基于機器視覺的標簽檢測系統的設計

施兢業++陸龔琪++劉俊

摘 要：基于人工檢測產品標簽的不足之處，提出了基于機器視覺檢測打印機標簽的方法。該標簽檢測系統利用CCD攝像機采集標簽圖像信息，使用中值濾波與小波閾值去噪結合的方法對標簽圖像進行去噪處理，并采用Otsu法進行圖像分割。通過計算標簽的面積、重心和方向及對比標準標簽圖像相來檢測標簽是否合格，實現了生產過程中產品標簽的實時自動檢測。

關鍵詞：機器視覺；標簽檢測系統；CCD相機；脈沖干擾

中圖分類號：TP391.41 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.14.014

隨著物質生活水平的不斷提高，人們越來越重視所購買產品的質量。對于任何產品，其包裝上的標簽直接關系著產品質量。現代工業生產的特點是連續大批量生產，具有效率高的特點。對于標簽的檢測，要求快速、準確、可靠、不影響生產。然而，有些工廠在標簽檢測這一環節仍采用人工檢測。人工檢測存在很多方面的不足，主要包括速度慢，無法連續、穩定檢測，會因疲勞而導致檢測準確率下降，這些都會影響系統的生產效率和產品合格率。

基于人工檢測的不足，基于機器視覺的標簽檢測系統應運而生。機器視覺檢測具有速度快、非接觸、精度高、自動化程度高、實時性強等特點，能滿足標簽在線檢測的要求，在檢測技術中的地位越來越高。本文以打印機標簽作為檢測對象，針對打印機標簽可能出現的破損、折疊、傾斜和顛倒等情況，計算了標簽的面積、重心和方向，并將計算結果與標準標簽的相應數值進行了比較，從而判斷標簽是否合格。

1 標簽檢測系統的組成

作為具有實時性和非接觸性的檢測系統，主要包含照明系

統、圖像采集系統和圖像處理系統。為了滿足光源的穩定性、亮度、均勻性等方面的要求，本系統使用LED光源從斜上方照射產品標簽，可保證亮度均勻和光照穩定。工業相機一般分為CMOS相機和CCD相機。其中，CMOS相機畫面質量較差，而CCD相機具有體積小、靈敏度高、幾何失真小、功耗低、壽命長等特點。因此，結合實際選擇了黑白面陣CCD相機，并將其固定在了支架上。被采集到的標簽圖像通過圖像采集卡傳入計算機，再由計算機進行實時圖像處理，判斷標簽是否合格。

2 標簽的檢測算法

本標簽檢測系統的檢測目標是檢測產品標簽是否存在破損、折疊，是否粘貼顛倒、傾斜等。針對這些目標，本系統通過計算標簽的面積、重心和方向這些基本特征，判斷了標簽是否符合要求，實現了標簽的自動檢測。

2.1 標簽圖像的預處理

在實際應用中，由于受到光照、周圍環境、系統自身等方面的影響，圖像在采集、傳輸和記錄的過程中會不可避免地受到噪聲的干擾，進而導致圖像失真，圖片質量下降，使后續處理環節受到了影響，降低了處理的效率和準確性。因此，我們需要采取相應的措施減小噪聲對圖像的影響，以改善圖像的視覺效果，提高圖像質量。

2.1.1 中值濾波

中值濾波是一種廣泛應用的可濾除脈沖干擾的非線性去噪方法，即用一個移動窗口（一般取奇數個點）將窗口中心點的值用窗口內各點的中值取代。在一定的條件下，該方法能克服線性濾波器（均值濾波）造成的圖像細節模糊。

設有一個一維序列為f1，f2，…，fn，窗口大小取m（m為奇數），對其進行中值濾波操作，即從輸入序列中依次抽出m個數，再將這m個數按大小排序，取其序號為中點的數作為輸出值，計算公式為：

