基于视觉传达的包装样品表面缺陷特征提取系统设计

摘  要： 为解决多帧包装表面图像复杂背景对缺陷特征提取精度的影响，设计基于视觉传达的包装样品表面缺陷特征提取系统。其中，图像采集模块由光源、CCD线性扫码相机、图像采集模块及A/D模数转换器组成，负责采集包装样品表面图像;FPGA逻辑控制单元产生控制逻辑，采集到的包装样品表面图像传输至DSP数字信号处理器后，利用小波变换方法分解包装样品表面图像内的灰度与细节特征，以包装样品表面图像缺陷前景同背景的分类问题替代包装样品表面图像缺陷特征提取问题，实现视觉传达下包装样品表面缺陷特征提取。实验结果表明，所设计系统对于不同包装表面缺陷类型识别精度基本达到97%以上，平均能耗为0.52 J左右，均显著优于对比系统。

关键词： 包装样品; 表面缺陷; 特征提取; 视觉传达; 图像采集; 实验分析

中图分类号： TN911?34; TP391                  文献标识码： A                       文章编号： 1004?373X（2020）02?0142?03

Design of packaging sample surface defect feature extraction

system based on visual communication

ZHU Geli

Abstract： A visual transmission based defect feature extraction system for packaging samples is designed to improve the influence of multi?frame packaging surface image complex background on the accuracy of the defect feature extraction. The image acquisition module composed of light source， CCD linear scanning code camera， image acquisition module and A/D analog?digital converter collects the packaging samples surface images， and the FPGA logic control unit generates the control logic. The collected surface images of the packaging sample are transmitted to the DSP， in which the gray scale and detail features in the surface image of packaging samples are decomposed by means of the wavelet transform method. The defect feature extraction of packaging sample surface image is replaced by the classification problem of the defect foreground and background of packaging sample surface image to realize the defect feature extraction of packaging sample surface under visual communication. The experimental results show that the identification accuracy of the designed system for the different packaging surface defect types is basically above 97%， and the average energy consumption is about 0.52 J， all of which are significantly better than the comparison system.

Keywords： packaging sample; surface defect; feature extraction; visual communication; image capture; experiment analysis

包装样品表面缺陷检测是商品包装过程中的重要环节，也是保障商品包装质量的主要方式[1]。以往使用的人工随机抽样检测方法受人为主观因素影响较为严重，检测精度得不到保障。为解决这一问题，相关研究人员进行了深入研究，设计包装表面缺陷特征提取系统，但以往大多包装表面缺陷特征提取系统在提取缺陷特征过程中，难以抑制多帧包装表面图像复杂背景缺陷特征提取精度影响[2]。视觉传达技术在计算机图形图像处理过程中被普遍应用，设计基于视觉传达的包装样品表面缺陷特征提取系统，准确提取包装样品表面缺陷特征，提升商品包装检测精度。

1  包裝样品表面缺陷特征提取系统

1.1  整体结构设计

基于视觉传达的包装样品表面缺陷特征提取系统以数字信号处理器DSP为核心[3]，主要包括包装样品表面图像采集模块、FPGA逻辑控制单元、数字信号处理器及显示单元等，整体结构如图1所示。

为保障包装样品表面图像采集效率，选取S3?20?02K40?00?R型号高速线性扫描相机[4?5]。FPGA逻辑控制单元的主要作用是负责控制图像采集模块的地址信号与读写信号[6]。系统选用TMS320DM642型号DSP芯片作为数字信号处理器，其处理效率快、灵活性高、可编程性能好等优势在图像处理领域内得到充分发挥。DSP芯片主频速度与同步存储SDRAM分别达到650 MHz和36 MB，使系统存取效率与存储空间均能够获取有效保障。

1.2  软件设计

1.2.1  包装样品表面缺陷特征提取流程设计

通过确定与分析两图像间存在的差异，获取包装样品表面图像中存在的缺陷信息[7]。图2中描述的是包装样品表面缺陷特征提取流程。

图像采集模块采集到包装样品表面图像后，对其实施预处理，包括灰度转换、灰度图像滤波、图像阈值分割等过程[8]。对预处理后的包装样品表面图像进行缺陷边缘检测，采用视觉传达下图像缺陷特征提取方法提取包装样品表面图像缺陷特征，对提取到的缺陷特征进行识别、分类与统计，最后进行输出显示[9]。

1.2.2  视觉传达下图像缺陷特征提取

通过包装样品表面图像缺陷同背景区域缺陷特征部分方差间的比值函数，获取包装样品表面图像缺陷区域与背景区域的分离系数。

若第[k]帧包装样品表面图像内第[i，j]个像素的灰度值和第[k]帧与第[k+m]帧包装样品表面图像间的平移估计量分别用[Dki，j]和[fx]，[fy]表示，根据[fx]，[fy]确定第[k]帧包装样品表面图像缺陷特征显著图：

