紙塑復(fù)合袋表面缺陷圖像的梯度投影差值篩選方法

嚴(yán)國(guó)平李京鐘飛吳世燃, 楊小俊

紙塑復(fù)合袋表面缺陷圖像的梯度投影差值篩選方法

嚴(yán)國(guó)平1，李京1，鐘飛1，2，吳世燃1, 楊小俊1

（1.湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院，武漢 430068；2. 襄陽(yáng)湖北工業(yè)大學(xué)產(chǎn)業(yè)研究院，湖北 襄陽(yáng) 441100）

為了解決紙塑復(fù)合袋的缺陷圖像篩選效率低、精度差等問(wèn)題，提出一種基于梯度投影差值的紙塑復(fù)合袋表面缺陷圖像篩選方法。首先采集紙塑復(fù)合袋圖像，并利用Sobel算子函數(shù)得到其梯度幅值圖像，使用水平投影和垂直投影計(jì)算公式，計(jì)算獲取的梯度幅值圖像信息，得出圖像水平和垂直方向的投影均值，采集缺陷圖像中具有豐富梯度信息的特點(diǎn)，分析梯度投影均值的差值，根據(jù)圖像信息計(jì)算出閾值，通過(guò)比較投影差值和閾值，完成圖像的篩選。針對(duì)此次采集的缺陷圖像，當(dāng)投影差值閾值設(shè)置在0.014 6～0.018 9內(nèi)時(shí)，可以篩選出表面缺陷的圖像。相較于差影法，該方法的篩選正確率提高了約10%，圖片篩選時(shí)間加快了1.5 s。文中提出的梯度投影差值方法與差影法相比，具有圖像篩選正確率高、篩選速度快等優(yōu)點(diǎn)，滿足圖像篩選在工業(yè)生產(chǎn)上的需求。

紙塑復(fù)合袋；缺陷檢測(cè)；圖像篩選

紙塑復(fù)合袋廣泛應(yīng)用于食品包裝、航空、科技、軍工等領(lǐng)域[1-4]。目前，受到生產(chǎn)設(shè)備、加工工藝等因素的影響，紙塑復(fù)合袋表面存在較多種類的缺陷，如褶皺、破皮、孔洞、臟點(diǎn)等，這嚴(yán)重影響其外觀和質(zhì)量。為了確保紙塑復(fù)合袋的質(zhì)量，必須對(duì)紙塑復(fù)合袋的生產(chǎn)過(guò)程進(jìn)行實(shí)時(shí)檢測(cè)，篩選出有缺陷的紙塑復(fù)合袋。傳統(tǒng)的紙塑復(fù)合袋缺陷檢測(cè)多依賴人工判斷，這種方式效率較低，且檢測(cè)結(jié)果因人而異。為了提高檢測(cè)的效率和精度，研究人員提出采用機(jī)器視覺(jué)的方法對(duì)目標(biāo)缺陷部位進(jìn)行自動(dòng)檢測(cè)。

機(jī)器視覺(jué)技術(shù)在工業(yè)在線檢測(cè)[5]、測(cè)量[6-8]等方面的應(yīng)用逐漸廣泛，國(guó)內(nèi)外研究者也對(duì)此進(jìn)行了大量的研究工作。Kim等[9]提出一種基于圖像的農(nóng)田檢測(cè)系統(tǒng)，經(jīng)過(guò)類激活圖的閾值處理，可以檢測(cè)農(nóng)作物疾病癥狀，結(jié)果顯示，現(xiàn)場(chǎng)檢測(cè)系統(tǒng)可以自動(dòng)檢測(cè)出洋蔥的真實(shí)病害癥狀。Ireri等[10]提出了一種基于單色相機(jī)和Arduino微控制器設(shè)計(jì)的番茄分揀系統(tǒng)，通過(guò)顏色和紋理分類識(shí)別缺陷，結(jié)果表明，該識(shí)別方法的總體檢測(cè)精度為0.989。Manish等[11]提出了一種加工零件表面粗糙度和缺陷檢測(cè)的圖形方法。利用采集的直方圖分析得出不同磨削零件的表面特征，根據(jù)灰度強(qiáng)度變化的分布區(qū)分表面紋理的差異。Nashat等[12]提出了一種餅干裂紋自動(dòng)檢測(cè)方案，使用單模態(tài)閾值技術(shù)，利用支持向量機(jī)（SVM）對(duì)餅干裂紋圖像進(jìn)行分類，結(jié)果表明，分類的正確率超過(guò)97%。

