CN102095731A - 在纸张缺陷视觉检测中识别不同缺陷类型的***及方法 - Google Patents

Abstract

本发明涉及一种在纸张缺陷视觉检测中识别不同缺陷类型的***及方法。它识别率高、速度快，且能识别不同缺陷类型的在纸张缺陷视觉检测中识别不同缺陷类型的***及方法。它对缺陷图像的平均识别率为97.5％，误识率为2.5％，基本能够实现缺陷图像的无遗漏检测识别。整个缺陷识别过程耗时可在10ms以下，基本能够保证实际生产条件下纸页实时检测的时间要求。它包括摄像装置，它与被检测纸页相配合，同时还有光源与被检测纸页相配合；所述摄像装置与图像采集卡连接，图像采集卡将获得图像分别送入计算机和DSP图像处理单元，所述DSP图像处理单元也与计算机连接。

Description

在纸张缺陷视觉检测中识别不同缺陷类型的***及方法

技术领域

本发明涉及一种基于DSP的纸页缺陷检测***，尤其涉及一种在纸张缺陷视觉检测中识别不同缺陷类型的***及方法。

背景技术

尽管现在已经进入信息时代，但是纸张作为信息载体的地位始终没有改变。作为印刷工业中的主要承印物，纸张质量对印刷品质量的影响不容忽视。高质量的纸张可以降低对印刷工艺过程的影响，获得令人更加满意的印刷产品。目前常见纸病主要有褶子、透明点、孔眼、破洞、尘埃等，对于用来包装和印刷的高档纸及特种纸来说，这些外观纸病是影响产品质量的主要因素之一。如果纸或纸板有纸病，不但影响印刷效果、妨碍书写，而且还会降低纸张的强度；因此，控制纸张的质量也就成了一个重要而关键的问题。所以运用机器视觉进行纸张缺陷检测的方法得到了广泛关注。

基于机器视觉的纸张缺陷检测是利用相机对纸幅快速拍照，利用计算机进行处理、分类，然后自动判别纸张缺陷类别。这一过程需要处理摄像机采集的每一幅图像，因此在算法设计与硬件的选取上，应特别考虑整个***对实时性的需求。另外由于纸张缺陷种类众多加大了检测难度，使缺陷检测成为整个监测***中的难点之一，已成为纸张监测***实用性和准确性的一个瓶颈。

针对实时性的要求高的特点，通用的PC机和工业计算机很难达到实时处理的要求，这就需要专用的快速图像处理芯片应用于这一领域。DSP芯片是一种具有特殊结构的微处理器，它内部采用哈佛结构，具有专门的硬件乘法器，广泛采用流水线操作，提供特殊的数字信号处理指令，可以用来快速地实现各种数字信号处理算法，加之集成电路的优化设计，使其处理速度比最快的CPU还快十倍甚至几十倍。以DSP为核心部件的图像处理***具有接口方便、编程方便、稳定性好、精度高、可重复性好、集成方便等数字处理的全部优点，因此利用DSP实现纸张缺陷检测***是一个很好的解决方案。

此外识别算法中基于SVM(支持向量机)的识别算法是基于统计学理论，克服了传统方法的大样本要求和维数灾难及局部极小问题，又把非线性空间的问题转换到线性空间，降低了算法的复杂度，提高了计算速度。SVM是一种性能优良的分类器，不仅可以在缺陷图像分割中引入相关的先验知识，通过典型样本的选取和学习不断优化算法性能，而且可以在缺陷分类中加以改进将传统的两类支持向量机识别算法进行改进，扩展到多类分类并应用到纸张陷识别中。

发明内容

本发明的目的就是为了解决上述问题，设计了一种识别率高、速度快，且能识别不同缺陷类型的在纸张缺陷视觉检测中识别不同缺陷类型的***及方法。它对缺陷图像的平均识别率为97.5％，误识率为2.5％，基本能够实现缺陷图像的无遗漏检测识别。整个缺陷识别过程耗时可在10ms以下，基本能够保证实际生产条件下纸页实时检测的时间要求。

为实现上述目的，本发明采用如下技术方案：

一种在纸张缺陷视觉检测中识别不同缺陷类型的***，它包括摄像装置，它与被检测纸页相配合，同时还有光源与被检测纸页相配合；所述摄像装置与图像采集卡连接，图像采集卡将获得图像分别送入计算机和DSP图像处理单元，所述DSP图像处理单元也与计算机连接。

1、DSP图像处理模块的硬件部分设计

选择专用的高性能处理器DSP芯片来完成。按照信号流程，该***的硬件设计大致可分为5大模块：图像捕获、时序控制、DSP图像处理和图像外部存储和结果显示。其中，图像捕获模块采用CCD摄像机，其是自带有USB接口的工业摄像机，USB接口电路直接与同步高速缓冲器器件连接，完成高速图像数据的获取；时序控制电路完成高速数据采集的时钟同步。

