沈正福，汪惠芬，袁堂曉

(南京理工大學(xué) 機(jī)械工程學(xué)院，南京 210094)

0 引言

隨著國民經(jīng)濟(jì)的穩(wěn)步提升，國人對生活品質(zhì)的要求日益增高，尤其在食品領(lǐng)域，安全、環(huán)保等生產(chǎn)要素成為食品加工行業(yè)的統(tǒng)一門檻和行業(yè)基準(zhǔn)。隨著“食品生產(chǎn)通用衛(wèi)生規(guī)范”等文件的出臺和不斷完善，針對食品加工企業(yè)，尤其是中小企業(yè)和民營作坊的監(jiān)管和規(guī)范力度也逐漸加大。為了提升企業(yè)競爭力，形成良好的品牌效應(yīng)，眾多食品加工企業(yè)開始走向轉(zhuǎn)型之路。

而在生產(chǎn)過程中，除了嚴(yán)格把控原材料的品質(zhì)以外，實現(xiàn)較高水準(zhǔn)的智能化檢測，是其在科技時代獲得更高競爭力的關(guān)鍵所在。對于食品而言，主要體現(xiàn)在劣質(zhì)產(chǎn)品的檢出和即時剔除。其核驗指標(biāo)又往往集中在尺寸、顏色、紋理、包裝等視覺屬性上，因此，研究良好的智能化視覺檢出機(jī)制成為食品行業(yè)轉(zhuǎn)型的關(guān)鍵[1]。

對于食品的尺寸測量，目前主要有兩種方式：1)直接目測；2)采用機(jī)械儀器裝置與產(chǎn)品接觸的檢測方法，例如使用分光光度計、色度儀等對物體表面形態(tài)進(jìn)行掃描。兩種方法分別在精度和生產(chǎn)衛(wèi)生規(guī)范上產(chǎn)生掣肘，而利用機(jī)器視覺剛好可以解決上述方法的不足，且獲得良好的系統(tǒng)穩(wěn)定性和可靠性。

為了解決在弱光環(huán)境下，產(chǎn)線上不規(guī)則排布的某食品的尺寸檢測問題，設(shè)計了一套基于機(jī)器視覺的智能檢測工位，利用邊緣檢測及最小外廓等算法，實現(xiàn)了一種非接觸式的尺寸測量技術(shù)，并進(jìn)行了效果測試。

1 智能工位的組成與布局

工位系統(tǒng)需要完成產(chǎn)品上料到出料期間的尺寸檢測及相應(yīng)的剔除、放行行為。其功能流程如圖1所示。

圖1 工位系統(tǒng)的功能流程

①待測產(chǎn)品通過傳送裝置進(jìn)入工位區(qū)域；

②產(chǎn)品阻斷對射傳感器的光源信號，觸發(fā)高低電平切換，向上位機(jī)發(fā)送控制信號；

③上位機(jī)接收控制信號，命令攝像頭進(jìn)行拍攝，獲取待測物體的圖像信息，并發(fā)送至工控機(jī)；

④工控機(jī)接收待測物體的圖像信息，并將其作為輸入?yún)?shù)發(fā)送到內(nèi)嵌的尺寸識別模塊，對圖像進(jìn)行特征提取，并根據(jù)提取的尺寸信息與標(biāo)準(zhǔn)公差帶進(jìn)行比對，判定待測物體的合格與否，并輸出判別信號到執(zhí)行機(jī)構(gòu)；

⑤執(zhí)行機(jī)構(gòu)根據(jù)收到的判別信號，進(jìn)行二分行為，若信號指向合格判定，則進(jìn)行放行行為；若信號指向不合格判定，則進(jìn)行剔除行為。

由上述流程可知，一個完整的機(jī)器視覺系統(tǒng)需要具備可靠的圖像采集功能以及相應(yīng)的圖像處理能力，為了保證功能的順利執(zhí)行通常會配置完善的光源系統(tǒng)或者光照平衡設(shè)施。因此，該智能工位主要的功能模塊包括光照模塊、圖像采集模塊、圖像處理模塊以及相應(yīng)的運動控制模塊，如圖2所示。[2-4]

