基于非線性擴散與圖像配準的印刷品表面缺陷檢測

邢旭朋

(西安工程大學 機電工程學院， 陜西 西安 710048)

隨著科技的快速發展，印刷產品越來越趨于自動化生產，同時工業上對于印刷品的質量要求也相對應有所提高。在印刷的過程中，由于各種因素(人為、設備或者原材料等)，不可避免地會使得印刷產品表面產生一些缺陷，常見的缺陷有：飛墨、針孔、偏色、漏印、黑點、刮擦和套印不全等[1]。對于印刷品的缺陷檢測，傳統方法主要是依靠人工檢測，但是該方法成本較高、效率低下，而且人長時間工作容易產生疲勞，不可避免地就會出現誤檢和漏檢，很難滿足現在高速發展的生產需求。而為了保障印刷產品的質量及提高效率，將機器視覺引入到了工業生產當中，大大減少了人力勞動。

筆者設計了一種利用改進的P-M非線性擴散模型[2]與圖像差分模型配準的方法對印刷品的表面缺陷進行檢測，最后通過仿真案列對該方法進行驗證。

1 檢測系統的實驗平臺搭建

檢測系統主要采用Halcon圖像處理軟件來搭建，其檢測原理為：首先相機通過驅動軸上的編碼器實時觸發來采集圖像，將采集得到的圖像傳輸到工控機上，運用改進的P-M模型對其進行預處理，增強缺陷區域的對比度；通過模板匹配算法定位到缺陷區域，最后通過圖像配準算法檢測到缺陷區域的特征值并輸出檢測結果。該檢測系統的硬件主要包括相機(邁德威視500萬級的千兆網工業相機，分辨率為2 448像素×2 048像素)，鏡頭(焦距3.5～8.0 mm，手動調節)，光源(LED條形光源)。檢測的產品為工業上常用的鋰電池標簽(尺寸400 mm×200 mm，檢測精度為400 μm)。實驗平臺如圖1所示。

圖1 實驗平臺Figure 1 Experimental platform

2 印刷品表面缺陷檢測方法設計

2.1 表面缺陷檢測流程

如圖2所示，文中印刷品的缺陷檢測主要包括3個階段，依次為創建模板、定位和圖像配準檢測。具體過程為：首先對6～7張OK品級的圖像進行訓練得到標準圖像，對標準圖像進行Blob分析定位，得到標簽所在的區域，并生成配準和檢測模板，記為標準模板圖像；然后利用非線性擴散模型的方法，在保持非缺陷區域平滑程度不變的情況下，對待測圖像進行平滑后，將原始圖像與擴散后的圖像做差分運算增強缺陷區域的對比度，得到差分圖像；最后將差分圖像與標準模板圖像進行配準，檢測出缺陷所在的區域特征值以便分析硬件設備對于印刷品印刷質量的影響。

圖2 檢測流程Figure 2 Testing process

2.2 非線性擴散模型(P-M模型)

圖像預處理后，利用改進的非線性擴散模型對缺陷區域進行平滑和銳化處理，然后以圖像差分的方法增強缺陷的對比度。

P-M模型是數學中常用的非線性擴散模型[3-4]，表達式為：

(1)

表達式為：

(2)

式中t為一個常數。

P-M模型對應的離散解為[5-6]:

誰都聽得出來這是一句玩笑話，可周暄的臉卻一下子陰沉下來，一口氣喝干杯子里的燒酒，又倒了一杯，酒勁上來，他端著杯子走到那人邊上：“能娶到朝敏這么好的老婆，那是我的福氣，來，跟我干三杯，你也一樣能找到這么好的老婆，就不用總惦記別人家的老婆了?！?/p>

(3)

表達式為：

(4)

(5)

筆者為了提高算法的檢測效率以及魯棒性，用求中心差值的方法來替換傳統的前后項差值的方法。式(4)表明，相比于傳統方法，改進的方法準確性更高；且如圖3所示，當隨機噪聲與真實邊緣出現在水平方向時，傳統方法容易引起誤檢。

