基于机器视觉的纸病检测系统发展综述

周　强　陈　颖　沈天宇　齐　璐

(陕西科技大学电气与信息工程学院,陕西西安,710021)



·纸病检测系统·

基于机器视觉的纸病检测系统发展综述

周强陈颖*沈天宇齐璐

(陕西科技大学电气与信息工程学院,陕西西安,710021)

在详细介绍以机器视觉技术为核心的纸病检测流程的基础上,研究、梳理和归纳了纸病检测系统在硬件模式、软件系统和检测算法上的发展历程,分析了当前纸病检测中存在的难点问题，并讨论了该技术的发展前景。

纸病检测；机器视觉；硬件模式；软件系统；检测算法

造纸过程中任何对纸张质量不利的表面缺陷都可称之为纸病,但通常意义下的纸病是指外观纸病,包括透光、孔眼、破洞、针孔、褶子、尘埃、浆疙瘩等。造成纸病的原因很多,如纤维材料、工艺流程、设备状态等都有可能引起纸病,纸病不但会降低纸张的使用价值和印刷成品率,严重时还会使纸张成为废品,因此纸病检测在造纸过程中非常重要。

目前很多中小企业依旧采用人工检测纸病,随着造纸生产自动化的不断发展,纸机车速不断提升、纸幅宽度不断加大，纸张在抄造过程中出现缺陷的几率增大[1]。传统的人工检测纸病方法已不能满足生产需要,因此造纸企业迫切需要一种自动化在线检测技术代替人工检测,基于机器视觉的纸病在线检测就是在这样的需求中发展起来的。

基于机器视觉的纸病检测技术从最初只能检测简单单一的纸病发展到如今能够同时辨识多种复杂纸病经历了20多年的时间。造纸行业作为与国民经济与社会发展关系密切的重要基础原材料产业,随着信息丰富时代的到来[2],在线纸幅洞眼和斑点检测系统由最早的ULMA产品,到20世纪80年代第一代基于CCD技术的WIS系统投放市场,直到2014年ISRA VISION公司在中国国际造纸科技展览会及会议(CIPTE)上发布了全新的突破性检测技术——PAPER MASTER纸病检测系统(WIS)[3],检测算法已由早期的灰度阈值法,经历Jukka Iivarinen等提出的灰度共生矩阵法[4],直到模糊逻辑算法的提出等,纸病在线检测技术已由自动化逐步走向智能化。目前,国外纸病检测理论、方法和技术日臻成熟。国内的技术近几年发展十分迅速,在应用方面,浙江大学双元科技公司的SYWIS系列在国内已有一些成功的应用案例。在理论研究方面,压缩感知等信息科学的最新成果已经进入该领域[5]。

图1　纸病检测流程框图

1　纸病检测流程

基于机器视觉的纸病检测系统的功能是对造纸生产线上纸张表面质量进行在线监测,其工作流程见图1。

(1)纸张图像拍摄与采集。高速线阵工业相机实时快速拍摄生产线上高速运行的纸张,将纸张表面的光学特性转换为数字图像信号；作为纸病检测系统核心的计算机，利用采集卡或数据线将图像数据实时读入计算机。

(2)纸病图像预处理与辨识。电机的负载转矩发生相反的变化。前者通过图像增强、图像分割等将含有纸病的图像区域分离出来；后者通过特征提取、纸病辨识获得纸病形状、面积大小、空间位置及纸病类型等信息。

(3)纸病后期处理。包括纸病显示、纸病记录及指导人工操作。根据所判断出的纸病类型和在纸幅上的空间位置,在系统软件主界面的模拟纸幅面上,用不同符号和颜色代表对应纸病,实时显示在计算机屏幕上,以方便操作人员查看和分析纸病出现的原因；同时,系统软件中的数据库管理功能,实时存储并统计纸病信息,以便对纸病的历史查询；投标器等设备在纸卷上实时标记纸病位置指导后期人工操作,当出现周期性纸病等严重问题时,声光报警装置能及时提醒、通知操作人员立刻排除生产设备或制造工艺中的故障。

