龍智帆，孫志海，孔萬增

(杭州電子科技大學(xué)計(jì)算機(jī)應(yīng)用技術(shù)研究所，浙江杭州310018)

0 引言

機(jī)器視覺系統(tǒng)是一種非接觸式的光學(xué)傳感系統(tǒng)，通過機(jī)器視覺工具(即圖像攝取裝置)抓取圖像，然后將該圖像傳送給圖像處理單元進(jìn)行數(shù)字化處理，并根據(jù)處理結(jié)果控制現(xiàn)場(chǎng)設(shè)備動(dòng)作［1］。近幾年，工業(yè)機(jī)器視覺在工業(yè)生產(chǎn)過程中的應(yīng)用越發(fā)得到生產(chǎn)流水線設(shè)計(jì)人員及研發(fā)人員的青睞。但目前我國(guó)多數(shù)工業(yè)視覺系統(tǒng)軟件所涉及的圖像處理算法針對(duì)性強(qiáng)，重構(gòu)、重組性能較差。為此，本文以工業(yè)機(jī)器視覺系統(tǒng)軟件中圖像處理算法可重構(gòu)性作為設(shè)計(jì)出發(fā)點(diǎn)，給出了一種算法可重構(gòu)的工業(yè)機(jī)器視覺飲料瓶蓋缺陷檢測(cè)軟件的設(shè)計(jì)方案。

1 系統(tǒng)結(jié)構(gòu)

該檢測(cè)系統(tǒng)分為硬件和軟件2部分。系統(tǒng)硬件主要負(fù)責(zé)對(duì)飲料瓶的傳感、圖像采集的觸發(fā)及執(zhí)行機(jī)構(gòu)的控制。系統(tǒng)軟件主要負(fù)責(zé)飲料瓶圖像檢測(cè)區(qū)域的定位、處理及缺陷檢測(cè)。系統(tǒng)工作原理是系統(tǒng)軟件將相機(jī)采集過來的原始圖像進(jìn)行預(yù)處理，包括閾值化、邊緣檢測(cè)等一系列步驟;最后，對(duì)預(yù)處理圖像進(jìn)行缺陷檢測(cè)并給出判定結(jié)果，并由工控機(jī)向剔除機(jī)發(fā)出控制命令。系統(tǒng)硬件和軟件結(jié)構(gòu)分別如圖1(a)、(b)所示。

2 算法重構(gòu)

算法重構(gòu)是系統(tǒng)軟件的核心，針對(duì)不同的作業(yè)流程，選擇所需的算法模塊和與之對(duì)應(yīng)的具體算法，并加以組合就能裝配出所需的算法序列。本軟件的算法重構(gòu)流程如圖2所示。

圖1 系統(tǒng)硬件及軟件結(jié)構(gòu)示意圖

圖2 算法重構(gòu)模塊流程圖

圖2中，算法重構(gòu)流程可描述如下:針對(duì)特定的作業(yè)流程，從算法庫中選擇所需的算法并將其送入算法過濾模塊。若所選算法滿足其所需的約束條件，則將算法送入算法裝配模塊，否則，須重新選擇算法。最后，算法裝配模塊把選擇的所有算法進(jìn)行組裝并輸出。

2.1 算法庫

算法庫由內(nèi)置算法庫和外部算法庫構(gòu)成。算法庫目前共支持16種算法［2，3］，有36個(gè)API函數(shù)。已實(shí)現(xiàn)的算法模塊有如閾值化、邊緣檢測(cè)、形態(tài)學(xué)處理等模塊。其中，閾值化模塊包括Otsu閾值化、Ni-Black閾值化［4，5］等算法;邊緣檢測(cè)模塊包括Sobel3×3邊緣算子、Prewitt3×3邊緣算子和Canny3種算法［6，7］。外部算法庫是一個(gè)用戶自定義算法集合，本文提供了一個(gè)圖像處理算法擴(kuò)展槽，通過該算法擴(kuò)展槽用戶可以把定義在外部的算法添加至算法庫。