以上是機(jī)器視覺(jué)技術(shù)在缺陷識(shí)別中的應(yīng)用，解決了從目標(biāo)圖像中找出缺陷的問(wèn)題。在紙塑復(fù)合袋的生產(chǎn)過(guò)程中，會(huì)對(duì)所有的紙塑復(fù)合袋進(jìn)行拍照采集。隨著生產(chǎn)速度的提升，所采集的圖片數(shù)量越來(lái)越多，若對(duì)所有紙塑復(fù)合袋圖像進(jìn)行處理，將會(huì)消耗大量不必要的時(shí)間。如何從所有采集到的紙塑復(fù)合袋照片中快速篩選出具有缺陷的照片是一個(gè)需要考慮的問(wèn)題。

為了快速篩選出紙塑復(fù)合袋的缺陷圖像，需要找出缺陷圖像與正常圖像的差異點(diǎn)。經(jīng)過(guò)實(shí)踐發(fā)現(xiàn)，紙塑復(fù)合袋圖像中的缺陷區(qū)域和背景區(qū)域存在灰度差，缺陷區(qū)域的梯度幅值較大。由此得出，可以通過(guò)對(duì)比正常圖像的梯度幅值差異來(lái)判斷是否存在缺陷，從而篩選出具有缺陷的圖像。

首先，利用工業(yè)相機(jī)采集目標(biāo)圖像。由于相機(jī)自身和外界環(huán)境會(huì)對(duì)采集圖像產(chǎn)生噪聲信息，因此在進(jìn)行圖像篩選前需要對(duì)圖像進(jìn)行預(yù)處理，以提高圖片目標(biāo)區(qū)域的辨識(shí)度。常見(jiàn)圖像預(yù)處理算法包括均值濾波、中值濾波、高斯濾波等。針對(duì)紙塑復(fù)合袋缺陷圖像的去噪，經(jīng)過(guò)預(yù)處理后發(fā)現(xiàn)，采用均值濾波和中值濾波的去噪效果較差，處理后的圖像模糊，細(xì)節(jié)丟失嚴(yán)重，而采用高斯濾波算法的去噪效果較好，缺陷邊緣細(xì)節(jié)保留完整。圖像篩選需滿足實(shí)際生產(chǎn)中實(shí)時(shí)檢測(cè)的要求，目前大多采用差影法[13-15]。由于紙塑復(fù)合袋表面本身存在一定的色差，再加上生產(chǎn)環(huán)境光照的影響，各紙塑復(fù)合袋表面成像的灰度值整體上存在差異。當(dāng)缺陷與紙塑復(fù)合袋表面背景的灰度值較為接近時(shí)，則難以被差影法檢測(cè)出，易造成缺陷漏檢。針對(duì)差影法在對(duì)紙塑復(fù)合袋表面缺陷圖像篩選中的不足，且缺陷區(qū)域比正常區(qū)域具有更明顯的圖片梯度信息，文中提出一種紙塑復(fù)合袋表面缺陷圖像的梯度投影差值篩選方法。

梯度投影差值篩選方法根據(jù)梯度幅值圖像來(lái)分別計(jì)算其水平投影和垂直投影，并計(jì)算圖像各行、各列像素灰度平均值。由于紙塑復(fù)合袋表面缺陷圖像的缺陷區(qū)域和背景區(qū)域存在灰度差，表面缺陷圖像的梯度幅值會(huì)較大，可用梯度幅值圖像水平和垂直方向投影均值曲線直觀地衡量圖像梯度。利用梯度幅值圖像投影均值的最大值減去最小值，可以得出梯度投影均值的差值。通過(guò)比較差值與閾值，可以判斷是否存在缺陷。采集到的紙塑復(fù)合袋表面缺陷圖像包含豐富的梯度信息，根據(jù)各類缺陷梯度信息的不同，可以篩選出缺陷，因此采用梯度投影差值的方法對(duì)紙塑復(fù)合袋缺陷圖像進(jìn)行檢測(cè)，可以彌補(bǔ)差影法在紙塑復(fù)合袋檢測(cè)時(shí)容易漏檢的問(wèn)題，從而提高檢測(cè)效率。

1 紙塑復(fù)合袋表面缺陷圖像篩選方法

1.1 梯度幅值圖像的投影理論

梯度幅值可以由式（2）來(lái)計(jì)算。

如圖1所示，近似計(jì)算中心像素(,)的方向和方向的偏微分，如式（3）—（4）所示。

(3)

