基于模板匹配的啤酒箱印刷質(zhì)量檢測方案

于謙，常江，鞏雪，丁常瑜

基于模板匹配的啤酒箱印刷質(zhì)量檢測方案

于謙，常江，鞏雪，丁常瑜

（哈爾濱商業(yè)大學(xué) 輕工學(xué)院，哈爾濱 150028）

快速且精準(zhǔn)地檢測啤酒箱常見的印刷缺陷。以啤酒箱面紙為檢測目標(biāo)，通過提取模板圖像中形狀和灰度值信息構(gòu)建差異模型的模板匹配方法，對啤酒箱印刷中常見的缺陷特征進(jìn)行檢測，根據(jù)檢測結(jié)果判斷印刷質(zhì)量是否合格，并通過檢測驗(yàn)證實(shí)驗(yàn)對質(zhì)量檢測方案的效果進(jìn)行評估。通過對所采集的500張圖像進(jìn)行檢測實(shí)驗(yàn)并統(tǒng)計(jì)結(jié)果，該方法的平均準(zhǔn)確率達(dá)到96.18%，漏檢率小于0.9%，誤判率為3.08%，平均檢測耗時(shí)低于10 ms。使用該方法對啤酒箱面紙這類膠印制品進(jìn)行質(zhì)量檢測的效果優(yōu)秀且穩(wěn)定，可以對細(xì)小劃痕等高精度要求的缺陷進(jìn)行精準(zhǔn)檢測，而且檢測速度也快于其他方法。

啤酒箱；模板匹配；差異模型

啤酒作為一種日常消費(fèi)的飲品，每年會(huì)生產(chǎn)幾十億個(gè)啤酒箱，因此對啤酒箱印刷進(jìn)行質(zhì)量檢測利于良品率的控制，十分具有市場價(jià)值和環(huán)保意義。常見的傳統(tǒng)印刷品檢測方法又存在速度慢、主觀性強(qiáng)、用工成本大等弊端[1]，隨著技術(shù)的發(fā)展，機(jī)器視覺技術(shù)在印刷品的質(zhì)量檢測領(lǐng)域得到了廣泛的應(yīng)用。

劉克平等[2]通過改進(jìn)Canny算法對邊緣信息提取的能力使得模板匹配的應(yīng)用更加準(zhǔn)確快速。高聰?shù)萚3]通過結(jié)合HOG局部特征進(jìn)行二次檢測的方法大幅提高了模板匹配的檢測準(zhǔn)確率。王剛等[4]通過將曼哈頓距離替換歐氏距離從而確定匹配間的相似性度量的改進(jìn)方法解決了模板匹配容易受外界干擾的問題，大大提高了算法的穩(wěn)定性。丁筱玲等[5]針對紋理不豐富物品通過DOT算法對梯度特征進(jìn)行篩選從而提高模板匹配的檢測準(zhǔn)確率和魯棒性，王艷等[6]又針對復(fù)雜背景下準(zhǔn)確率問題提出了一種基于最大極值穩(wěn)定區(qū)域同模板匹配相結(jié)合的方法提高了復(fù)雜背景下模板匹配檢測的準(zhǔn)確率和魯棒性。目前，模板匹配算法的發(fā)展雖已較為成熟，但在印刷品質(zhì)量檢測領(lǐng)域的應(yīng)用仍有短缺，故此文中使用改進(jìn)后的模板匹配方法完成在啤酒箱印刷質(zhì)量檢測上的應(yīng)用。

1 質(zhì)量檢測方案的整體設(shè)計(jì)

1.1 檢測目標(biāo)與需求分析

市場上售賣的主流幾款啤酒的包裝箱的制作均由預(yù)印工藝完成，因此，對啤酒箱印刷質(zhì)量檢測就是對啤酒箱面紙的檢測，判斷面紙?jiān)谟∷⑦^程中是否存在如圖1所示的如污點(diǎn)、劃痕、污團(tuán)、異物等缺陷特征[7]。

通過在工廠對啤酒箱面紙印刷的實(shí)際考察，可以明確對啤酒箱印刷質(zhì)量檢測的實(shí)際需求：檢測精度小于0.2 mm×0.2 mm、檢測速度大于120 m/min、檢測幅面大于260 mm×260 mm。

