李文秀 欒秋平

(山東電子職業(yè)技術(shù)學(xué)院，山東 濟(jì)南 250200)

預(yù)包裝食品是指在包裝材料或容器中預(yù)先定量包裝、制作某些食品。隨著消費(fèi)水平的不斷提高，預(yù)包裝食品的外觀情況已成為消費(fèi)者關(guān)注的重點(diǎn)，例如瓶口壓蓋、包裝封口、標(biāo)簽內(nèi)容、瓶身變形、噴碼信息等。常見的預(yù)包裝主要有塑料包裝、紙包裝、金屬包裝和玻璃包裝。為解決包裝檢測(cè)問(wèn)題，大多數(shù)企業(yè)依靠人工檢測(cè)，一些有條件企業(yè)則采用機(jī)器視覺檢測(cè)[1-2]。

機(jī)器視覺檢測(cè)就是利用光學(xué)裝置和傳感器自動(dòng)接收、處理真實(shí)物體的圖像，進(jìn)而獲取有用信息用于自動(dòng)化控制。通常情況下，機(jī)器視覺檢測(cè)系統(tǒng)由光源、傳感器、工業(yè)相機(jī)、圖像處理模塊、控制模塊等組成。機(jī)器視覺檢測(cè)系統(tǒng)可從多方面提高工廠自動(dòng)化水平，如產(chǎn)品外觀把控、過(guò)程標(biāo)識(shí)監(jiān)管、出廠信息控制等，以達(dá)到降低工作強(qiáng)度、提高良品率等目的[3-5]。檢測(cè)過(guò)程中，機(jī)器不會(huì)與被檢測(cè)物直接接觸，可長(zhǎng)時(shí)間工作，穩(wěn)定性好。但機(jī)器視覺檢測(cè)系統(tǒng)普遍存在漏檢、錯(cuò)檢等問(wèn)題，檢測(cè)精度需進(jìn)一步提高[6-7]。

試驗(yàn)擬以預(yù)包裝食品檢測(cè)為研究對(duì)象，設(shè)計(jì)一種機(jī)器視覺檢測(cè)系統(tǒng)，并通過(guò)實(shí)驗(yàn)驗(yàn)證所述方法的可行性和有效性，以期為食品檢測(cè)提供一種研究思路和方法。

1 檢測(cè)系統(tǒng)

基于機(jī)器視覺的預(yù)包裝食品檢測(cè)系統(tǒng)主要由圖像采集模塊、圖像處理模塊、執(zhí)行終端等部分組成，其基本結(jié)構(gòu)如圖1所示。圖像采集模塊是利用工業(yè)相機(jī)獲取預(yù)包裝食品原始圖像，同時(shí)將其轉(zhuǎn)換為二進(jìn)制數(shù)據(jù)流。該模塊主要由LED光源、工業(yè)相機(jī)、圖像采集卡、相機(jī)觸發(fā)器等組成。圖像處理模塊有兩種選擇：① 智能相機(jī)，其不僅具有拍照功能而且集成了圖像預(yù)處理、通信等諸多功能，使用起來(lái)比較方便，但其內(nèi)部圖像處理算法相對(duì)固定，在某種程度上限制了其應(yīng)用推廣；② PC機(jī)，設(shè)計(jì)靈活、擴(kuò)展性好，可根據(jù)實(shí)際需求自由修改圖像處理算法。綜合考慮，試驗(yàn)檢測(cè)系統(tǒng)是基于PC機(jī)搭建圖像處理模塊。執(zhí)行終端即實(shí)際操作機(jī)構(gòu)，可響應(yīng)控制指令完成相關(guān)操作，末端執(zhí)行器的控制核心選用PLC[8]。

圖1 預(yù)包裝食品檢測(cè)系統(tǒng)基本結(jié)構(gòu)圖Figure 1 Block diagram of pre-packaged food testing system

