CN102998316B - 一种透明液体杂质检测***及其检测方法 - Google Patents

Abstract

本发明公开了一种透明液体杂质检测***，包括操作面板、上位计算机，顺次连接的DSP处理器、若干个CCD相机、光电开关，以及并联连接的编码器、剔除器、剔除确认开关，以及PLC站，该检测***的检测方法，步骤如下：利用多台CCD相机采集待检品序列图像并存储；通过图像预处理进行图像背景抑制；对背景抑制后的图像进行处理，实现目标检测与跟踪；对目标进行特征提取，根据其特征进行杂质识别，判断是否为杂质。本发明最大限度地提高图像序列的获取和处理速度；采用的杂质识别算法在对可见物目标进行良好的分割、跟踪及识别的前提下，能有效提高其识别速度，从而达到完全取代人工检测、提高检测质量和速度、节约生产成本、提高产品质量及生产效益的目的。

Description

一种透明液体杂质检测***及其检测方法

技术领域

本发明涉及一种检测***，具体涉及一种能够在医药、酒、饮料等行业的高速生产线上检验透明液体中是否存在杂质的透明液体杂质检测***及其检测方法。

背景技术

透明液体中杂质的自动检测是产品质量检测中一项非常重要的检测项目之一，其在医药、食品饮料及化工等生产领域具有广阔的应用前景。目前国内大多依靠人工实现可见异物的检测，人工灯检方式具有劳动强度大，效率低，检测结果主观性强，检测人员易疲劳，漏检率波动性大以及易受检测人员生理因素影响等缺点，已经不能满足自动化生产线的高速度和高精度要求。基于机器视觉的检测方式采用了人工灯检的原理，用摄像机代替人的眼睛，用计算机代替人脑分析可见异物的性质。这种方式安全可靠，对人体没有伤害，且适合在线检测，因此基于机器视觉的检测方法将会逐渐取代人工灯检方式。

在透明液体杂质自动检测中，需要解决的问题是如何有效提高检测速度以及在保证高检测速度的前提小如何提高检测的准确率。具体来说可分为以下几个问题：（1）图像的快速获取和处理问题。液体杂质识别需要杂质的动态信息，因此需要采集和处理其图像序列，这对***在图像获取和处理方面提出了较高的要求；（2）图像背景抑制问题。对于微小异物的检测，图像噪声干扰的去除是必须要考虑的问题之一。为了能够突显目标物，需要根据杂质目标物和背景噪声的特点有针对性地选择相应的背景抑制算法，为后续检测识别奠定基础。（3）杂质快速有效识别问题。微小异物目标检测需要采用高分辨率的视觉***，这无疑会增大处理的数据量，同时在杂质识别过程中，需要对多帧低信噪比序列图像进行识别处理，这也会导致算法复杂，运算量增大。因此必须寻找一种合适的算法实现杂质快速识别。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种透明液体杂质检测***及其检测方法。