2　纸病检测系统的硬件模式

随着计算机、微电子等技术的飞速发展,纸病检测系统的硬件模式趋于多样化,经历了几种主要模式。

2.1“CCD相机+采集卡+PC机”模式

在这种早期硬件模式(简称“采集卡”模式)下,系统工作过程：CCD(Charge Coupled Device)相机实时拍摄被测纸张表面,其片内的模数转换器(ADC)将模拟信号转换成数字信号,通过通信线传输到图像采集卡,计算机读取采集卡中的数据,并承担全部数据处理任务。

ABB公司的ULMA3D系统、ULMA NTi系统,Measurex Roibox公司的MXOpen WIS(Web Inspection System)系统,OMRON公司的AUTO SPEC系统,Honeywell公司的1MXOpen WIS系统都采用这种硬件模式,并于1997年开始进入我国[6]。在这种模式下,近年来国内纸病检测技术发展迅速,河南江河纸业股份有限公司自主研发的DZ-WIS,一些关键性技术已接近世界先进水平；南京林业大学的研究成果,使得PC机检测和处理纸病的实时性和准确性得到了大幅度提高。但是这种模式会给软件系统带来巨大的计算量,而这一软件系统的技术瓶颈不可避免地造成了系统稳定性差的问题,且始终未得到彻底解决[7]。虽然陕西科技大学任鹏使用多核处理器与后台系统线程池技术相结合,实现了后台任务的实时并行处理,提高了纸病检测系统的稳定性,暂时克服了计算机因长时间运行出现的处理速度下降或者死机现象[8]。但纸机车速提升、纸幅加宽、检测精度提高以及纸病检测算法复杂度增大所带来的运算数据量膨胀,与计算机主频加快和软件结构优化所带来的运算能力倍增的竞赛远未停息。此计算机集中处理数据的硬件模式结构简单实用、用户操作方便,但构建软件系统工作量较大,特别是随着纸张图像的实时数据量越来越大,计算机的串行结构和工作方式不可避免地限制了其运算速度,从而形成了“采集卡”模式的速度瓶颈效应,严重制约了检测系统的快速性和可靠性提升[9]。

2.2“CCD+FPGA+计算机”模式

为了突破“采集卡”模式的速度瓶颈,较早的一些方法多使用单片机或者DSP等微处理器实现灰度均衡、彩色图像二值化或图像重构等预处理功能,分担了计算机的部分工作。但随着对图像采集速度和图像品质要求的不断提升,这些方式终难满足需求。而高速度FPGA(Field Program-mable Gate Array)的发展为纸病检测系统带来了“CCD+FPGA+计算机”模式(简称“FPGA”模式)。处于CCD和计算机中间位置的FPGA,一方面承担数据采集卡的工作,对CCD相机进行配置,获取图像数据,驱动片外储存芯片,对图像进行缓存,同时产生VGA时序,另一方面承担计算机的部分任务,对纸张图像进行预处理。

FPGA具有开发周期短、高速、高灵活性、可并行处理等优点,与计算机的串行工作方式相比,FPGA的并行结构和流水线工作方式具有速度上的优势。由FPGA完成纸张图像的预处理、纸病粗判(仅判断是否产生纸病)和疑似纸病图像区域分割,并将该区域的图像数据通过以太网等通信方式传输给计算机,利用高级语言编写算法程序的灵活性,由计算机完成纸病种类进一步判断的工作及后期信息处理。统计表明,疑似纸病区域的面积仅占整个纸张图像面积的万分之一以下,因此大量图像数据处理由FPGA迅速完成。

FPGA模式采用分散式数据处理方式,利用FPGA并行运算的快速性进行纸病预处理和粗判,承担90%以上的“粗活”,并利用计算机编程的灵活性实现图像处理高级算法,完成纸病辨识、显示、统计储存等“细活”。这种硬件模式适应造纸生产的发展趋势,具有较大的发展空间,且结构简单、成本低、处理速度快,但是大量的最底层编程语言的开发工作,使得该模式研发难度很大。

