摘 要

标签是商品信息的承载物，标签缺陷不仅可能造成芯片信息的缺失，同时也影响芯片整体美观度。在芯片制造日渐规范的时代，标签缺陷会导致客户的流失，故在产品生产阶段，完成标签缺陷的检测，并进一步识别标签缺陷以指导生产是必要的。利用机器视觉代替检测质量低的传统人工方法，检测并识别标签缺陷是本领域的研究热点。

本文基于MATLAB软件平台，设计一种芯片标签缺陷识别算法。针对提高图像质量及便于芯片标签缺陷检测的具体需求，完成图像预处理算法设计。通过分析在图像配准阶段待测标签图像的旋转角度，实现标签歪斜检测。面对使用差分法和边缘掩膜法检测的标签缺陷不完整的现象，结合基于模板形态学处理的图像差异检测算法，改进标签缺陷检测算法。改进后的算法在消除大部分伪影的同时较完整地保留缺陷图像。选择不同标签表面缺陷之间具有区分度的几何特征，设定合适特征阈值，通过条件判断完成标签表面缺陷的识别。经试验检测，本算法较好地完成了芯片标签缺陷的识别。

关键词：标签；缺陷检测；歪斜检测；消除伪影；缺陷识别

Abstract

The label is a carrier of product information. Label defects may not only cause chip information loss, but also affect the overall aesthetics of the chip. In the era of increasingly standardized chip manufacturing, label defects will lead to the loss of customers. Therefore, it is necessary to complete the detection of label defects and further identify label defects to guide production during the production stage. The use of machine vision instead of traditional manual methods with low detection quality to detect and identify label defects is a hot topic in the field.

This paper designs a defect recognition algorithm for chip label based on MATLAB software platform. To improve the image quality and facilitate the detection of chip label defects, the image preprocessing algorithm is designed. The skew of the label is detected by calculating the rotation angle of the label image to be measured during the image registration phase. In the face of the incompleteness of label defects detected by the difference method and the edge mask method, a label defect detection algorithm is designed in combination with an image difference detection algorithm based on template morphology processing. The algorithm preserves the defect image completely while eliminating most of the artifacts. Select the geometric features with different degrees of distinction between the surface defects of different labels, set appropriate threshold values, and identify the defects on the surface of labels by condition judgment. The detecting results showed that the algorithm successfully completes the identification of chip label defects.

Keywords：Label; defect detection; skew detection; Elimination of artifacts; Defect identification