. （1）

2.1.2 小波閾值去噪

小波去噪法對高斯白噪聲有很好的濾除效果。小波去噪方法總體可分為3類，分別為基于小波變換模極大值去噪、基于相鄰尺度小波系數相關性去噪和小波閾值去噪。其中，小波閾值去噪法較為簡單且效果較好，因此，其應用和研究最為廣泛。

小波閾值去噪的基本思想為分別處理小波分解后各層系數中大于或小于某閾值的系數，并利用處理后的小波系數重構消噪后的圖像。在閾值去噪中，閾值函數體現了對小波分解系數的不同處理策略和不同計算方法，常用的閾值函數有硬閾值函數和軟閾值函數。

2.1.2.1 硬閾值函數

硬閾值函數的基本思想為：當初始小波系數的絕對值小于閾值時，可將其設為0；當其大于或等于閾值時，不進行處理。具體可用以下公式表示：

. （2）

2.1.2.2 軟閾值函數

軟閾值函數的基本思想為：初始小波系數的絕對值小于所設定的閾值時，可將其設為0；當其大于或等于閾值時，可用其減去閾值。具體可用以下公式表示：

. （3）

硬閾值函數可以較好地保留圖像邊緣等局部特征，但會引發偽吉布斯效應等視覺失真現象；軟閾值處理使圖像的過程更加平滑，但可能導致邊緣模糊等失真現象出現。兩種閾值函數各有優點和缺點，使用時應根據實際的圖像選擇。

2.1.3 中值濾波與小波閾值去噪的結合

采集到的圖像中往往含有多種噪聲，常見的為高斯白噪聲和脈沖噪聲。因此，使用單一的去噪方法無法達到理想的去噪效果，通常需要多種方法相結合。本文采用中值濾波與小波閾值去噪相結合的濾波方法，先使用中值濾波處理圖像中的脈沖噪聲，再使用小波閾值去噪濾除高斯白噪聲。該方法的去噪效果較好，且能在一定程度上保護圖像的邊緣。

2.1.4 實驗結果及其分析

本實驗基于Windows 7系統，使用MATLAB 2014a進行程序編輯，對標簽圖像加上噪聲強度為0.07的脈沖噪聲（椒鹽噪聲）和均值為0，方差為0.02的高斯白噪聲生成含混合噪聲，中值濾波采用3×3的模板，小波去噪選擇sym5基函數對圖像進行3層分解，并使用硬閾值函數。采用上述方法對標簽圖像進行處理，并計算圖像的峰值信噪比（PSNR）。實驗結果如圖2所示。

峰值信噪比分別為PSNR（a）=14.919 1、PSNR（b）=18.404 8、PSNR（c）=15.282 4、PSNR（d）=18.885 4.

由實驗結果可知，中值與小波閾值去噪相結合的濾波方法能有效地去除2種噪聲，去噪效果明顯比單一去噪好，且峰值信噪比較高。

2.2 圖像分割

圖像分割就將圖像分成具有不同特征的區域，并提取感興趣目標的技術和過程。由于本文中的標簽目標對象與背景的對比明顯，容易區分，因此，選用最大類間方差閾值圖像分割方法（Otsu法）進行閾值分割。

Otsu法是由日本的大津于1979年提出的，也稱為大津法，是閾值分割自動選取的最優方法之一。其基本思想為：用閾值將圖像像素分為目標和背景兩類，使用區分后得到兩類的類間方差最大值確定最佳閾值。該方法會先初步選定特定圖像的分割閾值，將待處理的圖像直方圖分割成h（x，y）和f（x，y）兩組；得到兩組像素值各自的相關參數后，通過搭建類間方差數學模型來獲得兩組像素點群體的方差，并按照一定順序分割閾值，直至兩組數據的類間方差與類內方差的比值達到最大時，此閾值分割可得到差別最大的圖像分組結果，即獲得最優的圖像分割閾值。

在確定閾值時，σB2（T）代表閾值為k時的類間方差，ωi和μi分別為Ci組μi中像素i產生的概率和組內所有像素點灰度值的均值，μ為圖像所有像素點灰度的均值。兩組間的類間方差計算公式為：

