印刷车间里最容易让人头疼的不是机器速度不够也不是油墨调不准而是质检这一关。一卷纸跑下来几个老师傅拿着放大镜翻来覆去找刀丝、蹭脏、漏印眼睛花不说不同人看的标准还不一样。这套“基于图像处理的印刷品缺陷检测系统”就是冲着这个痛点去的——用工业相机把产线上的印刷品连续拍下来靠图像处理算法把缺陷从复杂的印刷背景里揪出来再按缺陷类型分类告警。这篇文章我会完整复盘这套系统的设计与实现过程从缺陷类型分析、硬件选型、图像采集到算法链路的每一步细节再到控制误检的判定策略和评估指标适合正在做视觉检测项目、或者准备在产线上落地类似方案的工程师参考。1. 印刷品缺陷的“脾气”为什么这套系统难做1.1 先分清缺陷类型再谈检测做缺陷检测第一件事不是选相机也不是调算法而是把要检测的缺陷类型彻底理清楚。印刷品缺陷种类不少形态差异极大处理方式完全不同。缺陷类型典型成因成像特征刀丝刮刀磨损、金属异物卡在刮刀上线状沿走纸方向延伸粗细不均可能周期性出现蹭脏传送辊粘墨、擦拭不净团块状、条状灰度对比高有方向性漏印供墨不足、网辊堵塞大面积灰度偏低边缘模糊飞墨墨雾飞溅落点细小点状分布随机灰度较高套印不准多色套印偏差彩色边缘错位在灰度图下表现为重影边界死点干燥油墨颗粒脱落点状或带小尾巴灰度偏低我早年第一次做这类项目时客户说“只要检刀丝就行”结果系统上线三天漏了一处蹭脏被投诉。后来才明白印刷品的缺陷检测从来不是单目标检测而是“抓异常”的通用能力——你根本想象不到下一秒会跑出什么奇怪的脏点。所以系统设计一开始就要按“多缺陷类别并行检测”来考虑哪怕第一版只重点处理两类缺陷算法框架也要为后续扩展留好接口。1.2 印刷品背景对视觉检测非常不友好印刷品缺陷检测难难在背景本身极不干净。杂志封面、包装盒、标签上全是色块、文字、网点渐变的复杂图案这些正常元素在图像里呈现出的灰度变化有时候比缺陷还剧烈。这里有一个关键概念网点。印刷品上的图像是通过大小不一、密度不一的网点排列实现的150线、200线网点的周期大概在0.1毫米到0.2毫米级别。对相机来说这些网点是高频空间纹理对算法来说是强烈的背景噪声。如果直接用全局阈值分割网点密集区域会整片被判定为缺陷。再叠加印刷材质问题铜版纸反光、覆膜表面有镜面反射、镭射纸干脆不同角度颜色完全不一样。普通面阵相机配一个环形光源图像上会出现明显的明暗条纹这类低频光照不均匀和缺陷在灰度特征上有重叠轻则干扰阈值变化重则直接误检。解决这些干扰不是靠某一个算法特效而是要靠后面第4章的那套组合流程。2. 系统的整体架构与关键选型取舍2.1 相机选型先算分辨率再谈型号很多新手选相机上来就问“两百万够不够、五百万够不够”。我先给一套可复用的计算逻辑。假设检测幅面宽度是400毫米客户要求最小缺陷0.2毫米要稳定检出。工业视觉领域的通行经验是一个稳定可识别的目标至少要有5个像素以上去覆盖。也就是说单个像素对应的物理尺寸要小于等于0.04毫米。需要的像素数 400毫米 / 0.04毫米 10000像素。这个分辨率意味着常规的面阵相机比如500万像素横向约2448像素根本不够用横向需要10000像素已经超过大多数面阵相机的单幅覆盖范围。所以产线用的基本都是线阵相机加编码器触发方案一行一行扫过来。像8192像素的线阵相机就很常见配合编码器输出脉冲信号每走固定距离触发一次采集能从物理层面保证图像在走纸方向上的均匀采样不会因为速度波动导致图像拉伸或压缩。如果检测幅面很小比如200毫米以内且最小缺陷尺寸放宽到0.3毫米以上那500万像素面阵相机完全够用安装调试也比线阵更省事。这个取舍没有绝对好坏一切由检测精度和幅面决定。2.2 镜头与光源的搭配逻辑镜头选型的核心指标是焦距和工作距离。比如传感器宽度12.8毫米想在工作距离600毫米处覆盖400毫米视野需要的焦距约为焦距 12.8 × 600 / 400 19.2毫米实际选型时会选接近的工业定焦镜头比如25毫米再通过调整工作距离来满足视野要求。这里注意一个坑镜头畸变。普通监控镜头畸变很大边缘的刀丝会被拉弯差影时产生大量假边缘。工业级远心镜头或者低畸变定焦镜头是首选尤其是检测幅面边缘区域时畸变带来的影响远比你想象的大。