基于機器視覺的易拉罐噴碼快速檢測

陳玉 王慧芳 黃玉蘭 李娟

摘? 要：文章針對易拉罐罐底噴碼檢測的要求，設計一套針對易拉罐噴碼的特征識別算法，實現了對易拉罐噴碼不合格產品的自動檢測與快速剔除。算法的主要流程為：對圖像進行預處理；確定目標圖像的位置，也就是對圖像進行定位；識別出目標圖像；對目標圖像進行判斷操作。大量實驗的結果表明，該算法的平均識別速度較高，范圍控制在1 s內，準確率為98.52%，符合實際應用場景的需求。

關鍵詞：機器視覺；快速檢測；易拉罐噴碼

中圖分類號：TP391.4? 文獻標識碼：A? 文章編號：2096-4706（2023）05-0033-04

Rapid Detection of Can's Spray Code Based on Machine Vision

CHEN Yu， WANG Huifang， HUANG Yulan， LI Juan

（Wuchang Institute of Technology， Wuhan? 430065， China）

Abstract： According to the requirements of the inspection of the spray code on the bottom of the can， this paper designs a set of feature recognition algorithm for the spray code on the can， which realizes the automatic inspection and rapid elimination of the unqualified products in the spray code on the can. The main flow of the algorithm is： preprocessing the image; Determine the position of the target image， that is， locate the image; Identify the target image; Judge the target image. The results of a large number of experiments show that the average recognition speed of the algorithm is high， the range is controlled within 1 s， and the accuracy rate is 98.52%， which meets the requirements of practical application scenarios.

Keywords： machine vision; rapid detection; can's spray code

0? 引? 言

易拉罐產品作為飲食行業的重要組成部分，其保質期的識別對于消費者來說非常重要。目前，大部分易拉罐的保質期是通過在易拉罐底部噴碼來實現的。通過易拉罐底部噴碼識別，可以知曉該易拉罐產品的生產批次及生產日期等相關信息。不合格的噴碼信息不僅影響消費者的判斷，而且對于企業的信譽也會有不良影響。同時，在這個假冒偽劣產品橫行的時代，對易拉罐噴碼的嚴格把控，能夠保證正品易拉罐產品的市場流通性，減少假冒偽劣產品流入消費者手中。目前，市場上存在的易拉罐噴碼檢測系統不足，且檢測系統存在著檢測效率低、成本較高等問題。采用非自動化的人工檢測方式，雖然也能比較準確地得到識別結果，但是主觀性高，且時間成本太高，效率低下。開發自動的噴碼檢測系統，可以更有效、更經濟、更準確地對易拉罐噴碼進行識別和剔除，減少不合格的噴碼的易拉罐產品流入市場。

本系統工作過程如圖1所示。首先，啟動系統，易拉罐產品通過流水線方式傳輸。在傳輸過程中，等待光纖感應到易拉罐罐體后，觸發相機對罐底進行拍攝以便抓取罐底的圖像信息。然后，對抓取的圖像信息通過相關圖像處理算法進行處理。通過圖像預處理、定位、和識別，最后，對目標圖像進行進一步判斷，如果合格，則OK，繼續流水線操作。反之，如果不合格，則將易拉罐從流水線剔除。

1? 圖像增強去噪

對于圖像的采集，往往使用的是CCD工業相機。但是，使用CCD工業相機采集到的易拉罐罐底圖像信息，往往比較模糊、清晰度不高，而且會存在不同程度的噪聲干擾。為了突出易拉罐罐底噴碼圖像，弱化背景圖像，需要采用先關的圖像增強技術對圖像進行處理，對圖像進行增強和去噪，以便后續對圖像的操作。圖像預處理方面，本系統采用的是直方圖增強算法，實現對圖像的增強去噪。

