CN108776140B - 一种基于机器视觉的印刷品瑕疵检测方法及系统 - Google Patents
一种基于机器视觉的印刷品瑕疵检测方法及系统 Download PDFInfo
- Publication number
- CN108776140B CN108776140B CN201810586542.XA CN201810586542A CN108776140B CN 108776140 B CN108776140 B CN 108776140B CN 201810586542 A CN201810586542 A CN 201810586542A CN 108776140 B CN108776140 B CN 108776140B
- Authority
- CN
- China
- Prior art keywords
- image
- measured
- area
- threshold
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000012937 correction Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000005520 cutting process Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 19
- 238000007639 printing Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 4
- 241001292396 Cirrhitidae Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000003854 Surface Print Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于机器视觉的印刷品瑕疵检测方法及系统，包括获取样本图像，裁剪出样本图像目标区域；建立与样本图像大小一致的方差模板，获取边缘信息图，将边缘信息图及参照图转换成两张阈值图，存储至方差模板；输入待测图像，将待测图像与图像轮廓模板进行匹配，搜索输出匹配目标的匹配参数，利用所述匹配参数将待测图像均值滤波处理后进行仿射变换；裁剪出仿射变换后待测图像的待测目标区域，将待测目标区域与参照图进行区域匹配，获取调整参数，依据调整参数进行旋转矫正；对比矫正图与方差模板，圈出矫正图中的瑕疵点输出瑕疵检测图。采用上述方法有助于释放劳动力，检测准确率达到98％以上，能够检测到0.1mm以上大小的印刷划痕瑕疵。
Description
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种基于机器视觉的印刷品瑕疵检测方法及系统。
背景技术
现代印刷工业对印刷品质量的要求日益严格，传统的人工缺陷检测方法因其高成本、低效率、主观性强、易疲劳等缺点，已无法满足现代化工业生产的需求。随着计算机技术与高分辨率数字成像技术的快速发展，基于机器视觉的非接触式产品质量检测成为现代工业质量检测的重要手段之一。
机器视觉印刷品缺陷检测流程一般都需要先对目标区域进行定位，然后再对印刷缺陷进行检出判断。现有的技术最简单的就是在精确定位的基础上，通过图像与标准图之间像素点做差值运算的方式得出不同的地方，即缺陷的位置。如申请号为200710165335.9的专利中公开一种表面瑕疵检测方法及装置，所述的表面瑕疵检测方法包括以下步骤：采集被检测物件图像；根据采集的被检测物件图像对其进行二值化处理生成二值化图像；对已经进行二值化处理的图像进行滤波疑似瑕疵微粒处理；将瑕疵灰度平均值与二值化前图像瑕疵区域灰度平均值进行比较，确定瑕疵点。该专利中提及了通过图像与标准图像之间像素点做差值运算的方式找出瑕疵点。
然而现实中，由于目标位置匹配不准确的原因就很容易导致误检的情况出现，另一方面直接采用像素点做差的方法会由于前后帧采集条件的不同，如光照变换、目标偏移等各方面环境因素的影响也会导致误检的情况出现。所以针对目标定位的问题，有人提出了基于shif特征点或基于surf特征点匹配的方式来进行目标定位，但是在提特征的过程需要花费大量的时间，无法满足工业生产实时性的需求。
鉴于以上因素，设计一种基于机器视觉的塑料表面印刷LOGO瑕疵检测方法，是目前工业流水线生产所必须的。
发明内容
本发明的目的在于，提出一种基于机器视觉的印刷品瑕疵检测方法，能够满足工业使用需求，提高瑕疵检测的准确性的问题。
为了实现上述目的，本发明所采用的技术方案为：
一种基于机器视觉的印刷品瑕疵检测方法，包括如下步骤：
获取样本图像，进行均值滤波处理获得参照图后进行二值化处理，构建像素点连通区域并进行区域合并，裁剪出样本图像目标区域；提取样本图像目标区域的图像轮廓，输出图像轮廓模板；
