基于非線性擴(kuò)散與圖像配準(zhǔn)的印刷品表面缺陷檢測(cè)

邢旭朋

(西安工程大學(xué) 機(jī)電工程學(xué)院， 陜西 西安 710048)

隨著科技的快速發(fā)展，印刷產(chǎn)品越來(lái)越趨于自動(dòng)化生產(chǎn)，同時(shí)工業(yè)上對(duì)于印刷品的質(zhì)量要求也相對(duì)應(yīng)有所提高。在印刷的過(guò)程中，由于各種因素(人為、設(shè)備或者原材料等)，不可避免地會(huì)使得印刷產(chǎn)品表面產(chǎn)生一些缺陷，常見的缺陷有：飛墨、針孔、偏色、漏印、黑點(diǎn)、刮擦和套印不全等[1]。對(duì)于印刷品的缺陷檢測(cè)，傳統(tǒng)方法主要是依靠人工檢測(cè)，但是該方法成本較高、效率低下，而且人長(zhǎng)時(shí)間工作容易產(chǎn)生疲勞，不可避免地就會(huì)出現(xiàn)誤檢和漏檢，很難滿足現(xiàn)在高速發(fā)展的生產(chǎn)需求。而為了保障印刷產(chǎn)品的質(zhì)量及提高效率，將機(jī)器視覺(jué)引入到了工業(yè)生產(chǎn)當(dāng)中，大大減少了人力勞動(dòng)。

筆者設(shè)計(jì)了一種利用改進(jìn)的P-M非線性擴(kuò)散模型[2]與圖像差分模型配準(zhǔn)的方法對(duì)印刷品的表面缺陷進(jìn)行檢測(cè)，最后通過(guò)仿真案列對(duì)該方法進(jìn)行驗(yàn)證。

1 檢測(cè)系統(tǒng)的實(shí)驗(yàn)平臺(tái)搭建

檢測(cè)系統(tǒng)主要采用Halcon圖像處理軟件來(lái)搭建，其檢測(cè)原理為：首先相機(jī)通過(guò)驅(qū)動(dòng)軸上的編碼器實(shí)時(shí)觸發(fā)來(lái)采集圖像，將采集得到的圖像傳輸?shù)焦た貦C(jī)上，運(yùn)用改進(jìn)的P-M模型對(duì)其進(jìn)行預(yù)處理，增強(qiáng)缺陷區(qū)域的對(duì)比度；通過(guò)模板匹配算法定位到缺陷區(qū)域，最后通過(guò)圖像配準(zhǔn)算法檢測(cè)到缺陷區(qū)域的特征值并輸出檢測(cè)結(jié)果。該檢測(cè)系統(tǒng)的硬件主要包括相機(jī)(邁德威視500萬(wàn)級(jí)的千兆網(wǎng)工業(yè)相機(jī)，分辨率為2 448像素×2 048像素)，鏡頭(焦距3.5～8.0 mm，手動(dòng)調(diào)節(jié))，光源(LED條形光源)。檢測(cè)的產(chǎn)品為工業(yè)上常用的鋰電池標(biāo)簽(尺寸400 mm×200 mm，檢測(cè)精度為400 μm)。實(shí)驗(yàn)平臺(tái)如圖1所示。

圖1 實(shí)驗(yàn)平臺(tái)Figure 1 Experimental platform

2 印刷品表面缺陷檢測(cè)方法設(shè)計(jì)

2.1 表面缺陷檢測(cè)流程

如圖2所示，文中印刷品的缺陷檢測(cè)主要包括3個(gè)階段，依次為創(chuàng)建模板、定位和圖像配準(zhǔn)檢測(cè)。具體過(guò)程為：首先對(duì)6～7張OK品級(jí)的圖像進(jìn)行訓(xùn)練得到標(biāo)準(zhǔn)圖像，對(duì)標(biāo)準(zhǔn)圖像進(jìn)行Blob分析定位，得到標(biāo)簽所在的區(qū)域，并生成配準(zhǔn)和檢測(cè)模板，記為標(biāo)準(zhǔn)模板圖像；然后利用非線性擴(kuò)散模型的方法，在保持非缺陷區(qū)域平滑程度不變的情況下，對(duì)待測(cè)圖像進(jìn)行平滑后，將原始圖像與擴(kuò)散后的圖像做差分運(yùn)算增強(qiáng)缺陷區(qū)域的對(duì)比度，得到差分圖像；最后將差分圖像與標(biāo)準(zhǔn)模板圖像進(jìn)行配準(zhǔn)，檢測(cè)出缺陷所在的區(qū)域特征值以便分析硬件設(shè)備對(duì)于印刷品印刷質(zhì)量的影響。

