邢旭朋

(西安工程大學 機電工程學院， 陜西 西安 710048)

隨著科技的快速發(fā)展，印刷產(chǎn)品越來越趨于自動化生產(chǎn)，同時工業(yè)上對于印刷品的質(zhì)量要求也相對應有所提高。在印刷的過程中，由于各種因素(人為、設(shè)備或者原材料等)，不可避免地會使得印刷產(chǎn)品表面產(chǎn)生一些缺陷，常見的缺陷有：飛墨、針孔、偏色、漏印、黑點、刮擦和套印不全等[1]。對于印刷品的缺陷檢測，傳統(tǒng)方法主要是依靠人工檢測，但是該方法成本較高、效率低下，而且人長時間工作容易產(chǎn)生疲勞，不可避免地就會出現(xiàn)誤檢和漏檢，很難滿足現(xiàn)在高速發(fā)展的生產(chǎn)需求。而為了保障印刷產(chǎn)品的質(zhì)量及提高效率，將機器視覺引入到了工業(yè)生產(chǎn)當中，大大減少了人力勞動。

筆者設(shè)計了一種利用改進的P-M非線性擴散模型[2]與圖像差分模型配準的方法對印刷品的表面缺陷進行檢測，最后通過仿真案列對該方法進行驗證。

1 檢測系統(tǒng)的實驗平臺搭建

檢測系統(tǒng)主要采用Halcon圖像處理軟件來搭建，其檢測原理為：首先相機通過驅(qū)動軸上的編碼器實時觸發(fā)來采集圖像，將采集得到的圖像傳輸?shù)焦た貦C上，運用改進的P-M模型對其進行預處理，增強缺陷區(qū)域的對比度；通過模板匹配算法定位到缺陷區(qū)域，最后通過圖像配準算法檢測到缺陷區(qū)域的特征值并輸出檢測結(jié)果。該檢測系統(tǒng)的硬件主要包括相機(邁德威視500萬級的千兆網(wǎng)工業(yè)相機，分辨率為2 448像素×2 048像素)，鏡頭(焦距3.5～8.0 mm，手動調(diào)節(jié))，光源(LED條形光源)。檢測的產(chǎn)品為工業(yè)上常用的鋰電池標簽(尺寸400 mm×200 mm，檢測精度為400 μm)。實驗平臺如圖1所示。

圖1 實驗平臺Figure 1 Experimental platform

2 印刷品表面缺陷檢測方法設(shè)計

2.1 表面缺陷檢測流程

如圖2所示，文中印刷品的缺陷檢測主要包括3個階段，依次為創(chuàng)建模板、定位和圖像配準檢測。具體過程為：首先對6～7張OK品級的圖像進行訓練得到標準圖像，對標準圖像進行Blob分析定位，得到標簽所在的區(qū)域，并生成配準和檢測模板，記為標準模板圖像；然后利用非線性擴散模型的方法，在保持非缺陷區(qū)域平滑程度不變的情況下，對待測圖像進行平滑后，將原始圖像與擴散后的圖像做差分運算增強缺陷區(qū)域的對比度，得到差分圖像；最后將差分圖像與標準模板圖像進行配準，檢測出缺陷所在的區(qū)域特征值以便分析硬件設(shè)備對于印刷品印刷質(zhì)量的影響。

圖2 檢測流程Figure 2 Testing process

2.2 非線性擴散模型(P-M模型)

圖像預處理后，利用改進的非線性擴散模型對缺陷區(qū)域進行平滑和銳化處理，然后以圖像差分的方法增強缺陷的對比度。

P-M模型是數(shù)學中常用的非線性擴散模型[3-4]，表達式為：

(1)

表達式為：

(2)

式中t為一個常數(shù)。

P-M模型對應的離散解為[5-6]:

誰都聽得出來這是一句玩笑話，可周暄的臉卻一下子陰沉下來，一口氣喝干杯子里的燒酒，又倒了一杯，酒勁上來，他端著杯子走到那人邊上：“能娶到朝敏這么好的老婆，那是我的福氣，來，跟我干三杯，你也一樣能找到這么好的老婆，就不用總惦記別人家的老婆了?！?/p>

(3)

表達式為：

(4)

(5)

筆者為了提高算法的檢測效率以及魯棒性，用求中心差值的方法來替換傳統(tǒng)的前后項差值的方法。式(4)表明，相比于傳統(tǒng)方法，改進的方法準確性更高；且如圖3所示，當隨機噪聲與真實邊緣出現(xiàn)在水平方向時，傳統(tǒng)方法容易引起誤檢。

