本發(fā)明屬于包裝檢測(cè)領(lǐng)域，具體是涉及一種基于機(jī)器視覺的產(chǎn)品包裝表面缺陷檢測(cè)與分類方法。
背景技術(shù)：
：隨著近代印刷工業(yè)的發(fā)展，人們對(duì)印刷技術(shù)的要求越來越高。在這樣的時(shí)代大背景下，需要快速的高精度圖像檢測(cè)識(shí)別算法來滿足目前表面缺陷檢測(cè)的高速度和高精度的要求，從離線檢測(cè)到在線檢測(cè)，不斷推動(dòng)印刷業(yè)向高質(zhì)量、高效率、低成本方向發(fā)展。常見的表面缺陷主要有：漏印、污塊、劃痕、糊版、飛墨、色差、套印不準(zhǔn)等。因以上情況導(dǎo)致廢品率過高，會(huì)嚴(yán)重影響生產(chǎn)質(zhì)量。為了嚴(yán)格控制不合格率，需要在印刷的時(shí)候?qū)τ∷⒈砻孢M(jìn)行檢測(cè)，盡可能在生產(chǎn)過程中把每一件不合格品剔除。傳統(tǒng)的檢測(cè)方法主要靠人眼來識(shí)別，剔除不合格品，然而人眼目檢容易產(chǎn)生疲勞，檢測(cè)速度慢效率低，對(duì)于面積小、字符密集的標(biāo)識(shí)漏檢率較高，且無法保證統(tǒng)一的質(zhì)量標(biāo)準(zhǔn)。因此，表面缺陷的自動(dòng)檢測(cè)逐漸成為行業(yè)的趨勢(shì)。為檢測(cè)出表面缺陷，可直接比較兩幅圖像的灰度值，如PatInspect工具。用待測(cè)圖像減去標(biāo)準(zhǔn)圖像，若對(duì)應(yīng)像素點(diǎn)的差值大于給定的閾值則標(biāo)記為缺陷。但在實(shí)際的圖像采集過程中，圖像的位置會(huì)存在少量偏差，偏移量造成的大量缺陷像素點(diǎn)會(huì)掩蓋點(diǎn)、線缺陷的存在，此外，閾值的一刀切影響檢測(cè)效果。另一個(gè)檢測(cè)表面缺陷系統(tǒng)如DH-CHECK-C印刷質(zhì)量在線實(shí)時(shí)檢測(cè)系統(tǒng)，可檢測(cè)印刷圖案的墨色濃淡、線條斷線、文字殘缺等，可對(duì)微縮文字的完整性進(jìn)行判斷。該系統(tǒng)為抽樣檢查，對(duì)于過程性缺陷，如套印不準(zhǔn)、大面積漏印等的檢查有一定的作用，但這種系統(tǒng)對(duì)于飛墨、色差、刀絲、漏印、白點(diǎn)等突發(fā)性缺陷的檢測(cè)并不是十分理想。此外，現(xiàn)有大多數(shù)的在線檢測(cè)都是基于灰度圖像的，而對(duì)色彩的檢測(cè)很少，但偏色問題是一個(gè)不容忽視的缺陷問題。當(dāng)對(duì)彩色圖像進(jìn)行檢測(cè)時(shí)，傳統(tǒng)的做法是把彩色圖像轉(zhuǎn)化為灰度圖像，但這會(huì)丟失許多顏色信息，使得和色彩有關(guān)的缺陷難以檢測(cè)。因此，現(xiàn)有的表面缺陷檢測(cè)系統(tǒng)只能檢測(cè)一定類型、一定范圍內(nèi)的缺陷，有一定的局限性，存在檢測(cè)速度慢、檢測(cè)成本高、檢測(cè)類型單一等缺點(diǎn)。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：本發(fā)明目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種產(chǎn)品表面缺陷檢測(cè)與分類的通用方法，檢測(cè)準(zhǔn)確率高，適用于通用的機(jī)器視覺平臺(tái)。技術(shù)方案：本發(fā)明所述基于機(jī)器視覺的產(chǎn)品包裝表面缺陷檢測(cè)與分類方法，其特征在于，包括如下步驟：(1)采集無缺陷產(chǎn)品包裝的高清彩色圖像，制成標(biāo)準(zhǔn)圖像；再利用攝像頭實(shí)時(shí)拍攝，在線采集待測(cè)產(chǎn)品包裝的高清彩色圖像，作為待測(cè)圖像；(2)基于SURF算法，將待測(cè)圖像和標(biāo)準(zhǔn)圖像進(jìn)行圖像匹配；(3)對(duì)步驟(2)中匹配后的兩張圖像進(jìn)行差影操作，得到缺陷圖像；(4)對(duì)缺陷圖像進(jìn)行特征提取，得到缺陷圖像的幾何特征和色彩特征；(5)采用RBF神經(jīng)網(wǎng)絡(luò)算法，以缺陷圖像的特征向量作為輸入值，以缺陷的種類作為輸出值，對(duì)產(chǎn)品包裝表面缺陷進(jìn)行分類。