为实现上述目的，本发明采用下述技术方案：

一种透明液体杂质检测***，包括操作面板，用于现场检测信息读取、参数设定和控制；上位计算机，置于监控室中，用于远程监控；还包括顺次连接的

DSP处理器，并行结构，用于提高图像处理速度，并通过设定的算法实现信息提取；

若干个CCD相机，顺序安装在生产线上，并分别连接至DSP处理器，且与LED光源相配合，用于获取待检品图像；

光电开关，用于检测待检品位置，并触发LED光源和CCD相机以获取待检品图像；以及并联连接的

编码器，用于待检品的位置跟踪；

剔除器，用于把不合格品从生产线上剔除；

剔除确认开关，用于检测不合格品是否被正确剔除；以及

PLC站，用于处理来自DSP处理器、光电开关、编码器和剔除确认开关的信号，并根据设定的判别算法形成决策，将动作指令传达给剔除器，同时和上位计算机进行数据通讯。

一种透明液体杂质检测***的检测方法，步骤如下：

Step1：利用多台CCD相机采集待检品序列图像并存储；

Step2：通过图像预处理进行图像背景抑制；

Step3：对背景抑制后的图像进行处理，实现目标检测与跟踪；

Step4：对目标进行特征提取，根据其特征进行杂质识别，判断是否为杂质。

在所述的Step1中，所述待检品序列图像是用顺序安装在生产线上的多台CCD相机依次提取的同一个待检品的透明瓶身图像。

在所述的Step2中，首先建立含噪声图像的加性模型，根据设定隶属判决准则，将其进行聚类，然后进行图像背景抑制，主要包括以下步骤：

2a）赋值；

2b）更新增益矢量；

2c）更新滤波器权值；

2d）更新逆矩阵。

在所述的Step3中，所述目标检测与跟踪的具体步骤如下：

3a）在图像序列的第一帧图像中，按照区域面积大小用标签标识图像中的各个轮廓区域；

3b）在随后的序列图像中采用抢占式的方法进行轮廓区域关联，实现多目标的数据关联和跟踪。

在所述的Step4中，所述杂质识别的具体步骤如下：

4a）按照指定规则对预选的多目标进行排序，实现杂质的预检测，从而识别较大杂质；

4b）对于和气泡相似度较大的杂质，以灰度，面积，速度和加速度作为分类特征，采用改进的模糊最小二乘支持向量机识别。

本发明的有益效果是，本发明对得到的液体图像进行模糊聚类，将聚类结果和改进的最小二乘滤波相结合进行含杂图像的背景抑制，通过分级识别方式提高识别速度和效果，即采用基于时空关联的目标检测与跟踪方法，实现过大杂质和正常微小颗粒的识别后，通过利用模糊最小二乘支持向量机实现杂质和气泡的有效区分。本发明有效降低生产成本，提高杂质识别率和识别速度，从而提高产品质量和生产速度，避免含有杂质的产品流入市场，影响企业形象。

本发明能最大限度地提高图像序列的获取和处理速度；采用的杂质识别算法在对可见物目标进行良好的分割、跟踪及识别的前提下，能有效提高其识别速度，从而达到完全取代人工检测、提高检测质量和速度、节约生产成本、提高产品质量及生产效益的目的。

附图说明

图1为本发明的透明液体杂质检测***结构示意图；

图2为本发明的检测方法流程图；

其中，1.操作面板，2.上位计算机，3.DSP处理器，4.CCD相机，5.光电开关，6.LED光源，7.PLC站，8.编码器，9.剔除器，10.剔除确认开关。

具体实施方式

下面结合附图和实施例对本发明进行进一步的阐述，应该说明的是，下述说明仅是为了解释本发明，并不对其内容进行限定。

图1是本发明的透明液体杂质检测***的结构示意图，该检测***包括操作面板1，用于现场检测信息读取、参数设定和控制；上位计算机2，置于监控室中，用于远程监控；还包括顺次连接的DSP处理器3，并行结构，用于提高图像处理速度，并通过设定的算法实现信息提取；若干个CCD相机4，顺序安装在生产线上，并分别连接至DSP处理器3，且与LED光源6相配合，用于获取待检品图像；光电开关5，用于检测待检品位置，并触发LED光源6和CCD相机4以获取待检品图像；以及并联连接的编码器8，用于待检品的位置跟踪；剔除器9，用于把不合格品从生产线上剔除；剔除确认开关10，用于检测不合格品是否被正确剔除；以及PLC站7，用于处理来自DSP处理器3、光电开关5、编码器8和剔除确认开关10的信号，并根据设定的判别算法形成决策，将动作指令传达给剔除器9，同时和上位计算机2进行数据通讯。

图2为本发明的检测方法的流程图，步骤如下：

Step1：利用多台CCD相机采集待检品序列图像并存储：用顺序安装在生产线上的多台CCD相机依次提取同一个待检品的透明瓶身图像。

图像采集过程如下：

当光电开关检测到待检品到达图像采集位置时，则触发光源和相机实现对被检品的图像采集，所采集图像读入DSP处理器后首先计算图像的直方图，根据图像直方图对图像质量进行预判，如果图像质量符合要求，则存储图像并进行后续处理，通过设定的算法实现信息提取；如果图像质量不符合要求，则舍弃图像，当前位置累加值加1，如果在某一设定时间段内某一位置的累加值达到设定值，则说明这一位置的图像采集***有问题，则停机报警。

Step2：通过图像预处理进行图像背景抑制：首先建立含噪声图像的加性模型，根据设定隶属判决准则，将其进行聚类，然后进行图像背景抑制。图像背景抑制的过程如下：

已知图像点源目标模型为：

$D(x,y)=g\·e^{-[\frac{{(x-x_0)}^2}{{{\mathrm{\σ}}_x}^2}+\frac{{(y-y_0)}^2}{{{\mathrm{\σ}}_y}^2}]---\left(1\right)}$

