CN116990323B - 一种高精密印刷版视觉检测系统 - Google Patents

Abstract

本发明涉及机器视觉技术领域，具体涉及一种高精密印刷版视觉检测系统。该系统采集高精密印刷版表面图像；根据各边缘点水平方向上各像素点的灰度值以及各像素点邻域窗口内的灰度值均方差获取高精密印刷版表面图像的疑似缺陷点；根据各边缘点周围疑似缺陷点的灰度值得到各边缘点的局部版面平整率；根据各边缘点周围疑似缺陷点的灰度值波动情况得到各边缘点的疑似缺陷区域毛糙密集度；计算各待去噪像素点的平滑过度因子；改进各待去噪像素点的平滑参数，对各待去噪像素点进行滤波，结合神经网络完成高精密印刷版表面缺陷的视觉检测。本发明提高了高精密印刷版表面图像质量，实现高精密印刷版表面缺陷的精确检测。

Description

一种高精密印刷版视觉检测系统

技术领域

本发明涉及机器视觉技术领域，具体涉及一种高精密印刷版视觉检测系统。

背景技术

高精密印刷版是一种分辨率高、印刷精度高的高品质印刷技术。高精密印刷版制作过程中会出现不同原因造成的缺陷，如刮痕、坑洞以及针孔，影响印刷质量以及印刷版的使用寿命。当高精密印刷版表面出现缺陷时，需要及时判断缺陷类型，并进行相应的调整或修复，由此对印刷版检测提出了较高的要求。现有的印刷版检测一般依靠人工对比，肉眼不容易观察到细小缺陷，精确程度低，影响印刷品质，不符合高精密印刷品的要求。因此，需要以更为精准的计算机视觉代替人眼对印刷版进行检测。

同时，目前在使用计算机视觉技术检测印刷版表面缺陷时，容易受到噪声的影响，导致缺陷边界不清晰及细节部分模糊等情况，从而降低检测的精度。因此，在高精密印刷版检测过程中需要对所采集的图像进行处理，以提高图像质量，保证检测准确度。

综上所述，本发明提出一种高精密印刷版视觉检测系统，使用CCD相机采集高精密印刷版表面图像，通过对高精密印刷版的缺陷种类及相关特征进行分析，以改进非局部均值滤波算法，进而对采集到的高精密印刷版表面图像进行去噪处理，最后结合神经网络对高精密印刷版表面缺陷进行视觉检测。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种高精密印刷版视觉检测系统，所采用的技术方案具体如下：

本发明提出了一种高精密印刷版视觉检测系统，所述系统包括：

图像采集模块，用于采集高精密印刷版表面图像；

图像处理模块，获取高精密印刷版表面图像各边缘点；根据各边缘点水平方向上各像素点的灰度值以及各像素点邻域窗口内的灰度值均方差获取高精密印刷版表面图像的疑似缺陷点；根据各边缘点周围疑似缺陷点的灰度值得到各边缘点的局部版面平整率；根据各边缘点周围疑似缺陷点的灰度值波动情况得到各边缘点的疑似缺陷区域毛糙密集度；

将高精密印刷版表面图像中的像素点均记为待去噪像素点，根据待去噪像素点的坐标信息以及近邻边缘点的局部版面平整率、局部版面平整率得到各待去噪像素点的平滑过度因子；根据各待去噪像素点的平滑过度因子得到各待去噪像素点的改进平滑参数，结合改进平滑参数对各待去噪像素点进行滤波，获取去噪后的高精密印刷版表面图像；

缺陷检测模块，结合神经网络及去噪后的高精密印刷版表面图像，完成高精密印刷版表面缺陷的视觉检测。

进一步地，所述根据各边缘点水平方向上各像素点的灰度值以及各像素点邻域窗口内的灰度值均方差获取高精密印刷版表面图像的疑似缺陷点，具体包括：

对于各边缘点，以边缘点为中心，水平方向获取边缘点左右两边的各像素点，根据边缘点水平方向各像素点的灰度信息构建平滑点筛选模型；根据平滑点筛选模型获取高精密印刷版表面图像的各疑似缺陷点。

