡相同；線(xiàn)狀缺陷往往是封閉的直線(xiàn)，寬度、顏色、方向都有不同的可能；離散點(diǎn)狀缺陷則是一些零散的像素點(diǎn)。常見(jiàn)的印刷缺陷分類(lèi)見(jiàn)表1。

表1 印刷缺陷分類(lèi)

1.2 檢測(cè)系統(tǒng)的整體結(jié)構(gòu)

該檢測(cè)系統(tǒng)主要包含圖像采集模塊、圖像處理模塊、輸入輸出模塊[7]。檢測(cè)系統(tǒng)的整體結(jié)構(gòu)如圖1所示。

圖1 檢測(cè)系統(tǒng)的整體結(jié)構(gòu)

圖像采集模塊由線(xiàn)性光源、線(xiàn)陣相機(jī)、光學(xué)鏡頭、采集卡、支架組成。該模塊主要用來(lái)采集印刷圖像，并傳送給圖像處理模塊。

圖像處理模塊采用了分布式結(jié)構(gòu)，將一臺(tái)工業(yè)計(jì)算機(jī)看作服務(wù)器，另一臺(tái)工業(yè)計(jì)算機(jī)看作客戶(hù)端。借助路由器和局域網(wǎng)，服務(wù)器和客戶(hù)端之間能進(jìn)行網(wǎng)絡(luò)通訊和數(shù)據(jù)傳輸。其中：服務(wù)器的作用是配置檢測(cè)參數(shù)、顯示客戶(hù)端采集的圖像、在數(shù)據(jù)庫(kù)中保存缺陷信息；客戶(hù)端的作用是接收服務(wù)器的檢測(cè)參數(shù)、在線(xiàn)采集印刷圖像、進(jìn)行一系列的圖像算法處理、將圖像和缺陷信息發(fā)送給服務(wù)器。

輸入輸出模塊由人機(jī)控制臺(tái)、信號(hào)指示燈、編碼器組成。該模塊的作用是對(duì)其他2個(gè)模塊發(fā)出控制信號(hào)、接收人為指令、發(fā)出報(bào)警信號(hào)[8]。

2 檢測(cè)系統(tǒng)的整體方案設(shè)計(jì)

印刷品有無(wú)缺陷是相對(duì)模板來(lái)說(shuō)的，印刷缺陷表現(xiàn)在視覺(jué)效果上與模板并不一致。基于計(jì)算機(jī)視覺(jué)的檢測(cè)系統(tǒng)的工作流程是：首先，挑選一幅不含缺陷的標(biāo)準(zhǔn)圖像進(jìn)行預(yù)處理和特征提取，作為模板保存；然后，采集印刷圖像進(jìn)行預(yù)處理，與模板配準(zhǔn)實(shí)現(xiàn)兩幅圖像在空間上對(duì)齊；再做匹配操作，得到缺陷二值圖像；最后，提取各個(gè)缺陷，計(jì)算相關(guān)特征參數(shù)并分類(lèi)。檢測(cè)系統(tǒng)的工作流程如圖2。

圖2 檢測(cè)系統(tǒng)的工作流程

2.1 圖像預(yù)處理

采集印刷圖像的過(guò)程中可能受到照明不足、相機(jī)抖動(dòng)的影響，引發(fā)亮度偏低、細(xì)節(jié)模糊的問(wèn)題，不利于后面的操作。因此，首先對(duì)印刷圖像進(jìn)行預(yù)處理，主要包含圖像灰值化、圖像對(duì)比度增強(qiáng)和圖像銳化。

在線(xiàn)采集得到的印刷圖像是24位彩色圖像，直接操作不僅會(huì)消耗大量的內(nèi)存空間，而且算法運(yùn)行時(shí)間也會(huì)很長(zhǎng)。因此，不適合在實(shí)時(shí)性要求很高的在線(xiàn)檢測(cè)系統(tǒng)中應(yīng)用，通常先把彩色圖像轉(zhuǎn)化為灰度圖像，具體步驟如下：