图像处理软件嵌入到DSP端，其识别算法采用改进的多类支持向量机方法来实现。

一种在纸张缺陷视觉检测中识别不同缺陷类型的***的识别方法，它的步骤为：

步骤1，利用成像设备，获取纸张图像，并进行图像分割，截选具有代表性的纸病区域和正常区域，定义纸病区域为SVM训练的正类样本，正常区域则为负类样本；

步骤2，进行特征提取；从全部图像中选择m张图像形成一个小规模样本分类集训练成一个初始的分类器；然后再从全部图像中选取n张缺陷图像，n张正常图像，形成一个2n张图像的大规模样本分类集，n＞m，m、n均为自然数；然后用初始分类器对大规模训练集进行修剪，也就是去掉那些不利于聚类的样本，修剪后得到规模相对很小的约减集，再用这个约减集进行训练得到最终的分类器；

步骤3，基于SVM的分类器的训练和识别。

(1)对所有识别样本进行特征提取，然后利用分类器对特征向量进行线性内积支持向量机训练，确定线性识别模型函数即线性分类判别函数；

(2)利用所有识别样本的特征向量进行核函数型内积支持向量机训练，确定非线性识别模型函数即非线性分类判别函数；

(3)利用训练好的决策函数，对待处理的图像中的像素进行分析，由决策函数的输出值确定图像中像素的所属类别：纸病区或正常区。

所述步骤2中，特征提取过程为：选用图像直方图特征的灰度平均值、灰度方差均值、梯度均值、峭度以及熵值5维量特征向量作为输入的特征向量。

本发明的***整体框架主要包括CCD摄像机装置、光源、图像采集卡、显示器、DSP图像处理模块5个部分组成。通过PCI总线将图像采集卡和DSP图像处理模块与高性能的计算机相连。在该***中，缺陷图片的识别过程从PC机软件中分离出来，PC机执行应用程序，完成主机的消息通讯和数据传输。识别算法嵌入到DSP端，DSP用于独立完成缺陷图片的识别任务，将处理结果传送回主机，DSP对图像数据进行处理后，运用缺陷检测算法可判断图像有无缺陷，将有缺陷的图像在显示器上显示出来，并发出必要的语音提示。

本发明的有益效果：

本***由计算机来对DSP图像处理单元进行加载程序，并做控制与管理，使用起来比较方便，这样做不仅在一定程度上将实时处理和非实时处理部分分离，并行进行信号处理和数据管理，而且充分利用了DSP强大快速的数据处理能力、并行处理的优势，为纸页的图像信息的实时处理提供了理论与应用的条件。

如果一幅图像存在缺陷，那么这幅图像至少有一个点的灰度与其它点存在差异，这些差异体现在像素灰度值与图像灰度均值的差和该像素梯度值与图像梯度均值的差。基于以上理论选用图像直方图特征的灰度平均值、灰度方差均值、梯度均值、峭度以及熵值5维量特征向量作为输入的特征向量，这样既可以减少计算量又可以尽量避免漏检。

因此在此***中，基于SVM的纸页缺陷识别算法识别率高、速度快，能够满足实时要求，适合生产的需要。

附图说明

图1纸页缺陷实时检测***的硬件组成。

图2图像处理算法框图。

图3带有暗斑的病纸。

图4带有孔洞的病纸。

图5带有褶皱空洞的病纸。

图6无褶皱图像。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

1、DSP图像处理模块的硬件部分设计

如图1所示：一种在纸张缺陷视觉检测中识别不同缺陷类型的***，它包括CCD摄像机1，它与被检测纸页2相配合，同时还有光源3与被检测纸页2相配合；所述CCD摄像机1与图像采集卡4连接，图像采集卡4将获得图像分别送入计算机6和DSP图像处理单元5，所述DSP图像处理单元5也与计算机6连接，所述图像采集卡4和DSP图像处理单元5通过PCI总线与计算机6连接。。

该***的工作过程：计算机完成消息通讯和数据传输，启动图像采集后，将CCD采集到的图像送给DSP图像处理单元5，DSP图像处理单元5用于独立完成缺陷图片的识别任务，将处理结果传送回计算机6，DSP图像处理单元5对图像数据进行处理后，运用缺陷检测算法可判断图像有无缺陷，将有缺陷的图像在计算机6显示器上显示出来，并发出必要的语音提示。整个过程由计算机来对DSP图像处理单元5进行加载程序，并做控制与管理，使用起来比较方便，这样做不仅在一定程度上将实时处理和非实时处理部分分离，并行进行信号处理和数据管理，而且充分利用了DSP强大快速的数据处理能力、并行处理的优势，为纸页的图像信息的实时处理提供了理论与应用的条件。