目录

第1章 绪论 1

1.1 选题的研究背景及意义 1

1.2 选题的研究现状及发展趋势 1

1.3 原理方案及章节安排 2

1.3.1 设计原理及方案 2

1.3.2 论文章节安排 4

第2章 图像预处理 5

2.1 图像降噪处理 5

2.1.1 空间域降噪法 6

2.1.2 本文降噪算法 6

2.2 芯片图像歪斜矫正 8

2.2.1 图像歪斜矫正算法 8

2.2.2 边缘检测算法 9

2.2.3 霍夫变换原理 11

2.3 图像匹配 12

2.3.1 图像仿射变换 13

2.3.2 基于灰度信息的图像匹配 13

2.3.3 基于特征信息的图像匹配 14

2.4 标签图像标准模板制作 15

第3章 标签缺陷检测算法 17

3.1 标签歪斜检测 17

3.2 标签表面缺陷检测 19

3.2.1 图像差分法 20

3.2.2 伪影消除算法 20

3.2.3 标签表面缺陷检测算法 23

3.2.3 标签表面缺陷标识算法 25

第4章 标签缺陷分类识别 27

4.1 标签缺陷类型 27

4.2 标签表面缺陷特征提取及选择 27

4.3 标签表面缺陷识别算法 29

4.4 标签缺陷类型识别结果及分析 31

第5章 总结与展望 32

5.1 工作总结 32

5.2 研究展望 33

参考文献 34

致谢 36

第1章 绪论

1.1 选题的研究背景及意义

标签在工业生产中起着标识产品的作用，它不仅是企业跟踪产品、质量监控以及生产管理的有效载体，同时也是消费者对产品信息进行核对的有效工具。现在，标签质量已经成为消费者选购产品的一大抉择点。但是，在企业实际生产过程中，由于受到环境因素、生产工艺、机械精度以及人为因素等多种因素的影响，标签缺陷不可避免。传统的标签缺陷检测由流水线工人通过人眼对比完成，该方法成本高，效率低、准确性不高、劳动强度大，受人工经验和主观因素的影响大。所以企业亟需一种全新的减少人力资本的标签质量检测系统。

现在是计算机技术飞速发展的时代，人工智能的概念也逐步被每个人接受理解，用机器代替人的工作已成为每个科技领域的学者的研究目标。而机器视觉技术是人工智能的热门分支之一。人的视觉系统通过人眼获取环境中的信息并发送至大脑，由大脑完成信息的识别并指示下一步动作。机器视觉系统通过处理采集的图像信息，完成目标物的检测与识别，并根据识别的结果来控制执行机构[1]。目前，机器视觉技术已经被应用到工业、农业、医药、交通、科研等各个行业，并获得了显著成果[2,3]。

在标签质量控制领域，也有众多学者基于机器视觉技术，在这一方面发表了优秀的理论及研究成果，但仍未出现一套性能优良且能完全满足每种标签缺陷识别的算法，所以，在这方面的研究还需继续，每一个算法模块新的想法的出现，或许都能提高整体算法的鲁棒性以及缺陷识别准确率。

目前，现有缺陷识别算法主要针对算法的运算速率、稳定性、人性化等进行改进，但面对种类繁多的标签类型，现有算法不能满足准确识别各种标签的不同缺陷的需求。在芯片标签缺陷识别方面，现有算法主要研究标签表面缺陷的检测与识别，而在标签歪斜缺陷这一方面没有详细说明，且在提取标签表面缺陷方面，消除差分伪影的算法仍有待改进。本次毕业设计将结合实际生产需要与现有算法的不足之处，完成标签缺陷识别算法的设计。

1.2 选题的研究现状及发展趋势

标签缺陷检测与识别是印刷品缺陷检测与识别的分支，其研究算法和印刷品缺陷检测与识别的研究算法一脉相承。早在上世纪五十年代，面对印刷品缺陷人工检测系统受环境限制、效率低下、准确度低的种种问题，众多学者投身于自动化检测印刷品缺陷的研究中。

在这一方面，1990年，Katsuyuki Tanimizu在研究印刷工业自动质量检测时，提出了索引空间法[4]，该方法检测并对比模板图像与待测图像对应索引空间位置的灰度值，由灰度值差异来判定图像是否存在缺陷。1993年，B.Mehenni针对提高印刷品图像检测速度的需要，提出了基于n-tuple方法的逐像素比较法[5]，但这种算法需要配合专门的硬件设备使用。1998年以后，陆续有学者将Cabor滤波法引入印刷品缺陷检测中，以提高算法的自适性[6]。到二十一世纪，不断有学者提出关于图像处理的改进算法，这些算法对提高缺陷检测算法的鲁棒性与准确性有很大作用[7]。

此外，近年来国外学者在工业生产方面，研究的表面缺陷检测算法对标签表面缺陷的检测也有参考价值。Yasantha C. Samarawickrama基于边缘检测与图像形态学处理，设计了一种瓷砖表面缺陷检测算法[9]，该算法能有效区分瓷砖裂纹及瓷砖边缘缺陷。Vikas Chaudhary等基于参考检测方法[10]，通过对缺陷特征的详细分析，较好地分类识别出印刷电路板的十四种缺陷。

