CN111768407A

CN111768407A - 基于快速定位的缺陷检测算法

Info

Publication number: CN111768407A
Application number: CN202010901705.6A
Authority: CN
Inventors: 都卫东; 王岩松; 和江镇; 吴健雄; 张铃华
Original assignee: Zhengtu Intelligent Technology Jiangsu Co ltd; Focusight Technology Co Ltd
Current assignee: Zhengtu Intelligent Technology Jiangsu Co ltd; Focusight Technology Co Ltd
Priority date: 2020-09-01
Filing date: 2020-09-01
Publication date: 2020-10-13
Anticipated expiration: 2040-09-01
Also published as: CN111768407B

Abstract

本发明涉及一种基于快速定位的缺陷检测算法，包括，1）进行初始化设置；2）读取产品图像信息，将印刷批次相同的对象作为一个分组，并对分组内的各对象进行分割处理；3）对分组内的对象进行聚类，从而进行分组细分，得到细化后的分组；4）对细化后的各分组进行定位核的查找以及筛选；5）根据定位核的定位信息将检测图像按照细化后的不同的分组进行仿射变换，得到纠偏图像；采用检测参数自适应方式调整并确认检测参数；6）产品检测并输出检测结果。本发明不仅不需要人工绘制定位核，而且也不需要多张学习，仅需一张印刷品图像即可建立质量标准模板，既除去人工挑拣（学习样本的挑选）又简化了用户操作的复杂性（定位核的绘制、学习操作流程）。

Description

基于快速定位的缺陷检测算法

技术领域

本发明涉及视觉图像检测技术领域，尤其是一种基于快速定位的缺陷检测算法。

背景技术

随着印刷技术的不断进步，印刷业逐步向高速度、高质量的方向发展，基于机器视觉的非接触式检测已经成为印刷品缺陷在线检测的主要方式。目前传统的机器视觉检测方法以模板图像为标准，通过模板匹配法判断实时产品是否有缺陷。

但是由于走纸的不稳定性、成像系统的不稳定性以及标准印刷品与待检印刷品上印刷图像的相对位置偏差等问题，所以产品建模时通常需要人工参与手动选取定位核，然后产品检测前还需人工选取一定数量的好品样本进行学习以降低误检率和漏检率，从而确保检测的可靠性。显然，这不仅需要操作人员足够的谨慎细心，还需要操作人员有一定的图像处理方面的知识储备，同时也大大影响了工作效率。

发明内容

本发明要解决的技术问题是：提供一种基于快速定位的缺陷检测算法，不需要人工绘制定位核，而且也不需要多张学习，仅需一张印刷品图像即可建立质量标准模板，便可进行产品表面质量检测。

本发明解决其技术问题所采用的技术方案是：一种基于快速定位的缺陷检测算法，包括以下步骤，

1）进行初始化设置；

2）读取产品图像信息，将印刷批次相同的对象作为一个分组，并对分组内的各对象进行分割处理；

3）对分组内的对象进行聚类，从而进行分组细分，得到细化后的分组；

4）对细化后的各分组进行定位核的查找以及筛选；

5）根据定位核的定位信息将检测图像按照细化后的不同的分组进行仿射变换，得到纠偏图像；采用检测参数自适应方式调整并确认检测参数；

6）产品检测并输出检测结果。

进一步的说，本发明所述的步骤1）中的分割处理方法为：

A）获取分组内对象的感兴趣区域ROI的外接矩形的长和宽；其中，长表示为Width，宽表示为Height；

B）将对象的感兴趣区域ROI平均分割成M*N个，其中M = 取整(Width/StadWidth) + 1，N = 取整(Height/StadHeight) +1，StadWidth、StadHeight为分割标准阈值。

再进一步的说，本发明所述的步骤2）中，分组细分的方法为：

a、遍历分组内所有对象，对象感兴趣区域ROI的外接矩形的长Width大于StadGroupWidth或者宽大于StadGroupHeight则自成一个分组；

b、其他感兴趣区域ROI的外接矩形的长Width小于或等于StadGroupWidth且宽小于或等于StadGroupHeight的对象根据聚类分析方法进行划分。

