許 敏，馬 鉞，陳 帥，徐首帥

(中國科學(xué)院 沈陽自動(dòng)化研究所，遼寧 沈陽110179)

0 引 言

在印刷過程中，由于印刷設(shè)備和材料的不完善和一些隨機(jī)因素的影響，印刷品常出現(xiàn)諸如錯(cuò)印、漏印、文字模糊、顏色失真、油墨污賤等缺陷［1～3］。傳統(tǒng)的印刷品質(zhì)量檢測是通過人工方式完成的，需要耗費(fèi)大量的人力、物力和時(shí)間。近年來，隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，機(jī)器視覺技術(shù)已經(jīng)在印刷品質(zhì)量檢測中得到了應(yīng)用，解決了人工檢測耗時(shí)長、效率低等問題［4，5］。

在基于機(jī)器視覺的印刷品質(zhì)量檢測系統(tǒng)中，圖像配準(zhǔn)是一項(xiàng)關(guān)鍵技術(shù)，其直接影響檢測系統(tǒng)的檢測速度與檢測效果。圖像配準(zhǔn)是指建立兩幅或多幅圖像內(nèi)容的對(duì)應(yīng)坐標(biāo)變換模型，并使相對(duì)應(yīng)的內(nèi)容在空間位置上匹配對(duì)齊［6］。圖像匹配主要可分為基于灰度的匹配方法和基于特征的匹配方法［7］。基于灰度的匹配方法是逐像素地將一個(gè)以一定大小的窗口灰度矩陣與參考圖像的所有可能的窗口灰度矩陣按某種相似性度量方法進(jìn)行搜索比較。這類算法的性能主要取決于相似性度量、搜索策略及匹配窗口大小的選擇［8］?；谔卣鞯钠ヅ浞椒ㄊ紫仍谠紙D像中提取特征，然后用相似性度量和一些約束條件確定幾何變換，最后將該變換作用于待匹配圖像。

本文以雙匯集團(tuán)某產(chǎn)品外包裝箱印刷品為檢測對(duì)象，提出了一種大面積無標(biāo)記印刷品質(zhì)量快速檢測方法。該方法首先將待檢圖像分成多興趣區(qū)域，分區(qū)域建立模板圖像，然后將待檢圖像與模板圖像進(jìn)行快速配準(zhǔn)并使用雙向差影法來檢測缺陷區(qū)域。

1 檢測系統(tǒng)總體結(jié)構(gòu)

印刷品質(zhì)量視覺檢測系統(tǒng)主要由圖像獲取單元、圖像處理單元、檢測結(jié)果顯示與存儲(chǔ)單元等構(gòu)成，圖1 為檢測系統(tǒng) 的 方 案 圖。光 源(OPT—LS382—W)、鏡 頭(PENTAX YF3528)、線陣相機(jī)(E2V—UC8，英國E2V 公司)、圖像采集卡(MATROX SOLIOS)和行走機(jī)構(gòu)一起組成圖像獲取單元，負(fù)責(zé)印刷品圖像的采集;工控機(jī)負(fù)責(zé)協(xié)調(diào)各部件之間的工作，并與圖像處理算法一起構(gòu)成圖像處理單元;檢測結(jié)果顯示與存儲(chǔ)單元負(fù)責(zé)保存和輸出檢測結(jié)果。另外，系統(tǒng)還提供參數(shù)設(shè)置接口，用戶可以通過該接口設(shè)定圖像曝光時(shí)間、圖像采集幀率，行走機(jī)構(gòu)的行走速度和缺陷檢測靈敏度等參數(shù)。圖2 所示為檢測系統(tǒng)采集的印刷品圖像，該圖像的分辨率為4 000×4 096。

