本发明涉及缺陷检测，尤其涉及一种基于机器视觉和改进模板匹配的印刷缺陷检测方法。
背景技术：
1、工业产品表面缺陷检测一直以来都是研究的热点，广泛的存在于各种工业生产当中，例如印刷行业。首先，从印刷缺陷检测现状来看，目前大多数制造企业仍然依赖于人工检测，这种方式存在着很大的局限性。该方法目是为了替代人工检查，自动在产品表面检测定位类似于划痕，裂缝，灰尘，油墨等缺陷。
2、使用机器视觉进行表面缺陷检测一直是印刷行业关注的焦点，特别是在印刷品质量控制方面。传统的利用机器视觉进行印刷品缺陷检测方法基于模板匹配的思想，该方法在新提出的专利中得到了进一步的应用和优化。
3、在印刷品生产中，模板匹配技术被广泛用于检测表面缺陷，如划痕、墨斑、缺印、漏印等。该方法的主要思想是事先定义好缺陷的模板，然后通过与实际印刷品进行比对，找到与模板匹配的区域，从而实现缺陷的检测和定位。相比于深度学习等复杂方法，模板匹配方法具有计算简单、实时性强的优点，尤其适用于印刷行业对快速检测的需求。
4、然而，现有的模板匹配方法在应对复杂多变的印刷品缺陷时仍存在一些挑战。例如，印刷品的缺陷类型和形状各异，模板的设计和优化相对困难。此外，由于印刷品在生产过程中存在一定的变形和变化，传统的模板匹配方法可能对位置和形变敏感，导致检测的准确性下降。
5、新提出的专利通过创新性地应用改进的模板匹配技术，针对印刷品缺陷的多样性和变形问题进行了有效的解决。专利中采用了一种基于用户要求高度定制适应模板匹配算法，能够动态调整模板匹配时对抖动、偏移、旋转的敏感程度，以适应不同条件下的印刷品缺陷；且引入了针对对比图像的高度定制评分系统，以减少当输入对比图像与模板差异过大时导致匹配时间过长的缺陷，使其更加适合于对于检测时间敏感且需要持续运行的印刷行业。这一方法的独特之处在于，它在保持模板匹配速度的同时，提高了对复杂印刷品缺陷的检测准确性和鲁棒性。
6、在未来的印刷品质量控制领域，基于此改进模板匹配的方法将继续发挥重要作用。除了印刷行业，该方法还可在玻璃、纺织等其他领域的表面缺陷检测中得到广泛应用。新提出的专利不仅提供了一种高效而精确的印刷品缺陷检测方法，也为模板匹配技术在工业生产中的应用提供了新的思路。
技术实现思路
1、针对现有技术不足，本发明提供一种基于机器视觉和改进模板匹配的印刷缺陷检测方法，包括以下步骤：
2、步骤1：母版图像预处理。首先获取母版图像，将母版图像进行二值化，填充二值化后的图片，并对填充的区域进行凸包变换。
3、母版图像进行二值化以完成图像中特征点与背景的脱离，并确认需要比对的范围。二值化的基本思想是，用一个阈值将图像中的数据分为两类，一类中图像的像素点的灰度均小于这个阈值，另一类中的图像的像素点的灰度均大于或等于该阈值。二值化的基本思想是，用一个阈值将图像中的数据分为两类，一类中图像的像素点的灰度均小于这个阈值，另一类中的图像的像素点的灰度均大于或等于该阈值。在此步骤中引入自适应阈值，下面是自适应阈值的详细解释：
4、在进行图像阈值化操作时，重点在于从二值化图像中分离目标区域和背景区域。然而，仅通过设定固定的阈值往往难以实现理想的分割效果。对于不同母版的分离效果也不是很好
5、一般二值化分割时采用的是全局阈值，即整幅图像采用同一个数作为阈值。然而，这种方法并不适用于所有情况，特别是当同一幅图像上的不同部分具有不同亮度时。为了解决这个问题，我们引入了自适应阈值。自适应阈值化计算过程总体上来说是为每一个像素点单独计算的阈值，即每个像素点的阈值都是不同的。