建立与样本图像大小一致的方差模板，处理获取边缘信息图，将边缘信息图及参照图转换成两张阈值图，存储至方差模板；
输入待测图像，将待测图像与图像轮廓模板进行匹配，搜索输出匹配目标的匹配参数，利用所述匹配参数将待测图像均值滤波处理后进行仿射变换；
裁剪出仿射变换后待测图像的待测目标区域，将待测目标区域与参照图进行区域匹配，获取调整参数，依据调整参数进行旋转矫正输出矫正图；
对比矫正图与方差模板，圈出矫正图中像素点的像素值比两张阈值图相应位置大的第一瑕疵点，及圈出矫正图中像素点的像素值比两张阈值图相应位置小的第二瑕疵点，输出瑕疵检测图。
所述的基于机器视觉的印刷品瑕疵检测方法，还包括，设定一圆形结构因子对瑕疵检测图上的第一瑕疵点和第二瑕疵点进行开运算，区分连通域，选择面积大于设定像素值的区域为目标瑕疵点。
其中，所述设定像素值为10-15像素。
其中，所述旋转矫正包括如下步骤：
样本图像目标区域均值计算，针对样本图像目标区域进行二值化处理确定样本背景区域，把样本图像目标区域与样本背景区域做差得到样本前景区域，分别计算样本前景区域与样本背景区域的均值M1、M2；
待测目标区域均值计算，将待测目标区域进行二值化处理确定待测背景区域，把待测目标区域与待测背景区域做差获取待测前景区域，分别计算待测背景区域和待测前景区域的均值D1、D2；
计算旋转矫正参数，针对待测目标区域进行旋转矫正：
Mult＝(M1-M2)/(D1-D2)
ADD＝(M1-Mult*D1)
g*(x，y)＝g(x，y)*Mult+Add，其中，g(x，y)表示待测图像在坐标(x，y)的原始像素值，g*(x，y)表示待测图像在坐标(x，y)经过旋转矫正的像素值。
其中，所述样本图像目标区域均值计算在输入待测图像之前或在输入待测图像之后。
其中，所述的调整参数包括水平偏移量及旋转角度。
本发明还公开一种基于机器视觉的印刷品瑕疵检测系统，包括：
形状模型建立模块，用于获取样本图像，进行均值滤波处理获得参照图后进行二值化处理，构建像素点连通区域并进行区域合并，裁剪出样本图像目标区域；提取样本图像目标区域的图像轮廓，输出图像轮廓模板；
方差模型建立模块，用于建立与样本图像大小一致的方差模板，处理获取边缘信息图，将边缘信息图及参照图转换成两张阈值图，存储至方差模板；
匹配模块，用于输入待测图像，将待测图像与图像轮廓模板进行匹配，搜索输出匹配目标的匹配参数，利用所述匹配参数将待测图像均值滤波处理后进行仿射变换；
矫正模块，用于裁剪出仿射变换后待测图像的待测目标区域，将待测目标区域与参照图进行区域匹配，获取调整参数，依据调整参数进行旋转矫正输出矫正图；
瑕疵图获取模块，用于对比矫正图与方差模板，圈出矫正图中像素点的像素值比两张阈值图相应位置大的第一瑕疵点，及圈出矫正图中像素点的像素值比两张阈值图相应位置小的第二瑕疵点，输出瑕疵检测图。
其中，还包括降噪模块，用于设定一圆形结构因子对瑕疵检测图上的第一瑕疵点和第二瑕疵点进行开运算，区分连通域，选择面积大于设定像素值的区域为目标瑕疵点。
其中，所述矫正模块包括：
样本图像目标区域均值计算模块，，针对样本图像目标区域进行二值化处理确定样本背景区域，把样本图像目标区域与样本背景区域做差得到样本前景区域，分别计算样本前景区域与样本背景区域的均值M1、M2；
待测目标区域均值计算模块，将待测目标区域进行二值化处理确定待测背景区域，把待测目标区域与待测背景区域做差获取待测前景区域，分别计算待测背景区域和待测前景区域的均值D1、D2；
计算旋转矫正参数，针对待测目标区域进行旋转矫正：
Mu1t＝(M1-M2)/(D1-D2)
ADD＝(M1-Mult*D1)
g*(x，y)＝g(x，y)*Mult+Add，其中，g(x，y)表示待测图像在坐标(x，y)的原始像素值，g*(x，y)表示待测图像在坐标(x，y)经过旋转矫正的像素值。
本发明还公开一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行程序时实现基于机器视觉的印刷品瑕疵检测方法。
本发明还公开一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于机器视觉的印刷品瑕疵检测方法。
本发明的有益效果为：
一、与传统的通过肉眼进行瑕疵检测相比，采用机器视觉的印刷品瑕疵检测方法有助于释放劳动力，减少人力成本，减少人为检测错误等情况的出现，检测的准确率达到98％以上，且能够检测到0.1mm以上大小的印刷划痕瑕疵。
二、采用所述的方法能够快速定位目标，整个检测过程耗时在50ms以内，完全满足工业生产实时性要求。
附图说明
图1为本发明实施方式所采集的样本图像；
图2为本发明实施方式的样本图像目标区域；
图3(a)为本发明实施方式所采集的待测图像；
图3(b)为本发明实施方式的将将瑕疵区域A放大显示说明的示意图；
图4为本发明实施方式的待测图像的矫正图；
图5为本发明实施方式的瑕疵检测图；
图6为本发明实施方式的图像轮廓模板的示意图；