国外基于FPGA的纸病检测技术已比较成熟,如1999年S Hossain Hajimowlana提出用于缺陷检测的相机数据流处理[4],国内FPGA模式在纸病检测领域的应用尚处于起步阶段,例如,文献[9]中利用FPGA的并行性完成了纸病图像处理算法的硬件加速,提高纸病检测的准确性和效率,但未能充分利用NIOS II软核处理器,最大程度地实现高速实时图像处理[10]。同时,这种硬件模式的优化还存在FPGA中设计SDRAM控制器等很多难点有待克服。

2.3其他类型的纸病检测模式

除了以上两种典型的纸病检测系统模式之外,以其他技术实现的纸病检测系统也有报道。例如,文献[11]采用的“CCD+DSP(Digital Signal Processing)+计算机”模式、文献[12]研制的“工业相机+FPGA+DSP+显示器”嵌入式机器视觉系统,各有特点。

2.4光源系统

纸病检测系统的光源照射效果,直接关系到纸病处理中图像分辨率的高低以及纸病检测算法和软件结构的复杂程度。光源系统设计是一个十分复杂和困难的优化问题,一方面,作为优化目标的照明效果缺乏量化评价,例如,通常被当作优化目标的纸张表面灰度方差(用以表示光线分布均匀程度)、纸张缺陷与背景图像的对比度等都缺乏充分的理论依据；另一方面,影响光照效果的诸多因素,如光源种类、光源结构、光色和亮度、光照方式等,都与照明效果密切相关却又难以建立精确的数学模型。因此,国内外纸病检测系统光源优化的研究成果很少,现有的光源系统基本上凭着经验摸索获得。

由于纸病检测采用的都是逐行扫描的线阵工业相机,光源采用线型形状的激光、LED(Light-Emitting Diode)和高频荧光灯等,其中LED灯可以采用功率连续可调的驱动方式以保证光线横向均匀分布。光源结构有前光源、背光源和混合光源3种,其中前光源拍摄的图像灰度均匀、方差小,易于图像的后期处理,但是仅能照亮摄像机所在一侧的单侧纸病,由于纸面反射光线能力较强,纸病检测中更多地采用“低角度”照射；背光源能够将相机另一侧的部分纸病透射到工业相机上,但生成图像的灰度波动剧烈而图像处理难度较高；“前光源+背光源”的混合光源结合了前二者的优点,照射效果最佳。光色方面,红色光因其突出缺陷的对比度效果最佳而被频繁使用。

3　纸病检测算法

实现纸病检测的核心是建立在软、硬件平台上的纸张图像处理算法,包括纸张图像预处理算法、纸病特征提取算法和纸病辨识算法3部分。

3.1纸张图像预处理算法

主要目的是为了提高纸张图像的对比度,突出边缘细节,提取(疑似)纸病区域图像,以便后续的分析处理,预处理分为图像增强和图像分割。

(1)图像增强

图像增强是对已获取的图像加工处理,减少噪声的同时增强边缘信息和结构信息,以便在后续的特征分析中对其更好地分析和理解。纸张图像的增强同样是为了减弱纸张背景噪声,提高纸病区域和背景区域的对比度。图2所列为纸病图像增强的主要方法。

图2　图像增强分析方法

图2中,灰度变换和直方图处理这两种基于点的增强方式通常用于低对比度纸病图像(例如：气泡、透明点、裂痕等)的增强处理；基于模板的空域图像增强主要是通过各种滤噪的方式达到目的,其中中值滤波是最常用的滤除纸张图像噪声的方法,除此之外,Laplace、Gauss及Sobel等算子可以有效增强纸病的边缘或轮廓信息。纸病图像中噪声和纸张图像信号在空域中通常难以区分,而在频域中二者的频谱却常常是相互分离的,在频域中滤除噪声后经过频域到空域的反变换就可以成功滤除纸张图像的背景噪声。但这种方法因其计算量巨大而很少使用。理论上讲,由于需要进行FFT(Fast Fourier Transform Algorithm)和DFFT(Discrete Fast Fourier Transform)两种运算,对n个像素点的运算量就超过了2n2次,只有DSP这样的专用并行处理芯片才适合承担这样的图像增强任务。在实际纸病图像处理中,往往一种图像增强方法难以达到满意的效果,为此出现了混合增强算法,将多种互补的图像增强方法组合起来,取得单一增强难以达到的效果。

