郭克友，廉麗冰，李 娜，紀(jì) 彬

GUO Ke-you,LIAN Li-bing,LI Na, JI Bin

（北京工商大學(xué) 材料與機械工程學(xué)院，北京 100048）

0 引言

我國作為一個啤酒生產(chǎn)大國，啤酒產(chǎn)業(yè)的技術(shù)在不斷更新。然而在啤酒瓶檢測技術(shù)方面，國內(nèi)大部分采用傳統(tǒng)的人工檢測，效率低，已不能滿足生產(chǎn)需求。國外的啤酒瓶檢測技術(shù)起步較早，空瓶檢測速度高達60000瓶/小時，而我國對于能夠檢測空瓶的檢測機器還處于理論研究階段，主要有湖南大學(xué)研制的啤酒瓶視覺檢測機器人、北京賽騰動力科技有限公司、廣州輕工集團等，雖然已經(jīng)研制出樣機，但還并未成功應(yīng)用于市場上[1,2]。國外的空瓶檢測系統(tǒng)都針對的是新瓶，若引用國外研發(fā)的空瓶檢驗系統(tǒng)對我國的回收啤酒瓶進行檢測，很難保證較高的破損檢測率，而且引進國外設(shè)備的成本和后期的維修費用都很高。根據(jù)國內(nèi)實際情況，需要設(shè)計符合我國國情的啤酒瓶檢測設(shè)備。因此，提出基于計算機視覺庫的啤酒瓶口缺陷檢測系統(tǒng)。

1 圖像采集的硬件平臺設(shè)計

1.1 旋轉(zhuǎn)平臺的介紹

在實際生產(chǎn)中應(yīng)用的圖像采集系統(tǒng)是由光源、相機、鏡頭、圖像采集卡等組合而成的光、電、機一體化的檢測裝置[3,4]。根據(jù)啤酒瓶口的形狀和物理光學(xué)分析可采用無影燈原理來獲取瓶口圖像信息，環(huán)形排列方式的LED燈即可滿足系統(tǒng)要求。為突出瓶口的表面特征，將LED燈置于啤酒瓶口和相機之間，相機通過環(huán)形光源的中央內(nèi)孔采集啤酒瓶口圖像。在相機選型中采用的是大恒公司的GC1020C型號，這是德國AVT工業(yè)相機中的一款，具有1024×768高分辨率和千兆以太網(wǎng)接口，與相機搭配使用的鏡頭則選用COMPUYER系列的8mm焦距的鏡頭。

圖1 瓶口圖像采集裝置

考慮到系統(tǒng)的運行速度，運行環(huán)境和處理效果之后，采集啤酒瓶口圖像的硬件設(shè)備選為如圖1所示的環(huán)形模擬采集裝置，由相機、鏡頭、照明裝置和機械轉(zhuǎn)動平臺組成。啤酒瓶在檢測過程中沿環(huán)形曲線傳送，旋轉(zhuǎn)平臺每次能夠檢測8個啤酒瓶，轉(zhuǎn)速調(diào)節(jié)范圍為0～50000瓶/小時；亮度調(diào)節(jié)分為0～4檔，其中0檔為照明關(guān)閉狀態(tài)，1～4檔光照逐漸增強。啤酒瓶口的背景設(shè)計為黑色，可降低外界光照條件等帶來的噪聲影響。

1.2 圖像采集系統(tǒng)的介紹

圖像采集卡是圖像采集部分和圖像處理部分的接口。相機的電荷耦合器件傳感器把光線轉(zhuǎn)變成電荷，通過模擬芯片轉(zhuǎn)換成數(shù)字信號，數(shù)字信號經(jīng)過壓縮保存到內(nèi)置硬盤卡保存，后把數(shù)據(jù)傳輸給計算機，最后由計算機進行處理。通過采用AVT PvAPI函數(shù)庫和OpenCV編程，實現(xiàn)驅(qū)動和設(shè)置相機，并達到連續(xù)圖像采集和單幀處理功能，而由單幀的連續(xù)輸出，即可形成視頻的處理效果。

