基于機器視覺的紙病檢測系統發展綜述

周　強　陳　穎　沈天宇　齊　璐

(陜西科技大學電氣與信息工程學院,陜西西安,710021)

?

·紙病檢測系統·

基于機器視覺的紙病檢測系統發展綜述

周強陳穎*沈天宇齊璐

(陜西科技大學電氣與信息工程學院,陜西西安,710021)

在詳細介紹以機器視覺技術為核心的紙病檢測流程的基礎上,研究、梳理和歸納了紙病檢測系統在硬件模式、軟件系統和檢測算法上的發展歷程,分析了當前紙病檢測中存在的難點問題，并討論了該技術的發展前景。

紙病檢測；機器視覺；硬件模式；軟件系統；檢測算法

造紙過程中任何對紙張質量不利的表面缺陷都可稱之為紙病,但通常意義下的紙病是指外觀紙病,包括透光、孔眼、破洞、針孔、褶子、塵埃、漿疙瘩等。造成紙病的原因很多,如纖維材料、工藝流程、設備狀態等都有可能引起紙病,紙病不但會降低紙張的使用價值和印刷成品率,嚴重時還會使紙張成為廢品,因此紙病檢測在造紙過程中非常重要。

目前很多中小企業依舊采用人工檢測紙病,隨著造紙生產自動化的不斷發展,紙機車速不斷提升、紙幅寬度不斷加大，紙張在抄造過程中出現缺陷的幾率增大[1]。傳統的人工檢測紙病方法已不能滿足生產需要,因此造紙企業迫切需要一種自動化在線檢測技術代替人工檢測,基于機器視覺的紙病在線檢測就是在這樣的需求中發展起來的。

基于機器視覺的紙病檢測技術從最初只能檢測簡單單一的紙病發展到如今能夠同時辨識多種復雜紙病經歷了20多年的時間。造紙行業作為與國民經濟與社會發展關系密切的重要基礎原材料產業,隨著信息豐富時代的到來[2],在線紙幅洞眼和斑點檢測系統由最早的ULMA產品,到20世紀80年代第一代基于CCD技術的WIS系統投放市場,直到2014年ISRA VISION公司在中國國際造紙科技展覽會及會議(CIPTE)上發布了全新的突破性檢測技術——PAPER MASTER紙病檢測系統(WIS)[3],檢測算法已由早期的灰度閾值法,經歷Jukka Iivarinen等提出的灰度共生矩陣法[4],直到模糊邏輯算法的提出等,紙病在線檢測技術已由自動化逐步走向智能化。目前,國外紙病檢測理論、方法和技術日臻成熟。國內的技術近幾年發展十分迅速,在應用方面,浙江大學雙元科技公司的SYWIS系列在國內已有一些成功的應用案例。在理論研究方面,壓縮感知等信息科學的最新成果已經進入該領域[5]。

圖1　紙病檢測流程框圖

1　紙病檢測流程

基于機器視覺的紙病檢測系統的功能是對造紙生產線上紙張表面質量進行在線監測,其工作流程見圖1。

(1)紙張圖像拍攝與采集。高速線陣工業相機實時快速拍攝生產線上高速運行的紙張,將紙張表面的光學特性轉換為數字圖像信號；作為紙病檢測系統核心的計算機，利用采集卡或數據線將圖像數據實時讀入計算機。

(2)紙病圖像預處理與辨識。電機的負載轉矩發生相反的變化。前者通過圖像增強、圖像分割等將含有紙病的圖像區域分離出來；后者通過特征提取、紙病辨識獲得紙病形狀、面積大小、空間位置及紙病類型等信息。

(3)紙病后期處理。包括紙病顯示、紙病記錄及指導人工操作。根據所判斷出的紙病類型和在紙幅上的空間位置,在系統軟件主界面的模擬紙幅面上,用不同符號和顏色代表對應紙病,實時顯示在計算機屏幕上,以方便操作人員查看和分析紙病出現的原因；同時,系統軟件中的數據庫管理功能,實時存儲并統計紙病信息,以便對紙病的歷史查詢；投標器等設備在紙卷上實時標記紙病位置指導后期人工操作,當出現周期性紙病等嚴重問題時,聲光報警裝置能及時提醒、通知操作人員立刻排除生產設備或制造工藝中的故障。