1) 取每個(gè)像素點(diǎn)的RGB分量；

2) 計(jì)算加權(quán)灰度值0.3×B+0.59×G+0.11×R；

3) 把每個(gè)像素點(diǎn)的RGB分量替換為灰度值。

彩色圖像和灰度圖像分別見(jiàn)圖3(a)(b)。

圖3 圖像灰值化

現(xiàn)代生產(chǎn)線(xiàn)印刷速度非?？?，即便是在照明充分的情況下，依然會(huì)出現(xiàn)亮度偏低的問(wèn)題，見(jiàn)圖3(a)。在灰度直方圖中像素點(diǎn)集中在低灰度區(qū)，圖像亮度整體偏低，當(dāng)照明不佳時(shí)情況更顯著。因此，對(duì)印刷圖像進(jìn)行對(duì)比度增強(qiáng)的要求是擴(kuò)大低灰度區(qū)域，而縮小高灰度區(qū)域，并且增大整體亮度?；叶茸儞Q包括線(xiàn)性灰度變換和非線(xiàn)性灰度變換，其中線(xiàn)性灰度變換又分為線(xiàn)性變換和分段線(xiàn)性變換。前者主要用于處理曝光不足或曝光過(guò)度的圖像，增加圖像細(xì)節(jié)的分辨率；后者的功能主要是對(duì)感興趣灰度區(qū)間進(jìn)行突出，對(duì)不感興趣灰度區(qū)間進(jìn)行抑止。非線(xiàn)性變換主要包括指數(shù)變換、對(duì)數(shù)變換以及其他非線(xiàn)性變換。根據(jù)上面的分析，只有分段線(xiàn)性變換能夠滿(mǎn)足要求，因此本文采用了三段式線(xiàn)性變換，公式如下：

(1)

其中：f(x,y)和g(x,y)分別表示原圖像和結(jié)果圖像；a、b、c、d參數(shù)用來(lái)調(diào)整曲線(xiàn)位置和形狀。經(jīng)過(guò)多次的實(shí)驗(yàn)比對(duì)，確定了a、b、c、d的最佳組合，分別為35、150、20、250。線(xiàn)性灰度變換的結(jié)果如圖4，其中(a)是原圖像，(b)是結(jié)果圖像，(c)、(d)分別是(a)(b)的灰度直方圖。通過(guò)比較圖4(c)和(d)能發(fā)現(xiàn)：線(xiàn)性灰度變換拉伸了低灰度區(qū)域，壓縮了高灰度區(qū)域。因此，結(jié)果圖像對(duì)比度更高，灰度區(qū)間更大、更亮，有利于后面的處理。

印刷圖像經(jīng)過(guò)灰度變換以后，對(duì)比度顯著增強(qiáng)，但由于采集過(guò)程中不良因素的影響，出現(xiàn)了細(xì)節(jié)模糊的現(xiàn)象。為便于后面的特征提取，先借助圖像銳化，使圖像的邊緣、輪廓和細(xì)節(jié)變得清晰[9]。圖像銳化一般包括梯度銳化和拉普拉斯銳化，其中梯度銳化效果較好，但是對(duì)噪聲比較敏感，計(jì)算代價(jià)較高；而拉普拉斯銳化計(jì)算簡(jiǎn)單，實(shí)時(shí)性好。因此，本文采用了拉普拉斯算子實(shí)現(xiàn)銳化，算法主要思想是遍歷圖像中的像素點(diǎn)，根據(jù)上下左右4個(gè)像素點(diǎn)的灰度值確定其銳化后的灰度值，其計(jì)算公式為

result=5×current-left-right-up-down

(2)

經(jīng)過(guò)銳化操作后的圖像見(jiàn)圖5。

圖5 圖像銳化

2.2 圖像特征提取

經(jīng)過(guò)圖像預(yù)處理之后需要進(jìn)行特征的選擇和提取，這會(huì)在很大程度上決定配準(zhǔn)的速度和準(zhǔn)確度?？紤]印刷圖像中比較豐富和清楚的特征，挑選了下面兩種作為配準(zhǔn)的依據(jù)：