圖2 機(jī)器視覺系統(tǒng)模塊組成

模塊單元所涉及到的下層設(shè)施包括：基本的圖像采集單元(通常以CMOS和CCD工業(yè)相機(jī)以及配套的圖像采集卡呈現(xiàn))；配置相應(yīng)圖像處理程序的工業(yè)計算機(jī)(PC平臺)；接收處理信號、匹配目標(biāo)行為的執(zhí)行機(jī)構(gòu)。為了維持系統(tǒng)穩(wěn)態(tài)和限定良好的采集邊界，也經(jīng)常會在視覺系統(tǒng)中嵌入合適的觸發(fā)傳感器。

由于產(chǎn)品主體尺寸為140 mm，且要求生產(chǎn)過程為連續(xù)、穩(wěn)定的狀態(tài)，因此設(shè)計傳送裝置為200 mm帶寬的帶式傳輸，運行速率由電機(jī)控制，并通過解碼器對速度進(jìn)行實時監(jiān)測。

為了固定攝像頭、補(bǔ)光器及傳感器等外界設(shè)備，需要設(shè)計工位支架。支架整體由型材和型材連接件組成，并搭設(shè)可動橫梁以實現(xiàn)相機(jī)距離的調(diào)試和自適應(yīng)功能。

此外，上料裝置為快速冷凝機(jī)，通過將原料快速凝固、擠出、插枝及切塊，來獲得初始的冰棍產(chǎn)品，送入尺寸智能檢測工位進(jìn)行產(chǎn)品檢測。工位的總體結(jié)構(gòu)模型設(shè)計如圖3所示。[5-6]

圖3 智能工位的結(jié)構(gòu)

2 基于機(jī)器視覺的尺寸檢測算法

所設(shè)計的智能工位要求的功能指向為食品主體尺寸的測量，即要求對輸入的產(chǎn)品圖像進(jìn)行特征提取，獲得產(chǎn)品的長度尺寸，返回測量值，并根據(jù)預(yù)設(shè)的公差范圍判定當(dāng)前產(chǎn)品的合格狀態(tài)。

算法流程包括針對食品主體的邊緣檢測，繼而根據(jù)邊緣信息進(jìn)行最小外廓擬合，然后以擬合外廓的像素尺寸描述主體像素尺寸，最后利用相機(jī)標(biāo)定時獲取的轉(zhuǎn)化系數(shù)，將像素尺寸轉(zhuǎn)化為三維世界坐標(biāo)系下的物理尺寸，并輸出檢測和判別結(jié)果。算法流程如圖4所示。

圖4 尺寸檢測算法流程

2.1 圖像預(yù)處理

初始的采集圖片，由于噪聲過多、灰度分布不均衡等因素的存在，會導(dǎo)致圖片的主要特征被覆蓋，物體邊緣等信息難以提取。因此，在特征提取之前，我們需要對采集圖像進(jìn)行一定的預(yù)處理以增加目標(biāo)特征的顯式權(quán)重。預(yù)處理流程包括初始圖像的灰度化、圖像的幾何變換以及相應(yīng)的增強(qiáng)方式。

本文采取的預(yù)處理方法為高斯濾波。首先將原始的RGB圖像轉(zhuǎn)化成灰度圖，然后利用高斯濾波進(jìn)行降噪。

Gray=0.114B+0.587G+0.299R

(1)

為了降低人眼帶來的視覺偏差，使用加權(quán)平均算法來進(jìn)行圖像灰度化，即對圖像RGB3種色度按不同權(quán)重進(jìn)行一維灰度的映射，轉(zhuǎn)化公式如式(1)。

圖像灰度化后進(jìn)行降噪處理以減少邊緣造成所引入的測量誤差。高斯濾波是一種比較常用的噪聲過濾技術(shù)，對于服從正態(tài)分布的噪聲(如圖5所示)具有很好的抑制效果。

圖5 一維與二維高斯分布曲線

在實際濾波中，濾波器將當(dāng)前像素作為核中心，通過卷積核對鄰域像素作加權(quán)平均，并將結(jié)果作為當(dāng)前像素的新值。

2.2 邊緣檢測

為了提取食品主體的尺寸信息，首先需要在圖片中界定出食品主體的位置，使其與背景區(qū)分。最有效的方法就是對圖像進(jìn)行邊緣檢測，提取出食品主體的輪廓信息。由于食品主體占據(jù)的區(qū)域是一個連通域，可以通過輪廓直接反映主體的尺寸、周長等結(jié)構(gòu)屬性。

