CN109934809A - 一种纸质标签字符缺陷检测方法 - Google Patents

Abstract

本发明属于缺陷检测技术领域，一种纸质标签字符缺陷检测方法，包括如下步骤：S1：进行标签分类，获取所有标签种类和对应的标签模板；S2：设置ROI，获取当前完整图像中的ROI图像，并获取当前标签种类和对应的标签模板；S3：将ROI图像和当前标签模板进行匹配，获取配准图像；S4：获取与或图，设置动态阈值，并根据动态阈值凸显与或图的瑕疵区域；S5：计算瑕疵区域面积，判断当前瑕疵区域面积是否超过当前标签种类的预设瑕疵面积阈值；本发明解决了现有技术存在的难以区分出瑕疵、匹配精度低以及检测结果存在偏差的问题。

Description

一种纸质标签字符缺陷检测方法

技术领域

本发明属于缺陷检测技术领域，具体涉及一种纸质标签字符缺陷检测方法。

背景技术

标签存在于衣物、医药，纺织加工，食品等行业。不同行业有不同用途，例如药瓶外部的说明贴纸，布料字体印刷，瓶装及盒装上的标签等等。标签检测的目的是，在标签制作的过程中会有印刷错误，比如少字、多字、字体残缺、墨点、图像扭曲、印刷不良等。

标签检测一般采用面阵工业相机采集标签图像通过与模板库中正确的标签做对比，找出不同的区域，但是这种办法有局限性，对于背景与前景灰度差别不大的标签(如白纸为底，白色字体的标签)难以有理想的检出效果，主要是由以下几个原因造成的：

(1)标签上有效的特征点太少，由于有点标签颜色或灰度单一，无法找到有效的匹配点，对于这种就很难区分出瑕疵；

(2)前景与背景差别小，前景的灰度值与背景灰度值相差无几时，进行图像的逻辑运算时，由于阈值区间过小将难以区分出瑕疵区域，如果区分出来，那么它的稳定性也是满足不了实际需求的；

(3)匹配算法单一，多数标签检测只采用一种匹配算法，虽然减少了计算量，但是匹配精度往往达不到最理想的效果；

(4)有些标签检测没有与硬件设备做良好的适配，导致检测错位，检测偏移、检测结果大为削弱。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供一种纸质标签字符缺陷检测方法，对标签瑕疵有更强大的识别能力，在不牺牲精度和速度的情况下将标签瑕疵准确的识别出来，用于解决现有技术存在的难以区分出瑕疵、匹配精度低以及检测结果存在偏差的问题。

