项目需求：

某集成商有一个牛奶包装生产日期打印质量的检测需求，内容为检测牛奶包装上的生产日期打印质量，判断是否有打花，缺码，污点的情况，设备根据检测结果，将打印质量不良的包装剔除。

检测对象：

方案设计：

                                                                                                  视觉方案

成像方案部分：

相机：MV-CA013-20GM               镜头：MVL-HF3528M-6MP

光源：MV-LLES-175-30-W            视场范围：60 mm  *  40mm

工作距离：350mm                       光源距离：180mm

需求难点：

作为检查对象，字符信息实时在变化，位置也不固定，有一定的波动，包装个体之间的差异导致字符的背景也有明暗变化的情况，因此使用传统的缺陷检测算法很难实现

算法实现：

考虑到项目的难点，利用深度学习缺陷检测的方式搭建算法方案，首先通过特征匹配和仿射变换定位字符位置，并将原图裁剪成260*160大小的图片。流程如下：

图像预处理流程

                                                                       原图                                                  裁剪后的图片

通过图像预处理，将原始图像裁剪成260*160分辨率的小图，一方面可以使得样本的的背景更加简单，较少干扰。同时，低分辨率的样本可以较少算法对硬件的依赖。提升检测效率。模型训练时，选择300张NG的样本和300张OK的样本，保证NG的样本中包含所有缺陷的纹理。具体模型训练的过程略。得到缺陷检测的模型后，进行测试，测试的算法流程如下：

                                                                                                  缺陷检测流程

通过测试发现，OK的样本和NG的样本在概率图的呈现形式上有明显的差异，通过blob工具，开启面积和阈值使能，过滤干扰项，达到字符缺陷检测的效果。测试样本集中，OK的样本为800张，NG的样本为400张，OK的全部识别正常，NG的误识别为4张，综合识别率为99.7%。

总结：

在实际的应用环节发现，终端客户对字符缺陷的需求要大于字符识别的需求，实际的喷码过程中，喷码错误的可能性非常低，往往会有设备异常导致的喷码缺陷，这类缺陷是客户需要剔除的，深度学习缺陷检测技术刚好可以应对这类复杂的缺陷检测需求。