基于麻雀搜索算法優化支持向量機的瓶蓋裝配檢測研究

摘 要：針對基于支持向量機的瓶蓋裝配檢測算法準確度不高、調參難度大的問題，提出通過麻雀搜索算法（Sparrow Search Algorithm，SSA）對支持向量機（Support Vector Machines，SVM）的關鍵參數尋找最優解.采集瓶蓋部位圖像，包括標準、歪斜、鋁塑分離、膠塞缺失、高蓋5種類型.提取6個典型特征構建數據集，采用二分類支持向量機分類，分別通過遺傳算法、粒子群算法和麻雀搜索算法對支持向量機參數進行調節.訓練結果表明，麻雀搜索算法優化后的支持向量機模型測試準確率達到98.33%，高于其他幾種算法.基于SSA-SVM的瓶蓋裝配檢測模型識別精度高，調參速度快，泛化能力強.

關鍵詞：瓶蓋裝配檢測；機器視覺；圖像處理；支持向量機（SVM）；麻雀搜索算法（SSA）

中圖分類號：TP273文獻標志碼：A

當前，傳統的人工質檢已經顯現出短板，包括準確率低，長時間工作會對人的身心造成影響，檢測結果具有主觀性，不適應流水線上的快速生產等.機器視覺（Machine Vision，MV）技術，一種非接觸式測量方式，以其精度高，穩定性好等優勢，迅速地應用在眾多行業［1］.機器視覺技術不斷向前發展，成本進一步降低，機器視覺檢測替代人工檢測的趨勢越來越明顯.機器視覺系統融合了多種傳感技術，圖像傳感器、光電傳感器和磁性傳感器等多傳感器協同工作實現圖像采集和到位檢測.長遠來看，提高機器視覺檢測水平對于傳感檢測領域具有重大的社會經濟效益和工程研究價值.

在藥瓶視覺檢測方面，使用較為廣泛的模型有人工神經網絡和支持向量機等.郜明等人［2］在安瓿瓶包裝視覺檢測中使用了輕量級卷積神經網絡.孫家政等人［3］提出了基于支持向量機的藥品紙盒檢測模型.BAHAGHIGHAT等人［4］在飲料瓶蓋的視覺檢測過程中采用了對 VGG-19 網絡優化微調的策略.郭凱等人［5］在對瓶蓋質量檢測的過程中使用了圖像分割的方法，為了達到好的分割效果，在閾值選取時采用了遺傳算法進行優化搜索，輸出的最優解即為最佳閾值.許江淳等人［6］在對藥片表面缺陷進行視覺檢測時采用了以Sigmoid為核函數的支持向量機分類模型.ZHOU等人［7］使用待測區域的投影直方圖作為匹配特征將瓶蓋圖像分為標準和瑕疵兩類，設計了一種基于稀疏表示的算法，可適應流水線上高速檢測.黃達等人［8］在處理瓶蓋圖像時使用了最小二乘法算法，不僅解決了成像過程中的虛影問題，還大大降低了對硬件性能的要求.王貴錦等人［9］提出的基于對稱匹配的算法可以明顯減少在瓶蓋檢查時，瓶子其他缺陷造成的干擾，提高了瓶蓋檢查的有效性和準確性.黃志鴻等人［10］在檢測瓶口缺陷時使用了支持向量機（Support Vector Machine，SVM）算法，所選取的核函數為徑向基函數（Radial Basis Function，RBF），并以瓶蓋面間隙灰度方差等6種缺陷特征構建數據集，識別率可達91.6%.余小游等人［11］提取對稱性特征和扁平性特征來檢測安瓿瓶頭部缺陷，準確率達到97%.在調節模型參數方面，孫家政等人［3］在對支持向量機參數優化搜索時選用了蒙特卡洛算法，在測試集上準確率達90%.文獻［12-14］在視覺檢測過程中分別采用自適應粒子群算法、網格搜索算法和遺傳算法對支持向量機進行調參.

