基于快速傅里叶变换和线性高斯的口罩检测系统及方法与流程

本公开涉及一种基于快速傅里叶变换和线性高斯的口罩检测系统及方法。

背景技术：

流行病大爆发期间，在未研发出有效的防御疫苗或抗病毒药物时，医用口罩在减轻疾病传播方面起着至关重要的作用，许多卫生局也提倡民众佩戴口罩以保证自己和他人的健康。近年来，经济与环境的矛盾日益激化，城市大气污染问题严重，人们对口罩的需要也日益增长，尤其对口罩的卫生品质的要求逐年提高。在中国，2013年口罩市场需求量为25.3亿人民币，到2015年高达39.2亿元。2014年3月21日，中国消费者协会公布的比较实验结果表明口罩防护水平合格率仅为24.3％。口罩作为直接与皮肤接触的防护用品，其品质与全人类健康息息相关，而口罩流水线的制作工艺也对检测效率提出了较高要求。因此，实现口罩的品质检测具有十分重要的现实意义。

由于口罩制作成本较低、流水线作业且卫生品质要求高，目前口罩检测主要依靠人工筛选为主。人工检测通过多工位反复检验来保证产品品质，具有灵敏度高、应用范围广等诸多优点，但该方法存在多重人为因素干扰，例如质检人员的工作经验、工作时长等，会严重影响产品品质的一致性和效率，同时企业为获得品质优良的产品需要雇佣经验丰富的工作人员，提高了企业的人力支出。因此，探索一种快速无损、准确稳定、成本低的检测方法，不仅是研究中一直备受关注的热点，也是口罩检测领域的迫切需求。机器视觉作为近几年炙手可热的研究方向，广泛应用于目标检测、运动轨迹捕捉、动作识别等多个领域，尤其是在监察和品质控制中的应用格外突出。视觉检测可以实现工作人员的远程非接触式操控，可将图像信息实时传送或同步处理，这不仅可以保证工业生产过程中员工的安全，还具有快速准确、无损和实时等的优势。目前，随着相机、镜头和光源等视觉相关硬件的不断革新，视觉检测技术作为一种新兴的快速检测方法成功的应用于工业生产的各个领域。hefele等利用高分辨率摄像机和机械臂末端执行机构实现了离线状态下，机械人的位姿测量，实验结果表明，视觉对机器人的定位精度优于3mm。savran等人应用视觉检测系统实现不同照明和反射结构的着色金属表面的缺陷测量，提出在gabor空间中训练高斯混合模型(gmms)用以建模无缺陷表面。因此视觉检测技术也逐步在卫生品质要求高的领域成为表面缺陷及尺寸测量的高性能工具。

技术实现要素：

为了解决至少一个上述技术问题，本公开提供一种基于快速傅里叶变换和线性高斯的口罩检测系统，以及采用该系统对口罩进行检测的方法，主要利用快速傅里叶变换、线性高斯和二维测量相结合的方法实现口罩尺寸测量和表面缺陷的实时检测，并将实验结果同步标注显示。