2 圖像處理方法

由于硬件條件和光照條件的影響，通過啤酒瓶口圖像模擬采集裝置采集的圖像存在大量隨機噪聲，對瓶口破損識別存在很大的影響。而對圖像進行處理，可以使圖像感興趣區(qū)域的特征突出，使圖像中的噪聲衰減，進而保證后續(xù)圖像處理算法的精度和速度[5]。

2.1 預(yù)處理

啤酒瓶口圖像的預(yù)處理過程包括對圖像進行灰度化，直方圖均衡化和圖像分割等步驟。使用圖像空間轉(zhuǎn)化函數(shù)把彩色的瓶口圖像轉(zhuǎn)化為灰度圖，可以滿足后續(xù)的圖像處理操作；直方圖均衡化依據(jù)的原理是用累積函數(shù)對圖像的灰度值進行調(diào)整，增強圖像中目標(biāo)像素與背景像素的對比度。通過對啤酒瓶口圖像進行直方圖均衡化處理，可以增強破損區(qū)域的像素信息；運用圖像分割可以把啤酒瓶口圖像劃分成環(huán)形區(qū)域和非環(huán)形區(qū)域，對于背景為黑色，研究對象為瓶口的白色像素區(qū)域，采用最大類間方差法可以很好地去除背景里的白色噪音，并且有效地把瓶口區(qū)域識別出來。

2.2 形態(tài)學(xué)處理

經(jīng)過圖像分割處理后的啤酒瓶口圖像內(nèi)部會出現(xiàn)局部的空穴，對后續(xù)的特征參數(shù)提取有很大的干擾，因此需要用到形態(tài)學(xué)方法對圖像進行相關(guān)處理。形態(tài)學(xué)的開運算和閉運算是應(yīng)用最廣泛的兩種算法，開運算會使原有的孤立像素點去除，閉運算則使物體輪廓內(nèi)部的細(xì)小空洞填充，使毗鄰的區(qū)域相連通[6]，綜上可確定同時采用形態(tài)學(xué)的開運算和閉運算對啤酒瓶口圖像進行處理，可增強瓶口輪廓特征，提高破損識別的準(zhǔn)確率。對啤酒瓶口進行處理的各階段效果如圖2所示。

2.3 啤酒瓶口定位

圖2 圖像處理各階段效果

啤酒瓶在高轉(zhuǎn)速下運轉(zhuǎn)，相機實時獲取瓶口圖像，從而不能保證每一個瓶口中心點坐標(biāo)相同。因此需要對啤酒瓶口進行定位，而對啤酒瓶口定位的準(zhǔn)確與否，直接影響瓶口特征向量提取的有效性，以及啤酒瓶口破損判別的準(zhǔn)確性。Hough圓變換法是計算機視覺中應(yīng)用最為廣泛的檢測圓的方法，該算法的最大特點是可靠性高，在噪聲影響、圖像輕微畸變甚至部分區(qū)域模糊的情況下仍然能取得較理想的結(jié)果[7,8]，因此啤酒瓶口的定位采用Hough變換法。如圖3所示為通過運用Hough圓變換處理后的部分瓶口圓心位置的效果圖。

圖3 瓶口定位

3 缺陷檢測原理

通過對大量啤酒瓶口的缺陷特征分析，本文提出四個基于連通域特征的啤酒瓶口破損檢測參數(shù)，分別是周長、面積、圓形度和相對圓心距離。周長指連通區(qū)域邊界上像素點的像素數(shù)目之和，完好的瓶口圖像中，周長最大，若存在破損時，周長會減??；面積指連通區(qū)域內(nèi)所有像素點的像素之和，完好的圖像中，面積最大，若存在破損時，面積會減??；圓形度指基于區(qū)域面積和周長而計算得到的有關(guān)區(qū)域形狀復(fù)雜度的特征量，計算公式為：，它的取值范圍在0～1之間，圓形的圓形度為1，圖形的形狀越趨于圓，則圓形度越接近1。相對圓心距離指啤酒瓶口的圓心與各連通域質(zhì)心之間的距離，將瓶口圓心到瓶口環(huán)形區(qū)域的距離設(shè)定一個經(jīng)驗閾值，可以避開瓶口圓環(huán)區(qū)域內(nèi)部或外部存在的噪聲干擾。通過分析這四個破損參數(shù)的影響情況，可確定了一個用于檢測瓶口破損的方案。