除此之外,CB(Contour Bougie)形态学对纸病图像进行滤波,力求在滤波的同时不损失图像的细节[13]。Ferrante Neri等人提出了基于模因差分(DE,Differential Evolution)模型的3种滤波器MDE(Memetic Differential Evolution)、EMDE(Enhanced Memetic Differential Evolution)、SFMDE(Super-Fit Memetic Differential Evolution)用于纸病检测[14-15]。近年来,许多研究将灰度共生矩阵(GLCM,Grey Level Co-occurrence Matrix)、Gobar滤波认为是纹理分析方面最先进的方法[16],文献[17]提出一种可通过遗传算法被转换为传统的Gabor滤波器或者转换环Gabor滤波器的椭圆高斯滤波器(EGF,Elliptical Gaussian Filter),而基于模糊理论、神经网络等图像智能增强方法的研究也有报道。

(2)图像分割

纸病图像分割就是依据纸张图像的灰度、颜色、纹理和边缘等特征,把(疑似)含有纸病的图像区域分离出来,该过程是纸病特征提取和纸病辨识的基础,以下是几种典型图像分割算法。

①阈值分割算法

阈值化是图像分割方法中最简单的一种,根据纸张图像灰度的分布用一个阈值将纸张图像分成纸病和背景的二值区域。其技术关键是如何选择合适的阈值,1979年Otsu提出最大类间方差准则选取阈值的方法一直被认为是阈值分割的经典算法[18],从图像的灰度直方图出发,先得到图像的概率密度函数,然后根据准则选取阈值是现在比较常见的方法之一。阈值法分割图像思路简单,对于纸病区域和背景图像有明显灰度差异时,如孔洞、黑斑等纸病可以有比较好的分割效果,但对于灰度差异不太明显或灰度值有较大重叠的图像,如褶皱纸病,阈值分割有时达不到预期效果[19]。此外,由于外界光源缓慢变化或纸张白度变化引起的纸张图像灰度分布改变,要求阈值应具有自适应功能。

②边缘检测算法

边缘作为图像最基本的特征之一,其算法实质是提取图像中对象与背景间的交界线,应用于纸病检测中的算法主要分为Sobel、Roberts、Prewitt、Kirsch、Canny等一阶微分算子和Laplace算子、Log算子等二阶微分算子。文献[20]提出在使用Sobel算子之前先进行图像归一化处理得到更多的细节特征,文献[21]中通过比较得出Prewitt算子可以很好地检测出同时含有孔洞、脏点和褶皱的纸病图像的边缘。文献[22]中提出模糊C均值聚类-Canny获取图像边缘信息,在提取图像边缘时比其他几种一阶算子完整,边缘定位也更精准,但为得到更好的检测效果需要较大的滤波尺度,这样就容易丢失细节。Laplace算子既能增强图像的高频分量,又能保持图像的低频分量,但是对噪声比较敏感,而且由于零交叉点并非与边缘点一一对应,因而常会产生一些虚假边缘。Log算子则是将Gauss滤波和Laplace算子结合在一起形成的,因此Log算子对噪声不太敏感,检测效果比较好。除了以上两种图像分割方法之外,文献[23]中提出利用小波奇异性分割纸病区域与背景图像等图像分割方式,文献[24]提出一种基于多像素提取图像边缘的检测算法。

3.2纸病图像特征提取算法

特征提取是纸病检测过程中非常重要的环节,它承接预处理过程,从图像分割处理后的图像中提取能够表征纸病图像特征信息,为计算机进行纸病最终识别做准备。选取好的特征提取算法可以获得更好的分类精度[25],常见的纸病图像特征量分为灰度特征和形态特征两大类。

