简介：本资源是一个基于MATLAB开发的印刷品缺陷检测系统，面向计算机、人工智能、自动化及通信等专业的学生、教师与工程实践者，解决印刷质量控制中污点、刮痕、色差等常见缺陷的自动识别与定位问题，适用于课程设计、大作业及毕业设计等实践场景。压缩包共18个文件，含7幅JPG格式样本图像（含标准图与缺陷图）、3个MAT数据文件（存储预处理图像与特征数据）、1个PNG流程图、1个FIG图形界面文件、1个M主程序脚本、1个DOCX技术文档及1个DOC操作指南，辅以P、DATA、DB等支持文件，整体4.18MB，结构完整、模块清晰。已有51人学习下载，资源提供可直接运行的GUI界面，涵盖图像预处理、特征提取与缺陷判别全流程，附带详细算法说明与导入指引，便于初学者快速上手，也支持进阶用户修改核心逻辑、拓展检测类别或优化识别性能。 最近在整理一批视觉检测相关的MATLAB程序，翻到之前做的一个印刷品缺陷检测系统，正好有人问到这方面的资料。这个项目源于一个实际需求：产线上印刷包装盒的图案经常出现脏点、缺墨、划痕、套印不准这类缺陷，传统的人工目检不仅费眼，而且漏检率不稳。我基于MATLAB开发了一整套可运行的检测程序，从图像预处理到缺陷分割、特征提取、结果标注，最后还配了一个简单的GUI界面，方便不熟悉代码的人直接操作。整套系统打包成zip后可以直接打开运行，对做机器视觉入门、课程设计或者小型质检项目的朋友来说，参考价值比较大。
这套程序和常见的深度学习检测方案不一样，它没有用神经网络，也没有依赖GPU，核心思路是“图像差分 + 形态学分析 + 连通域量化”。也就是说，拿一张标准无缺陷的印刷品图像作为模板，然后将待检测图像与模板做配准和差分，通过像素差异来定位缺陷区域。这种思路在印刷品检测这种背景相对固定、缺陷类型明确的场景里，比上深度模型更轻量、更稳定，也更容易调试。下面我从设计思路、算法实现、实操流程到踩坑记录，把整个项目完整拆一遍。
1. 项目整体思路：印刷品缺陷检测到底在检测什么
1.1 印刷品缺陷的常见类型与检测逻辑
印刷品缺陷检测，本质上是一个“找不同”的问题。但是和随手玩“大家来找茬”不一样，产线上的印刷品缺陷有很强的领域特点。常见缺陷大致分四类：
- 表面污染类：灰尘、油渍、蚊虫尸体、纤维毛，表现为局部颜色突变，形状不规则。
- 印刷工艺类：缺墨、飞墨、刀丝、脏版，表现为线条状或块状的颜色缺失。
- 机械损伤类：划痕、压痕、折痕，表现为亮度异常或边缘断裂。
- 套印误差类：多色印刷时各色版没有对准，表现为图案边缘出现重影或色偏。
这四类缺陷在图像上的共性，就是它们都会导致局部像素灰度值偏离正常模板。所以我的检测逻辑很简单：先建立一幅标准模板图，然后用待检图和模板图逐像素对比，找出灰度差异超过阈值的区域，再把这些区域用形态学处理连成完整的缺陷块，最后通过面积、长宽比等特征过滤掉噪声，留下真正要报警的缺陷。
1.2 为什么用MATLAB而不是纯Python/OpenCV
很多做视觉的人习惯用Python+OpenCV，但对于这个检测场景，MATLAB有几个明显的优势。
第一，MATLAB自带图像处理工具箱（IPT），很多函数直接封装好了，比如imregcorr做相位相关配准、imbinarize自适应阈值、regionprops做连通域分析，不需要自己造轮子。第二，MATLAB的矩阵操作语法直观，写图像差分就是diff_img = abs(double(img) - double(template))一行事，调试起来非常方便。第三，GUI设计有现成的App Designer或GUIDE，前期做原型验证比在Python里用tkinter或PyQt方便得多。第四，MATLAB在科研和教学领域普及率高，很多实验室和课程设计都在用，后期交给师弟师妹维护也容易。
当然MATLAB也有缺点，比如工具箱要花钱、打包成exe比较臃肿、运行速度不如C++。但对印刷品缺陷检测这种需要频繁调整算法参数的场景，MATLAB的交互式调试体验是无可替代的。我的原则是：算法验证阶段用MATLAB，产线落地阶段再转C++或Python。
2. 系统核心模块拆解：从图像采集到缺陷分类
整个系统按功能可以拆成五个模块：图像采集与读取、预处理、配准、差分检测、缺陷分析与GUI展示。这五个模块不是简单的顺序执行，很多地方需要根据实际图像效果来回调整。
2.1 图像预处理模块：光照校正与去噪