本发明所采用的技术方案为：

一种纸质标签字符缺陷检测方法，包括如下步骤：

S1：根据历史数据，使用标签分类方法，进行标签分类，获取所有标签种类和对应的标签模板；

S2：获取当前纸质标签的完整图像，设置ROI，获取当前完整图像中的ROI图像，并获取当前标签种类和对应的标签模板；

S3：根据当前标签种类和对应的标签模板，使用模板匹配方法，将ROI图像和当前标签模板进行匹配，获取配准图像；

S4：将标签模板和配准图像进行与或操作，获取与或图，设置动态阈值，并根据动态阈值凸显与或图的瑕疵区域；

S5：计算瑕疵区域面积，判断当前瑕疵区域面积是否超过当前标签种类的预设瑕疵面积阈值，若是则输出此标签字符存在缺陷，否则输出此标签字符不存在缺陷。

进一步地，步骤S1中，标签的特征包括标签颜色、纹理、前后背景对比度、尺寸以及标签的精细程度。

进一步地，步骤S1中，标签分类方法，包括如下步骤：

S1-1：获取数据库中的标签图像，分析标签图像的颜色，将Rgb图像转化为Hsv图像，统计色调H和饱和度S的分量信息，将各分量均值作为颜色特征；

S1-2：将标签图像转化为灰度图，统计灰度直方图，截取灰度直方图子图，并对截取的灰度直方图子图进行加权平均，作为灰度值特征，即前后背景对比度特征；

灰度直方图子图为所有灰度直方图中灰度大于10且灰度小于245之间的灰度直方图；

S1-3：将灰度图进行二值化处理，并求取二值化图像Hu矩和二阶矩，获取纹理密度特征，并根据其计算标签精细度特征；

S1-4：根据灰度直方图，计算标签图像内前景的像素数量，作为标签尺寸特征；

S1-5：将颜色特征、前后背景对比度特征、纹理密度特征、标签精细度特征以及标签尺寸特征输入BP神经网络，获取标签种类和对应的标签模板。

进一步地，各分量均值的计算公式为：

式中，A_k为k分量均值，其中k分量为H分量或S分量；A'_k为标签图像中所有像素的k分量之和；A为标签图像的像素总数。

进一步地，步骤S1-4中，计算标签图像内前景的像素数量的具体方法，包括如下步骤：

S1-4-1：根据灰度直方图获取狭窄区间容纳最多的像素，并进行漫水填充即确定背景；

S1-4-2：根据背景，获取与其互补的前景；

S1-4-3：计算前景的像素数量。

进一步地，步骤S3中，模板匹配方法包括依次进行的粗匹配和精匹配，具体方法包括如下步骤：

S3-1：进行粗匹配，将ROI图像和标签模板进行初次匹配，找到最佳匹配点，本根据其获取最相似区域；

S3-2：从ROI图像中提取最相似区域，作为粗匹配ROI图像；

S3-3：进行精匹配，根据当前标签种类，选择并提取粗匹配ROI图像和标签模板的图像特征；

S3-4：将图像特征进行匹配，获取粗匹配ROI图像与标签模板的最匹配的特征点对；

S3-5：使用随机抽样一致RANSAC算法，获取N组最匹配的特征点对，并提取最匹配的特征点对的坐标，生成透视变换矩阵；

S3-6：根据透视变换矩阵，对ROI图像进行透视变换，生成配准图像。

进一步地，步骤S3-3中，图像特征包括SURF特征、FAST特征以及SIFT特征。

进一步地，步骤S4中，与或图包括黑色区域和白色区域，黑色区域为标签模板和配准图像的相同区域，白色区域为标签模板和配准图像的不同区域。

进一步地，步骤S4中，设置动态阈值的方法，包括如下步骤：

A-1：统计当前标签图像的背景和前景的像素值，并分别计算其平均值；

A-2：计算背景平均值与前景平均值的差值；

A-3：选取差值的1/8作为动态阈值。

进一步地，步骤S5中，计算瑕疵区域面积的方法，包括如下步骤：

B-1：提取与或图中白色区域的轮廓，计算轮廓内像素数量，并剔除像素数量小于像素数量阈值的轮廓，获取瑕疵区域；

B-2：计算瑕疵区域中心坐标，定位瑕疵位置，并根据瑕疵位置，使用最小外接矩高调框出瑕疵区域；

B-3：计算最小外接矩的面积，获取瑕疵区域面积。

本发明的有益效果为：

(1)非常理想的检测前景与背景的色差及灰度很接近的标签的瑕疵，提高了对标签瑕疵的识别能力；

(2)有很强的适应性，可以检测多种类型的标签，针对每一类标签都可以通过机器学习获得相应的参数，提高了检测速度，避免检测结果存在偏差；

(3)能够根据标签成像自动调整匹配度、阈值等参数，以达到更加理想的效果，提高了检测精度；

(4)用户可以自己来划定模板，以及ROI，实现更多的自定义功能，便于识别纸质标签的特定局部区域，提高了实用性；

(5)综合多种算法的优点进行标签图像的匹配，解决所遇到的各类标签瑕疵问题，提高了适应性。

