基于机器视觉的印刷品缺陷检测方法综述

文/河南工程学院化工与印染工程学院 李瑞娟

印刷品上不可避免地会存在印刷缺陷，国内印刷厂多用人工检测印品缺陷，但其主观性大、易疲劳、效率低，交货周期长。相比人眼检测，机器视觉检测具有永不疲劳、标准严格统一、不同产品差异化检测、检测效率高等优点。

一、印刷品缺陷概述

彩色印刷品在印刷过程中，由于受到外部环境以及印刷机械装置等因素的影响，会出现各种各样的缺陷，主要包括文字局部或全部漏印、划伤、污点、刀丝、色差等常见的印刷缺陷[1]。各种缺陷形状各异， 面积不一，位置不定， 因此很难对缺陷统一归类[2]。Seiji Hata等人于2002年首次将印品缺陷归为形状缺陷和颜色缺陷两种[3]。图1所示为常见的印刷品缺陷。

图1 印刷品缺陷示例

二、基于机器视觉的印刷品缺陷检测

基于机器视觉的印刷品缺陷检测系统工作时通过CCD对印刷品摄像，将获得的图像数据传递给计算机中的图像处理系统，系统对图像数据进行处理、分析和理解，检测印刷品缺陷的存在及其相关缺陷信息，实现对印刷品质量的在线控制，有效的提高印刷品合格率和生产效率。目前CCD获取印刷品图像后，检测缺陷的方法主要有图像处理法和图像识别法。

三、图像处理法

图像处理法的工作流程如图2所示。

图2 印刷品缺陷检测工作流程

日本的Katsuyuki Tanimizu于1990年提出一种基于索引空间的印刷缺陷检测方法，该方法检测效果较好但算法模型复杂因此没有得到广泛的应用[4]。法国的B．Mehenni于1993年提出了一种新的检测方法，该方法结合了逐像素比较法和n-tupe法，计算速度快且允许多参数输出，但它要求专门的硬件设备，应用性较差[5]。韩斌等提出了基于图像处理的印刷品缺陷计算机自动检测系统的设计，该系统能提取出小幅面印刷品缺陷图像[6]；章疏晋等人用图像金字塔综合了逐像素匹配和分区域匹配的优点，提出了针对精细印刷品缺陷检测的方案[7]；阮秋琦等通过动态阈值的设定，对一些像素点实现免检，以此缩短缺陷检测时间[8]。郭轩提出了一种针对彩色图像脉冲噪声的自适应混合滤波算法，有效的抑制了脉冲噪声同时又不破坏图像的细节，仿真结果表明该算法的良好效果[9]。

四、图像识别法

图像识别法是根据输入图像数据进行某些特征提取或者维数降低，然后将提取的特征或者降低维数的数据输入到分类器中进行印刷品图像分类。

（一）特征提取

特征提取有两种方法。第一种方法能够代表印刷品图像的完整信息，识别的精度高，但因数据量巨大， 识别速度慢。其研究重点就是在基本不降低识别精度的前提下，试图降低印刷品数据维数，提高图像识别速度。Xu等提出了基于核主成分分析的印刷品实时在线检测算法，且在此基础上对核主成分分析进一步优化，使算法在耗时和精度上都取得了很好的效果[10]。第二种方法提取印刷品图像的有效特征是研究重点。陈路研究了基于几何形状和纹理特征的印刷文字质量检测算法，基于神经网络的网点图像各色网点面积率识别算法和基于纹理的印刷图像质量检测算法[11]。

（二）分类器识别

分类器是检测印刷品有无缺陷和分类的重要依据。用于印刷品缺陷识别的分类器主要有神经网络、模糊模式识别和支持向量机等。

神经网络具有强大的学习分类以及大规模并行计算的能力，被广泛应用于印刷品缺陷的识别。英国埃克塞特大学的J.Luo 和Z.Zhang 提出了一种彩色印刷品缺陷检测算法，该方法首先进行光源校正，然后给在图像三维直方图上提取特征，最后使用人工神经网络对特征进行分类以判断印刷品是否存在缺陷[12]。有些印品缺陷与背景在灰度上接近，对比度低，没有明显边界，存在一定的模糊性，因此将模糊模式识别被用来检测印刷品缺陷。瑞典学者 Verikas 等人[13]提出了一种神经网络与模糊理论相结合的颜色缺陷检测与识别方法，并取得较好的效果。

支持向量机分类器以结构风险最小化为原则，具有很好的泛化能力，克服了传统算法中的维数灾难和过拟合现象。舒文娉等人提出了一种基于支持向量机的印品缺陷识别方法[14]，实验结果显示，该方法的识别准确率达到94%以上；杨洋结合了分类的思想和人眼视觉特性，采用SVM 学习的方法训练已知正负样本的差异 特征集和类别，然后判断检测样本是否存在缺陷[15]。深度学习的理念起源于人工神经网络，它可以利用低层特征，组合得到更为抽象的高层特征表示。深度学习的模型分类如图3所示。胡建园提出了一种基于CNN和RBM结合的深度学习方法，经过实验验证，此方法可以提高缺陷分类的准确性[16]。

图3 深度学习模型分类

五、总结及未来开展工作方向

总结目前印刷品缺陷检测的方法，得出以下结论：

（1）图像处理法大多数方法仅能检测有无缺陷，图像识别法不仅能够检测印刷品缺陷的存在性，同时还能对缺陷进行分类。

（2）神经网络泛化能力弱，因此缺陷的识别率不高。模糊模式分类器过度依赖模糊规则的制定，若规则不合适，严重影响缺陷分类的准确性，且在制定模糊规则时比较耗时，缺乏理论依据。支持向量机分类器以结构风险最小化为原则，具有很好的泛化能力，可以获得较好的缺陷检测和分类。深度学习可以提高印刷品缺陷的分类准确率，但目前研究的还很少。

结合目前印刷品缺陷检测现状，未来可从以下几个方向开展工作。

（1）目前缺陷检测方法大多是针对某些特定缺陷检测，且多数方法仅能检测有无缺陷，可以探索将图像处理法和图像识别法结合起来印刷品进行缺陷分类。

（2）随着深度学习的兴起，在很多领域已经有了很多研究且取得不错的成绩，印刷品缺陷和它们有很多相似处，因此可以将深度学习应用到印刷品缺陷分类中。

（3）可以将不均衡分类的算法结合印刷品缺陷训练样本自身不均衡的特点实现印刷品缺陷的分类。