基於Halcon的印刷影象質量檢測系統

Abstract: Modern products, external packing and printing are all large-scale production by pipelining.,it is printed on a batch of industrial presses. In the process of printing, there will be various printing defects, such as incomplete character printing, confusion of characters, missing printing, dust contamination and so on. Therefore, it is necessary to study a printing quality inspection system which is fast and accurate.
We can get the image by writing the software, then select the template image and train it. Then, compare the difference between the checked font and the template font by comparing with the plate image. Finally, by analyzing differences, we find defects in print fonts. In this paper, Halcon and C# are used to build the whole vision system, and template matching is used to match the image quality, and finally find the defects. Through the implementation of these algorithms, it is difficult to identify the image defects caused by batch printing

Key words: Machine vision; Template matching; Image processing; Halocn

摘 要： 現代化的產品外包裝印刷都是流水線式的大規模生產，是由工業印刷機批量的印刷在產品上。在印刷的過程中會出現各種印刷缺陷，例如字元印的不完整、字元混亂、漏印刷、灰塵沾染等一系列缺陷。為此，有必要研究一種檢查速度快、準確率高的印刷質量檢測系統。
可通過編寫上位機獲取影象，然後選取模板影象並對其進行訓練，緊接著通過與板影象進行比較得到被檢查字型與模板字型之間的差異。最後通過分析差異找到印刷字型的缺陷。本文應用Halcon 和C#來搭建整個視覺系統，並用模板匹配來對影象質量進行匹配對比,最終找到缺陷所在。通過這些演算法的實現，解決了在批量印刷中產生的影象缺陷難以識別的難題。

關鍵詞： 機器視覺;模板匹配;影象處理;Halcon

1.引言

工業印刷機批量的印刷在產品中，很容易出現組裝出錯、印刷髒汙等現象。因此，在實際的生產過程中，需要對印刷的質量進行識別檢測，以便及時的剔除印刷缺陷的產品，減少甚至消除廠家在印刷過程中，因為印刷缺陷而造成的經濟損失，用機器視覺代替人工檢測，可提高效率和產品質量，另一方面降低勞動力成本。

2.檢測流程

取得一幅影象後，首先對其進行預處理，預處理的目的是消除影象在分割的時候噪聲的干擾。緊接著要選取合適的區域，把要檢測的區域都能較好的分割出來最為模板儲存在本地為後續檢測做好準備。最後利用模板法來檢測該區域是否完整，根據檢測的缺陷面積來分析是否符合工業要求並進行一定規律的分類

3.基本影象處理

3.1 形態學處理

形態學影象處理是對影象中物體的中間形態或結構進行修改，膨脹和腐蝕是兩種比較常用的基於形態學的方法。對於膨脹運算，一個物體在空間範圍內均勻的增長，對於腐蝕運算，物體在空間範圍內均勻的收縮。
膨脹是對兩個向量進行與的操作，在該系統中我們需要對影象進行膨脹處理，具體定義如下：
設 A,B 是個集合，分別屬於 n維空間 En，則A被B膨脹的定義：AB={c∈En: c=a+b, a∈A, b∈B}

(a)為集合A, (b)為集 B, ©為集合A 被集合B 膨脹的結果在像的數學形態中。

3.2 影象濾波

為了得到較好的影象，我們通常會對影象進行濾波器處理可以很好的消除影象的噪聲，這樣可以使影象變得平滑。根據濾波器的學結構，一般簡單的把常用的濾波器劃分為線性濾波器和非線性濾波器。經常用的線性濾波器有均值濾波器和高斯濾波器，線性濾波器就是使用一個加權函式，對影象函授進行加權處理，也就是把根據計算得到一種權重函式，並把這種權重函式作用到每一個影象視窗內，並通過加權得到新的數字。
該專案中我們使用了加權均值濾波器又叫鄰域平均法，領域平均分主要思想是選取要處理的點的附近的若干個畫素點的均值來代替這個點的畫素值，以這若干個畫素點的均值來代替這個點的實際畫素值。通常鄰域的選取依據4領域或者8領域。下面分析它的濾波特性，則均值濾波對實際影象進行濾波分析和處理的公式如下：