對于上述方法，往往都有陷入局部最優值的問題，全局搜索能力不佳，特別是對于峰谷較多的函數，最后導致識別出錯率的增加［15-16］.本文提出了一種基于支持向量機（SVM）的瓶蓋檢測模型，并通過麻雀搜索算法對支持向量機的參數進行尋優.該方法首先篩選和提取瓶蓋圖像的6個典型特征，并進行樣本標記，構建數據集.分別采用遺傳算法、粒子群算法、麻雀搜索算法訓練參數，得出準確率.本文所提出的方法其貢獻在于：（1）在尋找支持向量機最優參數時采用了麻雀搜索算法，實現對瓶蓋部位快速較高精度的識別；（2）既借鑒了傳統手工選取特征的經驗優勢，又發揮了機器學習模型的泛化能力強的特點，可解釋性好，調試周期短，易于維護.本文最后把訓練得到的參數代入模型并進行在線測試，得出預測準確率，驗證該方法的有效性.

1 總體方案設計

瓶蓋裝配視覺檢測系統的工作流程為：待測藥瓶依次推入傳送帶上，藥瓶被運送到圖像采集的最佳位置并觸發光電傳感器，該信號由可編程邏輯控制器（Programmable Logic Controller，PLC）傳送給上位機，用于觸發拍照程序，在照明系統的配合下完成對待測藥瓶的圖像掃描.圖像處理程序按照預設的流程對在線獲取的瓶蓋圖像進行預處理，對預處理后的圖像提取特征信息，將特征向量輸入圖像分類模型實現分類，分類結果再通過通信單元傳回PLC數據寄存器，分析比較后驅動執行機構將不合格的藥瓶剔除生產線.

系統采用了直線式設計，該設計不僅能滿足藥瓶包裝中的檢測、傳送和檢測需求，而且具有結構簡單，易于安裝和維護的特點，平面結構示意圖如圖1所示.采用數據采集與監視控制系統（Supervisory Control and Data Acquisition，SCADA）的架構，最上層為上位機，實現圖像采集、處理和分類等.中間層是PLC和相機，用于采集數據.底層是傳感器和驅動器，用于感知狀態或執行命令.

2 系統硬件平臺搭建

瓶蓋裝配視覺檢測平臺的搭建需要選擇合適的圖像采集裝置，包括工業相機、鏡頭等.本文搭建好的視覺檢測平臺實物圖如圖2所示.采用互補金屬氧化物半導體型彩色面陣相機，該相機的分辨率為3 MP，采用了焦距為8 mm，C接口的鏡頭，可以手動調焦，光圈數為F1.4～F16C，可以滿足對瓶蓋部位的拍攝需求.在對瓶蓋部位圖像采集時，選用紅色LED平行面光源，采用背光照明的方式.為保證照度的均勻性，鏡頭的視野范圍應全部置于光源發光面積之內.本場景對執行機構的精度要求不高，只需要把次品推出即可.在流水線上工作，要選用實時性好、響應快、可靠性高、經濟適用的執行器.因此，活塞式氣動執行機構是本文的最佳選擇.

3 軟件流程設計

結合搭建的視覺檢測平臺，對藥瓶視覺檢測系統軟件進行了開發設計.藥瓶視覺檢測系統軟件采用模塊化設計思想，包括上位機程序和PLC程序以及二者的通信程序.各個模塊獨立設計和調試，協同工作，提高了檢測效率，易于維護.上位機程序包括圖像采集程序，圖像處理程序和圖像分類模型等.通信模塊主要利用ActiveX控件實現PLC和上位機之間數據傳輸，包括對光電傳感器信號的讀取和將分類結果寫入PLC數據寄存器.藥瓶視覺檢測系統軟件設計流程圖如圖3所示.

4 基于麻雀搜索算法優化支持向量機的瓶蓋圖像分類模型

4.1 構建瓶蓋圖像數據集

圖4為瓶蓋裝配過程中幾種典型圖像，對采集到的圖像采用中值濾波法消除噪聲、直方圖均衡化法進行圖像增強，通過最大類間方差閾值分割方法實現照明背景和瓶蓋前景的分離，再經過形態學操作就得到了良好的特征圖，處理流程如圖5所示，效果如圖6所示.

本文提取瓶蓋圖像的形狀特征和幾何特征構建數據集，幾何特征選取瓶蓋二值圖像的周長、面積，形狀特征選取圓形度、最小外接矩形的長和寬及細長度作為數據集的特征值.