(1)灰度特征

灰度特征根据分析空间和分析方法的不同分为空域分析、频域分析、空-频分析和统计分析。

空域分析是在时间空间内提取各种纸病的特征,常用的算法包括：灰度阈值、Hough变换、灰度共生矩阵等方法、奇异值分解(SVD,Singular Value Decomposition)。其中Hough变换可用于提取具有线性特征的纸病(如划痕、褶皱),比较而言,Radon变换与Hough变换功能接近而运算量却小很多,因此更为实用。灰度共生矩阵用于提取具有纹理特征的纸病(如条纹纸病)[26],奇异值分解可用于提取灰度变化较为明显的纸病特征(如黑斑、孔洞)。

图3　纸病特征提取和纸病辨识原理图

频域分析是在位置空间内提取各种纸病的特征,常用的算法包括：短时傅里叶变换(STFT,Short Time Fourier Transform)和短时功率谱估计(STPS, Short Time Power Spectrum),主要用于判断纵向纸幅的周期纸病。

空-频分析是在空-频空间内提取各种纸病的特征,常用的算法包括：二维小波变换,可以用于判断褶皱、浆疙瘩等灰度值波动不明显的纸病。

统计分析利用各阶次(一阶、二阶和高阶)的统计运算提取不同的纸特征,包括：一阶统计量的一维灰度均值,该特征可用于表示纸张表面横向或纵向的灰度分布,为消除纸张图像背景的不均匀性提供依据；二阶统计量,如灰度方差(表示灰度离散程度),在背光源照明方式下该特征量与纸张粗糙度这样的物理量紧密相关。二维图像处理算子如Roberts算子、Prewitt算子、Sobel算子、Laplacian算子和Canny算子等,由于都是基于二维的互相关函数运算,因此也属于二阶统计量,由这些算子获得特征量对于分割纸病区域、判断纸病种类具有重要作用；最主要的高阶统计特征是图像熵(Shannon熵),作为不确定性的量化指标，它与黑斑、孔洞等多种纸病都有不同程度的关联。

(2)形态特征

形态特征主要有:描述纸病的面积、形状、长宽比、面积周长比等几何特征,例如划痕、褶皱等纸病都具有突出的长宽比和面积周长比,及用于描述对象不规则度和自相似性的分形维数[27],其具有的标度不变性特点使其对于裂纹、孔隙等纸病的二维分形特征表述更加清晰。

(3)纹理特征

除灰度特征和形态特征之外,纹理特征用于纸病检测的研究也没有止步。Topi Maenpaa等人提出基于局部二值模式(LBP,Local Binary Pattern)纹理算子和自组织映射(SOM,Self-organizing Map)的纹理特征用于图像表面实时性检测[28]。

3.3纸病辨识算法

纸病图像辨识属于模式识别的范畴,是通过图像的灰度特征和几何特征来确定纸病的种类,辨识原理见图3。

纸病的特征提取实际上就是纸病在灰度特征空间和形态特征空间的映射,不同的特征提取算法在这两个空间内形成了不同的特征量子空间,因纸病自身特性的差异不同,纸病在该子空间可能映射出不同的特征点(即不同的特征值),也可能映射出相同的特征点(即相同的特征值)。前一种情况比较容易辨识出纸病种类,如对于图3中a类纸病,基于某种特征提取算法(如灰度均值),在灰度特征空间的特征量1子空间中形成了一个独立的特征值,使用阈值法(单一阈值或双阈值法)就能确定纸病类型。后一种情况相对困难,需要建立多个特征量为输入的高维辨识函数,常用的方法有基于BP(Back-Propagation)神经网络识别方法,但这种方法存在收敛速度慢、网络的学习记忆不稳定等缺点,基于朴素贝叶斯分类器的图像识别[29]在选取特征量时要求各特征量相互独立,而且评定各特征量概率精确性的方法至今没有统一。文献[30]中提出一种解决实时性问题的纸病分类方法-基于傅里叶的目标描述子等,除此之外,基于模糊融合算法、纹理特征、支持向量机(SVM,Support Vector Machine)、二维小波变换、分形理论等都在纸病辨识方面不断地进行研究。