1.2 圖像采集裝置

根據(jù)啤酒箱檢測幅面與檢測精度要求等實(shí)際情況確定合適的硬件設(shè)備，作為采集優(yōu)質(zhì)清晰圖像的裝置，相機(jī)選用MER-502-79U3C-L工業(yè)相機(jī)，鏡頭選用12 mm定焦鏡頭，光源選擇飛利浦D65高顯色線性LED光源，考慮面紙由膠印完成印刷會(huì)存在反光現(xiàn)象，因此選取40°入射角的照明方式完成對啤酒箱面紙的圖像采集。

1.3 基于模板匹配的印刷質(zhì)量檢測流程

整個(gè)基于差異模型（Variation Model）的模板匹配算法可以分為制作差異模型的模板部分和基于差異模型對待檢測圖像匹配對比部分。

如圖2所示，首先輸入模板圖像，分割模板圖像中的主要檢測區(qū)域即感興趣區(qū)域（ROI）[8]，獲取ROI中的邊緣輪廓信息和灰度值信息，結(jié)合2種信息生成作為模板的差異模型。然后輸入待檢測圖像，將待檢測圖像與差異模型根據(jù)輪廓進(jìn)行定位與對齊，并以差異模型為基準(zhǔn)放縮待檢測圖像的灰度值范圍使待檢測圖像與模型在同一范圍內(nèi)進(jìn)行對比，對比后將存在灰度值異常的區(qū)域可歸類為存在缺陷，即該產(chǎn)品質(zhì)量不合格。

2 基于差異模型的模板匹配

2.1 圖像的采集與檢測區(qū)域的選取

通過搭建好的圖像采集裝置對啤酒箱面紙進(jìn)行圖像采集，所采集的啤酒箱面紙?jiān)紙D像見圖3。

感興趣區(qū)域的選取對模板匹配算法十分重要，選取合適的區(qū)域作為感興趣區(qū)域有利于模板模型的制作以及后續(xù)匹配對比的速度。首先通過最大類間方差 法[9]對選取的模板圖像進(jìn)行閾值分割，初始化閾值并計(jì)算前景與背景區(qū)域像素占比0與1為：

(1)

根據(jù)前景區(qū)域?qū)?yīng)的平均灰度值0與后景對應(yīng)的1計(jì)算整幅圖像總平均灰度：

(2)

根據(jù)式（1—2）計(jì)算求得類間方差：

(3)

通過上述步驟對圖像進(jìn)行遍歷求得的最大值即最大類間方差，以此確定最佳閾值。根據(jù)最佳閾值將圖像二值化分割為前景區(qū)域與背景區(qū)域，分割效果見圖4。

觀察前景區(qū)域圖像，紅色為印刷圖像的主要信息，藍(lán)色為背景區(qū)域。其中有多個(gè)區(qū)域黏連在一起不利于后續(xù)主要信息區(qū)域的分割，因此使用半徑為1.5的圓形結(jié)構(gòu)元素對前景區(qū)域圖像進(jìn)行腐蝕處理[10]，(,)為輸入圖像，(,)為掩膜核，錨點(diǎn)定位于坐標(biāo)(a,a)之上：

圖1 啤酒箱面紙常見缺陷特征

圖2 基于差異模型的模板匹配工作流程

圖3 啤酒箱面紙?jiān)紙D像

圖4 最大類間方差法分割效果

(4)

腐蝕處理后的效果見圖5，主要圖像信息區(qū)域減少了像素的黏連。將腐蝕后的圖像進(jìn)行分割連通域[11]處理，使周圍8個(gè)像素沒有灰度信息的區(qū)域獨(dú)立化，并以不同顏色進(jìn)行區(qū)分，其獨(dú)立化效果見圖6。

比如，當(dāng)全新X7和X5并排擺放，除了產(chǎn)品定位差異，我更容易發(fā)現(xiàn)BMW品牌SUV家族設(shè)計(jì)語言的進(jìn)化成果差異。比如，全新911那更寬的車身寬度、更性感的腰部線條以及更簡潔有力的內(nèi)飾造型，實(shí)車視覺效果一目了然。比如，美國初創(chuàng)電動(dòng)車品牌Rivian的皮卡和SUV概念車，看上去比圖片上更協(xié)調(diào)也更呆萌。比如，保時(shí)捷911、奔馳GLE、馬自達(dá)3等全新車型的信息交互系統(tǒng)的初步體驗(yàn)，則是拿著手機(jī)看視頻所難以意淫的。