本發(fā)明進(jìn)一步優(yōu)選地技術(shù)方案為，步驟(1)中高清彩色圖像由3CCD高清面陣彩色相機(jī)利用反射光源采集獲得。優(yōu)選地，步驟(1)的標(biāo)準(zhǔn)圖像為多張無缺陷產(chǎn)品包裝的高清彩色圖像采用統(tǒng)計(jì)平均法合成。優(yōu)選地，步驟(2)中待測(cè)圖像和標(biāo)準(zhǔn)圖像的圖像匹配方法包括如下步驟：a、在標(biāo)準(zhǔn)圖像中選定一區(qū)域作為模板，采用基于顏色不變量的SURF算法，利用圖像彩色信息計(jì)算得到的顏色不變量來提取圖像的特征點(diǎn)；b、提取特征點(diǎn)后，結(jié)合圖像的灰度信息為特征點(diǎn)生成特征描述子；c、采用歐式距離進(jìn)行相似性度量，提取兩幅圖像間匹配的特征點(diǎn)，找到匹配點(diǎn)后，以其為基準(zhǔn)，完成待測(cè)圖像和標(biāo)準(zhǔn)圖像的配準(zhǔn)。優(yōu)選地，步驟(2)中的缺陷圖像由匹配后的待測(cè)圖像和標(biāo)準(zhǔn)圖像逐像素對(duì)應(yīng)作差得到。優(yōu)選地，步驟(4)中，缺陷圖像的幾何特征包括缺陷區(qū)域的長(zhǎng)度、寬度、圓度、面積、周長(zhǎng)及方向；缺陷圖像的色彩特征包括色彩均值和方差。優(yōu)選地，步驟(5)中RBF神經(jīng)網(wǎng)絡(luò)的輸入層的單元數(shù)量由步驟(4)中提取的缺陷圖像的幾何特征和色彩特征的總數(shù)量確定；輸出層的單元數(shù)量由產(chǎn)品包裝表面缺陷的種類確定。有益效果：(1)本發(fā)明通過機(jī)器視覺系統(tǒng)進(jìn)行自動(dòng)缺陷檢測(cè)與分類，可避免人為因素干擾，大幅度降低人工成本，從而避免了人工檢測(cè)帶來的培訓(xùn)、管理等巨大隱性成本；本發(fā)明采用基于顏色不變量的SURF算法對(duì)待測(cè)圖像和標(biāo)準(zhǔn)圖像進(jìn)行配準(zhǔn)，解決了因圖像位置存在的偏差造成的點(diǎn)、線缺陷像素點(diǎn)被掩蓋的問題，達(dá)到了待測(cè)圖像與標(biāo)準(zhǔn)圖像的各個(gè)像素在空間上一一對(duì)應(yīng)，并且采用基于顏色不變量的SURF算法進(jìn)行配準(zhǔn)還可以利用圖像的顏色信息，以顏色信息作為特征，加快配準(zhǔn)速度，提高檢測(cè)效率；本發(fā)明采用RBF神經(jīng)網(wǎng)絡(luò)，針對(duì)神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，對(duì)缺陷進(jìn)行精確的識(shí)別分類；(2)本發(fā)明中標(biāo)準(zhǔn)圖像為多張無缺陷產(chǎn)品包裝的高清彩色圖像采用統(tǒng)計(jì)平均法合成，由于合格品之間也會(huì)存在各種差異，為了使檢測(cè)結(jié)果有效，將采集的多張合格品采用統(tǒng)計(jì)平均法合成制作成標(biāo)準(zhǔn)圖像，不僅消除了單張圖像作為標(biāo)準(zhǔn)圖像所引起的偏差，同時(shí)也代表了圖像的真實(shí)信息，提高缺陷檢測(cè)和分類的精確度；(3)本發(fā)明中的缺陷圖像由差影法獲得，只要確保待測(cè)圖像與標(biāo)準(zhǔn)圖像達(dá)到了精確定位，兩者之間存在任何差別，不論是污點(diǎn)還是劃痕，都可以檢測(cè)出來，檢測(cè)效果成倍提升，而且差分法方法簡(jiǎn)單，容易實(shí)現(xiàn)，滿足了在線檢測(cè)系統(tǒng)代碼簡(jiǎn)潔的要求；(4)本發(fā)明中對(duì)缺陷圖像進(jìn)行特征提取時(shí)，由于缺陷檢測(cè)問題較為復(fù)雜，各個(gè)特征間關(guān)聯(lián)度較大，因此將缺陷圖像的長(zhǎng)度、寬度、圓度、面積、周長(zhǎng)、方向、色彩均值和方差均作為特征提取，盡可能的獲得較多的特征，特征的數(shù)學(xué)描述更加完備，圖像的信息丟失少，在相同分類器條件下獲得的分類效果更好。