根据本公开的一个方面，基于快速傅里叶变换和线性高斯的口罩检测系统包括：

图像采集装置，采集待测口罩的图像；

读取装置，读取采集的待测口罩图像，以及读取口罩模板文件和靶标标定参数；以及

检测装置，基于读取结果，检测待测口罩尺寸、口罩耳带长度、口罩内铝条长度，口罩排牙缺陷，以及口罩表面污渍；

其中，检测装置通过快速傅里叶变换去除待测口罩图像上的背景压花纹理，基于去除了背景压花纹理的待测口罩图像信息，检测装置通过线性高斯算法检测口罩表面污渍。

根据本公开的至少一个实施方式，

检测装置包括滤波器；

滤波器用于消除背景压花纹理在频谱图中对应的频率峰值；

其中，频谱图为待测口罩图像经过快速傅里叶正向变换后得到。

根据本公开的至少一个实施方式，

检测装置用于检测包括点状结构污渍和线状结构污渍在内的口罩表面污渍；

检测装置检测口罩表面污渍的步骤包括：

检测组成线状结构污渍的点源；

连接点源；

测定线状结构的宽度；以及

消除非对称线状结构的误差。

根据本公开的至少一个实施方式，检测系统还包括：

建模装置，用于创建口罩模板，基于口罩模板进行靶标标定，保存口罩模板文件；

口罩模板是指：除耳带以外的口罩矩形模板。

根据本公开的至少一个实施方式，检测系统还包括：

评价装置，基于检测装置的检测结果，对待测口罩进行等级评价；以及

显示装置，显示检测装置的检测结果，以及显示评价装置的等级评价结果。

根据本公开的另一方面，基于快速傅里叶变换和线性高斯的口罩检测方法采用上述检测系统，检测方法包括以下步骤：

通过检测系统的图像采集装置采集待测口罩的图像；

通过检测系统的读取装置读取采集的待测口罩图像，口罩模板文件和靶标标定参数；以及

基于读取装置的读取结果，通过检测系统的检测装置检测待测口罩尺寸、口罩耳带长度、口罩内铝条长度，口罩排牙缺陷，以及口罩表面污渍；

其中，检测口罩表面污渍的步骤包括：

检测装置根据快速傅里叶变换去除所述待测口罩图像上的背景压花纹理；基于去除了背景压花纹理的待测口罩图像信息，检测装置根据线性高斯算法检测口罩表面污渍。

根据本公开的至少一个实施方式，通过快速傅里叶变换去除待测口罩图像上的背景压花纹理的步骤包括：

对待测口罩图像进行快速傅里叶正向变换获取频谱图；

在频谱图中检测背景压花纹理对应的频率峰值，消除频率峰值；

将消除频率峰值后的频谱图通过逆向快速傅里叶变换得到去除了背景压花纹理的待测口罩图像信息。

根据本公开的至少一个实施方式，

通过线性高斯算法检测的口罩表面污渍包括点状结构污渍和线状结构污渍；

通过线性高斯算法检测口罩表面污渍的步骤包括：

检测组成线状结构污渍的点源；

连接点源；

测定线状结构的宽度；以及

消除非对称线状结构的误差。

根据本公开的至少一个实施方式，检测方法还包括以下步骤：

判断检测系统中是否存在口罩模板文件，如果不存在，则开始创建口罩模板文件；

其中，创建口罩模板文件的步骤包括：

读取标准的口罩图像；

基于标准的口罩图像，选取除耳带以外的口罩的矩形部分作为口罩模板；

基于口罩模板进行靶标标定；

保存口罩模板文件。

根据本公开的至少一个实施方式，检测方法还包括以下步骤：

基于待测口罩尺寸、口罩耳带长度、口罩内铝条长度，口罩排牙缺陷，以及口罩表面污渍的检测结果，对待测口罩进行等级评价；以及

显示检测结果和等级评价结果。

附图说明

附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。

图1是根据本公开的至少一个实施方式的实验平台结构图。

图2是根据本公开的至少一个实施方式的一等品口罩图像及模板示意图。

图3是根据本公开的至少一个实施方式的靶标标定结果示意图。

图4是根据本公开的至少一个实施方式的口罩矩形部分尺寸检测结果示意图。

图5是根据本公开的至少一个实施方式的耳带长度和铝条长度检测结果示意图。

图6是根据本公开的至少一个实施方式的排牙缺陷检测结果示意图。

图7是根据本公开的至少一个实施方式的去除背景压花纹理效果示意图。

图8是根据本公开的至少一个实施方式的快速傅里叶变换去除背景压花纹理的具体操作图。

图9是根据本公开的至少一个实施方式的采用线性高斯算法提取污渍结果示意图。

图10是根据本公开的至少一个实施方式的检测方法流程图。

具体实施方式

下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。

本公开提供的基于快速傅里叶变换和线性高斯的口罩检测系统，以及采用该系统对口罩进行检测的方法，可以消除口罩的耳带和铝条非对称性结构的误差，克服两侧排牙孔小、口罩图像信息容易受到材料压花的影响等检测难点。首先利用可缩放模型匹配估算待测口罩的大致区域，再选用二维测量精确待测口罩的位置，随后结合阈值分割和亚像素轮廓提取排牙特征，最后通过快速傅里叶变换和线性高斯算法，去除背景压花纹理，检测口罩表面污渍，最终实现对口罩缺陷的快速全面检测。

