[发明专利]基于特征点提取的毛巾标签缺陷检测方法

说明书

技术领域

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

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

本发明针对传统SIFT(ScaleInvariantFeatureTransform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ORB(OrientedFASTandRotatedBRIEF基于快速角点检测算法和旋转BRIEF特征描述子)结合基于BRIEF(BinaryRobustIndependentElementaryFeatures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。

本发明解决技术问题所采取的技术方案为：

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。

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。

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。

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。

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(LocalitySensitiveHashing局部敏感哈希)搜索算法搜索出最优化的匹配的特征点对。

步骤(6).对筛选出优化的特征匹配点对运用RANSAC(RandomSampleConsensus随机采样一致性算法)算法剔除错误匹配点。

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(HomographyMatrix)，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。

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。

本发明的有益效果：

(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。

(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

图1毛巾标签缺陷检测流程图。

具体的实施方式：

以下结合说明书附图对本发明做进一步描述。

依据说明书附图(1)，对实施步骤进行详细阐述：

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。

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g_m(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f_m(x,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，

f₁(x,y)＝g₁(x,y),