光源方案我踩过不少坑这里直接给结论检测刮痕、划伤、刀丝这类低对比度线状缺陷用低角度暗场光让缺陷在暗背景上形成亮线对比度能翻好几倍。检测色差、蹭脏这类灰度变化缺陷用漫射光比如圆顶光源照明均匀不带方向性否则同一个缺陷换个角度就看不见了。检测覆膜、镭射这类高反光材质优先考虑同轴光光线垂直照射避免镜面反射直接进入镜头不然图像上全是亮斑。2.3 主控与软件模块划分这套系统的实时计算压力很大8192像素线阵相机在1米/秒产线速度下每秒要处理的图像数据量超过100兆字节。我最终用的是工控机加独立显卡的架构而不是PLC——PLC逻辑控制很强但图像处理需要的矩阵运算、卷积、形态学操作靠PLC完全跑不动更别说实时跑算法了。软件上我分了几个模块采集模块相机SDK、编码器触发、图像缓存、预处理模块灰度化、降噪、背景校正、检测模块差影、阈值分割、形态学处理、分类模块特征提取、规则判定、周期性分析、结果模块告警、记录、图像存储。每个模块独立一个进程模块之间通过消息队列传递数据这样某一个模块崩了不会导致整条系统停摆也方便单独升级算法。3. 图像采集环节最容易翻车的三个细节3.1 频闪与运动模糊产线上没有“静止图像”这回事。线阵相机在1米/秒的产线速度下哪怕曝光时间只开100微秒图像上也会出现运动模糊。具体算一下100微秒内走纸距离是0.1毫米如果单个像素物理尺寸是0.05毫米那这个模糊会让缺陷在两个像素之间“拉花”小刀丝的灰度对比度被摊薄本来能检出来的缺陷就漏掉了。解决办法是同步曝光加短曝光控制。编码器发出的脉冲直接控制相机的行频和曝光曝光时间尽量压在50微秒及以下同时打强光保证图像亮度。这里有个常识很多人忽略——光源的功率和曝光时间是一对互补参数光源越强曝光时间就能越短运动模糊就越小。3.2 光照一致性光源用久了会衰减LED从满功率到衰减20%肉眼几乎看不出来但算法对光照变化非常敏感。差影法里背景模板是固定的而实际图像如果整体暗了几个灰度级差影结果会自动产生一整片“伪缺陷”。我在系统里加了一个光照校准流程每班次开机后先传送一段空白样张或者标准灰阶卡统计图像灰度均值和标准差和基线值对比。如果偏差超过一定范围算法自动补偿增益——相当于给图像做了一个整体亮度归一化。这个看似不起眼的模块后期降低过检率的贡献其实很大。3.3 机台震动与对焦漂移线阵相机工作距离短景深也浅机台一旦有震动画面就会周期性模糊或者出现线条偏移。我遇到过最诡异的现象同一套算法白天过检率0.5%晚上变成3%。排查到最后发现是车间夜班时段旁边一台重型设备启动整个检测平台都在微幅震动。后来把所有相机支架换成铸铁底座并加装橡胶减震垫把相机与产线机架的连接点从3个增加到4个对角锁定问题才消停。另外对焦漂移是不知不觉发生的——镜头固定螺丝松动、温度变化导致镜筒热胀冷缩都会让清晰度下降。每两周做一次标定板对焦校验比什么算法优化都管用。4. 图像处理算法链从灰度化到缺陷分割的完整流程4.1 预处理降采样与去噪拿到原始图像后第一步是灰度化。线阵相机输出的一般是RGB三通道缺陷检测本质上关心的是亮度异常所以灰度化权重用标准公式Gray 0.299R 0.587G 0.114B如果检测的幅面很大而实际缺陷尺寸允许我会先做一次降采样例如把图像缩小到原来的二分之一。这一步别看简单处理速度能提升3到4倍因为后续所有的形态学操作、阈值分割都在像素数量更少的图像上计算。代价是灰度细节略损失但只要最小缺陷在降采样后仍然大于等于8个像素就完全不影响检出效果。然后做中值滤波核大小选3×3就够了。印刷品图像里常有孤立的小噪点中值滤波在保留边缘细节的同时能把这些椒盐噪声去掉为后面的阈值分割提供干净输入。4.2 模板差影与背景模型差影法的核心思路很简单拿当前图像和一张“标准无缺陷图像”逐像素相减差值大的地方就是缺陷。D(x, y) |I(x, y) − B(x, y)|但关键在于B这张标准图像怎么来。直接在产线上停机拍一张完全不现实——产线一停就是钱。我的做法是连续采集当前批次前100张通过人工确认无缺陷的图像逐像素求均值作为背景模板B。