圖1 檢測系統(tǒng)結(jié)構(gòu)圖Fig 1 Structure diagram of inspection system

圖2 印刷品圖像Fig 2 Print image

2 檢測系統(tǒng)圖像處理方法研究

通常，印刷品缺陷檢測包含兩個(gè)階段:模板建立階段和缺陷檢測階段。

2.1 創(chuàng)建配準(zhǔn)模板

對(duì)于不同的檢測對(duì)象，可以離線創(chuàng)建模板，模板創(chuàng)建完成以后可以將相關(guān)信息予以保存。在缺陷檢測階段可以直接讀取模板信息進(jìn)行圖像配準(zhǔn)。對(duì)于圖像質(zhì)量較高的場合，可以采用一幅高質(zhì)量的圖像作為配準(zhǔn)模板，但實(shí)際過程中，由于機(jī)械系統(tǒng)的振動(dòng)導(dǎo)致光源與線陣相機(jī)不可避免地存在抖動(dòng)，這將導(dǎo)致采集的圖像存在不同程度的畸變與幀間灰度分布的變化。本文在創(chuàng)建模板過程中，首先將多幀圖像的每一幀分成多個(gè)興趣區(qū)域，并將對(duì)應(yīng)的興趣區(qū)域進(jìn)行一次配準(zhǔn)，然后對(duì)配準(zhǔn)后的圖像求平均并將其作為配準(zhǔn)模板。采用多幀圖像多興趣區(qū)域分別創(chuàng)建配準(zhǔn)模板，可以有效減少圖像畸變與幀間灰度不均對(duì)后續(xù)缺陷檢測的影響。

2.1.1 興趣區(qū)域分割

對(duì)于圖2 所示的印刷品圖像，首先利用RGB 各分量的值分割出黃色區(qū)域，圖3 所示為分割結(jié)果，其尺寸為3 714×1 929。由于圖3 的尺寸仍比較大且圖像的內(nèi)容比較豐富，若將其直接作為配準(zhǔn)模板，則模板的數(shù)據(jù)量很大，導(dǎo)致后期檢測階段圖像配準(zhǔn)耗時(shí)很長，而且圖像橫向與縱向畸變，圖像幀間的灰度變化也將影響圖像配準(zhǔn)的精度。因此，本文將進(jìn)行第二次興趣區(qū)域分割，將圖3 所示的黃色區(qū)域分割成4 個(gè)子圖像，如圖4(a)～(d)所示。圖4 中的圖像進(jìn)行了灰度變換，減少圖像的數(shù)據(jù)量，加快后續(xù)的配準(zhǔn)速度。

圖3 黃色區(qū)域圖像Fig 3 Yellow region image

圖4 興趣區(qū)域Fig 4 Region of interest

2.1.2 多幀圖像創(chuàng)建配準(zhǔn)模板

在完成圖像興趣區(qū)域分割后，可以使用多幀圖像對(duì)應(yīng)興趣區(qū)域來創(chuàng)建該興趣區(qū)域的配準(zhǔn)模板，本文以圖4(b)為例研究其模板創(chuàng)建過程。設(shè)Fi(X，Y)為第i 幀圖像，fi(x，y)為第i 幀圖像的某一興趣區(qū)域，則該興趣區(qū)域的模板圖像可以表示為

式中 t(x，y)為模板圖像，N 為參與創(chuàng)建模板的圖像個(gè)數(shù)。由于興趣區(qū)域在各幀圖像中的位置與方向會(huì)發(fā)生變化，直接使用式(1)將導(dǎo)致模板圖像邊緣灰度發(fā)生錯(cuò)位，嚴(yán)重時(shí)將產(chǎn)生錯(cuò)誤的配準(zhǔn)模板。因此，多幀圖像生成模板之前需要進(jìn)行圖像配準(zhǔn)。由于各興趣區(qū)域圖像之間僅存在位置和方向的變化，符合歐氏變換的特點(diǎn)，因此，僅需確定配準(zhǔn)中心和旋轉(zhuǎn)角。

1)獲取配準(zhǔn)中心

設(shè)f(x，y)為坐標(biāo)系(x，y)下的任一無缺陷品牌區(qū)域圖像(如圖4(b)表所示)，其二值化圖像可表示為f'(x，y)，如圖5 所示白色區(qū)域?yàn)槟繕?biāo)，黑色區(qū)域?yàn)楸尘埃渲?，白色區(qū)域的中心即為配準(zhǔn)中心，記為p(x0，y0)。

圖5 品牌區(qū)域二值圖像Fig 5 Binary image of brand region

2)獲取旋轉(zhuǎn)角

設(shè)gk(w，z)為坐標(biāo)系(w，z)下的第k 幅品牌區(qū)域圖像二值化后的圖像，中心為pk(w0，z0)。g'k(x，y)為gk(w，z)經(jīng)坐標(biāo)變換后的圖像，則有

式中 T 為齊次變換矩陣，θ 為(w，z)坐標(biāo)系相對(duì)于(x，y)坐標(biāo)系的旋轉(zhuǎn)角，Δx，Δy 分別為(w，z)坐標(biāo)原點(diǎn)相對(duì)于(x，y)坐標(biāo)原點(diǎn)的平移量。式(2)中僅旋轉(zhuǎn)角θ 為未知量，因此，可以遍歷θ 取值范圍，使得式(3)取最小值，此時(shí)的θ 角即為待配準(zhǔn)圖像與模板圖像之間的最小旋轉(zhuǎn)角

