CN109377485A - 一种方便面包装缺陷机器视觉检测方法 - Google Patents

Abstract

本发明公开了一种方便面包装缺陷机器视觉检测方法，主要包括：建立方便面包装缺陷自动检测装置模型，采集传送带上的方便面包装图像，对图像进行预处理，增强图像特征；选取图像分割中心像素点，根据像素灰度间的连续性建立相似性度量标准，将所有像素分割为不同区域；将包装图像用高斯内核函数进行卷积获得高斯差分图像，通过求图像的灰度极值提取方便面包装图像的缺陷特征；通过衡量缺陷特征与样本之间的相似性进行分类，检测缺陷类别并踢除，完成方便面包装缺陷的自动检测。该方法具有较好的稳定性和鲁棒性，降低漏检率和误检率，提高检测效率，检测速度快，实现无损检测，节省劳动力资源，为企业缩减成本，使方便面包装更加精细化。

Description

一种方便面包装缺陷机器视觉检测方法

技术领域

本发明涉及食品质检、图像识别、数学领域，具体涉及一种方便面包装缺陷机器视觉检测方法。

背景技术

方便面包装对方便面的外观和质量都具有很大的影响，印刷生产中不可避免地存在各种缺陷或瑕疵。现有的方便面包装缺陷检测装置需要的劳动强度较大大，检测效率低，适应性差，易出现误检和漏检现象，检测成本较高，不利于生产成本的降低，削弱了方便面的竞争力。而没有在线检测装置的企业只能通过人工抽查的方式，缺陷检出率很低。

发明内容

为解决上述问题，本发明的目的在于提供一种具有较好的稳定性和鲁棒性的方便面包装缺陷机器视觉检测方法，降低漏检率和误检率，提高检测效率，检测速度快，实现无损检测，节省劳动力资源，为企业缩减成本，使方便面包装更加精细化。

本发明解决其问题所采用的技术方案，包括以下步骤：

A.建立方便面包装缺陷自动检测装置模型，采集传送带上的方便面包装图像，对图像进行预处理，增强图像特征；

B.选取图像分割中心像素点，根据像素灰度间的连续性建立相似性度量标准，将所有像素分割为不同区域；

C.将包装图像用高斯内核函数进行卷积获得高斯差分图像，通过求图像的灰度极值提取方便面包装图像的缺陷特征；

D.通过衡量缺陷特征与样本之间的相似性进行分类，检测缺陷类别并踢除，完成方便面包装缺陷的自动检测。

进一步的，所述步骤A包括：

(1)建立方便面包装缺陷自动检测装置，摄像头采集传送带上的方便面包装图像，传送给主控装置，并对图像进行数字化，利用直方图对图像的灰度值进行均衡处理，均衡处理后的图像灰度为：

其中，I是图像的灰度级，f(t)是图像灰度的概率密度函数，t是像素点，对图像灰度级进行归一化处理，则当l∈[0,1]时，概率密度函数值为1；否则为0；

(2)若图像像素点(x,y)的灰度值为g(x,y)，灰度范围为[g₁,g₂]，通过映射函数将灰度值映射为g'(x,y)，进行灰度变换：

其中，(α,β)是灰度变换后的灰度范围。

进一步的，所述步骤B包括：

(1)对方便面包装图像进行彩色空间转换，通过分水岭方法将图像进行初始化分割，若某个区域为V_r，其邻域为V_i(i＝1,2,…,n)，则相似度函数为：

其中，ω是权值系数，n是邻域数量，x_i是每个区域的灰度均值，是所有区域的灰度均值，通过最大类间方差法获取一个阈值，相似度函数值大于此阈值的，该区域被选做种子区域；

(3)对选取的种子区域进行标记，遍历所有种子区域及其邻域，若有区域未被标记，查看该区域的邻域，若邻域标记相同，则该区域进行同样的标记；若邻域标记不同，则计算该区域与邻域的灰度均值差，选择差异最小的邻域进行相同的标记，遍历所有区域，直至所有区域均被标记，从而便将与种子区域有相似灰度值的相邻像素合并为一个区域，分割的区域中有许多零碎的小区域，设定区域范围阈值，将小于阈值的区域合并到灰度均值差异最小的邻域中，从而完成图像分割。

进一步的，所述步骤C包括：

(1)构造方便面包装图像的高斯函数：

其中，σ是图像正态分布的标准差，(x,y)是像素点坐标，(x₀,y₀)是种子点的坐标，则图像I(x,y)的尺度空间函数为：

S(x,y)＝f(x,y)*I(x,y)

其中，*表示卷积，则σ越小，图像尺度越小，细节特征也就越明显；

(2)包装图像通过高斯函数卷积生成一组图像，在尺度空间中通过常量k进行分离，得到高斯差分函数：

D(x,y)＝[f(x,y)-f(k(x,y))]*I(x,y)

