裝箱捆百鈔快速檢測的算法

李 展

?

裝箱捆百鈔快速檢測的算法

李 展

本文提出了一種基于機器視覺鈔票封包品質好壞的快速檢測方法。經實驗驗證，該方法有效地檢測出每個鈔票裝箱的把數和產品數量，可以為鈔劵封裝工藝改進給出進一步的信息數據分析。

檢封產品裝箱線是印鈔產品工序的最后一道環節，產品的“數字安全”尤為重要，出廠產品以一箱為單位，每一箱必須有20個千尺包（產品包），每個千尺包已塑封過的10把產品，在實際生產過程中，由于前工序操作原因，存在某千尺包產品“少把”的情況，或者本工序某箱產品“少包”的情形。需要檢測千尺包產品是否有10把，箱內產品是否有20個千尺。“鈔券檢封裝箱捆百檢測檢測系統”是對鈔券在檢封生產過程中封包信息、裝箱信息、小包捆百進行檢測的系統。通過本系統的實施，可實現在裝箱線每千尺包產品“把數”檢測和每箱產品數量的檢測。通過工業現場總線將各個信息點進行連接，最終實現通過信息系統能夠查詢該條生產線上每箱產品的實時數據或歷史數據。

系統全面推廣應用后，可以全面達到鈔券封裝工藝改革中總行提出的“保數量、保質量、可追溯”的工藝要求，為打造智能化、信息化的一流鈔券生產線奠定基礎。

本文設計的系統實現了對鈔券封裝方式的改革，改變傳統的五小包捆大包后裝箱的方式，按照單尺裝箱的方式進行裝箱，同時對小包封簽方式的也進行了改進，改變了傳統封裝方式，使用小包透明塑膜捆百帶，捆百帶上在線噴印有唯一標識的條碼信息，同時在裝箱前，將每小包裝箱產品的首張冠號信息自動識別后再完成裝箱。系統實現了將條碼信息、裝箱識別首號信息、箱號信息的有效對應，從而實現對每箱內所有產品號碼、封裝生產信息的追溯。

成像系統系統設計

根據裝箱線的安裝條件和實際尺寸要求（物距900mm，成像區域大小500mm*600mm）選擇使用相機baumer（型號txg50，分辨率2448*2050），鏡頭kowl（12mm），900*900白色面光源。曝光時間不同情況成像如圖2所示。

算法分析和設計

區域邊界裁剪

如圖3所示，待測目標基本都在圖像中（200，200）和（800，800）構成對角的矩形范圍內，可以根據該特征縮小處理的范圍。通過二值化后矩形的尋找將圖像中合理的優化裁剪，得到分割后的目標圖像。

為了得到感興趣的目標物的信息，我們首先需要將準備檢測的圖像通過一定的數學處理變化為更加方便計算機處理的二值圖像（圖像二值化）。而通常的做法是，采用閾值計算的方法來達到圖像二值化的目的。得到閾值的方法很多，一般通過圖像的直方圖信息進行計算得到閾值。灰度圖像I的直方圖h定義為：

上述公式中m是在整個灰度級值的范圍內取值。

Otsu算法是一種基于直方圖的概率統計方法。這里假設圖像直方圖的概率密度函數為：

圖1　機械安裝示意圖

圖2　不同曝光時間成像效果（a） 1.5ms （b） 3ms （c） 4ms以及不同曝光時間成像效果對應的直方圖（d） 1.5ms （e） 3ms （f） 4ms

圖3　裝箱圖及其灰度分布

圖4　對裝箱圖照片二值化后的效果

其中，

其次，對二值化后的圖像采用Blob分析，并標記出圖像中的連通區域。這里我們先將一幅二值圖像定義為，同時，，?其中的取值有兩種可能（0或者1）。假設在圖像中存在一個像素序列

接下來我們需要標記二值圖像B，并最終獲得被標號的圖像Lable-B。像素所在連通成分的標號就等于標號圖像中每個像素的值。這里為了方便的考慮，采用正整數來標記像素連通成分，從而達到用符號命名一個實體的目的。