印刷品在拍摄过程中最容易遇到的问题就是光照不均匀。尤其是大面积覆膜的包装盒，表面会有反光，拍出来的图像亮度分布不均匀。如果不做光照校正，直接拿原图和模板做差分，会出现大量伪缺陷。
我用的是背景估计法。具体做法是：对图像做一个极大值滤波或高斯模糊，得到一个近似光照背景，然后用原图除以背景，把光照影响归一化。这一步在实际项目中效果非常显著，能把因为反光引起的误检率降低一半以上。
% 光照校正 bg = imfilter(img, fspecial('gaussian', 51, 15), 'replicate'); img_norm = double(img) ./ max(bg, eps); img_norm = uint8(img_norm ./ max(img_norm(:)) * 255);这里高斯滤波器的尺寸和标准差需要根据图像分辨率调整。我用的测试图是500万像素左右，51x51的核比较合适。如果图像更大，核的尺寸要成比例放大，否则校正不彻底。
去噪方面，我推荐使用中值滤波而不是均值滤波。中值滤波在去噪的同时能保留边缘细节，对后续边缘检测和形态学分析更友好。但要注意滤波窗口不能太大，3x3或5x5就够了，太大会把细小的缺陷也抹掉。
2.2 缺陷分割与定位：阈值、边缘、形态学组合
分割是整个系统的核心。分割做不好，后面特征提取再花哨也没用。我采用“差分图二值化 + Canny边缘补强 + 形态学闭合”的组合策略。
先说差分图二值化。待检图和模板图做差分后，差分值可能是正也可能负，比如缺墨表现为比模板暗，脏点表现为比模板亮。所以取绝对值后，再设定一个阈值，超过阈值的像素标记为候选缺陷。阈值选择非常关键，阈值太高漏检，太低误检。我的做法是先用Otsu全局阈值（graythresh）得到一个初始值，然后根据实际误检情况手动微调。
Canny边缘补强是为了处理那些灰度变化不明显但边缘有断裂的缺陷，比如划痕。划痕在差分图上可能只有几个像素深，但边缘是连续的。把Canny提取的边缘叠加到二值图上，再配合形态学膨胀，可以让划痕区域完整显现出来。
形态学操作是整个分割环节的“黏合剂”。第一次膨胀把断裂的缺陷片段连起来，然后闭运算填补内部空洞，最后开运算去掉细微噪声点。顺序不能乱，否则效果完全不同。
2.3 特征提取与分类判别
分割得到的二值图里，每个白色连通域就是一个候选缺陷。regionprops这个函数能一次性输出面积、质心、边界框、长轴长度、短轴长度、偏心率、周长等十几个特征。
在特征筛选时，我主要用面积和偏心率。面积小于设定阈值的连通域直接忽略，这能滤掉大部分由图像噪声引起的孤立像素点。偏心率用于区分线状缺陷和块状缺陷，划痕、刀丝这类缺陷的偏心率接近1，而油渍、脏点这类块状缺陷的偏心率接近0。用长宽比也可以，本质上是一回事。
“分类判别”听起来高级，但在传统图像处理框架下，无非就是设定几个阈值规则。比如：
- 面积 > 500 像素 且 偏心距 < 0.9 判定为块状缺陷（脏点、缺墨）。
- 面积 > 200 像素 且 偏心距 > 0.95 判定为线状缺陷（划痕、刀丝）。
- 其余忽略。
这样的规则已经能应付大多数印刷品检测场景。如果缺陷种类更多，可以在特征基础上加一个简单的决策树或SVM分类器，但没必要上深度学习，数据量不够时反而容易过拟合。
3. 关键算法实现细节与参数调优
3.1 灰度化与直方图均衡化的实际效果
印刷品缺陷检测通常在灰度图像上进行，因为彩色图像的三通道信息在差分时反而会放大色偏噪声。但如果缺陷本身是颜色差异非常细微的，比如浅黄色底上的淡黄色墨斑，灰度化后对比度可能不够。这种情况下，我会在灰度化前先做一次色彩通道选择。
比如，检测红色印刷品的缺墨时，红色通道（RGB第1通道）的信息往往比灰度图更有区分度。MATLAB里取通道很简单：red_channel = rgb_img(:,:,1);然后在红色通道上做差分。实测下来，对特定颜色的缺陷检测，单通道提取比先转灰度再增强要有效得多。
直方图均衡化（histeq）在通用图像增强中很常用，但在这个项目里我不太推荐对整幅图做均衡化，因为它会改变像素灰度值的原始分布，导致差分图的统计特性偏移，反而增加误检。只有在光照校正后图像动态范围仍然很窄的时候，才做局部自适应均衡化（adapthisteq），而且限制对比度要设低一点，比如0.01，否则会把背景纹理放大成伪缺陷。