附图说明

图1是纸质标签字符缺陷检测方法流程图；

图2是标签分类方法流程图；

图3是标签图像内前景的像素数量的具体计算方法流程图；

图4是模板匹配方法流程图；

图5是动态阈值的设置方法流程图；

图6是瑕疵区域面积的计算方法流程图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步阐释。

实施例1：

如图1所示，一种纸质标签字符缺陷检测方法，包括如下步骤：

S1：根据历史数据，使用标签分类方法，进行标签分类，获取所有标签种类和对应的标签模板；

对于不止有一种标签的情况，各式各样标签的大小不同，颜色不一，本发明可以适应不同标签，适应性强，极大减少了重新设计的成本；

标签的特征包括标签颜色、纹理、前后背景对比度、尺寸以及标签的精细程度；

标签分类方法，如图2所示，包括如下步骤：

S1-1：获取数据库中的标签图像，分析标签图像的颜色，将Rgb图像转化为Hsv图像，统计色调H和饱和度S的分量信息，将各分量均值作为颜色特征；

各分量均值的计算公式为：

式中，A_k为k分量均值，其中k分量为H分量或S分量；A'_k为标签图像中所有像素的k分量之和；A为标签图像的像素总数；

计算各分量均值用以区分不同的标签，通过大量的数据统计将标签分为四类：H>30为灰底黑字；20<H<30为白底黑字；12<H<20为白底灰字；H<20为白底白字；

S1-2：将标签图像转化为灰度图，统计灰度直方图，截取灰度直方图子图，并对截取的灰度直方图子图进行加权平均，将加权系数为“255-横轴坐标”的数值，作为灰度值特征，即前后背景对比度特征；

灰度直方图子图为所有灰度直方图中灰度大于10且灰度小于245之间的灰度直方图；

灰度直方图表示为：

横轴：灰度等级(从0到255)，纵轴：图像在对应灰度等级下的像素个数；

S1-3：将灰度图进行二值化处理，并求取二值化图像Hu矩和二阶矩，获取纹理密度特征，并根据其计算标签精细度特征；

其中，Hu矩具有7个不变矩组(即7个特征)，其计算公式为：

首先，假定：

式中，f(x,y)为坐标(x,y)位置的灰度值，其中，x和y表示坐标位置；C和R分别为图像的列数和行数；二阶矩即m₀₂，m₁₁，m₂₀，为目标区域的旋转半径；

Hu矩的7个不变矩组计算公式为：

Φ₁＝η₂₀+η₀₂

Φ₂＝(η₂₀-η₀₂)²+4η₁ ² ₁

Φ₃＝(η₂₀-3η₁₂)²+3(η₂₁-η₀₃)²

Φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

Φ₅＝(η₃₀+3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

Φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

Φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

+3(η₂₁+η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

S1-4：根据灰度直方图，计算标签图像内前景的像素数量，作为标签尺寸特征；

计算标签图像内前景的像素数量的具体方法，如图3所示，包括如下步骤：

S1-4-1：根据灰度直方图获取狭窄区间容纳最多的像素，并进行漫水填充即确定背景；

S1-4-2：根据背景，获取与其互补的前景；

S1-4-3：计算前景的像素数量；

S1-5：将颜色特征、前后背景对比度特征、纹理密度特征、标签精细度特征以及标签尺寸特征输入BP神经网络，获取标签种类和对应的标签模板；有很强的适应性，可以检测多种类型的标签，针对每一类标签都可以通过机器学习获得相应的参数，提高了检测速度，避免检测结果存在偏差；

S2：使用相机获取当前纸质标签的完整图像，设置ROI，获取当前完整图像中的ROI图像，并获取当前标签种类和对应的标签模板；本实施例中标签种类为白底白字；

完整图像包含多个标签图像，为了减少计算量，需要把待检测区域从整幅图像中抠出来，设置ROI可以方便提取标签图像，通过确定单个标签的左上角和右下角图像坐标，将单个标签图像确定，并作后续处理；

S3：根据当前标签种类和对应的标签模板，使用模板匹配方法，将ROI图像和当前标签模板进行匹配，获取配准图像；非常理想的检测前景与背景的色差及灰度很接近的标签的瑕疵，提高了对标签瑕疵的识别能力；

