[发明专利]基于特征点提取的毛巾标签缺陷检测方法

摘要

本发明涉及一种基于ORB特征点提取的毛巾标签缺陷检测方法。本发明首先待检测毛巾标签图像采集，将采集到的待检测图像经过一系列的图像预处理操作，其次通过ORB特征提取算法提取出模板图像和待检图像的特征点，依据LSH(局部敏感哈希)搜索算法寻求最优匹配点，采用RANSAC剔除误配点，得出仿射变换所需的参数，建立相应的单应矩阵，得到配准后的图像，最后将配准后的图像与模板图像进行图像差分运算，根据差分结果统计二值化图像中像素值0和1分别所占的比例，将比例与预先设定的经验门限值相比较，最终判定图像中是否存在缺陷，从而决断毛巾标签是否为合格产品。

主权项

基于特征点提取的毛巾标签缺陷检测方法，其特征在于该方法包括以下步骤：步骤(1).制作标准标签模板图像，具体是：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，遴选出和所要达到的标准模板图最接近的图像；步骤(2).工业摄像机采集实时待检测标签图像；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准标签模板图像和待检测图像的特征点；步骤(5).将提取到的标准标签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；步骤(6).对筛选出优化的特征匹配点对运用RANSAC(Random SampleConsensus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，由八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；所述的步骤(3)中预处理操作包括快速并行的中值滤波算法，针对3×3中值滤波，假设3×3窗口内像素分布为P(i,j)，i＝0，1，2，j＝0，1，2；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：最大值组：Max0＝max[P(0,0),P(1,0),P(2,0)],Max1＝max[P(0,1),P(1,1),P(2,1)]，Max2＝max[P(0,2),P(1,2),P(2,2)]中值组：Med0＝med[P(0,0),P(1,0),P(2,0)],Med1＝med[P(0,1),P(1,1),P(2,1)]，Med2＝med[P(0,2),P(1,2),P(2,2)]最小值组：Min0＝min[P(0,0),P(1,0),P(2,0)],Min1＝min[P(0,1),P(1,1),P(2,1)]，Min2＝min[P(0,2),P(1,2),P(2,2)]其中max代表取最大值函数，med代表取中值函数，min代表取最小值函数；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：最大值组中的最小值Maxmin＝min[Max0,Max1,Max2],中值组中的中值Medmed＝med[Med0,Med1,Med2]，最小值组中的最大值Minmax＝max[Min0,Min1,Min2]；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]；所述的步骤(5)具体是：使用汉明距离筛选出最优化的匹配结果对；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；模板图像的二进制特征描述子为Templ(0)templ(1)…templ(i)…templ(255)；待检测图像的二进制特征描述子为candid(0)candid(1)…candid(j)…candid(255)；那么两二进制特征描述子之间的汉明距离HamDistance计算公式如下：HamDistance＝Count((templ(i)XOR candid(j))＝＝1)，i＝0,1,2…255，j＝0,1,2…255，其中XOR表示异或运算符号，Count函数表示统计异或结果为1的个数，将统计出来1的个数就是汉明距离；统计出来的汉明距离和预先设定的距离阈值进行比对，如果统计出来的汉明距离比距离阈值小的话，则保留这些匹配点对，反之剔除掉这些匹配点对；所述的步骤(7)具体是：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，由八个参数构成单应矩阵，如下所示$HomogMat=\left[\begin{array}{ccc}{h}_{00}& h_{01}& h_{02}\\ h_{10}& h_{11}& h_{12}\\ h_{20}& h_{21}& h_{22}\end{array}\right],$这里h₂₂＝1，并且h₂₀和h₂按0计算，那么剩下来的六个参数其实就是需要进行映射的仿射变换的矩阵；单应矩阵中元素h₀₂和元素h₁₂代表需要进行平移操作的大小；而元素h₀₀和h₁₁则是表示缩放比例大小；元素h₀₁和h₁₀表示剪切变换的参数；为了能简化计算，对于待检图像obj_scene，提取的四个点对为：obj_scene[0]＝(0,0),obj_scene[1]＝(cols,0),obj_scene[2]＝(cols,rows),obj_scene[3]＝(0,rows),其中cols和rows分别表示所取图像的高度值和宽度值；通过4对点对建立八个参数方程，解得单应矩阵中的8个参数即可；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。