其中，D(x,y)为目标的理想图像；x，y为像素坐标；g为目标灰度函数的最大值；e为自然对数的底数；(x₀,y₀)为目标的中心点位置；(_σx,σ_y)为目标在空域上的扩展度。含噪声图像的加性模型为：

f(x,y)＝D(x,y)+B(x,y)+v(x,y)        (2)

其中，B(x，y)代表图像背景杂波，一般呈现全域灰度非平稳而局域灰度准平稳特性；v(x,y)为测量噪声，通常将其假设为零均值的白高斯过程。

通过迭代求解式(3)、(4)将输入图像f(x,y)进行模糊C均值聚类：

$v_j=\frac{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left[{\mathrm{\μ}}_j\left({\mathrm{\μ}}_k\right)\right]}^t{\mathrm{\μ}}_k}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left[{\mathrm{\μ}}_j\left({\mathrm{\μ}}_k\right)\right]}^t},j\∈[1,C]---\left(3\right)$

${\mathrm{\μ}}_j\left({\mathrm{\μ}}_k\right)=\frac{{(1/{\left|\right|u_k-v_j\left|\right|}^2)}^{1/(t-1)}}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{(1/{\left|\right|u_k-v_j\left|\right|}^2)}^{1/(t-1)}},k\∈[1,N],j\∈[1,C]---\left(4\right)$

其中，N为样本集合中样本的个数；C为聚类个数；v_j为聚类中心，u_k为样本，μ_j(u_k)为第k个样本对第j类的隶属度函数。

对于一幅像素为M行和M列的图像，,将其灰度矩阵f(x,y)按字典编撰顺序排列成一个M²维向量,根据设定隶属判决准则，可将输入图像f(x，y)进行聚类，如公式（5）所示，其中Γ_j为分到第j类的所有样本，C为分类个数。

f(x,y)＝{Γ_j,j∈[1,C]}        (5)

然后结合递推最小二乘滤波进行背景抑制，以单个子域Z中的递推最小二乘滤波算法为例，假设f₁(n)为通过回形扫描得到的一维数据，γ为遗忘因子，则算法为：

2a）赋值

d(n)＝f₁(n)        (6)

${f_s}^T\left(n\right)=[f_1(n-l),...,f_1(n-1),f_1(n+1),...,f_1(n+l)]---\left(7\right)$

w^T(n)＝[w_-l(n),...,w_-1(n-1),w₁(n+1),...,w_l(n)]       (8)

其中，d(n)为期望响应输出，f₁(n)为通过回形扫描得到的一维数据，为输入数据，w^T(n)为权值矩阵，n为迭代次数，l为滤波器权值的坐标。

2b)更新增益矢量

采用下式进行更新：

$g\left(n\right)=\frac{P(n-1)f_s\left(n\right)}{\mathrm{\γ}+{f_s}^T\left(n\right)P(n-1)f_s\left(n\right)}---\left(9\right)$

其中，g(n)为自适应增益矢量

2c)更新滤波器权值

$w\left(n\right)=w(n-1)+g\left(n\right)[d\left(n\right)-{f_s}^T\left(n\right)w(n-1)]---\left(10\right)$

2d)更新逆矩阵

$P\left(n\right)={\mathrm{\γ}}^{-1}[P(n-1)-g\left(n\right){f_s}^T\left(n\right)P(n-1)]---\left(11\right)$

其中，P(n)为逆相关矩阵。选取初始量w(0)＝0，P(0)＝ε^-1I，ε为很小的实数，I为单位矩阵。当n＞4l时w基本收敛，再将此时的w值赋给w(0)，重新开始递推，可得背景估计值：