幾何特征：瓶蓋圖像的周長指的是瓶蓋部分的邊緣長度或者是圍繞瓶蓋圖像區域邊界的距離.本文采用8鏈碼進行邊界追蹤，瓶蓋圖像周長的計算方式為：

L=No+2Ne，（1）

其中Ne和No分別為偶數碼、奇數碼的像素個數.瓶蓋圖像面積可以由瓶蓋圖像的邊界包圍區域內的像素個數之和表示.如（2）式所示.

S=∑（x，y）∈BWg（x，y），（2）

其中（x，y）表示二值圖像BW上的點，g（x，y）=1對應的點位于瓶蓋部分，g（x，y）=0對應的點位于背景部分，統計瓶蓋部分的像素總數即瓶蓋面積.

形狀特征：圓形度是表征瓶蓋圖像邊緣復雜度的量，圓形度公式如（3）式所示，由（3）式可知當區域為圓形時，該值為1.A=4πSL2，

（3）

其中S為瓶蓋圖像的面積，L表示瓶蓋圖像的周長.

最小外接矩形的長和寬：瓶蓋圖像的最小外接矩形如圖7中白色方框所示.從圖7中可以看出對于瓶蓋歪斜和高蓋的圖像，矩形垂直方向上距離大，而對于膠塞缺失或者無蓋的圖像該距離較小.細長度也是形狀描述的一個維度，它用最小外接矩形的長與寬比值來表示，可以有效區分細長的圖像和近似方形的圖像.以上特征除了細長度和圓形度無量綱外，其他特征的單位均為像素（px）.表1所示的是未經歸一化的部分樣本特征值.

4.2 基于支持向量機的瓶蓋圖像分類模型

VAPNIK［17］提出了帶有軟間隔的非線性支持向量機，形成了完備的SVM理論.對于瓶蓋樣本訓練集，yi是類別標號，其中標準圖像為正類，y的值為+1，有瑕疵的為負類，y的值為-1，樣本訓練集往往加入了被噪聲污染的異常點，因此引入松弛變量ξi，引入后的支持向量機優化問題如下：

minw，ξi，b12（ωTω）+C（∑Ni=1ξi），s.t. yi（ωTxi+b）-1+ξi0，ξi0，（4）

ω表示分類面的法向量，b表示截距，C為懲罰因子，N代表樣本個數，當樣本正確分類時，ξi=0.與C相乘的部分表示所有錯分樣本之和，對于上述問題的求解可將原問題轉化為對偶問題，變成凸優化二次規劃，如（5）式所示，maxα Q（α）=∑Ni=1αi-12∑Ni，j=1αiαjyiyjxTixj，s.t. ∑Ni=1yiαi=0且0αiC.

（5）

為了解決非線性可分的問題，借助核函數κ（（6）式）將其延伸到高維空間中求解，決策超平面如（7）式所示：

κ（xi，xj）=（xi）T（xj），（6）

f（x）=sgn（∑Ni=1αiyiκ（xi，x）+b），（7）

（x）表示x在高維空間中的映射.支持向量機利用核函數和軟間隔能夠使瓶蓋圖像的分類問題得以求解.懲罰項C是支持向量機必優化的參數；如果所選核函數有待優化的參數，如（8）式所示的徑向基核函數，其寬度參數σ也需要搜尋最優解，κ（xi，xj）=exp-‖xi-xj‖22σ2.（8）

4.3 麻雀搜索算法

麻雀搜索算法（sparrow search algorithm，SSA）的搜索方式獨具一格，表現為尋優速度快，輸出解的可靠性高，該算法通過模擬麻雀種群獲取食物和躲避攻擊的過程，實現對最優參數的搜索［18］.與經典的優化方法不同，它不拘泥于常規的數學推導，該算法在本質上是一種群智能搜索算法，可最大程度地發揮現代計算機的優越性能，在較短的時間內完成迭代更新.

