随着工业化技术的飞跃发展,人们对于产品的质量问题也越来越重视。针对自动化生产领域中有关印刷品表面质量检测的研究热点问题,本文就以毛巾产品上所贴标签为例展开研究。标签生产时受到多种因素的影响,标签表面经常会出现一些外观问题,比如出现了喷墨、多印、少印、划痕以及沾染了污渍等等,而一些客户特别是海外客户恰恰对这些表面质量问题倍加关注,因此进行标签缺陷检测对于企业是必然的需求。以计算机视觉为核心的缺陷处理研究成为了热点之一。而OpenCV(Open Source Computer Vision Library)这个开源图像库的不断更新强大更是功不可没,在计算机视觉领域中越来越占据着主导地位。近十多年来的更新换代让OpenCV的功能越发的强大起来,由于它高效率的可移植性,像DSP和ARM芯片上,加之各种高质量的数字处理器和处理芯片的不断涌现,如今被广泛使用于工业自动化领域中、军事领域、遥感卫星领域和交通领域等中,像本文中将OpenCV应用于产品表面的质量检测中去。和绝大多数图像处理应用相类似,本课题研究的标签表面质量检测的主要流程是图像的预处理操作、图像的特征提取及匹配(本文用于图像间的配准),最后运用相关的形态学运算处理提取出表面可能存在的缺陷。本文中介绍涉及到的图像预处理流程主要包含滤波操作、直方图统计、阈值分割及二值化和相关的形态学处理等。进行缺陷检测过程中最关键的步骤是实现图像配准,配准精度的高低直接影响到后续的缺陷提取操作。本文的主要工作如下：第一,介绍了“机器换人”发展大战略的提出由来和发展趋势,结合本文的毛巾标签等印刷品缺陷检测研究的历程及其现状。第二,简述了OpenCV技术的发展历程和模块组成情况,以及在图像处理中的重要应用体现,主要是简述和概览。第三,本文采用在图像特征提取法的框架下,首先就经典的尺度不变特征变换算法(Scale Invariant Feature Transform, SIFT)对于图像特征提取匹配指出了不足之处,之后在此基础上提出了SIFT算法的升级版——基于加速鲁棒特性(Speeded Up Robust Feature,SURF)和模板匹配算法相结合的表面缺陷检测算法,分别比较SIFT算法和SURF算法在提取特征点上的区别。本文中运用此两种特征算法分别用来提取标准图像和缺陷图像中的局部不变特征点,这些不变特征点对于图像发生的旋转、平移、缩放甚至视角改变都具有一定的不变性,再经由随机采样一致算法(Random Sample Consensus,RANSAC)对提取的特征点进行提纯筛选,而后进行特征点匹配,通过得到的匹配点对中特征点坐标信息估算出图像配准所需参数,最后根据变换参数对缺陷图像(待配准图像)实现图像配准。第四,得到了配准后的图像之后,需要进行缺陷提取。本文提出了基于图像灰度差影图法和基于异或二值化图像像素值法两种比较算法,经实验验证,采用后者算法提取的缺陷容易丢失掉一些缺陷信息,会干扰到最后的缺陷判定,因此前者更优一些。最后,对本文所取得的研究成果进行了总结分析,对于研究中的不足之处提出了展望,以便于进行下一步的工作。