[Mki，j=Dki，j-Dk-mi-fy，j-fx]  （1）

式中，[Dk-m?]为平移量差值。设置加权因子[α]，[β]和[γ]，通过加权因子加权融合全部缺陷特征显著图，表达式如下：

[Sk=αNJk⊕βNIk⊕γNMk]    （2）

式中：[NJk]为灰度缺陷特征显著图标准函数;[NIk]为细节缺陷特征显著图标准函数[10];[NMk]为运动缺陷特征显著图标准函数;[Sk]为包装样品表面图像显著性缺陷特征值。根据[Sk]得到包含缺陷特征的多帧包装样品表面图像的缺陷特征图，提取包装样品表面缺陷特征。

2  实验分析

为验证本文设计的基于视觉传达的包装样品表面缺陷特征提取系统的可行性与有效性，采用本文系统、基于传感器的提取系统和基于独立成分分析的提取系统进行相关仿真实验。实验过程中设置包装样品表面缺陷类型包括：污染、划痕、气泡与分层等，不同缺陷类型样本共计1 000个。对比三个系统对不同缺陷样品的识别精度，结果如表1～表3所示。

由表1～表3可知，本文系统在提取包装样品表面不同缺陷特征时识别精度较高，除分层缺陷样本识别精度为90.63%外，其余缺陷类型样本识别精度均达到97%以上，其中污染、漏白、蹭板及裂缝缺陷识别精度高达100%。基于传感器的提取系统和基于独立成分分析的提取系统不同缺陷类型识别精度分别在66.67%～91.67%和69.52%～93.33%之间。对比之下可知本文系统对不同类型的包装表面缺陷识别精度较高。

实验为测试本文系统的实时能耗，分别采用包括本文系统在内的三个包装样品表面缺陷特征提取系统进行包装样品表面缺陷特征提取，对比各系统的实时能耗，如图3所示。

分析图3可知，本文系统在提取包装样品表面缺陷特征时能耗范围在0.43～0.58 J之间，基于传感器的提取系统与基于独立成分分析的提取系统能耗范围分别在0.77～1.21 J之间和0.58～1.17 J之间。其中基于传感器的提取系统能耗波动较为显著，而基于独立成分分析的提取系统在前1 200 s时能耗较低，基本在0.6 J左右，过1 200 s后能耗大幅提升。本文系统平均能耗0.52 J左右，与其他两个系统相比分别降低0.42 J和0.29 J。实验数据表明本文系统提取包装样品表面缺陷时实时能耗较低。

3  结  论

包装生产过程中存在大量不确定性因素导致包装表面产生缺陷，而缺陷特征提取则是包装检测的重要过程。本文设计基于视觉传达的包装样品表面缺陷特征提取系统，利用图像采集模块采集包装样品表面图像，采用小波变换方法提取图像包装样品表面图像边缘特征，构建缺陷特征图，提取包装样品表面缺陷特征。仿真结果显示，本文系统除分层缺陷样本识别精度为90.63%外，其余缺陷类型样本识别精度均达到97%以上，最高达到100%。

参考文献

[1] 李硕.基于计算机图形图像设计及视觉传达设计研究[J].电视技术，2018，42（6）：113?116.

[2] 马丽萍，崔明，朱培逸.基于机器视觉的汽车安全带的表面缺陷检测系统[J].机床与液压，2018，46（2）：134?138.

[3] 屈尔庆，刘坤，陈海永，等.基于P?ReliefF特征选择方法的带钢表面缺陷识别[J].电子测量与仪器学报，2017，31（7）：1053?1060.

[4] 常飞，乔欣，张申，等.基于MFCC特征提取的故障预测与评价方法[J].计算机应用研究，2015，32（6）：1716?1719.

[5] 张丽娟.视觉传达下多帧影视图像特征实时跟踪仿真[J].计算机仿真，2017，34（9）：179?182.

[6] 周激流，张晔.基于活动轮廓模型的人脸特征提取方法的研究[J].中国图象图形学报，2018，5（4）：119?122.

[7] 王义文，屈冠彤，刘献礼，等.钢球表面缺陷的图像差分检测算法[J].计算机辅助设计与图形学学报，2016，28（10）：1699?1704.

[8] 杨仁民，郑洲，陈斌，等.基于机器视觉的零件特征尺寸提取算法[J].包装工程，2017，38（9）：151?156.

[9] 黄志鸿，毛建旭，王耀南，等.基于机器视觉的啤酒瓶口缺陷检测分类方法研究[J].电子测量与仪器学报，2016，30（6）：873?879.

[10] 尹健，邢韵，刘松凯.基于图像特征提取的在役管线故障缺陷的分类[J].材料与冶金学报，2016，15（1）：76?80.

作者简介：朱格里（1984—），男，广西博白人，硕士，讲师，研究方向为视觉传达设计。