首先按照比率把一群麻雀分為兩類，第一類靠近食物，容易獲取食物，被稱為搜尋者.搜尋者在種群中負責發現食物，其特點是具有較高的適應度值.（9）式表示的是在t次迭代后，麻雀i在第j維解空間的位置.根據警戒值R2與安全值ST的大小，分為兩種情形：當R2大于等于ST時，麻雀覺察到危險，在原位置的基礎上以正態分布的方式更新到下一位置而且是隨機移動，Q為正態分布隨機數，L是1行d列的全1矩陣.當R2小于ST時，此時麻雀種群是安全的，可以自由覓食，在（0，1］上隨機生成，與相乘的是最大迭代次數.警戒值一般為［0，1］，安全閾值一般為［0.5，1］.Xt+1x，j=Xtx，j+Q·L，R2ST;Xi，jexp（-iα·itermax），R2＜ST.（9）

第二類則是在搜尋者的指引下覓食，稱為跟隨者.跟隨者位置的更新也是分為兩種情形：當i＞n/2時，意味著跟隨者i在此處覓食情況不理想，為了獲得充足的食物，跟隨者將會以正態分布的方式擺脫當前困境即Xw.而當in/2時，跟隨者不僅可以覓食，還可以移動到食物最充足的位置即Xp.A+=AT（AAT）-1，A表示1行d列的矩陣，其中各元素隨機賦值為±1.這種獨特的更新方式可以使得麻雀在總體維度上都在接近食物最充分的位置.其t次迭代后位置更新見（10）式，Xt+1i，j=QexpXtw-Xti，ji2，i＞n2;Xt+1P+|Xti，j-Xt+1P|·A+·L，in2.（10）

麻雀在覓食的同時還會警戒周圍可能存在的危險，表現出反捕食行為.預警麻雀的位置更新方式為

Xt+1i，j=Xti，j+K|Xti，j-Xtw|（fi-fw）+ε，fi=fg;Xtb+β·|Xti，j-Xtb|，fi＞fg.（11）

預警麻雀是在全體麻雀中隨機選取的，若選取的麻雀的適應度fi等于此時全局最佳適應度fg，這意味著位于種群之中的麻雀預知到了危險的存在，不宜繼續停留，應去安全的地方覓食以降低被捕食的風險，其移動的方式是通過與當前全局最差位置Xw以及在最差位置上的麻雀適應度fw作比較，并乘上系數K，K的正負用來表示麻雀移動的方向，K的大小用來調節步長.K是-1到1閉區間上任意選取的數.ε表示最小常數，避免分式運算出現錯誤.若選取的麻雀的適應度大于此時全局最佳適應度，意味著此時的麻雀離種群的中心較遠，為躲避捕食者的攻擊，獲取充足的食物，麻雀將以正態分布的方式接近此時全局最優位置Xb.系數β的取值服從標準正態分布，并且隨機產生.

4.4 麻雀搜索算法優化基于支持向量機的瓶蓋分類模型參數流程

基于麻雀搜索算法優化支持向量機參數的瓶蓋圖像檢測流程如下：

（1）構建支持向量機，選擇適當的核函數.本算法選擇徑向基函數作為核函數，并以交叉驗證準確率作為麻雀搜索算法的適應度函數.

（2）將歸一化后的數據集選取300張作為訓練集.在訓練集上利用麻雀搜索算法對支持向量機的參數C和g優化調節和交叉驗證.

（3）將優化后的參數送入支持向量機模型，利用訓練好的模型進行在線預測分類，得出預測準確率.

瓶蓋圖像檢測算法流程圖如圖8所示.

5 實驗與分析

5.1 模型調參結果

本文分別采用遺傳算法（Genetic Algorithm，GA）［19］、粒子群算法（Particle Swarm Optimization，PSO）［20］、麻雀搜索算法對SVM參數優化搜索，對于遺傳算法、粒子群算法和麻雀搜索算法迭代次數設置為100代，種群規模為20，參數C，g的范圍設置為［0，100］，交叉驗證折數V=5.在MATLAB 2020a環境下進行仿真，適應度曲線和調參結果如圖（9～11）和表2所示.

遺傳算法在經過38代進化后，驗證準確率穩定在97.66%，平均適應度相對較高，這是由于交叉變異操作使得染色體可以充分地交換和傳遞信息，但同時也增加了計算復雜度，種群靠近最優解的過程變得緩慢均勻，迭代次數較多.優化得到的參數C為1.902 8，參數g為4.352 8.

粒子群算法收斂迅速，經過14代就能達到最優值，但平均適應度相對略低，交叉驗證準確率為96%.粒子通過與自身和全局最優值雙重比較，可以迅速獲得與最優解相關信息，但是容易早熟，陷入局部最優.與訓練前期相比，后期平均適應度有降低的趨勢，信息更新逐漸進入停滯的狀態.優化得到的參數C為2.244 6，參數g為3.066 1.