由于标签图像在传送带上会有一定的运动误差，需要获取跟标签模板大小一样的待测标签图像，便于后续处理；

模板匹配方法包括依次进行的粗匹配和精匹配，如图4所示，具体方法包括如下步骤：

S3-1：进行粗匹配，将ROI图像和标签模板进行初次匹配，找到最佳匹配点，本根据其获取最相似区域；

S3-2：从ROI图像中提取最相似区域，作为粗匹配ROI图像；

粗匹配ROI与模板不可能完全重合或者存在一定的偏差，所以进行精匹配；综合多种算法的优点进行标签图像的匹配，解决所遇到的各类标签瑕疵问题，提高了适应性；

S3-3：进行精匹配，根据当前标签种类，即白底白字，选择并提取粗匹配ROI图像和标签模板的SURF特征；

本发明使用SURF特征角点检测算法，通过加入非极大值抑制来进一步去除一些粘在一起的角点，找到角点后，采用SURF特征描述子对特征点进行特征描述；

S3-4：将SURF特征进行匹配，获取粗匹配ROI图像与标签模板的最匹配的特征点对；

S3-5：为了选择最佳的匹配点对进行配准，使用随机抽样一致RANSAC算法，获取N组最匹配的特征点对，最后选择M组特征点对(M<N)进行配准，并提取最匹配的特征点对的坐标，生成透视变换矩阵，即基于M组特征点对计算出透视变换的六维参数(平移和旋转矩阵)；

S3-6：根据透视变换矩阵，对ROI图像进行透视变换，生成配准图像；

S4：将标签模板和配准图像进行与或操作，获取与或图，设置动态阈值，并根据动态阈值凸显与或图的瑕疵区域；能够根据标签成像自动调整匹配度、阈值等参数，以达到更加理想的效果，提高了检测精度；

与或图包括黑色区域和白色区域，黑色区域为标签模板和配准图像的相同区域，白色区域为标签模板和配准图像的不同区域；

白色区域为标签模板中良好区域与ROI图像中瑕疵区域的像素差值，但是并非所有白色区域都是瑕疵，某些虽为白色但是它们可能是两张图片中标签存在微小的色差，一次选择合适的阈值非常重要，设置动态阈值，把瑕疵区域凸显出来，即除掉非瑕疵区域的干扰，又不会把瑕疵区域遗漏；

设置动态阈值的方法，如图5所示，包括如下步骤：

A-1：统计当前标签图像的背景和前景的像素值，并分别计算其平均值；

A-2：计算背景平均值与前景平均值的差值，这个平均差值是不断变化的；

A-3：与或图不只是前景与背景之差，它也包含背景与背景之差，前景与前景之差。后面两者差值不大，在与或图中表现为黑色；而前景与背景之差较大，显示为白色或灰白色；因此平均差值与白色区域像素值大小很接近，选取差值的1/8作为动态阈值，把瑕疵区域像素阈值全包含进去又不至于把其他区域误包含进来；

