付興勇 任德均 嚴(yán)扎杰 陳儒俠 高永勛

摘 要：模板匹配是圖像處理中最基本與常用的匹配方法。為解決印刷、燙金字符與圖案在使用模板匹配方法檢測透明盒缺陷時，大量產(chǎn)品因字符、圖案邊緣效應(yīng)干擾出現(xiàn)誤檢的問題，采用HALCON軟件編寫用于去除字符與圖案邊緣效應(yīng)干擾的算法及透明盒缺陷檢測算法。經(jīng)過生產(chǎn)流水線上的實際驗證，該算法可以有效避免因字符、圖案邊緣效應(yīng)產(chǎn)生的誤檢問題，實現(xiàn)對透明盒缺陷快速、精確的自動化檢測，并剔除缺陷產(chǎn)品。

關(guān)鍵詞：模板匹配;HALCON;邊緣干擾;透明盒;缺陷檢測

DOI：10. 11907/rjdk. 181990

中圖分類號：TP317.4文獻標(biāo)識碼：A文章編號：1672-7800（2019）003-0187-04

0 引言

根據(jù)國外調(diào)研機構(gòu) MarketsandMarkets 預(yù)測，2020 年全球機器視覺市場規(guī)模將達到 125 億美元，2025 年全球市場規(guī)模將超過 192 億美元，機器視覺技術(shù)未來發(fā)展空間巨大[1]。隨著全球制造中心向中國轉(zhuǎn)移，中國機器視覺市場開始成為繼北美、歐洲和日本之后，國際機器視覺廠商的重要目標(biāo)市場[1-2]。

隨著數(shù)字圖像處理分析理論的逐步完善，機器視覺技術(shù)在工業(yè)在線檢測[3-4]及測量[5-6]方面的應(yīng)用也越來越廣泛。在對模板匹配算法的研究中，浙江大學(xué)的孫煉杰、樊臻[7]對基于模板匹配的光纖收發(fā) PCB 板目標(biāo)檢測進行研究;山東大學(xué)的丁筱玲等[8]對基于模板匹配的目標(biāo)識別算法進行改進;河海大學(xué)的錢俞好等[9]通過檢測印刷碼改進模板匹配算法;華北計算技術(shù)研究所的蔣昭穎、郝福珍[10]使用模板匹配算法對傷票進行識別與定位;廣西科技大學(xué)的李厚君[11]對基于梯度模板匹配的眉毛識別方法進行研究;江蘇大學(xué)的安宗權(quán)、王勻[12]通過線激光與模板匹配方法對工件表面平坦度進行測量。模板匹配算法還可應(yīng)用于車牌識別[13]、玉米螟識別[14]等眾多領(lǐng)域。

然而以上對于模板匹配算法的研究并不能實現(xiàn)對透明盒缺陷的檢測。針對透明盒特點以及字符、圖案印刷邊緣效應(yīng)會對模板匹配產(chǎn)生干擾的問題，本文自主設(shè)計了一套將內(nèi)外打光相結(jié)合的打光方案，并采用HACLON軟件編寫可用于去除邊緣效應(yīng)干擾的算法與缺陷檢測算法，從而實現(xiàn)對透明盒缺陷快速、精確的檢測。

1 檢測系統(tǒng)組成與檢測流程

基于模板匹配的透明盒缺陷檢測系統(tǒng)需要實現(xiàn)對圖像的采集與處理，以及將處理后的結(jié)果發(fā)送給剔除模塊，剔除不合格產(chǎn)品，從而提高產(chǎn)品質(zhì)量。硬件部分由多個模塊組成，主要包括：產(chǎn)品輸送模塊、圖像采集模塊、圖像處理模塊、電器控制模塊以及剔除模塊。產(chǎn)品首先由輸送帶運送到圖像采集模塊，當(dāng)透明盒觸發(fā)傳感器擋板，氣缸伸出擋住透明盒;面光源在高速氣缸帶動下插入透明盒內(nèi)部點亮，相機進行拍照;拍照結(jié)束后擋板氣缸與高速氣缸縮回，同時圖像處理模塊對獲取的圖像進行處理;當(dāng)檢測出透明盒存在缺陷時，剔除模塊對產(chǎn)品進行剔除。硬件結(jié)構(gòu)簡圖如圖1所示。