$\hat{B}\left(n\right)={f_s}^T\left(n\right)w(n-1)---\left(12\right)$

将转化为可得背景抑制后的图像：

$\mathrm{\τ}(x_n,y_n)=f(x_n,y_n)-\hat{B}(x_n,y_n)---\left(13\right)$

其中，τ(x_n，y_n)为背景抑制后的图像，f(x_n，y_n)为原始图像。

Step3：对背景抑制后的图像进行处理，实现目标检测与跟踪，过程如下：

3a）在图像序列的第一帧图像中，按照区域面积大小用标签标识图像中的各个轮廓区域：

已知抑制背景后的图像为I(t)，用标签L＝(L₁，...，L_m)标识图像I(t)中的m个轮廓区域。在图像序列的第一帧图像中，按照区域面积大小来标识这些区域；

3b）在随后的序列图像中采用抢占式的方法进行轮廓区域关联，实现多目标的数据关联和跟踪：

利用下式可实现被跟踪目标在序列图像前后帧之间的匹配性判断：

$E\left(m\right)={\∫}_s{[k_1\left(s\right)-k_2\left(m\left(s\right)\right)]}^2\sqrt{1+m^{\′}{\left(s\right)}^2}\mathrm{ds}+\mathrm{\α}{\∫}_s|1-m^{\′}\left(s\right)|\mathrm{ds}---\left(14\right)$

其中，m为形状S₁到S₂的映射，k₁和k₂为对应的形状曲率。上式的第一项为区域的中心点到拐点的距离总和，用d_ver表示；第二项为区域面积，用s_are表示，α为权重系数。故区域轮廓特征可表示为S_k(d_ver,s_are)，利用区域轮廓特征可实现目标物的帧间跟踪。

Step4：对目标进行特征提取，根据其特征进行杂质识别，判断是否为杂质：

4a）按照指定规则对预选的多目标进行排序，实现杂质的预检测，从而识别较大杂质；并且算法较简单，识别速度较快，可有效识别较大杂质。

在跟踪过程中，根据目标特性，可按照指定规则对预选的多目标进行排序，实现杂质的预检测。以目标灰度和面积为特征进行排序，其排序规则为：

$o_i={\mathrm{\γ}}_g\×\frac{T_i{g}_k}{\stackrel{\‾}{T{g}_k}}+{\mathrm{\γ}}_s\×\frac{T_i{s}_k}{\stackrel{\‾}{T{s}_k}}+{\mathrm{\γ}}_p{p}_k---\left(15\right)$

其中，γ_g和γ_s分别为第k个目标的灰度g_k和面积s_k的权重系数，和为M个目标的平均灰度和平均面积。γ_p为第k个目标的图像帧间位置变化p_k的权重系数。利用上式将目标的o_i值按照从大到小的顺序排列。根据先验知识，可用下式实现杂质的预检测：

$\left\{\begin{array}{ccc}I=1& \mathrm{if}& o_i\≥T{h}_1\\ I=2& \mathrm{if}& T{h}_1\≥o_i\≥T{h}_2\\ I=0& \mathrm{if}& T{h}_2\≥o_i\end{array}\right.---\left(16\right)$

式中，Th₁和Th₂为杂质判断阈值，I＝1表示第i目标为杂质，I＝0表示第i目标不是杂质，而是液体中正常的颗粒或者噪声，I＝2表示无法判断，这主要是因为在这个阈值范围内的目标有可能是杂质，也有可能是气泡。

4b）对于和气泡相似度较大的杂质，以灰度，面积，速度和加速度作为分类特征，采用改进的模糊最小二乘支持向量机识别。由于前期的预识别，对于较大杂质可不用考虑，所以算法只考虑大小和气泡相似的杂质如何与气泡的有效区分问题。这种分级识别方式可有效提高识别精度和速度。

给定带有类别标号的训练集：(x₁,y₁)，(x₂,y₂)，…，(x_M,y_M)，其中，训练样本输入点x_i∈Rⁿ，y_i∈{-1,1}，i＝1,2,,M。未知函数回归表达式为：

构建模糊最小二乘支持向量机，优化问题为：

$\min J=\frac{1}{2}{\mathrm{\ω}}^T\mathrm{\ω}+\frac{C}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{p}_i{{\mathrm{\ξ}}_i}^2---\left(18\right)$

其约束方程为：

其中，M为样本数，为两个实数域的非线性映射，权矢量误差变量ξ_i∈Rⁿ，b是偏差变量，C是最大分类间隔与最小分类误差的折中，p_i为隶属度函数。构造Lagrange函数：

式中，a_i是Lagrange乘子。根据KTT最优条件，可得最优解：

$\left[\begin{array}{c}b\\ a\end{array}\right]={\left[\begin{array}{cc}0& 1^T\\ 1& \mathrm{\Ω}+P\end{array}\right]}^{-1}\left[\begin{array}{c}0\\ y\end{array}\right]---\left(21\right)$