3.2 形态学操作：结构元素大小的选择逻辑
形态学操作里的结构元素大小，是新手最容易忽略但又影响巨大的参数。结构元素太小，缺陷连不起来；太大，会把相邻的正常区域也包进来，导致误检区域膨胀。
我的经验是：先确定最小缺陷尺度。比如你关心的最小的真实缺陷是 5x5 像素大小，那么结构元素边长取 3 就够了，不需要更大。对线状缺陷（划痕），用线性结构元素沿缺陷方向做闭运算，效果比方形结构元素好得多。但方向不确定时，可以用多个角度的线性结构元素分别做，然后取并集。
% 形态学组合示例 se_close = strel('disk', 5); bw_filled = imclose(bw_diff, se_close); bw_filled = imopen(bw_filled, strel('disk', 3)); bw_clean = bwareaopen(bw_filled, 50); % 删除小于50像素的区域注意bwareaopen这个函数非常实用，它可以直接删除小于指定像素数的连通域，相当于在面积特征上做了一次前置筛选。
3.3 连通域分析：如何输出缺陷的位置与面积
regionprops返回的是一个结构体数组，每个元素对应一个连通域。我一般这样用：
stats = regionprops(bw_clean, 'Area', 'BoundingBox', 'Centroid', 'Eccentricity');然后遍历stats，对每个连通域判断是否满足条件：
for k = 1:length(stats) if stats(k).Area < min_area continue; end if stats(k).Eccentricity > 0.95 && stats(k).Area > min_line_area % 记录为线状缺陷 elseif stats(k).Eccentricity <= 0.95 && stats(k).Area > min_block_area % 记录为块状缺陷 end end定位信息用BoundingBox，它给出了一个四元素向量[x, y, width, height]，可以直接用来在原始图像上画矩形框。注意MATLAB的坐标原点在左上角，和图像旋转、裁剪时容易搞混，建议在GUI显示时统一坐标基准。
3.4 GUI交互设计：让系统可操作
纯脚本程序对使用者不友好，尤其当使用者是产线上的质检员时，他们需要的是“选图、点检测、看结果”三步操作。我基于MATLAB App Designer做了一个简单界面，界面左侧是原图和二值图显示区域，右侧是参数调节面板和结果列表。
参数调节面板包括：差分阈值滑动条、形态学开闭大小输入框、最小面积输入框。每次调参后点击“重新检测”按钮，界面立即更新检测结果。这种交互方式让调参效率大幅提升，比每次改代码跑脚本快得多。
GUI里还有一个很实用的功能：保存检测报告。把每次检测的图像名、缺陷数量、缺陷位置、面积大小导出到一个Excel表格或CSV文件，方便后期追溯质量数据。这个功能在产线验证阶段非常重要，因为你可以用历史数据复盘误检漏检原因，持续优化阈值。
4. 完整流程演示：从读图到报警输出
4.1 环境准备与文件结构
建议在MATLAB R2020b及以上版本运行，需要Image Processing Toolbox。老版本可能在App Designer组件上有些差异，但核心函数是通用的。我自己在R2021a和R2023a上都跑过，没有问题。
打包的zip解压后，建议的文件结构如下：
print_inspection/ │ main.m % 程序入口：命令行模式 │ MainApp.mlapp % GUI应用 │ detect_defect.m % 核心检测函数 │ template.png % 标准模板图像 │ test_images/ % 待检测图像文件夹 │ results/ % 结果输出文件夹detect_defect.m是核心函数，输入为待检图像和模板图像，输出检测结果结构和标注后的图像。把核心逻辑封装成函数，GUI和命令行模式都能调用，避免代码冗余。
4.2 核心代码流程解析
核心检测函数的大致流程如下：