进一步地，所述根据边缘点水平方向各像素点的灰度信息构建疑似平滑点筛选模型，具体包括：

以高精密印刷版表面图像各非边缘像素点为中心，获取各非边缘像素点邻域窗口的灰度均方差，最小灰度均方差记为，最小均方差对应窗口中心像素点灰度值记为/>，平滑点筛选模型表达式为：

式中，为以边缘点/>中心水平方向上像素点/>的灰度值，/>为最小灰度均方差。

进一步地，所述根据平滑点筛选模型获取高精密印刷版表面图像的各疑似缺陷点，具体为：

对于边缘点水平方向上各像素点，当像素点满足平滑点筛选模型时，计算像素点及其左右相邻像素点的灰度值均方差，记为，若/>，则所述像素点为平滑点；

将高精密印刷版表面图像中所有非平滑点以及非边缘点的像素点记为疑似缺陷点。

进一步地，所述根据各边缘点周围疑似缺陷点的灰度值得到各边缘点的局部版面平整率，具体包括：

最小均方差对应窗口中心像素点灰度值记为，对于各边缘点，获取边缘点的局部邻域，计算边缘点局部邻域内所有疑似缺陷点灰度值与/>差值的平方的均值；

各边缘点的局部版面平整率与所述均值成负相关关系。

进一步地，所述获取边缘点的局部邻域，具体包括：

对于各边缘点，以边缘点为中心，获取边缘点的局部方形窗口，将满足窗口内包含的疑似缺陷点数量不少于阈值的局部方形窗口作为边缘点最佳局部窗口，其中，阈值为大于零的正整数；边缘点最佳局部窗口所对应的区域作为边缘点的局部邻域。

进一步地，所述根据各边缘点周围疑似缺陷点的灰度值波动情况得到各边缘点的疑似缺陷区域毛糙密集度，具体包括：

对于各边缘点，以边缘点周围各疑似缺陷点为中心构建局部窗口，计算各疑似缺陷点局部窗口的灰度均方差；

计算边缘点周围疑似缺陷点之间灰度差值的平方；

边缘点的疑似缺陷区域毛糙密集度与所述灰度均方差以及所述灰度差值的平方成正相关关系。

进一步地，所述根据待去噪像素点的坐标信息以及近邻边缘点的局部版面平整率、局部版面平整率得到各待去噪像素点的平滑过度因子，具体步骤包括：

对于各待去噪像素点，获取待去噪像素点与距离待去噪像素点最近边缘点之间的欧式距离；

待去噪像素点的平滑过度因子与距离待去噪像素点最近边缘点的局部版面平整率及所述欧式距离成正比，与距离待去噪像素点最近边缘点的疑似缺陷区域的毛糙密集度成反比。

进一步地，所述根据各待去噪像素点的平滑过度因子得到各待去噪像素点的改进平滑参数，具体步骤包括：

对于各待去噪像素点，计算待去噪像素点平滑过度因子的平方和传统非局部均值滤波算法中的高斯标准差平方的乘积，待去噪像素点的改进平滑参数与所述乘积成正比。

进一步地，所述结合改进平滑参数对各待去噪像素点进行滤波，具体包括：

根据改进平滑参数得到相似性权重，作为非局部均值滤波算法的相似性权重，采用非均值滤波算法以及所述相似性权重对各去噪像素点进行滤波。

本发明具有如下有益效果：

本发明根据高精密印刷版的版面平整特点构建局部版面平整度指标，可对高精密印刷版表面状况进行准确检测，本发明将图像分为边缘区域、疑似缺陷区域和平滑区域，初步对高精密印刷版表面缺陷进行检测，可降低后续缺陷区域分析的检测量，并根据缺陷周围版面会产生毛糙现象构建了毛糙密集度指标，提高缺陷区域的提取准确性；

同时，传统非局部均值滤波大多根据像素点的灰度值进行滤波处理，缺乏对像素点多维特征的提取分析，且对于平滑参数的选取，若设定过小造成噪声滤除不干净；平滑参数设定过大将导致边缘部分不能清晰展示，滤波效果不佳，本发明结合所提取的各特征指标构建平滑过渡因子，对非局部均值滤波算法中相似性权重计算进行改进，提高高精密印刷版表面图像滤波效果，消除图像中的噪点，保证了缺陷区域周围版面状态的清晰度，避免了噪声对缺陷检测的影响；同时，本发明采用Yolov5模型对缺陷进行检测并分类，避免了人工判别产生的漏检、误检问题，提高高精密印刷版表面缺陷检测精度。本发明具有降低检测量、增加图像质量以及提高检测精度等有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种高精密印刷版视觉检测系统框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种高精密印刷版视觉检测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种高精密印刷版视觉检测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种高精密印刷版视觉检测系统框图，该系统包括：图像采集模块101、图像处理模块102、缺陷检测模块103。