1) 線(xiàn)狀特征：主要是圖像中的邊緣和輪廓；

2) 灰度分布特征：主要包含灰度平均值、灰度標(biāo)準(zhǔn)差、灰度直方圖等。

線(xiàn)狀特征中最常用的是邊緣特征。邊緣檢測(cè)算法的數(shù)學(xué)基礎(chǔ)是導(dǎo)數(shù)，計(jì)算獲得的梯度方向可以用來(lái)表示灰度變化的方向，常用的算子有Robert算子、Sobel算子、Prewitt算子、Gauss-Laplace算子[10]。這些利用微分的算子都會(huì)使用很多乘法操作，運(yùn)算代價(jià)很高。相較之下，利用灰度形態(tài)學(xué)不僅運(yùn)算速度快、實(shí)時(shí)性強(qiáng)，而且不會(huì)像微分算法那樣對(duì)噪聲敏感，故本文借助灰度形態(tài)學(xué)中的腐蝕來(lái)提取邊緣特征。設(shè)f(x,y)表示原圖像，e(x,y) 表示用3×3的結(jié)構(gòu)元素對(duì)f(x,y)進(jìn)行腐蝕后的圖像，那么采用腐蝕提取邊緣特征可用f(x,y)-e(x,y)表示。如果對(duì)整幅圖像進(jìn)行邊緣提取，則需要大量的運(yùn)算，所以為了降低運(yùn)算量，只對(duì)邊緣特征最密集的一塊局部區(qū)域進(jìn)行提取，密集程度用邊緣像素點(diǎn)數(shù)與局部區(qū)域總像素點(diǎn)數(shù)的比值表征。經(jīng)過(guò)多次實(shí)驗(yàn)比對(duì)，選擇局部區(qū)域的大小為100×100，線(xiàn)狀特征的提取結(jié)果見(jiàn)圖6，其包含的邊緣像素點(diǎn)個(gè)數(shù)是3 054。

圖6 線(xiàn)狀特征

如本文所述，灰度分布特征主要包括灰度平均值、灰度標(biāo)準(zhǔn)差、灰度直方圖等。這些特征直接和圖像像素灰度值相關(guān)，假如圖像尺寸偏大，那么配準(zhǔn)時(shí)需要大量地搜索，可以使用局部灰度特征代替全局灰度特征來(lái)減少搜索量。印刷圖像中不同局部區(qū)域有不同的灰度分布，所以利用灰度平均值和灰度標(biāo)準(zhǔn)差來(lái)提取局部特征。對(duì)于一塊M×N的局部區(qū)域，圖像的灰度平均值可以表示為

(3)

圖像的灰度標(biāo)準(zhǔn)差可以表示為

(4)

灰度分布的特征區(qū)域應(yīng)當(dāng)是灰度值有明顯變化的部分，如果特征區(qū)域是一塊單一的背景，那么在配準(zhǔn)的時(shí)候就無(wú)法找到對(duì)應(yīng)的區(qū)域。通過(guò)比較局部區(qū)域的灰度標(biāo)準(zhǔn)差和一個(gè)標(biāo)準(zhǔn)差閾值，就能確定合適的灰度分布特征區(qū)域。選擇局部區(qū)域的大小為150×150，灰度分布特征的提取結(jié)果如圖7所示，其灰度平均值為116.24，灰度標(biāo)準(zhǔn)差為61.04。

圖7 灰度特征

2.3 圖像配準(zhǔn)

圖像配準(zhǔn)是依照模板圖像的特征在被檢測(cè)圖像中搜索對(duì)應(yīng)的區(qū)域，并糾正錯(cuò)位和偏移。前文已提取了模板圖像的線(xiàn)狀特征和灰度分布特征，接下來(lái)需要確定的就是相似性測(cè)度，用來(lái)判斷區(qū)域間的相似程度。

線(xiàn)狀特征中的特征像素點(diǎn)數(shù)遠(yuǎn)小于局部區(qū)域的總像素點(diǎn)數(shù)，因此可以采用常用的互相關(guān)相似性測(cè)度，計(jì)算量并不大，能滿(mǎn)足系統(tǒng)實(shí)時(shí)性的要求，測(cè)度函數(shù)計(jì)算公式如下：

(5)