function [result, annotated] = detect_defect(img, template, params) % 步骤1：灰度化与尺寸统一 if size(img, 3) == 3 img = rgb2gray(img); end if size(template, 3) == 3 template = rgb2gray(template); end template = imresize(template, size(img)); % 步骤2：光照校正 img_norm = illumination_correct(img); tmpl_norm = illumination_correct(template); % 步骤3：图像配准 [optimizer, metric] = imregconfig('monomodal'); tform = imregtform(img_norm, tmpl_norm, 'rigid', optimizer, metric); img_reg = imwarp(img_norm, tform, 'OutputView', imref2d(size(tmpl_norm))); % 步骤4：差分与阈值分割 diff_img = abs(double(img_reg) - double(tmpl_norm)); bw = diff_img > params.threshold; % 步骤5：形态学处理 bw = imclose(bw, strel('disk', params.close_radius)); bw = imopen(bw, strel('disk', params.open_radius)); bw = bwareaopen(bw, params.min_area); % 步骤6：连通域分析与结果输出 stats = regionprops(bw, 'Area', 'BoundingBox', 'Centroid', 'Eccentricity'); result.defects = stats; result.count = length(stats); annotated = insertShape(uint8(img), 'Rectangle', [stats.BoundingBox], 'LineWidth', 2, 'Color', 'red'); end这个流程里，图像配准容易被初学者忽略。如果待检图像拍摄时摆放位置有微小旋转或平移，不做配准直接差分，边缘会出现一圈伪缺陷。imregtform配准虽然慢一点，但对印刷品这种纹理丰富的图像非常有效。
4.3 一个实际检测案例的逐步结果
我拿一套实际产线上的包装盒图像做测试。模板图像是一张印刷精美的彩色包装盒正面，待检图像有一处明显的黑色缺墨和一个很小的灰尘点。
第一步，灰度化后不看图可能没感觉，但看差分图就很明显了。缺墨区域的差分值在150左右，远超阈值；灰尘点只有5x10像素大小，差分值大概在80左右，也能被检测到。
第二步，光照校正后，边缘反光区域被大幅抑制，原本在未校正时会出现的两条横向伪缺陷消失了。
第三步，阈值取40时，差分图二值化后，缺墨区域完整，灰尘点没有断裂。形态学闭运算半径为3，灰尘点周围的细小分支被连成一个小块。bwareaopen设置最小面积为30像素，灰尘点面积52像素，保留；一些面积不足30像素的孤立噪声点被清除。
最终输出缺陷数量为2，红色框标注在对应区域。整个检测单张图像耗时约0.8秒（i5处理器，不含GUI刷新），这个速度用于离线抽检完全够用。如果产线需要更快，可以把imregtform配准改为基于标记点的仿射变换，速度可以提升到0.3秒左右。
5. 常见问题与排查技巧实录
5.1 误检率过高怎么调
误检率高，多数原因是阈值太低或光照校正不彻底。我遇到过一次特别典型的：把模板图像光照校正了，但待检图像没校正，结果所有边缘位置都是缺陷。后来调整为先同时校正两张图，误检立刻降下来了。
另一个常见原因是模板图选得不够“标准”。模板图本身如果有细微划痕或灰尘，检测时就会把这些当作正常信息，导致待检图上对应位置被差分掩盖，出现漏检。如果条件允许，模板图最好用多张正常品图像做像素级中值合成，这样可以有效消除单张图上的干扰，得到一张更干净的基准图。
5.2 程序运行慢怎么办
首先用MATLAB Profiler（profile on）定位瓶颈。在我这个项目里，最耗时的是imregtform配准，大约占50%时间。如果检测场景中待检图位置固定，没有旋转和平移，完全可以把配准步骤去掉。不少产线用治具卡位拍摄，根本不需要配准。