这样做能平均掉随机噪声同时保留印刷图案的结构信息。还有一个细节印刷品的套印位置本身有轻微波动同一个图案在不同张图像上可能偏移一两个像素直接做差影会产生一条条边缘轮廓伪影。解决办法是先做相位对齐——用归一化互相关NCC找到当前图和模板的位移偏移量把当前图平移对齐后再做差影。这一步的计算量不小但能稳稳压住后续的误检率。4.3 光照不均可怎么办顶帽变换差影能解决“和标准图不一样”的问题但解决不了光照不均匀带来的“同一张图上亮度不一致”的问题。印刷品表面有凹凸、覆膜反光、边缘翘起这些区域在图像上形成不规则的灰度渐变直接进阈值分割会把一大片区域全判成缺陷。这里我用的是形态学顶帽变换。做法是对图像做一次灰度开运算先腐蚀后膨胀得到一个近似的背景估计图。用原图减去背景估计图得到突出暗缺陷的顶帽图。开运算会把比结构元素小的细节包括缺陷抹掉只保留大区域的背景趋势。相减之后光照不均匀的“低频背景”被去掉了而缺陷这种“局部暗斑”被完整保留下来。注意如果缺陷是亮斑比如白点则用黑帽变换效果对称。这个处理的价值在于它把“不患寡而患不均”的光照问题转成了纯局部的异常问题后面阈值分割变得非常稳定。4.4 局部自适应阈值为什么全局阈值在这里不灵印刷品背景复杂同一张图上深色油墨区域和浅色空白的灰度值可能差上100多。如果用固定阈值或全局自适应阈值深色区域的背景会被直接当成缺陷处理。局部自适应阈值算法的思路是对每个像素只看它周围一个小窗口内的灰度统计然后根据局部均值μ(x,y)和局部标准差σ(x,y)计算该像素的阈值。我常用的是Sauvola变体T(x, y) μ(x, y) × (1 k × (σ(x, y) / R − 1))其中k取0.2左右R取128。窗口尺寸选择很关键太小了容易被网点本身干扰太大了又失去“局部”的意义。实践下来窗口大小取待检最小缺陷宽度的3到5倍同时必须大于印刷网点的周期比如最小缺陷0.2毫米对应图像上10个像素窗口就设在30到50像素之间。对于印刷品这类背景复杂的图像局部自适应阈值比Otsu可靠得多因为Otsu默认图像是单峰或双峰分布而印刷品图像往往是多峰分布全局分割必然翻车。4.5 形态学开运算与连通域筛选阈值分割完成后图像上会残留两类噪声一类是比真实缺陷更细小的孤立噪点另一类是背景纹理分割后留下的小碎片。这两类噪声我统一用一次开运算处理——先腐蚀再膨胀规则是如果一个白色噪声区域的宽度小于结构元素腐蚀步骤会把它完全消失之后膨胀也没法恢复。结构元素一般取3×3圆形或5×5方形具体取多大要看你设定的最小缺陷尺寸。接下来做连通域标记把白色像素聚成一个个独立区域。然后做一轮初步筛选剔除明显不合格的候选面积小于设定阈值的直接丢弃长宽比过于极端的丢弃与背景灰度差过小的丢弃这一步之后剩下的候选区域数量通常已经很少再从几十个排到个位数接下来进入分类判定阶段。5. 缺陷判定与分类传统方案怎么控制误检5.1 误检的来源分析只要跑过产线都知道算法误检永远是比漏检更麻烦的问题。漏检顶多是客户投诉过检率高会被现场质检员骂死——一堆没有问题的产品被拦下来人工复核根本忙不过来。误检来源主要有三类第一类是印刷品图案本身的边缘。图案的色块边界对比度极高差影后如果对齐稍有偏差边界轮廓就会变成“伪缺陷”候选。第二类是网点聚集区域。浅色调的网点在局部密集排列阈值分割后可能连成不规则的块状区域。第三类是光照反射形成的亮斑尤其是覆膜表面反光区域的灰度特征和真实缺陷几乎一样。理解了这三类误检来源才能有针对性地设计判定策略而不是盲目调阈值。5.2 特征工程与规则判定对每个候选区域我会提取一组特征面积连通域的像素总数长宽比最小外接矩形的长宽比例灰度差区域平均灰度与邻域背景平均灰度的差值对比度区域灰度标准差与邻域灰度标准差的比值位置在图像中的坐标靠近边缘的候选区域要额外标注然后走一套规则判定逻辑。例如刀丝的典型特征是面积中等、长宽比极大大于8、灰度差明显、方向接近走纸方向。蹭脏的特征是面积大、长宽比接近1、灰度差大、边界不规则。飞墨的特征是面积很小、对比度高、分布随机。