目前，中国在印刷品缺陷检测领域正处在快速发展时期。章毓晋教授提出了结合图像采集、模板制作和图像匹配等图像处理技术的印刷品缺陷检测初步方案[11]，该方案基本说明了印刷品缺陷检测的步骤。余文勇等为降低因纸张形变和张力波动造成的误检，设计基于行程长缺陷编码的缺陷快速查找算法和防轮廓误检算法[12]。邢堃针对因图像采集时平台抖动造成的图像质量降低问题，设计了基于边缘检测的掩膜算法[13]，减少了差分图像中的轮廓伪影。汪清芳基于检测系统检测效率的要求，通过对比缺陷检测每个模块不同算法是检测速度，设计实时标签缺陷检测算法[14]。庄葛薇等提出一种改进的万有引力搜索算法，提高了标签缺陷识别的准确率[15]。李敏等针对现有匹配算法不能满足印刷品缺陷检测需要的情况，提出了基于形状模版匹配的多区域模版匹配算法[16]。许盼儿在图像匹配前，加入线性矫正环节，提高了标签缺陷检测算法的鲁棒性[17]。在企业方面，凌云制造了印刷缺陷检测软件[18]，近些年在不断完善该软件的功能。

总体来说，针对标签缺陷检测识别算法的关键步骤如图像预处理、图像匹配、图像差异检测、缺陷特征提取等已得到大多数学者的认可和使用，现在研究这一方面的学者主要针对具体的应用场景对整体算法的鲁棒性、准确度及检测效率等加以改进，使算法更加符合具体需求。

1.3 原理方案及章节安排

1.3.1 设计原理及方案

本课题根据生产商对于标签缺陷识别的具体需求，设计一个芯片标签缺陷识别算法，该算法具有自动检测标签缺陷并识别缺陷类型的功能。

标签缺陷识别算法主要由图像预处理模块、标签缺陷检测模块、标签缺陷识别模块三大模块构成。其原理框图如图1.1所示。

图1.1 标签缺陷识别原理框图

图像预处理模块完成标签缺陷检测前的准备工作，具体包括图像降噪、芯片图像歪斜矫正、图像匹配和标签模板制作。标签缺陷检测模块完成标签缺陷检测，包括标签歪斜检测和标签表面缺陷检测；标签缺陷分类识别模块完成已检测标签缺陷的识别与标识，重点是根据已检测标签表面缺陷的特征，识别标签表面缺陷的类型。

算法的流程图如图1.2所示。实际采集图像的内容是粘贴标签的芯片及传送平台背景，将之称为芯片图像。为便于芯片标签表面缺陷的检测，截取内容仅含芯片标签的图像，称之为标签图像。在图像预处理模块，待测芯片图像与标签模板匹配后被剪裁为标签图像。

图1.2 标签缺陷识别算法流程图

1.3.2 论文章节安排

第1章是绪论。首先说明标签缺陷识别的研究背景及意义，其次介绍标签缺陷识别的研究现状及发展趋势，最后介绍本文的主要工作以及章节安排。

第2章是图像预处理。主要阐述本选题算法中涉及的图像预处理理论，包括图像降噪、图像歪斜矫正、图像匹配和标签标准模板制作，并对每个图像预处理步骤的结果进行分析。

第3章是标签缺陷检测算法。基于标签图像在图像配准阶段的旋转角度，完成标签歪斜缺陷检测算法研究。介绍基于图像差分法和边缘掩膜算法的标签表面缺陷检测算法，并基于表面缺陷检测结果，说明该算法的缺点。阐述基于模板形态学处理的图像差异检测原理，完成原表面缺陷检测算法的改进。最后基于连通域标记算法，实现标签表面缺陷检测结果的可视化显示。

第4章是标签缺陷分类识别。基于标签歪斜缺陷的检测结果，完成标签歪斜缺陷的识别。基于标签表面不同类型缺陷的几何特征，设定合适特征临界值，通过条件判断完成标签表面缺陷的识别。选取足量样本进行试验，验证标签缺陷识别算法的可行性，试验结果说明，本算法较好地完成了芯片标签缺陷的识别。