附圖說明圖1為本發(fā)明實(shí)施例1所述的檢測(cè)與分類方法的流程圖；圖2為本發(fā)明實(shí)施例1中RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；圖3為本發(fā)明實(shí)施例1中RBF神經(jīng)網(wǎng)絡(luò)的聚類算法圖。具體實(shí)施方式下面通過附圖對(duì)本發(fā)明技術(shù)方案進(jìn)行詳細(xì)說明，但是本發(fā)明的保護(hù)范圍不局限于所述實(shí)施例。實(shí)施例1：一種基于機(jī)器視覺的產(chǎn)品包裝表面缺陷檢測(cè)與分類方法，具體包括如下步驟：(1)利用高清、高速攝像頭采集多張無缺陷產(chǎn)品包裝的高清彩色圖像，采用統(tǒng)計(jì)平均法合成為標(biāo)準(zhǔn)圖像；再利用攝像頭實(shí)時(shí)拍攝，在線采集待測(cè)產(chǎn)品包裝的高清彩色圖像，作為待測(cè)圖像；統(tǒng)計(jì)平均法是根據(jù)各個(gè)樣本像素值的概率分布，求出統(tǒng)計(jì)平均值作為模板值，設(shè)采集的樣本圖像為N張，每個(gè)樣本圖像表示為：fi(x,y)，i＝0,1,LN-1，則模板上各像素值為：(2)基于SURF算法將待測(cè)圖像和標(biāo)準(zhǔn)圖像配準(zhǔn)，配準(zhǔn)的具體方法是：在標(biāo)準(zhǔn)圖像中選定一區(qū)域作為模板，采用基于顏色不變量的SURF算法，利用圖像彩色信息計(jì)算得到的顏色不變量來提取圖像的特征點(diǎn)；提取特征點(diǎn)后，結(jié)合圖像的灰度信息為特征點(diǎn)生成特征描述子；采用歐式距離進(jìn)行相似性度量，提取兩幅圖像間匹配的特征點(diǎn)，找到匹配點(diǎn)后，以其為基準(zhǔn)，完成待測(cè)圖像和標(biāo)準(zhǔn)圖像的配準(zhǔn)，為符合人眼視覺系統(tǒng)和CIE-1964-XYZ基準(zhǔn)的近似形式，得到(E,Eλ,Eλλ)與RGB彩色圖像的關(guān)系式：EEλEλλ=0.060.630.270.30.04-0.350.34-0.60.17RGB]]>顏色不變量為：Hinv=EλEλλ,]]>對(duì)RGB圖像，可通過上述公式計(jì)算得到顏色不變量Hinv；對(duì)標(biāo)準(zhǔn)圖像和待測(cè)圖像計(jì)算顏色不變量作為輸入信息，建立圖像尺度空間，然后使用快速Hessian矩陣檢測(cè)每一層圖像上的極值點(diǎn)，對(duì)空間內(nèi)的任意一點(diǎn)(x,y)，尺度為σ，Hessian矩陣定義為：H(x,σ)=Lxx(x,σ)Lxy(x,σ)Lxy(x,σ)Lyy(x,σ),]]>這里L(fēng)xx、Lxy、Lyy為高斯函數(shù)的二階導(dǎo)數(shù)與輸入圖像Hinv卷積的結(jié)果，得到Hessian矩陣的行列式為：det(H)＝DxxDyy-(0.9Dxy)2，這里Dxx、Dxy、Dyy為σ＝1.2時(shí)的Lxx、Lxy、Lyy，對(duì)Hessian矩陣檢測(cè)到的極值點(diǎn)，設(shè)定一個(gè)閾值，當(dāng)極值點(diǎn)大于閾值時(shí)，對(duì)該極值點(diǎn)在3×3×3的立體鄰域內(nèi)進(jìn)行非極大值抑制，若比鄰近的26個(gè)值都大，則選為特征點(diǎn)，在尺度空間進(jìn)行插值，得到穩(wěn)定的特征點(diǎn)位置和所在尺度值。