基于halcon的字符缺陷檢測系統(tǒng)

汪成龍，黃余鳳，陳銘泉，陳澤濤，何 宣

（惠州學(xué)院 電子信息與電氣工程學(xué)院，惠州 516015）

0 引言

在日常生活和工業(yè)生產(chǎn)中，大部分產(chǎn)品都印刷有各種字符，利用字符識別產(chǎn)品已成為主要途徑。字符可以代表產(chǎn)品的品牌、型號、生產(chǎn)日期、長度和重量等，這些信息反映了產(chǎn)品的狀況，因此字符印刷的正確性影響人類對產(chǎn)品的認識度和產(chǎn)品及質(zhì)量。工業(yè)生產(chǎn)中，字符由機器印刷，由于產(chǎn)品漏放，偏放或機器誤操作，都會導(dǎo)致產(chǎn)品字符缺陷。字符缺陷主要包括：字符印刷不清晰，字符相對位置不合格，字符漏印。這將導(dǎo)致產(chǎn)品信息的不完全甚至錯誤，因此在生產(chǎn)制造中，產(chǎn)品的字符檢測尤為重要。

傳統(tǒng)的質(zhì)量檢測主要依靠人眼檢測，而在嘈雜的工廠環(huán)境中，大量的檢測工作以及質(zhì)量檢測的高要求，單純依靠人眼是難以滿足。這使得以機器視覺代替人眼實現(xiàn)字符缺陷檢測成為必然的發(fā)展趨勢。

鑒于目前我國產(chǎn)品字符檢測技術(shù)還不夠成熟，而人工檢測效率低、主觀性強，國內(nèi)字符缺陷檢測多采用人工方式，缺乏客觀性和科學(xué)性，勞動強度大，效率低[1]，因此有必要研究一種速度快，準確率高的自動檢測方法。

基于機器視覺的字符缺陷檢測需要對字符用相機進行采集，然后運用圖像處理的算法進行識別判斷，最后控制電機進行相應(yīng)操作。

本文首先對產(chǎn)品的字符圖像進行采集，然后對采集到的圖像進行預(yù)處理，將圖片中的噪音消除并且將雜質(zhì)過濾掉；接著設(shè)定字符檢測區(qū)域，再選取7～10個正常樣本進行訓(xùn)練，查看均值圖像和標準差圖像，并設(shè)定最小絕對閾值和基本閾值。最后對系統(tǒng)進行運行檢測和數(shù)據(jù)分析實驗表明，該方法能精準穩(wěn)定地檢測產(chǎn)品字符是否缺陷，且檢測速度快，準確率高。

1 圖像獲取

在halcon中，獲取圖像有兩種方法，一是通過攝像頭實時采集，二是讀取磁盤中的圖片。halcon為百余種工業(yè)相機和圖像采集卡提供接口，包括GenlCam，GigE和IIDC1394[2]。通過halcon自帶的圖像獲取助手能快速的進行實時采集，步驟如下：

1）點擊打開新的Image Acquisition；

2）選擇圖像獲取接口；

3）點擊自動檢測接口；

4）實時連續(xù)采集；

5）代碼生成；

6）插入代碼。

由于已有相機采集的字符圖片，本文直接采用第二種方法，即從磁盤中讀取圖片。利用halcon自帶的算子read_image（:Image:FileName:）獲取圖片。

2 圖像預(yù)處理

2.1 圖像灰度化

圖1 圖像獲取助手

圖像的每個像素的顏色由R、G和B三個分量決定，每個分量有256種取值，如果直接進行處理，信息計算量非常大，因此對圖像進行灰度化處理可降低圖像處理時間。Halcon的rgb1_to_gray算子能夠進行灰度化操作,其灰度圖像根據(jù)下面公式所得[3]：

Red，Green，Blue分別表示紅綠藍三個通道，它們占的比例分別為29.9%，58.7%和11.4%。

圖2 原始圖像

圖3 灰度圖像

2.2 高斯濾波

濾波是圖像處理中常用的一種算法，其主要原理是在指定圖像上給定一個模板，該模板包括了目標像素及其周圍的像素（一般模板的大小為3×3），而目標像素的灰度值由其他像素和自身像素的灰度值確定。均值濾波里的模板核中所有的系數(shù)都為1，雖然能夠很好的取出圖片中的噪點，但它卻使圖像變得模糊，并且破壞了圖像中應(yīng)有的結(jié)構(gòu)特征[4]。相比于均值濾波，高斯濾波的模板核中的系數(shù)發(fā)生了變化，高斯濾波中的系數(shù)是根據(jù)式(2)得到的，其原型是二維高斯函數(shù)。

圖4 均值濾波核結(jié)構(gòu)

圖5 高斯濾波核結(jié)構(gòu)(σ=0.8)

經(jīng)過高斯濾波的圖像，不僅去除了圖像中的高斯噪聲，而且保持了圖像中的細節(jié)部分和輪廓特征，但其所得效果也與系數(shù)有關(guān)，過小平滑效果不明顯，達到1.8時其效果基本和平滑濾波相近，因此需要調(diào)好高斯濾波的系數(shù)。由于本文中所采取的圖像打光效果好，圖像噪聲少，故采用σ=0.8的高斯濾波即可。

