基于計算機視覺的醫用口罩在線檢測系統設計

曾慶好 馬亮 馬博文

摘? 要：針對醫用口罩生產過程產生的多種缺陷，文章提出了一種基于計算機視覺技術的醫用口罩在線檢測系統，該系統采用單相機實現了口罩產品的正反面圖像采集，采用計算機視覺技術來自動識別口罩的有無，判斷耳帶缺陷、鼻條缺陷等不良狀況，設計了一套醫用口罩在線檢測軟件來實現系統的功能，軟件執行結果表明，文章提出的在線檢測系統能夠有效識別醫用口罩的各種缺陷，實現智能化在線檢測，提升口罩產品檢測質量，節省口罩生產成本。

關鍵詞：醫用口罩;計算機視覺;品質檢測;缺陷檢測;顏色定位

中圖分類號：TP391.4;TP273? 文獻標識碼：A ? 文章編號：2096-4706（2021）05-0174-07

Design of Medical Mask Online Detection System Based on Computer Vision

ZENG Qinghao，MA Liang，MA Bowen

（Shenzhen Vetose Technology Co.，Ltd.，Shenzhen? 518102，China）

Abstract：Aiming at the defects in the production process of medical masks，an online detection system for medical masks based on computer vision technology is proposed. The system uses single camera to realize the medical masks double face image acquisition. It uses computer vision technology to automatically identify whether the mask exists or not，judge the defects of ear band，nose bar and other adverse conditions. This paper designs a medical mask online detection software to achieve the system functions. The software implementation results show that the online detection system proposed in this paper can effectively identify various defects of medical masks，realize intelligent online detection，improve the detection quality，and save the production cost of masks.

Keywords：medical mask;computer vision;quality detection;fault detection;color location

0? 引? 言

隨著疫情的爆發和全球蔓延，作為疫情的重要防控物資——醫用口罩產品做出了重要的貢獻，醫用口罩產品已經成了必不可少的防疫物資和生活依賴品，醫用口罩在大批量生產過程中，由于原材料、生產機器和人員操作等多種原因，會產生很多種缺陷的醫用口罩產品，如醫用口罩尺寸錯誤、耳帶長短不一、鼻條未安裝，醫用口罩上有臟污、布料不全等[1]，這種缺陷品如果流出到市場環節，會給使用者帶來很多不便，甚至失去原來具備的防疫功能，更會給醫用口罩生產商帶來巨大的經濟損失。

由于醫用口罩生產已經全面趨向于自動化，生產要求和質量要求越來越高，一般醫用口罩生產商依靠人眼逐個分辨，效率極低，導致目前的醫用口罩品質檢測過程中，費時費力，且容易對檢測人員造成視覺疲勞，使產品存在質量隱患，造成大量產品返工和原材料浪費。本文提出一種醫用口罩在線檢測系統，旨在解決現有技術中醫用口罩通過人工檢測效率低、成本高、質量得不到保障的技術問題。

1? 系統的檢測原理

本文基于計算機視覺技術來實現醫用口罩在線檢測系統的設計。計算機視覺技術是基于數字圖像處理技術發展而來，起源于20世紀60年代，主要研究內容是利用攝像頭實現人眼的視覺采集、利用計算機實現人腦的視覺分析功能，從而實現對客觀世界的三維場景的感知、學習、識別和理解[2]。計算機視覺的基本流程包括：（1）圖像采集;（2）圖像預處理：常用的有圖像二值化、圖像去噪聲、圖像增強、圖像膨脹、圖像腐蝕等圖像預處理方法[3，4];（3）圖像特征提取：常用的有直方圖特征、顏色特征、FAST特征、Harris特征、HOG特征、SIFT特征、SURF特征等特征提取方法[5，6];（4）圖像分割、圖像檢測、圖像跟蹤：圖像檢測方法中常用的有背景建模、特征+分類器、顯著性監測等方法[7，8];圖像跟蹤方法中常用的有Mean-shift、TLD、粒子濾波、卡爾曼等方法[9];（5）圖像識別、圖像分類：圖像識別方法中常用的有特征識別、機器學習、模式識別、深度學習等方法[10-14]。

計算機視覺技術飛速發展至今，研究產生了很多的學習框架，常用的有OpenCV、Tensorflow、FFMpeg、Caffe等計算機視覺學習框架[15-19]，這些學習框架已經完成了很多基礎性的計算機視覺處理工作，采用某種學習框架可以節省研究人員的精力，將有限的研究時間充分利用起來，解決實際問題。

2? 系統的構成

本文所提供系統分為硬件和軟件兩大部分，硬件部分由輸送機構、翻轉機構、圖像采集機構、分選機構、PLC控制系統構成，軟件部分由自動控制軟件、視覺檢測軟件、用戶操作界面組成，系統結構如圖1所示。