2 圖像處理和特征提取

2.1 圖像預(yù)處理

通常情況下，原始圖像受干擾因素影響會(huì)不可避免地存在一些噪聲，所以需事先處理。圖像預(yù)處理可以提高圖像清晰度和對(duì)比度，降低圖像噪聲。文中采用基于偏微分方程的去噪模型既可以有效去噪又可以保護(hù)圖像輪廓[9-10]。

如果理想圖像用u(x,y)表示，包含噪聲的圖像用u0(x,y)表示，則二者之間的關(guān)系可描述為：

u0(x,y)=u(x,y)+n(x,y)，

(1)

式中：

n(x,y)——噪聲。

為了去除圖像噪聲，可建立偏微分方程去噪模型，即：

(2)

(3)

式中：

Ω——圖像域。

基于Lagrange方程和最速下降法可得去噪圖像I(x,y)：

(4)

(5)

式中：

λ——Lagrange乘子。

2.2 圖像分割

采用一種雙閾值分割缺陷提取方法，即提出一種基于雙閾值分割的缺陷提取算法，選用面積閾值和灰度閾值將缺陷分割出來(lái)。

首先，增強(qiáng)圖像對(duì)比度。假設(shè)初始閾值為T，如果灰度值f(x,y)≤T，則可令灰度值為0，即不處理；如果f(x,y)≥T，則進(jìn)行對(duì)數(shù)灰度變換，相關(guān)表達(dá)式為：

(6)

此外，初始閾值T可用灰度峰值B(i,j)和最小可視差之和表示，即：

T=B(i,j)+JND。

(7)

f(x,y)≤T可視作背景像素。最小可視差JND可表示為：

(8)

灰度變換處理完成后，圖像對(duì)比度進(jìn)一步增強(qiáng)。假設(shè)面積閾值為A，定義連通區(qū)域的像素面積為Si。如果Si

(9)

文中所研究缺陷的面積最小值為0.01 mm2，約為50個(gè)像素點(diǎn)的面積，所以面積閾值可設(shè)定為50。

2.3 特征提取

利用2.2圖像處理步驟可以得到缺陷的各種特征參數(shù)，包括周長(zhǎng)、面積、圓形度和矩形度等?？筛鶕?jù)這些特征參數(shù)作為區(qū)分缺陷類型的主要根據(jù)[11-13]。選用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)缺陷特征和缺陷類型之間的映射。

圖像缺陷的種類較多，文中選擇3種比較常見的缺陷類型作為研究對(duì)象，即麻點(diǎn)、異物和劃痕，如圖2所示。

綜上，BP神經(jīng)網(wǎng)絡(luò)的輸入變量為3個(gè)，即周長(zhǎng)、面積和圓形度；輸出變量1個(gè)，可分為麻點(diǎn)、異物和劃痕等。為提高數(shù)據(jù)處理的便利性，可將3種缺陷分別量化為1——麻點(diǎn)、2——異物、3——?jiǎng)澓邸?/p>

在神經(jīng)網(wǎng)絡(luò)輸入和輸出一定的情況下，隱含層節(jié)點(diǎn)數(shù)可表示為：

(10)

式中：

h——隱藏層節(jié)點(diǎn)數(shù)；

m——輸入節(jié)點(diǎn)數(shù)；

圖2 圖像缺陷類型Figure 2 Image defect type

n——輸出節(jié)點(diǎn)數(shù)；

a——調(diào)節(jié)系數(shù)，0～10。

缺陷樣本如表1所示，該樣本可用于特征提取?？蓪颖緮?shù)據(jù)分為兩組，其中一組用于訓(xùn)練，另一組用于測(cè)試。

表1 缺陷樣本

綜上，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程可以描述為：

① 利用Matlab工具歸一化處理相關(guān)數(shù)據(jù)，即所有特征值均轉(zhuǎn)化為[-1,1]的數(shù)值。這樣可以縮小輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的數(shù)量級(jí)差距，減小網(wǎng)絡(luò)預(yù)測(cè)誤差。

