周博文 王耀南 张 辉 葛 继
湖南大学，长沙,410082
摘要：设计了一种基于机器视觉的酒液智能检测系统，主要用于酒液中杂质的在线检测。设计了系 气瓶水压试验
统的直线式检测机械结构和翻转机械手以及基于工控机和可编程控制器的控制系统，通过特定的给光方式和高速摄像机，获取酒液序列图像，采用亚像素边缘定位方法确定检测区域，提出了在检测区域里采用累积差分和基于空间最小交叉熵的阈值分割相结合的方法获取运动目标，根据运动轨迹判断目标是否为杂质，并对提取的杂质进行测量，计算是否在允许范围内。大量实验验证了检测算法的有效性和装置的可行性。 关键词：机器视觉；检测系统；运动目标；图像识别；杂质测量中图分类号:TP249 文章编号:1004—132X (2010)07—0766—07
R esearch and Development on Intelligent Inspection System for Wine B ased on Machine Vision
Zhou Bowen Wang Yaonan Zhang Hui Ge Ji
Hunan U niversity ,Changsha ,410082
Abstract :A machine -vision -based intelligent inspection system was p resented.The linear con 2vection mechanical st ruct ure and elect ric control system based on indust rial comp uter and programma 2ble logical cont roller were illust rated in detail.A met hod using high -speed cameras was applied for obtaining t he image sequences.The sub -pixel edge location met hod was used for confirming t he in 2spection region.The met hods of cumulative difference and t he minimum space of t he cro ss -ent ropy t hreshold segmentation were used to acquire t he moving target s.The foreign substances were judged by t he moving t rajectory.Finally ,according to t he met rical data of foreign substances ,a robot gave an judgment t hat t he product was qualified or unqualified.A great deal of experiment s demonst rate t hat t he detection algorit hm is effective and t he device is feasible.
K ey w ords :machine vision ;inspection system ;moving target ;image recognition ;foreign substance measurement
收稿日期:2009—04—28
基金项目：国家自然科学基金资助项目(60835004,60775047)；国家863高技术研究发展计划资助项目
(2007AA04Z244,
2008AA04Z214)
0 引言
由于生产工艺以及封装技术等原因，酒液中可能存在玻璃碎屑、黑渣、铝屑、毛发和纤维等杂质，杂质对人体所造成的危害非常大，一些有害物质可能被吸收进入人体引起中毒[122]。
从现行生产线上看，减少或消除杂质的主要方法是增加灌装过滤工位和空瓶检测工位。灌装设备中安装的过滤网，使液体中的杂质在灌装时不能进入瓶内[3]，空瓶检测主要是根据机器视觉原理，使用高速摄像机获取空瓶图像，判断瓶内是否有杂质，并能把含有杂质的次品从生产线上剔除[4]。但从杂质类型和产生杂质的根源上分析，灌装过程中带来的杂质只是酒业中杂质的一部分，也就是说酒的过滤措施只是减少杂质的一个方面，而不能从根本上消除次品酒流入市场。从