2　紙病檢測系統的硬件模式

隨著計算機、微電子等技術的飛速發展,紙病檢測系統的硬件模式趨于多樣化,經歷了幾種主要模式。

2.1“CCD相機+采集卡+PC機”模式

在這種早期硬件模式(簡稱“采集卡”模式)下,系統工作過程：CCD(Charge Coupled Device)相機實時拍攝被測紙張表面,其片內的模數轉換器(ADC)將模擬信號轉換成數字信號,通過通信線傳輸到圖像采集卡,計算機讀取采集卡中的數據,并承擔全部數據處理任務。

ABB公司的ULMA3D系統、ULMA NTi系統,Measurex Roibox公司的MXOpen WIS(Web Inspection System)系統,OMRON公司的AUTO SPEC系統,Honeywell公司的1MXOpen WIS系統都采用這種硬件模式,并于1997年開始進入我國[6]。在這種模式下,近年來國內紙病檢測技術發展迅速,河南江河紙業股份有限公司自主研發的DZ-WIS,一些關鍵性技術已接近世界先進水平；南京林業大學的研究成果,使得PC機檢測和處理紙病的實時性和準確性得到了大幅度提高。但是這種模式會給軟件系統帶來巨大的計算量,而這一軟件系統的技術瓶頸不可避免地造成了系統穩定性差的問題,且始終未得到徹底解決[7]。雖然陜西科技大學任鵬使用多核處理器與后臺系統線程池技術相結合,實現了后臺任務的實時并行處理,提高了紙病檢測系統的穩定性,暫時克服了計算機因長時間運行出現的處理速度下降或者死機現象[8]。但紙機車速提升、紙幅加寬、檢測精度提高以及紙病檢測算法復雜度增大所帶來的運算數據量膨脹,與計算機主頻加快和軟件結構優化所帶來的運算能力倍增的競賽遠未停息。此計算機集中處理數據的硬件模式結構簡單實用、用戶操作方便,但構建軟件系統工作量較大,特別是隨著紙張圖像的實時數據量越來越大,計算機的串行結構和工作方式不可避免地限制了其運算速度,從而形成了“采集卡”模式的速度瓶頸效應,嚴重制約了檢測系統的快速性和可靠性提升[9]。

2.2“CCD+FPGA+計算機”模式

為了突破“采集卡”模式的速度瓶頸,較早的一些方法多使用單片機或者DSP等微處理器實現灰度均衡、彩色圖像二值化或圖像重構等預處理功能,分擔了計算機的部分工作。但隨著對圖像采集速度和圖像品質要求的不斷提升,這些方式終難滿足需求。而高速度FPGA(Field Program-mable Gate Array)的發展為紙病檢測系統帶來了“CCD+FPGA+計算機”模式(簡稱“FPGA”模式)。處于CCD和計算機中間位置的FPGA,一方面承擔數據采集卡的工作,對CCD相機進行配置,獲取圖像數據,驅動片外儲存芯片,對圖像進行緩存,同時產生VGA時序,另一方面承擔計算機的部分任務,對紙張圖像進行預處理。

FPGA具有開發周期短、高速、高靈活性、可并行處理等優點,與計算機的串行工作方式相比,FPGA的并行結構和流水線工作方式具有速度上的優勢。由FPGA完成紙張圖像的預處理、紙病粗判(僅判斷是否產生紙病)和疑似紙病圖像區域分割,并將該區域的圖像數據通過以太網等通信方式傳輸給計算機,利用高級語言編寫算法程序的靈活性,由計算機完成紙病種類進一步判斷的工作及后期信息處理。統計表明,疑似紙病區域的面積僅占整個紙張圖像面積的萬分之一以下,因此大量圖像數據處理由FPGA迅速完成。

FPGA模式采用分散式數據處理方式,利用FPGA并行運算的快速性進行紙病預處理和粗判,承擔90%以上的“粗活”,并利用計算機編程的靈活性實現圖像處理高級算法,完成紙病辨識、顯示、統計儲存等“細活”。這種硬件模式適應造紙生產的發展趨勢,具有較大的發展空間,且結構簡單、成本低、處理速度快,但是大量的最底層編程語言的開發工作,使得該模式研發難度很大。

國外基于FPGA的紙病檢測技術已比較成熟,如1999年S Hossain Hajimowlana提出用于缺陷檢測的相機數據流處理[4],國內FPGA模式在紙病檢測領域的應用尚處于起步階段,例如,文獻[9]中利用FPGA的并行性完成了紙病圖像處理算法的硬件加速,提高紙病檢測的準確性和效率,但未能充分利用NIOS II軟核處理器,最大程度地實現高速實時圖像處理[10]。同時,這種硬件模式的優化還存在FPGA中設計SDRAM控制器等很多難點有待克服。