首先，需要結合圖像的灰度直方圖對圖像的灰度信息進行統計。其中，圖像的灰度用橫坐標表示，對應灰度級的次數或頻率用縱坐標表示。指定一副數字圖像的灰度級為0到L-1，合計L個級別，定義以下離散函數：

h（rk）=nk（k=0，1，2，…，L-1）? ? ? ? ? ? （1）

式（1）中，rk表示第k級的灰度值，nk表示第k級灰度值的次數或者頻率。

將縱坐標nk除以圖像像素的總數目n，即可以得到該圖像的歸一化直方圖。具體公式為：

（2）

直方圖均衡化也稱為灰度均衡化，它通過改變罐底灰度直方圖的形狀，使罐底圖像的灰度直方圖能夠均勻分布，從而達到灰度圖像增強的目的。一般情況下，原始圖像的灰度范圍在0和1之間，且是連續的。通過前面的計算，可以得到原始圖像的歸一化直方圖，也稱為概率密度函數，具體公式為：

p（x），0≤x≤1? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

且

（4）

設直方圖均衡化的灰度轉換函數為s=f （r）。轉換前，圖像的概率密度函數為pr （r），轉換后，圖像的概率密度函數為pr （l ）。其中，r表示原圖像灰度值，l表示圖像均衡化后得到的新的灰度值。

由概率論的知識可以推導出：

pr （s）ds=pr （r）dr? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

進而可以推導出：

（6）

要使轉換后的直方圖均勻分布，要求轉換后的概率密度函數要滿足一定的要求：

pr （s）=1，0≤s≤1

即：

（7）

由式（7）可以得出：

pr （r）dr=ds? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （8）

兩邊進行積分運算：

（9）

對于本課題中，罐底噴碼圖像經過處理后，并不是連續的，而是離散的直方圖。對于離散的灰度級，可以近似認為：

（10）

圖2展示了原圖和經過直方圖均衡化的效果圖。原圖分別為圖2（a）和圖2（b），從圖2可以明顯看出，原圖整體是偏暗的，易拉罐罐底信息的對比度并不太明顯。通過本文所提出的圖像增強去噪和直方圖均衡化處理后，效果如圖2（c）和圖2（d）所示。可看出，經過直方圖均衡化后，易拉罐罐底信息的對比度得到大大增強，能夠達到較好的圖像預處理效果。

2? 圖像定位

本系統中，為了準確獲取罐底噴碼圖像的位置，以便后期對檢測結果的正確提取，采用改進的Hough算法對罐底圖像進行定位。該方法相對于傳統的Hough算法的計算速度更快，同時，對于邊緣數據有缺失或者干擾較大的情況，其定位精度也相對較高。該算法的核心在于最小二乘法和Hough變換方法的結合，兩次圓周取點來擬合精確的邊緣點集，最后通過最小二乘法擬合出圓心和半徑。以下為該算法的具體步驟。