圖3 真實邊緣與隨機噪聲示意圖Figure 3 Schematic diagram of real edge and random noise

為準確得到某像素點的4個鄰點的最鄰近差分值,采用中心差值法[7-8]，表達式為：

(6)

由圖3(a)所示，對于真實的邊緣，公式為：

(7)

中心差值法求得的隨機噪聲與真實邊緣的通量值為：

(8)

2.3 圖像差分

假設(shè)原始圖像為lε(x,y)，經(jīng)過改進的P-M模型對原始圖像lε(x,y)進行擴散后得到的圖像為lf(x,y)。繼而對lε(x,y)與lf(x,y)進行圖像的差分運算，來對缺陷區(qū)域的對比度進行增強。

圖像lε(x,y)與lf(x,y)的差分運算公式為[9]：

(9)

2.4 圖像配準

在通過P-M模型得到差分圖像后，利用仿射變換將差分圖像變換到標準圖像的位置，使得到的差分圖像與標準模板圖的圖像數(shù)據(jù)在空間上一一對應，然后根據(jù)標準模板圖與差分圖像之間的像素數(shù)據(jù)差異判別此待測圖有無缺陷，從而實現(xiàn)印刷產(chǎn)品表面的缺陷檢測。差分圖像D(i,j)為模板圖像T(i,j)與待檢測圖像S(i,j)匹配相減后得到的差：

D(i,j)=|S(i,j)-T(i,j)|。

(10)

D(i,j)值越小，說明差分圖像與標準模板圖像對應的像素值的差別越小，2副圖越相似[10-13]。

3 實驗驗證分析

筆者以鋰電池標簽表面的缺陷檢測為案列，對所提出的方法進行驗證。實驗選取漏印、墨點、刮擦等缺陷模式的鋰電池標簽進行試驗。實驗步驟為：

1) 圖像灰度化，然后預處理進行去噪。

2) 使用非線性擴散模型以及圖像差分將缺陷區(qū)域的對比度增強。

3) 通過圖像配準的方法檢測出缺陷區(qū)域特征值。

實驗中將筆者所設(shè)計的方法與文獻[14]和文獻[1]中的方法進行對比，更直觀地突出筆者改進的設(shè)計方法的優(yōu)點。文獻[14]將基于形狀的模板匹配算法創(chuàng)建多個特征區(qū)域并依次進行配準，根據(jù)配準數(shù)據(jù)獲得變換矩陣，既而通過仿射變換，完成模板匹配的過程，得到缺陷檢測的區(qū)域，該方法具有一定的實用性。文獻[1]首先手動定位區(qū)域特征，然后通過基于形狀的模板匹配算法來快速匹配，利用灰度值差影算法來進行缺陷檢測，此方法能夠理論聯(lián)系實際，具有一定的實踐經(jīng)驗。

從圖4～5的檢測結(jié)果可知，3種方法對缺陷檢測都有效果。然而，各個方法檢測的效果并不相同，在圖4(b)中，文獻[14]中的方法只能檢測較為明顯的缺陷，存在缺陷丟失的現(xiàn)象。在圖4(c)中，文獻[1]的方法檢測效果較好，但是仍存在檢測不全以及缺陷區(qū)域邊緣信息丟失的情況。而在圖4(d)和圖5(d)中，筆者所提出的檢測方法能完整地檢測出缺陷區(qū)域，效果明顯要優(yōu)于另外2種檢測方法。該檢測方法提高了檢測精度(準確率高達99.97%)，同時保持了檢測的速度，滿足工業(yè)上的生產(chǎn)質(zhì)量要求。

圖4 劃痕缺陷檢測效果對比Figure 4 Comparison of detection effects of scratch defects

圖5 墨點與劃痕混合缺陷檢測效果對比Figure 5 Comparison of detection effect between ink spot and scratch mixed defect

4 結(jié)論

筆者提出了一種基于改進Perona-Malik(P-M)非線性擴散模型與圖像差分模型配準的印刷品表面缺陷檢測方法。將采集完好的圖像進行圖像平均運算，并將該平均圖像建為模板；其次對待測圖像進行預處理，將缺陷區(qū)域用改進后的非線性擴散模型進行平滑；繼而將原始圖像與非線性模型擴散后的圖像進行差分，增強了缺陷區(qū)域的對比度；最后在將得到的差分圖像與開始時創(chuàng)建的模板圖像進行比對，得到缺陷區(qū)域。經(jīng)實驗驗證，筆者所設(shè)計的方法相比傳統(tǒng)方法提高了精度(準確率高達99.97%)，且有較高的速度，能夠滿足一般工業(yè)缺陷檢測的需求。