6、(1)提取拓扑结构单元并数值化处理，得到数据集pm*n,其中m为横向单元数，n为纵向单元数，数据集p(i,j)为单元值，取值区间为[0,1]；
7、(2)基于otsu最大类间方差法确定初始阈值，减少后续计算次数：
8、(3)区间离散化灰度分布函数，根据histogram函数确定均匀宽度值，实现整体数据集的最优划分；
9、(4)依据整体灰度值约束建立自适应阈值计算公式，求解得出阈值算子t；
10、(5)通过全局阈值算子t对灰度图像数据作处理，即在灰度级数x高于算子t时置为目标区间上限b,在灰度级数x低于算子t时置为目标区间下限。根据拓扑结构实际灰度范围选择a＝0,b＝1。
11、对于连续型灰度直方图分布函数，满足灰度约束的计算公式：
12、
13、其中：x为灰度图像单位像素所在的取值范围；t值为自适应阈值取值；为拓扑优化体积约束条件。
14、由于实际图像存在最小化像素点，因此根据数据图像实际单元灰度像素阶跃性，对灰度直方图分布函数做离散化处理，经过离散化处理后，满足灰度约束的计算公式:
15、
16、其中：r为离散灰度函数满足约束最近点；bin值为选取的离散集合均匀宽度，依据histogram函数取得近似值；t值为满足实际约束的自适应阈值取值。
17、这时，阈值是根据图像上的每个小区域计算的，与其相对应。因此，同一幅图像上的不同区域采用不同的阈值，从而在亮度差异较大的情况下能够获得更好的分割结果。
18、适当对填充区域进行肿胀，防止对于边缘不规则的图像的检测出现误差。依据上述步骤得到的最终结果切割图片，获得图像中感兴趣部分，即需要对比的区域。
19、步骤2：母版特征提取。感兴趣区域中的各个特征经过上述变换可以独立于背景区分。
20、将特征区别于背景时使用了图像边缘提取方法。边缘提取通过边缘增强算子，突出图像的局部边缘，定义强度在对其进行图像降噪以及填补边界形成完成的封闭区域线段。本方法中所使用算子为canny算子，基于信噪比准则，信噪比越大，所提取的特征点边缘质量越高。信噪比定义如下：
21、
22、式中，g(x)代表边缘函数，h(x)代表宽度为ω的滤波器的脉冲响应；σ代表着高斯噪声的均方差。
23、基于定位精度准则，给出边缘精度定义如下：
24、
25、式中，g′(-x)和h′(x)分别表示g(x)和h(x)的导数，l越大代表定位精度越高。
26、基于单边边缘响应精度准则，为了保证一条线段单边缘只有一个响应，检测算子的脉冲响应导数的零交叉点平均距离边缘提取应满足：
27、
28、canny边缘检测算法结合了三个准则，通过优化检测算子设计，得到一个最优的检测模板。在这个基础上，该算法通过一系列步骤实现了高效的边缘检测。首先，利用2d高斯滤波模板进行卷积，对图像进行平滑处理，以减少噪声，使后续的边缘检测更加稳定。接着，通过微分算子计算图像的梯度幅值和方向，揭示了图像中变化最剧烈的区域，即潜在的边缘位置。随后，进行非极大值抑制，遍历图像，将非极大值的像素值置零，从而保留梯度方向上的边缘。最后，通过双阈值算法检测和连接边缘，确定高于高阈值的像素为边缘，低于低阈值的像素为非边缘。对于介于两者之间的像素，考虑其邻接像素是否存在高于高阈值的边缘像素，以最终确定边缘。canny边缘检测算法通过这些步骤，能够有效地捕捉图像中的边缘信息，同时对噪声进行抑制，提高了边缘检测的准确性和稳定性。
29、最后计算区域中特征的中心点与面积，计算每个独立特征区域的位置与面积，并画出特征区域轮廓。此时不断重复绘制特征区域直到所有的特征都被标记完成。