图7所示为本发明基于机器视觉的印刷品瑕疵检测方法的流程图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
参阅图7所示，本发明的一实施方式中公开一种基于机器视觉的印刷品瑕疵检测方法，包括如下步骤：
S001：获取样本图像，进行均值滤波处理获得参照图后进行二值化处理，构建像素点连通区域并进行区域合并，裁剪出样本图像目标区域；踢球样本图像目标区域的图像轮廓，输出图像轮廓模板；
可以通过专用的图像采集设备或者从存储介质上获取标准的样本图像，参照图1所示的样本图像，样本图像要求logo印刷清晰、光照均匀。首先针对整张样本图像进行均值滤波处理，然后进行二值化滤波处理，选取像素点大于2000的像素点连通区域并进行区域合并。最后通过最小外接矩形与最小外接圆的交集裁剪出样本图像目标区域，如图2所示。这样做的目的是为了剔除图像中多余的像素信息，保证标准的样本图像目标区域与被检测图像进行模板匹配时，能够迅速找到，缩短匹配时间。
针对样本图像目标区域进行图像特征提取，创建基于形状可变的模板匹配模型，输出图像轮廓模板，如图6所示。
S002：建立与样本图像大小一致的方差模板，处理获取边缘信息图，将边缘信息图及参照图转换成两张阈值图，存储至方差模板；
具体的，首先建立一个与原图代销一致的空的方差模板，此处只使用单帧模板图建模，然后使用sobel-amp算子处理得到边缘信息图。将边缘信息图和参照图转换成两张阈值图，包括上限阈值图及下限阈值图，并把他们存放至所建立的空的方差模板中。其中方差模板的模型参数设置，绝对阈值为[25，30]，方差阈值为[1.6，2]。
假设i(x，y)表示参照图在像素点(x，y)位置像素值，v(x，y)表示方差模板在像素点(x，y)位置像素值，参数：au表示上限绝对阈值，al表示下限绝对阈值，bu表示上限方差阈值，bl表示下限方差阈值，则两张阈值图分别计算如下：
上限阈值图：tu(x，y)＝i(x，y)+max{au，buv(x，y)}
下限阈值图：t1(x，y)＝i(x，y)+max{a1，b1v(x，y)}
S003：输入待测图像，将待测图像与图像轮廓模板进行匹配，搜索输出匹配目标的匹配参数，利用所述匹配参数将待测图像均值滤波处理后进行仿射变换；
具体的，从相机采集一张待测图像，将待测图像与图像轮廓模板进行匹配，从而确定待测图像需平移角度与旋转角度。此处可以采用halcon提供的模板匹配算子将待测图像与图像轮廓模板进行匹配，输出待测图像的中心坐标、偏移角度以及缩放尺寸等。将待测图像进行均值滤波处理后进行仿射变换。
首先求解仿射变换矩阵，具体过程如下：
平移矩阵为：
其中，xmovei＝-(Column2-Column1)表示第i帧待测图像在x方向上的偏移量，ymovei＝-(Row2-Row1)表示第i帧待测图像在y方向上的偏移量。而(Row1，Column1)表示样本图像目标区域重心坐标，(Row2，Column2)表示待测图像区域的重心坐标。
旋转矩阵Hr(i)为：
其中θ＝-(Angle2-Angle1)，Angle1表示样本图像目标区域的中轴线与X方向夹角，Angle2表示待测图像中轴线与X方向夹角，逆时针方向为正。此处Angle1为0度角，Angle2表示待测图像与样本图像目标区域匹配后输出的偏移角度。
所以仿射变换矩阵计算如下：
利用上述仿射变换矩阵将均值滤波处理后的待测图像进行仿射变换操作。
其中(x，y)表示待测图像原始像素点的坐标，而(x*，y*)表示仿射变换后的像素点坐标位置。每一个对应的(x，y)与(x*，y*)灰度值信息相同。
S004：裁剪出仿射变换后待测图像的待测目标区域，将待测目标区域与参照图进行区域匹配，通过区域匹配获取调整参数，依据调整参数进行旋转矫正输出矫正图；所述的调整参数包括水平偏移量及旋转角度。
在一具体的实施方式中，可以采用如下方式进行旋转矫正，
待测目标区域均值计算，获取待测目标区域后，通过二值化处理获取待测背景区域，把待测目标区域与待测背景区域做差获取待测前景区域，分别计算待测前景区域和待测背景区域的均值D1、D2；
样本图像目标区域均值计算，针对样本图像目标区域进行二值化处理确定样本背景区域，把样本图像目标区域与样本背景区域做差得到样本前景区域，分别计算样本前景区域与样本背景区域的均值M1、M2；在一优选的实施方式中，所述样本图像目标区域均值计算可在采集待测图像之前或在输入待测图像之后进行操作。
利用样本背景区域、样本前景区域、待测背景区域和待测前景区域计算旋转矫正参数，依据旋转矫正参数进行旋转矫正：
Mult＝(M1-M2)/(D1-D2)
ADD＝(M1-Mult*D1)
利用Mult及ADD两个因子对待测目标区域进行图像调整：
g*(x，y)＝g(x，y)*Mult+Add