生产线实际调查研究中发现，成品酒液内存在的杂质很大一部分原因是由于封口扎盖的时候，扎
刀的旋转作用力使瓶口部分的小玻屑脱落造成的，并且扎盖过程中有可能掉入橡胶屑和塑料屑等杂质，因此，生产线上针对成品酒的检测是生产过程中的一个重要部分，是控制产品质量的关键环节。
目前，国内各酒厂普遍采用人工检查法，即大量的质检工人在生产线上依靠肉眼对酒进行逐瓶检测，其检测结果主观性强，检测效率低、精度低、范围窄，检测工人劳动强度大且容易疲劳，漏检率更是随之攀升。国外如美国的Bosch 公司等正投入大量的人力物力开发液体中杂质检测设备，并已取得了初步成效，但由于国外检测设备存在对玻璃瓶本身要求的质量过高、只能检测特定瓶型、价格过高、与现有生产线的衔接困难等局限性，故至今国内没用采用。
基于机器视觉的酒液智能检测系统涉及机械、电气控制、机器视觉、传感器检测与融合、光学
·
667·
成像、数字图像处理等多学科领域技术。本文开发的系统利用特殊的高速光学摄像系统，借助数字图像分析与处理技术，自动完成酒液检测，具有速度快、精度高和稳定性好的特点，是提高生产效率、解放人力的有效手段。该系统能够识别出国
家规定的50μm 以上的玻璃屑、纤维和黑渣等各类型可见异物，其检测速度在每小时12000瓶以
上，远远超过人工检测速度，能够满足自动化生产线的要求，有着广阔的市场前景。
1 体系结构设计
1.1 机械结构
基于机器视觉的酒液智能检测系统采用直线式传送机构，如图1所示，旋转绞轮把被检测酒瓶
分成等间距，导入将其导入转向后进入检测链轮。检测链轮上的汽缸推动机械手抓取酒瓶嘴部分翻转180°，当瓶进入黑杂质检测工位后，通过背光照射和图像采集装置获取其序列图像，利用序列图像中运动与静止对象在时间和空间上的差异性区分瓶身干扰与液体内部异物，判断瓶内是否含有橡皮屑、黑渣、头发丝和蚊虫等杂质。当传送至白杂质检测工位时，机械手翻转180°使瓶体正置，通过底部照明，摄像机再次获取瓶体序列图像并判断瓶内是否含有玻璃碎屑和纤维等杂质。当酒瓶进入次品分离区域时，可编程控制器根据检测结果控制拨叉运转，把不合格产品和合格产品分离
。
图1 智能检测系统机械结构图
瓶体翻转且使瓶内液体平稳流动是液体内杂
质检测的一个重要技术要点。当杂质沉淀在瓶底的时候，由于成像角度和光照的影响，视觉系统将无法获取杂质图像而出现漏判。若瓶体为圆柱形，使瓶体高速旋转后急停，这样沉淀在瓶底的杂质将在急停后继续随着瓶内的液体做圆周运动，因此摄像机可以清晰地获取杂质图像[526]。但当瓶体为非圆柱形时，高速旋转将产生大量的气泡，因此，对扁平状酒瓶或其他非圆柱形瓶的检测，本系统研发了变速翻转装置，如图2所示。酒瓶通过导入传送带进入检测机柜，导入星轮把导入传送带上的酒瓶送入转向星轮，转向星轮把酒瓶送入检测链轮的一端；进入黑杂质检测工位时，触发光电传感器，检
测链轮上的旋转机械手抓取从转向星轮上传送过来的酒瓶嘴部分，由气缸推动推杆，从而使翻转机械手以瓶嘴部分为圆心翻转180°，使酒瓶倒立；当酒瓶进入检测区域后，触发该位置的光电传感器，通过背光发光二极管
(L ED )照射和图像采集装置获取其序列图像；酒
瓶离开黑杂质检测工位后，进入白杂质检测工位，机械手及其抓取的被检测酒瓶由气缸推动以瓶嘴部分为圆心翻转180°，使倒立的产品正放
。
图2 翻转机械手结构
具体翻转方式如图3所示，箭头方向为翻转趋势。图3中最左边图为瓶体的正视图，标号为1～9的翻转均为瓶体的侧视图。通过汽缸的变
速推动运动，使机械手夹持酒瓶围绕转轴旋转，从而实现了多个阶段转速的精确控制。从1号位到2号位，先加速翻转，再减速,2号位到4号位为低
速并匀速翻转，从4号位到5号位为先加速后减
·
767·
速直到停止。5号位为拍照位置，即在此位置的时候，瓶体停止翻转，摄像机连续获取瓶体4帧图像，图像采集完毕后，翻转动作从5号位到9号位与前1号位到5号位相同。这样可最大程度地减少翻转时产生的气泡，对后续图像处理有重要的意义
。
图3 瓶体翻转过程
1.2 电气控制系统
本文设计开发了基于工控机(IPC )和可编程
控制器(PL C )的电气控制系统。图4为酒液智能检测系统的电气控制系统结构框图。考虑到整个系统的检测速度要求很快，并且分两个检测工位，特别是拍摄多帧图像需实时处理大量的图像信息，因而使用两台工控机，一台负责黑异物检
