CN105426902A - 基于形变复原技术的钞券质量检测系统及方法 - Google Patents

Abstract

本发明涉及基于形变复原技术的钞券质量检测系统及方法，在钞券质量检测中的应用使用的算法通过保留训练集图像数据主要特征，以及常见的变化，去掉了训练集中数据不相关性，对实时图像进行重构，保留了图像中在训练集中相关的数据部分，去掉了图像中的不相关部分，实时图像与重构图像逐点比对后得到差异图像，阈值化后检出缺陷。本发明解决现有方法定位过程中胶、凹印的区域分层不准的问题，实现在检测过程中不需要对胶、凹印进行区分，可以容忍几何畸变，直接对胶、凹印边界，同时属于胶、凹印区域附近等难定位、检测的位置进行检测。提高了检测精准度，降低了检测误报，可提示机台快速准确的发现问题，及时有效地控制产品质量。

Description

基于形变复原技术的钞券质量检测系统及方法

技术领域

本发明涉及一种基于形变复原技术的钞券质量检测系统及方法。

背景技术

目前，在现有的图像缺陷(差异)检测过程中，需要将实时图像与参考图像进行精确配准，并进行点对点比较。当逐点比较的差异大于一定的阈值时，认为实时图像对应位置存在差异。对差异图像进行一系列处理后可进行缺陷检测。这种检测方式关键在于图像精确配准，将实时图像与参考图像完全对准后(亚像素级)才能进行检测，在对准过程中存在以下几个难点：

1、由于印刷的印次不同，不同的检测图像中胶印区与凹印区会出现小幅度的浮动。分别对准胶印区、凹印区以及同时属于胶、凹印的区域是一个实际中的难点。

2、采集的图像会出现小的畸变，当一个位置对准后，往往距离其较远的区域并没有对准。即一个对准点只能保证检测图像在一个有限的范围内对准。

发明内容

为了解决现有的图像缺陷检测方法存在定位过程中不同印次难以区分，胶印区、凹印区很难定位对准的技术问题，本发明提供一种基于形变复原技术的钞券质量检测系统及方法。

本发明的技术解决方案：

基于形变复原技术的钞券质量检测系统，其特殊之处在于：包括定位模块、学习模块、重构图像生成模块、比对模块以及训练集；

所述训练集：采集原始图像并保存，同时对原始图像样本进行训练；

所述定位模块：确定定位核，根据定位核搜索、匹配、对准，确定每个检测区；所述定位核为原始图像中反差明显的区域；

所述学习模块：根据训练集中原始图像的检测区的结构特征、图像常见变化，经过整理找到共同特征、过滤畸变特征、并融合常见变化，形成子空间；

所述重构图像生成模块：将相机采集到的实时图像数据投影至线性子空间中，保留实时图像中与子空间相关的特征，去掉不相关特征后，将投影后的数据重构至实时图像的原空间中得到重构图像；

所述比对模块：实时图像与重构图像进行对比，得到差异图像；将差异图像与预存的阈值进行比较，判断实时图像是否有缺陷。

上述训练集的具体工作为：

a采集原始图像并保存；

b对原始图像样本进行线性子空间提取，线性子空间为一组包含有l个n维的训练样本，训练样本集为其中l为原始图像样本个数，n为原始图像的像素数，线性子空间的维数为k；

c利用下面公式计算原始图像样本均值μ：

$\mathrm{\μ}=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}{x}_i$

d利用下面公式计算协方差矩阵C

$C=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}(x_i-\mathrm{\μ}){(x_i-\mathrm{\μ})}^{\′}$

e进行特征分解，求解特征值特征向量，并保留前k个特征向量U_k和对应的特征值U_k'

[U,Λ]＝eig(lC)。

上述重构图像生成模块具体工作：

1)按照以下公式，将实时图像数据x投影至线性子空间中，得到投影数据y；

y＝U_k'(x-μ)

2)按照以下公式，将投影数据y重构到实时图像的原空间中，得到重构图像数据

$\hat{x}=U_{k}y+\mathrm{\μ}.$

检测系统的检测方法，包括以下步骤：

1)采集原始图像并保存，同时对原始图像样本进行训练；

2)在原始图像中确定定位核，根据定位核搜索、匹配、对准，确定每个检测区；所述定位核为原始图像中反差明显的区域；

3)根据检测区的结构特征、图像常见变化，经过整理找到共同特征、过滤畸变特征，并融合常见变化，形成子空间；

4)将相机采集到的实时图像数据投影至子空间中，保留实时图像数据中与子空间相关的特征，去掉的不相关特征，将投影后的数据重构至实时图像的原空间中得到重构图像；

5)实时图像与重构图像进行对比，得到差异图像；将差异图像与预存的阈值进行比较，判断实时图像是否有缺陷。

检测方法，包括以下步骤：

a采集原始图像并保存；

b对原始图像样本进行线性子空间提取，线性子空间为一组包含有l个n维的训练样本，训练样本集为其中l为原始图像样本个数，n为原始图像的像素数，线性子空间的维数为k；

c利用下面公式计算原始图像样本均值μ：

$\mathrm{\μ}=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}{x}_i$

d利用下面公式计算协方差矩阵C

$C=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}(x_i-\mathrm{\μ}){(x_i-\mathrm{\μ})}^{\′}$