S5：计算瑕疵区域面积，判断当前瑕疵区域面积是否超过当前标签种类的预设瑕疵面积阈值，若是则输出此标签字符存在缺陷，否则输出此标签字符不存在缺陷；

计算瑕疵区域面积的方法，如图6所示，包括如下步骤：

B-1：提取与或图中白色区域的轮廓，计算轮廓内像素数量，并剔除像素数量小于像素数量阈值的轮廓，获取瑕疵区域；

B-2：计算瑕疵区域中心坐标，定位瑕疵位置，并根据瑕疵位置，使用最小外接矩高调框出瑕疵区域；

B-3：计算最小外接矩的面积，获取瑕疵区域面积。

实施例2：

如图1所示，一种纸质标签字符缺陷检测方法，包括如下步骤：

S1：根据历史数据，使用标签分类方法，进行标签分类，获取所有标签种类和对应的标签模板；

对于不止有一种标签的情况，各式各样标签的大小不同，颜色不一，本发明可以适应不同标签，适应性强，极大减少了重新设计的成本；

标签的特征包括标签颜色、纹理、前后背景对比度、尺寸以及标签的精细程度；

标签分类方法，如图2所示，包括如下步骤：

S1-1：获取数据库中的标签图像，分析标签图像的颜色，将Rgb图像转化为Hsv图像，统计色调H和饱和度S的分量信息，将各分量均值作为颜色特征；

各分量均值的计算公式为：

式中，A_k为k分量均值，其中k分量为H分量或S分量；A'_k为标签图像中所有像素的k分量之和；A为标签图像的像素总数；

计算各分量均值用以区分不同的标签，通过大量的数据统计将标签分为四类：H>30为灰底黑字；20<H<30为白底黑字；12<H<20为白底灰字；H<20为白底白字；

S1-2：将标签图像转化为灰度图，统计灰度直方图，并对灰度直方图进行加权平均，加权系数为“255-横轴坐标”的数值，作为灰度值特征，即前后背景对比度特征；

灰度直方图表示为：

横轴：灰度等级(从0到255)，纵轴：图像在对应灰度等级下的像素个数；

S1-3：将灰度图进行二值化处理，并求取二值化图像Hu矩和二阶矩，获取纹理密度特征，并根据其计算标签精细度特征；

S1-4：根据灰度直方图，计算标签图像内前景的像素数量，作为标签尺寸特征；

计算标签图像内前景的像素数量的具体方法，如图3所示，包括如下步骤：

S1-4-1：根据灰度直方图获取狭窄区间容纳最多的像素，并进行漫水填充即确定背景；

S1-4-2：根据背景，获取与其互补的前景；

S1-4-3：计算前景的像素数量；

S1-5：将颜色特征、前后背景对比度特征、纹理密度特征、标签精细度特征以及标签尺寸特征输入BP神经网络，获取标签种类和对应的标签模板；有很强的适应性，可以检测多种类型的标签，针对每一类标签都可以通过机器学习获得相应的参数，提高了检测速度，避免检测结果存在偏差；

S2：使用相机获取当前纸质标签的完整图像，设置ROI，获取当前完整图像中的ROI图像，并获取当前标签种类和对应的标签模板；本实施例中标签种类为白底黑字；

完整图像包含多个标签图像，为了减少计算量，需要把待检测区域从整幅图像中抠出来，设置ROI可以方便提取标签图像，通过确定单个标签的左上角和右下角图像坐标，将单个标签图像确定，并作后续处理；

S3：根据当前标签种类和对应的标签模板，使用模板匹配方法，将ROI图像和当前标签模板进行匹配，获取配准图像；非常理想的检测前景与背景的色差及灰度很接近的标签的瑕疵，提高了对标签瑕疵的识别能力；

由于标签图像在传送带上会有一定的运动误差，需要获取跟标签模板大小一样的待测标签图像，便于后续处理；

模板匹配方法包括依次进行的粗匹配和精匹配，如图4所示，具体方法包括如下步骤：

S3-1：进行粗匹配，将ROI图像和标签模板进行初次匹配，找到最佳匹配点，本根据其获取最相似区域；

S3-2：从ROI图像中提取最相似区域，作为粗匹配ROI图像；

粗匹配ROI与模板不可能完全重合或者存在一定的偏差，所以进行精匹配；综合多种算法的优点进行标签图像的匹配，解决所遇到的各类标签瑕疵问题，提高了适应性；

S3-3：进行精匹配，根据当前标签种类，即白底黑字，选择并提取粗匹配ROI图像和标签模板的FAST特征；

本发明使用FAST特征角点检测算法，通过加入非极大值抑制来进一步去除一些粘在一起的角点，找到角点后，采用FAST特征描述子对特征点进行特征描述；

S3-4：将FAST特征进行匹配，获取粗匹配ROI图像与标签模板的最匹配的特征点对；

S3-5：为了选择最佳的匹配点对进行配准，使用随机抽样一致RANSAC算法，获取N组最匹配的特征点对，最后选择M组特征点对(M<N)进行配准，并提取最匹配的特征点对的坐标，生成透视变换矩阵，即基于M组特征点对计算出透视变换的六维参数(平移和旋转矩阵)；