2 檢測算法與軟件

本系統(tǒng)采用HALCON圖像處理軟件對圖像進行處理，HALCON是世界公認具有最佳效果的機器視覺處理軟件[15]。目前常用的圖像處理方法有模板匹配法[16-17]與基于人工神經(jīng)網(wǎng)絡(luò)的算法[18-19]，系統(tǒng)采用二值化與模板匹配相結(jié)合的方法對采集圖像進行處理。

模板匹配主要包括：基于灰度值的匹配、基于形狀的匹配與基于組件的匹配?；谛螤畹钠ヅ湟话惆?種情況： 一般形狀匹配模板、線性變形匹配模板、局部可變形模板與比例縮放模板。由于本系統(tǒng)屬于在線檢測，無法保證每次拍攝圖片位置不變，因此圖像存在小范圍的線性變形。根據(jù)基于形狀模板的特點，選用線性變形匹配模板。

3 基于模板匹配的圖像處理

圖像處理流程如下：①相機首先在線抓取待檢測透明盒圖像，篩選出合格產(chǎn)品圖像作為透明盒檢測的模板圖像;②然后畫出待檢測區(qū)域的ROI，建立待檢測區(qū)域的線性變形匹配模板，對模板進行訓(xùn)練并將其保存在相應(yīng)文件夾中;③在相機抓取的待檢測產(chǎn)品圖像中找到與訓(xùn)練模板相匹配的區(qū)域，對匹配區(qū)域進行比較;④最后去除匹配結(jié)果的邊緣干擾，進行相應(yīng)算法處理，判斷透明盒是否存在缺陷。圖像處理流程如圖2所示。

3.1 模板創(chuàng)建與訓(xùn)練

人工選取合格產(chǎn)品并對其進行在線圖像采集，篩選效果較好的圖像作為模板圖像。首先選取一張圖像，利用HALCON中的算子gen_rectangle1獲取需要檢測的ROI字符區(qū)域;通過rgb1_to_gray算子將三通道圖像轉(zhuǎn)換成單通道圖像，再通過create_planar_uncalib_deformable_model與create_variation_model算子創(chuàng)建字符模板;利用find_planar_uncalib_deformable_model從篩選圖像中找到與第一張圖像匹配度較高的圖像，即從find_planar_uncalib_deformable_model中輸出參數(shù)Score數(shù)值較高的圖像。由于是在線采集圖像，拍攝物品相對位置必然會發(fā)生變動，因此需要采用2D仿射變換算子對找到的圖像進行位置變換，并將變換后的圖像轉(zhuǎn)換成單通道圖像，然后通過train_variation_model算子對圖像選定的ROI區(qū)域進行模板訓(xùn)練;最后通過get_variation_model（：Image，VarImage：ModelID：）獲取訓(xùn)練后的模板，并通過write_variation_model將訓(xùn)練得到的模板Image與變化模板VarImage保存到相應(yīng)文件夾中。與此同時，用convert_image_type（VarImage，VarImage1，‘byte）將變化后的模板轉(zhuǎn)換成byte類型并加以保存。創(chuàng)建的模板圖像與變化模板圖像如圖3、圖4所示。

3.2 透明盒在線檢測

產(chǎn)品在流水線生產(chǎn)與運輸過程中，通過觸發(fā)傳感器伸出擋板氣缸，基本可以實現(xiàn)使相機在同一位置抓取圖片。將相機抓取的圖片傳輸?shù)接蒆ALCON和C#編寫的圖像檢測軟件中，實現(xiàn)對透明盒缺陷的檢測。