30、步骤3：建立对比模板。生成一个变换矩阵，将上述特征有关量转化为矢量，并将其参数存入该矩阵。矩阵覆盖原母版图像，产生可变换比较模板，用于后续的对比。
31、步骤4：调整对比精度。将上步中产生的可变换比较母版根据实际运行情况，依据实际生产对于精度的要求，调节对比过程中允许的误差，包括：旋转角度，缩放比例，忽略过小的误差等。
32、步骤5：筛选对比图像。通过匹配模板，将对比图像进行大致的评分。评分标准基于改进模板匹配的方式，通过在图像中寻找非几何缩放目标来进行比较。这一评分标准主要考虑匹配角度、金字塔层数和贪婪度三个关键方面。
33、匹配角度的考虑在于确保对图像轻微抖动和错位具有一定的容忍度。金字塔层数的概念是将图像按分辨率拆分成不同层，层数越多，匹配速度越快。当输入图像质量较差，例如失焦、变形或受噪声影响，导致边缘信息丢失或变形时，通常在最低金字塔层难以找到匹配目标。然而，在更高的金字塔级别上有更大的可能性找到边缘信息。
34、贪婪度代表着启发式的搜索模式，决定了对模板中特征点及其周围的查找范围大小。这三个因素共同确保评分标准在考虑图像抖动和错位的同时，在不同分辨率和复杂度的情况下都能够有效地进行模板匹配。若评分与标准母版差异过大则直接终止程序，通知因差异过大导致匹配不成功；若评分在合理区间内，则再进行详细的特征比较绘制步骤。
35、步骤6：绘制对比图像的特征点。将比较模板的特征点于对比图像上进行比较，按照特征的轮廓逐步绘制，若出现错误特征区域则用红色线条标出，若匹配正确则用绿色线条标出。通过母版进行验证比对主要通过引入sobel边缘检测算子。其检测原理如下：
36、sobel边缘检测算子根据预先给定的阈值进行待测图像分割，以便获得待测图像的边缘信息，如果待测图像函数为(x,y),则其梯度可以表示为
37、
38、上式中：gx、gv分别表示水平和垂直方向的梯度，梯度方向指向函数最大变化率方向，其向量的方向角和幅值可以用式表示：
39、
40、由上述可知sob算子模型是将待测图像进行水平和竖直方向上的模板算子与待测图像进行卷积，然后对合成梯度值进行检测。
1.一种基于机器视觉和改进模板匹配的印刷缺陷检测方法，其特征包括如下步骤：
2.根据权利要求1所述的基于机器视觉和改进模板匹配的印刷缺陷检测方法，其特征在于：步骤1所述对输入的母版图像进行预处理，其核心思想在于对母版图像进行二值化以完成图像中特征点与背景的脱离，并确认需要比对的范围。二值化的基本思想是，用一个阈值将图像中的数据分为两类，一类中图像的像素点的灰度均小于这个阈值，另一类中的图像的像素点的灰度均大于或等于该阈值。在此步骤中引入自适应阈值，下面是自适应阈值的详细解释：
3.根据权利要求1所述的机器视觉和改进模板匹配的印刷缺陷检测方法，其特征在于：步骤2、3对于特征提取与模板建立时，主要是使用了图像边缘提取方法。边缘提取通过边缘增强算子，突出图像的局部边缘，定义强度在对其进行图像降噪以及填补边界形成完成的封闭区域线段。步骤2中所使用算子为canny算子，基于信噪比准则，信噪比越大，所提取的特征点边缘质量越高。信噪比定义如下：
4.根据权利要求1所述的基于机器视觉和改进模板匹配的印刷缺陷检测方法，其特征在于：步骤5中对于对比图像的评分标准基于通过模板在图像中寻找没有几何缩放目标的方式。主要由三个角度决定：匹配角度、金字塔层数、贪婪度。
5.根据权利要求1所述的基于机器视觉和改进模板匹配的印刷缺陷检测方法，其特征在于：步骤6的通过母版进行验证比对主要通过引入sobel边缘检测算子。其检测原理如下：