e进行特征分解，求解特征值特征向量，并保留前k个特征向量U_k

[U,Λ]＝eig(lC)。

步骤2的具体实现为：

a按照以下公式，将实时图像数据x投影至线性子空间数据中，得到投影数据y；

y＝U_k'(x-μ)

b按照以下公式，将投影数据y重构到实时图像的原空间中，得到重构图像数据

$\hat{x}=U_{k}y+\mathrm{\μ}.$

本发明所具有的优点：

1、本发明解决定位过程中胶、凹印的区域分层不准的问题，原则上可以在建模过程中不用区分印次(如胶、凹印)。

2、本发明可实现在检测过程中不需要对胶、凹印进行区分，可以直接对胶、凹印边界，同时属于胶、凹印区域(如手感线区域)附近这些难定位、检测的位置进行检测。

3、本发明可实现在定位过程中，不需要进行亚像素级定位。

4、本发明可实现在检测过程中可以容忍几何畸变。

附图说明

图1为基于形变复原技术的钞券质量检测系统示意图；

图2为基于形变复原技术的钞券质量检测方法的流程图；

图3为胶凹重构之胶印缺陷示例，其中图3a为的实时图像，图3b为重构图像，图3c为差异图像；

图4为胶凹重构图像之凹印缺陷示例，其中图4a为实时图像，图4b为重构图像，图4c为差异图像；

图5凹印区重构图像示例，其中图5a为实时图像，图5b为重构图像，图5c为差异图像；

图6为测试图像的实施例示例；

图7为定位核，其中图7a为一种定位核，图7b为另一种定位核；

图8为一种测试结果示意图，其中图8a实时图像，图8b为重构图像，图8c为差异图像，图8d为阈值化后BLOB图像；

图9为另一种测试结果示意图，其中图9a实时图像，图9b为重构图像，图9c为差异图像，图9d为阈值化后BLOB图像。

具体实施方式

形变复原技术保留了数据主要特征，以及常见的变化，去掉了训练集中数据不相关性，对实时图像进行重构，重构后的图像保留了图像中在训练集中相关的数据部分，去掉了图像中的不相关部分，由于实时图像中“缺陷”没有出现在训练集中，因此缺陷部分不会被保留，重构的图像可以认为是一张“完美”的对准图像。实时图像与重构图像逐点比对后可以得到差异图像，当差异大于一个阈值时，认为是缺陷。

图3、4、5为重构“完美”图像的实例：图3为胶凹重构之胶印缺陷示例，其中图3a为的实时图像，图3b为重构图像，图3c为差异图像；图4为胶凹重构图像之凹印缺陷示例，其中图4a为实时图像，图4b为重构图像，图4c为差异图像；图5凹印区重构图像示例，其中图5a为实时图像，图5b为重构图像，图5c为差异图像。

训练集：训练阶段的过程：

1)训练阶段需要对训练样本图像进行线性子空间提取，其中设训练数据为一组包含有l个n维的训练样本(图像样本个数为l，图像的像素数为n),样本集为子空间的维数为k，如下为训练步骤：

2)计算样本均值

$\mathrm{\μ}=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}{x}_i$

3)计算协方差矩阵

$C=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}(x_i-\mathrm{\μ}){(x_i-\mathrm{\μ})}^{\′}$

4)进行特征分解，求解特征值特征向量，并保留前k个特征向量U_k

[U,Λ]＝eig(lC)

实施例：

检测第一步为定位：即通过定位核确定每个检测区。该步与目前定位方法基本一致，但不需要做亚像素对准。计算的复杂度与搜索范围、定位核的尺寸、定位核的个数有关。

检测第二步为重构：为了便于说明下面以100×100的图像块为例。

1)进行数据重构首先需要将数据x投影到训练好的线性子空间数据中。

y＝U_k'(x-μ)

其中U_k'为训练阶段得到Uk。

2)利用前k个特征向量重构到原空间。

$\hat{x}=U_{k}y+\mathrm{\μ}.$

其中为重构图像。

具体为：

需要将实时样本去掉均值，即进行10000次减法。(图像为100×100的相当于有10000个点,每一个点都要进行(x-μ)运算，不难看出该方法的运算量小，计算速度快

进行子空间投影，即矩阵乘法将一个1×10000的向量与10000×k的矩阵进行乘法。设k＝25,则该步骤的时间复杂度等同于利用一个5×5的模板对图像块进行滤波。

总体上，若子空间维数k＝25，则重构的时间复杂度与对一个图像块进行两次5×5的模板滤波等同。

实施例2

对下图6的区域的R分量进行检测，训练样本共800张。定位核1尺寸100×100，图像尺寸600×1100。定位核2尺寸80×80

本实施例中采用了两个定位核，如图7a和图7b所示。

针对两个定位核，有两个测量结果，其中图8a-8d为对一张质量较好没有缺陷图象进行重构，找差实现检测的过程；图9a-9d为对一张有明显质量缺陷图象进行重构，找差检测过程。此处两个结果是针对不同的测试图像的结果。仅仅是两个测试样本的区别。