2.3其他類型的紙病檢測模式

除了以上兩種典型的紙病檢測系統模式之外,以其他技術實現的紙病檢測系統也有報道。例如,文獻[11]采用的“CCD+DSP(Digital Signal Processing)+計算機”模式、文獻[12]研制的“工業相機+FPGA+DSP+顯示器”嵌入式機器視覺系統,各有特點。

2.4光源系統

紙病檢測系統的光源照射效果,直接關系到紙病處理中圖像分辨率的高低以及紙病檢測算法和軟件結構的復雜程度。光源系統設計是一個十分復雜和困難的優化問題,一方面,作為優化目標的照明效果缺乏量化評價,例如,通常被當作優化目標的紙張表面灰度方差(用以表示光線分布均勻程度)、紙張缺陷與背景圖像的對比度等都缺乏充分的理論依據；另一方面,影響光照效果的諸多因素,如光源種類、光源結構、光色和亮度、光照方式等,都與照明效果密切相關卻又難以建立精確的數學模型。因此,國內外紙病檢測系統光源優化的研究成果很少,現有的光源系統基本上憑著經驗摸索獲得。

由于紙病檢測采用的都是逐行掃描的線陣工業相機,光源采用線型形狀的激光、LED(Light-Emitting Diode)和高頻熒光燈等,其中LED燈可以采用功率連續可調的驅動方式以保證光線橫向均勻分布。光源結構有前光源、背光源和混合光源3種,其中前光源拍攝的圖像灰度均勻、方差小,易于圖像的后期處理,但是僅能照亮攝像機所在一側的單側紙病,由于紙面反射光線能力較強,紙病檢測中更多地采用“低角度”照射；背光源能夠將相機另一側的部分紙病透射到工業相機上,但生成圖像的灰度波動劇烈而圖像處理難度較高；“前光源+背光源”的混合光源結合了前二者的優點,照射效果最佳。光色方面,紅色光因其突出缺陷的對比度效果最佳而被頻繁使用。

3　紙病檢測算法

實現紙病檢測的核心是建立在軟、硬件平臺上的紙張圖像處理算法,包括紙張圖像預處理算法、紙病特征提取算法和紙病辨識算法3部分。

3.1紙張圖像預處理算法

主要目的是為了提高紙張圖像的對比度,突出邊緣細節,提取(疑似)紙病區域圖像,以便后續的分析處理,預處理分為圖像增強和圖像分割。

(1)圖像增強

圖像增強是對已獲取的圖像加工處理,減少噪聲的同時增強邊緣信息和結構信息,以便在后續的特征分析中對其更好地分析和理解。紙張圖像的增強同樣是為了減弱紙張背景噪聲,提高紙病區域和背景區域的對比度。圖2所列為紙病圖像增強的主要方法。

圖2　圖像增強分析方法

圖2中,灰度變換和直方圖處理這兩種基于點的增強方式通常用于低對比度紙病圖像(例如：氣泡、透明點、裂痕等)的增強處理；基于模板的空域圖像增強主要是通過各種濾噪的方式達到目的,其中中值濾波是最常用的濾除紙張圖像噪聲的方法,除此之外,Laplace、Gauss及Sobel等算子可以有效增強紙病的邊緣或輪廓信息。紙病圖像中噪聲和紙張圖像信號在空域中通常難以區分,而在頻域中二者的頻譜卻常常是相互分離的,在頻域中濾除噪聲后經過頻域到空域的反變換就可以成功濾除紙張圖像的背景噪聲。但這種方法因其計算量巨大而很少使用。理論上講,由于需要進行FFT(Fast Fourier Transform Algorithm)和DFFT(Discrete Fast Fourier Transform)兩種運算,對n個像素點的運算量就超過了2n2次,只有DSP這樣的專用并行處理芯片才適合承擔這樣的圖像增強任務。在實際紙病圖像處理中,往往一種圖像增強方法難以達到滿意的效果,為此出現了混合增強算法,將多種互補的圖像增強方法組合起來,取得單一增強難以達到的效果。

除此之外,CB(Contour Bougie)形態學對紙病圖像進行濾波,力求在濾波的同時不損失圖像的細節[13]。Ferrante Neri等人提出了基于模因差分(DE,Differential Evolution)模型的3種濾波器MDE(Memetic Differential Evolution)、EMDE(Enhanced Memetic Differential Evolution)、SFMDE(Super-Fit Memetic Differential Evolution)用于紙病檢測[14-15]。近年來,許多研究將灰度共生矩陣(GLCM,Grey Level Co-occurrence Matrix)、Gobar濾波認為是紋理分析方面最先進的方法[16],文獻[17]提出一種可通過遺傳算法被轉換為傳統的Gabor濾波器或者轉換環Gabor濾波器的橢圓高斯濾波器(EGF,Elliptical Gaussian Filter),而基于模糊理論、神經網絡等圖像智能增強方法的研究也有報道。