2、一种在纸张缺陷视觉检测中识别不同缺陷类型的***的识别方法

步骤1，用本***采集足够数量的图像，并对采集到的图像进行图像分割，截选每一幅图像中具有代表性的纸病区域和正常区域，图像种类包括图3暗斑，图4孔洞，图5褶皱，图6无纸病图像，定义纸病区域为SVM训练的正类样本，正常区域为负类样本，此步骤对应着图2中的图像采集、图像分割两个部分；

步骤2，从全部图像中选择数量相同的50张图像形成一个小规模样本分类集训练成一个初始的分类器；然后再从全部图像中选取100张缺陷图像，100张正常图像，形成一个200张图像的大规模样本分类集；然后用初始分类器对大规模训练集进行修剪，也就是去掉那些不利于聚类的样本，修剪后得到规模很小的约减集，再用这个约减集进行训练得到最终的分类器；此步骤对应图2中的训练样本、特征提取(特征提取是选用图像直方图特征的灰度平均值、灰度方差均值、梯度均值、峭度以及熵值5维量特征向量作为输入的特征向量)、分类器设计三个部分。

步骤3，基于SVM的分类器的训练和识别。此步骤对应着图2中的识别样本、特征提取、分类三部分：

(1)对所有识别样本进行特征提取，将获得的特征向量进行线性内积支持向量机训练，确定线性识别模型函数(线性分类判别函数)；

(2)利用所有样本的特征向量进行核函数型内积支持向量机训练，确定非线性识别模型函数(非线性分类判别函数)。

(3)利用训练好的决策函数，对待处理的图像中的像素进行分析，由决策函数的输出值确定图像中像素的所属类别：纸病区或正常区。

在图2中的训练样本部分的具体训练算法如下：

(1)首先分别给定两类样本(缺陷图像与无缺陷图像)的50个训练样本，提取其灰度平均值、灰度方差均值、梯度均值、峭度以及熵值的5维特征向量；

(2)利用上述样本的特征向量进行线性内积支持向量机训练，确定线性识别模型函数；

(3)利用上述样本的特征向量进行核函数型内积支持向量机训练，确定非线性识别模型函数。

在图2中的识别样本部分的具体识别练算法如下：

(1)对于给定的待识别样本，提取其灰度平均值、灰度方差均值、梯度均值、峭度以及熵值的5维特征向量；

(2)将待识别样本的特征向量x代入线性分类支持向量机的模型函数，如果f(x)＞T，则可确定待识别样本的种类，T为训练所获得的分类阈值。若f(x)＜T则转(3)；

(3)将待识别样本的特征向量x代入非线性分类支持向量机的模型函数，取f_max(x)，将其归到相应的类中：纸病区或正常区。

其中

(x_i，y_i)是训练样本集合，a_i ^*是拉格朗日乘子，b^*是阈值。

实施例：

利用摄像头采集的一些典型缺陷图片，主要有破边、孔洞、褶皱、草纤维和一些比较少见的缺陷共100幅，与100幅无缺陷图像进行试验分析。如图4中所示是具有各种纸病的图像和无缺陷图像。从上面的图像中随机抽取一定数量的缺陷图像和无缺陷图像作为训练样本进行训练，余下作为测试样本，用基于SVM的方法进行训练和识别，总体测试结果见表1，为了突出本算法的优越性，特使用了人工神经网络算法做了在相同条件下的测试，结果见表2。同时改变SVM算法核参数，对应的结果如表3。

实验步骤：

步骤1，用本***采集足够数量的图像，并进行图像分割，截选每一幅图像中具有代表性的纸病区域和正常区域，定义纸病区域为SVM训练的正类样本，正常区域为负类样本，此步骤对应着图二中的图像采集、图像分割两个部分；

步骤2，从全部图像中选择数量相同的50张图像形成一个小规模样本分类集训练成一个初始的分类器；然后再从全部图像中选取100张缺陷图像，100张正常图像，形成一个200张图像的大规模样本分类集；然后用初始分类器对大规模训练集进行修剪，也就是去掉那些不利于聚类的样本，修剪后得到规模很小的约减集，再用这个约减集进行训练得到最终的分类器；此步骤对应图2中的训练样本、特征提取(特征提取是选用图像直方图特征的灰度平均值、灰度方差均值、梯度均值、峭度以及熵值5维量特征向量作为输入的特征向量)、分类器设计三个部分。