首先從保存模板的文件夾中獲取訓(xùn)練好的模板，將相機抓取的圖像轉(zhuǎn)換成單通道圖像，采用find_planar_uncalib_deformable_model（Image ： ： ModelID， AngleStart， AngleExtent， ScaleRMin， ScaleRMax， ScaleCMin， ScaleCMax， MinScore， NumMatches， MaxOverlap， NumLevels， Greediness， ParamName， ParamValue ： HomMat2D， Score）算子找到與模板匹配的區(qū)域。算子中的MinScore、Greediness即最小匹配度及貪婪度的值，可根據(jù)實際需要進行設(shè)置，其值域為[0，1]。MinScore、Greediness的值越大，圖像與模板匹配速度越快，但容易漏掉與模板匹配度不高的圖像。如果可預(yù)期圖像永遠不被遮擋，MinScore可設(shè)置高達0.8甚至0.9，在多數(shù)情況下，可變形模型的貪婪性多為0.9。算子中的NumLevels即圖像金字塔層級，圖像金字塔是圖像多尺度表達的一種，是一種以多分辨率解釋圖像、有效但概念簡單的結(jié)構(gòu)。一幅圖像的金字塔是一系列以金字塔形狀排列、分辨率逐步降低，且來源于同一原始圖的圖像集合。其通過梯次向下采樣獲得，直到達到某個終止條件才停止采樣。將一層層圖像比喻成金字塔，層級越高，則圖像越小，分辨率越低[20-21]。因此，可通過選擇NumLevels的大小確定圖像分辨率，NumLevels越大，圖像分辨率越低，圖形與模板匹配速度越快。根據(jù)實際需要，將系統(tǒng)MinScore、Greediness和NumLevels分別設(shè)置為0.6、0.9和5。

然后用compare_ext_variation_model（Image ： Region ： ModelID，Mode：）將處理后的圖像與模板進行比較，得到模板與圖像的不同區(qū)域Region，再對Region進行二值化等處理，并根據(jù)相應(yīng)區(qū)域特征對透明盒缺陷進行檢測。但印刷字符、圖案受印刷機印刷壓力、印刷速度等多方面因素影響，會產(chǎn)生邊緣效應(yīng)，導(dǎo)致圖像上的字符、圖案與模板匹配時，在字符、圖案邊緣會產(chǎn)生許多不同的小區(qū)域（見圖5）。

由于無法判定圖像上的字符、圖案與模板對比后產(chǎn)生的不同小區(qū)域是由字符、圖案的邊緣效應(yīng)產(chǎn)生的，還是由于字符、圖案的缺陷產(chǎn)生的，因而將嚴(yán)重影響對透明盒缺陷的檢測結(jié)果。為了解決字符邊緣效應(yīng)問題，本文采用get_variation_model（ ： Image， VarImage1 ： ModelID ： ）算子獲取保存的變化模板圖像VarImage1，用閾值算子threshold處理得到Region1;通過邊緣算子獲取模板圖像的Image邊緣，對其邊緣進行閾值、形態(tài)學(xué)等一系列處理得到Region2;取Region1和 Region2的交集得到Region3，也即字符邊緣易干擾區(qū)域，如圖6所示;對compare_ext_variation_model（Image ： Region ： ModelID， Mode ： ）中的Region進行相應(yīng)的形態(tài)學(xué)處理得到Region4，取Region3、Region4的交集得到Region5;取Region4和Region5的差集得到Region6，Region6則是去除了邊緣干擾的缺陷區(qū)域。

最后跟據(jù)實際需要與缺陷區(qū)域特征，采用select_shape對缺陷區(qū)域進行篩選，計算篩選后得到的區(qū)域面積，根據(jù)面積大小是否為0判斷產(chǎn)品字符是否合格，并通過disp_message算子顯示出來。當(dāng)檢測透明盒字符無缺陷時，則會在窗口上顯示“ok”，且字體為綠色，如圖7所示;當(dāng)檢測透明盒字符有缺陷時，則會在窗口顯示缺陷面積，且字體為紅色，如圖8、圖9所示，原始效果見圖10。圖9中的缺陷面積只有9個像素，即“酒”字上的缺陷，肉眼幾乎無法發(fā)現(xiàn)。檢測結(jié)果表明，系統(tǒng)檢測精度非常高，且精度可以根據(jù)用戶需求進行調(diào)節(jié)。系統(tǒng)可以檢測透明盒上的諸多缺陷，例如字體殘缺、砂眼、字體筆畫粗細、少印、多印、印刷錯誤、黑點、字體傾斜、劃痕、偏膜等，由于篇幅有限，不再一一列舉。

4 結(jié)語

針對透明盒存在的諸多缺陷問題，本文提出一種基于模板匹配的透明盒缺陷檢測方法。由于字符、圖案存在邊緣效應(yīng)，在匹配過程中會對字符、圖案的缺陷檢測產(chǎn)生干擾，本文編寫的可去除邊緣效應(yīng)干擾的算法與缺陷檢測算法，能夠?qū)崿F(xiàn)對產(chǎn)品字符進行高速、精確地檢測，并能準(zhǔn)確且無損壞地剔除不合格產(chǎn)品。系統(tǒng)查準(zhǔn)率高達99.5%以上，漏檢率低于0.2%，可以很好地代替人工實現(xiàn)自動化生產(chǎn)檢測。

參考文獻：

[1] 馬梅彥. 智能裝備與系統(tǒng)產(chǎn)業(yè)發(fā)展動態(tài)與趨勢[J]. 科技中國，2018（4）：61-66.

