英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
基于机器视觉的药用玻璃瓶缺陷检测
李富，张帅，于宫，黄全军
摘要
生产后必须检查药用玻璃瓶的各项指标。提出了一种基于机器视觉的玻璃瓶口缺陷检测方法，该方法操作简单，应用广泛。通过使用背光照明获得瓶子的图像。对瓶子的图像进行预处理，通过检测和分析玻璃瓶端口缺陷位置的连接区域的特性，确定玻璃瓶的质量并确定缺陷范围。预处理主要包括图像中值滤波，图像增强和边缘检测。玻璃瓶缺陷的类型主要包括裂纹，边缘缺失，瓶子脏污，黑点等。在测试了许多药用玻璃瓶之后，该方法可广泛应用于常见的玻璃瓶端口缺陷。36个缺少边缘缺陷的样品瓶的识别率最低，为91.6％。
关键词：机器视觉背光照明；连接域；瓶缺陷
1 介绍
玻璃瓶在中国的应用越来越广泛。由于玻璃的透明性，美观性，耐腐蚀性，阻隔性。玻璃瓶在医院，化学实验室，食堂，饮料店和其他地方都很受欢迎。在玻璃瓶的批量生产过程中，不可避免地会引起玻璃瓶的裂纹，缺边和结石等缺陷。因此，玻璃瓶的质量检查变得极为重要。尽管中国在玻璃瓶端口检测领域的研究很少。但是到目前为止，中国的玻璃瓶生产厂主要基于人工测试方法。人工检测方法的缺点是检测速度慢，劳动强度大，检测精度差。世界上有很多成功的公司在这一领域。例如：美国的AGR，法国的SGCC，德国的MSG和LASOR。这些公司产品的功能非常强大且多样化。美国AGR公司可以检测每小时36,000瓶达到的玻璃瓶。德国LASOR产品的相机可分辨出0.1mm单位的缺陷[1]。但是， 这些产品非常昂贵，不适合小型玻璃瓶制造商使用。
2 图像采集平台设计
图像采集系统主要由光源，摄像机，镜头，摄像机支架，透明塑料板，透明塑料板支架，图像采集卡等组成。根据玻璃瓶的形状和物理光学分析，可以利用玻璃的导光原理获得瓶口的图像信息。强度可调的光源在图像采集和缺陷显示中起着至关重要的作用。在机器视觉照明系统中，照明模式可以大致分为背面照明，正向照明和两侧倾斜照明。由于在生产过程中对玻璃温度， 材料，加工技术和其他因素的控制不力，大多数瓶口缺陷是由于形成的。常见的玻璃瓶生产缺陷包括裂纹，边缘缺失，结石，黑点等。因为这些缺陷很小，所以很难看到。在该实验中，为减少玻璃瓶的缺陷选择了背照式方法。使用普通玻璃的导光性能和玻璃缺陷的导光性能不同的原理获取图像。在玻璃瓶的底部添加强度可调的频闪灯光源，并在玻璃瓶的顶部安装工业相机。通过高度可调的金属支架和透明塑料板将工业相机固定在适当的位置，该塑料板由支架支撑在光源上方。收集图像时，请将玻璃瓶放在透明的塑料板上，然后控制光源的强度和照相机的高度并调整照相机的焦距。由于玻璃瓶中不同强度的光的影响不同，并且照相机从不同的高度位置拍摄的图像，因此需要精确地确定光线的相对强度和照相机的相对位置。玻璃导光的原理是导致像素不同于所采集图像的缺陷部分和良瓶部分，从而降低了后期图像处理的难度。本文着重于药用玻璃瓶口加工缺陷的研究，主要研究成品瓶口缺陷的视觉识别方法。
3 图像预处理
捕获任何图像时，都会受到照明，硬件设备以及相机角度变化等因素的影响，从而导致捕获的图像不必要的干扰信息。这些干扰信息称为图像噪声。噪音的存在严重影响图像的质量，并不利与后面的图像处理。清除噪声通常包括图像增强，中值滤波等。中值过滤本质上是一个统计排序过滤器。对于原始图像中的一个点，中值过滤器会将以该点为中心的邻域中所有像素的统计顺序中位数作为该点的响应进行计数。如图1（b）所示，经过中值滤波处理后，图像的噪声得以降低。图像增强是指一种根据特定需要在图像中突出显示某些信息，同时减弱或去除某些不需要的信息的方法。如图1（c）所示，图像增强图像更有利于瓶子与背景的分离。边缘检测是图像处理中的一个基本问题，其目的是识别数字图像中亮度显着变化的点。阈值分割是指图像中具有特定含义的不同区域的划分。根据设置的阈值，将具有不同灰度的图像分为仅具有0或255灰度的黑白图像。常见的阈值分割方法包括直方图方法， 迭代选择阈值方法和最大类间方差方法。本文选择了迭代选择阈值方法。在对获取的图像进行中值滤波和图像增强之后，对图像执行边缘检测。