图像采集模块101，使用CCD相机采集高精密印刷版表面图像。

首先，对高精密印刷版进行图像采集，以获取高精密印刷版表面图像，本实施例使用CCD相机对高精密印刷版的表面进行拍摄，在采集图像的过程中，为了获得能更好地检测高精密印刷版表面缺陷的图像，需将高精密印刷版水平置于平面上，选择光源丰富、光线较为充足的环境中正对高精密印刷版进行拍摄，避免光线变化导致图像受光不均匀，得到RGB颜色空间下的高精密印刷版表面图像。需要说明的是，具体的相机型号、拍摄角度以及视角的控制实施者自行设定，图像采集过程中光源的部署实施者也可根据实际情况自行安装。

根据本实施例上述方法获取高精密印刷版表面图像，用于对高精密印刷版表面进行检测分析，作为高精密印刷版智能检测的基础。

图像处理模块102，对高精密印刷版的缺陷特征进行提取分析，改进非局部均值滤波算法以对高精密印刷版表面图像进行去噪操作。

高精密印刷版缺陷中常见的三种情况：刮痕、坑洞以及针孔。刮痕缺陷一般是机械划伤，呈现为直线状沟壑；坑洞缺陷一般呈现为面状封闭区域；针孔则为点状。由于高精密印刷版是由网板及感光胶膜层构成，因此这些缺陷皆造成感光胶膜层的破坏，使网板裸漏造成漏墨现象。

基于上述缺陷特征分析，本实施例首先使用canny边缘检测算子检测图像中的边缘线，得到边缘图像。所述边缘图像中边缘像素点灰度值为1，非边缘像素点灰度值为0。边缘图像中的边缘线包含了两种情况，一种是版面印刷内容的边缘线，一种是生产加工过程中工艺问题产生的刮痕、坑洞及针孔等缺陷的边缘线。

根据高精密印刷版的特点，版面应光滑、平整且纹路分布规则，而刮痕、坑洞以及针孔等缺陷的产生会造成版面的破坏，呈现凹凸不平以及毛糙等问题，导致高精密印刷版面的表面纹路发生变化。本实施例考虑到由于丝网印刷部分周围应为边界清晰且表面平整的版面，其边缘外围的像素点的灰度值应相差较小，而版面存在缺陷时，边缘外围的像素点的灰度值应相差较大。根据上述特点，本实施例将对高精密印刷版表面图像的版面平整区域进行检测，对于边缘图像中的每个边缘点，本实施例以边缘点为例进行详细说明，首先，以各非边缘像素点为中心，本实施例构建5*5的邻域窗口，窗口尺寸实施者也可自行设定，计算每个窗口灰度值的均方差，本实施例将均方差最小的窗口的灰度值均方差为/>，将均方差最小的窗口中心像素点的像素值记为/>，也即表示高精密印刷版表面图像中平整版面上的像素点的灰度值；然后，以边缘点为中心，水平方向获取边缘点左右两边的各像素点，以其中任意一边的第n个像素点/>为例，本实施例将设定疑似缺陷点筛选模型，对高精密印刷版表面图像进行分割，以识别疑似缺陷点，所述疑似缺陷点筛选模型表达式过程为：

其中，为第n个像素点的灰度值，/>为均方差最小的窗口的灰度值均方差，/>为均方差最小的窗口中心像素点的像素值，也即表示高精密印刷版表面图像中平整版面上的像素点的灰度值，用于表征高精密印刷版的平整版面部分允许的最小像素值差值。当像素点/>的像素值满足以上公式时，将该像素点作为平整版面上的点，同时，为确保第n个像素点也即/>为平整版面上的点，本实施例将计算像素点/>及左右各t个像素点的灰度值均方差，记为/>，若/>，则第n个像素点确定为平滑点，其中，t的取值实施者可自行设定，本实施例设定为t=5；

