文/河南工程學(xué)院化工與印染工程學(xué)院 李瑞娟

印刷品上不可避免地會(huì)存在印刷缺陷，國內(nèi)印刷廠多用人工檢測(cè)印品缺陷，但其主觀性大、易疲勞、效率低，交貨周期長(zhǎng)。相比人眼檢測(cè)，機(jī)器視覺檢測(cè)具有永不疲勞、標(biāo)準(zhǔn)嚴(yán)格統(tǒng)一、不同產(chǎn)品差異化檢測(cè)、檢測(cè)效率高等優(yōu)點(diǎn)。

一、印刷品缺陷概述

彩色印刷品在印刷過程中，由于受到外部環(huán)境以及印刷機(jī)械裝置等因素的影響，會(huì)出現(xiàn)各種各樣的缺陷，主要包括文字局部或全部漏印、劃傷、污點(diǎn)、刀絲、色差等常見的印刷缺陷[1]。各種缺陷形狀各異， 面積不一，位置不定， 因此很難對(duì)缺陷統(tǒng)一歸類[2]。Seiji Hata等人于2002年首次將印品缺陷歸為形狀缺陷和顏色缺陷兩種[3]。圖1所示為常見的印刷品缺陷。

圖1 印刷品缺陷示例

二、基于機(jī)器視覺的印刷品缺陷檢測(cè)

基于機(jī)器視覺的印刷品缺陷檢測(cè)系統(tǒng)工作時(shí)通過CCD對(duì)印刷品攝像，將獲得的圖像數(shù)據(jù)傳遞給計(jì)算機(jī)中的圖像處理系統(tǒng)，系統(tǒng)對(duì)圖像數(shù)據(jù)進(jìn)行處理、分析和理解，檢測(cè)印刷品缺陷的存在及其相關(guān)缺陷信息，實(shí)現(xiàn)對(duì)印刷品質(zhì)量的在線控制，有效的提高印刷品合格率和生產(chǎn)效率。目前CCD獲取印刷品圖像后，檢測(cè)缺陷的方法主要有圖像處理法和圖像識(shí)別法。

三、圖像處理法

圖像處理法的工作流程如圖2所示。

圖2 印刷品缺陷檢測(cè)工作流程

日本的Katsuyuki Tanimizu于1990年提出一種基于索引空間的印刷缺陷檢測(cè)方法，該方法檢測(cè)效果較好但算法模型復(fù)雜因此沒有得到廣泛的應(yīng)用[4]。法國的B．Mehenni于1993年提出了一種新的檢測(cè)方法，該方法結(jié)合了逐像素比較法和n-tupe法，計(jì)算速度快且允許多參數(shù)輸出，但它要求專門的硬件設(shè)備，應(yīng)用性較差[5]。韓斌等提出了基于圖像處理的印刷品缺陷計(jì)算機(jī)自動(dòng)檢測(cè)系統(tǒng)的設(shè)計(jì)，該系統(tǒng)能提取出小幅面印刷品缺陷圖像[6]；章疏晉等人用圖像金字塔綜合了逐像素匹配和分區(qū)域匹配的優(yōu)點(diǎn)，提出了針對(duì)精細(xì)印刷品缺陷檢測(cè)的方案[7]；阮秋琦等通過動(dòng)態(tài)閾值的設(shè)定，對(duì)一些像素點(diǎn)實(shí)現(xiàn)免檢，以此縮短缺陷檢測(cè)時(shí)間[8]。郭軒提出了一種針對(duì)彩色圖像脈沖噪聲的自適應(yīng)混合濾波算法，有效的抑制了脈沖噪聲同時(shí)又不破壞圖像的細(xì)節(jié)，仿真結(jié)果表明該算法的良好效果[9]。

四、圖像識(shí)別法

圖像識(shí)別法是根據(jù)輸入圖像數(shù)據(jù)進(jìn)行某些特征提取或者維數(shù)降低，然后將提取的特征或者降低維數(shù)的數(shù)據(jù)輸入到分類器中進(jìn)行印刷品圖像分類。

（一）特征提取

特征提取有兩種方法。第一種方法能夠代表印刷品圖像的完整信息，識(shí)別的精度高，但因數(shù)據(jù)量巨大， 識(shí)別速度慢。其研究重點(diǎn)就是在基本不降低識(shí)別精度的前提下，試圖降低印刷品數(shù)據(jù)維數(shù)，提高圖像識(shí)別速度。Xu等提出了基于核主成分分析的印刷品實(shí)時(shí)在線檢測(cè)算法，且在此基礎(chǔ)上對(duì)核主成分分析進(jìn)一步優(yōu)化，使算法在耗時(shí)和精度上都取得了很好的效果[10]。第二種方法提取印刷品圖像的有效特征是研究重點(diǎn)。陳路研究了基于幾何形狀和紋理特征的印刷文字質(zhì)量檢測(cè)算法，基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)點(diǎn)圖像各色網(wǎng)點(diǎn)面積率識(shí)別算法和基于紋理的印刷圖像質(zhì)量檢測(cè)算法[11]。