(4)

索貝爾算子主要用作邊緣檢測(cè)，它是離散性差分算子，用來(lái)運(yùn)算圖像亮度函數(shù)灰度的近似值。在圖像的任何一點(diǎn)使用此算子，將會(huì)產(chǎn)生對(duì)應(yīng)的灰度矢量或法矢量。

利用紙塑復(fù)合袋梯度幅值圖像得到的信息，計(jì)算圖像中的水平投影、垂直投影和圖像的像素灰度平均值。

1.2 基于梯度投影差值的圖像篩選流程及其實(shí)現(xiàn)

紙塑復(fù)合袋表面缺陷圖像篩選流程見(jiàn)圖2。

圖2 缺陷圖像篩選流程

紙塑復(fù)合袋外表面圖片的梯度幅值投影見(jiàn)圖3，圖3中第1列為紙塑復(fù)合袋采集到的原圖。由圖3c可知，表面正常圖像梯度投影均值曲線變化小，灰度值波動(dòng)范圍小，無(wú)明顯灰度變化，而表面缺陷圖像其梯度投影均值曲線存在明顯灰度突變，因此可以依據(jù)紙塑復(fù)合袋表面圖像梯度投影均值曲線的“山峰”高度，篩選出紙塑復(fù)合袋表面缺陷圖像。

梯度投影均值曲線的“山峰”高度可以用梯度投影均值的差值來(lái)衡量，其計(jì)算過(guò)程見(jiàn)式（10）—（12）。

式中：()為梯度幅值圖像水平投影均值； max[()]為最大值；min[()]為最小值。

式中：()為梯度幅值圖像垂直投影均值；max[()]為最大值；min[()]為最小值。

和中的較大值為梯度投影均值的差值。

= max(,) (12)

設(shè)置梯度差值閾值，當(dāng)大于時(shí)，判斷這張表面圖像是表面缺陷圖像，否則為表面正常圖像。

圖3 紙塑復(fù)合袋表面圖像的梯度幅值投影

2 篩選結(jié)果對(duì)比分析

2.1 圖像篩選結(jié)果的分析

為了確定篩選準(zhǔn)則，依據(jù)文中提出的篩選方法對(duì)每類200張（350像素×350像素）圖像進(jìn)行實(shí)驗(yàn)，表面缺陷圖像梯度投影差值和表面正常圖像的梯度投影差值的統(tǒng)計(jì)結(jié)果見(jiàn)圖4。

由圖4可知，當(dāng)圖像梯度投影差值閾值設(shè)置在0.014 6～0.018 9內(nèi)時(shí)，可以判斷表面圖像是否為表面缺陷圖像。

2.2 定量的比較與分析

取圖像梯度投影差值閾值=0.016 3，對(duì)6類紙塑復(fù)合袋表面圖像的每類100張圖像樣本進(jìn)行測(cè)試，并與差影法比較，測(cè)試結(jié)果見(jiàn)表1，文中提出的紙塑復(fù)合袋圖像篩選方法用GD表示。

從表1可以看出，與差影法相比，GD法取得了更好的篩選結(jié)果，篩選正確率為99.5%，篩選正確率提高了約10%，篩選圖像的速度也有所提高，單張表面圖像的平均判斷時(shí)間僅為0.058 37 s。故采用GD法可以提高篩選紙塑復(fù)合袋表面圖像的效率，加快檢測(cè)速度，提高檢測(cè)精度。

圖4 紙塑復(fù)合袋表面圖像梯度投影差值

表1 紙塑復(fù)合袋表面缺陷圖像篩選測(cè)試結(jié)果

Tab.1 Surface defect image screening test result of paper-plastic composite bag

3 結(jié)語(yǔ)

以紙塑復(fù)合袋缺陷圖像為研究對(duì)象，通過(guò)提出的新方法解決了缺陷圖像篩選精度差、效率低的問(wèn)題，實(shí)現(xiàn)了對(duì)紙塑復(fù)合袋表面缺陷的快速篩選。

1）分析了紙塑復(fù)合袋幾種常見(jiàn)的缺陷特征，通過(guò)比較原始圖像和不同方法預(yù)處理后的圖像信息，根據(jù)峰值信噪比和算法處理時(shí)間的定量分析后發(fā)現(xiàn)，高斯濾波法的處理效果較好，同時(shí)運(yùn)算速度也較快，因此確定高斯濾波為圖像降噪算法。