图4　软件系统结构框图

当前图像辨识共有的难题是检测的精确性不高,特别是无论哪一种方法,都难以辨识种类繁多的所有纸病,而新兴的信息融合技术无疑是解决该问题的有效途径。

3.4纸病检测后处理方法

在检测出纸病后,系统完成以下后期处理工作。

(1)显示。显示器上标记出纸病,操作人员通过鼠标(或触摸屏)可以查询纸病的灰度值、面积大小、空间位置、类型等详细信息。

(2)数据储存和统计。系统数据库记录纸病信息和图像,方便历史纸病信息的查询,为已出现的生产故障进行后续故障分析提供有用的帮助信息。同时按照天、周、月和年统计纸病,并形成报表文件。

(3)输出动作。使用投标器准确地对不同纸病进行区分性的标记(色标、标签、纸条等),以便复卷或者切纸时可以在纸幅边缘看到纸病的位置,根据要求做相应的切除。

(4)报警。对于周期性的纸病,报警器进行声光报警,以便后期及时排除生产设备或制造工艺故障。

4　纸病检测软件系统

4.1软件系统

纸病检测系统中,软件系统应具备数据实时处理的功能、操作界面友好、操作简便等特点。在识别、处理纸病过程中,纸病检测软件系统能够在软件界面上模拟纸张的运行情况；对纸病的位置、大小、类型进行记录并保存至相应数据库；能够设定外设装置的相关参数,以适应不同的环境；软件具有调试模式,能够实时显示图像及灰度分布等；具有用户管理和记录的功能,以便对系统进行优化等。

一个完整的纸病检测软件系统通常包括界面模块、操作模块、数据库模块及设备和外部接口模块。其中,操作界面可直接进行各种操作和显示；操作模块主要对工程当中涉及到的所有数据库、图像信息、参数、文本进行处理；数据库是存放工程处理过程中为保存信息所需建立的模块；设备和外部接口模块将纸病处理结果通过软件通知相应的外部执行装置实现相应操作。通常纸病检测软件系统结构图可表示为图4。

4.2算法软件开发流程

其中纸病检测算法是系统的核心部分,其基本开发流程如下。

(1)首先使用Matlab仿真工具或Halcon机器视觉开发工具对所选用的纸病处理算法进行可行性验证。二者之间的区别之一在于Matlab开发的程序必须用编程语言进行重新编写,才能嵌入到实际工程中。而Halcon开发的程序可以直接转换为诸如C、C++、C#.NET等语言支持的程序代码,从而可以直接嵌入到实际工程中,节省了开发时间。

(2)接下来便是利用C、C++、C#等编程语言,借助VS、VB、Delphi、QT等开发平台,或OpenCV等图像处理库,实现图像处理算法,并将其嵌入到整个软件系统当中。

此外,还可以在Quartus Ⅱ平台下,采用Verilog HDL或VHDL语言实现在FPGA端的图像处理研究。

5　纸病检测的难点和发展展望

5.1纸病检测的难点

纸病检测的难点在于检测的实时性、精确性和鲁棒性。

(1)实时性。宽幅和高速纸机的发展趋势,使得纸病检测系统的实时数据量已达到每秒100M以上,给系统带来了巨大压力,对系统的结构、各设备装置的性能、软件可靠性、算法的可实时性提出了越来越高的要求。

(2)精确性。随着对纸张质量要求的日益提高,纸张表面缺陷标准在不断提高,目前对于高质量的纸张,表面积超过0.5 mm2的区域缺陷和长度超过5 mm 的划痕缺陷都被认为是纸病,由功率谱分析可见这样规模的纸病,其灰度信号能量已经和部分噪声信号的能量十分接近,无疑要想精确辨识这样规模的纸病是十分困难的。

