酒瓶口缺陷檢測技術探究

李亞萍，馮占偉，張曉輝

（1.河南機電職業學院智能工程學院，河南鄭州 451100；2.河南省鄭新科創有限公司；河南鄭州 450001）

0 引言

中國是世界上最大的啤酒生產和消費國，其中90%以上采用的是玻璃瓶裝。當前，我國廢舊玻璃瓶的回收率只有15%左右，不利于新時代綠色發展和生態文明建設。

近年來，機器視覺技術快速發展，國內高校和機器視覺公司在瓶口缺陷檢測方面都有研究。黃志鴻等針對空瓶再回收時存在的瓶口破損缺陷提出一種基于極限學習機的檢測算法，該方法先提取表面特征，然后運用遺傳算法對極限學習機的輸入進行優化，最后選取樣本對分類器進行訓練與測試。然而這種方法的先驗知識數據統計想要實際應用于生產線，仍然需要大量的數據計算。而利用VisionPro 軟件數據庫結合圖像處理算法進行檢測，可以提高檢測的準確率和魯棒性。

本文主要研究機器視覺對于酒瓶口缺陷的檢測技術，首先用工業相機對空瓶瓶口進行圖像采集，通過視覺軟件VisionPro對采集到的圖像進行圖片處理、缺陷定位，可準確地判斷瓶口是否有缺陷瑕疵。重點研究缺陷檢測圖片處理算法，以及數據庫的選取測試，最終完成酒瓶口的缺陷檢測。

1 信息采集

建立軟件VisionPro 識別系統需要足夠多的訓練樣本，因此，在實驗開始之前需要采集良品、破損、劃痕、污漬等不同的樣本。訓練集共計150 個樣本，其中包含啤酒瓶在不同背景下的樣本。

2 瓶口圖像處理

在VisionPro 軟件對瓶口圖像處理時，首先進行像源（Image Source）導入，導入之后的處理過程包括灰度轉換，灰度是指圖像以黑度的點數（像素）的二維數組（表格）方式保存，每個像素的光濃度值或灰度值用0～255 之間的整數來表示；然后利用視覺工具（CogPMAlignTool 1）做模板匹配；最后運用探測缺陷的視覺工具（CogPaInspectTool 1）與斑點工具（CogBlobTool 1），辨別處于用戶給出閾值灰度范圍內的不同像素組，并以斑點的形式將區域顯示出來。

由于周圍光照的原因會造成誤檢，所以利用相機采集玻璃啤酒瓶圖像時需要調整周圍的光源方向，并在相機下方加裝偏振片。

綜上所述，圖像處理過程的主要步驟為圖像的灰度轉換、良品模板訓練、閾值分割、斑點處理、形態學調整。

3 圖像灰度化

在對啤酒瓶進行檢測之前，需要將啤酒瓶口圖像進行處理，將彩色圖像轉換為灰度圖像（圖1），其優點是占用空間少，降低計算運行過程中的數據處理量。灰度圖像的進一步處理是二值圖像，二值圖像是指圖像是由像素構成并且只有兩種可能的取值狀態，圖像中的任何像素點的灰度值范圍是0～255，這兩個分別代表黑色和白色。

圖1 灰度轉換示例

采集啤酒瓶口圖像，并對采集到的圖像進行灰度處理，處理后的圖像只含有灰度信息，不含有彩色信息。這種轉換有效降低了圖像的噪聲，達到去噪的效果，從而使圖像更具準確性、大幅提高系統檢測識別的速度。

灰度轉換是圖像增強的重要方法之一，其轉換原理是通過變換函數將原圖的灰度f（x，y）由g=T［f］得出新的灰度g（x，y）：

灰度空間是為了放大需要的ROI 感興趣區域，相對地抑制不感興趣區域。通過分段線性變換，原圖像函數f（x，y）在［0，Mf］，ROI 感興趣的區域在［a，b］，使其最終拉伸到［c，d］，則分段線性變換表達式為：

對不同的區間采用不同的線性變換，來實現灰度空間的增強和抑制。

4 良品模板訓練

在實際的啤酒瓶回收過程中，對瓶口的缺陷情況檢測主要針對啤酒瓶是否有破損現象，是否能繼續回收利用。本次實驗將人為模擬了瓶口的破損情況，并選用一個標準的無任何缺陷的瓶口圖，將其訓練為視覺檢測系統的良品模板。

