一种基于人工智能的印刷品缺陷检测方法与流程

1.本技术涉及图像传输领域，具体涉及一种基于人工智能的印刷品缺陷检测方法。


背景技术：

2.在进行印刷品缺陷检测时，一般通过两个平行滚轮转动带动纸张移动，在纸张正上方放置一个快拍相机采集纸张上印刷图片，通过将采集的图品中印刷信息与底版信息匹配来判断印刷品是否存在印刷缺陷。然而这种检测方法会存在滚轮设备的波动或张力变化导致纸张的松弛变形，该现象会造成不同纸张区域印刷纹理的产生不同程度压缩变形，这种型变会被误检成缺陷，降低了印刷品缺陷检测精度，常规的印刷品缺陷检测没有考虑速度波动或纸张张力影响下造成的形变影响，直接进行缺陷检测，使得纸张松弛造成的形变被误检成缺陷。


技术实现要素：

3.本发明提供一种基于人工智能的印刷品缺陷检测方法，解决印刷品缺陷检测没有考虑速度波动或纸张张力造成误检的问题，采用如下技术方案：分别获取纸张印刷品灰度图像和印刷品底版灰度图像；获取印刷品灰度图像和印刷品底版灰度图像中相邻两行之间相互匹配的关键点，利用印刷品灰度图像中相邻两行之间关键点的向量和印刷品底版灰度图像中对应相邻两行之间关键点的向量获得印刷品灰度图像中每一行纹理形变量；利用印刷品灰度图像中每一行纹理形变量获取每行纹理的形变量误差值；利用每行纹理的形变量误差值对印刷品图像中每行的纹理进行形变修正，对修正后的印刷品图像进行缺陷检测。
4.所述每一行纹理形变量的获取方法如下：通过角点匹配获取印刷品灰度图像和底版灰度图像中对应的关键点；通过等间距平行线将印刷品灰度图像和底版灰度图像划分多个行；分别在印刷品灰度图和底版灰度图中，将每相邻两行中，行一内的每个关键点和行二中与其距离最近的关键点组成一个纹理；将每个纹理中位于行二内的关键点的坐标，减去位于行一内的关键点的坐标，得到该纹理的向量；将该纹理在印刷品灰度图中得到的向量和该纹理在底版图像中得到的向量相减，得到该纹理的形变量；以每相邻两行作为一个纹理行，得到每一行纹理形变量。
5.所述每行纹理的形变量误差值的获取方法为：构建纹理形变量规律函数：
式中，为纹理的形变规律函数，k=1,2,3,...,m，m为行数，为第k行纹理的形变量方程，表示第k行纹理的形变量的最大类别均值，为第k行纹理的形变量参数权重，为第k行纹理的形变量误差值，该函数约束条件为，其中，为单位横向向量；初始随机设定印刷品灰度图中每行纹理的形变量误差值，得到形变量误差值序列；根据形变量误差值序列拟合出每行纹理的形变量方程，获得第k行纹理拟合的形变量，即函数值；此时得到只含有未知量的纹理形变量规律函数；利用梯度下降法更新形变误差值序列，重复上述步骤，获得形变量规律函数，直至形变量规律函数收敛时，得到最优解，计算出；所述每行纹理的形变量的最大类别均值的获取方法为：对第k行纹理的形变量进行密度聚类，然后筛选出最大类别的纹理形变量集合并求出该集合的期望，该期望值为。
6.所述每行纹理的形变量参数权重的计算方法为：式中，为第k行纹理的形变量参数权重，k=1,2,3,...,m，m为灰度图中行数，为第k行纹理最大类别形变量的分布离散度，为第t行纹理的形变量分布离散度，计算方法与一致。
7.所述每行纹理最大类别形变量的分布离散度的计算方法为：式中，为第k行纹理最大类别形变量的分布离散度，为第k行纹理中第i个纹理的形变量，表示第k行所有纹理点进行密度聚类后最大类别的形变量的均值，为第k行纹理中纹理的数量所述每行纹理的形变量方程的获取方法为：将形变量误差值序列中每行纹理的形变量误差值和每行纹理的形变量的最大类别均值相加，得到每行纹理的标准形变量；获取每行纹理的标准形变量组成的标准形变量序列，计算序列中每个向量元素的
模长，得到模长序列；以纹理行序列为自变量，模长序列为因变量，利用最小二乘法拟合出形变量方程。
8.所述对每行的纹理进行形变修正的方法为：将每行纹理中的每个纹理的形变量与每一行对应的纹理的形变量误差值相加，实现对每个纹理的形变修正。
9.所述对修正后的印刷品图像进行缺陷检测的方法为：利用dnn方式对修正后的印刷品图像中存在的印刷缺陷进行定位。