② 搭建3輸入1輸出的BP神經(jīng)網(wǎng)絡(luò)，隱含層節(jié)點(diǎn)數(shù)可參照式(10)確定。

③ 選擇合適的激活函數(shù)，同時(shí)設(shè)定目標(biāo)誤差、學(xué)習(xí)速率以及訓(xùn)練次數(shù)等參數(shù)。

④ 樣本訓(xùn)練，同時(shí)存儲(chǔ)訓(xùn)練結(jié)果。

⑤ 測(cè)試樣本數(shù)據(jù)輸入并進(jìn)行相關(guān)仿真測(cè)試。

⑥ 反歸一化處理仿真輸出結(jié)果并計(jì)算誤差率。

該BP神經(jīng)網(wǎng)絡(luò)在不同訓(xùn)練次數(shù)下的誤差率如表2所示。由表2可知，當(dāng)訓(xùn)練次數(shù)>10時(shí)，平均誤差率<10%。

表2 不同訓(xùn)練次數(shù)下的誤差率

3 試驗(yàn)驗(yàn)證

為驗(yàn)證所述方法的可行性和有效性，以某紙質(zhì)矩形食品包裝為試驗(yàn)對(duì)象進(jìn)行驗(yàn)證。光源采用LED條形組合照明燈；相機(jī)為CCD工業(yè)相機(jī)、頻閃光，共6臺(tái)，從6個(gè)方面同時(shí)拍照；檢測(cè)系統(tǒng)主要包含品牌信息、當(dāng)前信息和檢測(cè)信息等；品牌信息可參照標(biāo)準(zhǔn)圖像對(duì)品牌圖像進(jìn)行刪除、修改等操作；當(dāng)前信息包含當(dāng)前系統(tǒng)的相關(guān)配置情況；檢測(cè)信息可識(shí)別、存儲(chǔ)缺陷圖像，如果發(fā)現(xiàn)缺陷圖像會(huì)自動(dòng)報(bào)警并分類。該機(jī)器視覺檢測(cè)系統(tǒng)可以較好地實(shí)現(xiàn)紙質(zhì)矩形食品包裝全方位檢測(cè)，可識(shí)別麻點(diǎn)、異物、劃痕等缺陷，此外，對(duì)錯(cuò)牌、褶皺、破損、印刷錯(cuò)誤等缺陷也有較高的識(shí)別率。試驗(yàn)過(guò)程中，設(shè)定樣品數(shù)為10 000，缺陷樣本包含嚴(yán)重和一般兩種。

試驗(yàn)結(jié)果表明：一般缺陷漏檢15個(gè)，漏檢率為0.15%；嚴(yán)重缺陷漏檢2個(gè)，漏檢率為0.02%；整體漏檢率為0.17%，檢測(cè)精度比較高。另外，每個(gè)包裝的檢測(cè)耗時(shí)大約為70 ms，檢測(cè)效率比較高，可滿足預(yù)包裝對(duì)實(shí)時(shí)性和檢測(cè)精度的要求。整個(gè)檢測(cè)系統(tǒng)可自動(dòng)保存缺陷圖像，用戶可自由瀏覽缺陷圖像，使用方便、容易推廣使用。

4 結(jié)論

以預(yù)包裝食品檢測(cè)為研究對(duì)象，提出了一種機(jī)器視覺包裝缺陷檢測(cè)方法。結(jié)果表明：該系統(tǒng)檢測(cè)精度高，漏檢率較低，系統(tǒng)實(shí)時(shí)性較好；該預(yù)包裝食品檢測(cè)方法兼具精度和效率，同樣適用于錯(cuò)牌、褶皺、破損、印刷錯(cuò)誤等缺陷，具有一定的推廣價(jià)值。但是，該研究主要針對(duì)麻點(diǎn)、異物、劃痕等常見缺陷，其他類型缺陷的檢測(cè)仍需尋找更加合適的提取特征，以便進(jìn)一步研究。