在本公开的一个可选实施方式中，如图1所示，将四面可调光源、光电传感器、单轴分拣机器人和基于快速傅里叶变换和线性高斯的口罩检测系统共同组成实验平台，来对口罩(例如医用口罩)的外观缺陷进行检测。为确保检测过程不受环境光的影响，提高设备稳定性，将实验平台配置在暗箱中进行操作。

基于快速傅里叶变换和线性高斯的口罩检测系统包括图像采集装置、读取装置和检测装置。其中，图像采集装置，例如高清摄像机，用于采集待测医用口罩的图像。读取装置用于读取采集的待测医用口罩图像、口罩模板文件和靶标标定参数。检测装置根据读取装置的读取结果，检测待测医用口罩主体部分即口罩矩形部分的尺寸、耳带长度、口罩内铝条长度、口罩排牙缺陷，以及口罩表面污渍。

在本公开的一个可选实施方式中，基于快速傅里叶变换和线性高斯的口罩检测系统还包括评价装置和显示装置。通过评价装置可以设置口罩尺寸的标准值，并基于该标准值以及检测装置的检测结果对待测口罩进行等级评价。显示装置则可用于向用户显示检测装置的检测结果，以及评价装置的等级评价结果。

在本公开的一个可选实施方式中，读取装置在读取采集的待测医用口罩图像之后，将判断系统中是否存在口罩模板文件。如果已存在口罩模板文件，则直接读取。如果不存在，则自动进入创建口罩模板文件和靶标标定流程。图像建模区域及靶标标定结果直接关系口罩尺寸测量的精度。在创建口罩模板文件时，需要首先读取标准的口罩图像，例如，采用一等品口罩图像作为标准图像模板，如图2中上图所示。灰度阈值分割范围设定在32到183之间。由于口罩上的耳带形态变化大，不具有一致性，因此，在筛选连通域后，可以通过膨胀腐蚀运算去除口罩上耳带的干扰，仅选取口罩中心矩形部分作为模板，如图2中下图所示。根据矩形部分上铝条的位置判断口罩的上下沿，可以提高口罩角度检测准确率，从而优化口罩模板到待测品的转换矩阵。最后将口罩模板信息提前预存在根目录下，在检测时读取，提高检测效率。进行靶标标定时，首先需要选择标识符靶标，例如可以选用德国mvtec公司开发的标准机器视觉算法处理软件halcon13.0制作的9×9标识符靶标，其中标识符间间隔为0.01125米，标识符直径与标识符间距比为0.50，靶标厚度为0.60毫米，相机投影单个像元尺寸为5.86×5.86微米，焦距为8.00毫米。如图3所示为上述靶标在相机镜头下不同位姿的标定图片及其标定结果，包含摄像机畸变校正后的参数及其在xyz三个方向上的旋转平移分量，标定平均误差为0.5006像素，满足标定精度要求。

在本公开的一个可选实施方式中，读取装置对待测口罩图像、口罩模板文件和靶标标定参数读取完毕后，检测装置即可对待测口罩的矩形部分进行尺寸测量，并进一步对口罩耳带长度、口罩内铝条长度、口罩排牙缺陷，以及口罩表面污渍进行检测。

在本公开的一个可选实施方式中，检测装置可以先采用形状匹配粗略定位待测口罩矩形部分，如图4(a)所示，形状匹配结果显示待测口罩矩形部分的左侧出现了较明显的拟合误差，这不仅会影响口罩矩形部分长度方向上的偏差，还会导致左侧耳带长度计算值偏小。如图4(b)为计量模型转换到形状模型所在的参考系后，将测量区域垂直于边界的长度为15像素、厚度为5像素的校准板放置在口罩中心粗估的位置上，依据设定的边缘最小阶跃值，得到用于拟合矩形模型的边缘点，拟合几乎与口罩矩形边界完全贴合，具有较高的检测精度。最后结合靶标标定结果，将图像坐标系转换到世界坐标系下，提取口罩矩形部分的长度和宽度，如图4(c)所示，口罩矩形部分的长度为173.50mm，宽度为92.91mm。