10.本发明的有益效果是：通过分析形变规律来消除检测时由于纸张、相机相对运动不一致造成的形变干扰，进而提高印刷品的缺陷检测精度。
附图说明
11.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
12.图1是本发明的一种基于人工智能的印刷品缺陷检测方法的流程示意图；图2是本发明的一种基于人工智能的印刷品缺陷检测方法的使用场景示意图；图3是本发明的一种基于人工智能的印刷品缺陷检测方法的形变纸张示意图；图4是本发明的一种基于人工智能的印刷品缺陷检测方法中纹理示意图。
具体实施方式
13.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
14.本发明的一种基于人工智能的印刷品缺陷检测方法的实施例，如图1所示，包括：步骤一：分别获取纸张印刷品灰度图像和印刷品底版灰度图像；该步骤的目的是处理印刷品图像排除透视形变的影响。
15.本实施例的使用场景如图2所示，通过两辊轮转动拖动印刷纸移动，在印刷纸正上方设置一个快拍相机采集印刷品图像，通过比对印刷品图像与底版信息的比对来实现印刷品缺陷检测。
16.首先，在印刷品正上方设置快拍相机，通过上下两个平行辊轮转动来带动印刷品纸张实时移动，相机通过间歇快拍来采集印刷品图像，相机的间歇时间可根据滚轮转动速度调整，滚轮的速度不宜过快，放置存在移动模糊现象。灰度化处理：将采集印刷品图像从rgb颜色空间转换到灰度空间得到灰度图像。
17.然后，对灰度图进行透视形变修复：为了防止印刷品图像中存在的中间大四周小的透视形变，影响后面速度波动形变，需先去除印刷品中的透视形变，根据相机与纸张的相对位置关系，构建出透视形变转换模型，通过该透视模型来去除。
18.最后，通过上述处理得到的图片中只包含速度波动造成的形变和印刷缺陷形变，因而下面只需将速度波动形变排除即可实现精确的印刷缺陷检测，速度波动造成的形变如图3所示。
19.步骤二：获取印刷品灰度图像和印刷品底版灰度图像中相邻两行之间相互匹配的关键点，利用印刷品灰度图像中相邻两行之间关键点的向量和印刷品底版灰度图像中对应相邻两行之间关键点的向量获得印刷品灰度图像中每一行纹理形变量；该步骤的目的是，通过获取图像中的纹理，计算出每个纹理的形变量。
20.其中，每个纹理的形变量的获取方法如下：（1）利用harris角点匹配算法匹配对采集到的印刷品灰度图和底版灰度图进行角点匹配，得到印刷品灰度图与底版灰度图的成组匹配点。
21.（2）对二者图像划分行：平行于印刷品宽边以10像素为间隔作若干平行线，通过该平行线将印刷品灰度图和底版灰度图划分成若干行。
22.（3）分别在印刷品灰度图和底版灰度图中，将每相邻两行中，行一内的每个关键点和行二中与其距离最近的关键点组成一个纹理，如图4所示，1为行一，2为行二，关键点a和关键点b组成一个纹理，关键点c和关键点d组成一个纹理；（4）在印刷品灰度图中，将每个纹理中位于行二内的关键点的坐标，减去位于行一内的关键点的坐标，得到该纹理的向量，如图4所示，关键点b的坐标减去关键点a坐标为该纹理的向量，同样的，在底版灰度图中也获取到对应的纹理的向量；（5）将每两行作为一个纹理行，如图4所示，1和2组成一个纹理行，可获取到每行纹理中，每个纹理的向量；（6）将每个纹理在印刷品灰度图中得到的向量和该纹理在底版图像中得到的向量相减，得到该纹理的形变量：式中，为第k行纹理中第i个纹理的形变量，印刷品灰度图中第k行纹理中第i个纹理的向量，为底版灰度图中第k行纹理中第i个纹理的向量。
23.（7）根据（6）可得到每一行纹理形变量，即每行纹理中每个纹理的形变量。
24.步骤三：利用印刷品灰度图像中每一行纹理形变量获取每行纹理的形变量误差值；该步骤的目的是分析同一行纹理的纹理形变量，来构建每行纹理形变量的型变规律函数，根据每行纹理的形变量规律函数计算出每行的纹理形变量误差值。
25.其中，纹理形变量误差值的获取步骤为：(1)构建纹理形变规律函数：该函数约束条件为：，式中，为第k行纹理的形变规律函数，k=1,2,3,...,m，m为行数，为第k行纹理的形变量方程，表示第k行纹理的形变量的最大类