规则判定最大的好处是结果完全可解释现场调试时你能直接告诉操作员“这个被检出来的东西为什么会被判成蹭脏”操作员也能根据经验快速反馈哪些特征判断错了调参就有方向。换成深度学习的话现场工程师面对一个误检只能干瞪眼不知道从何下手。5.3 周期性缺陷的专门通道印刷品里有一类缺陷非常讨厌——齿轮印、橡皮布损伤这类缺陷会在走纸方向上周期性重复出现周期可能是一圈辊的周长。它们单从灰度上看可能非常微弱甚至比正常图案的纹理差异还小普通差影很难稳定检出。我单独设计了一个周期性缺陷检测通道对差影结果图在走纸方向做一维傅里叶变换把图像信号转换到频域寻找频谱上的尖峰。如果有明显的频谱峰对应的就是周期性重复的异常信号。找到周期后再回到空间域按周期分帧做相位对齐和累计平均——把每一周期内的信号叠加平均随机噪声在平均中被消掉而有规律的缺陷会被增强。这个增强后的信号再去做阈值判定微弱刀丝和齿轮印就能稳定检出来了。这条通道不走常规的检缺陷流程但对印刷行业非常实用。凡是有滚筒结构的印刷机周期性缺陷基本是必然存在的搭一条专职通道比靠主流程“碰运气”可靠得多。5.4 深度学习要不要上很多读者可能会问既然传统方案这么费劲直接上深度学习和语义分割行不行。我的看法是深度学习适合场景高度一致的缺陷类型但印刷品缺陷的问题在于背景变化太丰富换一个订单就换一套图案深度学习模型的泛化能力很难保证需要大量标注样本重新训练而客户往往根本凑不出几百张连贯的缺陷样本图。所以我对这套系统的定位是主流程用传统图像处理——解释性强、调参快、不吃样本如果客户确实需要对特定纹理类型做深分类比如区分是刀丝还是咬痕旁路挂一个轻量级分类网络即可但绝不把检测核心放在深度学习上。这个路线选择在项目交付压力下帮我省了太多精力。6. 评估指标与落地数据识别率之外更重要的东西6.1 样本库建设与标注说到落地先解决一个很现实的问题你拿什么评估系统“好用”很多现场项目没有现成的标注数据集。我的办法是前期每天让质检员把人工检出、系统漏掉的缺陷图攒下来单独存一个漏检库。同时把系统报警但人工确认没问题的图存到另一个过检库。跑一个月两个库加起来就有几百张真实缺陷样本。标注统一规则很重要刀丝要标出起止点和宽度区域蹭脏要标轮廓模糊的边缘怎么算、算不算都要定义清楚。否则两个标注员画的框不统一评估指标就没法看。6.2 四个核心指标与实测结果我最后盯的是四个指标指标含义实测值检出率有缺陷且被系统检出的比例97.3%漏检率有缺陷但系统未检出的比例2.7%过检率无缺陷但系统报警的比例0.8%单张处理时间每张图像的完整处理耗时37ms单张37ms意味着产线速度在1米/秒时处理能力完全可以覆盖采集速度不会形成积压。漏检主要集中在两类极浅的蹭脏灰度差只有10左右肉眼勉强能看到和轮廓型刀丝。过检则集中在深色油墨区域的废屑灰度差和真实缺陷几乎没有区分度。对于这类系统我的经验是先保证检出率把参数放宽宁可多报一点等检出率稳定在97%以上了再压过检率。反过来做很容易翻车——参数一开始调太严漏检了都不知道漏在哪。6.3 上线调试的顺序和避坑经验顺序很重要别跳过步骤直接调阈值。我复盘了一下这套系统成功落地的调试顺序是第一步确认图像质量。打开实时采集画面看画面是否清晰、是否有运动模糊、光照是否均匀。图像质量不行后面算法再好都白搭。第二步确认差影效果。把当前图和背景模板直接做差看无缺陷区域是否干净——如果无缺陷区域差影后还有大量噪声说明对齐有问题或者光照有波动先解决这类系统性问题。第三步调阈值分割参数。这里慢工出细活每次改参数后用同一批历史样本回放对比不要一次调太多。第四步调分类规则。每个规则都留出“未分类”状态让未知情况先报警但不分类人工确认后再补规则。这套流程走下来系统才能从“实验室Demo”变成“产线能用”的状态。最后说一个很多项目复盘不会提的体会这家客户最后验收时最关心的其实不是检出率97.3%这个数字而是过检率。过检率高了质检员全天都在处理虚假报警几分钟就烦了最后直接把系统关掉。所以做这类项目一定要在过检率上死磕到底——哪怕漏检稍微高零点几个点只要过检率压得住系统就有活路反过来再漂亮的检出率也撑不住一个被现场操作员讨厌的系统。