目前存在多種算法來達到標記連通成分的目的。一種算法是針對圖像較大的情況，考慮到計算機內存大小的限制，無法使得整張圖片完全被載入。此時，算法被設計成單次處理圖像中的2行像素。第二種算法是假設計算機內存大小足以載入全部圖像，此時只要采用傳統的遞歸法即可達到對全圖像掃描的目的。其他的例如在大型機上采用并行策略算法來實現連通成分標記等等。馬里蘭大學的A.Rosenfeld與J.L.Pfaltz于1966年發表了基于經典的圖連通算法的連通成分標記算法，俗稱并查算法（unionfind）。該并查算法的實現依賴于對圖像的兩次掃描：第一次掃描首先是記錄圖像中的等價像素對，并為之臨時賦予一個標記號。與此同時，用二元關系對第一次掃描獲得的等價對集合進行存儲，緊接著處理這些等價集合并最終確定這些二元關系的等價類。第二次掃描則開始將每個臨時標記號替換成等價類的標號。上述這種隨著找到的等價對實時動態地構建等價類的并查算法在后續的計算機科技發展當中被廣發的應用。通過上述并查數據結構的引入，基于樹結構表示的等價類能夠被高效的構造以及操作，從而使得經典算法的性能得到大幅度的改善。

把相互不相交的集合存儲在一起，從而可以使得合并運算和查找運算的效率大幅度提升，這是引入并查數據結構的主要目的。具體來說，即用樹來存儲每一個集合，每個標號用樹的節點來代表，該標號同時指向它的父節點。為了實現并查數據結構，只需要構建一個向量數組Parent，Parent向量數組的下標即為標號，父節點的標號就是元素的值。當父節點等于零時，意味該父節點是樹的根節點。圖5顯示的是兩組樹形結構。第一組樹形結構的標號為，第二組樹形結構的標號為。其中標號3為第一組樹形結構的父節點，同時也是第一組樹形結構集合的標號；標號7是上述樹形結構的父節點，同時也是該樹形結構集合的標號。通過查找Parent向量數組，可以得知以下一些信息，諸如：節點3和節點7并不存在父節點，標號1的父節點是2，標號2、4、8的父節點是3，等。同時，值得注意的是，由于背景像素通常用零來表示，Parent向量數組中并不存在標號等于零的元素。同時數組中值為零的元素代表該節點不存在父節點。

圖5　兩組標號的并查數據結構。第一組包括標號｛1，2，3，4，8｝，第二組包括標號｛5，6，7｝。對每一個整數標號i，PARENT［i］的值是i的一個根節點，沒有父節點，則PARENT［i］的值是0.

圖6　輪廓信息特征提取步驟

并查數據結構所要實現兩個具體的過程，第一是查找過程，第二是合并過程。其中查找過程中所涉及的參數為數組的標號X和父數組Parent。該查找過程沿著樹結構向上對父指針進行跟蹤，從而達到查找標號X對應樹根節點標號的目的。而合并過程中所涉及的參數除了標號X和父數組Parent外，還包括Y。該合并過程主要是用于修改結構，即將包含X的集合和包含Y的集合進行合并操作。具體來說，即分別從標號X和標號Y開始，沿著樹結構向上對父指針進行跟蹤，直到尋找到包含X和包含Y的兩個集合的根節點為終止點。若一個標號所對應根節點與另一個標號所對應的根節點有區別，則把其中一個較小集合標號的父節點用另一個較大集合的標號來替代。這樣可以起到將樹的深度向縱向擴展的目的。

鈔捆輪廓提取

對裁剪和檢測目標提取后的圖像進行近一步的輪廓信息特征提取，主要的步驟如下。

輪廓信息特征提取基本思路是：首先通過一些較為嚴格的“探測準則”將目標輪廓上的像素尋找到。再根據這些輪廓上的像素的某些特征，遵循一定的“跟蹤準則”將目標物體上的其他邊界像素尋找到。為了更好的理解上述思路，下面將詳細講解基于二值圖像的輪廓信息提取算法。