圖5 腐蝕處理效果

Fig.5 Effect of corrosion treatment

圖6 分割連通域效果

觀察分割連通域后的圖像，紅色的區(qū)域多數(shù)為非主要的圖像信息，因此對剩余的獨(dú)立連通域進(jìn)行面積特征的篩選，將像素面積過小或過大的區(qū)域進(jìn)行過濾篩選，達(dá)到只保留主要圖像信息和消除噪聲的影響的效果，篩選后的效果見圖7。

最終以剩余的主要圖像信息為主體畫最小外接矩形與最小外接圓，并求得二者的交集即為分割后的感興趣區(qū)域，分割后的效果見圖8，后續(xù)以此ROI用作模板差異模型的制作。

圖7 面積特征篩選效果

圖8 分割提取的ROI

2.2 差異模型的模板制作

差異模型的制作需要提取ROI中的邊緣輪廓信息，首先創(chuàng)建一個(gè)形狀模板，創(chuàng)建一個(gè)可放縮變形的形狀模型見圖9，用于后續(xù)匹配對比時(shí)的金字塔搜索。通過放射變換[12]可以將可放縮形狀模型進(jìn)行平面內(nèi)的移動(dòng)，見圖10。

圖9 可放縮形狀模型

圖10 仿射變換

觀察可放縮形狀模型，輪廓邊緣信息有所丟失，為制作含有完整邊緣信息的差異模型，文中通過使 用Sobel邊緣算法對模板圖像進(jìn)行輪廓邊緣信息的提取[13]，通過與2種作為邊緣檢測濾波器的卷積因子對圖像中每個(gè)像素進(jìn)行卷積處理，與2個(gè)卷積因子均為三階矩陣，使用2個(gè)卷積因子對模板圖像中每個(gè)像素進(jìn)行卷積，G與G分別為從橫向和縱向進(jìn)行卷積后像素的灰度值結(jié)果，根據(jù)式（9）將橫向與縱向的卷積結(jié)果計(jì)算求得該像素點(diǎn)的灰度大?。?/p>

(5)

通過Sobel算子對模板圖像卷積后將噪聲進(jìn)行了平滑處理，且能夠提供精確的圖像邊緣信息，從而為差異模型的制作提供了完整的邊緣信息，其效果見圖11。

總而言之，情緒管理對于大班幼兒的心理健康成長有著極其重要的作用。文章先分析了大班幼兒的情緒特點(diǎn)，然后從營造良好情緒氛圍、教會(huì)情緒管理方法、加強(qiáng)家園合作力度方面提出了大班幼兒情緒管理能力培養(yǎng)對策，以供其他幼兒教師參考借鑒。

圖11 Sobel提取的完整邊緣信息

Fig.11 Complete edge information extracted by Sobel

對差異模型輸入邊緣輪廓信息后，通過考慮實(shí)際情況與技術(shù)需求確定獲取差異模型的灰度值信息的絕對閾值和相對閾值。其中絕對閾值（AbsThreshold）為當(dāng)前圖像與模板圖像之間可以存在的最小絕對灰度值差，相對閾值（VarThreshold）是待檢測圖像與差異模型中模板圖像之間存在的最小相對灰度值差。

若(,)為模板圖像，(,)為差異模型，為絕對閾值，為相對閾值，計(jì)算最大灰度值圖像u(,)與最小灰度值圖像l(,)的公式為：

(6)

(7)

通過確定2個(gè)閾值可以得到檢測區(qū)域中灰度值最大極限的圖像與灰度值最小極限的圖像，其效果見圖12—13。

圖12 最大灰度值圖像

圖13 最小灰度值圖像

通過提取的模板圖像中的邊緣信息與灰度值信息綜合訓(xùn)練得到作為模板的差異模型，并以句柄（VariationID）的形式直接保存在內(nèi)存中。

2.3 基于差異模型的匹配對比

基于差異模型的匹配對比主要可分為2步：先是進(jìn)行基于形狀的模板匹配，以此對待檢測圖像進(jìn)行定位[14]，將待檢測圖像與模型進(jìn)行完全對齊；然后在完全對齊的情況下對比兩者的灰度值差異，若灰度值差異過大則判定該區(qū)域存在缺陷特征。