其中g(x，y)表示待测图像在坐标(x，y)的原始像素值，g*(x，y)表示待测图像在坐标(x，y)的经过旋转矫正参数调整后的像素值。图3(a)表示原始的待测图像，图3(b)将待测图像上的瑕疵区域放大表示的示意图，图4表示旋转校正后的矫正图，在图示中，原始的待测图像与矫正图相比，角度旋转了月30度，在实际采集待测图像过程中，还可能出现待测图像不同角度的旋转，所出现的旋转错位角度可为0-180°之间。
S005：对比矫正图与方差模板，圈出矫正图中像素点的像素值比两张阈值图相应位置大的第一瑕疵点，及圈出矫正图中像素点的像素值比两张阈值图相应位置小的第二瑕疵点，输出瑕疵检测图。
利用Halcon提供的方差图对比算子，输入是计算得到的经过参数调整的矫正图，以及存放有两张阈值图的方差模板，即上限阈值图和下限阈值图的方差模型，模式选择‘light_dark’，输出得到两个区域：
假设c(x，y)表示矫正图像素点(x，y)位置的像素值，tu(x，y)和t1(x，y)分别表示上限阈值图和下限阈值图。则输出结果分为两个模式：
(1)在‘light’模式下得到的区域，满足下面条件公式：
c(x，y)＞tu(x，y)
即这部分区域是矫正图像素值大于相应位置上限阈值图的像素值的点构成的。
(2)在‘dark’模式下得到的区域，满足下面条件公式：
c(x，y)＜t1(x，y)
即这部分区域是矫正图像素值小于相应位置下限阈值图的像素点的点构成的。
上述第一瑕疵点、第二瑕疵点的集合即可以形成瑕疵检测图。
在一优选的实施方式中，为了去除瑕疵检测图的噪声点，可对所述瑕疵检测图进行优化，所述的基于机器视觉的印刷品瑕疵检测方法还包括，设定一圆形结构因子对瑕疵检测图上的第一瑕疵点和第二瑕疵点进行开运算，区分连通域，选择面积大于设定像素值的区域为目标瑕疵点。优选的，所设定的像素值可以为10-15像素，如设定为10、12、15像素。
具体的，处理得出的light-dark区域包含了很多噪声点，所以需要对这些噪声进行排除，采取的方法就是先用半径为2.5的圆形结构因子进行开运算，然后再区分连通域，通过算子select_shape选择面积条件大于12像素的区域，则这些区域就是检测到的瑕疵点。为了方便显示观察，可采用最小外接椭圆的方式把缺陷区域圈出来显示，如图5所示，在实际应用中，所圈出来的缺陷区域可以采用其他色彩的线条进行圈出，以达到突出显示的目的。
本发明的一实施方式还公开一种基于机器视觉的印刷品瑕疵检测系统，所述系统采用基于机器视觉的印刷品瑕疵检测方法的所有步骤，具体的，所述系统包括：
形状模型建立模块，用于获取样本图像，进行均值滤波处理获得参照图后进行二值化处理，构建像素点连通区域并进行区域合并，裁剪出样本图像目标区域；提取样本图像目标区域的图像轮廓，输出图像轮廓模板；
方差模型建立模块，用于建立与样本图像大小一致的方差模板，处理获取边缘信息图，将边缘信息图及参照图转换成两张阈值图，存储至方差模板；
匹配模块，用于输入待测图像，将待测图像与图像轮廓模板进行匹配，搜索输出匹配目标的匹配参数，利用所述匹配参数将待测图像均值滤波处理后进行仿射变换；
矫正模块，用于裁剪出仿射变换后待测图像的待测目标区域，将待测目标区域与参照图进行区域匹配，获取调整参数，依据调整参数进行旋转矫正输出矫正图；
瑕疵图获取模块，用于对比矫正图与方差模板，圈出矫正图中像素点的像素值比两张阈值图相应位置大的第一瑕疵点，及圈出矫正图中像素点的像素值比两张阈值图相应位置小的第二瑕疵点，输出瑕疵检测图。
其中，还包括降噪模块，用于设定一圆形结构因子对瑕疵检测图上的第一瑕疵点和第二瑕疵点进行开运算，区分连通域，选择面积大于设定像素值的区域为目标瑕疵点。
其中，所述矫正模块包括：
样本图像目标区域均值计算模块，针对样本图像目标区域进行二值化处理确定样本背景区域，把样本图像目标区域与样本背景区域做差得到样本前景区域，分别计算样本前景区域与样本背景区域的均值M1、M2；
待测目标区域均值计算模块，将待测目标区域进行二值化处理确定待测背景区域，把待测目标区域与待测背景区域做差获取待测前景区域，分别计算待测背景区域和待测前景区域的均值D1、D2；
计算旋转矫正参数，针对待测目标区域进行旋转矫正：
Mult＝(M1-M2)/(D1-D2)
ADD＝(M1-Mult*D1)
g*(x，y)＝g(x，y)*Mult+Add，其中，g(x，y)表示待测图像在坐标(x，y)的原始像素值，g*(x，y)表示待测图像在坐标(x，y)经过旋转矫正的像素值。
本发明的一实施方式中还公开一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行程序时实现如上述实施方式所述的基于机器视觉的印刷品瑕疵检测方法。
本发明的一实施方式还公开一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施方式所述的基于机器视觉的印刷品瑕疵检测方法的所有方法流程。