进一步的说，本发明所述的步骤3）中，根据距离最近原则选择细化后的各分组的定位核候选区域，对定位核候选区域提取其角点特征，然后对角点特征筛选，最终确定定位核区域。

再进一步的说，本发明所述的根据距离最近原则选择定位核候选区域的方式为，细化后的分组具有外接矩形框，选择离外接矩形框4个顶点最近的对象区域作为定位核候选区域。

再进一步的说，本发明所述的角点特征筛选方式为，获取定位核候选区域内的角点特征后，根据中心原则从距离定位核候选区域的几何中心的中心点最近的特征开始搜索，然后根据唯一性原则，选择具有唯一性的特征区域作为定位核区域。

进一步的说，本发明所述的步骤5）中的检测过程包括检测参数自适应；所述的检测参数自适应是统计设定数量的测试样本中各定位核区域平均灰度值的变化范围后求出与模板图中对应区域灰度值的偏差，从而对细化后的分组的检测参数进行调整。

本发明的有益效果是，解决了背景技术中存在的缺陷，

1、细分同一印次分组中的检测对象，快速提取各分组（细分后）的定位核，避免建模时需要手动绘制定位核；

2、检测过程中加入检测参数自适应，根据不同产品、不同成像系统实时的调整检测参数，避免检测前需要人工挑选样本学习的问题。

3、不仅不需要人工绘制定位核，而且也不需要多张学习，仅需一张印刷品图像即可建立质量标准模板，既除去人工挑拣（学习样本的挑选）又简化了用户操作的复杂性（定位核的绘制、学习操作流程）。

附图说明

图1是本发明算法流程图。

图2是对象分割示意图。

图3是分组细分示意图。

图4是定位核区域选取示意图。

图5是定位核区域确定示意图。

具体实施方式

现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

一种基于快速定位的缺陷检测算法，算法流程如图1所示，包括以下步骤：

1、进行初始化设置；

2、读取产品图像信息，本实施例中以药品外包装盒为例，以下简称药包，并且所有药包为相同的印刷批次；药包上具有多个检测对象，如条形码，生产标识，药品信息等；药包上的所有检测对象归为一个大的分组，对大的分组内的各对象进行ROI分割处理；

3、对分组内各对象进行聚类，从而进行分组细分，得到细化后的分组；

4、对细化后的各分组进行定位核的查找以及筛选；

5、根据定位核的定位信息将检测图像按照细化后的不同的分组进行仿射变换，得到纠偏图像；采用检测参数自适应方式调整并确认检测参数；

6、产品检测并输出检测结果。

下面进行具体说明：

设定条件：设定ROI（感兴趣区域）的分割阈值StadWidth = 200（像素）、StadHeight =200（像素）；分组细分阈值StadGroupWidth = 600（像素）、StadGroupHeight = 600（像素）；自适应样本数Count = 100。

算法步骤如下：

1、对象ROI分割。

如图2所示，以对象2为例（对象2在药包上呈现的图像为条形码），首先获取对象2区域的外接矩形并计算该外接矩形的长和宽，得到，长用Width表示，Width =216；宽用Height表示，Height=73，将对象2平均分割成M*N个区域；

本实施例中，M=取整(Width/StadWidth)+1=取整(216/200)+1=2、N=取整(Height/StadHeight )+1=取整(73/200)+1=1；

因此，对象2被平均分割成2个区域（其中每个区域的大小为108*73）；

而其他对象，对象1、对象3~13采用同样的方式进行分割。

2、对大的分组内的各对象进行细分。

首先获取各对象的外接矩形并计算其长Width和宽Height，然后根据分组细分阈值和聚类原则将各对象重新细分。

如图3所示，分组内共有13个对象，其中超过设定好的分组细分阈值参数的对象自成一组；本实施例中，对象1、对象5及对象8由于其外接矩形的长或宽超过StadGroupWidth或StadGroupHeight故自成一组；而其他对象，即对象2、3、4、6、7、9、10、11、12、13采用聚类原则进行细分，最终可将大的分组细分为7个子分组，即Group1~ Group7。

3、细化后的分组进行定位核确定。

以Group1为例，首先计算Group1中包含所有对象的外接矩形，然后根据距离最近原则选取定位核候选区域，即选取离外接矩形的4个顶点最近的对象区域作为定位核候选区域，即，Group1中定位核候选区域为A1、A2、B1、C1，如图4所示。