2）將常規(guī)圖像篩選方法用于紙塑復(fù)合袋缺陷檢測(cè)時(shí)，由于紙塑復(fù)合袋的表面圖像與背景的灰度值差異不大，缺陷圖像難以被差影法檢測(cè)，檢測(cè)誤差較大，因此不適用于紙塑復(fù)合袋表面缺陷檢測(cè)。

3）提出了一種新的圖像篩選方法，該方法基于圖像的梯度投影差值信息，選擇以水平投影的像素灰度值和垂直投影的像素灰度值來(lái)描述缺陷圖像的紋理特征。通過(guò)比較缺陷圖像與正常圖像的投影差值，可以快速、準(zhǔn)確地篩選出缺陷圖像，且對(duì)紙塑復(fù)合袋的破皮、孔洞和臟點(diǎn)等均具有較好的篩選效果。實(shí)驗(yàn)證明，所提出方法的篩選正確率為99.5%，相較于差影法，提高了約10%。

[1] 崔衛(wèi)鑫, 王克儉. 淺談紙塑復(fù)合包裝技術(shù)[J]. 塑料包裝, 2019, 29(3): 16-19.

CUI Wei-xin, WANG Ke-jian. Introduction of Paper-Plastic Composite Packaging Technology[J]. Plastics Packaging, 2019, 29(3): 16-19.

[2] 喬廣慧. 復(fù)合包裝材料的基材、結(jié)構(gòu)及性能分析[J]. 黑龍江造紙, 2012, 40(1): 27-29.

QIAO Guang-hui. Analysis of Substrate, Structure and Properties of Packaging Materials[J]. Heilongjiang Pulp & Paper, 2012, 40(1): 27-29.

[3] 常俊煒, 趙華菊. 探究紙塑干式復(fù)合工藝對(duì)覆膜印刷品性能影響[J]. 云南化工, 2018, 45(9): 100-101.

CHANG Jun-wei, ZHAO Hua-ju. Influence of Paper Plastic Dry Composite Process on Performance of Coated Printed Matter[J]. Yunnan Chemical Technology, 2018, 45(9): 100-101.

[4] 李學(xué)鋒, 王建東, 石彪, 等. PP編織布與牛皮紙復(fù)合工藝易出現(xiàn)缺陷及改進(jìn)措施[J]. 中國(guó)膠粘劑, 2001, 10(4): 36-38.

LI Xue-feng, WANG Jian-dong, SHI Biao, et al. Frequently Appeared Flaw and Improved Method of Lamination Process of PP Weaved Cloth and Kraft Paper[J]. China Adhesives, 2001, 10(4): 36-38.

[5] 戴斌宇, 吳靜靜. 基于機(jī)器視覺(jué)的定子表面缺陷檢測(cè)系統(tǒng)研究[J]. 傳感技術(shù)學(xué)報(bào), 2019, 32(10): 1589-1594.

DAI Bin-yu, WU Jing-jing. Research of Surface Defect Detection System for Stator Based on Machine Vision[J]. Chinese Journal of Sensors and Actuators, 2019, 32(10): 1589-1594.

[6] JIA Hong-bin, MURPHEY Y L, SHI J, et al. An Intelligent Real-Time Vision System for Surface Defect Detection[C]// Proceedings of the 17th International Conference on Pattern Recognition, 2004: 239-242.

[7] 胡浩, 梁晉, 唐正宗, 等. 數(shù)字圖像相關(guān)法測(cè)量金屬薄板焊接的全場(chǎng)變形[J]. 光學(xué)精密工程, 2012, 20(7): 1636-1644.

HU Hao, LIANG Jin, TANG Zheng-zong, et al. Measurement of Full-Field Deformations in Metal Sheet Welding Processes by Image Correlation Method[J]. Optics and Precision Engineering, 2012, 20(7): 1636-1644.

[8] 卜雄洙, 李桂娟, 楊波, 等. 中心偏移的全景環(huán)形圖像快速展開(kāi)[J]. 光學(xué)精密工程, 2012, 20(9): 2103-2109.

BU Xiong-zhu, LI Gui-juan, YANG Bo, et al. Fast Unwrapping of Panoramic Annular Image with Center Deviation[J]. Optics and Precision Engineering, 2012, 20(9): 2103-2109.