＝S(k(x,y))-S(x,y)

通过高斯差分函数对图像中的像素点进行比较，设定灰度阈值，寻找灰度值大于阈值的像素点，在剩余像素点中寻找灰度极值点作为待选特征点，将高斯差分函数进行泰勒展开：

其中，(x,y)^T是像素点的偏移量，令从而得到极值点，将候选特征点中位于边缘处的像素点去除，提取出稳定的特征点。

进一步的，所述步骤D包括：

计算提取的特征图像f(x,y)与检测样本s(x,y)之间的欧氏距离：

其中，f_i(x,y)是第i个特征，n是特征数量，寻找欧氏距离最小的特征min(d)进行分类，主控装置统计缺陷类型并发送信号给踢除装置进行踢除，没有缺陷的包装将继续下道工序，从而完成方便面包装缺陷的自动检测。

本发明的有益效果是：

在方便面包装质量要求越来越高的情况下，本发明具有较好的稳定性和鲁棒性，降低漏检率和误检率，提高检测效率，检测速度快，实现无损检测，节省劳动力资源，为企业缩减成本，使方便面包装更加精细化。

附图说明

图1为一种方便面包装缺陷机器视觉检测方法的整体流程图；

图2为方便面包装缺陷自动检测装置模型图；

图3为方便面包装图像缺陷特征提取流程图。

具体实施方式

参照图1，本发明所述的方法包括以下步骤：

A.建立方便面包装缺陷自动检测装置模型，采集传送带上的方便面包装图像，对图像进行预处理，增强图像特征；

(1)建立方便面包装缺陷自动检测装置，如图2所示。摄像头采集传送带上的方便面包装图像，传送给主控装置。现场采集的原始图像可能存在各种噪声，因此需要进行预处理。对图像进行数字化，利用直方图对图像的灰度值进行均衡处理，增强视觉效果。均衡处理后的图像灰度为：

其中，I是图像的灰度级，f(t)是图像灰度的概率密度函数，t是像素点。对图像灰度级进行归一化处理，则当l∈[0,1]时，概率密度函数值为1；否则为0。

(2)若图像像素点(x,y)的灰度值为g(x,y)，灰度范围为[g₁,g₂]，通过映射函数将灰度值映射为g'(x,y)，进行灰度变换：

其中，(α,β)是灰度变换后的灰度范围。从而扩大了图像的灰度范围，使图像更清晰。

B.选取图像分割中心像素点，根据像素灰度间的连续性建立相似性度量标准，将所有像素分割为不同区域；

(1)对方便面包装图像进行彩色空间转换，通过分水岭方法将图像进行初始化分割。若某个区域为V_r，其邻域为V_i(i＝1,2,…,n)，则相似度函数为：

其中，ω是权值系数，n是邻域数量，x_i是每个区域的灰度均值，是所有区域的灰度均值。通过最大类间方差法获取一个阈值，相似度函数值大于此阈值的，该区域被选做种子区域。

(2)对选取的种子区域进行标记，遍历所有种子区域及其邻域。若有区域未被标记，查看该区域的邻域，若邻域标记相同，则该区域进行同样的标记；若邻域标记不同，则计算该区域与邻域的灰度均值差，选择差异最小的邻域进行相同的标记。遍历所有区域，直至所有区域均被标记。从而便将与种子区域有相似灰度值的相邻像素合并为一个区域。分割的区域中有许多零碎的小区域，设定区域范围阈值，将小于阈值的区域合并到灰度均值差异最小的邻域中，从而完成图像分割。

C.将包装图像用高斯内核函数进行卷积获得高斯差分图像，通过求图像的灰度极值提取方便面包装图像的缺陷特征(如图3所示)；

(1)构造方便面包装图像的高斯函数：

其中，σ是图像正态分布的标准差，(x,y)是像素点坐标，(x₀,y₀)是种子点的坐标。则图像I(x,y)的尺度空间函数为：

S(x,y)＝f(x,y)*I(x,y)

其中，*表示卷积。则σ越小，图像尺度越小，细节特征也就越明显。

(2)包装图像通过高斯函数卷积生成一组图像，在尺度空间中通过常量k进行分离，得到高斯差分函数：

D(x,y)＝[f(x,y)-f(k(x,y))]*I(x,y)

＝S(k(x,y))-S(x,y)

通过高斯差分函数对图像中的像素点进行比较，设定灰度阈值，寻找灰度值大于阈值的像素点，在剩余像素点中寻找灰度极值点作为待选特征点，将高斯差分函数进行泰勒展开：

其中，(x,y)^T是像素点的偏移量。令从而得到极值点。将候选特征点中位于边缘处的像素点去除，提取出稳定的特征点。

D.通过衡量缺陷特征与样本之间的相似性进行分类，检测缺陷类别并踢除，完成方便面包装缺陷的自动检测。

计算提取的特征图像f(x,y)与检测样本s(x,y)之间的欧氏距离：

其中，f_i(x,y)是第i个特征，n是特征数量。寻找欧氏距离最小的特征min(d)进行分类，主控装置统计缺陷类型并发送信号给踢除装置进行踢除，没有缺陷的包装将继续下道工序，从而完成方便面包装缺陷的自动检测。