若極值點(diǎn)小于閾值，則排除該點(diǎn)；得到特征點(diǎn)后，首先確定特征點(diǎn)的主方向，然后將坐標(biāo)軸旋轉(zhuǎn)到主方向，通過計(jì)算得到描述向量，歸一化后形成特征點(diǎn)的描述子，兩個(gè)特征向量的相似性度量采用歐式距離：Dij=(Σk=0k-n(Xik-Xjk)2)1/2,]]>其中，Xik表示標(biāo)準(zhǔn)圖像中的第i個(gè)特征點(diǎn)對(duì)應(yīng)特征向量的第k個(gè)元素，Xjk表示模板圖像中的第j個(gè)特征點(diǎn)對(duì)應(yīng)特征向量的第k個(gè)元素，n為特征向量的維數(shù)，根據(jù)上式得到一個(gè)距離集合，設(shè)定閾值，當(dāng)最小距離和次最小距離比值小于閾值時(shí)，則這兩個(gè)特征點(diǎn)匹配；(3)配準(zhǔn)后進(jìn)行差影操作，得到缺陷圖像，并對(duì)缺陷圖像進(jìn)行處理，提取特征；對(duì)缺陷圖像進(jìn)行特征提取，由于缺陷檢測(cè)問題較為復(fù)雜，各個(gè)特征間關(guān)聯(lián)度較大，所以這里盡可能的獲得較多的特征，包括幾何特征和顏色特征，這里幾何特征為缺陷區(qū)域長(zhǎng)度、寬度、面積、周長(zhǎng)、圓度、方向，顏色特征為色彩均值和方差，特征的數(shù)學(xué)描述越完備，圖像的信息丟失越少，在相同分類器條件下分類效果越好；(4)采用RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)缺陷進(jìn)行分類，通過幾何特征和顏色特征來確定表面缺陷分類；RBF神經(jīng)網(wǎng)絡(luò)的輸入為缺陷圖像的特征向量，提取缺陷圖像的特征數(shù)據(jù)，包括上述的幾何特征和顏色特征，把它們作為網(wǎng)絡(luò)的輸入，從而確定輸入層的單元個(gè)數(shù)為8個(gè)，根據(jù)所達(dá)到的識(shí)別要求，對(duì)產(chǎn)品包裝的缺陷進(jìn)行有效識(shí)別，包括色差、污點(diǎn)、刀絲、糊版、漏印、飛墨，因此選擇輸出層單元的個(gè)數(shù)為6個(gè)，即每個(gè)單元的輸出代表一種缺陷類型，這樣便確定了網(wǎng)絡(luò)的輸入和輸出層單元數(shù)目，如圖2所示，網(wǎng)絡(luò)輸出層的輸出值一般為非整數(shù)，在分類時(shí)，為了使輸出值有直觀意義，將輸出取為整數(shù)，即，若yi≤0.1，則取yi＝0；若yi≥0.9，則取yi＝1，i＝1,L,6。如輸出向量為(0.998,0.02,0.004,0,0.015,0.1)≈(1,0,0,0,0,0)，表示存在色差缺陷；基于上述提取的特征，用RBF神經(jīng)網(wǎng)絡(luò)分類算法對(duì)產(chǎn)品包裝缺陷圖像進(jìn)行分析，確定缺陷類型，RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下：先用聚類方法(如圖3所示)確定RBF網(wǎng)中隱節(jié)點(diǎn)的數(shù)據(jù)中心，并根據(jù)各數(shù)據(jù)中心之間的距離確定隱節(jié)點(diǎn)的擴(kuò)展常數(shù)，然后用最小二乘方法計(jì)算各隱節(jié)點(diǎn)的輸出權(quán)值，輸入提取的特征值xi，i＝1,L,8，確定數(shù)據(jù)中心后，得到隱含層輸出陣為：H^=[hij]=Φj(||xi-cj||)]]>則對(duì)所有樣本，網(wǎng)絡(luò)輸出為令為逼近誤差，通過給定的輸出y＝[y1,L,y6]，最小化輸出權(quán)值根據(jù)輸入和訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)，輸出得到缺陷分類。如上所述，盡管參照特定的優(yōu)選實(shí)施例已經(jīng)表示和表述了本發(fā)明，但其不得解釋為對(duì)本發(fā)明自身的限制。在不脫離所附權(quán)利要求定義的本發(fā)明的精神和范圍前提下，可對(duì)其在形式上和細(xì)節(jié)上作出各種變化。當(dāng)前第1頁1 2 3