其次，imclose和imopen如果使用大半径结构元素也会很慢。可以考虑先用bwareaopen去掉小噪声，再用较小半径做闭运算，整体速度能快很多。
另外，脚本模式下每次循环都调用imread读图也比较费时间。检测大量图片时，建议预先一次性读取所有图像路径，然后并行处理。MATLAB的parfor可以无脑提速，但要注意parfor里不能依赖上一次迭代的结果，我的处理函数是纯函数，所以非常适合并行。
5.3 光照变化导致漏检
印刷品检测最大的敌人是光照。如果待检图像比模板图像整体亮度偏暗，差分图会出现大片低灰度区域，如果阈值设置过高，真实缺陷灰度差反而不明显了。
我采用了一种相对简单的解决方案：差分前先计算两张图的平均亮度比例，将待检图亮度对齐到模板图，再做差分。代码大致如下：
mean_img = mean(img(:)); mean_tmpl = mean(template(:)); img_aligned = img * mean_tmpl / mean_img;这个方法对整体亮度变化有效，但对局部阴影无效。局部阴影需要用更细腻的光照校正，比如分块校正或者背景估计。
还有一种情况是打印的批次油墨浓度不同，导致整体色调有偏移。这时可以尝试在RGB空间做颜色校正，或者改用彩色差值的欧氏距离来判断差异，而不是只看灰度差。
5.4 MATLAB版本与工具箱兼容问题
MATLAB版本差异确实会带来一些坑。imregtform在R2018a之前没有，App Designer也在早期版本不够成熟。如果你的代码要在老版本上跑，可能需要用imtransform和cp2tform替代。好在当前大多数人用的都是R2020b以后的版本，基本没有大问题。
工具箱方面，只用到了Image Processing Toolbox和Computer Vision Toolbox（insertShape在这个工具箱里）。如果没装Computer Vision Toolbox，可以用rectangle函数在figure上绘制标注框，或者自己实现一个画框函数，减少工具箱依赖。
另外，中文路径是MATLAB的一个历史遗留坑。imread对中文路径支持不稳定，我在windows上测试，有时能读到，有时报错。建议所有图像路径统一用英文字母和数字命名，解压或部署时不要放在带中文的目录下。
5.5 模板更新策略
印刷品检测系统在产线中运行，模板不能永远不变。印刷机本身有漂移，油墨颜色会随着时间有细微变化，固定模板用太久会出现系统性误检。
我的做法是设计了一个简单的模板更新机制：每半小时取一张被判定为合格品的图像，和当前模板做平均，生成新模板。但要注意，这个机制必须有人工复核兜底，否则一旦有缺陷品被误判为合格品并更新进模板，后续所有缺陷都会漏检。稳妥的方案是保留原始模板，只在人工确认合格后才更新，或者用“新旧模板差异化对比”来发现环境漂移，而不是直接替换模板。
实操心得与扩展建议
这套印刷品缺陷检测程序我已经在多个场景下验证过，从课程设计的演示项目到小型产线的离线抽检，整体可靠性和可维护性都不错。但如果你在实际复现时发现效果和预期有差距，不要急着改算法，先排查图像采集环节。光照、清晰度和位置一致性，这三个因素决定了算法效果的上限，算法只是在逼近这个上限。
对刚接触MATLAB图像处理的人来说，建议不要直接跑完整代码就以为万事大吉，可以试着修改检测阈值，观察差分图和最终标注的变化，理解每个参数对结果的影响。这样一旦遇到实际项目，你才知道该往哪个方向调。另外，regionprops输出的特征可以继续延伸到更多场景，比如测量缺陷的圆度、周长、占空比，甚至训练一个简单的线性分类器，把缺陷细分到具体类型。
如果后续想把这套系统推向更复杂的场景，比如印刷品表面有纹理、有渐变底色、或者缺陷非常细微，你可以考虑引入频域分析或深度学习语义分割模型。但在这之前，把传统图像处理的基本功练扎实，理解图像的噪声、光照、配准这些底层问题，会让你在应用更高级方法时少踩很多坑。
最后分享一个我后来一直沿用的细节：在GUI界面上预留一个“调试模式”开关，打开后可以把每一步中间结果（光照校正图、差分图、形态学结果）都显示出来。调试模式下调参的效率比只看最终结果要高一个量级，这也是我在多次改参数改到头大之后总结出来的经验。
本文还有配套的精品资源，点击获取