其中，y＝(y₁,y₂，...,y_M)^T；P＝((p₁C)^-1,(p₂C)^-1,...,(p_MC)^-1)^T；1＝(1,1,...,1)^T；Ω为方阵，第k行l列的元素为K(x_k,x_l)为核函数,它满足Mercer条件。求得最优解a^*，b^*后可得分类器的决策函数：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a_i}^{*}{y}_{i}K(x,x_i)+b^{*})---\left(22\right)$

对于隶属度的设计，定义如下隶属度函数：

$p\left(i\right)=\frac{2{\mathrm{\ρ}}^{+}\left(x_i\right)}{{\mathrm{\ρ}}^{+}\left(x_i\right)+{\mathrm{\ρ}}^{-}\left(x_i\right)}\×\frac{{\mathrm{\ρ}}^{+}\left(x_i\right)}{{\mathrm{\ρ}}^{+}}---\left(23\right)$

其中，

$\mathrm{\ρ}\left(x_i\right)=M\left(\right\{x_j\left|\begin{array}{cc}d(x_i,x_j)\≤T& d(x_i,x_j)\∈D\left(x_i\right)\\ j=\mathrm{1,2},...M& j\≠i\end{array}\right\})---\left(24\right)$

x_i,x_j为样本，ρ(x_i)为样本密度，M(X)为样本集合X的样本数量，d(x_i,x_j)为测量函数，T为控制样本周边范围的阈值；在阈值之内的同类样本的密度定义为正密度ρ⁺(x_i)，而将异类样本的密度定义为负密度ρ^-(x_i)，正样本的平均密度为ρ(x_i)。

在采用上述模糊最小二乘支持向量机实现杂质和气泡的分类时，选择灰度g_i，面积s_i，速度v_i和加速度a_i作为分类特征，由于杂质和气泡的运动速度和轨迹存在很大差异，所以应用上述特征可实现杂质和气泡的正确区分。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (3)

1.一种透明液体杂质检测***的检测方法，其特征是，步骤如下：

Step1：利用多台CCD相机采集待检品序列图像并存储；

Step2：通过图像预处理进行图像背景抑制；

Step3：对背景抑制后的图像进行处理，实现目标检测与跟踪；

Step4：对目标进行特征提取，根据其特征进行杂质识别，判断是否为杂质；

在所述的Step1中，所述待检品序列图像是用顺序安装在生产线上的多台CCD相机依次提取的同一个待检品的透明瓶身图像；

在所述的Step2中，首先建立含噪声图像的加性模型，根据设定隶属判决准则，将其进行聚类，然后进行图像背景抑制，主要包括以下步骤：

2a)赋值；

2b)更新增益矢量；

2c)更新滤波器权值；

2d)更新逆矩阵；

所述透明液体杂质检测***，包括操作面板，用于现场检测信息读取、参数设定和控制；上位计算机，置于监控室中，用于远程监控；其特征是，还包括顺次连接的DSP处理器，并行结构，用于提高图像处理速度，并通过设定的算法实现信息提取；

若干个CCD相机，顺序安装在生产线上，并分别连接至DSP处理器，且与LED光源相配合，用于获取待检品图像；

光电开关，用于检测待检品位置，并触发LED光源和CCD相机以获取待检品图像；以及并联连接的编码器，用于待检品的位置跟踪；

剔除器，用于把不合格品从生产线上剔除；

剔除确认开关，用于检测不合格品是否被正确剔除；

以及PLC站，用于处理来自DSP处理器、光电开关、编码器和剔除确认开关的信号，并根据设定的判别算法形成决策，将动作指令传达给剔除器，同时和上位计算机进行数据通讯。

2.如权利要求1所述的检测方法，其特征是，在所述的Step3中，所述目标检测与跟踪的具体步骤如下：

3a)在图像序列的第一帧图像中，按照区域面积大小用标签标识图像中的各个轮廓区域；

3b)在随后的序列图像中采用抢占式的方法进行轮廓区域关联，实现多目标的数据关联和跟踪。

3.如权利要求1所述的检测方法，其特征是，在所述的Step4中，所述杂质识别的具体步骤如下：

4a)按照指定规则对预选的多目标进行排序，实现杂质的预检测，从而识别较大杂质；

4b)对于和气泡相似度较大的杂质，以灰度，面积，速度和加速度作为分类特征，采用改进的模糊最小二乘支持向量机识别。