在一次检测中往往需要多于1个定位核才能完成定位，在人民币检测中由于存在胶印和凹印两个印次，两个印次间存在套印关系。本实施例中图7a所示的定位核1针对胶印区域，图7b所示的定位核2针对凹印区域。

图8a为一实际无印刷印刷图像的R通道，8b为本发明重构复原的图像的(完美图像)。特别注意的是重构图像的安全线区域也得到的完美重构。8c为8a与8b求差之后的灰度图像。8d为将8c进行二值化后的图像，阈值为35，其中白色区域潜在印刷缺陷区域(是否真正判断为人工缺陷还需后续对白色连通区域的面积、位置、形态进行分析后最终确定)。

图9a为在另一副印刷图像中人为添加一些常见缺陷(墨点、蹭脏、缺印等)后的R通道图像。9b为重构复原的图像的(完美图像)。9c为9a与9b求差之后的灰度图像。9d为将9c进行二值化后的图像，阈值为35。通过9d可以看出，人工添加缺陷均准确检出。

Claims (6)

1.基于形变复原技术的钞券质量检测系统，其特征在于：包括定位模块、学习模块、重构图像生成模块、比对模块以及训练集；

所述训练集：采集原始图像并保存，同时对原始图像样本进行训练；

所述定位模块：确定定位核，根据定位核搜索、匹配、对准，确定每个检测区；所述定位核为原始图像中反差明显的区域；

所述学习模块：根据训练集中原始图像的检测区的结构特征、图像常见变化，经过整理找到共同特征、过滤畸变特征、并融合常见变化，形成子空间；

所述重构图像生成模块：将相机采集到的实时图像数据投影至线性子空间中，保留实时图像中与子空间相关的特征，去掉不相关特征后，将投影后的数据重构至实时图像的原空间中得到重构图像；

所述比对模块：实时图像与重构图像进行对比，得到差异图像；将差异图像与预存的阈值进行比较，判断实时图像是否有缺陷。

2.根据权利要求1所述的基于形变复原技术的钞券质量检测系统，其特征在于：

所述训练集的具体工作为：

a采集原始图像并保存；

b对原始图像样本进行线性子空间提取，线性子空间为一组包含有l个n维的训练样本，训练样本集为其中l为原始图像样本个数，n为原始图像的像素数，线性子空间的维数为k；

c利用下面公式计算原始图像样本均值μ：

$\mathrm{\μ}=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}{x}_i$

d利用下面公式计算协方差矩阵C

$C=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}(x_i-\mathrm{\μ}){(x_i-\mathrm{\μ})}^{\′}$

e进行特征分解，求解特征值特征向量，并保留前k个特征向量U_k和对应的特征值U_k'

[U,Λ]＝eig(lC)。

3.根据权利要求2所述的基于形变复原技术的钞券质量检测系统，其特征在于：

所述重构图像生成模块具体工作：

1)按照以下公式，将实时图像数据x投影至线性子空间中，得到投影数据y；

y＝U_k'(x-μ)

2)按照以下公式，将投影数据y重构到实时图像的原空间中，得到重构图像数据

$\hat{x}=U_{k}y+\mathrm{\μ}.$

4.基于权利要求书1所述的检测系统的检测方法，其特征在于：包括以下步骤：

1)采集原始图像并保存，同时对原始图像样本进行训练；

2)在原始图像中确定定位核，根据定位核搜索、匹配、对准，确定每个检测区；所述定位核为原始图像中反差明显的区域；

3)根据检测区的结构特征、图像常见变化，经过整理找到共同特征、过滤畸变特征，并融合常见变化，形成子空间；

4)将相机采集到的实时图像数据投影至子空间中，保留实时图像数据中与子空间相关的特征，去掉的不相关特征，将投影后的数据重构至实时图像的原空间中得到重构图像；

5)实时图像与重构图像进行对比，得到差异图像；将差异图像与预存的阈值进行比较，判断实时图像是否有缺陷。

5.根据权利要求4所述的检测方法，其特征在于：步骤1)具体为：

a采集原始图像并保存；

b对原始图像样本进行线性子空间提取，线性子空间为一组包含有l个n维的训练样本，训练样本集为其中l为原始图像样本个数，n为原始图像的像素数，线性子空间的维数为k；

c利用下面公式计算原始图像样本均值μ：

$\mathrm{\μ}=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}{x}_i$

d利用下面公式计算协方差矩阵C

$C=\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}(x_i-\mathrm{\μ}){(x_i-\mathrm{\μ})}^{\′}$

e进行特征分解，求解特征值特征向量，并保留前k个特征向量U_k和对应的特征值U_k'

[U,Λ]＝eig(lC)。

6.根据权利要求5所述的检测方法，其特征在于：步骤2的具体实现为：

a按照以下公式，将实时图像数据x投影至线性子空间数据中，得到投影数据y；

y＝U_k'(x-μ)

b按照以下公式，将投影数据y重构到实时图像的原空间中，得到重构图像数据

$\hat{x}=U_{k}y+\mathrm{\μ}.$