基于角點優化的印刷品質量動態檢測方法仿真

梁 銳，韓震宇

(四川大學機械工程學院，四川 成都 610065)

1 引言

檢測算法在印刷品缺陷檢測系統中的研究和實現是技術關鍵[1]。在印刷品缺陷的檢測中，由于印刷圖案一般預先不可知且多要求在線檢測，因此工業上常使用兩幅圖像進行差分的方式來尋找缺陷的存在，即差影檢測法。在差影檢測法中，校正的精度將直接影響后續檢測結果的準確性和精準性[2]。然而這種方法不能保證在兩個時刻點圖像采集的環境一致，具體的環境波動如印刷品的拉伸形變、印刷品的左右擺動、線陣相機觸發脈沖不均勻，從而導致圖像產生畸變無法直接通過一次配準和差影的方式獲得精準的檢測結果。為了提高印刷品的精度，武漢大學田敏[1]提出分區域分等級的印刷品缺陷檢測方法，其根據印刷品不同區域的不同的特征和重要性來設定不同的檢測等級，但該方法在特殊區域無法對微小缺陷進行檢測。此外，還有的學者利用一些數學變換，如剛體變換、仿射變換、多項式變換來進行圖像幾何校正，如楊曉妍[3]提出了一種針對畸變印刷品字符校正的多項式自尋優化改進方法，利用菌群算法對畸變區域進行控制點自尋優，從而達到字符畸變區域最優校正的目的，但是該算法主要針對印刷字體畸變嚴重情況且計算量大響應慢，適用于小圖幅圖像檢測。

通過觀察印刷品被檢圖像中的畸變形狀特征，發現圖像主要發生漸變拉伸和錯位現象，針對以上現象給印刷品質量檢測帶來位置噪聲，提出一種基于角點優化的印刷品質量動態在線檢測方法。仿真證明，該方法能夠有效降低以上畸變現象帶來的噪聲，降低信噪比，提高在線檢測精度，具有一定的生產指導意義。

2 印刷品質量動態檢測原理

目前工業上印刷品質量檢測的流程基本為：對圖像和模板圖像進行預處理，對預處理后的圖像進行模板匹配使得兩幅圖像位置配準，然后利用差影的方式結合評判標準來找出在印刷品中所存在的缺陷[4]。但是實際生產過程中的環境復雜，兩幅圖像的生成時刻點不同，圖像采集過程中會受到環境波動的影響，直接反映在圖像上就是會導致圖像發生平移、拉伸、重影等畸變現象。

在采集兩幅圖像線陣相機觸發脈沖不均勻性將會導致縱向位置噪聲，兩幅圖像的觸發間隔分別為ΔL1、ΔL2，如圖1所示。

圖1 相機觸發脈沖不均勻產生的影響

在圖1中在第一幅圖像的第6個脈沖和的第二幅圖像第7的脈沖所掃描內容大致相同，但是兩幅圖像的第6個脈沖所掃描的圖像相差甚遠，兩者無法直接進行差影比較。該情況出現的條件為

(1)

在理想情況下，認為印刷物品為剛性物體，然而對于在線檢測過程中，印刷品因受到機械作用力而產生一定的伸縮變形，使得印刷品的版周長度發生變化且變化不具有規律性。此外，在印刷過程中印刷品也會隨滾筒旋轉發生橫向方向上的擺動，從而帶來橫向位置噪聲。印刷品的位置可以使用設備坐標系來表述，圖2表示模板圖像與被檢測圖像由于圖像采集時間點不一致且印刷品在滾筒發生橫向擺動導致兩幅圖像在設備坐標系中位置不同。

圖2 印刷品的橫向擺動

圖像的采集原理也會造成圖像發生位置噪聲。圖3(a)為三條黑白的相間的印刷圖像，其中第一條、第二條直線的線寬小于一個像素，第三條線寬大于一個像素。圖3(b)和圖3(c)為線陣相機在采集時間不一致可能的成像效果，線陣相機每條掃描線之間的間距并非嚴格一致，加上相機成像時環境波動，因此會形成圖3(b)和圖3(c)的數字圖像，這種圖像是原印刷圖像的一種輕微失真圖像。兩幅(模板和被檢)失真或者畸變的圖像，在差影檢測法中表現就是一種位置噪聲。

圖3 相機采集圖像

在差影檢測法中，如果發生以上位置錯位就會導致結果誤判，因此圖像應該具有隨機或者定期對已配準的位置進行動態位置調整的能力。根據缺陷在印刷品中總是小概率事件，該動態檢測法采用最壞預測策略，在搜尋過程中如果采用了其它消除噪聲的方法后差影值依然超差，才可能進行動態位置調整，盡量減小搜索和重新匹準的代價。

