基于特征点提取的毛巾标签缺陷检测方法
【技术领域】
[0001] 本发明属于工业自动化领域，涉及一种基于特征点提取的毛巾标签缺陷检测方 法。
【背景技术】
[0002] 近年来，随着政府牵头引导企业发起"机器换人"战略以来，越来越多的设计自动 化领域的公司和企业，针对所生产的产品或者工业工件的质量（是否存在缺陷）的所出现 的问题，研发出一套套基于计算机视觉和计算机辅助软件结合的流水线上自动检测系统， 大大降低了企业的人力物力财力，也极大地为企业节约了成本。在一些企业公司中，传统的 工件或者产品的缺陷检测主要依靠人眼辨认识别，效率及其低下，因此企业公司亟待依靠 创新技术来提高企业的竞争力，所以自动流水线缺陷检测系统的研制刻不容缓，为企业的 创新驱动提供新的发展动力。
【发明内容】
[0003] 本发明针对传统 SIFT (Scale Invariant Feature Transform 尺度不变性特 征转换）算法提取特征时不具备实时性的不足，采用0RB(0riented FAST and Rotated BRIEF基于快速角点检测算法和旋转BRIEF特征描述子）结合基于BRIEF (Binary Robust Independent Elementary Features二值鲁棒独立基础特征描述算法）特征提取法，对待测 图像和预先制作的模板图像进行配准，最后根据绝对差分算法对模板图和待检图进行绝对 差分，基于差分结果和根据经验值设置的门限阈值进性比较，由评价准则来评判标签是否 合格，是否达到一定的标准，从而实现缺陷的有效检测，此发明实时性检测效果良好。
[0004] 本发明解决技术问题所采取的技术方案为：
[0005] 步骤（1).制作标准标签模板图像，绝大多数情况下依据技术工人采用工业摄像 机对生产线上的标签进行采集图像处理，从采集到的所有图像中，遴选出觉得和所要达到 的标准模板图非常接近的图像。
[0006] 步骤（2).工业摄像机采集实时待检测标签图像（在线采集），技术人员由工控机 客户端实时操作进行控制。
[0007] 步骤（3).对实时生产线上采集到的待检测标签图像进行预处理操作。
[0008] 步骤（4).采用ORB特征提取算法提取标签模板图像和待检测图像的特征点。
[0009] 步骤（5).将提取到的标签标准模板图像和待检测图像的特征点进行特征点匹 配，采用LSH(Locality Sensitive Hashing局部敏感哈希）搜索算法搜索出最优化的匹配 的特征点对。
[0010] 步骤（6) ·对筛选出优化的特征匹配点对运用RANSAC (Random Sample Consensus 随机采样一致性算法）算法剔除错误匹配点。
[0011] 步骤（7).根据RANSAC算法剔除错误匹配点对后的匹配点对建立待配准图像与模 板图像的单应矩阵（Homography Matrix)，由8个参数构成单应矩阵，根据单应矩阵得到待 配准图像对模板图像的映射点，从而实现配准的结果，获得配准之后的图像。
[0012] 步骤（8).将待检测图像配准之后的图像和标准模板图像进行绝对差分运算，得 出差分结果，将此差分结果与预先设定的门限阈值进行比较，若差分结果超出此门限，则认 定所要检测的此标签产品为不合格品，为缺陷产品。
[0013] 本发明的有益效果：
[0014] (1)增强了毛巾标签缺陷检测的实时性，可以有效地实现在线检测，提高了检测精 确度和检测效率。
[0015] (2)同时对于系统所需要的稳定性也具备了，根据实验采用本发明能够将缺陷检 测率提高到96%以上。
【附图说明】
[0016] 图1毛巾标签缺陷检测流程图。
[0017] 具体的实施方式：
[0018] 以下结合说明书附图对本发明做进一步描述。
[0019] 依据说明书附图（1)，对实施步骤进行详细阐述：
[0020] 步骤（1).制作标准标签模板图像，绝大多数情况下依据技术工人采用工业摄像 机对生产线上的标签进行采集图像处理，从采集到的所有图像中，遴选出觉得和所要达到 的标准模板图非常接近的图像。
[0021] 实现毛巾标签缺陷检测最为关键的一个步骤就是制作模板图像的过程，一幅模板 图像的好坏直接关系到缺陷检测的结果，体现出十分重要的意义。现在在工业自动化领域 中一种基于统计平均法的制作模板的图像成为一种热点，但是其制作过程的复杂化和效率 低又让其大打折扣。假设在生产线上采集到N幅实时图像，用 gni(X，y)表示，m= 1，2,3,… N，每一次将得到的图像跟新到模板图像表示成fjx，y)，m = 1，2, 3,…N，那么采用一般的 统计平均法则为如下公式所示，
[0022]
[0023]
[0024] 然而在实际生产线上，标准模板图像的制作往往是靠技术人员的经验获得，依据 随机性，首先由工业摄像机采集大量的实时毛巾标签图像，由技术员从中挑选出其认为最 能充当的标准模板图像，依据的原则就是遴选出的图像与设计所达到的标准和要求的方面 绝大程度上一致。
[0025] 步骤（2).工业摄像机采集实时待检测标签图像（在线采集），技术人员由工控机 客户端实时操作进行控制。
[0026] 在毛巾标签检测流水线上，将工业用相机CO) (Charge-coupled Device电荷親合 元件）摄像机或者CMOS (Complementary Metal-Oxide-Semiconductor互补金属氧化物半 导体）牢牢固定在支架上，以减小摄像机可能在工作过程中产生的微小抖动，从而减少由 于机械振动而产生的噪声干扰，从而影响到最终的检测结果。对于采集到的实时图像信号 传递到工控机界面的客户端上，进行实时监控操作。