重复上述方法，获取各平滑点，将高精密印刷版表面图像中所有非平滑点以及非边缘点的像素点记为疑似缺陷点，疑似缺陷点所在区域成为疑似缺陷区域；

至此，根据本实施例疑似缺陷点筛选模型可完成对疑似缺陷点的提取。

为实现对缺陷区域的准确检测，保证缺陷提取的真实性，对疑似缺陷区域的平整度进行判断，对于疑似缺陷区域，像素点灰度值变化越大，对应印刷版版面越不平整，越有可能为缺陷。根据上述疑似缺陷区域的划分方式，以每个边缘点为单位计算疑似缺陷区域像素点的灰度值与均方差最小的窗口中心像素点灰度值的差值，并对图像中每个边缘点构建局部版面平整率指数/>，具体表达式为：

其中，为边缘点/>的局部版面平整率，a为避免分母为零的极小值，实施者可自行设定，本实施例设定为a=0.01，/>为以边缘点/>为中心的局部w*w邻域内第k个疑似缺陷点的灰度值，K为局部邻域内的疑似缺陷点个数，其中局部邻域尺寸w的取值实施者可根据情况自行确定，需要说明的是，为保证对边缘点局部的版面平整率指数进行准确分析，保证局部版面平整程度分析时边缘点局部窗口内的疑似缺陷点数量，本实施例设定以边缘点为中心的局部邻域需保证局部邻域内有不少于T个疑似缺陷点，其中，T为10的正整数，实施者可自行设定，本实施例设定为T=15，也即/>，本实施例设定为w=11，/>为均方差最小的窗口中心像素点灰度值。/>越大，说明局部疑似缺陷区域像素点的灰度值偏离平整值越小，越可能为版面平整区域；/>越小，说明该区域像素点的灰度值偏离平整值越大，越可能存在缺陷。

进一步，本实施例考虑到当版面出现外在缺陷问题时，将会出现缺陷边缘毛糙、纹路杂乱等问题，因此，对于缺陷程度的判断，本实施例对疑似缺陷区域的毛糙程度进行检测，疑似缺陷区域的版面越毛糙，则版面损伤越严重，即缺陷程度越大。在疑似缺陷区域，对每个疑似缺陷点构建L*L的窗口，L取值实施者可自行设定，本实施例取值为7，计算窗口疑似缺陷点的灰度值均方差，反映窗口中心疑似缺陷点的局部粗糙程度，窗口疑似缺陷点的灰度值均方差越大，则窗口区域越毛糙痕迹越重，窗口疑似缺陷点的灰度值均方差越小，则窗口区域越毛糙痕迹越轻。基于此，对疑似缺陷区域的毛糙密集度进行计算，对于边缘图像各边缘点，本实施例以边缘点为例，计算疑似缺陷区域像素点的灰度值波动情况，构建边缘点的疑似缺陷区域毛糙密集度指数/>，表达式为：

式中，为边缘点/>的疑似缺陷区域毛糙密集度，/>为以边缘点/>为中心的局部w*w邻域内第k个疑似缺陷点的灰度值，局部邻域尺寸w的设定方式与上述相同，在此不在重复阐述，K为局部邻域内的疑似缺陷点个数，/>为以边缘点/>为中心的局部w*w邻域内第k-1个疑似缺陷点的灰度值，/>为以疑似缺陷点/>为中心的L*L窗口的灰度值均方差。其中，/>越大，说明该疑似缺陷区域中相邻两像素点的灰度值波动越剧烈，版面毛糙痕迹越重越密集，则缺陷程度越严重；/>越小，说明该疑似缺陷区域中相邻两像素点的灰度值波动越平缓，版面毛糙痕迹越轻，版面越流畅，缺陷程度越轻。

为了解决图像去噪过程中无法均衡去噪效果以及疑似缺陷区域清晰度的问题，本实施例将基于传统的非局部均值算法对相似性权重的计算进行改进。传统的非局部均值算法在相似性权重的计算中，对于平滑参数h的选取针对于图像全局进行设定，h值过小，图像中的噪声滤除不干净；h值过大，将导致图像边缘部分不能清晰展示，传统平滑参数h的取值一般为该图像噪声的标准方差时去噪效果较好。

