[发明专利]一种针对模糊成像环境的印刷品缺陷检测方法

说明书

一种针对模糊成像环境的印刷品缺陷检测方法，本发明涉及印刷品缺陷检测技术。为了解决缺陷检测任务中复杂环境和镜头畸变所导致的误检和漏检问题。基于机器视觉的表面缺陷检测技术被广泛应用，然而高精度的印刷产品表面缺陷检测依赖于高质量的图像。在目标快速移动、相机摇晃、失焦等影响下，相机捕捉的图像会有一定程度的模糊和失真，从根本上阻碍了印刷品缺陷检测精度的提升。本发明提出一种针对模糊成像环境的印刷品缺陷检测方法。实验表明，该方法可以有效地提升图像的清晰度和缺陷检测的鲁棒性，减少复杂环境和镜头畸变所导致的误检和漏检情况。本发明主要应用于模糊成像环境的印刷品缺陷检测。

技术领域

本发明涉及印刷品缺陷检测。

背景技术

近年来，包装印刷工艺在不断地进步和发展，人们对印刷品品质的要求从最初的简洁大方到如今的美观高档。通过质检员对产品外包装进行缺陷检测的传统方法存在很多弊端：受个人的主观意识影响大，生产效率低下，人力成本高，漏检率高。为了提高检测质量，检测人员使用色差仪、密度计、偏光应力仪等仪器对产品外包装进行缺陷检测。但印刷品缺陷种类繁多、情况复杂，颜色失真、错位漏印、针孔黑点、文字模糊等都是印刷过程中经常出现的缺陷。借助手持仪器的方法无法满足实际生产中大批量、高速度、智能化等需求。机器视觉技术可以克服传统印刷品缺陷检测方法所存在的弊端，当检测装置投入生产线运行后，能够长期执行标准化、自动化的流水线工作，从而极大地减少人力资源，降低企业的生产成本。

复杂工业环境下的图像清晰化处理是计算机视觉中的一个重要任务。高精度的印刷产品表面缺陷检测依赖于高质量的图像，在目标快速移动、相机摇晃、失焦等影响下，相机捕捉的图片会有一定程度的失真，从根本上阻碍了印刷品缺陷检测的精度提升，严重影响计算机视觉应用。传统的图像清晰化技术采用高斯混合模型、低秩估计、字典学习等技术。虽然能够取得一定效果，但是由于目标快速移动、相机摇晃、失焦等影响因素在图像中表现为多方向、多密度、多类别，简单地使用传统方法难以建模图像中的复杂影响因素。因此，传统技术在复杂的工业环境中降低了其原有的性能。

随着深度学习的广泛应用，卷积神经网络已应用于图像去模糊。传统的方案需要先估计模糊核再来做模糊图像复原工作，且估计过程对噪声敏感，易产生振铃现象。而后产生了大量基于深度学习的端到端模型去重建模糊图像，解决了未知运动类型去模糊问题，且在不同任务中存在一定的泛化能力。本发明提出一种针对模糊成像环境的印刷品缺陷检测方法，以有效提高复杂工业环境中印刷品缺陷检测的准确性。同时利用马尔可夫随机过程增强训练数据集，减少模型对数据量的需求。将深度学习与传统机器学习方法相结合的模式应用于实际工业应用中，提高了印刷品缺陷检测的鲁棒性。

发明内容

本发明的目的是为了解决缺陷检测任务中复杂环境和镜头畸变所导致的误检和漏检问题，从而提出一种针对模糊成像环境的印刷品缺陷检测方法。

上述发明主要流程分成两个阶段：一阶段是建立模板；二阶段是缺陷检测。

一阶段主要是通过以下技术方案实现的：

S1、采集不同印刷图案的清晰图像和模糊图像对，制作训练数据集；

训练数据集由基础数据集和增强数据集构成，通过高帧率相机获取到不同印刷图案的清晰图像与模糊图像对，作为基础数据集；随机选取一组不同印刷图案的清晰图像进行数据增强，作为增强数据集，数据增强的具体方法包括以下步骤：

S1-1.利用马尔可夫随机过程生成随机轨迹矢量，再将亚像素插值应用于轨迹矢量来生成模糊核；

每个轨迹矢量都是一个复数矢量，对应着一个连续域中的二维随机运动物体的离散位置，轨迹生成由马尔可夫过程完成，轨迹中每个点的位置是基于先前点的速度与位置、高斯扰动、脉冲扰动和确定性惯性分量而随机生成的，轨迹矢量的公式如下：