基于隨機森林的多尺度印刷品缺陷檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機視覺中基于圖像進行工業(yè)品質(zhì)量檢測技術(shù)領(lǐng)域，具體設(shè)及一種 基于隨機森林的多尺度印刷品缺陷檢測方法。
【背景技術(shù)】
[0002] 包裝印刷品是很多工業(yè)產(chǎn)品的"外表"，其印刷質(zhì)量的優(yōu)劣關(guān)系著消費者對產(chǎn)品的 認可程度。近年來，隨著生產(chǎn)技術(shù)的進步和人們生活品質(zhì)的不斷提高，新的印刷技術(shù)被運用 到許多印刷產(chǎn)品上。印刷品質(zhì)量作為產(chǎn)品質(zhì)量重要的一環(huán)，因此在生產(chǎn)過程中對印刷品質(zhì) 量管理自動化水平提出了更高的要求，要求通過機器來檢測印刷品缺陷代替人工，達到降 低成本、提高效率的目的。
[0003] 經(jīng)過幾十年的發(fā)展歷程，針對印刷品缺陷檢測，提出了各種各樣的方法，然而從實 際應(yīng)用的角度，該些方案仍不完善，存在改進的空間。在該些方法中，常用的策略包括；（1) 支持向量數(shù)據(jù)描述算法（Suppo;rtVectorDataDescription,SVDD)[1]，該方法通過核函 數(shù)將樣本映射到高維特征空間，在特征空間中尋找一個體積盡可能小的超球體，要求該超 球體能盡可能多的包圍目標(biāo)樣本點，同時將非目標(biāo)樣本點排除在球外，從而實現(xiàn)兩類之間 的劃分；(2)基于基圖像的缺陷檢測方法巧]，學(xué)習(xí)階段做獨立成分分析（ICA)得到一組相 互獨立的基圖像，將圖像W該一組基圖像線性組合的形式重建，將線性組合的系數(shù)作為特 征向量進行分類；(3)隨機森林分類方法巧，4] ; (4)基于四叉樹分解的缺陷自動檢測算法 [引；（5)基于紋理特征的檢測方法[6, 7] ; (6)基于局部信息相關(guān)系數(shù)進行缺陷檢測巧]， 利用一些含有重要信息的點來計算相關(guān)系數(shù)。W上方法針對檢測過程中存儲空間、檢測精 度、算法復(fù)雜度等不同因素進行改進，往往組合使用。
[0004] 印刷品缺陷檢測面臨著很多挑戰(zhàn)；缺陷產(chǎn)生的原因多種多樣、缺陷的形態(tài)多種多 樣，包括線狀的、團狀甚至是整個區(qū)域的；從背景角度，缺陷所處的區(qū)域多種多樣，包括單一 顏色背景的、周期紋理的W及復(fù)雜圖案的；印刷工藝各不相同，印刷品體現(xiàn)的特征也不盡相 同。
[0005] W上該些算法雖然在工程上都可W實現(xiàn)一定效果的缺陷檢測，但仍存在一些不 足；（1)計算量會隨著目標(biāo)圖像的面積增大而迅速增大；(2)難W實現(xiàn)高精度的檢測，一方 面，單純考慮像素值是否在闊值內(nèi)，忽略了像素之間的紋理特征，另一方面，存在漏檢的情 況，同時存在噪聲時的誤判率較高。綜上所述，現(xiàn)有的印刷品缺陷檢測算法無法在檢測準(zhǔn)確 性和魯椿性方面，滿足實際應(yīng)用需求。
[0006] [1]D.M.J."TaxandR.P.W.Duin, "Su卵ortvectordatadescription,"Machine Learning，vol. 54,pp. 45-66,Jan2004.
[0007] [2]D.M.Tsai,S.C.Wu,andW.Y.Qiiu,"DefectDetectioninSolarModules UsingICABasisImages,"leeeTransactionsonIndustrialInformatics,vol. 9,pp. 1 22-131，F(xiàn)eb2013.
[0008] [3]L.Breiman,"Randomforests,"MachineLearning,vol. 45,pp. 5-32,Oct 2001.
[0009] [4]J.FrankeandS.Halim,"Wildbootstraptests,"leeeSignalProcessing Magazine,vol. 24,pp. 31-37,Jul2007.
[0010] [5]Y.LeeandJ.Lee,"AccurateAutomaticDefectDetectionMethodUsing QuadtreeDecompositiononSEMImages,"leeeTransactionsonSemiconductorManuf acturing,vol. 27,pp. 223-231，May2014.