圖2 檢測(cè)流程Figure 2 Testing process

2.2 非線性擴(kuò)散模型(P-M模型)

圖像預(yù)處理后，利用改進(jìn)的非線性擴(kuò)散模型對(duì)缺陷區(qū)域進(jìn)行平滑和銳化處理，然后以圖像差分的方法增強(qiáng)缺陷的對(duì)比度。

P-M模型是數(shù)學(xué)中常用的非線性擴(kuò)散模型[3-4]，表達(dá)式為：

(1)

表達(dá)式為：

(2)

式中t為一個(gè)常數(shù)。

P-M模型對(duì)應(yīng)的離散解為[5-6]:

誰(shuí)都聽得出來(lái)這是一句玩笑話，可周暄的臉卻一下子陰沉下來(lái)，一口氣喝干杯子里的燒酒，又倒了一杯，酒勁上來(lái)，他端著杯子走到那人邊上：“能娶到朝敏這么好的老婆，那是我的福氣，來(lái)，跟我干三杯，你也一樣能找到這么好的老婆，就不用總惦記別人家的老婆了?！?/p>

(3)

表達(dá)式為：

(4)

(5)

筆者為了提高算法的檢測(cè)效率以及魯棒性，用求中心差值的方法來(lái)替換傳統(tǒng)的前后項(xiàng)差值的方法。式(4)表明，相比于傳統(tǒng)方法，改進(jìn)的方法準(zhǔn)確性更高；且如圖3所示，當(dāng)隨機(jī)噪聲與真實(shí)邊緣出現(xiàn)在水平方向時(shí)，傳統(tǒng)方法容易引起誤檢。

圖3 真實(shí)邊緣與隨機(jī)噪聲示意圖Figure 3 Schematic diagram of real edge and random noise

為準(zhǔn)確得到某像素點(diǎn)的4個(gè)鄰點(diǎn)的最鄰近差分值,采用中心差值法[7-8]，表達(dá)式為：

(6)

由圖3(a)所示，對(duì)于真實(shí)的邊緣，公式為：

(7)

中心差值法求得的隨機(jī)噪聲與真實(shí)邊緣的通量值為：

(8)

2.3 圖像差分

假設(shè)原始圖像為lε(x,y)，經(jīng)過(guò)改進(jìn)的P-M模型對(duì)原始圖像lε(x,y)進(jìn)行擴(kuò)散后得到的圖像為lf(x,y)。繼而對(duì)lε(x,y)與lf(x,y)進(jìn)行圖像的差分運(yùn)算，來(lái)對(duì)缺陷區(qū)域的對(duì)比度進(jìn)行增強(qiáng)。

圖像lε(x,y)與lf(x,y)的差分運(yùn)算公式為[9]：

(9)

2.4 圖像配準(zhǔn)

在通過(guò)P-M模型得到差分圖像后，利用仿射變換將差分圖像變換到標(biāo)準(zhǔn)圖像的位置，使得到的差分圖像與標(biāo)準(zhǔn)模板圖的圖像數(shù)據(jù)在空間上一一對(duì)應(yīng)，然后根據(jù)標(biāo)準(zhǔn)模板圖與差分圖像之間的像素?cái)?shù)據(jù)差異判別此待測(cè)圖有無(wú)缺陷，從而實(shí)現(xiàn)印刷產(chǎn)品表面的缺陷檢測(cè)。差分圖像D(i,j)為模板圖像T(i,j)與待檢測(cè)圖像S(i,j)匹配相減后得到的差：

D(i,j)=|S(i,j)-T(i,j)|。

(10)