（二）分類器識(shí)別

分類器是檢測(cè)印刷品有無缺陷和分類的重要依據(jù)。用于印刷品缺陷識(shí)別的分類器主要有神經(jīng)網(wǎng)絡(luò)、模糊模式識(shí)別和支持向量機(jī)等。

神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)分類以及大規(guī)模并行計(jì)算的能力，被廣泛應(yīng)用于印刷品缺陷的識(shí)別。英國埃克塞特大學(xué)的J.Luo 和Z.Zhang 提出了一種彩色印刷品缺陷檢測(cè)算法，該方法首先進(jìn)行光源校正，然后給在圖像三維直方圖上提取特征，最后使用人工神經(jīng)網(wǎng)絡(luò)對(duì)特征進(jìn)行分類以判斷印刷品是否存在缺陷[12]。有些印品缺陷與背景在灰度上接近，對(duì)比度低，沒有明顯邊界，存在一定的模糊性，因此將模糊模式識(shí)別被用來檢測(cè)印刷品缺陷。瑞典學(xué)者 Verikas 等人[13]提出了一種神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合的顏色缺陷檢測(cè)與識(shí)別方法，并取得較好的效果。

支持向量機(jī)分類器以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則，具有很好的泛化能力，克服了傳統(tǒng)算法中的維數(shù)災(zāi)難和過擬合現(xiàn)象。舒文娉等人提出了一種基于支持向量機(jī)的印品缺陷識(shí)別方法[14]，實(shí)驗(yàn)結(jié)果顯示，該方法的識(shí)別準(zhǔn)確率達(dá)到94%以上；楊洋結(jié)合了分類的思想和人眼視覺特性，采用SVM 學(xué)習(xí)的方法訓(xùn)練已知正負(fù)樣本的差異 特征集和類別，然后判斷檢測(cè)樣本是否存在缺陷[15]。深度學(xué)習(xí)的理念起源于人工神經(jīng)網(wǎng)絡(luò)，它可以利用低層特征，組合得到更為抽象的高層特征表示。深度學(xué)習(xí)的模型分類如圖3所示。胡建園提出了一種基于CNN和RBM結(jié)合的深度學(xué)習(xí)方法，經(jīng)過實(shí)驗(yàn)驗(yàn)證，此方法可以提高缺陷分類的準(zhǔn)確性[16]。

圖3 深度學(xué)習(xí)模型分類

五、總結(jié)及未來開展工作方向

總結(jié)目前印刷品缺陷檢測(cè)的方法，得出以下結(jié)論：

（1）圖像處理法大多數(shù)方法僅能檢測(cè)有無缺陷，圖像識(shí)別法不僅能夠檢測(cè)印刷品缺陷的存在性，同時(shí)還能對(duì)缺陷進(jìn)行分類。

（2）神經(jīng)網(wǎng)絡(luò)泛化能力弱，因此缺陷的識(shí)別率不高。模糊模式分類器過度依賴模糊規(guī)則的制定，若規(guī)則不合適，嚴(yán)重影響缺陷分類的準(zhǔn)確性，且在制定模糊規(guī)則時(shí)比較耗時(shí)，缺乏理論依據(jù)。支持向量機(jī)分類器以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則，具有很好的泛化能力，可以獲得較好的缺陷檢測(cè)和分類。深度學(xué)習(xí)可以提高印刷品缺陷的分類準(zhǔn)確率，但目前研究的還很少。

結(jié)合目前印刷品缺陷檢測(cè)現(xiàn)狀，未來可從以下幾個(gè)方向開展工作。

（1）目前缺陷檢測(cè)方法大多是針對(duì)某些特定缺陷檢測(cè)，且多數(shù)方法僅能檢測(cè)有無缺陷，可以探索將圖像處理法和圖像識(shí)別法結(jié)合起來印刷品進(jìn)行缺陷分類。

（2）隨著深度學(xué)習(xí)的興起，在很多領(lǐng)域已經(jīng)有了很多研究且取得不錯(cuò)的成績(jī)，印刷品缺陷和它們有很多相似處，因此可以將深度學(xué)習(xí)應(yīng)用到印刷品缺陷分類中。

（3）可以將不均衡分類的算法結(jié)合印刷品缺陷訓(xùn)練樣本自身不均衡的特點(diǎn)實(shí)現(xiàn)印刷品缺陷的分類。