麻雀搜索算法表現優異，不僅收斂快，收斂代數遠小于粒子群算法，而且平均適應度、最佳適應度高，可達98.66%.雖然平均適應度上下波動較大，但都能維持在較高水平.這主要得益于其獨特的搜索方式，首先不斷篩選出良好的食物發現者，同時發現者對加入者的指引作用，使得個體可以向最優值快速聚集.為了避免陷入局部最優的情況，警戒者在發現危險后為其他個體提供位置更新信息.該算法在局部最優處，可以迅速跳出，防止出現在局部極值處信息更新緩慢的問題，具有相當強的全局優化能力.在參數沒有太多增加的情況下，種群多樣性獲得了進一步豐富.優化得到的參數C為3.644 2，參數g為61.406 5.

5.2 在線測試

將各算法優化得到的參數代入瓶蓋圖像分類模型，并對120個樣本進行在線測試，其中5種瓶蓋裝配樣本各24個.為了更加全面地反映各模型預測情況，除了計算準確率（A）以外，引入細分評價指標.精確率（P）表征了預測結果為標準裝配中真正標準裝配的比率.召回率（R）表征模型在所有實際標準裝配瓶蓋中預測和實際都是標準裝配的比率.F1值是上述兩者的調和平均數.計算方法為

A=TP+TNTP+FP+TN+FN，（12）

P=TPTP+FP，（13）

R=TPTP+FN，（14）

F1=2TP2TP+FN+FP，（15）

其中TP表示實際和預測都是瓶蓋標準裝配的樣本數，TN表示實際和預測都是裝配不合格的樣本數，FN表示實際為標準裝配但預測為不合格裝配的樣本數，FP表示實際為不合格裝配但預測為標準裝配的樣本數.受試者工作特征ROC（Receiver Operating Characteristic，ROC）曲線分別以假陽率（False positive rate，FPR）和真陽率（True positive rate，TPR）為X軸和Y軸，曲線下覆蓋面積（Area under curve，AUC）越大，預測準確率越高.計算得到的評價指標如表3所示，ROC曲線如圖12所示.

未經任何算法優化的SVM（參數C取默認值1，g取類別數的倒數0.5）在測試集上只有72.50%（87/120）的準確率，AUC值為0.684，從圖12中明顯可以看出，經過優化后的SVM，預測準確率都獲得了顯著提高.遺傳算法優化后的模型在測試集上可達到97.50%（117/120）的準確率，AUC值為0.940，粒子群算法優化后的模型在測試集上準確率為95.83%（115/120），AUC值為0.915，麻雀搜索算法優化后的模型在測試集上準確率能達到98.33%（118/120），比遺傳算法提高了0.83%，AUC值為0.960，SSA-SVM在測試數據集120張圖片中只有2張分類出錯.

從表3中可以看出，SSA-SVM 4個指標都高于其他幾類算法，表明預測時產生的誤判更少.GA-SVM和SSA-SVM對負樣本的預測效果好于對正樣本的預測效果.PSO-SVM在對正、負樣本的預測精確方面都低于其他幾種算法.通過對比測試集上的實際分類值與預測分類值，粒子群算法、遺傳算法識別出錯的圖像如圖13所示，麻雀搜索算法識別出錯的圖像如圖13（b）和圖13（c）所示.

經過重新確認，圖13（a）是一張標準瓶蓋的圖像，標注沒有錯誤.但是由于拍攝角度的原因，仔細觀察可以發現該圖像頂端部分左右不對稱，疑似一張瓶蓋歪斜的樣本.該樣本通過本文所提出的麻雀搜索算法優化支持向量機參數的模型獲得了正確分類.圖13（b）和13（c）是所有優化模型包括SSA-SVM都未能正確分類的圖片，瓶蓋裝配本身沒有瑕疵，其中圖13（b）是由于傳送帶跳動使得藥瓶發生傾斜，而圖13（c）則是由于光電傳感器延遲觸發拍照，造成瓶蓋部分圖像丟失.由此可見，在光照或者拍攝角度略有誤差時SSA-SVM的泛化性能要好于其他幾種優化模型.相對于其他的啟發式搜索算法，麻雀搜索算法在收斂速度和收斂精度方面表現都比較良好，很大程度上提高了最優解的有效性和可靠性，保證了支持向量機分類模型在解決實際問題時的泛化能力.