在本公开的一个可选实施方式中，采用线性高斯算法进行边缘点提取是通过使用五个小掩模找到周围线点的局部搜索方法，可以提高运算效率。口罩内的铝条和口罩耳带的灰度满足线性高斯方法的检测限制，再加上检测效率的需求，因此，本实施方式优选线性高斯算法并结合特征提取、线宽选择等方法实现口罩耳带长度和铝条长度的检测。采用线性高斯方法可以准确拟合耳带和铝条曲线，并可以对线条缺失的情况做出相应判断，根据靶标标定结果，可以得到耳带和铝条的长度计算值，如图5所示。图5(a)为无铝条样本原图，图5(b)为无铝条样本图的铝条检测结果(显示无铝条)，图5(c)为无铝条样本图的耳带长度检测结果(显示左耳带长度178.86mm，右耳带长度179.28mm)。图5(d)为污渍样本原图，图5(e)为污渍样本图的铝条检测结果(显示铝条长度为104.81mm)，图5(f)为污渍样本图的耳带长度检测结果(显示左耳带长度179.60mm，右耳带长度183.01mm)。

在本公开的一个可选实施方式中，对口罩排牙进行检测时，同样可以选取阈值分割和连通域选择获取排牙的粗略位置，然后拟合排牙各个矩形的亚像素边界，分割边界线，连接垂直向的共线边界，将各个边界轮廓的等高线近似拼接在同一直线上。排牙矩形拟合再分割，可以有效降低口罩边缘的干扰，相对于常见的图像边缘提取算法具有更强的针对性。同时，等高线拟合直线是通过两两结合直至没有可连线的共线轮廓，因此轮廓不可重叠，这也决定了排牙矩形先拟合再分割的必要性。另外，通过调节亚像素轮廓间最大相对和绝对距离，将个别未检测出的排牙矩形的影响降到最低，从而提高排牙检测的适应性，检测结果如图6所示。图6(a)为排牙缺失样本原图；图6(b)为检测装置对排牙缺失样本图的检测结果，结果显示口罩矩形部分的长度为172.29mm，宽度为91.63mm；ng代表排牙缺失，口罩矩形的左右两侧边缘处未检测到排牙；左耳带长度190.21mm，右耳带长度185.77mm；铝带长度为101.71mm；图6(c)为无缺陷样本原图；图6(d)为无缺陷样本图的检测结果，结果显示口罩矩形部分的长度为172.94mm，宽度为92.62mm；good代表排牙无缺陷，口罩矩形的左右两侧边缘处检测到了合格的排牙；左耳带长度178.03mm，右耳带长度165.19mm；铝带长度为102.00mm。

在本公开的一个可选实施方式中，将快速傅里叶变换(fastfouriertransform，fft)与线性高斯结合完成口罩表面污渍检测工作。口罩表面无纺布产生的压花纹路，在强光源照射下，其纹路凹槽形成的暗斑会有效减弱，但口罩表面污渍也会随之特征减弱。权衡二者，优选将光源调节为中档，镜头光圈设置为f6。在此环境下，虽然凹槽特征得到抑制，但仍对污渍检测产生影响。因而，在污渍检测前，优选通过快速傅里叶变换先去除背景压花纹路。

傅里叶变换是基于频率分量来表征图片信息，从而可以有效克服环境杂光干扰，具有理想的噪声抗扰度、方向依赖性和周期特征增强等特性，可以实现对表面污渍、灰尘和磨损等信息的提取。在检测由规则压花的无纺布制成的口罩样本时，这种规则的凹凸表面在强光照射下仍容易形成斑驳暗点，造成口罩表面污渍的误判。但普通的二维傅里叶变换无法满足实时检测的效率要求。综合以上多方面因素，本实施方式优选快速傅里叶变换，该方法不仅具有传统傅里叶变换噪声干扰小、适用于提取规则图案的特点，还可以保证实时检测的效率需求。

快速傅里叶变换是傅里叶分析中的一种特殊的离散变换。传统的傅里叶变换是用简单三角函数之和近似表示一般函数，而快速傅里叶变换则是将时空域的数据转换为频域数据，其常用于信号处理领域，用来分析包含简单采样信号的频率。具体算法如下：

设f(x，y)是尺寸为m×n的原始图像，则有：

其中

由于快速傅里叶变换可逆，因此我们可将图像信息f(x，y)重新定义为：

其中

基于上述算法，采用快速傅里叶变换去除口罩背景压花纹理的步骤可以概括为：1)对待测口罩的原始图像信息进行快速傅里叶变换，得到频谱图；2)在频谱图中检测背景压花纹理对应的频率峰值；3)通过合适的滤波器消除上述峰值；4)将滤波后的频谱图通过逆向快速傅里叶变换得到去除规则背景压花纹理的口罩图像信息。