先用Sobel算子對理想圖像和待檢測圖像進(jìn)行邊緣檢測，并計(jì)算其方向向量，然后根據(jù)不受遮 擋和混亂所影響的相似度量進(jìn)行形狀輪廓的搜尋與匹配。

定義模板圖像像素點(diǎn)集=(r,ci)T，其中每個(gè)像素點(diǎn)所對應(yīng)的梯度向量點(diǎn)集=(t,u)T，1,2,...,，待檢測圖像所對應(yīng)的點(diǎn)為(,)，通過Sobel算子卷積后的像素點(diǎn)對應(yīng)梯度向量為r,c(r,c,r,c)T，與分別為模型經(jīng)過仿射變換后的像素點(diǎn)集與對應(yīng)的梯度向量，根據(jù)模板圖像中的點(diǎn)與待檢測圖像中對應(yīng)點(diǎn)的梯度向量的內(nèi)積和最終得到避免混亂和異物干擾的相似度量為：

(8)

通過最小二乘法調(diào)整匹配參數(shù)，從而達(dá)到比搜索空間還要精確的亞像素精度等級的位姿[15]，并減少金字塔搜索策略進(jìn)行匹配的計(jì)算量，最終達(dá)到對待檢測圖像精準(zhǔn)且快速定位的目的。

完成對待檢測圖像的定位后通過一個(gè)由旋轉(zhuǎn)和平移組成的剛性仿射變換，將兩者進(jìn)行空間意義上的完全對齊，這個(gè)齊次變換矩陣2D由一個(gè)旋轉(zhuǎn)矩陣和一個(gè)平移向量2個(gè)分量組合而成，齊次變換矩陣的計(jì)算式為：

(9)

想要對比待檢測圖像與差異模型的灰度值信息，需要將兩者的灰度值范圍對齊，以差異模型的灰度值范圍為基準(zhǔn)，放縮待檢測圖像的灰度值范圍以抵消諸如仿射變換等算法帶來的影響[16]。

若為感興趣區(qū)域，為計(jì)算區(qū)域的像素點(diǎn)，為該點(diǎn)的灰度值，為整個(gè)區(qū)域的面積，然后通過式（10—11）去分別計(jì)算前景與背景的主次灰度值即平均值1和偏差。

(10)

(11)

然后通過最大類間方差法將圖像分為前景和背景區(qū)域，fore為前景區(qū)域平均灰度值，back為背景區(qū)域灰度平均值，fore與back分別為前景區(qū)域的灰度偏差和背景區(qū)域的灰度偏差，并以此計(jì)算得到比例因子t與偏離量：

(12)

(13)

以差異模型為基準(zhǔn)對輸入的待檢測圖像進(jìn)行灰度值映射，即灰度值范圍的放縮處理，放縮后對應(yīng)像素點(diǎn)的灰度值為，計(jì)算公式為：

(14)

經(jīng)過上述處理使得待檢測圖像的灰度值范圍與差異模型的灰度值范圍完全對齊。在同一灰度值范圍內(nèi)，輸入的當(dāng)前待檢測圖像(,)與差異模型的(,)進(jìn)行比較：

(15)

將所有小于差異模型中最小灰度值圖像對應(yīng)的區(qū)域與大于差異模型中最大灰度值圖像所對應(yīng)區(qū)域的區(qū)域總和進(jìn)行輸出，輸出的部分為灰度值存在異?，F(xiàn)象的區(qū)域，即被檢測出存在缺陷特征的區(qū)域，并通過篩選面積特征達(dá)到控制檢測精度的目的。

3 啤酒箱印刷質(zhì)量檢測實(shí)驗(yàn)

輸入大量樣品圖像對文中檢測方法進(jìn)行實(shí)驗(yàn)，并驗(yàn)證效果，分別挑選了具有代表性的雪花原汁麥啤酒

箱面紙圖像進(jìn)行檢測，效果見圖14。

從所有采集的圖像中抽選500張圖像，不存在缺陷的圖像為100張，對每張存在缺陷的圖像中獨(dú)立缺陷特征記為一處缺陷，據(jù)統(tǒng)計(jì)共973處缺陷特征，即檢測實(shí)驗(yàn)的樣本總?cè)萘繛?073。對檢測結(jié)果進(jìn)行統(tǒng)計(jì)，對973處缺陷特征共檢測出965處，平均準(zhǔn)確率達(dá)到96.18%，漏檢率為0.82%，誤判率為3.08%，且平均檢測耗時(shí)不高于10 ms。