其中：r(x,y)是被檢測(cè)圖像中一塊M×N的局部區(qū)域；t(x,y)是模板圖像中一塊M×N的特征區(qū)域。將不同的局部區(qū)域與特征區(qū)域進(jìn)行互相關(guān)計(jì)算，通過(guò)比較互相關(guān)值的大小就能確定2塊區(qū)域的相似程度。

用灰度分布特征作為配準(zhǔn)特征實(shí)際上是需要操作特征區(qū)域中的每一個(gè)像素點(diǎn)，假如使用互相關(guān)相似性測(cè)度，那么計(jì)算量會(huì)非常大。因此，針對(duì)灰度分布特征，本文設(shè)計(jì)了一種雙向差影法來(lái)計(jì)算相似性測(cè)度，測(cè)度函數(shù)是計(jì)算雙向差影圖像的非零像素點(diǎn)個(gè)數(shù)。與互相關(guān)相似性測(cè)度相比，該方法計(jì)算簡(jiǎn)單，實(shí)時(shí)性更強(qiáng)，更適合于灰度分布特征。差影是一種代數(shù)運(yùn)算，即對(duì)圖像的對(duì)應(yīng)像素點(diǎn)進(jìn)行相減的操作。當(dāng)進(jìn)行差影運(yùn)算時(shí)，不允許出現(xiàn)負(fù)的像素值，所以將差影分為正差和負(fù)差。雙向差影方法的思想是將正差和負(fù)差相結(jié)合，其具體過(guò)程是：先對(duì)模板圖像和被檢測(cè)圖像分別作正差和負(fù)差操作，再直接使正差和負(fù)差圖像相加達(dá)到合并效果。用t(x,y)表示模板圖像中一塊M×N的特征區(qū)域，r(x,y)表示被檢測(cè)圖像中一塊M×N的局部區(qū)域，p(x,y)表示正差圖像，n(x,y)表示負(fù)差圖像[11]，根據(jù)t(x,y)和r(x,y)的大小關(guān)系，正差和負(fù)差可分別表示為：

p(x,y)=t(x,y)-r(x,y)

(6)

n(x,y)=r(x,y)-t(x,y)

(7)

雙向差影圖像m(x,y)可表示為

m(x,y)=p(x,y)+n(x,y)

(8)

t(x,y)和r(x,y)越相似，則m(x,y)中非零像素點(diǎn)個(gè)數(shù)就越少，通過(guò)比較不同m(x,y)中非零像素點(diǎn)個(gè)數(shù)，就能找到與特征區(qū)域最相似的局部區(qū)域。

在進(jìn)行圖像配準(zhǔn)時(shí)，要花許多時(shí)間計(jì)算相似性測(cè)度，所以選擇適當(dāng)?shù)乃阉骺臻g對(duì)算法速度的影響大，能夠有效降低計(jì)算量。印刷在線(xiàn)檢測(cè)系統(tǒng)中實(shí)現(xiàn)的幀同步可以保證相鄰兩幀圖像的位置誤差在正負(fù)4個(gè)像素之內(nèi)，因此本文確定的搜索空間為被檢測(cè)圖像中對(duì)應(yīng)模板圖像特征區(qū)域的一個(gè)小的鄰域，設(shè)計(jì)了一種基于局部區(qū)域的圖像配準(zhǔn)算法。設(shè)特征區(qū)域大小為M×N，則搜索空間為(M+8)×(N+8)。具體的搜索配準(zhǔn)過(guò)程如下：

1) 初始位置的選擇：用t(x,y)表示模板圖像中一塊M×N的特征區(qū)域，r(x,y)表示被檢測(cè)圖像中一塊M×N的局部區(qū)域，t(x,y)首先放置在r(x,y)中對(duì)應(yīng)區(qū)域的鄰域左上角。