背景压花纹理的去除如图7所示，其中，图7(a)为待测口罩原图，图7(b)为背景压花纹理提取图，图7(c)为待测口罩原图的局部放大图，图7(d)为去除背景压花纹理后的局部放大图。背景的去除在灰度值梯度变化越快的地方去除效果越明显，即口罩边缘处变换最为明显。具体去除方法包括：将图像信息经过fft正向变换为频谱图，计算该复杂图像的功率谱图见图8(a)；经过窗口为9×9的二项式滤波器去除杂点，经由阈值分割和特征提取，筛选可能的背景元素，图8(b)所示为筛选结果；检测所有连通域的局部最大值并用凸点标记，选用能够覆盖全部凸点的最小四边形区域作为研究对象，如图8(c)所示，生成同性质的二维齐次变换矩阵；经过缩放和仿射变换得到所有局部最大值光斑，如图8(d)所示。在初始频谱图中去掉上述光斑后，经快速傅里叶反向变换即可得到去除背景压花纹理的图像信息。对比图7(d)与图7(a)，可以看出，压花纹理在一定程度上得到了抑制，尤其是在消除压花纹理产生的暗斑方面效果显著。

在本公开的一个可选实施方式中，在用快速傅里叶变换去除背景压花纹理的基础上，在频域中生成空间域滤波器主方向上标准偏差不同的两个高斯滤波器，通过做差建立滤波窗口。计算图像的实值快速傅立叶变换，并与上述滤波窗口卷积，经由快速傅里叶反向变换后确定灰度值范围，得到图片中最小灰度值和最大灰度值。

在本公开的一个可选实施方式中，基于去除了背景压花纹理的口罩图像信息对口罩表面污渍进行检测。口罩污渍包括污点等点状结构污渍，头发、黑线等线状结构污渍。污渍检测是口罩检测中的重要环节。针对线状结构污渍，传统的曲线结构提取算法是使用简单模型得到线结构，但是这种方法对于横向对比度低、周围环境杂乱的情况容易选中不需要的曲线。因此本实施例优选使用基于线结构和周围环境显式模型的线性高斯算法(linesguassalgorithm，lg)。线性高斯算法不仅可以返回亚像素精度的线结构位置，还可以以亚像素精度估计曲线(包含线点)的宽度，即可以同步完成点状结构和线结构污渍的检测。

在本公开的一个可选实施方式中，线性高斯算法包括以下步骤：1)检测组成线状结构污渍的点源；2)连接这些点源；3)测定线状结构宽度；4)消除非对称线结构偏差。具体算法如下：

假设待测线段为z(x)，是常见的类抛物线。由于曲线凹凸是通过z(x)在一阶导数为0处所对应的二阶导数的正负决定的，即z″(x)≥0时表示亮背景下的暗线条，而z″(x)≤0表示暗背景下的亮线条。但实际中由于受到噪声干扰，需要将图像信息与高斯平滑核的导数卷积来估计z(x)的一阶和二阶导数。同样的，上述理论也可拓展到棒状模型中，即棒状曲线fb(x)与高斯平滑核gσ(x)及其导数g'σ(x)和g”σ(x)卷积可以得到平滑函数：

r′b(x，σ，ω，h)＝g′σ(x)*fb(x)＝h(gσ(x+ω)-gσ(x-ω))式6

r″b(x，σ，ω，h)＝g″σ(x)*fb(x)＝h(g′σ(x+ω)-g′σ(x-ω))式7

其中，σ为高斯函数的宽度参数，控制了函数的径向作用范围；ω是线半宽；h是线高，式6的绝对值最大值和式7的零位可用于推算出线边缘的走向且有：

同理，二维曲线结构模型设为s(t)，其在垂直于线的方向上表现的特征与理想曲线fa类似，我们把这个方向定义为n(t)。为定义图像点的局部线方向，我们设置图像偏导数rx、ry、rxx和rxy，线结构z(x，y)第二个方向上的导数的最大绝对值即为n(t)，可由hessian矩阵的特征值和特征向量来确定：