(2)圖像分割

紙病圖像分割就是依據紙張圖像的灰度、顏色、紋理和邊緣等特征,把(疑似)含有紙病的圖像區域分離出來,該過程是紙病特征提取和紙病辨識的基礎,以下是幾種典型圖像分割算法。

①閾值分割算法

閾值化是圖像分割方法中最簡單的一種,根據紙張圖像灰度的分布用一個閾值將紙張圖像分成紙病和背景的二值區域。其技術關鍵是如何選擇合適的閾值,1979年Otsu提出最大類間方差準則選取閾值的方法一直被認為是閾值分割的經典算法[18],從圖像的灰度直方圖出發,先得到圖像的概率密度函數,然后根據準則選取閾值是現在比較常見的方法之一。閾值法分割圖像思路簡單,對于紙病區域和背景圖像有明顯灰度差異時,如孔洞、黑斑等紙病可以有比較好的分割效果,但對于灰度差異不太明顯或灰度值有較大重疊的圖像,如褶皺紙病,閾值分割有時達不到預期效果[19]。此外,由于外界光源緩慢變化或紙張白度變化引起的紙張圖像灰度分布改變,要求閾值應具有自適應功能。

②邊緣檢測算法

邊緣作為圖像最基本的特征之一,其算法實質是提取圖像中對象與背景間的交界線,應用于紙病檢測中的算法主要分為Sobel、Roberts、Prewitt、Kirsch、Canny等一階微分算子和Laplace算子、Log算子等二階微分算子。文獻[20]提出在使用Sobel算子之前先進行圖像歸一化處理得到更多的細節特征,文獻[21]中通過比較得出Prewitt算子可以很好地檢測出同時含有孔洞、臟點和褶皺的紙病圖像的邊緣。文獻[22]中提出模糊C均值聚類-Canny獲取圖像邊緣信息,在提取圖像邊緣時比其他幾種一階算子完整,邊緣定位也更精準,但為得到更好的檢測效果需要較大的濾波尺度,這樣就容易丟失細節。Laplace算子既能增強圖像的高頻分量,又能保持圖像的低頻分量,但是對噪聲比較敏感,而且由于零交叉點并非與邊緣點一一對應,因而常會產生一些虛假邊緣。Log算子則是將Gauss濾波和Laplace算子結合在一起形成的,因此Log算子對噪聲不太敏感,檢測效果比較好。除了以上兩種圖像分割方法之外,文獻[23]中提出利用小波奇異性分割紙病區域與背景圖像等圖像分割方式,文獻[24]提出一種基于多像素提取圖像邊緣的檢測算法。

3.2紙病圖像特征提取算法

特征提取是紙病檢測過程中非常重要的環節,它承接預處理過程,從圖像分割處理后的圖像中提取能夠表征紙病圖像特征信息,為計算機進行紙病最終識別做準備。選取好的特征提取算法可以獲得更好的分類精度[25],常見的紙病圖像特征量分為灰度特征和形態特征兩大類。

(1)灰度特征

灰度特征根據分析空間和分析方法的不同分為空域分析、頻域分析、空-頻分析和統計分析。

空域分析是在時間空間內提取各種紙病的特征,常用的算法包括：灰度閾值、Hough變換、灰度共生矩陣等方法、奇異值分解(SVD,Singular Value Decomposition)。其中Hough變換可用于提取具有線性特征的紙病(如劃痕、褶皺),比較而言,Radon變換與Hough變換功能接近而運算量卻小很多,因此更為實用。灰度共生矩陣用于提取具有紋理特征的紙病(如條紋紙病)[26],奇異值分解可用于提取灰度變化較為明顯的紙病特征(如黑斑、孔洞)。

圖3　紙病特征提取和紙病辨識原理圖

頻域分析是在位置空間內提取各種紙病的特征,常用的算法包括：短時傅里葉變換(STFT,Short Time Fourier Transform)和短時功率譜估計(STPS, Short Time Power Spectrum),主要用于判斷縱向紙幅的周期紙病。