[00川 [6]H.Y.T.NganandG.K.H.Pang,"RegularityAnalysisforPatterned TextureInspection,"leeeTransactionsonAutomationScienceAndEngineering,vo 1. 6,pp. 131-144,Jan2009.
[0012] [7]X.XieandM.Mirmehdi,"TextureExemplarsforDefectDetectionon 民andomTextures,"inPattern民ecognitionandImageAnalysis,vol. 3687,S.Singh,M. Singh,C.Apte,andP.Perner,Eds.，ed:SpringerBerlinHeidelberg, 2005,pp. 404-413.
[0013] [8]C.C.Wang,B.C.Jiang,J.Y.Lin,andC.C.Chu,"MachineVision-Based DefectDetectioninICImagesUsingthePartialInformationCorrelation Coefficient,"leeeTransactionsonSemiconductorManufacturing,vol. 26,pp. 378-38 4,Aug2013.

【發(fā)明內(nèi)容】

[0014] 為了克服上述現(xiàn)有技術(shù)存在的問題，本發(fā)明的目的在于提供一種基于隨機森林的 多尺度印刷品缺陷檢測方法，提高檢測的速度與精度；在不顯著增加計算復(fù)雜度的前提下， 檢測效果優(yōu)于目前其他印刷品缺陷檢測算法。
[0015] 為了達到上述目的，本發(fā)明采用如下技術(shù)方案：
[0016] 一種基于隨機森林的多尺度印刷品缺陷檢測方法，輸入一定數(shù)量經(jīng)過對準(zhǔn)的合格 印刷品圖像構(gòu)成訓(xùn)練樣本，經(jīng)過檢測區(qū)域的設(shè)定、缺陷檢測點的生成和訓(xùn)練樣本圖像的多 尺度表示之后、在每一尺度下針對每個缺陷檢測點收集其跨通道二元特征，然后訓(xùn)練隨機 森林，生成多尺度下針對每個缺陷檢測點的隨機森林缺陷檢測模型；在具備該模型之后，給 定測試圖像，首先生成多尺度的表示，然后在各個尺度下，應(yīng)用訓(xùn)練好的隨機森林缺陷檢測 模型判斷缺陷檢測點處是否存在缺陷，并進行缺陷檢測點的多尺度篩選與合成，最終生成 檢測效果。
[0017] 所述的在每一尺度下針對每個缺陷檢測點收集其跨通道二元特征的方法為；從缺 陷檢測點的RGB通道中選取某一通道的值與缺陷檢測點8鄰域內(nèi)像素RGB的某一通道值進 行組合，生成一個跨通道的二元特征值對，遍歷所有可能的二元特征值對構(gòu)成缺陷檢測點 的二元特征。
[001引所述的訓(xùn)練隨機森林的方法為；在每一分辨率下，針對每一缺陷檢測點，通過部分 樣本圖像對其對應(yīng)的所有二元特征分別進行主成分分析得到特征主方向作為二元特征的 線性組合，隨后依次W各個采樣點為對象進行CART樹的訓(xùn)練。
[0019] 所述的應(yīng)用訓(xùn)練好的隨機森林缺陷檢測模型判斷缺陷檢測點處是否存在缺陷的 方法為：針對每一分辨率下的每一缺陷檢測點，對隨機森林中的每棵樹，從根節(jié)點開始，提 取相應(yīng)的跨通道二元特征值對，經(jīng)過線性組合后加W判定，根據(jù)判定結(jié)果選擇后續(xù)的處理 節(jié)點，直至葉節(jié)點，輸出判定結(jié)果，組合多棵樹的結(jié)果生成最終判定結(jié)果。
[0020] 所述的缺陷檢測點的多尺度篩選與合成的方法為：從最低分辨率圖像開始，應(yīng)用 訓(xùn)練好的隨機森林判定單個缺陷檢測點是否存在缺陷；然后將該分辨率下的檢測結(jié)果放大 到與其上層分辨率圖像同樣的大小，在具有缺陷處利用該分辨率下的隨機森林缺陷檢測模 型進行進一步的檢測，逐層過濾篩選合成最終的檢測結(jié)果。