式中 ΔS 為面積差最小值，area(*)為面積計(jì)算函數(shù)。

在搜索θ 時(shí)，本文采用變步長搜索方法。設(shè)θ∈［－β，β］，Δβ1，Δβ2為不同的搜索步長(Δβ1＞Δβ2)，變步長θ 角搜索算法如下:

1)初始化搜索算法，令Smin=area［f'(x，y)］;

2)令θi=－β+iΔβ1，i =0，使用式(2)進(jìn)行圖像變換，然后使用式(3)計(jì)算ΔS;

3)若ΔS ＜Smin，則令Smin=ΔS，i=i+1，流程轉(zhuǎn)到步驟(2);若ΔS≥Smin，則令θ=θi，終止Δβ1步長下的搜索算法;

4)重新設(shè)置θ 角搜索區(qū)間，令θ∈［θi－Δθ，θi+Δθ］，Δθ 為旋轉(zhuǎn)角偏移量;

5)令θj=(θi－Δθ)+jΔβ2，j =0，使用式(2)進(jìn)行圖像變換，然后使用式(3)計(jì)算ΔS;

6)若ΔS ＜Smin，則令Smin=ΔS，j=j+1，流程轉(zhuǎn)到步驟(5);若ΔS≥Smin，則令θ=θj，終止Δβ2步長下的搜索算法，θj即為圖像g'k(x，y)與f'(x，y)之間的最小旋轉(zhuǎn)角。

圖6 為參考圖像與待配準(zhǔn)圖像及其興趣區(qū)域。圖7(a)～(b)為待配準(zhǔn)圖像與參考圖像配準(zhǔn)后興趣區(qū)域的差值圖像，其θ 角搜索步長Δβ1=1。從圖像7 中可以看出:當(dāng)θ=2°時(shí)，配準(zhǔn)后的圖像面積差最小，此時(shí)ΔS=1 626 pixel2。當(dāng)獲得搜索步長為Δβ1時(shí)θ 角的最優(yōu)值后，縮小θ 角的搜索區(qū)間并使用搜索步長Δβ2，進(jìn)而可以獲得搜索步長為Δβ2時(shí)θ 角的最優(yōu)值。圖8 為搜索步長Δβ2=0.1 時(shí)，待配準(zhǔn)圖像與參考圖像配準(zhǔn)后興趣區(qū)域差值圖像，此時(shí)旋轉(zhuǎn)角θ =1.8°，ΔS=1 376 pixel2。

在獲得配準(zhǔn)中心坐標(biāo)和旋轉(zhuǎn)角后，首先使用式(2)將參與模板創(chuàng)建的多幀圖像與參考圖像進(jìn)行配準(zhǔn)，然后使用式(1)計(jì)算多幀圖像的平均值，并將其作為模板圖像。圖9為多幀圖像創(chuàng)建獲得的模板圖像。

圖6 參考圖像與待配準(zhǔn)圖像Fig 6 Reference image and inspecting image

圖7 差值圖像(步長Δβ1=1)Fig 7 Difference value image(step Δβ1=1)

圖8 最優(yōu)差值圖像(步長Δβ2=0.1)Fig 8 Optimal difference value image(step Δβ1=0.1)

圖9 模板圖像Fig 9 Template image

2.2 模板匹配與缺陷提取

在獲得配準(zhǔn)模板圖像后，將待檢圖像與模板圖像進(jìn)行配準(zhǔn)，然后使用差影法［9］計(jì)算待檢圖像與模板圖像的差影圖像，進(jìn)而與某一閾值進(jìn)行比較來判斷待檢印刷圖像是否存在缺陷。

差影法有三種形式:正向差影法、負(fù)向差影法和雙向差影法。正向差影法為待檢圖像減去模板圖像，計(jì)算公式如式(4)所示

式中 s(x，y)為待檢圖像，d(x，y)為差影圖像。

負(fù)向差影法為模板圖像減去待檢圖像，計(jì)算公式為

雙向差影法的計(jì)算公式為

通常，印刷缺陷分為亮缺陷和暗缺陷兩種。亮缺陷是指缺陷區(qū)域的灰度值比其鄰域灰度值高;暗缺陷是指缺陷區(qū)域的灰度值比其鄰域灰度值低。如果只計(jì)算正差影或者負(fù)差影，則只能提取亮缺陷或暗缺陷中的一種。因此，文本采用雙向差影法。圖10 為待檢圖像，將其與模板圖像進(jìn)行配準(zhǔn)，然后使用雙向差影算法計(jì)算獲得如圖11 所示的差影圖像。在獲得差影圖像后還需要對(duì)其進(jìn)行二值化處理(二值化閾值為20)，然后設(shè)置缺陷面積閾值(本例中面積閾值為10)，即可提取出缺陷區(qū)域，圖12 中紅色區(qū)域即為檢測獲得的缺陷區(qū)域圖像。