為驗(yàn)證檢測算法的適用性和兼容性，對另一款不同尺寸，不同圖案的啤酒箱進(jìn)行檢測，其檢測效果見圖15。如實(shí)驗(yàn)的檢測結(jié)果所示，證明了該檢測算法的有效性與適用性。

圖14 雪花原汁麥面紙檢測效果

圖15 雪花勇闖天涯面紙檢測效果

4 結(jié)語

基于差異模型的模板匹配算法在啤酒箱印刷質(zhì)量檢測上展現(xiàn)了優(yōu)秀的檢測效果，整套檢測方案檢測速度快、準(zhǔn)確率高、漏檢率低、檢測精度高各方面都滿足于實(shí)際生產(chǎn)中的技術(shù)要求。準(zhǔn)確率損失主要集中在誤判率上，由于精度要求過高對有些沒有缺陷的地方進(jìn)行了誤判，主要因素在于環(huán)境因素的干擾，后續(xù)對硬件設(shè)備進(jìn)行改進(jìn)有利于抵抗環(huán)境的干擾。

[1] 周繼彥, 余正泓. 基于圖像處理的包裝印刷缺陷檢測方法[J]. 包裝工程, 2017, 38(9): 240-244.

ZHOU Ji-yan, YU Zheng-hong. Package Printing Defect Detection Method Based on Image Processing[J]. Packaging Engineering, 2017, 38(9): 240-244.

[2] 劉克平, 李西衛(wèi), 隋吉雷, 等. 基于改進(jìn)Canny算法的工件邊緣檢測方法[J]. 廣西大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017(6): 2022-2029.

LIU Ke-ping, LI Xi-wei, SUI Ji-lei, et al. Workpiece Edge Detection Method Based on Improved Canny Algorithm[J]. Journal of Guangxi University (Natural Science Edition), 2017(6): 2022-2029.

[3] 高聰, 王福龍. 基于模板匹配和局部HOG特征的車牌識別算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2017, 26(1): 122-128.

GAO Cong, WANG Fu-long. Algorithm of License Plate Recognition Based on Template Matching and Local HOG Feature[J]. Computer Systems & Applications, 2017, 26(1): 122-128.

[4] 王剛, 孫曉亮, 尚洋, 等. 一種基于最佳相似點(diǎn)對的穩(wěn)健模板匹配算法[J]. 光學(xué)學(xué)報(bào), 2017, 37(3): 274-280.

WANG Gang, SUN Xiao-liang, SHANG Yang, et al. A Robust Template Matching Algorithm Based on Best-Buddies Similarity[J]. Acta Optica Sinica, 2017, 37(3): 274-280.

[5] 丁筱玲, 趙強(qiáng), 李貽斌, 等. 基于模板匹配的改進(jìn)型目標(biāo)識別算法[J]. 山東大學(xué)學(xué)報(bào)(工學(xué)版), 2018, 48(2): 1-7.

DING Xiao-ling, ZHAO Qiang, LI Yi-bin, et al. Modified Target Recognition Algorithm Based on Template Matching[J]. Journal of Shandong University (Engineering Science), 2018, 48(2): 1-7.

[6] 王艷, 謝廣蘇, 沈曉宇. 一種基于MSER和SWT的新型車牌檢測識別方法研究[J]. 計(jì)量學(xué)報(bào), 2019, 40(1): 82-90.

WANG Yan, XIE Guang-su, SHEN Xiao-yu. A New Vehicle License Plate Recognition Method Based on MSER and SWT[J]. Acta Metrologica Sinica, 2019, 40(1): 82-90.

[7] 陳亞軍, 張二虎. 基于圖像處理的印刷缺陷在線檢測系統(tǒng)研究[J]. 包裝工程, 2005, 26(6): 64-66.

CHEN Ya-jun, ZHANG Er-hu. Research On-Line Defect Detection System for Printed-Matter Based on Image Processing[J]. Packaging Engineering, 2005, 26(6): 64-66.

[8] 胡方尚, 郭慧, 邢金鵬, 等. 基于印刷缺陷檢測的圖像配準(zhǔn)方法研究[J]. 光學(xué)技術(shù), 2017, 43(1): 16-21.

HU Fang-shang, GUO Hui, XING Jin-peng, et al. Research on Image Registration Method Based on Printing Defect Detection[J]. Optical Technique, 2017, 43(1): 16-21.