6 結 論

針對基于支持向量機的西林瓶蓋檢測模型在優化參數時容易陷入局部最優的問題，本文提出了一種基于支持向量機的瓶蓋裝配檢測方法，并通過麻雀搜索算法對支持向量機的最佳參數進行搜索.訓練結果表明，SSA-SVM具有較強的泛化能力，收斂速度快，準確率高，在當前測試集上可以達到98.33%的準確率，明顯優于其他幾種優化算法.

參 考 文 獻

［1］ "湯勃，孔建益，伍世虔.機器視覺表面缺陷檢測綜述［J］.中國圖象圖形學報，2017，22（12）：1640-1663.

TANG B，KONG J Y，WU S Q.Review of surface defect detection based on machine vision［J］.Journal of Image and Graphics，2017，22（12）：1640-1663.

［2］郜明，任德均，胡云起，等.基于機器視覺和輕量級卷積網絡的安瓿瓶包裝質量檢測算法［J］.計算機應用，2020，40（10）：2899-2903.

GAO M，REN D J，HU Y Q，et al.Ampoule packaging quality inspection algorithm based on machine vision and lightweight neural network［J］.Journal of Computer Applications，2020，40（10）：2899-2903.

［3］孫家政，劉津彤，張嵐澤，等.基于改進支持向量機的藥品包裝紙盒快速鑒別研究［J］.包裝工程，2022，43（9）：131-137.

SUN J Z，LIU J T，ZHANG L Z，et al.Rapid identification of drug packaging box based on improved support vector machine［J］.Packaging Engineering，2022，43（9）：131-137.

［4］BAHAGHIGHAT M，ABEDINI F，S’HOYAN M，et al.Vision inspection of bottle caps in drink factories using convolutional neural networks［C］//2019 IEEE 15th International Conference on Intelligent Computer Communication and Processing.Cluj-Napoca，Romania.IEEE，2019：381-385.

［5］郭凱，孔萬增.遺傳算法在工業機器視覺中的應用［J］.杭州電子科技大學學報，2011，31（1）：50-53.

GUO K，KONG W Z.Applications of genetic algorithm in industrial machine vision［J］.Journal of Hangzhou Dianzi University，2011，31（1）：50-53.

［6］許江淳，岳秋燕，任向陽，等.基于機器視覺的藥片表面缺陷識別與分揀系統設計［J］.傳感器與微系統，2017，36（6）：90-93.

XU J C，YUE Q Y，REN X Y，et al.Design of tablet form merohedral stuffing identification and sorting system based on machine vision［J］.Transducer and Microsystem Technologies，2017，36（6）：90-93.

［7］ZHOU W J.A sparse representation based fast detection method for surface defect detection of bottle caps［J］.Neurocomputing，2014，123：406-414.

［8］黃達，黃樹彩，劉錦昌，等.基于最小二乘法的瓶蓋檢測算法設計應用［J］.計算機應用與軟件，2017，34（11）：223-227.

HUANG D，HUANG S C，LIU J C，et al.Design of bottle cap detection algorithm based on least square method and its application［J］.Computer Applications and Software，2017，34（11）：223-227.

［9］王貴錦，劉博，何貝，等.應用對稱匹配的PET瓶瓶蓋缺陷實時檢測［J］.應用科學學報，2014，32（6）：617-624.

WANG G J，LIU B，HE B，et al.Real-time PET cap defect inspection based on symmetry match［J］.Journal of Applied Sciences，2014，32（6）：617-624.

［10］黃志鴻，毛建旭，王耀南，等.基于機器視覺的啤酒瓶口缺陷檢測分類方法研究［J］.電子測量與儀器學報，2016，30（6）：873-879.

HUANG Z H，MAO J X，WANG Y N，et al.Research on beer bottle defect classification detection method based on machine vision［J］.Journal of Electronic Measurement and Instrumentation，2016，30（6）：873-879.

［11］余小游，胡小梅，劉巨昌，等.基于梯度向量特征提取的安瓿瓶外觀檢測方法［J］.電子測量與儀器學報，2014，28（4）：387-394.