圖3 真實邊緣與隨機噪聲示意圖Figure 3 Schematic diagram of real edge and random noise

為準確得到某像素點的4個鄰點的最鄰近差分值,采用中心差值法[7-8]，表達式為：

(6)

由圖3(a)所示，對于真實的邊緣，公式為：

(7)

中心差值法求得的隨機噪聲與真實邊緣的通量值為：

(8)

2.3 圖像差分

假設原始圖像為lε(x,y)，經過改進的P-M模型對原始圖像lε(x,y)進行擴散后得到的圖像為lf(x,y)。繼而對lε(x,y)與lf(x,y)進行圖像的差分運算，來對缺陷區域的對比度進行增強。

圖像lε(x,y)與lf(x,y)的差分運算公式為[9]：

(9)

2.4 圖像配準

在通過P-M模型得到差分圖像后，利用仿射變換將差分圖像變換到標準圖像的位置，使得到的差分圖像與標準模板圖的圖像數據在空間上一一對應，然后根據標準模板圖與差分圖像之間的像素數據差異判別此待測圖有無缺陷，從而實現印刷產品表面的缺陷檢測。差分圖像D(i,j)為模板圖像T(i,j)與待檢測圖像S(i,j)匹配相減后得到的差：

D(i,j)=|S(i,j)-T(i,j)|。

(10)

D(i,j)值越小，說明差分圖像與標準模板圖像對應的像素值的差別越小，2副圖越相似[10-13]。

3 實驗驗證分析

筆者以鋰電池標簽表面的缺陷檢測為案列，對所提出的方法進行驗證。實驗選取漏印、墨點、刮擦等缺陷模式的鋰電池標簽進行試驗。實驗步驟為：

1) 圖像灰度化，然后預處理進行去噪。

2) 使用非線性擴散模型以及圖像差分將缺陷區域的對比度增強。

3) 通過圖像配準的方法檢測出缺陷區域特征值。

實驗中將筆者所設計的方法與文獻[14]和文獻[1]中的方法進行對比，更直觀地突出筆者改進的設計方法的優點。文獻[14]將基于形狀的模板匹配算法創建多個特征區域并依次進行配準，根據配準數據獲得變換矩陣，既而通過仿射變換，完成模板匹配的過程，得到缺陷檢測的區域，該方法具有一定的實用性。文獻[1]首先手動定位區域特征，然后通過基于形狀的模板匹配算法來快速匹配，利用灰度值差影算法來進行缺陷檢測，此方法能夠理論聯系實際，具有一定的實踐經驗。

從圖4～5的檢測結果可知，3種方法對缺陷檢測都有效果。然而，各個方法檢測的效果并不相同，在圖4(b)中，文獻[14]中的方法只能檢測較為明顯的缺陷，存在缺陷丟失的現象。在圖4(c)中，文獻[1]的方法檢測效果較好，但是仍存在檢測不全以及缺陷區域邊緣信息丟失的情況。而在圖4(d)和圖5(d)中，筆者所提出的檢測方法能完整地檢測出缺陷區域，效果明顯要優于另外2種檢測方法。該檢測方法提高了檢測精度(準確率高達99.97%)，同時保持了檢測的速度，滿足工業上的生產質量要求。

圖4 劃痕缺陷檢測效果對比Figure 4 Comparison of detection effects of scratch defects

圖5 墨點與劃痕混合缺陷檢測效果對比Figure 5 Comparison of detection effect between ink spot and scratch mixed defect

4 結論

筆者提出了一種基于改進Perona-Malik(P-M)非線性擴散模型與圖像差分模型配準的印刷品表面缺陷檢測方法。將采集完好的圖像進行圖像平均運算，并將該平均圖像建為模板；其次對待測圖像進行預處理，將缺陷區域用改進后的非線性擴散模型進行平滑；繼而將原始圖像與非線性模型擴散后的圖像進行差分，增強了缺陷區域的對比度；最后在將得到的差分圖像與開始時創建的模板圖像進行比對，得到缺陷區域。經實驗驗證，筆者所設計的方法相比傳統方法提高了精度(準確率高達99.97%)，且有較高的速度，能夠滿足一般工業缺陷檢測的需求。