2.2 算法過濾

由于一些圖像處理算法之間存在著一定的依賴關(guān)系，如某些算法必須以另外其它的算法作為自己的先行算法等。因此，為了增加算法重構(gòu)的成功率，降低對(duì)用戶圖像處理算法知識(shí)的要求，本文在算法裝配之前增加了算法過濾流程，如圖3所示。

圖3 算法過濾流程示意圖

算法過濾步驟如下:

(1)通過對(duì)圖像存儲(chǔ)位深的檢測(cè)，判斷所選算法是否滿足接口需求，若滿足，則跳到(2)，否則，重新選擇算法;

(2)檢測(cè)算法模塊間的依賴關(guān)系，如若要選擇膨脹和腐蝕算法，則在它們之前必須有“二值化”這個(gè)先行算法。如果所選算法滿足和已成功選擇的算法之間的依賴關(guān)系，則添加算法成功;否則，重新選擇算法。

2.3 算法裝配

算法裝配支持以下3種重構(gòu)模式，只需滿足3種之一就能完成算法裝配，并生成符合需求的算法序列，它們分別是:

(1)通用模式。從算法庫中選擇通用的圖像處理算法并進(jìn)行合理的組合排列;

(2)應(yīng)用模式。從算法庫中選擇針對(duì)特定應(yīng)用的圖像處理算法并進(jìn)行合理的組合排列;

(3)混合模式。在(1)和(2)的基礎(chǔ)之上，對(duì)以上兩種算法模式進(jìn)行合理的組合排列。

3 圖像感興趣區(qū)域提取

飲料瓶蓋缺陷檢測(cè)只是針對(duì)采集圖像中的瓶蓋區(qū)域進(jìn)行處理，所以，在對(duì)圖像進(jìn)行處理前，先提取出圖像感興趣區(qū)域，有利于提高整個(gè)流程的處理速度，縮短瓶蓋缺陷檢測(cè)時(shí)間。本文設(shè)計(jì)并實(shí)現(xiàn)了3種圖像感興趣區(qū)域提取方法，它們分別是:(1)固定感興趣區(qū)域提取;(2)手動(dòng)感興趣區(qū)域提取;(3)自適應(yīng)感興趣區(qū)域提取。3種提取方法的示意圖如圖4所示。

圖4 感興趣區(qū)域提取方法示意圖

其中，圖4(a)為固定感興趣區(qū)域提取，該方法利用圖形工具在圖像上繪制1個(gè)矩形框，便能完成感興趣區(qū)域的提取。圖4(b)為手動(dòng)感興趣區(qū)域提取，該方法利用圖形工具在圖像上繪制3條線段A、B、C，然后獲取的a、b、c3個(gè)邊緣點(diǎn)，并利用這3點(diǎn)和已知提取高度，完成感興趣區(qū)域的提取。圖4(c)為自適應(yīng)感興趣區(qū)域提取，該方法的思路是:首先，從圖像上邊緣1/2處，按E方向向下搜索邊緣點(diǎn)e;然后，以點(diǎn)e為基準(zhǔn)點(diǎn)向下偏移半個(gè)瓶蓋高度，按F和G方向分別向左、向右查找左、右邊緣點(diǎn)f和g了;最后，利用e、f、g3個(gè)邊緣點(diǎn)和已知提取高度完成感興趣區(qū)域的提取。但該方法的處理速度要慢于其它兩種提取方法。

4 瓶蓋缺陷檢測(cè)

瓶蓋缺陷檢測(cè)模塊利用構(gòu)造好的圖像處理算法序列對(duì)圖像感興趣區(qū)域進(jìn)行缺陷檢測(cè)。瓶蓋缺陷檢測(cè)分為圖像預(yù)處理和缺陷檢測(cè)兩部分，檢測(cè)流程如圖5所示。