[9] YANG Shan-tang, DAO Hua-xia, GUI Yang-zhang, et al. The Detection Method of Lane Line Based on the Improved Otsu Threshold Segmentation[J]. Applied Mechanics and Materials, 2015, 3844: 354-358.

[10] 文昊天, 王小鵬, 楊文婷, 等. 基于橢圓結(jié)構(gòu)元素的自適應(yīng)形態(tài)學(xué)運(yùn)算方法[J]. 傳感器與微系統(tǒng), 2021, 40(2): 150-153.

WEN Hao-tian, WANG Xiao-peng, YANG Wen-ting, et al. Adaptive Morphological Operation Method Based on Elliptical Structuring Elements[J]. Transducer and Microsystem Technologies, 2021, 40(2): 150-153.

[11] 甘玲, 林小晶. 基于連通域提取的車牌字符分割算法[J]. 計(jì)算機(jī)仿真, 2011, 28(4): 336-339.

GAN Ling, LIN Xiao-jing. License Plate Character Segmentation Based on Connected Component Extraction[J]. Computer Simulation, 2011, 28(4): 336-339.

[12] 李玉峰, 李廣澤, 谷紹湖, 等. 基于區(qū)域分塊與尺度不變特征變換的圖像拼接算法[J]. 光學(xué)精密工程, 2016, 24(5): 1197-1205.

LI Yu-feng, LI Guang-ze, GU Shao-hu, et al. Image Mosaic Algorithm Based on Area Blocking and SIFT[J]. Optics and Precision Engineering, 2016, 24(5): 1197-1205.

[13] RANA H, NEERU N. A Comprehensive Review of Sobel Edge Detector Using Gray Scale Images[J]. Research Cell: An International Journal of Engineering Sciences, 2016, 22: 688-692.

[14] 白冰峰, 溫秀蘭, 張中輝. 基于Haar小波和形狀模板的圖像快速匹配算法[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2017(2): 37-40.

BAI Bing-feng, WEN Xiu-lan, ZHANG Zhong-hui. Fast Image Matching Algorithm Based on Wavelet and Shape Template[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2017(2): 37-40.

[15] 胡方尚, 郭慧. 基于ROI模板的印刷品圖像配準(zhǔn)方法[J]. 東華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 42(4): 582-586, 592.

HU Fang-shang, GUO Hui. Printing Image Registration Based on ROI Template[J]. Journal of Donghua University (Natural Science Edition), 2016, 42(4): 582-586.

[16] 馬倩茹, 冶繼民. FastICA算法的收斂性與一致性分析[J]. 計(jì)算機(jī)工程與應(yīng)用, 2020, 56(2): 35-41.

MA Qian-ru, YE Ji-min. Convergence and Consistency Analysis of FastICA Algorithm[J]. Computer Engineering and Applications, 2020, 56(2): 35-41.

Quality Inspection Scheme for Beer Box Printing Based on Template Matching

YU Qian, CHANG Jiang, GONG Xue, DING Chang-yu

(School of Light Industry, Harbin University of Commerce, Harbin 150028, China)

The work aims to quickly and accurately detect common printing defects in beer box. With beer box surface paper as the detection target, the common defect features in beer box printing were detected by the template matching method of constructing variation model by extracting the shape and gray value information from the template image. Printing quality was judged according to the defect inspection results, and the effect of the quality inspection scheme was evaluated through inspection and verification experiment. According to the test experiment and accounting of the 500 images collected, the average accuracy of this method was 96.18%, the rate of missed detection was less than 0.9%, the rate of misjudgment was 3.08%, and the average detection time was less than 10 ms. Detecting quality of offset printing products such as beer box surface paper with this method has excellent and stable results. It can accurately detect the defects with high precision requirement, such as small scratches, and the detection speed is faster than other methods.

beer box; template matching; variation model

TB487

A

1001-3563(2022)03-0290-07

10.19554/j.cnki.1001-3563.2022.03.036

2021-07-27

國家自然科學(xué)基金（51802061）

于謙（1996—），男，哈爾濱商業(yè)大學(xué)碩士生，主攻機(jī)器視覺。

常江（1982—），男，博士，哈爾濱商業(yè)大學(xué)副教授、碩導(dǎo)，主要研究方向?yàn)橹悄苋藱C(jī)交互技術(shù)。