然后分别提取4个定位核候选区域的角点特征，根据中心原则和唯一性原则选取角点特征，从而最终确定定位核区域，如图5所示。

中心原则为，距离定位核候选区域几何中心点越近的角点特征优先级越高。

唯一性原则为，选择具有唯一性的特征区域，即以特征点所在位置外扩9个像素得到一个19*19的矩形区域作为定位核区域。

其他子分组Group2~ Group7以同样的方式实现。

4、检测图像纠偏。

根据定位核定位信息将检测图像按照不同的分组（细化后的分组）进行仿射变换，细分后有7个子分组，Group1~ Group7，每个分组都有其定位核表，每个分组内的对象都根据本分组的定位信息（检测图像中定位核区域位置相较于模板图像中定位核区域位置的偏移）进行仿射变换。

5、检测参数自适应。

检测过程中，首先统计前100 张（设定的自适应样本数Count）产品各定位核区域平均灰度值的波动范围，然后求出与模板图中对应区域灰度值的偏差，从而确认检测参数，即上下灰度阈值。自适应即采用标准图像对检测图像进行检测，其流程为常规技术手段。

以Group1为例，定位核区域已在之前步骤中确定，为G1、G2、G3、G4；首先计算模板图中对应位置的定位核G1、G2、G3、G4的平均像素值GA1、GA2、GA3、GA4，然后统计前Count（100）张测试图像中对应位置的定位核G1、G2、G3、G4的平均像素波动范围[GL1,GH1]、[GL2,GH2]、[GL3,GH3]、[GL4,GH4]；统计像素波动范围时添加了滤波处理，利用3sigma准则对灰度值进行了滤波处理，剔除异常情况；之后，根据公式

（(GA1-GL1)+(GA2-GL2)+(GA3-GL3)+(GA4-GL4)）/4

和公式

（(GH1-GA1)+(GH2-GA2)+(GH3-GA3)+(GH4-GA4)）/4

计算4个定位核的平均波动范围作为Group1中所有对象的像素波动范围，最后求出上下灰度阈值参数。

6、缺陷检测。

利用纠偏后的测试图像与模板图像进行比较(测试图像-模板图)，以Group1为例，如果像素波动超过

[(((GA1-GL1)+(GA2-GL2)+(GA3-GL3)+(GA4-GL4))/4),((GH1-GA1)+(GH2-GA2)+(GH3-GA3)+(GH4-GA4))/4]范围的则为坏品，否则为好品。

以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离发明的实质和范围。

Claims

1.一种基于快速定位的缺陷检测算法，其特征在于：包括以下步骤，

1）进行初始化设置；

4）对细化后的各分组进行定位核的查找以及筛选；

6）产品检测并输出检测结果。

2.如权利要求1所述的基于快速定位的缺陷检测算法，其特征在于：所述的步骤1）中的分割处理方法为：

3.如权利要求1所述的基于快速定位的缺陷检测算法，其特征在于：所述的步骤2）中，分组细分的方法为：

4.如权利要求1所述的基于快速定位的缺陷检测算法，其特征在于：所述的步骤3）中，根据距离最近原则选择细化后的各分组的定位核候选区域，对定位核候选区域提取其角点特征，然后对角点特征筛选，最终确定定位核区域。

5.如权利要求4所述的基于快速定位的缺陷检测算法，其特征在于：所述的根据距离最近原则选择定位核候选区域的方式为，细化后的分组具有外接矩形框，选择离外接矩形框4个顶点最近的对象区域作为定位核候选区域。

6.如权利要求4所述的基于快速定位的缺陷检测算法，其特征在于：所述的角点特征筛选方式为，获取定位核候选区域内的角点特征后，根据中心原则从距离定位核候选区域的几何中心的中心点最近的特征开始搜索，然后根据唯一性原则，选择具有唯一性的特征区域作为定位核区域。

7.如权利要求1所述的基于快速定位的缺陷检测算法，其特征在于：所述的步骤5）中的检测过程包括检测参数自适应；所述的检测参数自适应是统计设定数量的测试样本中各定位核区域平均灰度值的变化范围后求出与模板图中对应区域灰度值的偏差，从而对细化后的分组的检测参数进行调整。