空-頻分析是在空-頻空間內提取各種紙病的特征,常用的算法包括：二維小波變換,可以用于判斷褶皺、漿疙瘩等灰度值波動不明顯的紙病。

統計分析利用各階次(一階、二階和高階)的統計運算提取不同的紙特征,包括：一階統計量的一維灰度均值,該特征可用于表示紙張表面橫向或縱向的灰度分布,為消除紙張圖像背景的不均勻性提供依據；二階統計量,如灰度方差(表示灰度離散程度),在背光源照明方式下該特征量與紙張粗糙度這樣的物理量緊密相關。二維圖像處理算子如Roberts算子、Prewitt算子、Sobel算子、Laplacian算子和Canny算子等,由于都是基于二維的互相關函數運算,因此也屬于二階統計量,由這些算子獲得特征量對于分割紙病區域、判斷紙病種類具有重要作用；最主要的高階統計特征是圖像熵(Shannon熵),作為不確定性的量化指標，它與黑斑、孔洞等多種紙病都有不同程度的關聯。

(2)形態特征

形態特征主要有:描述紙病的面積、形狀、長寬比、面積周長比等幾何特征,例如劃痕、褶皺等紙病都具有突出的長寬比和面積周長比,及用于描述對象不規則度和自相似性的分形維數[27],其具有的標度不變性特點使其對于裂紋、孔隙等紙病的二維分形特征表述更加清晰。

(3)紋理特征

除灰度特征和形態特征之外,紋理特征用于紙病檢測的研究也沒有止步。Topi Maenpaa等人提出基于局部二值模式(LBP,Local Binary Pattern)紋理算子和自組織映射(SOM,Self-organizing Map)的紋理特征用于圖像表面實時性檢測[28]。

3.3紙病辨識算法

紙病圖像辨識屬于模式識別的范疇,是通過圖像的灰度特征和幾何特征來確定紙病的種類,辨識原理見圖3。

紙病的特征提取實際上就是紙病在灰度特征空間和形態特征空間的映射,不同的特征提取算法在這兩個空間內形成了不同的特征量子空間,因紙病自身特性的差異不同,紙病在該子空間可能映射出不同的特征點(即不同的特征值),也可能映射出相同的特征點(即相同的特征值)。前一種情況比較容易辨識出紙病種類,如對于圖3中a類紙病,基于某種特征提取算法(如灰度均值),在灰度特征空間的特征量1子空間中形成了一個獨立的特征值,使用閾值法(單一閾值或雙閾值法)就能確定紙病類型。后一種情況相對困難,需要建立多個特征量為輸入的高維辨識函數,常用的方法有基于BP(Back-Propagation)神經網絡識別方法,但這種方法存在收斂速度慢、網絡的學習記憶不穩定等缺點,基于樸素貝葉斯分類器的圖像識別[29]在選取特征量時要求各特征量相互獨立,而且評定各特征量概率精確性的方法至今沒有統一。文獻[30]中提出一種解決實時性問題的紙病分類方法-基于傅里葉的目標描述子等,除此之外,基于模糊融合算法、紋理特征、支持向量機(SVM,Support Vector Machine)、二維小波變換、分形理論等都在紙病辨識方面不斷地進行研究。

圖4　軟件系統結構框圖

當前圖像辨識共有的難題是檢測的精確性不高,特別是無論哪一種方法,都難以辨識種類繁多的所有紙病,而新興的信息融合技術無疑是解決該問題的有效途徑。

3.4紙病檢測后處理方法

在檢測出紙病后,系統完成以下后期處理工作。

(1)顯示。顯示器上標記出紙病,操作人員通過鼠標(或觸摸屏)可以查詢紙病的灰度值、面積大小、空間位置、類型等詳細信息。

(2)數據儲存和統計。系統數據庫記錄紙病信息和圖像,方便歷史紙病信息的查詢,為已出現的生產故障進行后續故障分析提供有用的幫助信息。同時按照天、周、月和年統計紙病,并形成報表文件。

(3)輸出動作。使用投標器準確地對不同紙病進行區分性的標記(色標、標簽、紙條等),以便復卷或者切紙時可以在紙幅邊緣看到紙病的位置,根據要求做相應的切除。

(4)報警。對于周期性的紙病,報警器進行聲光報警,以便后期及時排除生產設備或制造工藝故障。

4　紙病檢測軟件系統

4.1軟件系統

紙病檢測系統中,軟件系統應具備數據實時處理的功能、操作界面友好、操作簡便等特點。在識別、處理紙病過程中,紙病檢測軟件系統能夠在軟件界面上模擬紙張的運行情況；對紙病的位置、大小、類型進行記錄并保存至相應數據庫；能夠設定外設裝置的相關參數,以適應不同的環境；軟件具有調試模式,能夠實時顯示圖像及灰度分布等；具有用戶管理和記錄的功能,以便對系統進行優化等。

