[发明专利]一种印刷字符缺陷定位方法

说明书

本发明涉及一种印刷字符缺陷定位方法，属于视觉检测技术领域，通过仿射变换生成缺陷图像集，将缺陷图像集中不同图像随机区域置为白色形成训练图像集；将缺陷图像集与训练图像集的对应图像相减，通过将对应图像中相同区域像素被置和不同区域像素重置形成对应的标签图像集；将缺陷图像集与标签图像集输入神经网络模型中对样本进行训练，待训练完成后将模型固化导出用于字符缺陷预测，通过预测结果确定所述字符缺陷图像的实际缺陷。在扭曲等放射变换情况下也能够快速检测印刷字符少墨、缺失、漏印缺陷，模拟生产线上的字符印刷过程，不受限于固定模板，能够在图像扭曲、平移等各种不利条件下实现印刷字符少墨、缺失、漏印缺陷的准确检测。

技术领域

本发明属于视觉检测技术领域，具体涉及一种在扭曲等放射变换情况下印刷字符缺陷(少墨)的定位检测方法。

背景技术

在工业印刷机对产品外包装、产品说明书等相关印刷品上的印刷字符批量印刷过程中，字符缺失和漏印等问题对印刷质量带来了严重的质量影响。如何提高字符印刷质量以及提高字符缺陷定位精度对机器视觉技术提出了严峻考验。传统的模板匹配技术可以快速实现印刷字符的缺陷(缺失或漏印)定位，如图3所示的英文字符Tensorflow以及中文字符深度学习中，在平面情况下，字母“e”和汉字“习”的少墨缺陷，模板匹配方法能够很清晰识别字符，但其算法需要基于已有固定的模板。但是在工业加工流水线上，若待检测字符与已有模板之间带有位置偏差或者存在一定的仿射变换（包括图形任意倾斜、扭曲、旋转等仿射变换）时，传统模板匹配算法由于只能基于固有模板，则无法适应变换后的图像，检测结果一般如图4所示，在扭曲情况下发生错位和重影等与原有图形之间的偏差，特别是对于汉字印刷缺陷的识别误差更大，因而便不能发挥准确的检测优势。

发明内容

本发明要解决的技术问题是，针对印刷字符存在的少墨、缺失或漏印缺陷以及字符印刷过程中存在的扭曲、旋转等仿射变换造成与原有图形之间偏差，本发明提供了一种印刷字符缺陷定位方法，能够用于检测多位姿下的印刷字符少墨、缺失或漏印缺陷，提高印刷字符缺陷定位精度，改善字符印刷质量。

为解决上述技术问题，本发明采用如下技术问题：

一种印刷字符缺陷定位方法，其特征在于包括如下步骤：

（1）模拟生产线上的字符印刷过程，通过仿射变换生成不同的缺陷字符图像样本，形成缺陷图像集Image_Set；

（2）模拟字符缺陷或少墨现象，将缺陷图像集Image_Set中不同图像中随机区域设置为白色，将对应形成的图像集命名为训练图像集Train_Set；

（3）将缺陷图像集Image_Set与训练图像集Train_Set的对应图像相减，通过将对应图像中相同区域像素被置和不同区域像素重置来对缺陷类型进行标记，形成对应的标签图像集Label_Set；

（4）构建基于缺陷图像的神经网络模型，所述神经网络模型包括特征提取网络以及特征预测网络；将缺陷图像集Image_Set与标签图像集Label_Set输入所述神经网络模型中对样本进行训练，待训练完成后将模型固化导出为model.pb；

（5）获取字符图像并输入所述神经网络模型，并调用model.pb文件进行缺陷预测，通过预测结果确定所述字符缺陷图像的实际缺陷，预测结果中0指代背景区域，1指代缺陷区域。

上述方案中，步骤（1）图像软件随机生成字符图像，将生成的所述字符图像进行不同程度的扭曲、旋转、平移、仿射变换得到m幅缺陷字符图像样本以构成缺陷图像集ImageSet；所述缺陷字符图像样本为RGB三通道图像，且图像尺寸为[m,n,3]，m对应单幅图像的长，n对应单幅图像的宽。

上述方案中，步骤（1）和步骤（5）的所述字符图像至少包括英文字符和中文字符中的一种。