D(i,j)值越小，說(shuō)明差分圖像與標(biāo)準(zhǔn)模板圖像對(duì)應(yīng)的像素值的差別越小，2副圖越相似[10-13]。

3 實(shí)驗(yàn)驗(yàn)證分析

筆者以鋰電池標(biāo)簽表面的缺陷檢測(cè)為案列，對(duì)所提出的方法進(jìn)行驗(yàn)證。實(shí)驗(yàn)選取漏印、墨點(diǎn)、刮擦等缺陷模式的鋰電池標(biāo)簽進(jìn)行試驗(yàn)。實(shí)驗(yàn)步驟為：

1) 圖像灰度化，然后預(yù)處理進(jìn)行去噪。

2) 使用非線性擴(kuò)散模型以及圖像差分將缺陷區(qū)域的對(duì)比度增強(qiáng)。

3) 通過(guò)圖像配準(zhǔn)的方法檢測(cè)出缺陷區(qū)域特征值。

實(shí)驗(yàn)中將筆者所設(shè)計(jì)的方法與文獻(xiàn)[14]和文獻(xiàn)[1]中的方法進(jìn)行對(duì)比，更直觀地突出筆者改進(jìn)的設(shè)計(jì)方法的優(yōu)點(diǎn)。文獻(xiàn)[14]將基于形狀的模板匹配算法創(chuàng)建多個(gè)特征區(qū)域并依次進(jìn)行配準(zhǔn)，根據(jù)配準(zhǔn)數(shù)據(jù)獲得變換矩陣，既而通過(guò)仿射變換，完成模板匹配的過(guò)程，得到缺陷檢測(cè)的區(qū)域，該方法具有一定的實(shí)用性。文獻(xiàn)[1]首先手動(dòng)定位區(qū)域特征，然后通過(guò)基于形狀的模板匹配算法來(lái)快速匹配，利用灰度值差影算法來(lái)進(jìn)行缺陷檢測(cè)，此方法能夠理論聯(lián)系實(shí)際，具有一定的實(shí)踐經(jīng)驗(yàn)。

從圖4～5的檢測(cè)結(jié)果可知，3種方法對(duì)缺陷檢測(cè)都有效果。然而，各個(gè)方法檢測(cè)的效果并不相同，在圖4(b)中，文獻(xiàn)[14]中的方法只能檢測(cè)較為明顯的缺陷，存在缺陷丟失的現(xiàn)象。在圖4(c)中，文獻(xiàn)[1]的方法檢測(cè)效果較好，但是仍存在檢測(cè)不全以及缺陷區(qū)域邊緣信息丟失的情況。而在圖4(d)和圖5(d)中，筆者所提出的檢測(cè)方法能完整地檢測(cè)出缺陷區(qū)域，效果明顯要優(yōu)于另外2種檢測(cè)方法。該檢測(cè)方法提高了檢測(cè)精度(準(zhǔn)確率高達(dá)99.97%)，同時(shí)保持了檢測(cè)的速度，滿足工業(yè)上的生產(chǎn)質(zhì)量要求。

圖4 劃痕缺陷檢測(cè)效果對(duì)比Figure 4 Comparison of detection effects of scratch defects

圖5 墨點(diǎn)與劃痕混合缺陷檢測(cè)效果對(duì)比Figure 5 Comparison of detection effect between ink spot and scratch mixed defect

4 結(jié)論

筆者提出了一種基于改進(jìn)Perona-Malik(P-M)非線性擴(kuò)散模型與圖像差分模型配準(zhǔn)的印刷品表面缺陷檢測(cè)方法。將采集完好的圖像進(jìn)行圖像平均運(yùn)算，并將該平均圖像建為模板；其次對(duì)待測(cè)圖像進(jìn)行預(yù)處理，將缺陷區(qū)域用改進(jìn)后的非線性擴(kuò)散模型進(jìn)行平滑；繼而將原始圖像與非線性模型擴(kuò)散后的圖像進(jìn)行差分，增強(qiáng)了缺陷區(qū)域的對(duì)比度；最后在將得到的差分圖像與開始時(shí)創(chuàng)建的模板圖像進(jìn)行比對(duì)，得到缺陷區(qū)域。經(jīng)實(shí)驗(yàn)驗(yàn)證，筆者所設(shè)計(jì)的方法相比傳統(tǒng)方法提高了精度(準(zhǔn)確率高達(dá)99.97%)，且有較高的速度，能夠滿足一般工業(yè)缺陷檢測(cè)的需求。