一個完整的紙病檢測軟件系統通常包括界面模塊、操作模塊、數據庫模塊及設備和外部接口模塊。其中,操作界面可直接進行各種操作和顯示；操作模塊主要對工程當中涉及到的所有數據庫、圖像信息、參數、文本進行處理；數據庫是存放工程處理過程中為保存信息所需建立的模塊；設備和外部接口模塊將紙病處理結果通過軟件通知相應的外部執行裝置實現相應操作。通常紙病檢測軟件系統結構圖可表示為圖4。

4.2算法軟件開發流程

其中紙病檢測算法是系統的核心部分,其基本開發流程如下。

(1)首先使用Matlab仿真工具或Halcon機器視覺開發工具對所選用的紙病處理算法進行可行性驗證。二者之間的區別之一在于Matlab開發的程序必須用編程語言進行重新編寫,才能嵌入到實際工程中。而Halcon開發的程序可以直接轉換為諸如C、C++、C#.NET等語言支持的程序代碼,從而可以直接嵌入到實際工程中,節省了開發時間。

(2)接下來便是利用C、C++、C#等編程語言,借助VS、VB、Delphi、QT等開發平臺,或OpenCV等圖像處理庫,實現圖像處理算法,并將其嵌入到整個軟件系統當中。

此外,還可以在Quartus Ⅱ平臺下,采用Verilog HDL或VHDL語言實現在FPGA端的圖像處理研究。

5　紙病檢測的難點和發展展望

5.1紙病檢測的難點

紙病檢測的難點在于檢測的實時性、精確性和魯棒性。

(1)實時性。寬幅和高速紙機的發展趨勢,使得紙病檢測系統的實時數據量已達到每秒100M以上,給系統帶來了巨大壓力,對系統的結構、各設備裝置的性能、軟件可靠性、算法的可實時性提出了越來越高的要求。

(2)精確性。隨著對紙張質量要求的日益提高,紙張表面缺陷標準在不斷提高,目前對于高質量的紙張,表面積超過0.5 mm2的區域缺陷和長度超過5 mm 的劃痕缺陷都被認為是紙病,由功率譜分析可見這樣規模的紙病,其灰度信號能量已經和部分噪聲信號的能量十分接近,無疑要想精確辨識這樣規模的紙病是十分困難的。

(3)魯棒性。紙病檢測的前提是紙病成像技術,即生成高質量紙病圖像以及圖像的長期穩定性。而生產線上紙張品種的更換,系統的性能隨環境緩慢的變化,如車間內外界光線的變化,都會對紙病成像效果(圖像灰度、圖像均勻性)帶來影響。因此,實現紙病檢測系統的魯棒性難度巨大。

5.2紙病檢測系統的展望

目前正處在工業生產自動化向智能化的轉變期,隨著紙病檢測系統由串行結構到并行結構的轉變,基于計算機圖像學、隨機過程理論、統計學、信號處理技術、形態學、智能控制理論等多種方法的使用,算法研究不斷深入,紙病檢測系統檢測速度和檢測精度不斷提高,紙病檢測系統將會很快實現以下功能。

(1)紙病的雙面檢測。大多數的紙病屬于通透紙張兩面的雙側紙病,但是仍有一些微小紙病屬于單側的表面缺陷,即使使用背光源照明,位于另一側的工業相機仍可能檢測不到。因此雙側紙病的檢測將會很快被列入研究者的工作日程。

(2)病紙自動剔除系統。根據紙病信息(紙病的位置、種類和大小),指導切紙機將有缺陷的病紙自動切除。

(3)紙病檢測智能優化系統。系統通過對紙病的大數據分析,對造紙生產線上的工藝參數進行(以質量為優化目標的)優化,將參數的最優值下達到造紙生產線上分布式控制系統(DCS,Distributed Conutrol System)現場級,作為各個閉環控制系統的給定值,從而實現整個造紙生產線的最優控制。

(4)紙病光源系統的優化。

[1]ZHANG Gang-qiang, ZHOU Qiang. Application of Improved Hough Transform in Web Inspection[J]. Transactions of China Pulp and Paper, 2011, 26(4): 38.

張剛強, 周強. 改進Hough變換在紙病在線檢測系中的應用[J]. 中國造紙學報, 2011, 26(4): 38.