本实施例考虑到高精密印刷版表面疑似缺陷部分的清晰度会直接影响计算机对缺陷特征的判断，因此在相似性权重计算中，为防止疑似缺陷区域周围版面过于模糊，h值的确定既要考虑去噪性能、提高去噪效果，又要保证高精密印刷版表面图像中边界区域的清晰度。版面较为平整且距离边缘区域越远的区域，h值应较大以得到良好的去噪效果；版面越毛糙且距离边缘区域越近的区域，h值应适当缩小以保留缺陷细节。在NLM（非局部均值滤波）算法中，每个像素点均为待去噪像素点，以每个像素点为中心构建待去噪窗口以及搜索窗口，在搜索窗口中采用与待去噪窗口尺寸相同的滑动窗口，在搜索窗口中进行滑动分析。因此在NLM算法的相似性权重计算中，需要考虑待去噪窗口中心像素点与其距离最近的各边缘点的几何距离、局部板面平整率以及毛糙密集度，提高平滑效果，结合像素点的局部区域的结构特征对像素点的滤波过程进行优化。因此本实施例基于上述构建的边缘点局部版面平整率、边缘点的疑似缺陷区域毛糙密集度指数/>构建各待去噪像素点的平滑过度因子，表达式具体为：

其中，为待去噪像素点/>的平滑过度因子，/>为距离待去噪像素点最近的边缘点/>的局部版面平整率，/>为距离待去噪像素点最近的边缘点/>的疑似缺陷区域的毛糙密集度，/>)为像素点/>的坐标，/>)为边缘点/>的坐标。当/>越大、/>越小、两点间距离越远，表明该待去噪像素点为缺陷点的可能性以及缺陷程度越小，则/>越大，去噪水平越高；当/>越小、/>越大、两点间距离越近，表明该待去噪像素点为缺陷点的可能性以及缺陷程度越大，则/>越小，细节成分保留越多。

因此，本实施例对NLM（非局部均值滤波）算法中相似性权重的计算进行修改，在相似性权重计算中，对于平滑参数的确定在传统NLM算法中高斯标准差的基础上多考虑了平滑过度因子为/>，本实施例中改进的NLM算法的平滑参数为高斯标准差的平方与平滑过度因子平方的乘积，也即/>为改进平滑参数，因此，对应相似性权重的计算公式如下：

式中，表示为以待去噪像素点/>为中心的待去噪窗口与以像素点/>为中心的滑动窗口的相似程度，/>是NLM算法中的归一化因子，/>是像素点/>的欧氏距离，/>为待去噪像素点/>的平滑过度因子，/>为传统NLM算法中的高斯标准差。当待去噪像素点的平滑过度因子越小，表明该待去噪像素点越可能为缺陷点，则相似性权重越小，越能保留更多的图像细节；当待去噪像素点的平滑过度因子越大，表明该待去噪像素点为缺陷点的可能性越小，则相似性权重/>大，越能获得更平滑的去噪效果。

进一步，本实施例根据改进后的相似性权重公式结合非局部均值滤波算法，对高精密印刷版表面图像的每个像素点进行滤波处理，获取各像素点的滤波值，得到去噪后的高精密印刷版表面图像，具有良好的去噪效果。

缺陷检测模块103，结合处理后的高精密印刷版表面图像，结合神经网络对高精密印刷版表面进行缺陷检测。

本实施例使用Yolov5模型对高精密印刷版表面缺陷进行检测并分类。Yolov5是一种基于深度学习的目标检测算法，它采用了CSPDarknet网络结构、多尺度检测、数据增强和Self-Adversarial Training等技术，提高了目标检测的准确性和实时性。需要说明的是，Yolov5神经网络模型以及网络结构均为现有公知技术，不在本实施例保护范围内。

首先制作一个包含缺陷和非缺陷样本的高精度印刷版表面图像数据集，对包含缺陷的印刷版表面图像进行标注，根据刮痕、坑洞及针孔等缺陷的特征标注缺陷的边界框和类别信息；使用准备好的数据集输入Yolov5模型进行训练；Yolov5模型采用CSPDarknet卷积神经网络进行缺陷特征提取；网络结构内部使用PANet模型进行特征融合，获取融合后的多尺度特征图；采用不同尺度的特征图进行预测，输出缺陷的边界框和类别概率。根据网络模型输出的边界框和类别概率，根据损失函数，通过反向传播算法更新网络的参数，优化网络的性能；进行后处理操作，采用极大值抑制去除重复检测和低置信度的预测框，得到最终的检测结果。需要说明的是，网络模型具体训练过程、损失函数以及所述后处理操作可通过现有技术实现，不在本实施例保护范围内，在此不作相关详细阐述。