圖4 破損檢測參數(shù)分析

對部分瓶口進行采樣和分析以確定破損檢測方案，如圖4和表1所示，共對897個破損輪廓采取5種方式檢測。圖4(a)中橫坐標(biāo)表示被檢測的啤酒瓶口輪廓數(shù)目，縱坐標(biāo)表示啤酒瓶口輪廓的正檢率，每條曲線表示以不同的特征參數(shù)進行輪廓檢測時的正檢率，曲線最后均會趨于穩(wěn)定狀態(tài)，趨于穩(wěn)態(tài)時的數(shù)值即為該特征參數(shù)選擇方式下的正檢率；圖4(b)中橫坐標(biāo)表示被檢測的啤酒瓶口輪廓數(shù)目，縱坐標(biāo)表示被誤檢測的數(shù)，每條曲線表示以不同的破損特征參數(shù)檢測啤酒瓶口時誤檢測輪廓數(shù)。

表1 不同特征參數(shù)選擇下的檢測效果

由表1的數(shù)據(jù)明顯得出采取一種參數(shù)時破損檢測的正確率僅有89.771%，當(dāng)采用兩種或三種參數(shù)時，檢測效果相對較好，而運用四種參數(shù)時，檢測效果明顯增強，達到97.979%。綜合了4種特征參數(shù)對啤酒瓶口破損識別的影響，確定采用周長、面積、圓形度和相對圓心距離4種參數(shù)判別瓶口是否破損。

4 分析檢測結(jié)果

部分檢測結(jié)果如圖5所示，圖中每組圖像上下對應(yīng)，上面的表示待檢測的瓶口圖像，下面的是檢測后的圖像，第1組是完好的啤酒瓶口，其他6組則為破損不一的啤酒瓶口。通過觀察這7組圖像及其檢測結(jié)果，可知無論是什么形式的破損都能被系統(tǒng)檢測出來，系統(tǒng)的檢測速度是47000瓶/小時（13.05瓶/秒），檢測結(jié)果滿足系統(tǒng)的準(zhǔn)確性和實時性要求。

圖5 啤酒瓶口部分檢測結(jié)果

5 結(jié)論

首先建立起啤酒瓶口圖像采集系統(tǒng)，并初步確立了啤酒瓶口破損檢測前對瓶口圖像的處理方案，經(jīng)分析確定采用周長、面積、圓形度和相對圓心距離4個特征作為瓶口的破損識別特征，綜合運用4個特征參數(shù)，瓶口的準(zhǔn)確識別率達到97.979%。檢測結(jié)果表明該檢測系統(tǒng)符合我國啤酒瓶檢測技術(shù)指標(biāo)，能夠滿足一般啤酒生產(chǎn)灌裝企業(yè)的檢測要求，具有一定的經(jīng)濟價值。

[1]劉文志.基于機器視覺的啤酒瓶瓶口檢測系統(tǒng)研究[D].廣州:華南理工大學(xué),2011.

[2]李娜.啤酒瓶口破損檢測技術(shù)研究[D].北京:北京工商大學(xué),2013.

[3]Rafael C.Gonzalez,Richard E.Woods.Digital Image Processing[J].Electronic Industry Press,2007:643-665.

[4]Zhang jie,Ma shuyuan Huang jie,et.al.A machine vision system for Real-Time automated Gear Fatigue Pitting Detection[C].Proceedings of 2012 Intenational Conference on Mechanical Engineering and Material Science.2012:183-186.

[5]Shuhong Jiao,Xueguang Li,Xin Lu.An improved Otsu method for image segmentation[C].8th International Conference on Signal Processing,ICSP2006,2006:16-20.

[6]Otsu.A Threshold Selection Method from Gray 2 Level Histogram[J].IEEE Trans on SMC-9,1979:62-66.

[7]張?zhí)锾?基于機器視覺的啤酒瓶瓶口檢測系統(tǒng)的研究[D].青島:山東科技大學(xué),2009.

[8]高翔,谷吉海.基于Canny算法的啤酒空瓶雜質(zhì)檢測方法[J].包裝工程.2009,30(3):63-65.