[2]Nan H U. A Study and Reflection on Paper Industry Development Policy[J]. China Pulp & Paper Industry, 2009, 30(4): 6.

[3]GUO Cai-yun. ISRA VISION Released New Breakthrough Detection Technology-PAPER Online Inspection System (WIS) MASTER PAPER Defect Detection[J]. China Paper Newsletter, 2014(10): 33.

郭彩云. 伊斯拉視像發布全新突破性檢測技術—PAPER MASTER紙病在線檢測系統(WIS)[J]. 造紙信息, 2014(10): 33.

[4]Jukka Iivarinen, Katriina Heikkinen, Juhani Rauhamaa, et al. A Defect Detection Scheme for Web Surface Inspection[J]. International Journal of Pattern Recognition & Artificial Intelligence, 2011, 14(6): 735.

[5]ZHOU Qiang, WANG Zhi-qiang, YANG Gui-lin, et al. Study of the Realtime Acquisition and Transmission of Paper Disease Image Based on Compressed Sensing[J]. Transactions of China Pulp and Paper, 2015, 30(3): 51.

周強, 王志強, 楊貴琳, 等. 基于壓縮傳感技術的紙病圖像數據實時采集研究[J]. 中國造紙學報, 2015, 30(3): 51.

[6]GUAN Jian-hua. Web Inspection Technology and Application in Paper Making[J]. China Pulp & Paper, 2000, 19(6): 32.

關健華. 全幅紙病檢測技術及在造紙中的應用[J]. 中國造紙, 2000, 19(6): 32.

[7]CHEN Wen-kai. Research and Integration on Web Inspection System Based on Machine Vision[D]. Nanjing: Nanjing Forestry University, 2009.

陳文凱. 基于機器視覺的紙病檢測算法研究與集成[D]. 南京: 南京林業大學, 2009.

[8]REN Peng. Detection System of Paper Defects Based on Machine Vision and Implimentation with C/C++[D].Xi’an: Shaanxi University of Science & Technology, 2013.

任鵬. 基于機器視覺C/C++實現的紙病檢測系統的研制[D]. 西安: 陜西科技大學, 2013.

[9]LIU Yong, ZHOU Qiang, LIU Tao, et al. Paper Defect Pretreatment System Based on FPGA[J]. China Pulp & Paper, 2013, 32(8): 46.

劉勇, 周強, 劉濤, 等. 基于FPGA的紙病檢測預處理系統研制[J]. 中國造紙, 2013, 32(8): 46.

[10]YAN Hui. Study on High-speed Image Processing System based on FPGA[D]. Tianjin: Tianjin University, 2004.

嚴輝. 基于FPGA的高速圖像處理系統的研究[D]. 天津: 天津大學, 2004.

[11]XIAO Fei. On-line Technical Research of Paper Lacuna Inspection[D]. Ji’nan: Shandong Institute of Light Industry, 2010.

肖飛. 在線紙頁缺陷檢測技術研究[D]. 濟南: 山東輕工業學院, 2010.

[12]GU Shuai, QIU Shu-bo. Design of Visual Inspection System for Paper Defects Based on FPGA+DSP[J]. China Pulp & Paper Industry, 2010, 31(6): 48.

古帥, 邱書波. 基于FPGA+DSP的紙張缺陷視覺檢測系統的設計[J]. 中華紙業, 2010, 31(6): 48.

[13]KANG Jie, SHI Zhong-ke, YANG Gang. An Investigation to the Morphological Paper Defect Testmethod Based on CB Morphology Filtration[J]. China Pulp & Paper Industry, 2008, 10: 30.

亢潔, 史忠科, 楊剛. 基于CB形態濾波的形態學紙病檢測方法研究[J]. 中華紙業, 2008, 10: 30.

[14]Ferrante Neri, Ville Tirronen. An Enhanced Memetic Differential Evolution in Filter Design for Defect Detection in Paper Production[J]. Evolutionary Computation, 2008, 16(4): 529.

[15]Tirronen V, Neri F, Karkkainen T, et al. A Memetic Differential Evolution in Filter Design for Defect Detection in Paper Prodution[M]//Applications Evolutionary Computing Springer Berlin Heidelberg, 2007: 320.

[16]Tahir M A, Bouridane A, Kurugollu F. An FPGA Based Coprocessor for GLCM and Haralick Texture Features and Their Application in Prostate Cancer Classification[J]. Analog Integrated Circuits & Signal Processing, 2005, 43(2): 205.

[17]Hu Guang-hua. Automated Defect Detection in Textured Surfaces Using Optima Elliptical Gabor Filters[J]. Elsevier, 2015, 126(14): 1331.