通过边缘检测减少数据量，并保留图像的重要结构特性。通常有两种类型的边缘检测方法。第一个基于搜索算法。通过在图像的一阶导数中找到最大值和最小值来检测边界，并将边界定位在具有最大梯度的方向上。常见的边缘检测算子包括Roberts算子，Sobel算子，Prewitt算子等。边缘检测的第二种方法是Canny边缘检测算法。因为第一种算法是通过差分计算的，所以它不适用于嘈杂的图像。在该实验中，使用Canny边缘检测方法来处理瓶口图像。Canny边缘检测的基本过程是先过滤图像。然后通过非极端抑制方法对其进行处理以获得边缘图像。如图1（d）所示，通过边缘检测获得瓶子端口部分的边缘以及瓶子部分的背景部分和底部。Canny边缘检测的基本过程分为四个步骤。
（1）使用过滤技术使图像平滑。
（2）使用一阶偏导数的有限差分计算梯度的复制和方向。可以使用一阶微分卷积模板获得公式。振幅可通过公式（1）来计算，方向可按公式（2）。
（1）
（2）
（3）在获得梯度的方向和幅度的大小之后，应该对图像进行扫描以进行检测以去除非边界点。检测这些边缘上的点的振幅是否是相同方向上的最大振幅的点， 并且如果是相同方向上的最大点，则将其保留。
（4）设置两个阈值T1和T2（T1＜T2）。如果获得的边缘点像素值大于T2，则将其判断为边界点。如果边缘点的像素值小于T1，则将其直接移除。如果像素值在T1 和T2之间，则判断该点是否连接到真实边界点，并且如果连接，则判断为边界点。
1（a）灰度图像 1（b）中值滤波图像
1（c）图像增强 1（d）边缘检测图像
图1瓶口图像预处理步骤
4 瓶图像缺陷提取
对增强后的图像进行Canny边缘检测，得到两条轮廓线。两个轮廓之间的区域是检测区域，外周长是背景区域，内周长是部分瓶底区域。去除了瓶子的背景区域和底部的一部分中的像素，仅留下检测区域的像素。由于在拍摄图像时将光源添加到瓶子的底部，因此瓶子端口的一部分由于照明而变亮，而缺陷部分由于光传播的原理而变暗。因此，我们对检测区域的图像进行阈值分割，突出缺陷位置的像素值的差异，以使缺陷的像素值为零。根据连接域的原理，以图像像素值为0的点为中心检测周围3h3区域的像素值。如果该点的周围区域具有两个或多个像素值为0的点或一个或多个点被视为缺陷，则将该 点视为缺陷点。提取缺陷的几何特征，包括缺陷的面积，缺陷的质心，缺陷的长度和宽度。
（1）缺陷区域：缺陷区域定义为连接区域中像素值的总数，并且缺陷区域是判断瓶子是有缺陷的瓶子还是无缺陷的瓶子的重要措施。
（2）缺陷的质心：对连接区域中所有像素的坐标位置求平均，平均值的坐标为缺陷的质心。缺陷的质心在缺陷的位置非常重要。
（3）缺陷的长度和宽度：缺陷的长度和宽度是指连接区域的外接矩形的长度和宽度，可以反映缺陷的大小信息。
设置系数A，当检测区域中每个点的像素值为255时，A为总像素值。然后，设置范围系数B（B＞0），并且如果检测到的像素值在AB至A之间，则判断为无缺陷瓶。当检测到的像素值小于AB时，判断瓶子是有缺陷的瓶子。以连接区域的质心坐标作为缺陷的坐标点，并用缺陷的长度和宽度校准缺陷范围。
使用这种方法，可以检测出三个瓶口缺陷，包括裂纹，边缘缺失和脏瓶。如图2、3和4所示，图2（a）是裂纹缺陷图像。图3（a）和3（b）是缺失的边缘缺陷图像的侧视图和俯视图。图4（a）和4（b）是脏瓶图像的侧视图和俯视图。图2（b），3（c）和4（c）分别是裂纹，缺失边缘和脏瓶缺陷的灰度图像，图2（c），3（d）和4（d）是裂纹，缺失边缘和脏瓶。瓶缺陷图像处理后的图像。
2（a）裂纹缺陷 2（b）裂纹的灰色图像 2（c）图像处理
图2裂纹缺陷图像处理后的结果
3（a）漏边的一面 3（b）遗漏边缘的顶部 3（c）灰度图像 3（d）图像处理图3
图3缺边缺陷图像处理结果
4（a）脏瓶子的侧面 4（b）脏瓶子的顶部 4（c）灰度图像 4（d）图像处理
图4脏瓶缺陷图像处理结果
5 缺陷检测结果与分析
采用文中提出的方法对三种瓶口缺陷：裂纹、缺边和脏瓶进行了检测。这篇论文，为了分析该方法的性能，提出了检测精度和缺陷的两个评价标准定义位置。上述方法是通过Matlab编程实现的。利用上述方法检测缺陷位置，分别得到三个缺陷的范围，如图5所示。