圖10 待檢圖像Fig 10 Image to be inspected

圖11 雙向差影圖像Fig 11 Bidirectional subtraction image

圖12 缺陷區(qū)域圖像Fig 12 Defect region image

3 檢測系統(tǒng)實(shí)驗(yàn)研究

為了驗(yàn)證算法的實(shí)時(shí)性和有效性，本文進(jìn)行了實(shí)驗(yàn)研究。實(shí)驗(yàn)在主頻為3.0 GHz，內(nèi)存為2 GB 的PC 上進(jìn)行。實(shí)驗(yàn)時(shí)分別選擇50 幅合格圖像與缺陷圖像(分辨率1 820×1 120)，缺陷檢測結(jié)果如表1 所示，合格品檢測準(zhǔn)確率為96%，平均耗時(shí)112 ms，缺陷品的檢測準(zhǔn)確率為94%，平均耗時(shí)133 ms。合格品存在誤判的原因是待檢圖像發(fā)生了較大的旋轉(zhuǎn)，經(jīng)仿射變換后待檢圖像的邊緣灰度值發(fā)生了較大變化，導(dǎo)致差影圖像中偽影的灰度值偏高，經(jīng)閾值分割后將偽影區(qū)域誤判為缺陷區(qū)域。缺陷品存在誤判的原因是缺陷區(qū)域的灰度值與背景區(qū)域比較近，導(dǎo)致閾值分割后將其誤判為背景。

表1 缺陷檢測實(shí)驗(yàn)結(jié)果Tab 1 Experimental result of defect inspection

4 結(jié) 論

印刷品圖像配準(zhǔn)是實(shí)現(xiàn)印刷品自動(dòng)檢測的關(guān)鍵技術(shù)。本文針對(duì)高分辨率印刷品圖像提出了一種基于興趣區(qū)域的圖像快速配準(zhǔn)方法。實(shí)驗(yàn)結(jié)果表明:該方法能夠快速準(zhǔn)確地將待檢圖像與模板圖像進(jìn)行配準(zhǔn)，結(jié)合雙向差影法能夠準(zhǔn)確地檢測出印刷品缺陷區(qū)域。

［1］ Liao J H，Yin B Z，Lao W W，et al.Photoelectric detection system in the recognition and sorting equipment of bills［C］∥Proc of SPIE，1998:646－651.

［2］ 趙小梅.印刷品缺陷在線檢測算法的研究［J］.包裝工程，2007，28(3):58－59.

［3］ 陳亞軍.基于機(jī)器視覺的印刷品缺陷檢測系統(tǒng)研究［D］.西安:西安理工大學(xué)，2006:4－5.

［4］ 李 果.基于線陣CCD 的印刷品缺陷在線檢測系統(tǒng)設(shè)計(jì)［J］.南京工程學(xué)院學(xué)報(bào):自然科學(xué)版，2012，10(1):68－72.

［5］ 張 瓊，沈海宏，沈民奮，等.基于HALCON 的無標(biāo)記印刷品圖像質(zhì)量檢測［J］.汕頭大學(xué)學(xué)報(bào):自然科學(xué)版，2011，26(2):63－68.

［6］ 高 軍，李學(xué)偉，張 建，等.基于模板匹配的圖像配準(zhǔn)算法［J］.西安交通大學(xué)學(xué)報(bào)，2007，41(3):307－311.

［7］ 楊曉敏，吳 煒，卿粼波，等.圖像特征點(diǎn)提取及匹配技術(shù)［J］.光學(xué)精密工程，2009，17(9):2276－2282.

［8］ Shin D，Tjahjadi T.Clique descriptor of affine invariant regions for robust wide baseline image matching［J］.Pattern Recognition，2010，43(10):3261－3272.

［9］ 龍永紅.印刷質(zhì)量檢測的彩色圖像分割方法研究［D］.廣州:廣東工業(yè)大學(xué)，2009:50－53.