[18]XIAO Chaoyun, ZHU Weixing. Threshold Selection Algorithm for Image Segmentation Based on Otsu Rule and Image Entropy[J]. Computer Engineering, 2007, 33(14): 188.

肖超云, 朱偉興. 基于Otsu準則及圖像熵的閾值分割算法[J]. 計算機工程, 2007, 33(14): 188.

[19]Jia H, Murphey Y L, Shi J, et al. An Intelligent Real-time Vision System for Surface Defect Detection[C]//Proceedings of the Pattern Recognition, 17th International Conference on (ICPR’04) IEEE Computer Society, 2004, 3: 239.

[20]Tariq M Khan, Bailey D G, Mohammad A U Khan, et al. Real-time Edge Detection and Range Finding Using FPGAs[J], Elsevier, 2015, 126(17): 1545.

[21]Zhang Xue-lan, Li Jun, Xin Pei-hong, et al. The Application of Edge Detection in Paper Defect Image[J]. Paper Science & Technology, 2012, 31(6): 121.

張學蘭, 李軍, 辛培紅, 等. 邊緣檢測在紙病圖像分析中的應用[J]. 造紙科學與技術, 2012, 31(6): 121.

[22]Liu Junyan, Tang Qingju, et al. Dfect Geometric Feature Recognition Based on Infrared Image Edge Detection[J], Elsevier, 2014, 67: 387.

[23]XU Zhi-peng, XU Wen-bo. Paper Defects Detection Based on Singularity Characterization[J]. Transactions of China Pulp and Paper, 2004, 19(2): 146.

徐志鵬, 須文波. 基于小波奇異性的紙病檢測[J]. 中國造紙學報, 2004, 19(2): 146.

[24]LIU Yu, LI Yan-jun, ZHANG Ke. A Method of Multipixels Edge Detecting of Image[J]. Acta Photonica Sinica, 2007, 36(2): 380.

劉煜, 李言俊, 張科. 一種多像素圖像邊緣提取方法[J]. 光子學報, 2007, 36(2): 380.

[25]Topi M, Timo O, Matti P, et al. Robust texture classification by subsets of local binary patterns[M]//IEEE, 2000, 3: 935.

[26]Iivarinen J. Surface Defect Detection with Histogram Based Texture Feature[J]. Proceedings of SPIE-The International Society for Optical Engineering, 2001: 140.

[27]Bruno O M, Plotze R D O, Falvo M, et al. Fractal Dimension Applied to Plant Identification[J]. Information Sciencesm, 2008, 178(12): 2722.

[28]Topi Maenpaa, Markus Turtinen,Matti Pietikainen. Realtime Surface Inspection by Texture[J]. Real-Time Imaging, 2003, 9: 289.

[29]YUAN Jin-biao, ZHOU Qiang. Paper Defects Offline Static Identification Based on Naive Bayes Classifier[J]. Transactions of China Pulp and Paper, 2014, 29(1): 58.

院金彪, 周強. 基于樸素貝葉斯分類器的紙病離線靜態辨識方法研究[J]. 中國造紙學報, 2014, 29(1): 58.

(責任編輯：馬忻)

Review on the Development of Paper Defect Detection System Based on Machine Vision Technology

ZHOU QiangCHEN Ying*SHEN Tian-yuQI Lu

(CollegeofElectricalandInformationEngineering,ShaanxiUniversityofScience&Technology,Xi’an,ShaaxiProvince, 710021)

In recent years, with widely application of wide width and high speed paper machine, papermaking process required high performance paper defect detection system; at the same time, many new solutions, technologies, theories are presented in the age with abundant information, which drives the continuous development of paper defect detection that is a multi-field integrated technologies. This article based on introducing paper defect detection process using machine vision technology as the core, reviewed the development course of the hardware model, software model and detection algorithms of paper defect detection system, analyzed the current difficulties in paper defect detection, and discussed the future development of the system.

paper defect detection; machine vision; hardware model; software model; detection algorithm

周強先生，博士，教授；主要研究方向：智能信息處理技術。

2015-11-27(修改稿)

陜西省科技攻關項目(2016GY- 005)；陜西省項目統籌創新工程計劃項目(2012KTCQ01-19)；陜西省科技攻關項目(2011K06- 06)；西安市未央區計劃項目(201304)。

陳穎女士，E-mail:947000692@qq.com。

TS736

A

10.11980/j.issn.0254- 508X.2016.05.015

(*E-mail: 947000692@qq.com)