圖7　（a）圖像輪廓效果圖 （b） 正常產品包面積大小圖（c） “少把"圖像

首先介紹“探測準則”。該準則是用來尋找第一個邊界像素。我們依照從左往右，自下而上的搜索順序尋找黑點，最左下方的邊界點一定是依照該順序找到的第一個黑點，我們將其標記為A。A的四個鄰位點（左上，上，右上，右）中至少有一個是邊界點，將該邊界點標記為B，接下來從標記點B開始依照特定的順序（右、右上、上、左上、左、左下、下、右下）來搜索其相鄰點中的邊界點，將該邊界點標記為C。同時，將C點與A點進行比對，若C點即為A點，則表明搜索路徑已經轉了一個圓圈，此時，搜索程序終止；否則，從C點按照上述方法和順序繼續搜索，直到找到的標記點等于A點為止。從上面的描述可以看。

其次，將介紹“跟蹤準則”。尋找和判斷一個點是不是邊界點相對來說較為容易，基本的判斷準則就是：若其上下左右四個鄰點都不是黑點，則可以確認該點為邊界點。

上述邊緣輪廓檢測只能用來獲得目標物體輪廓線附近的像素點，并不能用來獲得連接這些像素點之間的線。通常情況下，我們需要檢測的物體形狀事先可以確定并用代數方程來表示。此時，一種有效的方法就是采用霍夫變換，即將所檢測圖像上的特征像素點相應的映射到表示兩點所連接的線的形狀的參數空間上。為了方便描述，現采用下面的代數方程來表示直線：

上式中，和分別代表從坐標原點向直線引的垂線的長度以及垂線與x軸之間的夾角。當我們使用如（8）所示的代數方程時，可以方便的將直角坐標系圖像空間中的直線，表示成極坐標參數空間中的一個點。同時，任意直線，只要經過圖像中的相應特征點（，），則可用下式（9）表示：

換個思路來看，就是用式（9）表示的參數空間中的軌跡來對應圖像空間中的點（，）。基于上述圖像空間與參數空間的變換關系，下面介紹下，在霍夫變換中進行直線檢測的具體方式：1）準備一個二維數組，該二維數組中所有元素值都被初始化為零用于表示參數空間；2）把上文通過相應算法搜索到的圖像中的各個特征點的坐標值，代入到公式（8）中； 3）將步驟2）中獲得的方程式所表示的軌跡在參數空間中描繪出來。描繪軌跡的方法是：一邊使按的大小間隔逐漸增加，一邊將帶入方程計算相對應的值；4）根據所計算的軌跡，及其相對應通過的數組元素，將該數組元素的值增加1。5）通過上述方法描繪出所有對應特征點的軌跡，并計算出大多數軌跡所集中的相對應的位置。該位置即為參數空間的數組中具有最大值的元素。6）將類似這樣的元素所表示的參數定義為（，）。則該參數代表圖像中的通過多數特征點的邊界直線。

上述方法的一個顯著的優點是，霍夫變換能檢測出特征點非連續的圖像的邊緣直線。霍夫變換法相對邊緣追蹤等方法來說，具有較強的抗噪聲性。進一步的，基于優化了的邊緣特征點，檢測目標的鈔捆輪廓及面積統計如圖7 （a）所示。

在獲取到圖像輪廓圖后，就可以根據輪廓線和位置參數，計算出每個包的序號位置和面積大小，如圖7（b）所示。對于“少把”面積圖像做檢測后，如圖所示：序號12的產品包，面積大小為83798，與其他正常包的面積大小內差在9%左右，此依據可以作為檢測“少把”的標準。

結語

對裝箱流水線的生產箱“產品個數”進行圖像檢測，對每個產品包“把數”進行檢測，系統檢測信息以箱為單位，按箱號存儲，并關聯首包號識別系統。產品個數檢測誤報率：0.01%；產品“少把”誤報率：0.5%；裝箱自動線把數檢測誤報率≤4%，漏報率為0，識別后檢測準確率100%；箱內報數檢測誤報率1%，漏報率為0，識別后檢測準確率100%。

李 展

成都印鈔有限公司

李展（1982-），四川省成都市人，碩士。研究方向：從事鈔券技術研究工作。

10.3969/j.issn.1001-8972.2016.11.031