综上所述，便完成了本发明所述的一种方便面包装缺陷机器视觉检测方法。该方法具有较好的稳定性和鲁棒性，降低漏检率和误检率，提高检测效率，检测速度快，实现无损检测，节省劳动力资源，为企业缩减成本，使方便面包装更加精细化。

Claims (5)

1.一种方便面包装缺陷机器视觉检测方法，其特征在于，包括以下步骤：

A.建立方便面包装缺陷自动检测装置模型，采集传送带上的方便面包装图像，对图像进行预处理，增强图像特征；

B.选取图像分割中心像素点，根据像素灰度间的连续性建立相似性度量标准，将所有像素分割为不同区域；

C.将包装图像用高斯内核函数进行卷积获得高斯差分图像，通过求图像的灰度极值提取方便面包装图像的缺陷特征；

D.通过衡量缺陷特征与样本之间的相似性进行分类，检测缺陷类别并踢除，完成方便面包装缺陷的自动检测。

2.如权利要求1所述的方便面包装缺陷机器视觉检测方法，其特征在于，所述步骤A包括：

(1)建立方便面包装缺陷自动检测装置，摄像头采集传送带上的方便面包装图像，传送给主控装置，并对图像进行数字化，利用直方图对图像的灰度值进行均衡处理，均衡处理后的图像灰度为：

其中，I是图像的灰度级，f(t)是图像灰度的概率密度函数，t是像素点，对图像灰度级进行归一化处理，则当l∈[0,1]时，概率密度函数值为1；否则为0；

(2)若图像像素点(x,y)的灰度值为g(x,y)，灰度范围为[g₁,g₂]，通过映射函数将灰度值映射为g'(x,y)，进行灰度变换：

其中，(α,β)是灰度变换后的灰度范围。

3.如权利要求2所述的方便面包装缺陷机器视觉检测方法，其特征在于，所述步骤B包括：

(1)对方便面包装图像进行彩色空间转换，通过分水岭方法将图像进行初始化分割，若某个区域为V_r，其邻域为V_i(i＝1,2,…,n)，则相似度函数为：

其中，ω是权值系数，n是邻域数量，x_i是每个区域的灰度均值，是所有区域的灰度均值，通过最大类间方差法获取一个阈值，相似度函数值大于此阈值的，该区域被选做种子区域；

(2)对选取的种子区域进行标记，遍历所有种子区域及其邻域，若有区域未被标记，查看该区域的邻域，若邻域标记相同，则该区域进行同样的标记；若邻域标记不同，则计算该区域与邻域的灰度均值差，选择差异最小的邻域进行相同的标记，遍历所有区域，直至所有区域均被标记，从而便将与种子区域有相似灰度值的相邻像素合并为一个区域，分割的区域中有许多零碎的小区域，设定区域范围阈值，将小于阈值的区域合并到灰度均值差异最小的邻域中，从而完成图像分割。

4.如权利要求3所述的方便面包装缺陷机器视觉检测方法，其特征在于，所述步骤C包括：

(1)构造方便面包装图像的高斯函数：

其中，σ是图像正态分布的标准差，(x,y)是像素点坐标，(x₀,y₀)是种子点的坐标，则图像I(x,y)的尺度空间函数为：

S(x,y)＝f(x,y)*I(x,y)

其中，*表示卷积，则σ越小，图像尺度越小，细节特征也就越明显；

(2)包装图像通过高斯函数卷积生成一组图像，在尺度空间中通过常量k进行分离，得到高斯差分函数：

D(x,y)＝[f(x,y)-f(k(x,y))]I(x,y)

＝S(k(x,y))-S(x,y)

通过高斯差分函数对图像中的像素点进行比较，设定灰度阈值，寻找灰度值大于阈值的像素点，在剩余像素点中寻找灰度极值点作为待选特征点，将高斯差分函数进行泰勒展开：

其中，(x,y)^T是像素点的偏移量，令从而得到极值点，将候选特征点中位于边缘处的像素点去除，提取出稳定的特征点。

5.如权利要求4所述的方便面包装缺陷机器视觉检测方法，其特征在于，所述步骤D包括：

计算提取的特征图像f(x,y)与检测样本s(x,y)之间的欧氏距离：

其中，f_i(x,y)是第i个特征，n是特征数量，寻找欧氏距离最小的特征min(d)进行分类，主控装置统计缺陷类型并发送信号给踢除装置进行踢除，没有缺陷的包装将继续下道工序，从而完成方便面包装缺陷的自动检测。