测，另一台负责白异物检测。同时采用一台可编程控制器负责整个系统的底层控制，包括系统协调、传动控制、分拣控制、系统保护等
。
图4 电气控制系统结构图
2 检测原理与算法
酒液智能检测系统的检测流程如图5所示
。
图5 工作流程图
·
867·
2.1 光学成像与图像获取对于基于机器视觉的智能检测系统来说，良
好的光照环境和高速光学摄像系统是其重要的组成部分。系统的两个检测工位采用两种不同的给光方式：在黑异物检测工位，采用背部L ED 给光，由于光的透射效果，溶液透过光线形成亮区而黑渣、毛发和蚊虫等在图像上呈黑；在白异物检测工位，采用底部L ED 给光，背部采用黑遮光板，此时在图像上，背景为黑，而玻璃屑等由于光的反射原理呈白，摄像机能清晰获取玻璃屑、白纤维和底部大颗粒沉淀物等杂质图像[7]。两个检测工位光路如图6所示
。
图6 检测光路图
2.2 图像定位与检测区域标定
为了节省运算时间，提高可靠性，在检测中需要预先人工标定出要处理的区域。检测算法只对预先设定的区域进行处理，从而大大缩短了处理运算的时间，提高了效率。系统利用安装在各检测位置的光电传感器来触发摄像系统对酒瓶拍照。但由于机械和电气方面的误差，实际拍照的位置与期望的不一样，使得最终图像上酒瓶的位置始终存在不可忽略的偏差，因而必须使用软件算法自动确定被检酒瓶在图像上的精确位置[8]。
系统采用定位瓶壁边缘的方案实现图像定位。由于定位精度要求很高，故需要根据边缘附近多个像素的综合信息来准确确定亚像素级的边缘所在。系统采用一阶微分期望技术实现亚像素边缘定位。主要步骤如下:
(1)对图像进行非线性对比度增强处理。
(2)设预处理后的图像用函数f (x )表示，其
一阶微分为
g (x )=|f ′
(x )|(1)
在离散图像中，一阶微分可以用差分来近似。
(3)根据g (x )的值确定包含边缘点区间，也
就是对一个给定的灰度图像阈值T ，确定满足:
g (x )>T
(2)
求得x 取值区间[x i ,x j ],i ,j =1,2,…,n;n 为图像帧数。
(4)得到取值区间后，计算g (x )的概率函数
p (x )，离散图像，得
p k =g k /
∑n
i =1
g
i
k =1,2,…,n (3)
式中,k 为离散值。
(5)计算p (x )的期望值E ，并将边缘确定在E 处。在离散图像中，期望值为
E =
∑n
k =1
k p
k
=
∑
n
最爱视听k =1
(k g k /
∑n
i =1
g i
)
(4)
由于使用了统计特征的期望值，所以可以较好消除由图像中噪声引起的多响应问题，对误检边缘有良好的抑制作用。
确定边缘后，得到一个定位点P ，并根据已知的瓶型确定检测区域，如图7所示
。
图7 处理区域标定
2.3 杂质检测与识别
杂质检测与识别算法是智能检测系统软件的核心部分。首先在上一步确定的检测区域内进行滤波处理，滤除噪声点，然后利用多帧图像分离出运动目标，并根据运动轨迹识别杂质，最后计算杂质的大小，判别其是否在允许范围内。
图像预处理的主要目的是滤除图像中的各类噪声，提高图像的信噪比。系统采用了一种基于中值的加权均值滤波算法，对图像进行预处理，以保证在滤除成像噪声的同时保留检测目标。2.3.1 杂质提取
由于瓶壁上本身可能存在花纹、刻度、吸附的各类细小杂质和运输过程中碰撞产生的细纹等多类型干扰。故在设计智能检测系统时，首先使瓶体按照特定的速度翻转，使瓶内溶液运动且翻转动作不产生气泡，然后摄像机、光源和瓶体同步运动，三者相对静止，此时，摄像机获取序列图像，瓶身的干扰在图像中静止而瓶内液体和液体中可能存在的杂质由于瓶体翻转而继续运动，从而根据获得的序列图像识别出微小运动目标。
本文采用累积差分图像的方法分离运动目标，在空间域上采用最小交叉熵法计算阈值，并提取出运动目标。2.3.1.1 累积差分
设每间隔时间t 获取四帧溶液序列图像f (x ,
·
967·
y,t i)、f(x,y,t i+1)、f(x,y,t i+2)、f(x,y,t i+3)。f(x,y,t i)为时间轴上第i时刻获取的图像f(x, y)。任意两幅图像之间的差图像为
d(x,y)=1
三门峡工程|f(x,y,t m)-f(x,y,t n)|>T,
i<m,n<i+3,m≠n
0 其他
(5)
实际中，由于滤波未能完全滤除全部噪声或机械的振动，故没有发生像素移动的地方也会出现图像间差别不为零的情况，由此，系统采用累计差分判别实际运动目标。