第5章是总结和展望。总结本次设计的工作内容，对本次算法研究的不足之处以及可改进的方面进行合理展望。

第2章 图像预处理

图像预处理是用图像处理技术解决问题的前期步骤。因为采集条件的限制，实际采集的图像不能满足直接进行图像分析与处理的需求，所以有必要对采集图像进行前期处理。在本次设计中，图像预处理算法的效果对标签缺陷检测结果的影响非常大。

针对标签缺陷检测模块对待测标签图像的具体要求，设计图像预处理算法，具体包括图像降噪、图像歪斜矫正、图像匹配和标签图像标准模板制作四个模块。

图像预处理算法流程图如图2.1所示。

图2.1 图像预处理算法流程图

2.1 图像降噪处理

实际生产过程中，由于图像采集设备自身的原因以及环境的影响，采集的图像往往存在噪声。已知在工厂采集的芯片图像主要包含的噪声是椒盐噪声。为模拟实际工厂图像采集效果，在采集的芯片图像中叠加密度为0.005的椒盐噪声。

在标签表面缺陷检测模块，采用图像差分法，通过对待测标签图像与标签模板图像的对应像素灰度值作差，得到差分图像。其差分效果受图像质量的影响较大，故在图像降噪处理阶段，要尽可能获取高质量的降噪图像。

图像降噪方法按处理空间可分为空间域平滑法和频域平滑法。空间域平滑法直接处理图像的像素，常用的方法是均值滤波法和中值滤波法[19]；频域平滑法处理变换至变换域的图像信息，常用的方法是低通滤波法。

频域平滑法需要转换处理域，在MATLAB软件平台上，其算法运行时间是空间域平滑法运行时间的两倍以上。而实际生产中，为提高生产效率，标签缺陷检测的时间越短越好，故本次设计选择空间域平滑法。

2.1.1 空间域降噪法

1.均值滤波

均值滤波法也称邻域平均法，是最简单最常用的降噪算法。均值滤波法利用噪声点灰度值存在突变的情况，用图像每个像素点邻域的均值代替原像素值，从而减少图像的噪声点。其数学表达式如公式所示：

其中，表示噪声图像，表示降噪后的图像，S是预先确定的以点为中心的邻域，是领域内像素的总点数。

实际编程实现均值滤波算法，采用模板卷积的方法，具体是将均值滤波模板在噪声图像上漫游，每当模板与图像对应时，就将模板与模板下面图像灰度值的卷积赋给中心像素。

2.中值滤波

中值滤波的原理与均值滤波类似，都是将处理相邻像素值得到的新值赋给中心像素点，不同的是中值滤波法选择的是中值而非均值。标准一维中值滤波法的数学表达式如公式所示：

式中，是原噪声图像k点处的灰度值，是中值滤波后k点的灰度值，med表示取滤波窗口中各像素灰度值的中值，滤波模板的长度为。

二维中值滤波器的原理同一维中值滤波器类似，只是其维度被推广到二维。

2.1.2 本文降噪算法

本次设计采集的图像是彩色图像，将彩色图像转换为灰度图像，再进行滤波处理的降噪效果较差，故采用分别对图像各个颜色分量进行降噪再合成的图像降噪方法。其实现过程如下：

（1）提取芯片图像的R、G、B分量。

（2）分别对三个颜色分量图像进行空间域平滑。

（3）组合已降噪的R、G、B分量得到降噪后的图像。

含有噪声的芯片图像如图2.2所示。从图中可看出，待检测芯片图像中含有颜色不同的点状噪声，这些噪声的存在降低了图像的质量。

图2.2 含噪声的芯片图像

分别对图像颜色分量进行降噪处理时，对比不同尺寸的空间域滤波模板实际滤波效果，分别选择尺寸为的模板进行均值滤波和中值滤波。降噪算法的结果如图2.3所示。因芯片图像面积较大而纸张宽度有限，为显示滤波后芯片图像细节，截取部分滤波图像对比显示。

(a) 均值滤波效果图 (b) 中值滤波效果图

图2.3 图像降噪效果图

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：