S3-6：根据透视变换矩阵，对ROI图像进行透视变换，生成配准图像；

S4：将标签模板和配准图像进行与或操作，获取与或图，设置动态阈值，并根据动态阈值凸显与或图的瑕疵区域；能够根据标签成像自动调整匹配度、阈值等参数，以达到更加理想的效果，提高了检测精度；

与或图包括黑色区域和白色区域，黑色区域为标签模板和配准图像的相同区域，白色区域为标签模板和配准图像的不同区域；

白色区域为标签模板中良好区域与ROI图像中瑕疵区域的像素差值，但是并非所有白色区域都是瑕疵，某些虽为白色但是它们可能是两张图片中标签存在微小的色差，一次选择合适的阈值非常重要，设置动态阈值，把瑕疵区域凸显出来，即除掉非瑕疵区域的干扰，又不会把瑕疵区域遗漏；

设置动态阈值的方法，如图5所示，包括如下步骤：

A-1：统计当前标签图像的背景和前景的像素值，并分别计算其平均值；

A-2：计算背景平均值与前景平均值的差值，这个平均差值是不断变化的；

A-3：与或图不只是前景与背景之差，它也包含背景与背景之差，前景与前景之差。后面两者差值不大，在与或图中表现为黑色；而前景与背景之差较大，显示为白色或灰白色；因此平均差值与白色区域像素值大小很接近，选取差值的1/8作为动态阈值，把瑕疵区域像素阈值全包含进去又不至于把其他区域误包含进来；

S5：计算瑕疵区域面积，判断当前瑕疵区域面积是否超过当前标签种类的预设瑕疵面积阈值，若是则输出此标签字符存在缺陷，否则输出此标签字符不存在缺陷；

计算瑕疵区域面积的方法，如图6所示，包括如下步骤：

B-1：提取与或图中白色区域的轮廓，计算轮廓内像素数量，并剔除像素数量小于像素数量阈值的轮廓，获取瑕疵区域；

B-2：计算瑕疵区域中心坐标，定位瑕疵位置，并根据瑕疵位置，使用最小外接矩高调框出瑕疵区域；

B-3：计算最小外接矩的面积，获取瑕疵区域面积。

本发明提供了一种纸质标签字符缺陷检测方法，对标签瑕疵有更强大的识别能力，在不牺牲精度和速度的情况下将标签瑕疵准确的识别出来，解决了现有技术存在的难以区分出瑕疵、匹配精度低以及检测结果存在偏差的问题。

Claims (10)

