基于机器视觉的瓶口缺陷检测方法研究

来源：SCI期刊网 分类：电子论文 时间：2022-04-06 09:48 热度：

　　摘要：在基于机器视觉的啤酒瓶口质量检测过程中，由于部分瓶口图像中缺陷灰度值变化范围大、边缘区域的干扰多，传统方法难以实现瓶口缺陷快速、准确检测。为此，分析总结各类瓶口缺陷特征，提出基于随机圆评估的三圆周定位法，以提高抗干扰能力和定位精度，并提出残差分析动态阈值分割与全局阈值分割结合的瓶口缺陷检测方法，克服灰度变化和瓶口缺失对检测结果的影响。对90幅图像测试，与5种瓶口缺陷检测法对比，结果显示：执行时间为117.33 ms，与效果最好的 sVM算法相比，检测正确率提高了2.22%，可实现强干扰、大缺陷的瓶口图像中缺陷快速、准确定位和检测。

　　关键词：机器视觉;图像处理;残差分析;阈值分割;缺陷检测

　　1 引 言

　　瓶使用回收旧瓶，存在大量瓶口破损的瓶，使用瓶口破损的瓶可能给生产线和消费者带来重大安全我国啤酒瓶需求量大，其中80%以上的啤酒 隐患，因此，在进行啤酒灌装前，进行瓶口缺陷检测是一个必要过程。目前，基于机器视觉的检测技术已广泛应用于医药、食品、电子制造等行业¨剖，在啤酒瓶质量检测中的应用也日渐普及。

　　国外，早在20世纪60年代研制出空瓶检测机，但描述瓶口缺陷检测方法的文献少，Yoshida[7] 使用弧形光源和光电传感器获取瓶口图像，采用径向方向扫描实现五类瓶口缺陷检测;Sh如it等人旧] 应用Hough变换实现空矿泉水瓶瓶底定位检测。国内，段峰等人∽‘1刈最先展开啤酒空瓶检测系统的研究并研制出样机，提出模板匹配法、环形边缘检测法、环形投影法、多神经网络法4种瓶口缺陷检测法，前三种方法检测速度快，但效果不理想，后者抗干扰能力强，但前期样本采集、神经网络训练工作量大。刘焕军等人¨21和张莹等人¨纠采用支持向量机实现瓶口缺陷检测。马思乐等人¨41和张田田¨纠采用全局阈值分割进行瓶口缺陷检测。严筱永¨钊通过边缘提取、连通域分析、Hough变换圆检测以定位瓶口检测区域，以瓶口中心为原点进行极坐标变换，分8段沿径向展开，采用0tsu分割检测出瓶口缺陷。王贵锦等人¨刊将瓶口图像多次降采样得到一系列的多个不同尺度的图像，对各图像分别检测，联合判断得到检测结果，有效避免各类干扰影响。李娜¨引和郭克友等人¨引提取瓶口周长、面积、圆形度和相对圆心距离特征，应用BP神经网络实现瓶口缺陷检测。Chen等人㈣o和Lec等人心川提出残差分析用于特征提取和边缘检测，陈建国等人心21采用残差分析实现动态分割，并证明该方法对不均背景图像分割效果好且抗干扰能力强。

　　上述啤酒瓶口缺陷检测方法依然存在2个共同问题：1)当瓶口图像中灰度值分布不均匀、缺陷灰度值变化范围大、边缘区域出现大量干扰时，无法实现高速高精度瓶口定位;2)没有进行缺陷尺寸检测，无法精准定位缺陷区域。针对上述问题，本文对瓶口图像中缺陷特征进行分析，根据瓶口为两同心圆环的特征，提出基于随机圆评估法旧列的三圆周瓶口定位法，获取内外环位置信息综合应用，对瓶口缺损和大量干扰有更强的抵抗能力，定位精度更高，提出残差分析动态阈值分割(residual analysis and dynamic segmentation，RADS)‘20。2 3与全局阈值(甜obal thresh01d segment，G鸭)¨纠结合的残差分割法(residual segmentation，RS)，并提出一种瓶口缺陷联合判断准则，有效减少灰度变化和大范围缺陷对检测结果的影响。