2) 搜索順序：t(x,y)在r(x,y)上以從左到右，從上到下，先行后列的順序滑動(dòng)。

3) 搜索策略：基于整個(gè)搜索空間做全局搜索，搜索步長(zhǎng)為1個(gè)像素點(diǎn)。

4) 配準(zhǔn)經(jīng)過(guò)：根據(jù)不同特征的相似性測(cè)度函數(shù)，計(jì)算找到t(x,y)在r(x,y)上最相似的區(qū)域，即找出與線(xiàn)狀特征具有最大互相關(guān)值的區(qū)域，找出和灰度分布特征的差影圖像具有最少非零像素點(diǎn)個(gè)數(shù)的區(qū)域。然后計(jì)算這些配準(zhǔn)區(qū)域與模板圖像中對(duì)應(yīng)特征區(qū)域的偏移量。最后對(duì)被檢測(cè)圖像進(jìn)行偏移矯正，實(shí)現(xiàn)配準(zhǔn)。

2.4 圖像匹配

在圖像配準(zhǔn)以后，模板圖像與被檢測(cè)圖像的各種特征能對(duì)應(yīng)起來(lái)，還要繼續(xù)提取缺陷像素點(diǎn)，即找出模板圖像與被檢測(cè)圖像之間的不同。常見(jiàn)的圖像匹配方法主要有相關(guān)法和差影法。相關(guān)法的準(zhǔn)確度較高，但計(jì)算時(shí)間長(zhǎng)，實(shí)時(shí)性差，不適合用于在線(xiàn)系統(tǒng)。相比之下，差影法計(jì)算速度快，實(shí)時(shí)性非常好，但是依賴(lài)于配準(zhǔn)的準(zhǔn)確度，適合于不存在大畸變的圖像之間的匹配。由于模板圖像和被檢測(cè)圖像都來(lái)自同一條印刷生產(chǎn)線(xiàn)，在形狀和圖案上沒(méi)有很大的差別，同時(shí)考慮在線(xiàn)系統(tǒng)的檢測(cè)速度，因此本研究采用差影法來(lái)實(shí)現(xiàn)匹配。

缺陷根據(jù)灰度值的大小可以分為明缺陷和暗缺陷。明缺陷是指其灰度值比背景灰度值大的缺陷；暗缺陷是指其灰度值比背景灰度值小的缺陷。提取缺陷像素點(diǎn)時(shí)，假如僅使用正差或負(fù)差操作，那么只能獲得明缺陷或暗缺陷，所以本文使用了上文提到的將正差和負(fù)差相結(jié)合的雙向差影方法。該方法能有效克服傳統(tǒng)差影法只能提取明缺陷或暗缺陷的缺點(diǎn)。算法思路：先對(duì)模板圖像和被檢測(cè)圖像分別作正差和負(fù)差操作，再直接使正差和負(fù)差圖像相加，然后找出差異大于設(shè)定閾值的區(qū)域，該區(qū)域即為缺陷區(qū)域。圖8為圖像匹配的一個(gè)示例。

圖8 圖像匹配示例

2.5 缺陷提取與特征分析

在將缺陷圖像提供給用戶(hù)之前，還要判斷缺陷類(lèi)型和計(jì)算特征參數(shù)。計(jì)算機(jī)本身無(wú)法識(shí)別缺陷，需要由人來(lái)提供評(píng)判標(biāo)準(zhǔn)。通過(guò)圖像匹配獲得的僅是對(duì)單獨(dú)缺陷像素點(diǎn)的描述，需要進(jìn)一步搜索和提取缺陷。這是一個(gè)區(qū)域分割的問(wèn)題，常用的方法主要包括區(qū)域增長(zhǎng)算法、種子填充算法等，這2種方法都比較復(fù)雜，運(yùn)算時(shí)間較長(zhǎng)。本文采用的是一種掃描行種子填充算法，和傳統(tǒng)的種子填充算法相比，不需要將種子點(diǎn)周?chē)形幢惶幚淼狞c(diǎn)壓入堆棧，只要把每個(gè)水平像素段的起點(diǎn)壓入堆棧，這樣既節(jié)省了堆?？臻g，又提高了算法效率。該算法的具體步驟如下：

1) 新建一個(gè)空的堆棧用來(lái)存放種子點(diǎn)，先將起始種子點(diǎn)(x,y)壓入堆棧。

2) 不斷取出堆棧頂元素作為當(dāng)前掃描行的種子點(diǎn)(x,y)，直到堆棧為空。

3) 從種子點(diǎn)(x,y)出發(fā)，沿當(dāng)前行分別向左、右2個(gè)方向掃描，直到邊界。分別標(biāo)記區(qū)段的左、右端點(diǎn)橫坐標(biāo)為left和right。