在進行差影比較中，如果某一像素在其它處理歷程完成后灰度依然異常(即超差)，要經過錯位判定機制檢測無誤才能將其歸入缺陷集合，否者說明圖像發生錯配，需根據錯位判定機制檢測結果信息進行動態位置調整之后返回檢測流程中繼續進行后續檢測環節，檢測流程如圖4所示。

圖4 印刷質量動態檢測流程圖

錯位判定機制是整個動態位置調整檢測的關鍵，其意味著在圖像中的像素點要不斷的標定參考坐標系中的位置，因此需要尋找圖像中的某些特征作為錯位判定機制的參考。田亮[5]利用圖像增強進行特征點提取并通過最近鄰方法進行匹配實現圖像的平移校正，但該方法會進行大量的預處理并需要維持很多特征來完成圖像配準。通過觀察工業印刷品及圖像特征，發現印刷品在局部范圍內具有一定的剛度，也就是說圖像在局部范圍內不會發生像素級的形變，因此在局部范圍內只需要一個特征參考即可完成該區域的錯位判定。而圖像上不同特征點的位置調整能力不相同，其中圖像角點為二維圖像亮度變化十分明顯的點或曲線邊緣上曲率極大值的點[6]，其自身特征和周圍像素特征差異化較大，具有較強的位置調整能力，容易形成較為精準的位置配準。通過找出圖像中的角點并每個角點負責一塊局部區域的錯位判定，在缺陷檢測過程中根據兩幅圖像合格角點的位置關系判定圖像中是否發生位置錯位以及根據兩個角點提供位置信息進行動態位置調整。

3 基于圖像角點的印刷品質量動態檢測方法研究

3.1 圖像角點檢測算法

圖像角點(Corner Detection)是計算機視覺系統中用來獲得圖像特征的一種重要方法，廣泛用于運動檢測、圖像匹配、三維建模和目標識別等領域[7]。目前角點檢測算法中最常見的有Harris角點檢測算法、Shi-Tomasi角點檢測算法、FAST檢點檢測算法、surf檢測和sift檢測等等[8]，而其中Harri算法和Shi-tomasi算法在局部特征檢測中表現優越，根據印刷品局部具有一定的剛度特性，應首先考慮這兩種算法。Harris角點檢測算法是基于Moravec算子提出的，是對Moravec算子的改良和優化，它是通過Taylor級數展開法擴展Harris角點來計算窗口沿任何方向移動后的灰度變化情況，用數學解析式進一步確定特征點，同時引入了平滑因子，增強抗干擾能力[9]。Harris在圖像上以點I(x，y)以相對位移(Δx，Δy)進行平移，其窗口灰度特性可以根據點自相關函數式(2)計算得到：

(2)

(3)

式(2)(3)中I(x，y)為圖像的灰度值，Δx，Δy為相對位移量，W(x，y)表示以點x，y為中心的窗口函數，一般為高斯加權函數，具體如式(4)所示。

(4)

(5)

(6)

式(5)中Ix，Iy分別為圖像在水平方向和垂直方向上的偏導數。矩陣M(x，y)的特征值大小反映了當前位置像素點在局部范圍的突出程度。而Harris算法則通過響應值R來進行圖像角點的判斷。

R=det(M)-k(tr(M))2

(7)

式中det(M)為矩陣M的行列式，tr(M)為矩陣M的跡，如式(8)，(9)所示。

det(M)=λ1λ2=AB-C2

(8)

Tr(M)=λ1+λ2=A+B

(9)

3.2 動態調整的角點優化策略

在圖像的局部范圍內可能存在多個角點，因印刷品具有局部剛度特性，畸變在局部范圍內不會以像素級別體現。如果在圖像檢測過程中將冗余角點信息存儲將會導致動態調整過程中角點污染和耗用內存高等問題。假設圖像分辨率為w，印刷品畸變出現一個像素差的距離為x，因此可以推導出畸變在圖像上反映距離像素點個數n(剛度有效距離)，λ為調整系數。

(10)

通過Shi-tomasi角點算法對圖像進行處理，提取到的角點放置于集合A中。為尋找圖像中特征最強的角點，對集合A按照角點響應值由大到小排序操作

(11)

式(11)中I表示兩個數值的度量函數，u，v表示集合A中的兩個角點分別所擁有的響應值R信息，σ表示給定的角點評判標準最小閾值。對集合A中的每個響應值R進行上式運算，通過X次計算即可完成集合A的排序工作

(12)

式(12)中，c(A)表示為集合A中元素的個數，即全局搜索角點的個數。其中整個過程兩個響應值R有可能從未參與過式(11)比較，也有可能參與了比較，但是最多只會比較一次并不會多次比較。

設定最終的角點信息有效集合為C，其定義為

C={z，μc(z)|z∈A}

(13)

(14)