　　2瓶口图像特征

　　3 瓶口图像特征

　　本文方法由基于随机圆评估法的三圆周瓶口检测区域定位、残差分析动态阈值分割缺陷检测、全局阈值分割缺陷检测和缺陷检测联合判断4部分组成。首先，采用多次随机圆评估的三圆周定位瓶口检测区域，包括对输入瓶口图像进行全局阈值分割得到二值图像、重心法获取瓶口中心大致位置、径向扫描得到瓶口边缘点和多次随机圆评估法获取瓶口三圆周参数后径向展开(展开后的图像在后文被称为目标图像)4个过程;随后，通过残差分析动态阈值法实现缺陷检测，包括对目标图像进行均值滤波、滤波前后的瓶口目标图像差分得到残差图像、对残差图像进行0tsu阈值分割和连通域分析共4个步骤;同时，对目标图像采用改进的全局阈值法实现缺陷检测方法，通过检测大于和小于某阈值的像素数目判断是否存在缺陷;最后，根据连通区域的位置、高、宽和面积特征以及全局阈值检测像素数量联合判断瓶口是否存在缺陷。上述过程如图2所示，其中，输人的啤酒瓶口图像如图 2(b)所示，‘+’表示重心位置，图2(d)中‘×’表示定位得到的瓶口中心位置，图2(b)和(d)中数字分别表示重心和瓶口中心戈，y坐标，为突出图2 (c)，(d)，(f)，(j)和(k)中标志区域，将这些图像中除被标志区域之外的所有像素灰度值减少100，图2(c)和(k)中左上角、左下角的图像分别对应图像2(c)和(k)中小的白色矩形区域的放大图，图2 (d)中最大、最小白色实线圆之间的区域为瓶口检区域，图2(f)和(j)中白色亮区域(像素灰度值为 255)分别是采用全局阈值法和残差分析动态阈值法的瓶口缺陷检测结果。

　　3.1瓶口检测区域定位

　　由于机械和电气方面原因，空瓶检测系统采集到的每幅图像中瓶口位置存在较大变化，因此，需要对每幅瓶口图像进行瓶口区域定位。瓶口目标检测区域呈圆环形状，本文基于圆检测原理进行定位，在随机圆评估法∞1的基础上进一步优化，提出三圆周法实现瓶口定位。首先，通过全局阈值分割、重心法获得到瓶口中心的大致位置;其次，以重心为圆心径向扫描获取瓶口边缘点，采用随机圆评估法进行瓶口三圆周定位，取上述三圆圆心坐标的均值作为瓶口中心坐标;最后，根据瓶口中心位置和圆拟合所得圆的半径，将瓶口划分为3个圆环型检测区域，以瓶口中心为极坐标原点将瓶口圆环检测区域进行极坐标变换，展开成目标图像。本部分详细介绍径向扫描、三圆周定位和径向展开3个操作，其他处理过程与文献[23]中相同。

　　3.1.1径向扫描获取瓶口边缘点

　　以瓶口区域重心为圆心，绘制一个圆，该圆被称为扫描圆。沿着扫描圆半径方向从外向内进行一次径向扫描，当扫描到3个灰度值非零的像素点时停止，此非零像素点是干扰点或瓶口内外环边缘点。如果沿着扫描半径方向一直扫描至扫描重心位置仍然没有发现零像素点，则说明该边缘点缺失。

　　例如当滤波器模板高度%=5，宽度M。=599 时，3种不同边界像素处理方式时得到的滤波效果对比如图6所示，其中，目标图像分辨率为38× 1 200。显然，这3种越界处理方式对中间区域图像没有任何影响，但是，前两种方式会不同程度的削弱边缘区域的平滑效果，给后续残差处理后图像分割带来不利影响。

　　1)图像灰度值分布对残差影响当图像中背景灰度值较小，检测目标灰度值较大时，目标区域对应残差函数值均为较大的正数;而当图像中背景灰度值较大，检测目标灰度值较小时，对于背景区域残差为较小的正数，对于检测目标区域对应的残差为绝对值较大的负数。根据瓶口图像特征将瓶口目标图像分成了3个区域，如图 4所示，其中区域ROll和ROl3主要检测瓶口是否存在崩口和断裂，崩口和断裂都表现为灰度值小的暗区域;区域ROl2主要检测瓶口是否存在磨损和脏污，磨损和脏污均表现为灰度值大的亮区域。上述情况的图像平滑效果和得到的残差图像(残差的绝对值)，如图7所示。

　　图7中原始图像为目标图像的子图像，分辨率为28×50，8位灰度级，白色虚线区域为缺陷区域，滤波模板宽%为5、宽眠，为39的模板滤波。 2)均值滤波模板大小对残差影响当模板尺寸小于检测目标尺寸时，滤波处理仅对检测目标边缘产生的平滑效果明显，因此，检测目标边缘残差绝对值较大;当模板尺寸略大于检测目标尺寸时，对整个检测目标都有不同程度的平滑作用，平滑效果由边缘向中心逐渐减弱，因此，检测目标中心区域残差绝对值较小;当模板尺寸远远大于检测目标尺寸时，整个检测目标平滑效果相当，且几乎与其他区域的经过平滑后的灰度值相同，因此，整个检测目标的残差绝对值几乎相同，且较上述两种情况时的值要大。上述3种情况下背景区域灰度值变化始终较小，残差绝对值接近零。本文中，模板高度%为一个较小整数，对平滑效果影响小，因此，主要考虑模板宽度变化对残差的影响，将图7中第l行第1列图像作为测试图像，其中白色亮区域的高为7、宽为6，M。逐渐由小变大时，滤波效果和对应残差绝对值图像如图8所示。本文设定M。=720，M^=5。