1.一种纸质标签字符缺陷检测方法，其特征在于：包括如下步骤：

S1：根据历史数据，使用标签分类方法，进行标签分类，获取所有标签种类和对应的标签模板；

S2：获取当前纸质标签的完整图像，设置ROI，获取当前完整图像中的ROI图像，并获取当前标签种类和对应的标签模板；

S3：根据当前标签种类和对应的标签模板，使用模板匹配方法，将ROI图像和当前标签模板进行匹配，获取配准图像；

S4：将标签模板和配准图像进行与或操作，获取与或图，设置动态阈值，并根据动态阈值凸显与或图的瑕疵区域；

S5：计算瑕疵区域面积，判断当前瑕疵区域面积是否超过当前标签种类的预设瑕疵面积阈值，若是则输出此标签字符存在缺陷，否则输出此标签字符不存在缺陷。

2.根据权利要求1所述的纸质标签字符缺陷检测方法，其特征在于：所述步骤S1中，所述标签的特征包括标签颜色、纹理、前后背景对比度、尺寸以及标签的精细程度。

3.根据权利要求2所述的纸质标签字符缺陷检测方法，其特征在于：所述步骤S1中，标签分类方法，包括如下步骤：

S1-1：获取数据库中的标签图像，分析标签图像的颜色，将Rgb图像转化为Hsv图像，统计色调H和饱和度S的分量信息，将各分量均值作为颜色特征；

S1-2：将标签图像转化为灰度图，统计灰度直方图，截取灰度直方图子图，并对截取的灰度直方图子图进行加权平均，作为灰度值特征，即前后背景对比度特征；

所述灰度直方图子图为所有灰度直方图中灰度大于10且灰度小于245之间的灰度直方图；

S1-3：将灰度图进行二值化处理，并求取二值化图像Hu矩和二阶矩，获取纹理密度特征，并根据其计算标签精细度特征；

S1-4：根据灰度直方图，计算标签图像内前景的像素数量，作为标签尺寸特征；

S1-5：将颜色特征、前后背景对比度特征、纹理密度特征、标签精细度特征以及标签尺寸特征输入BP神经网络，获取标签种类和对应的标签模板。

4.根据权利要求3所述的纸质标签字符缺陷检测方法，其特征在于：所述各分量均值的计算公式为：

式中，A_k为k分量均值，其中k分量为H分量或S分量；A'_k为标签图像中所有像素的k分量之和；A为标签图像的像素总数。

5.根据权利要求3所述的纸质标签字符缺陷检测方法，其特征在于：所述步骤S1-4中，计算标签图像内前景的像素数量的具体方法，包括如下步骤：

S1-4-1：根据灰度直方图获取狭窄区间容纳最多的像素，并进行漫水填充即确定背景；

S1-4-2：根据背景，获取与其互补的前景；

S1-4-3：计算前景的像素数量。

6.根据权利要求1所述的纸质标签字符缺陷检测方法，其特征在于：所述步骤S3中，模板匹配方法包括依次进行的粗匹配和精匹配，具体方法包括如下步骤：

S3-1：进行粗匹配，将ROI图像和标签模板进行初次匹配，找到最佳匹配点，本根据其获取最相似区域；

S3-2：从ROI图像中提取最相似区域，作为粗匹配ROI图像；

S3-3：进行精匹配，根据当前标签种类，选择并提取粗匹配ROI图像和标签模板的图像特征；

S3-4：将图像特征进行匹配，获取粗匹配ROI图像与标签模板的最匹配的特征点对；

S3-5：使用随机抽样一致RANSAC算法，获取N组最匹配的特征点对，并提取最匹配的特征点对的坐标，生成透视变换矩阵；

S3-6：根据透视变换矩阵，对ROI图像进行透视变换，生成配准图像。

7.根据权利要求6所述的纸质标签字符缺陷检测方法，其特征在于：所述步骤S3-3中，所述图像特征包括SURF特征、FAST特征以及SIFT特征。

8.根据权利要求1所述的纸质标签字符缺陷检测方法，其特征在于：所述步骤S4中，所述与或图包括黑色区域和白色区域，所述黑色区域为标签模板和配准图像的相同区域，所述白色区域为标签模板和配准图像的不同区域。

9.根据权利要求8所述的纸质标签字符缺陷检测方法，其特征在于：所述步骤S4中，设置动态阈值的方法，包括如下步骤：

A-1：统计当前标签图像的背景和前景的像素值，并分别计算其平均值；

A-2：计算背景平均值与前景平均值的差值；

A-3：选取差值的1/8作为动态阈值。

10.根据权利要求1所述的纸质标签字符缺陷检测方法，其特征在于：所述步骤S5中，计算瑕疵区域面积的方法，包括如下步骤：

B-1：提取与或图中白色区域的轮廓，计算轮廓内像素数量，并剔除像素数量小于像素数量阈值的轮廓，获取瑕疵区域；

B-2：计算瑕疵区域中心坐标，定位瑕疵位置，并根据瑕疵位置，使用最小外接矩高调框出瑕疵区域；

B-3：计算最小外接矩的面积，获取瑕疵区域面积。