本发明实施方式所述的基于机器视觉的印刷品瑕疵检测方法与传统的通过肉眼进行瑕疵检测相比，采用机器视觉的印刷品瑕疵检测方法有助于释放劳动力，减少人力成本，减少人为检测错误等情况的出现。采用所述的方法，大大提升了生产效率，且能够检测到0.1mm以上大小的印刷划痕瑕疵。采用所述的方法能够快速定位目标，整个检测过程耗时在50ms以内，完全满足工业生产实时性要求。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的印刷品瑕疵检测方法，其特征在于，包括如下步骤：
获取样本图像，进行均值滤波处理获得参照图后进行二值化处理，构建像素点连通区域并进行区域合并，裁剪出样本图像目标区域；提取样本图像目标区域的图像轮廓，输出图像轮廓模板；
建立与样本图像大小一致的方差模板，使用sobel-amp算子处理获取边缘信息图，将边缘信息图及参照图转换成上限阈值图及下限阈值图，存储至方差模板；其中方差模板的模型参数设置，绝对阈值为[25,30]，方差阈值为[1.6,2]；
阈值图计算如下：
上限阈值图：tu(x,y)＝i(x,y)+max{au,buv(x,y)}
下限阈值图：tl(x,y)＝i(x,y)+max{al,blv(x,y)}
其中，i(x,y)表示参照图在像素点(x,y)位置像素值，v(x,y)表示方差模板在像素点(x,y)位置像素值，参数：au表示上限绝对阈值，al表示下限绝对阈值，bu表示上限方差阈值，bl表示下限方差阈值；
输入待测图像，将待测图像与图像轮廓模板进行匹配，搜索输出匹配目标的匹配参数，利用所述匹配参数将待测图像均值滤波处理后进行仿射变换；
裁剪出仿射变换后待测图像的待测目标区域，将待测目标区域与参照图进行区域匹配，获取调整参数，依据调整参数进行旋转矫正输出矫正图；
对比矫正图与方差模板，圈出矫正图中像素点的像素值比两张阈值图相应位置大的第一瑕疵点，及圈出矫正图中像素点的像素值比两张阈值图相应位置小的第二瑕疵点，输出瑕疵检测图。
2.根据权利要求1所述的基于机器视觉的印刷品瑕疵检测方法，其特征在于：还包括，
设定一圆形结构因子对瑕疵检测图上的第一瑕疵点和第二瑕疵点进行开运算，区分连通域，选择面积大于设定像素值的区域为目标瑕疵点。
3.根据权利要求2所述的基于机器视觉的印刷品瑕疵检测方法，其特征在于：所述设定像素值为10-15像素。
4.根据权利要求1所述的基于机器视觉的印刷品瑕疵检测方法，其特征在于：
所述旋转矫正包括如下步骤：
样本图像目标区域均值计算，针对样本图像目标区域进行二值化处理确定样本背景区域，把样本图像目标区域与样本背景区域做差得到样本前景区域，分别计算样本前景区域与样本背景区域的均值M1、M2；
待测目标区域均值计算，将待测目标区域进行二值化处理确定待测背景区域，把待测目标区域与待测背景区域做差获取待测前景区域，分别计算待测前景区域和待测背景区域的均值D1、D2；
计算旋转矫正参数，针对待测目标区域进行旋转矫正:
Mult＝(M1-M2)/(D1-D2)
ADD＝(M1-Mult*D1)
g*(x,y)＝g(x,y)*Mult+Add，其中，g(x,y)表示待测图像在坐标(x,y)的原始像素值，g*(x,y)表示待测图像在坐标(x,y)经过旋转矫正的像素值。
5.根据权利要求1所述的基于机器视觉的印刷品瑕疵检测方法，其特征在于：所述样本图像目标区域均值计算在输入待测图像之前或在输入待测图像之后。
6.一种基于机器视觉的印刷品瑕疵检测系统，其特征在于：
形状模型建立模块，用于获取样本图像，进行均值滤波处理获得参照图后进行二值化处理，构建像素点连通区域并进行区域合并，裁剪出样本图像目标区域；提取样本图像目标区域的图像轮廓，输出图像轮廓模板；
方差模型建立模块，建立与样本图像大小一致的方差模板，使用sobel-amp算子处理获取边缘信息图，将边缘信息图及参照图转换成上限阈值图及下限阈值图，存储至方差模板；其中方差模板的模型参数设置，绝对阈值为[25,30]，方差阈值为[1.6,2]；
阈值图计算如下：
上限阈值图：tu(x,y)＝i(x,y)+max{au,buv(x,y)}
下限阈值图：tl(x,y)＝i(x,y)+max{al,blv(x,y)}
其中，i(x,y)表示参照图在像素点(x,y)位置像素值，v(x,y)表示方差模板在像素点(x,y)位置像素值，参数：au表示上限绝对阈值，al表示下限绝对阈值，bu表示上限方差阈值，bl表示下限方差阈值；
匹配模块，用于输入待测图像，将待测图像与图像轮廓模板进行匹配，搜索输出匹配目标的匹配参数，利用所述匹配参数将待测图像均值滤波处理后进行仿射变换；
矫正模块，用于裁剪出仿射变换后待测图像的待测目标区域，将待测目标区域与参照图进行区域匹配，获取调整参数，依据调整参数进行旋转矫正输出矫正图；
瑕疵图获取模块，用于对比矫正图与方差模板，圈出矫正图中像素点的像素值比两张阈值图相应位置大的第一瑕疵点，及圈出矫正图中像素点的像素值比两张阈值图相应位置小的第二瑕疵点，输出瑕疵检测图。
7.根据权利要求6所述的基于机器视觉的印刷品瑕疵检测系统，其特征在于：还包括降噪模块，
用于设定一圆形结构因子对瑕疵检测图上的第一瑕疵点和第二瑕疵点进行开运算，区分连通域，选择面积大于设定像素值的区域为目标瑕疵点。
