基于OpenCV技術(shù)的毛巾標(biāo)簽缺陷檢測算法研究與實現(xiàn).pdf

1、隨著工業(yè)化技術(shù)的飛躍發(fā)展，人們對于產(chǎn)品的質(zhì)量問題也越來越重視。針對自動化生產(chǎn)領(lǐng)域中有關(guān)印刷品表面質(zhì)量檢測的研究熱點(diǎn)問題，本文就以毛巾產(chǎn)品上所貼標(biāo)簽為例展開研究。標(biāo)簽生產(chǎn)時受到多種因素的影響，標(biāo)簽表面經(jīng)常會出現(xiàn)一些外觀問題，比如出現(xiàn)了噴墨、多印、少印、劃痕以及沾染了污漬等等，而一些客戶特別是海外客戶恰恰對這些表面質(zhì)量問題倍加關(guān)注，因此進(jìn)行標(biāo)簽缺陷檢測對于企業(yè)是必然的需求。以計算機(jī)視覺為核心的缺陷處理研究成為了熱點(diǎn)之一。而OpenCV(Op

2、en Source Computer Vision Library)這個開源圖像庫的不斷更新強(qiáng)大更是功不可沒，在計算機(jī)視覺領(lǐng)域中越來越占據(jù)著主導(dǎo)地位。近十多年來的更新?lián)Q代讓OpenCV的功能越發(fā)的強(qiáng)大起來，由于它高效率的可移植性，像DSP和ARM芯片上，加之各種高質(zhì)量的數(shù)字處理器和處理芯片的不斷涌現(xiàn)，如今被廣泛使用于工業(yè)自動化領(lǐng)域中、軍事領(lǐng)域、遙感衛(wèi)星領(lǐng)域和交通領(lǐng)域等中，像本文中將OpenCV應(yīng)用于產(chǎn)品表面的質(zhì)量檢測中去。
　　和

3、絕大多數(shù)圖像處理應(yīng)用相類似，本課題研究的標(biāo)簽表面質(zhì)量檢測的主要流程是圖像的預(yù)處理操作、圖像的特征提取及匹配（本文用于圖像間的配準(zhǔn)），最后運(yùn)用相關(guān)的形態(tài)學(xué)運(yùn)算處理提取出表面可能存在的缺陷。本文中介紹涉及到的圖像預(yù)處理流程主要包含濾波操作、直方圖統(tǒng)計、閾值分割及二值化和相關(guān)的形態(tài)學(xué)處理等。
　　進(jìn)行缺陷檢測過程中最關(guān)鍵的步驟是實現(xiàn)圖像配準(zhǔn)，配準(zhǔn)精度的高低直接影響到后續(xù)的缺陷提取操作。本文的主要工作如下:
　　第一，介紹了“機(jī)器換

4、人”發(fā)展大戰(zhàn)略的提出由來和發(fā)展趨勢，結(jié)合本文的毛巾標(biāo)簽等印刷品缺陷檢測研究的歷程及其現(xiàn)狀。
　　第二，簡述了OpenCV技術(shù)的發(fā)展歷程和模塊組成情況，以及在圖像處理中的重要應(yīng)用體現(xiàn)，主要是簡述和概覽。
　　第三，本文采用在圖像特征提取法的框架下，首先就經(jīng)典的尺度不變特征變換算法(Scale Invariant Feature Transform，SIFT)對于圖像特征提取匹配指出了不足之處，之后在此基礎(chǔ)上提出了SIFT算法的

5、升級版——基于加速魯棒特性(Speeded Up Robust Feature，SURF)和模板匹配算法相結(jié)合的表面缺陷檢測算法，分別比較SIFT算法和SURF算法在提取特征點(diǎn)上的區(qū)別。本文中運(yùn)用此兩種特征算法分別用來提取標(biāo)準(zhǔn)圖像和缺陷圖像中的局部不變特征點(diǎn)，這些不變特征點(diǎn)對于圖像發(fā)生的旋轉(zhuǎn)、平移、縮放甚至視角改變都具有一定的不變性，再經(jīng)由隨機(jī)采樣一致算法(Random Sample Consensus，RANSAC)對提取的特征點(diǎn)進(jìn)行

6、提純篩選，而后進(jìn)行特征點(diǎn)匹配，通過得到的匹配點(diǎn)對中特征點(diǎn)坐標(biāo)信息估算出圖像配準(zhǔn)所需參數(shù)，最后根據(jù)變換參數(shù)對缺陷圖像（待配準(zhǔn)圖像）實現(xiàn)圖像配準(zhǔn)。
　　第四，得到了配準(zhǔn)后的圖像之后，需要進(jìn)行缺陷提取。本文提出了基于圖像灰度差影圖法和基于異或二值化圖像像素值法兩種比較算法，經(jīng)實驗驗證，采用后者算法提取的缺陷容易丟失掉一些缺陷信息，會干擾到最后的缺陷判定，因此前者更優(yōu)一些。
　　最后，對本文所取得的研究成果進(jìn)行了總結(jié)分析，對于研究中