4) 分別檢查與當(dāng)前掃描行相鄰的y-1和y+1兩行在區(qū)間[left,right]中的像素，從left開(kāi)始向right方向掃描，若存在非邊界且未被標(biāo)記的像素點(diǎn)，則找出這些相鄰像素點(diǎn)中最右邊的一個(gè)，并將其作為新的種子點(diǎn)壓入堆棧，然后返回第2步。

經(jīng)過(guò)缺陷提取可以獲得完整的每個(gè)缺陷，需要進(jìn)一步計(jì)算各種特征參數(shù)來(lái)確定缺陷的種類(lèi)和性質(zhì)。設(shè)(xi,yi),(xj,yj)為缺陷中相距最遠(yuǎn)的像素點(diǎn)坐標(biāo)。根據(jù)上文對(duì)缺陷的比較和分析，挑選了下面6個(gè)特征參數(shù)：

1) 缺陷面積S，可以用缺陷像素點(diǎn)個(gè)數(shù)表示，通過(guò)設(shè)置一個(gè)閾值，可以區(qū)分塊狀缺陷和離散點(diǎn)缺陷。

2) 缺陷面積和長(zhǎng)度比為S/L，其中L的計(jì)算公式為

(9)

通過(guò)設(shè)置一個(gè)閾值，可以區(qū)分塊狀缺陷和線(xiàn)狀缺陷。

3) 缺陷面積和高度比為S/H，其中高度H是指y方向上的長(zhǎng)度，計(jì)算公式為

(10)

對(duì)于大面積的塊狀缺陷，如果S/H與印版寬度一致，則該缺陷可能是換卷缺陷，否則可能是臟版缺陷。

(11)

其用來(lái)區(qū)分塊狀缺陷中的飛墨和漏白缺陷，前者灰度值較低，接近0，后者則接近255。

5) 缺陷分布的長(zhǎng)度方向與水平方向的夾角β的計(jì)算公式為

(12)

該夾角可用來(lái)區(qū)分縱向的刀絲與竄墨2種缺陷與其他的線(xiàn)狀缺陷。

6) 缺陷寬度W，其計(jì)算公式為

(13)

該參數(shù)可以用來(lái)區(qū)分刀絲和竄墨，前者通常寬度很小，而后者寬度則相對(duì)大一些。

本文目前只是對(duì)常見(jiàn)的印刷缺陷作區(qū)分，并沒(méi)有涉及其他具體的缺陷，特征參數(shù)描述見(jiàn)表2。

通過(guò)計(jì)算上述的特征參數(shù)，就可以確定缺陷的類(lèi)型和相關(guān)性質(zhì)，實(shí)現(xiàn)印刷品表面的缺陷檢測(cè)。

表2 缺陷特征參數(shù)描述

3 仿真實(shí)驗(yàn)

利用大量的印刷缺陷圖像對(duì)本研究的算法進(jìn)行驗(yàn)證。下面選取幾幅典型的缺陷圖像作進(jìn)一步說(shuō)明(見(jiàn)圖9)，缺陷檢測(cè)情況見(jiàn)表3。

圖9 缺陷圖像

從表3中的數(shù)據(jù)可以看出：所選圖像中的各缺陷類(lèi)型和特征都能被分析出來(lái)，與人眼觀(guān)察的結(jié)果相同。同時(shí)，為了避免隨機(jī)性的影響，又對(duì)總計(jì)110幅印刷圖像進(jìn)行了檢測(cè)，實(shí)驗(yàn)結(jié)果如表4所示。

表3 缺陷分析

從表4中的數(shù)據(jù)可以看出：對(duì)于總共110幅印刷圖像，正確檢測(cè)概率是96.4%；漏檢概率是0.9%；虛假檢測(cè)概率是2.7%，正確檢測(cè)的概率較高，表明本文所設(shè)計(jì)的缺陷檢測(cè)方法具有可行性。