式(14)中集合B表示集合C對應排斥集合。根據式(10)算出來印刷品剛度有效距離n，每當一個角點被選入最終有效集，其距離大小為n范圍內的角點都應該舍棄。

B={z0(u0，v0)，z2(u1，v1)，1-μB(z0，z1)|z1∈A}

(15)

(16)

式(15)(16)中z0表示在式(13)中被選入到最終有效集C的角點，lower為向下取整操作。為加速后續的角點查詢，利用散列表的方式將角點信息進行存儲，通過散列函數快速查找角點是否在最終有效結果集中。最終有效集存儲的角點信息為角點的橫向坐標和縱向坐標，自定義散列函數為

hash(x，y)=(x×cows+y)%m

(17)

式(17)中cows為所檢圖像像素排數，m為大于檢測所需角點數量的某一質數。

通過角點篩選后獲得圖像中滿足提供動態檢測依據的角點并將其進行存儲優化以便后續動態調整過程的快速查找。圖5為本文待檢測圖像，通過不同方法將所檢測到的角點信息輸出在相同大小的圖幅中展示，圖中白色表示角點所在位置。圖6為未進行角點優化之前角點分布圖，圖7為角點優化方法角點分布圖。

圖5 被檢圖像

圖6 未優化前角點分布圖

圖7 角點優化后角點分布圖

可見通過上述方法優化的角點信息具有規律、不聚集等特性，能夠在局部范圍內提供動態調整參考信息。

4 仿真結果和分析

為了驗證基于圖像角點的印刷品質量動態檢測方法的可行性和有效性，進行相關實驗，實驗設備配置為CPU為AMD Ryzen 5 2600X Six-Core Processor的微型計算機、操作系統為Windows10、實驗環境為基于opencv庫的visual studio2019。實驗圖像為項目合作印刷廠商的采集圖像，通過實驗，得到的實驗結果和分析如下所述。

實驗的評價指標為目前比較常用的缺陷評測指標：檢測精度(precision)，召回率(recall)和F1值(F1-score)。在視覺領域三者通常是基于像素級別定義，公式如下[10]：

Pre=TP/(TP+FP)

(18)

Rec=TP/(TP+FN)

(19)

F1=2*Pre*Rec/(Pre+Rrc)

(20)

其中TP表示正確檢測到的像素點數，FP表示虛假缺陷像素點數、FN表示未檢測到缺陷像素點數。Precision表示檢測出來的缺陷有多少是準確的，Recall表示所有準確(已知)的缺陷有多少被檢測出來，兩者都是越高越好，F1-score是兩者通過關系函數得出的綜合指標。實驗過程中，分別利用了未進行動態調整、基于普通角點、基于角點優化后的方法對印刷圖像進行了檢測，得到的圖像結果如表1所示。其中F表示實驗方法，a、b、c分別表示未進行動態調整的普通差影法、基于普通角點動態檢測法、基于角點優化動態檢測法。

表1 不同方法檢測精度對比

通過對比表1中三種方法可以看出，方法b、c的FP明顯降低，pre值明顯增高，說明通過動態調整法可以顯著提高印刷品檢測精度。方法c在進行印刷品缺陷檢測中的三項評價指標中都是最高，FP相對于方法b來說明顯降低，說明基于角點優化的印刷品質量動態檢測方法能夠有效的抑制由于環境原因產生的位置噪聲，提高缺陷檢測的精度。實驗不同方法進行圖像缺陷檢測過程中得到的處理圖像結果如圖8所示。

圖8 不同方法檢測結果圖像

觀察圖a，左邊呈現橢圓形狀污點為印刷品缺陷，而右邊區域的零碎污點為圖像畸變帶來的位置噪聲，通過對比圖a，b可知，基于普通角點的動態檢測方法，在一定程度上可能消除噪聲，但也會因為角點污染在原本沒有噪聲的區域發生錯配而產生新的噪聲，導致缺陷檢測不準確。圖c為提出的基于角點優化的動態檢測方法實驗結果，圖中的噪聲在3幅圖像中最少，說明該方法能夠精準的對圖像中的缺陷進行提取，并能夠抑制由于檢測環境影響所帶來的圖像位置噪聲，保證圖像缺陷檢測的精度。

5 結束語

印刷品印刷質量的在線檢測作為實現印刷品生產與檢測一體化的重要過程，越來越受到相關專家學者的重視。目前基于差影法的印刷品圖像缺陷檢測過程中，難以使用簡便的處理對環境所引起的圖像噪聲進行抑制，影響檢測精度，且隨著而來帶來大量誤報、檢測速度慢等問題。為解決上述問題，提出一種基于角點優化的印刷品質量動態檢測方法。實驗結果表明，所提方法能夠有效緩解當前印刷品檢測中的不足，為該研究方向的深入研究發展提供思路和理論依據。