熊繼淙　邢旭朋　馬軍

摘 要

針對現(xiàn)有的工業(yè)上的標簽表面質(zhì)量檢測過程中存在的速度慢，精度低的問題，提出一種基于Halcon的工業(yè)標簽表面的印刷圖案的缺陷檢測。其方法主要思想為差分思想即根據(jù)不同工業(yè)標簽表面圖案的區(qū)域特征進行Blob分析來定位，通過基于形狀的模板匹配算法來快速查找目標區(qū)域，然后利用灰度值差影匹配算法進行缺陷檢測。最后通過圖像配準的方法檢測缺陷的特征值，該檢測方法得到的檢測結(jié)果與實際存在的缺陷基本一致，而且大大提高了檢測的速度和精度，達到了生產(chǎn)線上的質(zhì)量要求。

關(guān)鍵詞

機器視覺;標簽缺陷檢測;差分思想;模板匹配

中圖分類號： TP391.41 文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.03.015

0 引言

工業(yè)標簽?zāi)軌驅(qū)υ谏a(chǎn)過程中產(chǎn)生的大量數(shù)據(jù)進行自動化收集，而且實時準確的傳遞給管理系統(tǒng)。大大提高了生產(chǎn)效率，改進了生產(chǎn)方式，節(jié)約了生產(chǎn)成本。然而，工業(yè)標簽在印刷的過程中存在大大的不確定性，致使標簽的表面不可避免地隨機出現(xiàn)各種缺陷，例如：印刷缺失、臟污、劃痕等。而目前對于工業(yè)標簽的缺陷檢測大多還是人通過肉眼來進行檢測，這種檢測方法不可避免地就大大浪費了人力勞動資源，而且隨著時間的增長，人眼會感到疲憊，這樣就會提高漏檢和誤檢率。因此，本文將機器視覺引入到工業(yè)標簽表面質(zhì)量的缺陷檢測中，解決了人工檢測的效率低，耗時長，漏檢和誤檢等問題。

1 檢測系統(tǒng)的實驗平臺搭建

本文采用Halcon圖像處理軟件來搭建工業(yè)標簽表面缺陷檢測的檢測系統(tǒng)，主要檢測過程為：利用工業(yè)相機對傳送帶上待檢的工業(yè)標簽進行圖像采集和預(yù)處理，最后通過模板配準檢測出缺陷所在的區(qū)域。該檢測方案的硬件系統(tǒng)主要包括光源、相機、鏡頭、編碼器和圖像處理平臺等。由于工業(yè)上的標簽種類和大小都不一樣，本文選用工業(yè)上常用的一種鋰電池的標簽來進行試驗，該標簽的尺寸為400mmx200mm，檢測精度為400μm。因此，該系統(tǒng)采用的相機為邁德威視的500萬級的千兆網(wǎng)工業(yè)相機，相機的分辨率為2448像素x2048像素，鏡頭焦距選用3.5-8mm，可以手動調(diào)節(jié)，光源選用LED條形白光。在檢測的過程中，相機首先通過驅(qū)動軸上的編碼器實時觸發(fā)來采集圖像，然后將采集到的圖像傳到PC機，最夠運用PC機上的Halcon圖像處理軟件來進行圖像處理并輸出檢測結(jié)果。

2 檢測實驗結(jié)果

在進行圖像配準之前，為了能夠?qū)⒋郎y圖像與標準圖像在位置上盡可能地保持一致，首先執(zhí)行find_shape_model算子查找到標簽所在的位置區(qū)域，找到未知區(qū)域后，利用vector_angle_to_rigid算子和affine_trans_image算子將待測圖像變換到標準圖像所在的位置，然后再進行配準工作。通過圖像配準之后，將通過仿射變換后的待檢圖像與標準圖像利用compare_variation_model算子進行比對，得到缺陷區(qū)域。得到缺陷區(qū)域之后利用connection算子求得缺陷區(qū)域的連通域，然后用面積特征進行特征篩選，設(shè)定缺陷面積小于10個像素的就認為是OK品的圖像，缺陷面積大于10個像素的圖像則認為是Not OK的圖像。缺陷檢測結(jié)果見圖1。

3 試驗結(jié)果分析

工業(yè)標簽表面缺陷檢測系統(tǒng)在實驗運行過程中，按照要求設(shè)定的缺陷有劃痕、污漬、印刷不全等缺陷。variation Model的訓(xùn)練學(xué)習法的檢測結(jié)果：誤報：0，漏報：0，視覺檢測方法可靠，準確;單張標簽的檢測時間基本為10ms以內(nèi)，缺陷檢測結(jié)果分析見表1。

表1 實驗數(shù)據(jù)表

由表1可以看出，本文提出的標簽表面的缺陷檢測方案比傳統(tǒng)的人工檢測方式大大提高了檢測的速度和精度，同時也保證了準確率，達到了生產(chǎn)線上的質(zhì)量需求。

相比于傳統(tǒng)的人工肉眼缺陷檢測的方式，利用Halcon軟件設(shè)計的工業(yè)標簽表面缺陷檢測方案，能夠更準確快速地檢測出標簽表面的缺陷，達到了生產(chǎn)線的質(zhì)量需求。

參考文獻

[1]湯勃，孔建益，伍世虔.機器視覺表面缺陷檢測綜述[J].中國圖象圖形學(xué)報，2017，22（12）：1640-1663.

[2]陳萍.基于HALCON的標簽?zāi)Ｇ腥毕莸臋z測[J].信息通信， 2018.（1）：116-119.

[3] Han B A， Xiang H Y， Li Z， et al. Defects detection of sheet metal parts based on HALCON and region morphology[C].Applied Mechanics and Materials. Trans Tech Publications，2013，365：729-732.