4 結(jié)束語(yǔ)

針對(duì)印刷缺陷檢測(cè)這一問(wèn)題，本文研究了基于計(jì)算機(jī)視覺(jué)的運(yùn)動(dòng)圖像實(shí)時(shí)處理算法與理論，設(shè)計(jì)了一種基于服務(wù)器/客戶(hù)端模式的分布式檢測(cè)系統(tǒng)。實(shí)驗(yàn)結(jié)果表明：本文設(shè)計(jì)的檢測(cè)系統(tǒng)能滿(mǎn)足印刷過(guò)程中檢測(cè)精度的要求，采用的圖像方法也能正確地分析缺陷的類(lèi)型和各項(xiàng)特征。

[1] 張耀五.印刷業(yè)是高新技術(shù)產(chǎn)業(yè)[J].印刷雜志，2009(4)：26-28.

[2] 劉穎.基于VC++的印刷品在線(xiàn)缺陷檢測(cè)系統(tǒng)[D].哈爾濱:哈爾濱工業(yè)大學(xué),2009.

[3] 張小軍.票據(jù)字符識(shí)別方法與應(yīng)用的研究[D].武漢:華中科技大學(xué),2006.

[4] 邊紹輝.用于啤酒瓶視覺(jué)檢測(cè)的實(shí)時(shí)圖像處理器的設(shè)計(jì)與開(kāi)發(fā)[D].杭州:浙江大學(xué),2004.

[5] 任玲輝.基于圖像處理的印刷機(jī)故障特征提取及實(shí)驗(yàn)研究[D].西安:西安理工大學(xué),2013.

[6] 尚會(huì)超.印刷圖像在線(xiàn)檢測(cè)的算法研究與系統(tǒng)實(shí)現(xiàn)[D].武漢:華中科技大學(xué),2006.

[7] 陳海松.基于計(jì)算機(jī)視覺(jué)的封裝精度檢測(cè)系統(tǒng)的設(shè)計(jì)與研究[D].哈爾濱:哈爾濱理工大學(xué),2006.

[8] 王秀麗.基于機(jī)器視覺(jué)的印刷品全畫(huà)面缺陷檢測(cè)系統(tǒng)的研究[D].汕頭:汕頭大學(xué),2011.

[9] 馬彩青.基于圖像處理的PCB缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)與研究[D].成都:西南交通大學(xué),2009.

[10]李文兵.基于小波變換的圖像邊緣檢測(cè)算法研究[D].長(zhǎng)春:長(zhǎng)春理工大學(xué)，2011.

[11]宋雪兵.基于圖像處理的印刷品缺陷檢測(cè)方法研究[D].廣州:廣東工業(yè)大學(xué),2009.

(責(zé)任編輯 林 芳)

Research on the Technology of Detecting Printing Defects Based on Computer Vision

XU Zucheng, ZHOU Xin, YUAN Suozhong, WANG Congqing, ZHANG Xiaozheng

(Department of Automatic Control, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)

According to the accuracy requirement of detecting printing defects, this paper designed a distributed detection system based on computer vision. This system was mainly composed of image acquisition module, image processing module, input and output module. At the same time, this paper studied some related algorithms of image prepossessing, feature extraction, image registration, image matching and defect detection. The experiment results clearly show that this system and those image algorithms adopted can accurately calculate various characteristic parameters and determine types of different defects and can meet the requirement of the inspection of printing flaws.

computer vision; distributed system; printing defect; image processing

2017-03-26 基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61273050，61573185)

徐足騁(1993—)，男，江蘇蘇州人，碩士研究生，主要從事圖像處理研究，E-mail:1214948639@qq.com。

徐足騁，周鑫，袁鎖中，等.基于視覺(jué)的印刷品缺陷檢測(cè)技術(shù)[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2017(8):150-157.

format：XU Zucheng, ZHOU Xin, YUAN Suozhong,et al.Research on the Technology of Detecting Printing Defects Based on Computer Vision[J].Journal of Chongqing University of Technology(Natural Science)，2017(8):150-157.

10.3969/j.issn.1674-8425(z).2017.08.025

TP18

A

1674-8425(2017)08-0150-08