5（a）裂缝结果 5（b）缺边结果 5（c）脏瓶子结果
图5检测方法检测到的缺陷范围
用本发明的方法可以准确、快速地判断玻璃瓶缺陷玻璃瓶是否有缺陷，并确定缺陷的位置。
实验采用三种缺陷和无缺陷的20毫升药用玻璃瓶，对每种缺陷瓶进行反复检测。试验结果见表1。
表1瓶口试验数据
|
瓶样式 |
数量 |
正确数 |
错误数 |
正确率 |
|
无缺陷 |
54 |
53 |
1 |
98.1% |
|
裂缝 |
18 |
18 |
0 |
100% |
|
缺边 |
36 |
33 |
3 |
91.6% |
|
脏瓶 |
18 |
17 |
1 |
94.4% |
|
奶瓶 |
126 |
121 |
5 |
96% |
通过图表中的数据，将该方法应用到126瓶口试验中，正确率达到96%符合一般瓶口检测指标。在采集瓶口图像时，存在一种与拍摄角度和自然光干扰密切相关的检测误差现象。检测出的瓶子总数不多，影响了检测率。
6 结论
本文提出的方法包括基于机器视觉的图像采集模块，图像预处理模块，缺陷检测模块和缺陷位置定位模块。通过检测目标区域中的缺陷区域来确定瓶子的质量，并使用连接区域的质心以及连接区域的长度和宽度来校准缺陷的范围。
通过大量实验和分析，本文提出的方法对检测非常有效。重复测试了20ml玻璃瓶，十八个破裂瓶，三十六个漏失瓶和十八个脏瓶的三个缺陷，检测率为100％。91.6%, 94.4%. 通过将缺陷质心和缺陷范围与实际缺陷位置进行比较，缺陷检测范围基本相同，大大提高了瓶口检测效率。提出的基于机器视觉的玻璃瓶口检测方法对瓶口的识别精度较高，适用于一些常见的缺陷，具有一定的实用价值。
参考文献
[1] Y. B. Wang, Research on glass bottle defect detection and grasping system based on machine vision[D]. Changchun: Changchun Industrial College,2016.4.
[2] T.Ding, Glass bottle inspection system based on digital image processing [D]. Yantai:Yantai University,2013.5.
[3] J.C.Li,Design and implementation of glass bottle port crack detection system based on image processing[J],Computer measurement and control,2015,23 (11): 3619-3621.
[4] L.Luo,Development of a rapid detection system for coke bottle port defects, Computer measurement and control[J],2008,16(4):499-451.
- Z.H.Wang,Research on classification method of beer bottle port defect detection based on machine vision[J],Journal of Electronic Measurement and Instrument, 2016,30(6):873-879.
[6] F.S.Wu,Glass bottle detection system based on digital image processing[J],Journal of Yibin University,2014,14(6):103-1
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[424777]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