[0021] 和現(xiàn)有技術(shù)相比較，本發(fā)明具備如下優(yōu)點：
[0022] (1)增加檢測準(zhǔn)確性和穩(wěn)定性：
[0023] 隨機森林在訓(xùn)練中引入一定的隨機性，使得樹與樹之間的相關(guān)性最小，同時保持 對單個像素的分類能力不變。該種方法在提高了檢測的準(zhǔn)確性的同時，對圖像中的奇異點 和噪聲有相對強的穩(wěn)定性；使用基于臨近區(qū)域像素的跨通道隨機二元特征，使本方法能夠 對圖像的紋理細節(jié)缺陷有比較強的檢測能力和抗干擾能力。（2)檢測實時性：
[0024] 本發(fā)明采用隨機森林方法對圖像缺陷進行檢測，其本身具有運算速度快，簡單易 行的優(yōu)點；另外，本發(fā)明采用的跨通道二元特征在經(jīng)過主成分分析后減少了一半的屬性，極 大地簡化了運算，在運算復(fù)雜度和檢測精度之間很好地實現(xiàn)了平衡；同時，在檢測過程中采 取缺陷點多尺度融合檢測的方法，有效地減少了檢測數(shù)量，在實際測試中得出，檢測一個實 例平均需要約300ms，完全滿足實時性要求。
[0025] (3)低空間復(fù)雜度：
[0026] 在隨機森林已經(jīng)訓(xùn)練完成的情況下，本發(fā)明檢測的計算量主要為對待測樣本特征 提取，需要的內(nèi)存很小，同時多尺度方法在多個尺度對待測圖像進行檢測分析，做到了整體 檢測和細節(jié)檢測的平衡，折中了數(shù)據(jù)量，保證在不降低檢測效果的情況下做到快速檢測。因 此，檢測時需要較少的內(nèi)存空間即可滿足算法要求，具有低空間復(fù)雜度。
【附圖說明】
[0027] 圖1為本發(fā)明中跨通道二元特征提取方法示意圖。
[002引圖2為采用本發(fā)明方法對樣本進行訓(xùn)練的過程示意圖。
[0029] 圖3為采用本發(fā)明方法對測試樣品進行檢測的過程示意圖。
[0030] 圖4為采用本發(fā)明方法對檢測結(jié)果進行多尺度篩選和組合的示意圖。
[0031] 圖5為采用本發(fā)明方法對圖案1(雪蓮）進行檢測的結(jié)果。
[0032] 圖6為采用本發(fā)明方法對圖案2 (五牛圖像）進行檢測的結(jié)果。
[0033] 圖7為采用本發(fā)明方法對圖案3 (五牛文字）進行檢測的結(jié)果。
【具體實施方式】
[0034] 本發(fā)明一種基于隨機森林的多尺度印刷品缺陷檢測方法，輸入一定數(shù)量經(jīng)過對準(zhǔn) 的合格印刷品圖像構(gòu)成訓(xùn)練樣本，經(jīng)過檢測區(qū)域的設(shè)定、缺陷檢測點的生成和訓(xùn)練樣本圖 像的多尺度表示之后、在每一尺度下針對每個缺陷檢測點收集其跨通道二元特征，然后訓(xùn) 練隨機森林，生成多尺度下針對每個缺陷檢測點的隨機森林缺陷檢測模型；在具備該模型 之后，給定測試圖像，首先生成多尺度的表示，然后在各個尺度下，應(yīng)用訓(xùn)練好的隨機森林 缺陷檢測模型判斷缺陷檢測點處是否存在缺陷，并進行缺陷檢測點的多尺度篩選與合成， 最終生成檢測效果。
[0035] 下面結(jié)合實施例和附圖分步驟對本發(fā)明方法進行詳細說明：
[0036] 第一步，對訓(xùn)練樣本進行預(yù)處理；
[0037] 選定檢測區(qū)域，縮小檢測面積，讓檢測更有目的性，同時對訓(xùn)練樣本的所選區(qū)域子 圖像做=層高斯金字塔分解，申請內(nèi)存保存各層金字塔圖像的采樣點坐標(biāo)；該步驟旨在通 過對訓(xùn)練數(shù)據(jù)集預(yù)處理，將圖像數(shù)據(jù)轉(zhuǎn)換成能夠被本發(fā)明方法所使用的格式；生成訓(xùn)練樣 本實例路徑序列，方便在算法中讀取。
[003引第二步，對各層金字塔圖像進行原始特征計算，得到原始特征；
[0039] 在對各層金字塔圖像進行原始特征計