8.根据权利要求6所述的基于机器视觉的印刷品瑕疵检测系统，其特征在于：
所述矫正模块包括：
样本图像目标区域均值计算模块，针对样本图像目标区域进行二值化处理确定样本背景区域，把样本图像目标区域与样本背景区域做差得到样本前景区域，分别计算样本前景区域与样本背景区域的均值M1、M2；
待测目标区域均值计算模块，将待测目标区域进行二值化处理确定待测背景区域，把待测目标区域与待测背景区域做差获取待测前景区域，分别计算待测前景区域和待测背景区域的均值D1、D2；
计算旋转矫正参数，针对待测目标区域进行旋转矫正:
Mult＝(M1-M2)/(D1-D2)
ADD＝(M1-Mult*D1)
g*(x,y)＝g(x,y)*Mult+Add，其中，g(x,y)表示待测图像在坐标(x,y)的原始像素值，g*(x,y)表示待测图像在坐标(x,y)经过旋转矫正的像素值。
9.一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行程序时实现如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810586542.XA CN108776140B (zh) | 2018-06-08 | 2018-06-08 | 一种基于机器视觉的印刷品瑕疵检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810586542.XA CN108776140B (zh) | 2018-06-08 | 2018-06-08 | 一种基于机器视觉的印刷品瑕疵检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108776140A CN108776140A (zh) | 2018-11-09 |
| CN108776140B true CN108776140B (zh) | 2024-02-02 |
Family
ID=64024835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810586542.XA Active CN108776140B (zh) | 2018-06-08 | 2018-06-08 | 一种基于机器视觉的印刷品瑕疵检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108776140B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949362B (zh) * | 2019-03-01 | 2021-08-13 | 广东九联科技股份有限公司 | 一种物料视觉检测方法 |
| CN109839385B (zh) * | 2019-03-04 | 2021-11-16 | 佛山市南海区广工大数控装备协同创新研究院 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
| CN109916913A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 一种基于机器视觉的智能制造产品识别与检测方法 |
| CN112255973A (zh) * | 2019-07-02 | 2021-01-22 | 库卡机器人(广东)有限公司 | 工业生产系统中的目标检测方法、检测终端及存储介质 |
| CN110632094B (zh) * | 2019-07-24 | 2022-04-19 | 北京中科慧眼科技有限公司 | 一种基于逐点比对分析的图纹质量检测方法，装置与系统 |
| CN111640104B (zh) * | 2020-05-29 | 2023-11-24 | 研祥智慧物联科技有限公司 | 一种螺钉装配的视觉检测方法 |
| CN111879777A (zh) * | 2020-06-19 | 2020-11-03 | 巨轮(广州)智能装备有限公司 | 软资材贴合瑕疵检测方法、装置、设备以及存储介质 |
| CN112540091B (zh) * | 2020-10-23 | 2021-06-25 | 南京驭逡通信科技有限公司 | 皮带损耗程度现场鉴定平台 |
| CN112435232A (zh) * | 2020-11-23 | 2021-03-02 | 南京信息工程大学 | 一种基于哈尔小波结合图像方差的疵点检测方法 |
| CN112862889A (zh) * | 2021-01-29 | 2021-05-28 | 珠海迪沃航空工程有限公司 | 一种基于图像识别的识别矫正系统、方法、装置 |
| CN112950598B (zh) * | 2021-03-09 | 2024-03-19 | 深圳棱镜空间智能科技有限公司 | 工件的瑕疵检测方法、装置、设备及存储介质 |
