学术期刊导读丨基于模板匹配的包装印刷品实时缺陷检测系统开发

针对包装印刷品生产中人工缺陷检测存在的成本高、效率低、漏检和误检率较高等问题，本研究设计并开发了一套基于机器视觉与模板匹配技术的缺陷检测系统。首先，通过合理选型相机、色标传感器、编码器等设备，完成了系统硬件的搭建。其次，采用灰度化、阈值分割和形态学操作对采集的图像进行预处理，有效提取出感兴趣区域，并利用高斯滤波器进行去噪处理。然后，通过仿射变换和插值处理建立变换模型，使用模板匹配方法检测缺陷，根据面积特征进行筛选与定位。最后，使用Visual Studio平台开发了上位机软件，实现了相机设置、检测参数设置、缺陷检测与显示等功能。实验结果表明，该系统能够有效检测包装印刷品缺陷，为生产质量控制提供可靠技术支持。与传统方法相比，该方法具有低成本、高精度、实时性等优点，为相关行业提供工程应用参考。

包装印刷品表面常见的缺陷类型主要包括划痕、墨点、漏印等，如下图所示。

常见印刷缺陷类型

结合生产现场的实际需求，检测系统需满足以下关键要求：检测速度需与生产线的速度相匹配，能够适应高达120m/min的生产线运行速率；同时，检测系统的处理幅面应达到最大800mm×1000mm的尺寸要求。为了确保在线实时检测的响应速度，系统通常需要在400ms以内完成缺陷检测任务。

实际生产环境中，印刷品的图像采集往往受光线、角度、距离等多种因素的影响，导致图像质量不稳定，出现模糊、光照不均、变形、噪声等问题，给后续的图像处理带来一定挑战。同时，相较于其他工业产品，印刷品图像的复杂性更高，并且要求系统能够快速适应不同模板的变化。

本研究实现的印刷缺陷检测系统主要包括三个部分：图像采集装置、检测算法流程和上位机软件设计。系统流程示意图如下图所示。

检测系统架构示意图

本研究所搭建的实验系统平台硬件组成如下图所示。

实验系统平台硬件组成

本研究提出方法的整体检测流程如下图所示。

检测算法流程图

针对系统的特定检测要求，设计了以下功能模块：相机设置模块、缺陷检测参数设置模块以及缺陷检测与显示模块，整体设计框架如下图所示。

上位机软件界面

图像预处理的流程如下：首先，通过加权平均的灰度化方法将彩色图像转换为灰度图像；随后，采用自适应阈值分割方法对灰度图像进行二值化处理，以区分前景和背景；在此基础上，通过形态学操作对二值图像进行空洞填充和膨胀操作，提取感兴趣区域；最后，采用高斯滤波进行去噪处理。

本研究采用加权平均的灰度化方法，将RGB图像转换为灰度图像，以加快处理速度，灰度化后的图像如下图所示。

灰度化图像效果图

为简化图像信息、提取目标特征、减少数据储存和计算量，便于后续操作的高效和方便，本研究通过二值化处理对灰度图像进行阈值分割。通过该方法得到的二值化处理前后对比图如下图所示。

二值化前后对比

将输入的区域内所有的空洞填充，空洞是指被背景包围的目标区域内的黑色区域（用灰度值为255的像素填补灰度值为0的像素）。通过填充空洞，可以确保区域内的像素都属于同一个连通区域，有助于后续的分析和处理。然后，对二值图像进行膨胀操作，即对输入的区域进行带有圆形结构元素的闵可夫斯基加法运算。

为了去除这些噪点并使后续处理更加准确，本研究对比使用了两种滤波法：二项式滤波和高斯滤波，两种滤波的对比如下图所示。

两种滤波器的效果对比

下图是在不同模板下使用高斯滤波对图像进行去噪处理前后的对比。可以发现，在3×3模板下的高斯滤波去噪处理的效果最好。因此在对图像进行处理时，本研究最终采用3×3模板的高斯滤波去噪。

不同模板的效果对比

本研究使用Canny算子实现这一过程，主要包括以下步骤。

1）原始图像（如图a）经过灰度化和高斯滤波平滑处理之后，通过计算梯度幅值来识别边缘区域。

2）遍历梯度矩阵的所有像素点，并保留具有极大值的像素点，通过非极大值抑制初步的边缘点检测，使边缘变细。

3）采用双阈值选择的方法确定边缘是否为真实边缘。确定了边缘点后，进行连接操作，获取图像轮廓。其效果如下图b所示。

除此之外，Laplacian、Shen Castan、Sobel也是常用的边缘检测算法。分别使用以上算子和Canny算子对图像进行亚像素边缘检测，结果如下图c、图d、图e所示。

四种算法提取边缘的效果（局部放大）

本研究通过仿射矩阵对图像进行校正、配准或变形，结合双线性插值校正图像形变与像素偏差；依据灰度差异和面积特征判别并定位印刷缺陷。

本研究缺陷样本主要来源于实际生产，部分缺陷依据实际情况由人工生成，最终得到实验样本共518张。部分检测结果如下图所示，并标出了缺陷精度。

检测结果示例

由实验结果可知，平均漏检率（未正确检出的缺陷样本数量占缺陷样本总体数量的比例）为0.69%，误检率（不包含缺陷的正常样本被错判的数量占正常样本总体数量的比例）为0.44%，识别率（正确检出的缺陷数量占缺陷总体数量的比例）为99.26%。