圖6 原始圖像

圖7 高斯濾波圖像

圖8 均值濾波圖像

3 基于halcon的字符缺陷檢測方法

變化模型是halcon中檢測字符缺陷常用的一種算法，用于區(qū)分好的對象和壞的對象，它僅僅依靠對象的灰度值進行判別。主要原理是對比字符上每個像素點的灰度值。不同位置上點的判斷標準不一樣，字符內(nèi)部的點要求較高，允許范圍較小，字符邊緣部分的點允許范圍較大。由于每個樣本的灰度值都存在著些許差異，所以變化模型要用到不止一個好的樣本，它有一個訓(xùn)練的過程，一般需要用到8～10好的樣本，因此變化模型匹配的通用性好，穩(wěn)定性高[5]。

固定字符的區(qū)域，根據(jù)以下公式設(shè)定需要得到的字符區(qū)域灰度值范圍：

部分檢測結(jié)果如圖9所示。

圖9 部分樣品檢測結(jié)果

4 基于halcon與C#軟件設(shè)計

Create _ variation _model (::Width ,Height ,Type,Mode : ModelID )[6]

Width：輸入需要對比圖像的寬度；

Height：輸入需要對比圖像的高度；

Type：輸入要對比圖像的類型，默認：’byte’參考：’byte’，’int2’，’unit2’ ；

Mode：輸入變換模型的計算方法，默認：’standard’，參 考：’standard’，’robust’，’direct’；

ModelID：輸出變換模型的句柄。

在可變模型中，存在著理想圖像和變換圖像的概念。在創(chuàng)建對象時，需要注意Mode這個參數(shù)。當Mode=’standard’，將對象的理想圖像表示為所有訓(xùn)練圖像的平均值，相應(yīng)的變化圖像表示為所有訓(xùn)練圖像的標準偏差。要確保只有良好對象的圖像被訓(xùn)練，因為平均值和標準偏差對于異常值是不穩(wěn)定的，如果不良對象的圖像被無意地訓(xùn)練，則理想對象的精度可能會受到影響。其優(yōu)點是可以迭代地對變化模型進行訓(xùn)練。

當Mode=’robust’，將對象的理想圖像表示為所有訓(xùn)練圖像的中值，相應(yīng)的變化圖像表示為所有訓(xùn)練圖像的中值絕對偏差。這種模式的優(yōu)點在于容錯性較大，不會因為加入不良對象導(dǎo)致模型的不穩(wěn)定。缺點在于不能進行迭代訓(xùn)練，所有的訓(xùn)練都是累積的。

4.1 訓(xùn)練過程

在創(chuàng)建變換模型對象中，選擇’standard’模式，在下面的訓(xùn)練過程中加入的都是良好對象的圖像，這里采用了10張圖像進行訓(xùn)練。訓(xùn)練中特別需要注意的是，由于變換模型對灰度值要求很高，而每張圖像中字符位置總有偏差，為了確保字符都在同一個區(qū)域，有必要進行匹配定位和放射變換，以矯正字符的位置。

4.2 查看訓(xùn)練結(jié)果并設(shè)定標準

訓(xùn)練完畢后，通過get_variation_model（:image Image,image VarImage：

Variation_model ModelID:）查找變化模型的理想圖像和變換圖像，結(jié)果如圖11～圖13所示。

圖10 理想圖像

圖11 變換圖像

圖12 最暗灰度圖像圖

圖13 最亮灰度圖像

由于設(shè)定的模式為standard，理想圖像即為均值圖像，變化圖像即為標準偏差圖像。從圖9(b)中可看出，理想圖像基本上與良好對象的圖像相同。從圖9(c)中可看出，變換圖像中字符邊緣部分亮度較高，字符內(nèi)部區(qū)域亮度較低，背景部分亮度最低，即反應(yīng)了字符邊緣灰度值變化較大，而其他地方灰度值變換較小或不變。上面兩圖符合預(yù)先設(shè)想的結(jié)果，表明加入訓(xùn)練的樣本都為良好樣本。接著要進行標準設(shè)定，即設(shè)定每個像素點灰度值的波動范圍為多少，超過波動范圍即算缺失。

根據(jù)多次實驗結(jié)果表明，當AbsThreshold=20，VarThreshold=3時正確率最高。

5 結(jié)論

以60張產(chǎn)品字符圖片為樣本，利用halcon編寫檢測軟件，軟件界面如圖10所示。

圖14 字符缺陷檢測系統(tǒng)

表1表明，該系統(tǒng)對四種缺陷類型和完整樣本測試正確率均為100%。

表1 運行結(jié)果數(shù)據(jù)表

得到結(jié)論如下：

1）檢測精度高，可檢測細小的瑕疵。

2）檢測速度快，檢測時間一般在幾百毫秒內(nèi)。

3）穩(wěn)定性高，對相似產(chǎn)品有一樣的判斷。

4）滿足工業(yè)二十四小時生產(chǎn)的需求。