步骤3，基于SVM的分类器的训练和识别。此步骤对应着图2中的识别样本、特征提取、分类三部分：

(1)对所有识别样本进行特征提取，将获得的特征向量进行线性内积支持向量机训练，确定线性识别模型函数(线性分类判别函数)；

(2)利用所有样本的特征向量进行核函数型内积支持向量机训练，确定非线性识别模型函数(非线性分类判别函数)。

(3)利用训练好的决策函数，对待处理的图像中的像素进行分析，由决策函数的输出值确定图像中像素的所属类别：纸病区或正常区。

在图2的训练样本部分的具体训练算法如下：

(1)首先分别给定两类样本(缺陷图像与无缺陷图像)的50个训练样本，提取其灰度平均值、灰度方差均值、梯度均值、峭度以及熵值的5维特征向量；

(2)利用上述样本的特征向量进行线性内积支持向量机训练，确定线性识别模型函数；

(3)利用上述样本的特征向量进行核函数型内积支持向量机训练，确定非线性识别模型函数。

在图2的识别样本部分的具体识别练算法如下：

(1)对于给定的待识别样本，提取其灰度平均值、灰度方差均值、梯度均值、峭度以及熵值的5维特征向量；

(2)将待识别样本的特征向量x代入线性分类支持向量机的模型函数，如果f(x)＞T，则可确定待识别样本的种类，T为训练所获得的分类阈值。若f(x)＜T则转(3)；

(3)将待识别样本的特征向量x代入非线性分类支持向量机的模型函数，取f_max(x)，将其归到相应的类中：纸病区或正常区。

其中

(x_i，y_i)是训练样本集合，a_i ^*是拉格朗日乘子，b^*是阈值。

表1利用支持向量机二级分类器进行纸页缺陷检测的结果(时间单位：ms)

表2利用人工神经网络进行纸页缺陷检测的结果(时间单位：ms)

表3对不同缺陷不同核参数的分类结果比较

从对表1和表2可以得出结论：基于神经网络的算法训练时间长，识别速度慢，满足不了实时要求。而在该硬件***平台下，基于SVM的算法使整个缺陷识别过程耗时可在10ms以下，基本能够保证实际生产条件下纸页实时检测的时间要求。利用可编程DSP芯片处理设备，对检测过程中实时性要求严格的部分进行单独处理方法，充分利用了可编程DSP芯片的高速与强大的信号处理功能，使***整体处理速度有较大提高。

在表3中，对于不同缺陷类别、不同核参数的对比实验表明，核参数越大，识别效果越好，但是需要付出时间的代价。另一方面，即使采用较小的核参数，其识别率也远高于基于神经网络的方法。

因此，在DSP应将平台下，基于SVM的纸页缺陷识别算法识别率高、速度快，能够满足实时要求。

Claims (4)

1.一种在纸张缺陷视觉检测中识别不同缺陷类型的***，其特征是，它包括摄像装置，它与被检测纸页相配合，同时还有光源与被检测纸页相配合；所述摄像装置与图像采集卡连接，图像采集卡将获得图像分别送入计算机和DSP图像处理单元，所述DSP图像处理单元也与计算机连接。

2.如权利要求1所述的在纸张缺陷视觉检测中识别不同缺陷类型的***，其特征是，所述图像采集卡和DSP图像处理单元通过PCI总线与计算机连接。

3.一种权利要求1所述的在纸张缺陷视觉检测中识别不同缺陷类型的***的识别方法，其特征是，它的步骤为：

步骤1，利用成像设备，获取纸张图像，并进行图像分割，截选具有代表性的纸病区域和正常区域，定义纸病区域为SVM训练的正类样本，正常区域为负类样本；

步骤2，进行特征提取；从全部图像中选择m张图像形成一个小规模样本分类集训练成一个初始分类器；然后再从全部图像中选取n张缺陷图像，n张正常图像，形成一个2n张图像的大规模样本分类集，n＞m，m、n均为自然数；然后用初始分类器对大规模训练集进行修剪，也就是去掉那些不利于聚类的样本，修剪后得到规模相对很小的约减集，再用这个约减集进行训练得到最终的分类器；

步骤3，基于SVM的分类器的训练和识别；

(1)对所有识别样本进行特征提取，然后利用分类器对特征向量进行线性内积支持向量机训练，确定线性识别模型函数即线性分类判别函数；

(2)利用所有识别样本的特征向量进行核函数型内积支持向量机训练，确定非线性识别模型函数即非线性分类判别函数；

(3)利用训练好的决策函数，对待处理的图像中的像素进行分析，由决策函数的输出值确定图像中像素的所属类别：纸病区或正常区。

4.如权利要求3所述的在纸张缺陷视觉检测中识别不同缺陷类型的***的识别方法，其特征是，所述步骤2中，特征提取过程为：选用图像直方图特征的灰度平均值、灰度方差均值、梯度均值、峭度以及熵值5维量特征向量作为输入的特征向量。

Images