其中 f (i,j)表示經過均值濾波後在(i,j)處的畫素值，S表示(i,j)點的領域，M是領域內的總點數，g(i,j)表示影象在(i,j)處的畫素數值。
公式(2-1)領域的選取能很好的抑制噪聲。但當領域增大後，影象處理伴隨而來也變得更加模糊化。為了解決這個問題，我們可以採取一種特殊的閾值法，這種閾值法能較好的消除均值濾波而帶來的模糊，式如下：

公式中 R是規定的非負閉值。上述表示式的含義是：如果被模糊化的點和它的領域內點的灰度值之差大於這個 R數值的時候，就用這個平均值來替代它，如果小於這個數值的時候就不變化，利用這種方式就可以減少模糊化的程度。

3.3 邊緣檢測

隨後進行的是邊緣檢測，該系統中運用的是Canny運算元。Canny演算法通常處理的影象為灰度圖，因此如果攝像機獲取的是彩色影象，那首先就得進行灰度化。對一幅彩色圖進行灰度化，就是根據影象各個通道的取樣值進行加權平均。以RGB格式的彩圖為例，通常灰度化採用的方法主要有：
方法1：Gray=(R+G+B)/3;
方法2：Gray=0.299R+0.587G+0.114B;（這種引數考慮到了人眼的生理特點）
下列在本文實現的Canny演算法中所採用的卷積運算元，表達如下：

其x向、y向的一階偏導數矩陣，梯度幅值以及梯度方向的數學表示式為：

求出這幾個矩陣後，就可以進行下一步的檢測過程

4．模板匹配演算法

4.1 模板匹配的分類

模板匹配一般分為以下三種:

1. 基於灰度值的匹配。其基本原理是：將模板影象的灰度值資訊儲存在模板裡，比較模板與物件的灰度資訊，根據兩者的差別大小來判斷是否匹配。能夠識別出沒有遮擋和混亂的目標，只能進行單模板匹配，且一次只能識別一個物件。由於灰度特徵很容易受各種因素（如噪音、照明條件）的干擾，這種技術的應用很有限。匹配結果為目標物件的位置與灰度差（匹配分數）。
2. 基於形狀的匹配。其基本原理是：提取物件的輪廓特徵，生成形狀模板。由於物體的“形狀”對光照變化等各種因素不敏感，該技術抗干擾能力很強，能一次找到一個模板的多個例項，並可進行多模板匹配，有效檢測出偏移、旋轉、比例縮放、部分覆蓋的目標。匹配結果為目標物件的位置資訊與相似度，對於多模板匹配還可以得到目標屬於哪個模板的資訊。
3. 基於元件的匹配。該匹配可以認為是高階的形狀匹配，匹配原理與形狀匹配相同，改進表現在對於一個包含多個部件的目標物件的檢測上。基於元件的模板匹配將此種目標物件作為一個大模板，訓練模板時允許各個部件間有相對的位置偏移、旋轉，基於形狀的匹配針對此種情況則必須採用多模板匹配。由於在訓練模板時，各個部件之間的位置關係基本不變，在匹配時只需要搜尋到一個部件，其他部件的搜尋範圍就可大大減少，因此相對基於形狀匹配的多模板匹配，其匹配速度更快。匹配結果為目標物件各個部件的位置座標、目標部件相對模板部件的旋轉角度以及各部件的相似度等資訊。
   而該系統使用形狀以及灰度雙重匹配，保證了結果的正確性。

4.2 基於邊緣的形狀匹配演算法

使用邊緣匹配物體有以下幾種策略。首先，可以在匹配中使用原始的邊緣點，或者增加每個點的一些特性。另外一種策略是使用邊緣分割演算法將目標分割為多個幾何圖元，然後在影象中匹配這些分割得到的幾何圖元。最後一種策略是基於邊緣的分割，可以得到邊緣上的突變點，然後在影象中匹配這些突變點。這些突變點可以從影象中直接提取，而不用從邊緣中提取。

