一種基于機器視覺的酒液異物智能檢測方法
作者：鄭曉敏
目前國內主要采用人工燈檢法來檢測酒液異物，其檢測成本高、檢測結果易受人為因素影響。
基于機器視覺的檢測方法，具有檢測準確率高、穩(wěn)定性強等優(yōu)點，逐步取代人工燈檢法，成為酒液異物檢測研究與應用的趨勢。酒液中微小異物的檢測結果容易受到容器表面等背景因素干擾，因此采用序列圖像下的運動目標提取與跟蹤相結合的方法，以提高異物檢測的準確率。為滿足酒液異物的檢測需求，本文研究一種基于機器視覺的酒液異物智能檢測方法。
1酒液異物智能檢測系統(tǒng)設計
酒液異物在靜止狀態(tài)時，一般停留在酒瓶底部。為了準確檢測出酒液異物，減小背景因素干擾，本檢測方法采用翻轉急停方式，將瓶裝酒液翻轉180。后，利用定位夾具使其急停，由相機采集序列圖像后上傳至計算機中處理，計算機根據(jù)處理結果通過運動控制卡來控制酒液產(chǎn)品移向合格或不合格方向。
檢測系統(tǒng)包含硬件采集控制設備和軟件檢測算法。硬件采集控制設備結構框圖如圖1所示，包括千兆網(wǎng)工業(yè)相機、LED面光源、瓶裝酒液、定位夾具、計算機、運動控制卡及輔助設備。
采集到序列圖像后，進行軟件檢測算法處理。軟件檢測算法流程如圖2所示。
2異物的算法檢測
根據(jù)圖2的檢測流程，異物檢測算法包括圖像濾波預處理、異物目標提取、異物目標跟蹤和目標路徑解析判斷這4個過程。
2.1 圖像濾波預處理
工業(yè)相機采集的圖像存在隨機噪聲干擾。根據(jù)酒液異物及噪聲特點，本文采用中值濾波和高斯濾波的加權去噪方法，操作后的圖像如式(1)所示：
其中：I1(z，y)為高斯濾波處理后的圖像；I2(x，y)為中值濾波處理后的圖像；a為濾波權值。
2.2 異物目標提取
圖像經(jīng)濾波預處理后，采用運動目標檢測方法來提取酒液中的異物目標。目前，運動目標檢測的主要方法有幀間差分法、光流法及背景減除法。幀間差分法的檢測結果容易受到幀間時間間隔的影響；光流法因檢測速度慢、抗干擾性低而無法進行實時檢測；背景減除法因檢測速度快、檢測結果較完整而作為本文的異物目標提取方法。
為了有效提取出酒液中的微小異物目標，本文采用中值背景減除法與最大熵閾值分割法相結合的算法提取可疑異物目標，其操作流程如圖3所示。
根據(jù)圖3中的目標提取流程，取前N幀預處理后的圖像進行“中值法”操作作為背景圖像，并將后續(xù)幀圖像與背景圖像進行背景減除法操作。具體操作如式(2)所示：
其中：fk(x，y)為第k幀圖像在(x，y)處灰度值；B(x，y，)為背景圖像，是前N幀圖像經(jīng)中值法函數(shù)Med{…）操作后的像素值；D，(x，y)為差分圖像d，(x，y)經(jīng)閾值f’二值化后的結果。
閾值t*通過最大熵法獲得，具體操作如下：
(1)統(tǒng)計背景減除后的差分圖像結果的直方圖分布情況，并求出最大灰度級L：
其中：n，為灰度級i的像素數(shù)；n為總像素數(shù)；p，為灰度級i的概率。
(2)取初始閾值￡為0，可以得到背景區(qū)域熵H,,和目標區(qū)域熵H，：
其中：p(f)為灰度級從0到t的概率和；y(t)為閾值t的目標函數(shù)。
(3)遍歷閾值t從0到L，重復步驟(2)，得到y(tǒng)(t)取最大值時的閾值t*，即為差分圖像的二值化閾值。為增強酒液微小異物信息，減少噪聲干擾，將差分結果進行形態(tài)學膨脹及連通性分析操作，具體操作如式(5)所示：
其中：A為3×3的方形結構元素，用來對二值圖像X進行膨脹運算操作；L8 (1)為8鄰域連通分析后的第i個連通區(qū)域；T8為8鄰域連通閾值常數(shù)，由異物檢測精度決定。
2.3 異物目標跟蹤
經(jīng)可疑異物目標提取后，進行異物目標跟蹤，以獲得目標在序列圖像中的運動路徑。本文采用窗口目標搜索匹配法進行異物目標跟蹤。目標跟蹤的操作流程如圖4所示。
根據(jù)圖4中的目標跟蹤流程，按照面積從大到小來跟蹤首幀圖像的異物目標，如果存在一個目標滿足異物條件，則停止跟蹤，判斷酒液不合格；否則繼續(xù)首幀圖像中下一個面積目標的跟蹤，直到所有目標跟蹤完畢為止，此時判斷酒液合格。
其中：dy，為第i幀與第/-1幀匹配目標速度差值；dy，為初始向下運動目標在后續(xù)幀的匹配目標速度；Dy為匹配目標的幀間高度坐標差值和；Dy。hresh。．a(chǎn)為差值和的閾值常數(shù)，由酒液運動速度決定；m為算法檢測的最大幀數(shù)。
3實驗結果
采用本文研究的智能檢測方法，檢測某廠家生產(chǎn)的500 mL瓶裝酒液。硬件采集控制設備包括有2 GB內存的計算機，分辨率為200萬像素的千兆網(wǎng)CCD黑白工業(yè)數(shù)字相機，紅光LED面光源，運動控制卡及輔助設備；軟件檢測算法通過VC++2010及OpenCV來編程實現(xiàn)。
實驗樣本包括300瓶含異物酒液及200瓶無異物酒液，其中毛發(fā)、絮狀物、顆粒3種異物酒液各100瓶。本文方法的檢測結果如圖5和表1、表2所示。
從圖5跟蹤結果可以看出，三類異物的跟蹤結果都為向下的完整跟蹤路徑，而無異物的跟蹤結果為向上或不完整的跟蹤路徑，根據(jù)兩者的路徑區(qū)別可以準確判斷出酒液中是否含有異物。
從表1和表2的對比結果中可以看出，本文方法的漏檢率和誤檢率都不超過5%，優(yōu)于人工燈檢結果。
4結論
本文提出了一種針對酒液異物的智能檢測系統(tǒng)，通過實驗結果驗證了本文提出的方法能夠實時準確地檢測出酒液中的異物，優(yōu)于傳統(tǒng)的人工燈檢法。
5摘要：針對酒液異物的檢測問題，研究了一種基于機器視覺的智能檢測方法。將該方法采集的序列圖像進行加權濾波預處理；應用中值背景減除和最大熵閾值法提取出可疑異物區(qū)域；利用窗口目標搜索匹配法進行異物目標跟蹤操作；根據(jù)目標跟蹤路徑來判斷酒液中是否存在異物。實驗結果表明，該方法具有較低的漏檢率和誤檢率，較高的檢測精度，能夠實時有效地完成酒液異物檢測。