　　3.2.4 区域连通性分析以定位、识别缺陷区域

　　对残差分割后的两幅二值化图像分别进行连通域分析，获得连通分量，随后，计算连通分量重心位置、最小外接矩形的高宽以及面积参数，根据重心判断连通分量所在检测区域(ROll、ROl2和 ROl3)，针对每个区域中缺陷高、宽和面积特征，设定不同的高、宽和面积阈值检测进行瓶口缺陷识别，当各区域的连通分量的高、宽和面积大于相关阈值时，则说明该连通分量是瓶口缺陷。本文根据缺陷尺寸设定阈值：对于ROll和ROl3区域的亮区域，高、宽、面积分别大于6、2(R1一舵)、16时判断为疑似亮缺陷;对于ROl2区域的亮区域，高、宽、面积分别大于6、2(R1一舵)、16时判断为疑似亮缺陷;对于各检测区域缺陷，高、宽、面积分别大于6、2、16时判断为疑似暗缺陷。 3.3基于残差分析动态阈值分割的缺陷识别上述基于残差分析动态阈值分割的缺陷检测对图像灰度值变化不敏感，但可能由于缺陷检测区域的定位误差或瓶口破裂等原因，容易造成缺陷检测结果不正确。而张田田¨纠提出的基于全局阈值检测的瓶口缺陷检测方法缺对定位误差不敏感，当瓶口破裂时，缺陷检测正确率高，正好弥补前述方法不足，因此，本文在该方法基础上改进应用，针对目标图像的3个不同检测区域，进行如下处理。

　　3.4缺陷检测联合判断

　　改进融合RADS法和GrI'S法后，本文还提出一种缺陷检测联合判断准则。

　　对GrI'S法在目标图像纵向方向检测到ROl2 区域中疑似缺陷条数少于阈值瓦。，并满足：1)当 GrI’s法检测到ROll和ROl3区域包含疑似缺陷的列数均少于阈值%，同时，所有区域检测到包含疑似缺陷的列数总和小于阈值乙，且RADS法检测无明亮缺陷时，判断瓶口合格;2)当c髑法检测到 ROll或ROl3区域包含缺陷的列数大于等于阈值 r以，所有区域检测到的疑似缺陷列数总和小于阈值rd，RADs法检测无明亮缺陷，若无黑暗缺陷时，则判定瓶口合格，若有黑暗缺陷，且GrI’s法检测到ROIl和ROl3区域疑似缺陷面积与RADS法检测的疑似缺陷面积比小于阈值乙，判定瓶口合格。

　　4实验结果与分析为分析

　　算法性能，定义检测正确率和执行时间两个算法性能评估标准，其中：检测正确率是指检测结果正确的瓶口图像数量与总的瓶口测试图像数量的比值，本文仅检测瓶口是否存在缺陷，没有对瓶口缺陷类型进行分类识别;执行时间是指从参数初始化之后开始到输出瓶口检测结果时所消耗的时间，由定位时间和检测识别时间两部分组成。通过我们研制的空瓶检测系统获取90幅瓶口图像，在一台型号为联想E430的电脑(电脑配置： CPU为Intel(R)Core(TM)i3—3110M，主频2.4 G，内存4 G)上进行本文方法和五种瓶口缺陷方法的测试实验，并分析比较各种方法性能，实验电脑的操作系统为32位Windows 7，实验软件平台为 MATLAB R2010b。

　　4.1图像采集系统

　　本文研制出的啤酒空瓶检测系统和结构原理图分别如图1l和12所示。

　　该装置主要由相机、照明光源、光电传感器和工控机等组成，利用该系统获取90幅瓶口图像(图像分辨率为648×483，灰度级数为256，将相机设置为半帧工作模式)，包括瓶口完好图像10幅和破损瓶口图像80幅。

　　4.2实验方法及结果分析

　　比较本文提出的RS法、基于BP神经网络的缺陷检测法(back propagation，BP)¨引、基于全局阈值的缺陷检测【15|、基于Otsu阈值的缺陷检测 (Otsu)¨6I、基于支持向量机的缺陷检测(support vector machines，SVM)¨2 o和基于文献中的残差分析动态阈值的缺陷检测心2 o 6种方法的检测正确率和执行时间，采用本文提出三圆周法实现瓶口定位，其他方法中涉及检测区域划分的，则检测区域划分方式也与本文相同，程序流程如图13所示。