像一维数组一样，将(tnx，tny)插入泰勒多项式中，用于消除当前像素中的第一个方向上的导数，即该点可表示为：

(px，py)＝(tnx-tny)式10

其中：

(nx，ny)第二个方向上的导数(即为最大特征值)用于选择线段。

在提取单独的线点后，需要将它们连成线，为提取线宽和消除非对称线偏差奠定基础。综上可得，每个像素的方向向量可由(nx，ny)＝(cosα，sinα)表示，线长可由α方向上的第二方向导数表示，亚像素位置可由坐标(px，py)表示。

消除非对称线的误差可以分为两个步骤：1)依据carstensteger的分析可得，a的真值可由图像中可观测值r量化，进而采用双线性差值可以有效的获取a的值；2)在边缘点出现多响应或两条线间距小的情况下，易出现vσ＜2且f^-1未定义的线点，此时采用差值分析处理的方式估算缺失点。通过线性高斯算法最终可以提取到待测口罩表面的污渍，如图9所示，图9(a)为待测口罩上的污渍处放大图，图9(b)为采用线性高斯算法提取污渍的结果，提取到的污渍包括口罩表面的点状和线状污渍。

在本公开的一个可选实施方式中，检测系统工作流程图，即采用上述的基于快速傅里叶变换和线性高斯的口罩检测系统对口罩进行检测的方法的流程图如图10所示，包括以下步骤：

1)通过图像采集装置采集待测口罩的图像；

2)通过读取装置读取采集的待测口罩图像；

3)读取装置判断检测系统中是否存在口罩矩形部分模板文件，如果存在，则直接读取口罩矩形部分模板文件和靶标标定参数；如果不存在，则通过建模装置创建口罩矩形部分模板文件，并完成靶标标定：读取标准的口罩图像；基于标准的口罩图像，选取除耳带以外的口罩的矩形部分作为口罩模板；基于口罩模板进行靶标标定；保存口罩模板文件；

4)基于读取装置的读取结果，通过检测装置检测待测口罩矩形部分的尺寸、口罩耳带长度和口罩内铝条的长度；

5)通过检测装置检测待测口罩是否存在排牙缺失的问题；

6)通过检测装置检测口罩表面存在的污渍：首先通过快速傅里叶变换去除待测口罩图像上的背景压花纹理；基于去除了背景压花纹理的待测口罩图像信息，通过线性高斯算法提取口罩表面的点状和/或线状污渍；

7)基于待测口罩尺寸、口罩耳带长度、口罩内铝条长度，口罩排牙缺陷，以及口罩表面污渍的检测结果，根据预设的口罩评价标准，通过评价装置对待测口罩进行等级评价；预设的口罩评价标准包括口罩尺寸参考值等；

8)通过显示装置向用户显示上述检测结果和等级评价结果。

下面举例说明采用上述检测系统及检测方法对待测口罩进行检测的结果。根据预设的口罩评价标准，评价装置将待测口罩分为一等品和二等品，并将一等品口罩分为三个批次，每个批次10个样本，同样地，将二等品口罩分为十个批次，每个批次10个样本。下表1和表2中分别罗列了第一批次的一等品和二等品样本的检测结果与尺寸参考值的绝对误差：

表1第一批次一等品样本检测结果

表2第一批次二等品样本检测结果

如下表3所示，在统计了所有一等品和二等品检测结果的基础上，综合分析了口罩矩形长宽、左右耳带长度和铝条长度的绝对误差、相对误差以及标准差，并对比了一等品和二等品的数据分析结果，从而评定仪器的检测精度、效率和适用范围，分析数据分布原因。

表3检测误差

基于上述检测结果可知，该检测系统对口罩长宽的平均测量精度为0.6875mm，对耳带长度的平均检测精度为2.6588mm，对铝条长度的平均检测精度为0.2450mm，基本验证了上述检测方法的可行性和模型的稳定性。基于快速傅里叶变换和线性高斯的口罩检测系统，在医用口罩的缺陷检测方面，具有快速(仅需1.3s/个)、便于操作并且基本不需要人工干预等优点，能够实现口罩矩形长宽、耳带长度、铝条长度的测量和排牙、污渍缺陷的提取。

综上所述，基于快速傅里叶变换和线性高斯的口罩检测系统及检测方法，具有实时性强、精度高、适应性强、可靠性高等特点，能够应用于多种软件环境下的口罩外观缺陷的视觉检测。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。