2.1? 系統硬件組成

系統硬件由輸送機構、翻轉機構、圖像采集機構、分選機構、PLC控制系統構成，如圖2所示。

2.1.1? 輸送機構

輸送機構由兩條輸送皮帶、輸送電機、檢測光纖、吹耳帶裝置組成。將口罩橫放在輸送皮帶上，利用輸送電機驅動輸送皮帶的運轉，當口罩經過某個點時，檢測光纖感應到口罩經過。由于口罩耳帶在傳輸過程中可能會卡在傳輸皮帶上或者向內彎曲到口罩本體上，本系統設計了一種吹耳帶裝置，利用吹氣管對耳帶進行吹氣，從而使得耳帶能夠向外自然展開，便于口罩缺陷的檢測。

2.1.2? 翻轉機構

翻轉機構由翻轉電機和翻轉桿組成。翻轉機構用來將醫用口罩進行翻轉，達到醫用口罩產品雙面檢測的目的。

2.1.3? 圖像采集機構

圖像采集機構由光源、相機、檢測光纖、支架、直線導軌、直線電機組成。直線電機驅動圖像采集模組在支架的直線導軌中進行往復運動，光源的光照射向待檢測口罩，當口罩經過相機拍照點時，相機對口罩進行實時拍照。

2.1.4? 分選機構

分選機構包括不良品處理機構和良品處理機構。不良品處理機構包括與PLC控制系統連接的不良品感應光纖和排廢氣缸。排廢氣缸用于將位于輸送皮帶上的不良品推入至不良品收集箱中。良品處理機構包括與PLC控制系統連接的良品感應光纖、良品打料氣缸和良品收集皮帶。打料氣缸用于將良品推入至良品收集皮帶上，良品收集皮帶將口罩良品傳輸至后面工序。

2.2? 系統軟件組成

系統軟件部分由自動控制軟件、視覺檢測軟件、用戶操作界面組成，如圖3所示，其中自動控制軟件是系統硬件按設計動作正常運行的核心，部署在可編程邏輯控制器中;用戶操作界面負責系統與用戶之間的交互;視覺檢測軟件是實現自動化檢測的關鍵模塊，通過圖像采集機構將產品圖像轉換為圖像數據，通過圖像處理算法和圖像分析算法對圖像數據進行實時處理，處理結果反饋給自動控制軟件，控制分選硬件實現良品和不良品的分類處理。

2.3? 系統數據流向

系統數據流向如圖4所示，用戶通過“用戶操作界面”下達操作指令，“視覺檢測軟件”收集“圖像采集機構”傳輸過來的圖像數據，圖像處理完成后，將檢測結果反饋給“自動控制軟件”，“自動控制軟件”通過電控系統對“傳輸機構”“翻轉機構”“分選機構”進行實時控制。

3? 系統的在線檢測方法

3.1? 圖像預處理

通過圖像采集機構采集檢測位無醫用口罩產品的圖像作為背景圖，然后使用圖像二值化處理[20，21]得到二值化圖像，對二值化圖像進行圖像膨脹和圖像腐蝕處理[22，23]。

3.2? 圖像識別

輸送機構將醫用口罩輸送至檢測位，圖像采集機構采集含有醫用口罩的檢測圖，視覺檢測軟件對檢測圖進行識別、并與預設的醫用口罩標準進行對比，若判斷為不良品，則通過分選機構對不良品口罩進行收集，若判斷為良品，則通過翻轉機構對良品進行180°翻轉，輸送機構將翻轉180°后的良品輸送至第二個檢測工位。第一個檢測位和第二個檢測位分別檢測的是醫用口罩的正面圖像和反面圖像，檢測方法是一樣的，下面以第一個檢測位為例進行描述。

3.2.1? 有無口罩判斷

我們將檢測圖的四個頂點標記為P1（0，0）、P2（w，0）、P3（0，h）、P4（w，h）和中心點Pc（w/2，h/2），如圖5所示。

口罩有無的檢測步驟為：（1）將檢測圖轉換為檢測灰度圖;（2）圖像二值化處理[24];（3）圖像形態學處理;（4）圖像輪廓提取[25]，并計算最小外接矩形[26，27]區 域;（5）與標準口罩圖像進行比對，判斷有無口罩。

處理流程如圖6所示。

3.2.2? 耳帶不良判斷

預先設置2個耳帶檢測區域，在檢測區域內對醫用口罩正面的耳帶缺陷進行檢測：采用輪廓提取算法對耳帶檢測區域的耳帶圖像輪廓屬性進行計算和判斷，若耳帶圖像輪廓屬性不在預定的醫用口罩標準范圍內，則判斷為耳帶不良。