[9] KIM W S, LEE D H, KIM Y J. Machine Vision-Based Automatic Disease Symptom Detection of Onion Downy Mildew[J]. Computers and Electronics in Agriculture, 2020, 168: 105099.

[10] IRERI D, BELAL E, OKINDA C, et al. A Computer Vision System for Defect Discrimination and Grading in Tomatoes Using Machine Learning and Image Processing[J]. Artificial Intelligence in Agriculture, 2019, 2: 28-37.

[11] MANISH R, VENKATESH A, DENIS ASHOK S. Machine Vision Based Image Processing Techniques for Surface Finish and Defect Inspection in a Grinding Process[J]. Materials Today: Proceedings, 2018, 5(5): 12792-12802.

[12] NASHAT S, ABDULLAH A, ABDULLAH M Z. Machine Vision for Crack Inspection of Biscuits Featuring Pyramid Detection Scheme[J]. Journal of Food Engineering, 2014, 120: 233-247.

[13] 曲蘊(yùn)慧, 湯偉, 馮波. 一種基于差影法及SVM的在線紙病檢測(cè)分類方法[J]. 包裝工程, 2018, 39(23): 176-180.

QU Yun-hui, TANG Wei, FENG Bo. On-Line Detection and Classification Method Based on Background Subtraction and SVM[J]. Packaging Engineering, 2018, 39(23): 176-180.

[14] 雷波, 李清泉. 復(fù)雜交通場(chǎng)景中車(chē)輛視頻檢測(cè)的背景提取與更新[J]. 武漢大學(xué)學(xué)報(bào)·信息科學(xué)版, 2009, 34(8): 906-909.

LEI Bo, LI Qing-quan. Background Extraction and Updating in Complex Traffic Scene[J]. Geomatics and Information Science of Wuhan University, 2009, 34(8): 906-909.

[15] 劉曉杰, 羅印升, 張旻, 等. 基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法研究[J]. 現(xiàn)代電子技術(shù), 2017, 40(24): 181-183.

LIU Xiao-jie, LUO Yin-sheng, ZHANG Min, et al. Research of Machine Vision Based Detection Method for Defects on Parts Surface[J]. Modern Electronics Technique, 2017, 40(24): 181-183.

Gradient Projection Difference Screening Method for Surface Defect Image of Paper-plastic Composite Bag

YAN Guo-ping1, LI Jing1, ZHONG Fei1,2, WU Shi-ran1, YANG Xiao-jun1

(1. School of Mechanical Engineering, Hubei University of Technology, Wuhan 430068, China; 2. Xiangyang Industry Research Institute, Hubei University of Technology, Hubei Xiangyang 441100, China)

The work aims to propose a surface defect image screening method for paper-plastic composite bag based on gradient projection difference, so as to solve the problem of low efficiency and poor accuracy in defect image screening. Firstly, the image of paper-plastic composite bag was acquired and the gradient magnitude image was obtained by Sobel operator function. Then, the information of the acquired gradient magnitude image was calculated by the horizontal projection and vertical projection calculation formula, and the average value of horizontal projection and vertical projection of the image was derived. The difference in average value of gradient projection was analyzed according to the feature of abundant gradient information in the acquired defect image, and the threshold value was calculated according to the image information. The screening of the image was completed by comparing the projection difference and the threshold value. For the acquired defect image, when the threshold value of projection difference was set in the range of 0.014 6 to 0.018 9, the image of surface defect could be screened. Compared with the differential shading method, the screening correct rate of this method was improved by 10% and the image screening time was accelerated by 1.5 s. The gradient projection difference method proposed has the advantages of high correct image screening rate and fast screening speed compared with the differential shading method, which can meet the needs of image screening in industrial production.

paper-plastic composite bag; defect detection; image screening

TB487；TP391

A

1001-3563(2022)19-0303-07

10.19554/j.cnki.1001-3563.2022.19.037

2021–10–28

湖北省技術(shù)創(chuàng)新專項(xiàng)（重大專項(xiàng)）（2018AAA026）；湖北省支持企業(yè)技術(shù)創(chuàng)新發(fā)展項(xiàng)目（2021BAB010）

嚴(yán)國(guó)平（1978—），男，博士，教授級(jí)高級(jí)工程師，主要研究方向?yàn)闄C(jī)械設(shè)計(jì)與仿真、包裝工程設(shè)計(jì)。

責(zé)任編輯：彭颋