處理效果如圖3所示。

3 標簽的檢驗過程

在本實驗中，攝像頭是固定安裝的，產品檢測面與攝像頭是保持正對的。工作環境為室內，光照強度不變，圖像中可能出現變化的只有標簽。因此，對于標簽的破損和折疊、粘貼方向不正確等，均可以采用計算標簽面積、重心和方向的方法判斷。

3.1 標簽面積的計算

計算標簽面積的原理為自上而下逐行掃描，計算標簽的像素總個數。計算公式如下：

如果圖像中有標簽破損或折疊，則計算出的標簽面積就會與標準標簽有較大的差異。當兩個面積數值的差值超出一定范圍時，就可以判斷為標簽不合格。

3.2 標簽重心的計算

設標簽重心坐標為（X0，Y0），則重心的計算公式為：

由式（6）（7）可知，求重心即求圖像數組中數值為1的坐標的和與面積的比值。因此，當標簽面積不變時，只要標簽傾斜，值為1的點的坐標必然會發生變化，進而導致重心值發生變化。對比求得的重心與預設的標準合格產品標簽圖像的重心值，當重心值與預先設定的值不同，且超過規定的誤差范圍時，則可以判斷標簽不合格；反之，則說明標簽合格。

3.3 標簽方向的計算

基于方向場的應用可以為物體定義方向。我們可以將每個物體看作橢圓，在笛卡爾坐標平面上，長軸被定義為與最小慣量軸同方向的最小二階矩軸，從而定義長軸方向為物體的方向。圖像中物體的最小二階矩軸就是物體上所有點到該線距離的平方和的最小值。給出一幅二值圖像B[i，j]對物體的所有點到直線進行最小二次方擬合，獲得物體的最小二階矩軸方程，其計算公式為：

.長軸與x軸的夾角，通過計算θ便能判斷標簽是否旋轉以及旋轉角度的大小。本系統設定θ的變化范圍為± 5°。如果待檢測標簽的θ值與標準標簽的θ值的差超過了此變化范圍，則可判定此標簽為不合格。

3.4 實驗結果及其分析

在實驗中，分別計算了合格標簽和各種不合格標簽的面積、重心和方向，并對得出的計算結果進行了匯總和比較。

分析表1中的數據可得，合格標簽的3個數據都與標準標簽較為接近，破損標簽與標準標簽的面積值有較大的差別，傾斜標簽與標準標簽的重心、方向角有明顯的差異，顛倒標簽與標準標簽的重心有較大的差異。因此，可以將這3個數據作為判斷標簽是否合格的依據。此外，對足夠多的標簽進行檢測后，其準確率可達到93%.

4 結束語

由于人工檢測打印機標簽的種種不足，本文設計了基于機器視覺的標簽實時檢測系統。該系統由LED光源、CCD相機及鏡頭、圖像采集卡、計算機等設備組成。使用中值與小波閾值去噪結合的去噪方法；用Otsu法對圖像進行二值化處理；針對可能出現的標簽破損、傾斜、顛倒等現象，通過計算標簽圖像的面積、重心和方向來檢測標簽的異常。檢測的準確率達93%.本系統的設計對于工業生產中標簽的檢測具有很大的實際意義。

參考文獻

[1]段峰，王耀南，雷曉峰.機器視覺技術及其應用綜述[J].自動化博覽，2002（03）.

[2]張德豐.詳解MATLAB圖像處理[M].北京：電子工業出版社，2010.

[3]儲鵬鵬.基于小波變換的圖像去噪方法研究[D].西安：西安電子科技大學，2009.

[4]陳曉丹，李思明.圖像分割研究進展[J].圖形圖像，2013（11）.

[5]N Otsu.A Threshold Selection Method from Gray-level Histograms. IEEE Transactions on Systems，Man and Cybernetics，1979，9（01）.

[6]賈云德.機器視覺[M].北京：科學出版社，2000.

〔編輯：張思楠〕