4.2.1 均方距離

最簡單的相似度度量是使模板邊緣點與離它最近的影象邊緣點之間的均方距離最小。但是，為模板邊緣上的每個點確定離它最近的影象邊緣點是一個十分費時的過程。不過，我們感興趣的是與最近影象邊緣點之間的距離，而不需要知道哪個點是最近點，因此可以通過計算分割後搜尋影象背景的距離變換來高效實現。如果模板邊緣點與影象邊緣點之間的平均距離小於一個閾值，即可認為找到了一個模板的例項。當然，為了得到模板的唯一位置，必須計算相似度量的區域性最小值。均方邊緣距離sed表示如下：

其中：T表示模板中邊緣點，d(r,c)表示分割後搜尋影象背景的距離變換。可以發現，sed方法基於邊緣進行匹配，因此不受任意光照變化的影響。

4.3 基於灰度值的匹配演算法-NCC演算法

歸一化積相關(Normalized Cross Correlation)演算法是作為相似度衡量的一個標準，首先它是將模板影象和搜尋影象的灰度值作為輸入引數進行統計計算，然後在通過相關的歸一化處理來反應兩幅影象之間的匹配程度。
相關匹配演算法可定義為:

3-2式中，m_f是是模板的平均灰度值，S_t^2是模板所有畫素灰度值的方差。

在歸一化積相關的係數中應注意該匹配演算法值的範圍是在[-1,1]中，如果ncc(r,c)=±1,影象成一個線性比例的公式.

當ncc(r,c)=1時，則a>0,說明模板與影象的極性是相同的；當ncc(r,c)=-1時，則a<0說明模板與影象的極性是相反。由3-5可知歸一化積相關係數通過線性光照變化對其所計算出的結果將不會受到影響。
由上可知，當ncc(r,c)=±1時，模板與搜尋影象中的子影象才會完全匹配。在一般情況下，歸一化積相關係數的絕對值越大就表示模板與搜尋影象中子影象之間越接近，歸一化積相關係數的絕對值越接近零表示模板與影象越不一致。

5.系統實現

5.1 系統的硬體結構

影象採集系統是印刷質量檢測的根基,離開了這個採集系統,則將獲取不了外界目標,進而也無法分析印刷是否合格，在影象目標採集系統過程中而相機又是基礎中的基礎。選擇一個合適的相機，不僅能解決解析度問題，還能在演算法上給與很多便利。因此選取相機的合適與否將決定本系統是否能用。
針對本印刷字型質量檢測的要求，不需要考慮印刷字型是否有顏色，所以一般採用黑白相機即可達到檢測的要求。故本系統選取的是300萬畫素的黑白USB2.0攝像頭。而結構平臺則為定製的。

5.2 系統的軟體結構

本系統的軟體介面主要用C#編寫，包括以下功能：攝像頭的選取連線、建立形狀模板、抓拍訓練、檢測缺陷。

實現效果：

6.結束語

利用形狀匹配和灰度值匹配，雙重匹配，保證了檢測的成功率。提取字元亞畫素輪廓和灰度統計資訊進行訓練，精度高。利用灰度值的匹配及訓練，速度快。該系統的魯棒性不夠強，未設計光源，受光照影響較大。

參考文獻：

[1] 數字影象處理第六版(岡薩雷斯)
[2]Halcon使用者幫助手冊
[3]張建華, 基於灰度的模板匹配演算法研究, 內蒙古農業大學,2014
[4]崔曉萌, 數位印刷影象質量檢測與質量控制工程理論與應用研究,華南理工大學，2013
[5]於治國,唐萬有,李志會, OpenCV在印刷質量檢測系統中的應用,微計算機資訊，2011
[6]周淑寶,楊永才,印刷質量視覺檢測系統設計與應用,印刷雜誌,2012
[7]黃建榮,範彥斌,葉邦彥,基於Halcon的SMT-PCB元件缺陷檢測, 佛山科學技術學院學報,2008