YU X Y，HU X M，LIU J C，et al.Ampoule bottle appearance detection method based on gradient vector features extraction［J］.Journal of Electronic Measurement and Instrumentation，2014，28（4）：387-394.

［12］劉磊，陳愛軍，彭偉康，等.ABS齒圈表面缺陷視覺檢測方法［J］.中國測試，2019，45（8）：145-150.

LIU L，CHEN A J，PENG W K，et al.ABS ring gear surface defect visual inspection method［J］.China Measurement ＆ Test，2019，45（8）：145-150.

［13］劉小生，章治邦.基于改進網格搜索法的SVM參數優化［J］.江西理工大學學報，2019，40（1）：5-9.

LIU X S，ZHANG Z B.Parameter optimization of Support Vector Machine based on improved grid search method［J］.Journal of Jiangxi University of Science and Technology，2019，40（1）：5-9.

［14］劉煥軍.基于多核支持向量機集成的智能玻璃制品檢測算法［J］.計算機測量與控制，2011，19（2）：359-362.

LIU H J.Glass products intelligent inspection method based on multi kernel function support vector machine ensemble［J］.Computer Measurement ＆ Control，2011，19（2）：359-362.

［15］李龍澍，張效見.一種新的自適應慣性權重混沌PSO算法［J］.計算機工程與應用，2018，54（9）：139-144.

LI L S，ZHANG X J.New chaos particle swarm optimization based on adaptive inertia weight［J］.Computer Engineering and Applications，2018，54（9）：139-144.

［16］MAVROVOUNIOTIS M，et al.A survey of swarm intelligence for dynamic optimization：Algorithms and applications［J］.Swarm and Evolutionary Computation，2017，33：1-17.

［17］VAPNIK V N.An overview of statistical learning theory［J］.IEEE transactions on neural networks，1999，10（5）：988-999.

［18］XUE J K，SHEN B.A novel swarm intelligence optimization approach：sparrow search algorithm［J］.Systems Science amp; Control Engineering，2020，8（1）：22-34.

［19］張沫，鄭慧峰，倪豪，等.基于遺傳算法優化支持向量機的超聲圖像缺陷分類［J］.計量學報，2019，40（5）：887-892.

ZHANG M，ZHENG H F，NI H，et al.Ultrasonic image defect classification based on support vector machine optimized by genetic algorithm［J］.Acta Metrologica Sinica，2019，40（5）：887-892.

［20］GU W C，CHAI B R，TENG Y P.Research on support vector machine based on particle swarm optimization［J］.Transactions of Beijing Institute of Technology，2014，34（7）：705-709.

Research on bottle cap assembly detection based on sparrow search algorithm optimized support vector machine

Zhang Dongzhi， Han Dongxing， Mao Ruiyuan， Xi Guangshuai

（College of Control Science and Engineering， China University of Petroleum， Qingdao 266580， China）

Abstract： Aiming at the low accuracy of the vial cap assembly detection algorithm， based on support vector machine and the difficulty of parameter adjustment， a sparrow search algorithm（SSA）was proposed to find the optimal solution to the key parameters of supporting vector machines（SVM）. Images of bottle cap parts were collected， including standard， skew， aluminum-plastic separation， missing glue plug and high cap. Six typical features were extracted to construct a data set. The two-class support vector machine was used for classification. The parameters of supporting vector machine were adjusted by genetic algorithm， particle swarm algorithm and sparrow search algorithm. The training results show that the test accuracy of the SVM model optimized by the sparrow search algorithm reaches 98.33%， which is higher than that of other algorithms. The SSA-SVM-based vial cap assembly detection model has high recognition accuracy， fast parameter adjustment and strong generalization ability.

Keywords： vial cap assembly detection; machine vision; image processing; support vector machine（SVM）; sparrow search algorithm（SSA）

［責任編校 趙曉華 陳留院］

收稿日期：2022-11-06;修回日期：2022-11-30.

基金項目：國家自然科學基金（51407200）.

作者簡介（通信作者）：

張冬至（1981-），男，山東聊城人，中國石油大學（華東）教授，博士，博士生導師，主要從事檢測技術與自動化裝置方面的研究， E-mail：dzzhang@upc.edu.cn.