[0027] 步骤（3).对实时生产线上采集到的待检测标签图像进行预处理操作。
[0028] 尽管准备工作做得比较充分，但是不可避免地里面或多或少得掺杂进一些噪声， 尽管我们可以忽略不计，但是由于本发明所要求的精度非常高，所以为了进一步减小可能 潜在的噪声的影响，对待检测图像运用中值滤波的方法滤除噪声，对待检测图像进行高斯 平滑处理，以减少噪声的干扰。鉴于传统的中值滤波算法比较耗时，效率比较低下，本发明 针对此问题提出快速并行的中值滤波算法，使用本发明可以提高检测效率，并且速度方面 也可以提升，具有一定的实际生产意义。针对3 X 3中值滤波，假设3 X 3窗口内像素分布为 P(i，j)，i = 〇, 1，2, j = 0,1，2 ;具体步骤如下：
[0029] 第一步，将窗口中的每一列像素值分别计算出最大值，中值和最小值，因为有3 列，这样就得到了 3组数据：
[0030] 最大值组：MaxO = max [P (0, 0)，P (1，0)，P (2, 0)]，
[0031] Maxl = max [P (0, I), P (I, I), P (2, I)],
[0032] Max2 = max [P (0, 2)，P (1，2)，P (2, 2)](其中 max 代表取最大值函数）
[0033] 中值组：MedO = med[P(0,0)，P(l，0)，P(2,0)]，
[0034] Medl = med [P (0, I)，P (1，I)，P (2, I)]，
[0035] Med2 = med[P(0,2)，P(l，2)，P(2,2)](其中 med 代表取中值函数）
[0036] 最小值组：MinO = min [P (0, 0)，P (1，0)，P (2, 0)]，
[0037] Mini = min [P (0, I)，P (1，I)，P (2, 1)]，
[0038] Min2 = min [P (0, 2)，P (1，2)，P (2, 2)](其中 min 代表取最小值函数）
[0039] 第二步：由这三组数据可以得出，在最大值组中的最大值与最小值组中的最小值 一定是窗口中9个元素的最大值和最小值，不可能为中值，因此留下7个元素比较；而在中 值组中的最大值至少会大于5个元素，中值组中的最小值至少要小于5个元素，不可能为中 值，由此剩下5个元素比较；又有在最大值组中的中值也是至少大于5个元素，而最小值组 中的中值至少小于5个元素，也不可能为中值，最后只剩下3个元素进行比较，即为：
[0040] 最大值组中的最小值 Maxmin = min [MaxO, Maxi, Max2]，
[0041 ]中值组中的中值 Medmed = med[MedO, Medl, Med2]，
[0042] 最小值组中的最大值 Minmax = max [MinO, Mini, Min2];
[0043] 第三步：最后在最终要比较的3个元素中找出中值即为9个元素中的中值，即 med[Maxmin, Medmed，Minmax]〇
[0044] 适当的可以采用数学形态学结合的方法用来消除那些孤立噪声，而采用数学形态 学的过程中所需要用到的腐蚀模板（结构元素）则要根据实际状况手动而定。如果毛巾标 签中所含有的文字图像的大小一致的话，则整幅图像采用统一的结构元素；如果毛巾标签 中含有的文字图像的大小差别比较大的话，则可以采用分割图像分别采用不同结构元素进 行形态学变换的方法。
[0045] 步骤（4).采用ORB特征提取算法提取标签模板图像和待检测图像的特征点。
[0046] 局部不变特征检测算子ORB检测特征点采用的是FAST角点检测算子，针对FAST 角点算子在检测特征点时出现的边缘响应和不产生多尺度的缺点，ORB对此作出了改进。 ORB算法引进了 FAST算法提取局部特征点的Harris角点，按照角点值大小排序，由特征点 的数目保留角点值较大的前面N个特征点，从而去除特征点边缘响应。ORB算法和SIFT算 法一样，需要建立多层金字塔，在每层金字塔图像中提取特征点，从而获得尺度信息，用于 建立描述符。ORB通过计算FAST特征点邻域强度中心确定方向参数，计算出图像区域的邻 域矩，由邻域矩得出圆形邻域质心以及特征点与质心夹角定义为FAST特征点的方向。得 到了特征点之后，需要对特征点进行描述，ORB采用BRIEF描述符算法对特征点进行描述， BRIEF算法是通过待描述特征点邻域内相对较少量的像素灰度对比来表达。不过BRIEF对 于噪声比较敏感，所以在ORB中对每个二进制描述符在31X31像素邻域中选择5X5像素 窗口，减小噪声干扰。根据ORB得出的特征点方向参数，为了让能实现不同特征点描述子的 匹配，需要将特征描述子赋予方向，并与特征点方向保持一致。之后ORB经过贪婪算法找到 相关性较低的描述子对，取256个作为特征描述子。
[0047] 步骤（5).将提取到的标签标准模板图像和待检测图像的特征点进行特征点匹 配，采用LSH搜索算法搜索出最优化的匹配的特征点对。
[0048] 对得到的描述符采用局部敏感哈希算法查找，使用汉明距离筛选出最合适的匹配 结果对。汉明距离是针对基于二进制描述子的计算距离函数，采用的是异或运算的原理。假 设已经生成了模板图像和待检测图像的