累积差分的基本思想是采用多幅图像，取第一幅图像f(x,y,t1)作为参考图像，通过参考图像与其后的每一幅图像比较，并把比较后的值叠加，得到累计差分图像(accumulative difference image,ADI)，图像中各个位置的值是在每次比较中发生变化的次数的总和。
后面帧和参考图像的绝对差分图像为
N(x,y)=|f(x,y,t j)-f(x,y,t i)|
(6)
累计差分图像为
P k(x,y)=
P k-1(x,y)+1 |f(x,y,t j)-f(x,y,t i)|>T
P k-1(x,y) 其他
(7)
由此可知，要把背景和运动目标分割，关键是到灰度阈值T。
2.3.1.2 基于空间最小交叉熵的阈值方法
信息熵是表征信源本身统计特性的一个物理量。将信息熵引入运动目标的检测就是用熵去决定最佳阈值T，使分离出来的图像能正确反映实际运动目标的特性[9210]。
根据差分图像上像素的空间统计相关性，本文引入最小交叉熵函数来求取最优阈值而使原始差分图像和二值分割图像之间的信息量差异最小。在理想的差分图像中，可以将直方图看成是运动目标与背景两个正态的混合分布，在这种假设下，设图像共有L级灰度，则像素的后验概率为
Z(g)=
1
2πσa(T)
exp[-
(g-μa(T))2
2σa(T)
] 0≤g≤T 1
2πσb(T)
exp[-
(g-μb(T))2
2σb(T)
] T<g≤L
(8)
式(8)中,σt(x)为t时刻背景图像上x点上的均方差值，类内方差可由原始图的灰度直方图h(g)估算出来:
σ2
a (T)=
1
R a
∑T
g=0
h(g)(g-μa(T))2(9)
σ2
b (T)=
1
R b
∑L
g=T
h(g)(g-μb(T))2(10)
R a=∑
T
g=0
h(g),R b=∑
L
g=T+1
h(g)
μ
a
(T)=
1
R a
∑T
g=0
g h(g),μb(T)=虎门销烟教学设计
1
R b
∑L
g=T+1
g h(g)
式中,h(g)为直方图上灰度值为g时的像素点个数。
应用最小交叉熵函数，差分图像与二值分割
图像的交叉熵为
Ψ(T)=∑T
g=0
(gh(g)ln g
μ
a
(T)
+μa(T)h(g)ln
μ
a
(T)
g
)+
∑L
g=T+1
(gh(g)ln g
μ
b
(T)
+μb(T)h(g)ln
μ
b
(T)成克杰案
g
)(11)
使Ψ(T)达到最小熵的T值即为分割阈值。
2.3.1.3 运动目标分割与杂质判别
获取了背景图像后，很容易得出当前图像的
差分图像，从而区分出背景与运动前景。设J1(x)
是由差分图像与时间域上均方差而得到的二值化
掩膜,L1(x)是其掩膜图像，设J2(x)是由差分图
像与空间域的最小交叉熵而得到的二值化掩膜,
L2(x)是其对应的掩膜图像。则:
J1(x)=
1 |A t(x)-B t(x)|>kσt(x)
0其他
(12)
L1(x)=
1 J1(x)=1
N1/9其他
J2(x)=
1 |A t(x)-B t(x)|>T
0 其他
(13)
L2(x)=
1 J2(x)=1
N2/9其他
J(x)=
1 L1(x)L2(x)>1/3
0其他
(14)
式中,A t(x)为t时刻x点上的当前像素值;B t(x)为t时
刻x点上的背景像素值;N1、N2分别为八邻域中由式
(12)、式(13)判断为前景像素的个数。
这种阈值的设定结合了时间相关性与空间
相关性，具有较好的抗噪性，对环境也有很好
的鲁棒性。最后得到仅包含运动目标的图像,
这样减小了因为干扰引起的不确定性因素带
来的误差[11212]。
在智能检测系统运转时，酒液在传送和翻转
等过程中难免产生气泡。而在运动目标提取过程
中，由于气泡的形状等特性和其他杂质无明显区
别，因而上一步获得的运动目标中，可能含有气
fsr泡，使检测极易产生误判，因此系统研究了分离气
泡的运动轨迹的目标识别方法。
根据获取的四帧溶液序列图像f(x,y,t i)、
f(x,y,t i+1)、f(x,y,t i+2)、f(x,y,t i+3)分别得到
运动目标的三个状态函数g1(x,y)、g2(x,y)、
g3(x,y)，计算运动目标的重心坐标O1(x1,y1)、
·
7
7
·
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议