3.2.3? 鼻條不良判斷

預先設置一個鼻條檢測區域，提取檢測區域內的ROI圖像，然后對ROI圖像內的鼻條缺陷進行檢測：（1）采用輪廓提取算法對鼻條檢測區域的鼻條圖像輪廓屬性;（2）進行計算和判斷，若鼻條圖像輪廓屬性不在預設的鼻條標準范圍內，則判斷為鼻條不良;（3）若鼻條圖像輪廓的屬性在預設的鼻條標準范圍內，采用最小外接矩形算法計算出鼻條的最小外接矩形，并輸出鼻條的最小外接矩形的四個頂點坐標和中心點坐標;（4）判斷鼻條的最小外接矩形的四個頂點坐標和中心點坐標是否在預設的鼻條標準范圍之內，若不在預設的鼻條標準范圍之內，則判斷為鼻條不良。

3.2.4? 良品判斷

當檢測工位的口罩均未出現耳帶不良和鼻條不良時，并且兩個檢測位置均未檢測出口罩存在缺陷時，判斷口罩為良品口罩，否則判斷為不良品口罩。判斷結果發送給自動控制軟件，實現口罩產品的分類分選。

4? 軟件功能實現與執行結果

本文在Visual C++ 2017和OpenCV2.4.13基礎上實現了醫用口罩在線檢測軟件，對于常見的醫用口罩產品，實現了口罩有無檢測、鼻條缺陷檢測、耳帶缺陷檢測。

4.1? 口罩定位

由于口罩傳輸過程中位置不固定，在口罩檢測處理過程，首先必須對口罩本體進行定位處理，口罩定位算法較多，由于醫用口罩本體一般為藍色口罩、耳帶為白色耳繩，本文對于彩色口罩采用顏色定位方法[28]，提取圖像中的藍色像素數據，即為口罩本體，再對所有藍色數據采用最小外接矩形提取算法，即可得到口罩本體的四個頂點位置坐標：P11（X0，Y0），P12（X1，Y1），P13（X2，Y2），P14（X3，Y3），如圖7所示，還可以得到最小定位區域，如圖8所示，口罩定位結果如圖9所示。

4.2? 檢測正常界面

對于所有檢測項目均符合初始設置的口罩圖像，會在軟件界面左上位置顯示最后一個檢測項的局部檢測圖像，在軟件右上位置顯示待檢測口罩的全景圖像，如圖10所示。在軟件界面右下位置顯示所有檢測項目的檢測結果（顯示檢測值、偏移量和狀態，狀態均為OK），如圖11所示。

4.3? 無口罩檢測結果

相機收到檢測觸發信號以后，如果檢測位置沒有采集到口罩產品的圖像，此時顯示的圖像為無產品的背景圖像，如圖12所示，在軟件界面右下位置顯示檢測結果為定位失敗，狀態為NG，如圖13所示。

4.4? 鼻條缺陷檢測結果

無鼻條檢測：口罩定位成功后，在鼻條檢測區域如果沒有檢測到鼻條，則在軟件主界面左上位置顯示空白圖像，如圖14所示，在檢測結果區域顯示鼻條檢測結果（狀態NG），如圖15所示。

鼻條中心偏移：在鼻條檢測區域檢測鼻條圖像，并且鼻條長度在事先設定的范圍后，軟件會自動調用鼻條位置檢測算法，判斷鼻條中心位置和上下位置是否在設定的閾值范圍內，如果這些參數不在事先設定的范圍內，則在軟件界面左上位置顯示鼻條的圖像，如圖16所示，軟件界面右下位置的檢測結果區域顯示鼻條中心（NG），如圖17所示。

4.5? 耳帶缺陷檢測結果

無耳帶檢測：口罩定位成功后，軟件先后在左右耳帶區域對耳帶進行檢測，當在任意一個耳帶區域未檢測到耳帶圖像時，在軟件界面左上位置顯示空白圖像，如圖18所示，在軟件界面右下位置檢測結果區域顯示耳帶檢測結果（狀態NG），如圖19所示。

耳帶打結檢測：在口罩耳帶檢測全部正常的情況下，軟件會自動調用耳帶打結檢測算法，主要采用圖像平滑度處理算法來檢測耳帶圖像是否有突變，圖像突變超過設定值時判斷為耳帶打結，當檢測到耳帶打結后，在軟件界面左上位置顯示耳帶打結的圖像，并用圓圈對結頭位置進行標記，如圖20所示，在軟件界面右下位置顯示檢測結果（打結、狀態NG），如圖21所示。

5? 結? 論

本文所闡述的基于計算機視覺的醫用口罩在線檢測系統可實現醫用口罩自動輸送、耳帶位置糾正功能，采用一個相機實現了醫用口罩產品的正反面檢測，具體自動化程度高、成本低的優點，采用計算機視覺技術代替人眼實現了醫用口罩產品的全自動化多項目檢測，可有效提高醫用口罩產品的產品質量、降低人工成本，可在醫用口罩生產車間推廣應用。

參考文獻：

[1] 李旻，陸珊珊，農耀鍵，等.國內醫用口罩標準研究與產品主要質量問題分析 [J].中國標準化，2020（8）：48-52.