| CN113192061B (zh) * | 2021-05-25 | 2023-08-29 | 安徽睿微信息科技有限公司 | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 |
| CN113379723B (zh) * | 2021-06-29 | 2023-07-28 | 上海闻泰信息技术有限公司 | 不规则溢胶口检测方法、装置、设备和存储介质 |
| CN113808108B (zh) * | 2021-09-17 | 2023-08-01 | 太仓中科信息技术研究院 | 一种印刷膜缺陷视觉检测方法和系统 |
| CN113962917B (zh) * | 2021-10-25 | 2024-03-19 | 深圳市玻尔智造科技有限公司 | 一种基于掩膜的数据增强方法 |
| CN114937037B (zh) * | 2022-07-20 | 2022-11-04 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
| CN115409841B (zh) * | 2022-11-01 | 2023-01-24 | 新乡市今彩彩印有限公司 | 一种基于视觉的印刷品检验方法 |
| CN116452827B (zh) * | 2023-06-16 | 2023-08-15 | 青岛奥维特智能科技有限公司 | 基于计算机视觉的油墨印刷表面质量检测方法及系统 |
| CN117115128A (zh) * | 2023-09-11 | 2023-11-24 | 杭州深度视觉科技有限公司 | 图像的像素值计算方法、装置、电子设备及存储介质 |
| CN117576088B (zh) * | 2024-01-15 | 2024-04-05 | 平方和(北京)科技有限公司 | 一种液体杂质智能过滤视觉检测方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001076144A (ja) * | 1999-09-03 | 2001-03-23 | Omron Corp | 画像照合装置 |
| JP2006303935A (ja) * | 2005-04-21 | 2006-11-02 | Matsushita Electric Ind Co Ltd | 電子透かし検出装置及びその方法並びに記憶媒体 |
| WO2016015548A1 (zh) * | 2014-07-29 | 2016-02-04 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
| CN107328793A (zh) * | 2017-06-30 | 2017-11-07 | 航天新长征大道科技有限公司 | 一种基于机器视觉的饰品表面字印瑕疵检测方法和装置 |
| CN107784728A (zh) * | 2016-08-24 | 2018-03-09 | 北京新岸线软件科技有限公司 | 一种基于胶印对印图案防伪的纸币鉴伪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7463773B2 (en) * | 2003-11-26 | 2008-12-09 | Drvision Technologies Llc | Fast high precision matching method |
| JP6455016B2 (ja) * | 2013-08-27 | 2019-01-23 | 株式会社リコー | 画像検査装置、画像形成システム及び画像検査方法 |
-
2018
- 2018-06-08 CN CN201810586542.XA patent/CN108776140B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001076144A (ja) * | 1999-09-03 | 2001-03-23 | Omron Corp | 画像照合装置 |
| JP2006303935A (ja) * | 2005-04-21 | 2006-11-02 | Matsushita Electric Ind Co Ltd | 電子透かし検出装置及びその方法並びに記憶媒体 |
| WO2016015548A1 (zh) * | 2014-07-29 | 2016-02-04 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
| CN107784728A (zh) * | 2016-08-24 | 2018-03-09 | 北京新岸线软件科技有限公司 | 一种基于胶印对印图案防伪的纸币鉴伪方法 |