别均值，为第k行纹理的形变量参数权重，为第k行纹理的形变量误差值；其中，获取的方式为：先对第k行纹理的型变量进行密度聚类，然后筛选出最大（最多）类别的形变量集合并求出该类别形变量集合的期望，该期望值即为，需要说明的是，通过该方式获取该值的原因为，本实施例假设纸张变形导致的整行纹理的形变量相同，且整行中印刷缺陷不尽相同，因而认为整行中纸张形变造成纹理形变分布较为聚集，因而通过较大类别的形变期望作为纸张形变造成的纹理形变值。
26.其中，为第k行纹理的形变量参数权重，通过该形变量权重来反应的准确度，该值的准确性越低权重越小，由于整行中纸张变形造成的纹理形变量应尽可能相同，即形变分布的聚集度越高，因而通过最大类别形变量分布的聚集度来反应该行形变量值得准确性。
27.此处的的计算步骤为：先计算最大类别形变量的分布离散度：式中，为第k行纹理的密度聚类后最大类别的形变量的分布离散度，表示第k行第i个纹理的形变量，表示第k行所有纹理点密度聚类后最大类别的形变量的均值。表示第k行纹理中纹理的数量。
28.然后，根据最大类别形变量的分布离散度得到第k行纹理的形变量参数权重:式中，为第k行纹理的形变量参数权重，为第t行的纹理的形变量分布离散度，计算方式与一致。
29.其中，为通过形变分布数据得到的第k行的纹理形变量的误差值（通过来作为该行纸张变形造成的纹理形变量与纸张变形造成的标准纹理形变量之间的差异值）。
30.其中，为拟合的各行纹理的形变量方程，由于纸张松弛纸张变形形式和悬链线模型的场景较为类似，因而该形变量方程的基础数学模型为悬链线方程，该形变量方程的自变量为行数，因变量为标准形变量，形变方程的拟合方法为最小二乘法。
31.其中，表示第k行纹理的形变量向量模长，也表示第k行由纸张变形造成的标准纹理形变量值，表示第k行拟合的形变量方程计算出的形变量值与标准形变量值的差异，由于拟合出的形变量方程应尽可能的准确的描述形变量变化规律，所以应该使该值差异尽可能小。
32.其中，表示第k行纹理的加权误差值，由于要使形变量的函数更精确，应使
型形变量误差值尽可能小。
33.其中，表示单位横向向量，表示第k行纹理形变量在横向的投影，由于纸张变形的只会导致印刷纹理存在纵向的压缩形变，因而横向的形变量应该为0。
34.(2)利用该形变规律函数计算出每行纹理的形变量误差值：本实施例通过拉格朗日乘数法构建拉格朗日函数，求解出当目标函数取最小值时每行纹理的形变量误差值，具体方法为：a.随机给定初始形变量误差序列，序列中每个误差值为每行纹理的形变量误差值；b.使用形变量方程根据形变量误差值序列得到每行纹理的拟合形变量值，即函数值；c.此时得到仅含未知量的纹理的形变量规律函数；d.利用梯度下降法更新初始形变误差值序列，重复（1）-（3），获得第k行纹理的形变量规律函数，直至函数收敛时，得到最优解，计算每行纹理的纹理形变量的误差值。
35.其中，形变量方程获取方法为：由于悬链线方程常规表达式为,该方程的超参数为，在上述步骤计算形变规律函数最优解求解过程中，会获得形变量误差序列；（1）将形变量误差值序列中每行纹理的形变量误差值和每行纹理的形变量的最大类别均值相加，得到每行纹理的标准形变量；（2）获取每行纹理的标准形变量组成的标准形变量序列，计算序列中每个向量元素的模长，得到模长序列；（3）以纹理行序列为自变量，模长序列为因变量，利用最小二乘法拟合出印刷品灰度图的形变量方程。
36.步骤四：利用每行纹理的形变量误差值对印刷品图像中每行的纹理进行形变修正，对修正后的印刷品图像进行缺陷检测。
37.该步骤的目的是利用步骤三获得的每行纹理的形变量误差值对每行纹理进行修正，并做进一步缺陷检测定位，提高了检测精度。
38.其中，对每行纹理进行修正的方法为：通过将每行纹理中每个纹理与该行纹理的形变量误差值相加即可实现对每个纹理的形变修正。
39.其中，进一步进行缺陷检测的方法为：在 纸张形变造成的纹理形变变去除后，则认为该印刷图像中只存在印刷缺陷，因而利用dnn的方式即可实现缺陷定位。
40.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。