为进一步验证提出算法的有效性，本研究复现了文献[4]、文献[16]和文献[17]中的检测方法，并进行了对比实验。为确保实验一致性，对于文献中未明确的处理环节，均按照本研究方法进行处理。基于构建的数据集，统计了各种缺陷类型的平均漏检率、误检率和识别率等评价指标。

实验结果表明，相比各文献中的算法，本研究算法的漏检率和误检率最低，且识别率最高。这表明本研究算法在准确性和鲁棒性方面均优于其他方法，体现出其在检测任务中的明显优势。

为了获得最佳的结果，可以采用试错的方法，反复调整灰度值范围，直到获得满意的分割效果。这通常需要结合对印刷图像特征的理解和算法的调试经验。在不同的印刷环境中，由于印刷质量、光照条件、摄像设备等因素的变化，所需的灰度值范围可能会有所不同。如下图所示，当阈值设为0~125时，亮度低的部分被判定为目标区域，能够完整提取出字体和图像的边缘，提高识别率；而当阈值设为100~255时，则更关注字体内部的细节，极易造成误检。

不同灰度值范围下的分割结果对比

在包装印刷品的缺陷检测中，鉴于大多数产品通常呈现为矩形形态，所设计算法默认将感兴趣区域的形状设定为矩形（如下图c）。然而，若感兴趣区域形状选择不当，可能会引发两种不利情况：一是部分关键的检测目标区域可能被忽略（如下图a），二是非目标区域可能被错误地识别为目标区域（如下图b）。因此，在设定感兴趣区域形状时，必须审慎权衡漏检和误检的风险，以确保检测的准确性和可靠性。

不同Type下的感兴趣区域形状

在实际应用场景中，需明确待检测缺陷的具体类型、尺寸以及其在生产过程中的重要性。不同类别的缺陷可能要求不同的缩放级别来确保检测效果的精确性。如下图所示，随着缩放因子S（包括S_x、S_y）值的增加，图像细节和提取的边缘愈发清晰，但相应的检测时间呈现上升趋势。为满足实际生产的多样化需求，S的大小可通过上位机软件界面进行灵活调整，确保检测过程能够根据具体情况进行精确控制。

不同S下的图像精细程度

系统已在生产现场部署，部分硬件安装及软件实现如下图所示。

实际生产现场安装及测试示意图

实验室环境中橡皮布挤压、机械振动和传动误差等因素，与实际生产现场存在差异。如在实验室测试中，由于未模拟生产线抖动，图像采集未出现细微变化。而现场存在由于抖动导致的图像轻微偏移，检测结果出现了较多误识别区域，如下图a所示。为解决该问题，本研究引入了偏差容许处理方法，该方法可以有效应对不稳定图像，显著改善了检测效果。具体而言，该方法通过对比缺陷区域并进行二次过滤，从每个错误识别区域中选取5个关键点，提取每个点的坐标及灰度值，并在模板图像相同坐标的附近区域内搜索是否具有相同灰度值的像素。若找到匹配的像素，则认为错误识别由轮廓偏差引起，重新将该区域标记为绿色线条；若未找到匹配的像素，则确认该区域为实际缺陷，继续标记为红色线条。实验结果表明，该方法有效过滤了偏移抖动问题，显著抑制了过度检测现象，如下图b所示。对于现场纠偏不足、相机行频丢失等因素引起的轮廓偏移（通常发生在灰度变化大的轮廓区域），系统也能有效识别并过滤，从而提高了检测准确性。

偏差容许对比图

当前包装印刷行业的人工缺陷检测方式面临主观性及疲劳度等问题，而深度学习方法的应用则受限于数据量与质量、对计算性能的高需求和应用成本问题，使其在应对复杂多变的实时性缺陷检测问题时面临挑战。本研究针对生产过程中常见的划痕、墨点、漏印等印刷缺陷，设计了一套低成本的印刷缺陷检测系统。该系统结合了图像采集装置与软件设计，主要通过灰度化处理、阈值分割、滤波去噪、仿射变换、插值处理以及缺陷检测等一系列操作步骤，实现了对印刷品的实时高效检测。实验结果表明，系统能够准确且完整地提取出缺陷区域，整体检测效果较为理想，满足了印刷行业的实际需求，展现出了良好的实用价值和社会经济效益。此低成本方案为广大的中小型企业提供了切实可行的印刷品缺陷检测解决方案，有助于他们在提升效率与降低人力成本的同时，实现更高层次的自动化检测与质量控制。

然而，本研究方法仍存在一定的局限性。例如，系统在面对较为复杂的缺陷类型（如复合缺陷）时，可能会出现漏检或误检现象，且对不同生产环境下的噪声和干扰较为敏感。未来的研究可以通过引入更多样化的图像处理算法、优化模型鲁棒性以及增强数据集的多样性，进一步提升系统在复杂环境中的稳定性和准确性。此外，硬件技术的进步，结合深度学习算法和硬件加速处理，将为实现更高效、更精准的实时检测提供更好的解决方案。

温雅然, 林震涛, 王正松, 杨乐. 基于模板匹配的包装印刷品实时缺陷检测系统开发[J]. 印刷与数字媒体技术研究, 2026, (1): 74-88.

WEN Ya-ran, LIN Zhen-tao, WANG Zheng-song, YANG Le. Development of Real-Time Defect Detection System for Packaging Prints Based on Template Matching [J]. Printing and Digital Media Technology Study, 2026, (1): 74-88.