2.1? 對罐底圖像進行定位

采用最小二乘法，初步對圓心位置進行定位，得到的粗定位結果。雖然由于干擾點的影響，初步定位的圓心和實際的圓心會稍有偏差，但偏差不會太大，只需要后續稍做調整即可。

設p（n）為邊緣點集，n為邊緣點個數。設定圓方程為：（x-x0）2+（ y-y0）2=r2? ? ? ? ? ? ? ? ? ? ? ? ?（11）

對于任意一個邊緣點（xi，yi），其殘差為：

εi=（xi-x0）2+（ yi-y0）2-r2? ? ? ? ? ? ? ? ? ? ?（12）

所有邊緣點殘差的平方和Q為：

（13）

式（13）中，當Q最小時，應該滿足下式：

（14）

進而初步得出x0， y0， r0分別為：

（17）

2.2? 兩次圓周取點

首先，進行第一輪隨機取點，對圓周隨機抽取一點，均勻抽樣50%，獲得簡化的目標點集。

設定以粗圓心O（a0，b0，r0）為中心，在其11×11的領域，進行霍夫變換。設（ai，bi）為該鄰域內的任意一點，則有：

l=[-11， 11]? ? ? ? ? ? ? ? ? ? ?（18）

設?r=rmax-rmin，那么，hough_space（a，b，r）的變換范圍為23×23×?r。

對于抽樣的易拉罐罐底圖像任何一個邊緣（xi，yi）和鄰域內的點（ai，bi），可以確定邊緣點對應領域內點（ai，bi）的半徑ri：

（19）

在相應的Hough空間里進行累加：

hough_space（aj， bj， ri-rmin）=hough_space（aj， bj， ri-rmin）+1（20）

對所有抽樣的邊緣點以及鄰域內的點進行遍歷。通過多次重復進行前面的操作，霍夫空間hough_space（23，23，?r）即為所求的完整的霍夫空間。

接著，第二次圓周隨機取點，方法同前，以獲得邊緣點集。對此次取得的邊緣點集（xi，yi）和O（a，b，r）中的任何一點O（ak，bk，rk），將滿足下式的點納入霍夫圓hough—circle中，如不滿足則作丟棄處理。

（21）

2.3? 擬合出圓心

最后，再采用最小二乘法擬合精確邊緣點集，得到精確的圓心O1（a0，b0，r0）。

3? 圖像分割與識別

對易拉罐罐底圖像進行分割的準確性，將直接影響到后續能否提取出感興趣的區域可以并供后續圖像處理。本系統采用最大類間方差法，即OSTU閾值分割法，使目標與背景的類間方差最大，從而到達區分易拉罐罐底噴碼的背景圖像與目標圖像的目的。

設圖像的灰度級為0到L，共L個級別。灰度值為i的像素個數為ni，則整副圖像的總像素個數為：

（22）

灰度值為i的概率為：

（23）

由概率論知識可知：

（24）

選擇一個閾值T，將圖像分為兩個域Q0和Q1，其中，Q0的像素范圍[0， T-1]，Q1的像素范圍為[T， L-1]，計算Q0和Q1的概率分別為：

（25）

（26）

再計算Q0和Q1的平均灰度分別為：

（27）

（28）

計算u，u表示在圖像沒有被分割之前，圖像的灰度平均值：

（29）

計算兩個區域的總方差為：

σβ2=p0（ μ0-μ）2+p1（ μ1-μ）2=p0 p1（μ0-μ1）2? ? ? ? （30）

最大類間方差法OSTU的主要目的是提取目標圖像區域。經過該算法，雖然提取出了目標區域，但是由于對于字符間距過小或是有些輕微粘連的地方，無法準確得到單個字符的特征信息，還需要對圖像進行進一步分割。本系統采用的是改進的垂直投影法。該算法具體步驟如下：

首先，計算所有字符的平均寬度，將其記為Wav。

然后，進行垂直投影，將字符垂直投影之間有明顯間隔（有明顯波谷）的字符先進行分割。

接著，將分割出的字符寬度與平均字符寬度相除，得到系數θav。當其小于一個閾值Th，即判定當前分割的字符為單個字符。對于大于閾值的情況，即表明有兩個或者兩個以上的字符存在粘連，則需要對圖像再次進行分割。

最后，對二次分割的分割位置選取：（1）確定輕微粘連字符的首尾像素點橫坐標pf ， pl，進而計算中間點的橫坐標pf +（ pf +pl）/2，記為ni。將搜索到的范圍內累計像素數最少的點作為垂直方向字符分割點ni±ni （1-θav /2），完成二次分割。圖像分割效果如圖3所示。

圖3對展示了經過本文圖像分割算法后得到的效果圖。可以看到，采用本文提出的算法，對分割后的效果圖單個字符用不同的顏色標記，每個字符的連續性較好，不同字符之間沒有粘連，清晰度較高，能夠達到較好的圖像分割效果。

4? 測試結果

對噴碼字符進行識別后，接著對噴碼信息進行特征匹配。通過比對真實噴碼字符信息，查看其包含的生產日期信息是否正確。檢測結果如表1所示。隨機抽取880副易拉罐罐底噴碼圖像進行檢測，準確識別的圖像數量為867，準確率達到98.52%，平均耗時794毫秒/張。可以看出，采用本文提出的圖像處理算法，能夠達到較好的檢測效果。