目前常用的邊緣檢測方法大致可以劃分為兩類：1)基于查找的邊緣檢測方法；2)基于零穿越的邊緣檢測方法。分別通過圖像中的一階導(dǎo)數(shù)極值及二階導(dǎo)數(shù)的零穿越值來實現(xiàn)邊界的定位。

而在實際計算過程中，通常會用算子來替代求取一階導(dǎo)數(shù)的極值或二階導(dǎo)數(shù)的零穿越值，比如在Prewitt算子中，就是利用f′(x)=f(x+1)-f(x-1)來近似計算一階差分，提取系數(shù)得到模板[-1,0,1] 。對應(yīng)的二維情況為[[-1,0,1],[-1,0,1],[-1,0,1]]，這就是Prewitt算子。表1對幾種常用的邊緣檢測算子進(jìn)行了比對。

表1 常用邊緣檢測算子計算原理及特點

由于目標(biāo)特征為物體尺寸，而尺寸信息的精度大小取決于食品主體在圖片中占據(jù)的像素個數(shù)，因此檢測到的邊緣越精確，占據(jù)的像素值越少，對應(yīng)提取出的邊緣特征就越精確。鑒于Canny算子在精確性上的優(yōu)勢，選擇它作為邊緣檢測算子。

式(2)、(3)分別在水平與豎直方向上進(jìn)行差分運算，得出梯度幅值分量，并通過式(3)、(4)計算總幅值大小和偏角。

P[i,j]=(f[i+1,j]-f[i,j]+f[i+1,j+1]-

f[i,j+1])/2

(2)

Q[i,j]=(f[i,j]-f[i,j+1]+f[i+1,j]-

f[i+1,j+1])/2

(3)

(4)

(5)

最后進(jìn)行非極大值抑制，對于圖像來說，幅值較大的元素點并不一定就是邊緣點，需要通過比較該點周圍元素的幅值來確定該點是否是局部最大值。非極大值抑制就是尋找像素點的局部最大值，并對非極大值所對應(yīng)的點進(jìn)行抑制，即灰度重置。

如圖6(b)所示，要進(jìn)行非極大值抑制，就首先要確定像素點O的灰度值在其8值鄰域內(nèi)是否為最大。假定圖中線條為O點的梯度方向，則其局部最大值必定位于線條之上，因此，梯度方向上的兩個交點值Node1和Node2也可能成為局部最大值。所以，比較O點灰度與兩個交點灰度值的大小，如果O點處于低值狀態(tài)，則O點不是局部極值，可以進(jìn)行排除，達(dá)成抑制。[7-9]

圖6 Canny邊緣檢測原理圖

圖7為Canny算子和其他幾種算子的邊緣檢測效果對比，從圖中可以看出，Canny算子所得邊緣具有更好的精確性，更適合食品主體的提取工作。

圖7 算子邊緣檢測效果對比

2.3 最小外廓擬合

經(jīng)過邊緣檢測所提取出的主體邊緣是一條閉合的不規(guī)則線段，它并不能直接反映出主體的尺寸特征，為了能夠得到近似的主體尺寸，我們將已有的邊緣信息作為輸入，用矩形框體框定主體邊緣，并不斷調(diào)整框體的大小和位置，使最終形成的矩形為最小擬合矩形。此時，可以用矩形框的尺寸來近似指代所要測量的主體尺寸。

由于輪廓是由一系列點組成的，若想獲得輪廓的最小外接矩形，首先需要獲得輪廓的近似多邊形。即在不影響輪廓支撐形態(tài)的情況下對大部分內(nèi)縮的輪廓點進(jìn)行抽釋，抽釋算法采用道格拉斯-普克(Douglas-Peucker)算法。

首先，將曲線的首末點虛連成一條直線，計算曲線上所有點到直線的距離，并找出其中的最大距離值dmax，用dmax與事先給定的閾值D相比；若dmax

圖8 Douglas-Peucker算法

當(dāng)輪廓的邊緣點數(shù)量折降到一定數(shù)值時，圖像輪廓可以塌陷成一個近似的多邊形，而由于多邊形的最小外接矩形的一條邊必然與多邊形的其中一條邊共線，只需要枚舉多邊形的邊，作外接矩形，比較外接矩形的面積，選最小的那個就可獲得最小的擬合外廓。擬合過程如圖9所示。