(3)鲁棒性。纸病检测的前提是纸病成像技术,即生成高质量纸病图像以及图像的长期稳定性。而生产线上纸张品种的更换,系统的性能随环境缓慢的变化,如车间内外界光线的变化,都会对纸病成像效果(图像灰度、图像均匀性)带来影响。因此,实现纸病检测系统的鲁棒性难度巨大。

5.2纸病检测系统的展望

目前正处在工业生产自动化向智能化的转变期,随着纸病检测系统由串行结构到并行结构的转变,基于计算机图像学、随机过程理论、统计学、信号处理技术、形态学、智能控制理论等多种方法的使用,算法研究不断深入,纸病检测系统检测速度和检测精度不断提高,纸病检测系统将会很快实现以下功能。

(1)纸病的双面检测。大多数的纸病属于通透纸张两面的双侧纸病,但是仍有一些微小纸病属于单侧的表面缺陷,即使使用背光源照明,位于另一侧的工业相机仍可能检测不到。因此双侧纸病的检测将会很快被列入研究者的工作日程。

(2)病纸自动剔除系统。根据纸病信息(纸病的位置、种类和大小),指导切纸机将有缺陷的病纸自动切除。

(3)纸病检测智能优化系统。系统通过对纸病的大数据分析,对造纸生产线上的工艺参数进行(以质量为优化目标的)优化,将参数的最优值下达到造纸生产线上分布式控制系统(DCS,Distributed Conutrol System)现场级,作为各个闭环控制系统的给定值,从而实现整个造纸生产线的最优控制。

(4)纸病光源系统的优化。

[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.

张刚强, 周强. 改进Hough变换在纸病在线检测系中的应用[J]. 中国造纸学报, 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. 伊斯拉视像发布全新突破性检测技术—PAPER MASTER纸病在线检测系统(WIS)[J]. 造纸信息, 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.

周强, 王志强, 杨贵琳, 等. 基于压缩传感技术的纸病图像数据实时采集研究[J]. 中国造纸学报, 2015, 30(3): 51.

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

关健华. 全幅纸病检测技术及在造纸中的应用[J]. 中国造纸, 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.

陈文凯. 基于机器视觉的纸病检测算法研究与集成[D]. 南京: 南京林业大学, 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.

任鹏. 基于机器视觉C/C++实现的纸病检测系统的研制[D]. 西安: 陕西科技大学, 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.

刘勇, 周强, 刘涛, 等. 基于FPGA的纸病检测预处理系统研制[J]. 中国造纸, 2013, 32(8): 46.

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

严辉. 基于FPGA的高速图像处理系统的研究[D]. 天津: 天津大学, 2004.

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

肖飞. 在线纸页缺陷检测技术研究[D]. 济南: 山东轻工业学院, 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.

古帅, 邱书波. 基于FPGA+DSP的纸张缺陷视觉检测系统的设计[J]. 中华纸业, 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.

亢洁, 史忠科, 杨刚. 基于CB形态滤波的形态学纸病检测方法研究[J]. 中华纸业, 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, 朱伟兴. 基于Otsu准则及图像熵的阈值分割算法[J]. 计算机工程, 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.

张学兰, 李军, 辛培红, 等. 边缘检测在纸病图像分析中的应用[J]. 造纸科学与技术, 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.

徐志鹏, 须文波. 基于小波奇异性的纸病检测[J]. 中国造纸学报, 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.

刘煜, 李言俊, 张科. 一种多像素图像边缘提取方法[J]. 光子学报, 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, 周强. 基于朴素贝叶斯分类器的纸病离线静态辨识方法研究[J]. 中国造纸学报, 2014, 29(1): 58.

(责任编辑：马忻)

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

周强先生，博士，教授；主要研究方向：智能信息处理技术。

2015-11-27(修改稿)

陕西省科技攻关项目(2016GY- 005)；陕西省项目统筹创新工程计划项目(2012KTCQ01-19)；陕西省科技攻关项目(2011K06- 06)；西安市未央区计划项目(201304)。

陈颖女士，E-mail:947000692@qq.com。

TS736

A

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

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