5? 結? 論

本文針對的是易拉罐底部日期噴碼識別效率的問題，設計的一種基于機器視覺的易拉罐噴碼快速檢測系統。系統依據易拉罐底部噴碼的特點，對其生產日期的圖像信息進行采集并保存。在進行易拉罐底部噴碼檢測時，首先，對易拉罐罐底噴碼字符圖像進行圖像預處理，本文主要采用的算法為直方圖均衡化算法。接著，進行噴碼字符區域的定位，期間采用最大類間方差法OSTU對字符區域進行分割處理。在獲得噴罐底碼字符區域后，本文使用改進的垂直分割法，完成對字符分割，獲得單個噴碼字符。然后，對獲取的字符信息進行特征提取，進行訓練分類，實現字符的識別。最后，通過與原始生產信息比對，判斷噴碼信息是否錯誤，剔除存在噴印信息缺陷的產品，保留合格產品，以達到易拉罐噴碼快速檢測的目的。

參考文獻：

[1] 宋麗梅，朱新軍.機器視覺與機器學習 [M].北京：機械工業出版社，2020.

[2] 劉秀平，景軍鋒，張凱兵.工業機器視覺技術及應用 [M].西安：西安電子科技大學出版社，2019.

[3] 阮秋琦.數字圖像處理學：第4版[M].北京：電子工業出版社，2022.

[4] 賴定敏.基于圖像處理的罐裝瓶噴碼缺陷檢測 [D].成都：西華大學，2021.

[5] 劉偉鑫.易拉罐噴碼在線智能識別技術研發 [D].廣州：廣東工業大學，2020.

[6] 胡善強.基于機器視覺的罐蓋缺陷檢測技術研究 [D].長沙：湖南大學，2018.

[7] 王子民，趙子涵，馮夢婷，等.基于機器視覺的答題卡識別系統設計 [J].南京理工大學學報，2022，46（4）：443-450.

[8] 鄭如新，孫青云，肖國棟.基于機器視覺的金銀花圖像識別處理算法研究 [J].中國農機化學報，2022，43（4）：153-159.

[9] 謝永杰，智賀寧.基于機器視覺的圖像識別技術研究綜述 [J].科學技術創新，2018（7）：74-75.

[10] 王燦，張紅霞，劉鑫，等.機器視覺系統的自動對焦技術研究 [J].計算機測量與控制，2019，27（3）：150-154.

[11] 周陽，沈婷婷，席志遠，等.基于Halcon的日化瓶瓶底噴碼質量檢測算法研究 [J].儀表技術與傳感器，2020（11）：101-104+110.

[12] BELUSSI L，HIRATA N. Fast QR Code Detection in Arbitrarily Acquired Images [C]//2011 24th SIBGRAPI Conference on Graphics，Patterns and Images.Alagoas：IEEE，2011：281-288.

[13] JORDAN M I，MITCHELL T M. Machine Learning：Trends，Perspectives，And Prospects [J].Science，2015，349（6245）：255-260.

作者簡介：陳玉（1987—），女，苗族，湖南懷化人，講師，碩士研究生，研究方向：圖像處理、機器視覺；王慧芳（1992—），女，漢族，安徽安慶人，工程師，碩士，研究方向：軟件工程；黃玉蘭（1984—），女，漢族，湖北武漢人，副教授，碩士研究生，研究方向：圖像處理；李娟（1977—），女，漢族，江蘇南京人，教授，博士研究生，研究方向：圖像處理、物聯網技術。

收稿日期：2022-10-27

基金項目：湖北省高等學校優秀中青年科技創新團隊計劃項目（T2021042）；武昌工學院校級重點學科群建設“新能源與智能物聯學科群”（2021XK01）；湖北省優勢特色學科群“智能制造學科群”