基于X射線圖像的堅果盒異物檢測

□ 蘇思懿 阮順杰 方逸肖 林翰 應宏微（通信作者） 寧波工程學院電子與信息工程學院

1 引言

現如今，堅果盒中混入異物的情況時有發生，如生產線上的螺絲松動掉入食品中、原材料本身含有小石子等雜質……且食品中可能摻入的異物種類很多，如金屬、玻璃、塑料、毛發、砂石等，誤食后易造成人身傷害。因此，在堅果盒的生產和包裝過程中，諸如光學檢測、核磁共振技術等檢查方法常被應用于異物檢測[1，2]。然而，光學檢測技術往往只可用于檢測產品表面的異物，核磁共振技術的成本及要求較高，且僅對石頭等部分異物的檢測效果較為明顯。基于X射線圖像的異物檢測是一種更有效的檢測方法，由于X射線對不同材質的物體具有不同的穿透率，即穿透堅果盒后會形成深淺不一的灰度圖像，即灰度值體現了物體的密度特征。因此，可以利用圖像處理的方法根據不同區域的灰度值和形態特征自動判定是否存在異物。

2 檢測方法

2.1 材料

為比較識別算法的性能，采用標準測片模擬混入堅果盒中的異物：直徑分別為4、3、2、1.5、1.0mm的石英球測片5顆；直徑分別為0.8、0.7、0.6、0.5、0.4、0.3mm的304不銹鋼球測片6顆；直徑分別為5、4、3、2、1.5、1mm的陶瓷球測片6顆；長度為2mm，線徑分別為0.7、0.6、0.5、0.4、0.3、0.2mm的304不銹鋼線測片6條。以上測片的大小、密度、材質等特征與堅果盒日常所混入異物的特征基本相似。

圖1 堅果盒內X射線圖像示例

將堅果盒分為A、B兩組，在A組堅果盒內放入異物標準測片，B組作為對照組保持無異物。根據堅果在盒內的分布均勻程度，A組又分為堅果平鋪A1組和堅果側鋪A2組；B組也分為堅果平鋪B1組和堅果側鋪B2組。采用50kv、1500μa的X射線掃描得到A1、A2、B1、B2這4組X射線圖像用于算法測試，如圖1所示。

2.2 算法描述

通過對A1、A2、B1、B2這4組圖像集的分析，基于所提出的檢測算法步驟如下。

①分割原始圖像，去除堅果盒外接矩形以外的部分，得到感興趣區域R。

②采用Sobel算法[4]強化感興趣區域內部的邊緣信息，得到邊緣圖像E，同時使堅果盒內部的果肉和異物的邊緣輪廓得到加強。

③經過以上處理后得到的Sobel邊緣圖像E是灰度圖，故必須轉換為二值圖才能區分邊緣與背景。設置閾值T0，當E中的像素灰度值大于T0時，設其為邊緣，賦其值為255（白色）；否則設為背景，賦其值為0（黑色），從而獲得二值圖像B。

④由于堅果盒內邊框的灰度值和異物灰度值較為接近，而邊框的存在會對異物檢測準確率起到較大影響，故必須屏蔽內邊框。內邊框一般以果盒中心為圓心，直徑略小于盒外徑，因此將這個圓外的區域全部置為0就可以屏蔽果盒內邊框。定于閾值T1=盒內直徑/盒外直徑，T1=0.9時，可以較好的屏蔽果盒內邊框。

⑤檢測出圖像B內的連續閉合曲線，即閉合輪廓，然后填充輪廓內部，形成塊狀連通域[5，6]，異物塊形狀基本得到顯現。

⑥連通域填充后進行腐蝕運算[7]，其目的在于將面積過小的連通域（主要是圖像噪聲）消除，同時將過于靠近的連通域分離。然后，進行一次膨脹運算，維持剩下的連通域面積基本不變。

⑦采用4連通判別算法來對各個連通域進行標注，賦予每個連通域唯一的編號。

⑧由于異物與其局部的周邊環境差異較大，故需獲取異物周邊的特征，為此進行連通域膨脹，膨脹次數T2=3，標注出每個連通域的外圍區域，計算出外圍區域平均灰度（OutAvgG）。

⑨計算每個連通域的面積（area）、內部的平均灰度（InAvgG）及最小灰度（minG），并統計異物數量。

2.3 參數說明

根據上述算法，需要對連通域外圍區域平均灰度（OutAvgG）、連通域面積（area）、連通域內部平均灰度（InAvgG）及連通域最小灰度（minG）這4個參數進行測定，以判別連通域是否為異物。

異物的面積通常有一個范圍，若連通域的面積在范圍之外，則該區域判別為非異物，判別公式如（1）所示。

式中：L為連通域集，x為連通域標記值，area(x)為標記值等于x的連通域的面積，T3為異物的最小面積。當連通域面積小于T3時，則該連通域不是異物。

異物的灰度值通常較低，即看上去顏色較暗。若異物內部的最低灰度值大于閾值T4，則該連通域不是異物，判別公式如(2)所示。

式中：minG(x)表示標記值為x的連通域的最小灰度，T4為異物的最低灰度值。

通常情況下，異物周圍的環境灰度較高，因此異物連通域的平均灰度值和外圍區域的平均灰度值的差值通常大于閾值T5，小于該閾值則說明該連通域與周圍環境差別不大，即可認為是異物，判別公式如(3)所示。

表1 檢測算法性能表

圖2 檢測效果圖

式中：OutAvgG(x)表示標記值為x的連通域的外圍部分的平均灰度值，InAvgG(x)表示標記值為x的連通域的內部平均灰度值。

3 檢測結果

在上節所述的T0～T5共6個閾值中，T0～T2是程序閾值、T3～T5是異物特征約束閾值。實驗發現，當T0=100、T1=0.9、T2=3、T3=4、T4=140、T5=10 時，檢測算法的綜合性能最優，檢測效果如圖2所示，具體性能指標如表1所示。

圖2與表1的數據充分證明了本算法的有效性。在實際的X光機產品參數調試中，若已知異物的種類組合，通過調節參數閾值還可以進一步提高檢測率、降低潛在的誤檢率。本文所提出的檢測算法在測試電腦（主頻2.5GHZ，內存8G）上處理一幅X射線圖像的時間約為40～80ms，可以滿足每秒至少處理12幅圖像的速度需求。

4 結論

基于堅果盒的X射線圖像，本文采用數字圖像處理技術成功實現了對堅果盒內異物的自動檢測，所取得的檢測率、誤檢率、檢測速度等性能指標能滿足相關企業的要求。