　　关于RS法、GTS法和RADS法参数设置前文已介绍，其他3种方法如下。

　　1)0tsu法：对于ROIl和ROl3区域，分别求径向投影值的最大值Pr0^亿戈R们1和Pr0M僦RD乃，当 PrD肘似R叫1小于阈值职。/8-3时，判定该段的 ROll区域存在缺陷，当Pro讹戈尺D，3小于阈值职。./8-20时，判定该段的ROl3区域存在缺陷;对于ROl2区域，求径向投影值的最大值Pr0M口算尺D尼和投影值大于阈值3的投影值数目之和 PrDSⅡ，加D，2，当PrDSu，r艉D，2大于阈值3且 ProJsM，r艘0陀大于阈值16时，判定该段的ROl2区域存在缺陷。

　　相关知识推荐：写机器视觉英文论文的办法

　　2)SVM法：对于ROll和ROl3区域计算下列 4个参数：①沿着纵向方向灰度投影平均值L。小于某阈值和大于某阈值数量和与日幽比值;②相邻投影值之差的绝对值l△JL8 l大于某阈值的数量与峨。i比值;③该处k与所有投影值的平均值mean (LD)差的绝对值IL8-mean(L。)l小于某阈值的数量与H0bi比值;④连续5个相邻的IL曰.mean(￡国)I 小于某阈值的区域的数量与H曲，比值。3个检测区域中对应的阈值如表4所示。

　　表4第1列中1、2、3和4分别对应各区域的上述4组参数，NULL表示无该参数，3个检测区域一共可获得11维特征，作为SVM法输入特征，取5 幅完好瓶口和10幅破损瓶口图像作为训练集，其他图像作为测试集。

　　3)BP法：该方法不需要对检测区域径向展开，对瓶口图像阈值分割后直接进行连通域处理，去除面积小于某阈值乃。，的区域;对于ROll和ROl3区域，计算剩下连通区域的周长、面积、圆形度，对于 ROl2区域，获取连通区域最小面积、最大面积、总面积，对于整个检测区域，计算相对圆心距离，即所有检测区域中连通域重心到瓶口中心的距离;由上述11个参数归一化处理后构成特征向量组。本文兀。，为16，训练集、校验集和测试集图像各30图，其中训练集、校验集各包含5幅完好瓶口图像。

　　上述各方法相关参数是通过大量实验测试得到的较优参数，各方法的检测正确率和执行时间如表5所示，其中时间计量单位为ms。

　　实验结果表明，RS法的检测正确率比其他算法都要高，算法执行速度比BP神经网络和RADs 法要快，并能实现缺陷位置和尺寸检测，标志出缺陷区域。SVM法仅通过获取瓶口特征向量，对瓶口图像进行二分类，判断瓶口是否合格，无法实现缺陷位置和尺寸检测。BP神经网络法检测正确率低，其原因有2个：1)神经网络的训练一般需要大样本，而本文总共仅采用90个样本;2)输入特征选择并非最优。RADs法检测正确率不高，因为边缘对检测结果的干扰大，易造成将完好瓶口判断为破损瓶口。GTS法是对瓶口目标图像垂直投影后进行阈值判断，无法检测水平方向狭长小缺陷。

　　5 结 论

　　本文提出基于随机圆评估法的三圆周定位法，实现瓶口检测区域的准确定位，将残差分析动态阈值分割与全局阈值分割相结合，提出残差分割法，实现缺陷定位和检测。本文详细介绍该方法的具体实施过程，重点分析滤波模板尺寸变化对残差的影响。与其他5种典型方法比较，通过我们研制的空瓶检测机采集获取90幅瓶口图像(包括7种常见的瓶口缺陷类型)，并用这些图像测试，本文方法检测正确率都最高，执行时间为117.33 ms，同时能准确的标志出缺陷区域，便于测试员在设备调试阶段改进选择更优的输入参数，对于提升我国空瓶检测系统的性能有现实意义，但是，本文方法阈值多，需要经过大量实验测试确定，算法的有效性和实时l生也需要进一步测试。未来，将考虑与机器学习方法结合，减少需要设定的阈值参数，同时采用 GPU技术实现并行处理，提升算法速度，并在空瓶检测系统上采集测试更多的样本图像，提高算法可靠性。 ——论文作者：周显恩 王耀南 朱 青 吴成中 彭 玉

文章名称：基于机器视觉的瓶口缺陷检测方法研究

文章地址：http://www.sciqk.com/lwfw/dzlw/13125.html