基于halcon的字符缺陷检测系统

汪成龙，黄余凤，陈铭泉，陈泽涛，何 宣

（惠州学院 电子信息与电气工程学院，惠州 516015）

0 引言

在日常生活和工业生产中，大部分产品都印刷有各种字符，利用字符识别产品已成为主要途径。字符可以代表产品的品牌、型号、生产日期、长度和重量等，这些信息反映了产品的状况，因此字符印刷的正确性影响人类对产品的认识度和产品及质量。工业生产中，字符由机器印刷，由于产品漏放，偏放或机器误操作，都会导致产品字符缺陷。字符缺陷主要包括：字符印刷不清晰，字符相对位置不合格，字符漏印。这将导致产品信息的不完全甚至错误，因此在生产制造中，产品的字符检测尤为重要。

传统的质量检测主要依靠人眼检测，而在嘈杂的工厂环境中，大量的检测工作以及质量检测的高要求，单纯依靠人眼是难以满足。这使得以机器视觉代替人眼实现字符缺陷检测成为必然的发展趋势。

鉴于目前我国产品字符检测技术还不够成熟，而人工检测效率低、主观性强，国内字符缺陷检测多采用人工方式，缺乏客观性和科学性，劳动强度大，效率低[1]，因此有必要研究一种速度快，准确率高的自动检测方法。

基于机器视觉的字符缺陷检测需要对字符用相机进行采集，然后运用图像处理的算法进行识别判断，最后控制电机进行相应操作。

本文首先对产品的字符图像进行采集，然后对采集到的图像进行预处理，将图片中的噪音消除并且将杂质过滤掉；接着设定字符检测区域，再选取7～10个正常样本进行训练，查看均值图像和标准差图像，并设定最小绝对阈值和基本阈值。最后对系统进行运行检测和数据分析实验表明，该方法能精准稳定地检测产品字符是否缺陷，且检测速度快，准确率高。

1 图像获取

在halcon中，获取图像有两种方法，一是通过摄像头实时采集，二是读取磁盘中的图片。halcon为百余种工业相机和图像采集卡提供接口，包括GenlCam，GigE和IIDC1394[2]。通过halcon自带的图像获取助手能快速的进行实时采集，步骤如下：

1）点击打开新的Image Acquisition；

2）选择图像获取接口；

3）点击自动检测接口；

4）实时连续采集；

5）代码生成；

6）插入代码。

由于已有相机采集的字符图片，本文直接采用第二种方法，即从磁盘中读取图片。利用halcon自带的算子read_image（:Image:FileName:）获取图片。

2 图像预处理

2.1 图像灰度化

图1 图像获取助手

图像的每个像素的颜色由R、G和B三个分量决定，每个分量有256种取值，如果直接进行处理，信息计算量非常大，因此对图像进行灰度化处理可降低图像处理时间。Halcon的rgb1_to_gray算子能够进行灰度化操作,其灰度图像根据下面公式所得[3]：

Red，Green，Blue分别表示红绿蓝三个通道，它们占的比例分别为29.9%，58.7%和11.4%。

图2 原始图像

图3 灰度图像

2.2 高斯滤波

滤波是图像处理中常用的一种算法，其主要原理是在指定图像上给定一个模板，该模板包括了目标像素及其周围的像素（一般模板的大小为3×3），而目标像素的灰度值由其他像素和自身像素的灰度值确定。均值滤波里的模板核中所有的系数都为1，虽然能够很好的取出图片中的噪点，但它却使图像变得模糊，并且破坏了图像中应有的结构特征[4]。相比于均值滤波，高斯滤波的模板核中的系数发生了变化，高斯滤波中的系数是根据式(2)得到的，其原型是二维高斯函数。

图4 均值滤波核结构

图5 高斯滤波核结构(σ=0.8)

经过高斯滤波的图像，不仅去除了图像中的高斯噪声，而且保持了图像中的细节部分和轮廓特征，但其所得效果也与系数有关，过小平滑效果不明显，达到1.8时其效果基本和平滑滤波相近，因此需要调好高斯滤波的系数。由于本文中所采取的图像打光效果好，图像噪声少，故采用σ=0.8的高斯滤波即可。