至此，根据本实施例上述方法可实现对高精密印刷版表面状况进行检测，对高精度印刷版表面图像进行去噪操作，以准确提取缺陷区域，完成高精密印刷版表面缺陷的视觉检测。

综上所述，本发明实施例根据高精密印刷版的版面平整特点构建局部版面平整度指标，可对高精密印刷版表面状况进行准确检测，本发明实施例将图像分为边缘区域、疑似缺陷区域和平滑区域，初步对高精密印刷版表面缺陷进行检测，可降低后续缺陷区域分析的检测量，并根据缺陷周围版面会产生毛糙现象构建了毛糙密集度指标，提高缺陷区域的提取准确性；

同时，传统非局部均值滤波大多根据像素点的灰度值进行滤波处理，缺乏对像素点多维特征的提取分析，且对于平滑参数的选取，若设定过小造成噪声滤除不干净；平滑参数设定过大将导致边缘部分不能清晰展示，滤波效果不佳，本发明实施例结合所提取的各特征指标构建平滑过渡因子，对非局部均值滤波算法中相似性权重计算进行改进，提高高精密印刷版表面图像滤波效果，消除图像中的噪点，保证了缺陷区域周围版面状态的清晰度，避免了噪声对缺陷检测的影响；同时，本发明实施例采用Yolov5模型对缺陷进行检测并分类，避免了人工判别产生的漏检、误检问题，提高高精密印刷版表面缺陷检测精度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种高精密印刷版视觉检测系统，其特征在于，所述系统包括：

图像采集模块，用于采集高精密印刷版表面图像；

图像处理模块，获取高精密印刷版表面图像各边缘点；根据各边缘点水平方向上各像素点的灰度值以及各像素点邻域窗口内的灰度值均方差获取高精密印刷版表面图像的疑似缺陷点；根据各边缘点周围疑似缺陷点的灰度值得到各边缘点的局部版面平整率；根据各边缘点周围疑似缺陷点的灰度值波动情况得到各边缘点的疑似缺陷区域毛糙密集度；

将高精密印刷版表面图像中的像素点均记为待去噪像素点，根据待去噪像素点的坐标信息以及近邻边缘点的局部版面平整率、各边缘点的疑似缺陷区域毛糙密集度得到各待去噪像素点的平滑过度因子；根据各待去噪像素点的平滑过度因子得到各待去噪像素点的改进平滑参数，结合改进平滑参数对各待去噪像素点进行滤波，获取去噪后的高精密印刷版表面图像；

缺陷检测模块，结合神经网络及去噪后的高精密印刷版表面图像，完成高精密印刷版表面缺陷的视觉检测；

所述根据各边缘点周围疑似缺陷点的灰度值得到各边缘点的局部版面平整率，具体包括：最小均方差对应窗口中心像素点灰度值记为，对于各边缘点，获取边缘点的局部邻域，计算边缘点局部邻域内所有疑似缺陷点灰度值与/>差值的平方的均值；各边缘点的局部版面平整率与所述均值成负相关关系；

所述获取边缘点的局部邻域，具体包括：

对于各边缘点，以边缘点为中心，获取边缘点的局部方形窗口，将满足窗口内包含的疑似缺陷点数量不少于阈值的局部方形窗口作为边缘点最佳局部窗口，其中，阈值为大于零的正整数；边缘点最佳局部窗口所对应的区域作为边缘点的局部邻域，局部版面平整率指数的计算公式如下：

式中，为边缘点/>的局部版面平整率，a为避免分母为零的极小值，/>为以边缘点为中心的局部w*w邻域内第k个疑似缺陷点的灰度值，K为局部邻域内的疑似缺陷点个数；

所述根据各边缘点周围疑似缺陷点的灰度值波动情况得到各边缘点的疑似缺陷区域毛糙密集度，具体包括：

对于各边缘点，以边缘点周围各疑似缺陷点为中心构建局部窗口，计算各疑似缺陷点局部窗口的灰度均方差；计算边缘点周围疑似缺陷点之间灰度差值的平方；边缘点的疑似缺陷区域毛糙密集度与所述灰度均方差以及所述灰度差值的平方成正相关关系，边缘点的疑似缺陷区域毛糙密集度指数/>的计算公式如下：