圖5 瓶蓋缺陷檢測(cè)流程

圖像預(yù)處理由灰度化、閾值化、反色和邊緣檢測(cè)4部分組成。其中，對(duì)圖像進(jìn)行反色處理，主要是為了突出圖像中的白點(diǎn)，以利于邊緣檢測(cè)(針對(duì)圖像中的白點(diǎn))操作。

5 實(shí)驗(yàn)結(jié)果與分析

為了進(jìn)一步說明本檢測(cè)軟件的有效性。在CPU為Intel(R)Core(TM)2 Duo E8400@3.00GHz，操作系統(tǒng)為Windows XP的PC機(jī)上，對(duì)工業(yè)流水線上的一系列飲料瓶進(jìn)行檢測(cè)實(shí)驗(yàn)。本文針對(duì)的瓶蓋缺陷檢測(cè)主要有兩部分:一部分是判斷內(nèi)高度差(左右內(nèi)徑的長(zhǎng)度差)是否大于給定的誤差值;另一部分是判讀外高度差(左右外徑的長(zhǎng)度差)是否大于給定誤差值。若內(nèi)、外高度差都小于相應(yīng)的誤差值，則說明瓶蓋合格;否則，說明瓶蓋存在缺陷。感興趣區(qū)域提取測(cè)試如表1所示，瓶蓋缺陷檢測(cè)過程如圖6所示，部分檢測(cè)數(shù)據(jù)如表2所示。

由表1可知，當(dāng)瓶蓋在采集圖像中的位置偏差較大時(shí)，自適應(yīng)感興趣區(qū)域提取方法的精度高且穩(wěn)定，而其它兩種方法的穩(wěn)定性較差，因此，本實(shí)驗(yàn)采用自適應(yīng)區(qū)域提取方法。

表1 圖像感興趣區(qū)域提取效果比較

表2 瓶蓋缺陷檢測(cè)數(shù)據(jù)

圖6 瓶蓋缺陷檢測(cè)過程示意圖

實(shí)驗(yàn)結(jié)果表明，本系統(tǒng)能準(zhǔn)確的將80個(gè)飲料瓶中的7個(gè)次品剔除，且具有較好的穩(wěn)定性。同時(shí)，由表2可知，每瓶處理的時(shí)間不超過10ms，說明本文采用的自適應(yīng)感興趣提取方法也能很好的滿足系統(tǒng)實(shí)時(shí)處理的要求。

6 結(jié)束語

本文給出了一種算法可重構(gòu)的飲料瓶蓋缺陷檢測(cè)的實(shí)現(xiàn)方案，描述了重構(gòu)飲料瓶缺陷檢測(cè)算法序列、提取瓶蓋感興趣區(qū)域及檢測(cè)瓶蓋缺陷的整個(gè)流程。實(shí)驗(yàn)結(jié)果表明本文所設(shè)計(jì)的系統(tǒng)軟件具有較好實(shí)用性和檢測(cè)性能。

［1］Galbiati Jr，Louis J.Machine vision—an emerging technology［J］.The International journal of applied engineering education，1986，2(4):221－225.

［2］Rafael C Gonzalez，Richard E Woods.數(shù)字圖像處理［M］.北京:機(jī)械工業(yè)出版社，2002:460－479.

［3］何斌，馬天予，王運(yùn)堅(jiān)，等.Visual C++數(shù)字圖像處理［M］.北京:人民郵電出版社，2001:335－358.

［4］Farid S，Ahmed F.Application of Niblack’s method on images［C］.Islamabad:IEEE Computer Society，2009:280－286.

［5］韓思奇，王蕾.圖像分割的閾值法綜述［J］.系統(tǒng)工程與電子技術(shù)，2002，24(6):91－94.

［6］Gao Wenshuo，Yang Lei，Zhang Xiaoguang，et al.An improved Sobel edge detection［C］.Chengdu:IEEE Computer Society，2010:67－71

［7］呂哲，王福利，常玉清.一種改進(jìn)的Canny邊緣檢測(cè)算法［J］.東北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2007，28(12):1 681－1 684.