良品瓶口圖的圖像訓練過程為選擇算法（PatMax 和PatQuick），確定訓練區域以及區域形狀，找好中心原點，確定能接受的閾值。當完成良品瓶口圖像處理后，可以手動查看圖像的不同狀態。良品瓶口圖的訓練狀態如圖2 所示。

圖2 良品瓶口圖的訓練狀態

圖2 中的良品模板訓練應用了PatMax 算法。算法選擇之后，接下來要對良品瓶口圖進行訓練區域的規定，將區域形狀瓶口固定在形狀之內，模式選擇原點模式，并且確保中心原點在瓶口中央，不能偏離太多。可接受的閾值調整為0.4，并在區域模式內對限定框調整掩膜，掩膜即圖像之間進行的各種位運算操作。以上圖像處理的各種參數都設置完成之后，便可以提取訓練圖像進行訓練，圖像訓練成功的標志是在軟件窗口左下方顯示已訓練字樣。

5 拉普拉斯算法邊緣檢測

圖像中灰度差異的兩個相鄰區域之間總存在邊緣界限，邊緣是灰度值不能保持連續的表現。由于灰度差異邊緣在圖像上的變化比較劇烈，傳統的邊緣檢測就是利用在差異處變換比較劇烈這個特點，對圖像各個像素點進行數學上的微分或二階微分來確定邊緣像素點。

拉普拉斯算子法是一種線性二次微分算子，其旋轉不變性的性質可以滿足不同方向的圖像銳化要求，在圖像邊緣信息不清晰時，能夠將圖像邊緣信息增強。拉普拉斯算子公式為：

對圖像進行拉普拉斯算子銳化時，輸出結果可用G（x，y）表示為：

對灰度圖像進行圖像銳化，得到效果更好的圖像，啤酒瓶口的邊緣信息會被增強，瓶口圖像與背景區分度較大。拉普拉斯算子在圖像閾值分割、邊緣檢測中使用中起到的作用更大，銳化圖像結果如圖3 所示。

圖3 銳化圖像結果

6 閾值分割

完成對良品瓶口圖的模板訓練之后，需要對所有圖像進行PatInspect 訓練。在進行啤酒瓶口缺陷檢測識別時，需要應用配置PatInspect 工具，目的是通過使用PatMax 算法探測被拍攝物體的缺陷位置。缺陷的定義是不同于正常預期圖像差別的變化，缺陷在表達上可能是部分缺失或者是多余、雜亂的其他因素。

視覺檢測程序完成良品圖像的訓練之后，再次運行檢測程序，待檢測的圖像會和訓練圖像進行類似區域間的像素灰度值檢測，從而在圖像上輸出濃度不同的區域（圖4）。

圖4 PatInspect 訓練呈現結果

7 斑點處理

斑點處理工具是視覺應用的一部分，在視覺檢測軟件中斑點工具為CogBlobTool，該工具可以將待檢圖像的缺陷區域進行斑點處理。創建斑點工具后，可以在指定的灰度范圍內查找斑點。該工具通過辨別用戶定義的灰度范圍內不同的像素組查找對象。使用該工具得出的圖像斑點分析圖包含面積、質心、周長、主軸等多種屬性，是一種以二維形狀呈現的圖像（圖5）。

圖5 斑點分析圖

8 結果檢測

對啤酒瓶口進行缺陷檢測的目的是識別截面是否有破損，是否符合回收利用的要求。為了驗證啤酒瓶口缺陷在線檢測程序的正確性以及檢測效率，需要進行多次驗證。準備好的廢舊啤酒瓶，并在瓶口上人為制造缺陷，再由相機進行拍攝，傳輸到視覺軟件中進行圖像處理。

據實驗數據統計圖像檢測結果正確率為99%以上，檢測速度是人工的5 倍以上。基于機器視覺的缺陷檢測系統能夠較好地克服人工檢測的缺點。從斑點圖可以看出缺陷的位置。判斷結果為Accept 的圖像說明瓶口完好，判斷結果為Reject 的圖像說明瓶口存在破損，需要另做處理，不能直接回收利用。原圖顯示、斑點呈現與輸出結果如圖6～圖8 所示。

圖6 原圖顯示

圖7 斑點呈現

圖8 輸出結果呈現

9 結束語

本文研究了啤酒瓶口缺陷檢測技術，通過實驗和編程在對瓶口缺陷的檢測識別進行研究。但在實際應用過程中仍存在不足之處，下一步將繼續開展瓶口缺陷檢測在實際回收過程中系統裝置的開發研究，使視覺缺陷檢測系統達到在回收過程中完全取代人工檢測的水平。