式中，为边缘点/>的疑似缺陷区域毛糙密集度，/>为以边缘点/>为中心的局部w*w邻域内第k个疑似缺陷点的灰度值，局部邻域尺寸w的设定方式与上述相同，在此不在重复阐述，K为局部邻域内的疑似缺陷点个数，/>为以边缘点/>为中心的局部w*w邻域内第k-1个疑似缺陷点的灰度值，/>为以疑似缺陷点/>为中心的L*L窗口的灰度值均方差；

所述根据待去噪像素点的坐标信息以及近邻边缘点的局部版面平整率、各边缘点的疑似缺陷区域毛糙密集度得到各待去噪像素点的平滑过度因子，具体步骤包括：

对于各待去噪像素点，获取待去噪像素点与距离待去噪像素点最近边缘点之间的欧式距离；待去噪像素点的平滑过度因子与距离待去噪像素点最近边缘点的局部版面平整率及所述欧式距离成正比，与距离待去噪像素点最近边缘点的疑似缺陷区域的毛糙密集度成反比，各待去噪像素点的平滑过度因子的计算公式如下：

式中，为待去噪像素点/>的平滑过度因子，/>为距离待去噪像素点最近的边缘点的局部版面平整率，/>为距离待去噪像素点最近的边缘点/>的疑似缺陷区域的毛糙密集度，/>)为像素点/>的坐标，/>)为边缘点/>的坐标；

所述根据各待去噪像素点的平滑过度因子得到各待去噪像素点的改进平滑参数，具体步骤包括：

对于各待去噪像素点，计算待去噪像素点平滑过度因子的平方和传统非局部均值滤波算法中的高斯标准差平方的乘积，待去噪像素点的改进平滑参数与所述乘积成正比；

所述结合改进平滑参数对各待去噪像素点进行滤波，具体包括：

根据改进平滑参数得到相似性权重，作为非局部均值滤波算法的相似性权重，采用非均值滤波算法以及所述相似性权重对各去噪像素点进行滤波，所述相似性权重的计算公式如下：

式中，表示为以待去噪像素点/>为中心的待去噪窗口与以像素点/>为中心的滑动窗口的相似程度，/>是NLM算法中的归一化因子，/>是像素点的欧氏距离，/>为待去噪像素点/>的平滑过度因子，/>为传统NLM算法中的高斯标准差。

2.根据权利要求1所述的一种高精密印刷版视觉检测系统，其特征在于，所述根据各边缘点水平方向上各像素点的灰度值以及各像素点邻域窗口内的灰度值均方差获取高精密印刷版表面图像的疑似缺陷点，具体包括：

对于各边缘点，以边缘点为中心，水平方向获取边缘点左右两边的各像素点，根据边缘点水平方向各像素点的灰度信息构建平滑点筛选模型；根据平滑点筛选模型获取高精密印刷版表面图像的各疑似缺陷点。

3.根据权利要求2所述的一种高精密印刷版视觉检测系统，其特征在于，所述根据边缘点水平方向各像素点的灰度信息构建平滑点筛选模型，具体包括：

以高精密印刷版表面图像各非边缘像素点为中心，获取各非边缘像素点邻域窗口的灰度均方差，最小灰度均方差记为σmin，最小均方差对应窗口中心像素点灰度值记为，平滑点筛选模型表达式为：

式中，为以边缘点/>中心水平方向上像素点/>的灰度值，σmin为最小灰度均方差。

4.根据权利要求2所述的一种高精密印刷版视觉检测系统，其特征在于，所述根据平滑点筛选模型获取高精密印刷版表面图像的各疑似缺陷点，具体为：

对于边缘点水平方向上各像素点，当像素点满足平滑点筛选模型时，计算像素点及其左右相邻像素点的灰度值均方差，记为σ1，若σ1≤σmin，则所述像素点为平滑点；

将高精密印刷版表面图像中所有非平滑点的像素点记为疑似缺陷点。