[2] 《智能機器人》編輯部. 機器視覺時代，最好的時代[J]. 智能機器人，2018（2）：1.

[3] JIA H B，MURPHEY Y L，SHI J J. An intelligent real time vision systern for surface defect detection[C]. Proceedings of the 17th International Conference on Pattern Recognition，2004：239-242.

[4] PENG X Q，CHEN Y P，YU W Y. An online defects inspection method for float glass fabrication based on machine vision[J]. International Journal of Advanced Manufacturing Technology，2008，39（11）：1180-1189.

[5] BU X Z，LI G J，YANG B，et al. Fast unwrapping of panoramic annularimage with center deviation[J]. Optics and Precision Engineering，2012，20（9）：2103-2109.

[6] 李鶴. 基于神經(jīng)網(wǎng)絡(luò)的零件缺陷機器視覺識別系統(tǒng)[J]. 計算機測量與控制，2017，25（11）：248-256.

[7] 孫煉杰，樊臻. 基于模板匹配的光纖收發(fā) PCB 板目標(biāo)檢測[J]. 計算機應(yīng)用與軟件，2018，35（1）：128-131.

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

[9] 錢俞好，周軍，田勝，等. 基于機器視覺檢測印刷碼的改進模板匹配算法研究[J]. 機電工程，2018， 35（4）：442-446.

[10] 蔣昭穎，郝福珍. 基于改進模板匹配算法的傷票識別與定位[J].? 電子設(shè)計工程，2018， 26（3）：175-179.

[11] 李厚君. 基于梯度模板匹配的眉毛識別方法[J]. 廣西科技大學(xué)學(xué)報，2018， 29（3）：62-70.

[12] 安宗權(quán)，王勻. 基于線激光與模板匹配的工件表面平坦度測量[J]. 控制工程，25（2）：341-345.

[13] 張俊峰，尚振宏，劉輝. 基于顏色特征與模板匹配的車牌識別系統(tǒng)設(shè)計與實現(xiàn)[J]. 軟件導(dǎo)刊，2018，17（1）：212-215.

[14] 劉博藝，唐湘滟，程杰仁. 基于多生長時期模板匹配的玉米螟識別方法[J]. 計算機科學(xué)，2018， 45（4）：106-111.

[15] 郭佳寅，岳秀江，吳雙，等. 基于HALCON的乳制品箱體噴碼字符識別方法研究[J]. 制造業(yè)自動化，2013（3）：21-22.

[16] 項輝宇，劉倩倩，黃佳軍，等. 基于HALCON的字符識別及缺陷檢測[J]. 機電產(chǎn)品開發(fā)與創(chuàng)新，2014，27（2）：77-79.

[17] 李志強，項輝宇，李哲. OCR 在印刷字符實時檢測系統(tǒng)中的應(yīng)用[J]. 機電產(chǎn)品開發(fā)與創(chuàng)新，2013，26（3）：129-130.

[18] 張銀蘋，葛廣英. 基于HALCON的車牌識別研究[J]. 現(xiàn)代電子技術(shù)，2014，37（16）：92-95.

[19] 朱正禮. 基于三層BP神經(jīng)網(wǎng)絡(luò)的字符識別系統(tǒng)的實現(xiàn)[J]. 現(xiàn)代計算機，2006（10）：93-95.

[20] GARY BRADSKI，ADRIAN KAEHLER. 學(xué)習(xí)OpenCV（中文版）[M]. 北京：清華大學(xué)出版社，2009：150-154.

[21] RAFAEL C GONZALEZ，RICHARD E WOODS. Digital image processing（third edition）[M]. 北京：電子工業(yè)出版社，2011：290-292.

（責(zé)任編輯：黃 ?。?/p>