论文部分内容阅读
印刷品缺陷自动检测是对印刷品表面的斑点、划痕、折痕、色差、墨迹、缺损等缺陷进行检测，并根据需要进行自动筛检与剔除。机器视觉是用计算机来模拟人的视觉功能，从图像中提取感兴趣的有用信息并加以理解，在实时在线工业检测中有着广泛的应用并且发挥着至关重要的作用。利用基于机器视觉技术的印刷品缺陷自动检测能将工人从繁杂的检测程序中解放出来，并且提高检测的准确性和效率。
本文系统地研究了基于机器视觉技术的印刷品缺陷自动检测系统中的关键技术：特征提取、目标定位、特征匹配、复杂背景缺陷检测、字符缺陷检测和印刷品缺陷自动分类技术。
特征提取是印刷品缺陷自动检测的关键技术。特征检测算子的检测性能和描述算子的信息描述能力直接决定了缺陷检测的效率和准确度。本文研究了特征提取方法包括纹理特征、兴趣点特征、形状特征。从基于统计的方法、基于几何结构的方法、基于模型的方法、基于信号处理的方法四个方面对纹理特征进行研究。兴趣点特征具有高信息量，高鲁棒性的特点，应用非常广泛的特征算子SIFT算子、SURF算子、BRIEF算子和Harris角点检测算子。形状特征如活动轮廓、形状上下文和LevelSet方法能都有非常好的特征描述能力。
针对缺陷检测中出现的位置偏移难题，本文提出了基于SIFT特征的印刷品图像精确定位算法，基于SIFT特征精确定位方法能适应印刷品中出现的光照变化、旋转、伸缩、平移等情况，并且利用金字塔和插值的技术达到亚像素级的高定位精度。
在基于机器视觉的印刷品缺陷自动检测过程中，图像可能因为相机拍摄视角、光照等的变化而发生尺度伸缩、平移、旋转等变化，并且成像是一个仿射变化，二维成像损失了很多原数据的特征，表现形式也发生了很多的变化，因此选择合理的匹配算法是印刷品缺陷检测中一个十分关键的问题。本文研究了图割匹配方法匹配算法、RANSAC鲁棒匹配方法、EigenVector图像点集匹配、ICP图像点集匹配算法，这些算法都是在实际应用中具有很好的匹配精度。
印刷行业复杂背景图像的检测对算法的要求较高，不仅要适应复杂的情况，而且要求较快的速度。本文提出了基于KPCA的字符缺陷检测算法，该方法能够适应光照变化，以及相机的抖动带来的图像位移和伸缩变化等情况，具有良好的适应性，而且计算速度较快。针对固定背景印刷品提出了基于精确定位和图像配准的缺陷检测方法，该方法能将图像进行复原，并快速进行模板匹配。
基于核SVM的印刷品缺陷自动分类算法将缺陷按照其特征进行自动分类，并且使得所分的两类数据之间的间隔最大。核SVM是有监督的学习方法，能够有效地利用标签的信息，进行有指导地学习。印刷品缺陷自动分类算法能够改善整个印刷生产线的运行性能，从而起到对生产过程进行指导的重要作用。