[2] 高文，陳熙霖.計算機視覺——算法與系統原理 [M].北京：清華大學出版社，1999.

[3] 余京蕾.淺談計算機視覺技術進展及其新興應用 [J].北京聯合大學學報，2020，34（1）：63-69.

[4] 雷林建，孫勝利，向玉開，等.智能制造中的計算機視覺應用瓶頸問題 [J].中國圖象圖形學報，2020，25（7）：1330-1343.

[5] 蔣蕾，尹業安，常利利.一種基于計算機視覺的織物疵點自動檢測方法 [J].計算機與現代化，2008（12）：153-156+159.

[6] 黃雅蘭.基于特征點的圖像匹配技術研究與應用 [D].贛州：江西理工大學，2014.

[7] 楊少令，刁燕，羅華，等.一種改進的Canny圖像分割算法 [J].計算機與現代化，2018（8）：57-60.

[8] 唐英干，邸秋艷，關新平，等.基于最小Tsallis交叉熵的閾值圖像分割方法 [J].儀器儀表學報，2008（9）：1868-1872.

[9] 王智軍，王建華.多特征融合的圖像目標跟蹤方法 [J].電光與控制，2017，24（11）：49-52+57.

[10] 韋琪，王連明.基于多尺度輪廓段的形狀特征提取與識別 [J].計算機工程與應用，2019，55（5）：187-191.

[11] 袁焦，王珣，潘兆馬，等.基于機器學習的列車設備故障預測模型研究 [J].計算機與現代化，2020（12）：49-54.

[12] 徐江河，張飛舟，張立福，等.一種綜合利用圖像和光譜信息的物體真假模式識別方法 [J].武漢大學學報（信息科學版），2019，44（8）：1174-1181.

[13] 曹燕，李歡，王天寶.基于深度學習的目標檢測算法研究綜述 [J].計算機與現代化，2020（5）：63-69.

[14] YANN L C，BENGIO Y，HINTON G. Deep learning [J].Nature，2015，521：436–444.

[15] 張廣淵，張愛俠，王超.數字圖像處理基礎及OpenCV實現 [M].北京：知識產權出版社，2014：226-230.

[16] 喬希，埃斯克里瓦，戈多伊.OpenCV實例精解 [M].呆萌院長，李風明，李翰陽，譯.北京：機械工業出版社，2016.

[17] 黃睿，陸許明，鄔依林.基于TensorFlow深度學習手寫體數字識別及應用 [J].電子技術應用，2018，44（10）：6-10.

[18] 李顏，仇洪冰，李燕龍.基于Hadoop的分布式視頻車輛檢索方法 [J].電視技術，2015，39（22）：95-99.

[19] 李培秀，李致金，韓可，等.基于Caffe深度學習框架的標簽缺陷檢測應用研究 [J].中國電子科學研究院學報，2019，14（2）：118-122.

[20] 呂俊哲.圖像二值化算法研究及其實現 [J].科技情報開發與經濟，2004（12）：266-267.

[21] 孫少林，馬志強，湯偉.灰度圖像二值化算法研究 [J].價值工程，2010，29（5）：142-143.

[22] 楊琨，曾立波，王殿成.數學形態學腐蝕膨脹運算的快速算法 [J].計算機工程與應用，2005（34）：54-56.

[23] 鄧仕超，黃寅.二值圖像膨脹腐蝕的快速算法 [J].計算機工程與應用，2017，53（5）：207-211.

[24] 鄒柏賢，林京壤.圖像輪廓提取方法研究 [J].計算機工程與應用，2008（25）：161-165.

[25] 吳曉光，王滌瓊，盛慧.一種獲取圖像區域最小外接矩形的算法及實現 [J].計算機工程，2004（12）：124-125+142.

[26] 向元平，何燕平，危郁林，等.一種快速提取植物葉片最小外接矩形算法 [J].計算機與現代化，2016（2）：58-61.

[27] 田敬波.基于模板算子邊緣檢測的圖像二值化算法 [J].信息技術與信息化，2017（9）：98-101.

[28] 鄧冠男，賈永鑫，劉乙鑫.基于顏色特征的單主體圖像感興趣區域提取方法 [J].東北電力大學學報，2020，40（4）：89-94.

作者簡介：曾慶好（1977.01—），男，漢族，湖南漢壽人，高級工程師，碩士，研究方向：數字圖像處理、工業自動化;馬亮（1982.02—），男，漢族，湖南漢壽人，程序員，本科，研究方向：軟件設計、圖像處理算法;馬博文（1996.08—），男，漢族，湖南漢壽人，助理工程師，本科，研究方向：機械設計、工業自動化。