图6 原始图像

图7 高斯滤波图像

图8 均值滤波图像

3 基于halcon的字符缺陷检测方法

变化模型是halcon中检测字符缺陷常用的一种算法，用于区分好的对象和坏的对象，它仅仅依靠对象的灰度值进行判别。主要原理是对比字符上每个像素点的灰度值。不同位置上点的判断标准不一样，字符内部的点要求较高，允许范围较小，字符边缘部分的点允许范围较大。由于每个样本的灰度值都存在着些许差异，所以变化模型要用到不止一个好的样本，它有一个训练的过程，一般需要用到8～10好的样本，因此变化模型匹配的通用性好，稳定性高[5]。

固定字符的区域，根据以下公式设定需要得到的字符区域灰度值范围：

部分检测结果如图9所示。

图9 部分样品检测结果

4 基于halcon与C#软件设计

Create _ variation _model (::Width ,Height ,Type,Mode : ModelID )[6]

Width：输入需要对比图像的宽度；

Height：输入需要对比图像的高度；

Type：输入要对比图像的类型，默认：’byte’参考：’byte’，’int2’，’unit2’ ；

Mode：输入变换模型的计算方法，默认：’standard’，参 考：’standard’，’robust’，’direct’；

ModelID：输出变换模型的句柄。

在可变模型中，存在着理想图像和变换图像的概念。在创建对象时，需要注意Mode这个参数。当Mode=’standard’，将对象的理想图像表示为所有训练图像的平均值，相应的变化图像表示为所有训练图像的标准偏差。要确保只有良好对象的图像被训练，因为平均值和标准偏差对于异常值是不稳定的，如果不良对象的图像被无意地训练，则理想对象的精度可能会受到影响。其优点是可以迭代地对变化模型进行训练。

当Mode=’robust’，将对象的理想图像表示为所有训练图像的中值，相应的变化图像表示为所有训练图像的中值绝对偏差。这种模式的优点在于容错性较大，不会因为加入不良对象导致模型的不稳定。缺点在于不能进行迭代训练，所有的训练都是累积的。

4.1 训练过程

在创建变换模型对象中，选择’standard’模式，在下面的训练过程中加入的都是良好对象的图像，这里采用了10张图像进行训练。训练中特别需要注意的是，由于变换模型对灰度值要求很高，而每张图像中字符位置总有偏差，为了确保字符都在同一个区域，有必要进行匹配定位和放射变换，以矫正字符的位置。

4.2 查看训练结果并设定标准

训练完毕后，通过get_variation_model（:image Image,image VarImage：

Variation_model ModelID:）查找变化模型的理想图像和变换图像，结果如图11～图13所示。

图10 理想图像

图11 变换图像

图12 最暗灰度图像图

图13 最亮灰度图像

由于设定的模式为standard，理想图像即为均值图像，变化图像即为标准偏差图像。从图9(b)中可看出，理想图像基本上与良好对象的图像相同。从图9(c)中可看出，变换图像中字符边缘部分亮度较高，字符内部区域亮度较低，背景部分亮度最低，即反应了字符边缘灰度值变化较大，而其他地方灰度值变换较小或不变。上面两图符合预先设想的结果，表明加入训练的样本都为良好样本。接着要进行标准设定，即设定每个像素点灰度值的波动范围为多少，超过波动范围即算缺失。

根据多次实验结果表明，当AbsThreshold=20，VarThreshold=3时正确率最高。

5 结论

以60张产品字符图片为样本，利用halcon编写检测软件，软件界面如图10所示。

图14 字符缺陷检测系统

表1表明，该系统对四种缺陷类型和完整样本测试正确率均为100%。

表1 运行结果数据表

得到结论如下：

1）检测精度高，可检测细小的瑕疵。

2）检测速度快，检测时间一般在几百毫秒内。

3）稳定性高，对相似产品有一样的判断。

4）满足工业二十四小时生产的需求。