圖9 最小外廓擬合

2.4 像素轉(zhuǎn)換

經(jīng)過最小外廓擬合得到的尺寸數(shù)據(jù)為像素坐標(biāo)系下的像素尺寸，并不是三維世界坐標(biāo)系下的真實物理尺寸。由于本文所要測量的只是食品主體尺寸，即食品的最大長度，因此只要在布置相機(jī)時，嚴(yán)格保證相機(jī)視角與采集平面的平行一致性，就可以將三維映射近似轉(zhuǎn)化一位的映射關(guān)系。即：

L=μ*M

(6)

其中：M為像素尺寸；L為世界坐標(biāo)系下的物理尺寸；μ為轉(zhuǎn)化系數(shù)，在測量開始前通過對標(biāo)準(zhǔn)模板在當(dāng)前相對位置下進(jìn)行先驗測量得出。

2.5 現(xiàn)場快速標(biāo)定

2.4中的轉(zhuǎn)化系數(shù)μ由現(xiàn)場標(biāo)定給出，不同場合與不同安裝條件下的轉(zhuǎn)化系數(shù)會出現(xiàn)較大的差異。因此，在設(shè)計工位時，配置了位置可調(diào)的攝像頭安裝支架。發(fā)生場景變更時，只需要記錄變更后的相機(jī)位置，并測量已知尺寸的標(biāo)準(zhǔn)模板在此位置下的測量值，反向推導(dǎo)出轉(zhuǎn)化系數(shù)即可。操作簡單、有效、易于入手。[10]

3 效果測試

為了測試系統(tǒng)的檢測效果，需要搭建一定數(shù)量的檢測樣本。為了完成樣本采集工作，搭建了如圖10所示的采集裝置，裝置包括攝像頭、支架、托盤等組成部分。通過調(diào)節(jié)支架角度和高度使攝像頭呈豎直安裝，通過普通白熾燈泡進(jìn)行照明；待采集產(chǎn)品以任意角度放置在純色背景的托盤之上。采集時，現(xiàn)將產(chǎn)品置于托盤之上，然后開啟照明裝置，控制上位機(jī)程序進(jìn)行幀像采集。本文通過搭建測試樣本集，利用34個模型樣本形成7組共238份測試數(shù)據(jù)(每組對應(yīng)不同的轉(zhuǎn)化系數(shù))，通過比對誤差區(qū)間得出了智能檢測工位的測量效果。部分樣本的檢測效果如圖10所示。

圖10 部分樣本的檢測效果示意圖

部分尺寸檢測數(shù)據(jù)如表2所示。由于采集位置和采集時間的差異，以及算法的系統(tǒng)誤差，各測量樣本顯示出的誤差性略有不同，但測量長度與實際長度的偏離值始終維持在2 mm以內(nèi)。

表2 尺寸檢測數(shù)據(jù) mm

由于數(shù)據(jù)是多組測量值和真實值的比對，因此采用標(biāo)準(zhǔn)誤差來衡量系統(tǒng)的測量準(zhǔn)確度。公式為：

(7)

4 結(jié)束語

智能化生產(chǎn)是食品行業(yè)轉(zhuǎn)型的必然趨勢和必然結(jié)果。通過設(shè)計一種智能檢測工位，將機(jī)器視覺利用到食品尺寸的測量與劣品甄別上，使尺寸測量的相對誤差降低到1.1%。并且由于智能工位的可適性，其對包裝、顏色、紋理等視覺屬性以及產(chǎn)品置換等都有良好的技術(shù)擴(kuò)展性，可以在更多領(lǐng)域和工業(yè)環(huán)境得到很好的利用。

21世紀(jì)是科技的時代，如何把前沿性的科技理論落地到具體的生態(tài)環(huán)境之中，這正是新一代科研工作者應(yīng)該考慮和重視的環(huán)節(jié)。而只有當(dāng)像食品生產(chǎn)這樣的基礎(chǔ)性工業(yè)得到有效的技術(shù)滲透，才真正實現(xiàn)了科技的時代性助益。