| CN107328793A (zh) * | 2017-06-30 | 2017-11-07 | 航天新长征大道科技有限公司 | 一种基于机器视觉的饰品表面字印瑕疵检测方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| Calibration and alignment techniques for automated inspection of printed circuit patterns;Arturo A. Rodriguez et al.;SPIE Proc.;第293-307页 * |
| 一种基于虚拟NAND 闪存接口的条码解码芯片及设备的设计方案;刘峰;福建电脑(第10期);第90094页 * |
| 基于眼和嘴定位的人脸归一化算法研究;薛丹丹;电子测试(第9期);第53-56页 * |
| 无标记印刷品质量在线检测方法研究;许敏等;传感器与微系统;第34卷(第10期);第25-28页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108776140A (zh) | 2018-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108776140B (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及系统 | |
| CN111474184B (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
| CN111986190B (zh) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 | |
| CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
| CN107203990B (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
| CN112598001B (zh) | 一种基于多模型融合的船舶水尺读数自动识别方法 | |
| CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
| CN101799434B (zh) | 一种印刷图像缺陷检测方法 | |
| CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
| CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
| CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
| CN114897864B (zh) | 基于数模信息的工件检测及缺陷判断方法 | |
| WO2017181724A1 (zh) | 电子元件漏件检测方法和系统 | |
| CN107490582B (zh) | 一种流水线工件检测系统 | |
| CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
| CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
| CN110853013A (zh) | 一种白色家电外壁喷涂质量检测方法 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| CN114219802B (zh) | 一种基于图像处理的蒙皮连接孔孔位检测方法 | |
| CN114881984A (zh) | 一种大米加工精度的检测方法、装置、电子设备及介质 | |
| CN117541579B (zh) | 一种封装支架缺陷检测方法及系统 | |
| CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 350001 New Continental Science Park Building A, Rujiangxi Road, Mawei District, Fuzhou City, Fujian Province Applicant after: NEWLAND DIGITAL TECHNOLOGY Co.,Ltd. Address before: 350001 New Continental Science Park Building A, Rujiangxi Road, Mawei District, Fuzhou City, Fujian Province Applicant before: Fujian Newland Computer Co.,Ltd. |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |