基于機(jī)器視覺的啤酒瓶檢測(cè)系統(tǒng)研究

顧 勇，何明昕

（暨南大學(xué) 計(jì)算機(jī)科學(xué)系，廣東 廣州510632）

0 引 言

人們對(duì)啤酒的消費(fèi)量迅速增長，這使得啤酒生產(chǎn)過程中的一個(gè)重要環(huán)節(jié)啤酒瓶檢測(cè)逐漸從人工檢測(cè)階段過渡到了自動(dòng)化檢測(cè)階段。因?yàn)樾屎托詢r(jià)比是當(dāng)今企業(yè)生產(chǎn)所考慮的關(guān)鍵因素，所以在啤酒瓶檢測(cè)過程當(dāng)中，機(jī)器視覺逐漸成為了最常用和最主要的檢測(cè)方法。機(jī)器視覺可以理解為給機(jī)器加裝上視覺裝置，目的是為了使機(jī)器具有類似與人類的視覺功能，用機(jī)器代替人眼來做測(cè)量和判斷，從而提高機(jī)器的自動(dòng)化和智能化的程度。它主要包括光源、鏡頭、CCD（charge－coupled device）照相機(jī)、圖像采集卡、圖像處理系統(tǒng)、監(jiān)視器、通訊和輸入輸出單元等部分。機(jī)器視覺的應(yīng)用也非常的廣泛，主要有檢測(cè)和機(jī)器人視覺兩個(gè)方面［1－4］。應(yīng)用領(lǐng)域主要集中在半導(dǎo)體及電子行業(yè)，比如PCB（printed circuit board）印刷電路、SMT （surface mounted technology）表面貼裝、電子生產(chǎn)加工設(shè)備以及產(chǎn)品質(zhì)量檢測(cè)等其它很多領(lǐng)域。隨著工業(yè)的發(fā)展，對(duì)于機(jī)器視覺的需求也會(huì)逐漸地增多，并將與自動(dòng)化做更進(jìn)一步的融合。

目前針對(duì)機(jī)器視覺在啤酒瓶檢測(cè)系統(tǒng)中的實(shí)驗(yàn)和理論方面的研究存在不少，并取得了一些有意義的成果。文獻(xiàn)［3－4］中作者均采用了機(jī)器視覺的方法來設(shè)計(jì)啤酒瓶檢測(cè)系統(tǒng)，并且都能達(dá)到一定的檢測(cè)效果，然而文中在圖像處理過程中所采用的方法，對(duì)圖像中缺陷的檢測(cè)效果并不是很好，精確度不是很高，這樣會(huì)大大地降低系統(tǒng)的準(zhǔn)確率，其實(shí)這也是很多啤酒瓶檢測(cè)系統(tǒng)中所存在的問題。為了提高系統(tǒng)的檢測(cè)效果，本文設(shè)計(jì)了一個(gè)基于機(jī)器視覺的啤酒瓶檢測(cè)系統(tǒng)的方案。該系統(tǒng)由圖像獲取系統(tǒng)、圖像處理系統(tǒng)和圖像識(shí)別系統(tǒng)3部分組成。在圖像處理過程中，本文嘗試尋找了一種新的處理方案來對(duì)圖像進(jìn)行檢測(cè)，實(shí)驗(yàn)結(jié)果表明，文中采用的方案具有更好的檢測(cè)效果。

1 圖像獲取

圖像獲取系統(tǒng)主要由光源、高速攝像鏡頭、CCD照相機(jī)和圖像采集卡4部分組成［5］。為了獲取清晰程度比較高的圖像，啤酒瓶應(yīng)該與CCD照相機(jī)保持合適的角度和距離，同時(shí)光源要保持穩(wěn)定、色澤要均勻并且要多角度照射［6］。本文選用 Dalsa CameraLink相機(jī)和 Dalsa Camera－Link圖像采集卡，光源選用LED燈，因?yàn)長ED燈與其它光源相比，其各方面的性能均為最佳，可以從表1中看出。同時(shí)LED燈的發(fā)光量與電流成線性關(guān)系［7］，因此照明系統(tǒng)與圖像獲取系統(tǒng)易于選擇搭配，容易獲取較高質(zhì)量的圖像。圖像獲取過程中，流水線上的啤酒瓶置于光源的正前方并作勻速地水平方向的旋轉(zhuǎn)，通過高速攝像鏡頭對(duì)整個(gè)啤酒瓶的瓶身進(jìn)行豎直方向的線性掃描，形成一幅完整的啤酒瓶瓶身的光學(xué)圖像。之后將得到的光學(xué)圖像經(jīng)過CCD的轉(zhuǎn)換成為數(shù)字圖像，再通過圖像采集卡實(shí)時(shí)地采集圖像數(shù)據(jù)并將其傳輸?shù)接?jì)算機(jī)中存儲(chǔ)，接下來就交由圖像處理系統(tǒng)對(duì)圖像進(jìn)行處理。

表1 各類光源性質(zhì)對(duì)比

2 圖像處理

由于受到周圍環(huán)境的影響，采集到的待檢測(cè)圖像的效果是非常差的，需要經(jīng)過圖像處理系統(tǒng)來提高圖像的質(zhì)量，這樣才能夠?qū)D像進(jìn)行識(shí)別或其它更進(jìn)一步的處理。圖像處理系統(tǒng)是啤酒瓶檢測(cè)系統(tǒng)中極為重要的部分，本文中系統(tǒng)的設(shè)計(jì)流程如圖1所示。首先對(duì)采集到的圖像進(jìn)行濾波處理和平滑處理，以除去圖像背景中的噪聲。然后進(jìn)行二值化處理，將圖像中的物體與背景分割開來。最后進(jìn)行邊緣檢測(cè)處理，提取所需要部分的圖像邊緣，為下一步的圖像特征提取和圖像識(shí)別做準(zhǔn)備。

圖1 圖像處理流程

2.1 圖像濾波

圖像濾波是為了改善圖像的質(zhì)量，分為空間域?yàn)V波和頻域?yàn)V波［8］，其中空間域?yàn)V波的線性濾波器和非線性濾波器的模糊處理，都可以減小噪聲的干擾。大部分噪聲，像啤酒瓶表面不規(guī)則形狀的異物 （如啤酒瓶表面的氣泡，劃痕等）多半是隨機(jī)的，并且該處的灰度值與其鄰近各點(diǎn)的灰度值有著顯著的不同，可以選擇均值線性空間濾波器對(duì)采集到的圖像進(jìn)行濾波處理。

均值線性空間濾波器能夠有效地抑制噪聲，但是隨著領(lǐng)域半徑的增大，圖像也會(huì)變得愈來愈模糊。為了克服這個(gè)缺點(diǎn)，本文采用的是統(tǒng)計(jì)濾波器中的中值濾波法。其算法原理是，首先確定一個(gè)奇數(shù)像素的窗口W，窗口內(nèi)的各像素按灰度大小進(jìn)行排隊(duì)，之后用其中間位置的灰度值代替原灰度值f（x，y）成為窗口中心的灰度值g（x，y），即

式中：W——選定的窗口大小，f（m－k，n－l）——窗口 W中各像素灰度值。通常窗口內(nèi)的像素取為奇數(shù)，以便于存在中值像素。若窗口內(nèi)的像素為偶數(shù)，則中值像素取其最中間兩個(gè)像素灰度值的平均值。此外，還可以通過多次的濾波處理，以使圖像達(dá)到更好的效果，但是濾波的次數(shù)會(huì)影響到圖像的檢測(cè)精度，所以并不是濾波次數(shù)越多越好，而應(yīng)該合理地去選擇濾波的次數(shù)，只要能達(dá)到檢測(cè)的要求即可。

2.2 二值化

為了將圖像中的物體與背景分割開來，需要對(duì)圖像進(jìn)行二值化。圖像二值化就是將整個(gè)圖像分割成為不同的區(qū)域，從直觀角度講，圖像二值化也就是將一副灰度或彩色圖像變成一副黑白圖像，即二值圖像。在數(shù)字圖像中，二值圖像起著很大的作用。在二值圖像中，通常是用像素1或者255來代表物體 （這里假設(shè)用1），用像素0來代表背景。對(duì)圖像進(jìn)行二值化處理的核心在于如何獲得一個(gè)適合的灰度閾值，使得圖像的二值化處理能達(dá)到一個(gè)最佳的效果。閾值的選擇非常重要，如果選的過大，那么圖像二值化后就會(huì)在物體本身之外產(chǎn)生許多的黑斑，達(dá)不到分辨的目的；如果選的過小，又會(huì)使待檢測(cè)的物體的外形變小，從而導(dǎo)致數(shù)據(jù)的失真。因此，閾值的選擇需要用適當(dāng)?shù)姆椒āＲ话愕?，圖像二值化可以使用以下方法來選擇閾值

式中：t——圖像二值化所選取的閾值。本文采用狀態(tài)法來選取閾值［9］，即先求出給定圖像的灰度直方圖，在圖中的兩個(gè)峰值 （對(duì)應(yīng)于物體和背景）之間的谷底值即所選閾值t，然后以此閾值對(duì)圖像進(jìn)行二值化處理。

2.3 邊緣檢測(cè)

要檢測(cè)出啤酒瓶表面的缺陷，并對(duì)其作進(jìn)一步的識(shí)別和分析，需要對(duì)圖像進(jìn)行邊緣提取。邊緣提取是圖像處理過程中極為重要的一步，顧名思義就是要提取圖像的邊緣。圖像的邊緣是圖像最基本的特征，是圖像分析不可缺少的研究對(duì)象。所謂圖像邊緣是指圖像局部特性的不連續(xù)性，或灰度、結(jié)構(gòu)等信息的突變處。圖像邊緣廣泛存在于物體與背景之間，物體與物體之間，以及基元與基元之間。只要把存在缺陷地方的邊緣處提取出來，就可以通過算法得到這些邊緣像素的特征值，然后對(duì)這些特征值進(jìn)行分析和判斷，就能對(duì)其缺陷進(jìn)行識(shí)別。邊緣檢測(cè)就是一種最常見且最有效的邊緣提取方法。邊緣檢測(cè)的實(shí)質(zhì)是采用某種算法來提取圖像中對(duì)象與背景的交界處，常常用到一些梯度算子［10］。為了能更好地對(duì)圖像進(jìn)行識(shí)別，可以通過使用不同的算子來進(jìn)行檢測(cè)，再從中選擇效果最好的算子對(duì)圖像進(jìn)行邊緣檢測(cè)。下面簡(jiǎn)單地介紹幾種較為常見的邊緣檢測(cè)算子。

坎尼算子 （Canny算子）是一種經(jīng)典的邊緣檢測(cè)算子，它是高斯函數(shù)的一階導(dǎo)數(shù)，是對(duì)信噪比與定位之乘積的最優(yōu)化逼近算子，可以用來尋找圖像的局部最大值。一般地，一個(gè)閾值的判斷往往是不夠的，由于圖像受到噪聲的影響，圖像會(huì)產(chǎn)生斑紋現(xiàn)象［11］，也就是說圖像的邊緣是不連續(xù)的。如果降低閾值，又會(huì)產(chǎn)生一些錯(cuò)誤的邊緣，此時(shí)可以采用Canny的雙閾值方法來解決。

拉普拉斯算子 （Laplacian算子）是一種二階邊緣檢測(cè)算子，它是一個(gè)線性的、移不變的算子，定義為

圖像經(jīng)過二階微分后，在邊緣處會(huì)產(chǎn)生一個(gè)陡峭的零交叉，可以根據(jù)這個(gè)零交叉來判斷圖像的邊緣。拉普拉斯算子一般采用如圖2所示的3×3模板。其特點(diǎn)是：各向同性、線性和位移不變性，對(duì)細(xì)線和孤立點(diǎn)的檢測(cè)效果比較好。但是此方法也存在不足之處，就是邊緣的方向信息容易丟失，常常產(chǎn)生雙像素的邊緣，而且對(duì)噪聲有雙倍加強(qiáng)的作用。

圖2 拉普拉斯算子

由于圖像邊緣處的一階微分 （梯度）是極值點(diǎn)，二階微分是零點(diǎn)，而確定零點(diǎn)的位置要比確定極值點(diǎn)的位置容易和精確的多，所以一般使用二階微分進(jìn)行處理。但是二階微分對(duì)噪聲更為敏感［12］，所以在通常情況下，對(duì)圖像進(jìn)行拉普拉斯算子進(jìn)行邊緣檢測(cè)之前，需要對(duì)圖像進(jìn)行平滑濾波處理，一般采用的是高斯濾波器。如果把高斯濾波器和拉普拉斯銳化濾波器結(jié)合起來，先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)，此方法便是高斯拉普拉斯算子 （Log算子）邊緣檢測(cè)法。Log算子一般采用如圖3所示的5×5模板。

圖3 Log算子

在用Log算子中，對(duì)邊緣判斷所采用的技術(shù)是零交叉檢測(cè)。本文把零交叉檢測(cè)方法改進(jìn)一下，用推廣的Log算子對(duì)圖像進(jìn)行邊緣檢測(cè)。具體做法就是在邊緣檢測(cè)之前使用指定的濾波器對(duì)圖像進(jìn)行濾波，再尋找零交叉點(diǎn)作為邊緣即可，這里需要注意的是指定濾波器的選擇非常重要，需要考慮圖像的各種因素，一般通過不同濾波器的效果比較來選取，這樣才能夠達(dá)到理想的檢測(cè)效果。

3 圖像識(shí)別

圖像識(shí)別即模式識(shí)別，是研究圖像或各種物理對(duì)象與過程的分類和描述的學(xué)科［13］。傳統(tǒng)的模式識(shí)別一般是指對(duì)客觀事物進(jìn)行分析，然后做出判斷的過程，是人類的重要功能之一?，F(xiàn)在常用模式識(shí)別來指應(yīng)用計(jì)算機(jī)技術(shù)就人類對(duì)周圍世界的客體，過程和現(xiàn)象的識(shí)別功能進(jìn)行自動(dòng)的模擬。粗略地說，圖像識(shí)別就是把一種研究對(duì)象，根據(jù)某些特征進(jìn)行識(shí)別和分類。

特征提取和分類是圖像識(shí)別的關(guān)鍵。特征提取就是對(duì)物體進(jìn)行度量，一個(gè)度量就是一個(gè)物體某個(gè)可以度量性質(zhì)的值，而特征是一個(gè)或多個(gè)度量的函數(shù)，如物體的長度，面積，體積等。經(jīng)過特征提取后會(huì)產(chǎn)生一組特征值［14］，將它們組合在一起，就形成了特征向量。圖像分類僅僅是一種決策，是為了確定每個(gè)物體應(yīng)該歸屬于哪個(gè)類別，是通過一個(gè)分類的過程來實(shí)現(xiàn)的。每個(gè)物體被指定屬于若干預(yù)先已經(jīng)定義好的類別，這些類別代表了預(yù)期存在于圖像中物體的所有可能的類別，而分類是以特征向量為依據(jù)的［15］。圖像經(jīng)過邊緣檢測(cè)得到圖像邊緣之后，就可以通過算法提取邊緣的幾何特征，并計(jì)算出邊緣的幾何量，為下一步的啤酒瓶分類做準(zhǔn)備。

分類的方法有很多種，監(jiān)督分類法是一種常見的統(tǒng)計(jì)分類方法。所謂監(jiān)督分類法就是根據(jù)預(yù)先已知類別名的訓(xùn)練樣本，求出給類在特征空間的分布，然后利用它對(duì)未知數(shù)據(jù)進(jìn)行分類。分類過程如下：

（1）根據(jù)通過類別名選定的訓(xùn)練樣本，求出給類特征向量分布的判別函數(shù)g1～gc（c為類別名），此過程稱為學(xué)習(xí)。

（2）對(duì)于待分類的特征向量 （模式）X＝ （x1，x2，…xn），計(jì)算各判別函數(shù)的值。

（3）在g1（X）～gc（X）中選擇最大者，把模式X分到這個(gè)類別中。

分類過程中用到了判別函數(shù)，常見的判別函數(shù)如下：

歐幾里得距離為

本文采用監(jiān)督分類法中的最近領(lǐng)域分類法，它是用一組標(biāo)準(zhǔn)模式代表一個(gè)類，所求距離即一個(gè)模式同一組模式之間的距離。求出與模式X最近的訓(xùn)練樣本或者各類的平均值，便可以把X分到這個(gè)類當(dāng)中。

通過圖像識(shí)別，即特征提取和分類的過程，便可以把無缺陷的啤酒瓶分為一類，把有缺陷的啤酒瓶分為一類，接著又可以對(duì)有缺陷的啤酒瓶分類，如有氣泡的啤酒瓶分為一類，把劃痕的啤酒瓶分為一類，依此類推。最后根據(jù)分類的結(jié)果，由計(jì)算機(jī)通過判斷發(fā)出剔除控制指令，控制硬件系統(tǒng)將存有缺陷的啤酒瓶剔出流水線。之后還可以對(duì)被剔出流水線的存有不同類別缺陷的啤酒瓶的圖像數(shù)據(jù)做進(jìn)一步的統(tǒng)計(jì)、處理和分析，為以后的生產(chǎn)提供了可靠的質(zhì)量保證依據(jù)，這樣便完成了整個(gè)啤酒瓶的檢測(cè)過程。

4 實(shí)驗(yàn)結(jié)果與分析

本文使用MATLAB 7.0作為圖像處理系統(tǒng)的仿真平臺(tái)。MATLAB中的圖像處理工具箱不僅操作方便，而且功能強(qiáng)大，利用這些工具箱所提供的圖像處理函數(shù)，并結(jié)合其強(qiáng)大的數(shù)據(jù)處理能力，可以大大地提高工作效率［16］。更重要的是，MATLAB還能夠提供C／C＋＋數(shù)學(xué)庫，可以將M文件編譯成為CPP文件，并添加到VC＋＋工程中，實(shí)現(xiàn)VC＋＋和MATLAB的混合編程，使得應(yīng)用程序可以脫離MATLAB環(huán)境獨(dú)立地運(yùn)行，大大地簡(jiǎn)化了將來使用VC＋＋進(jìn)行圖像處理系統(tǒng)部分的開發(fā)。

首先，通過圖像獲取系統(tǒng)對(duì)啤酒瓶的整個(gè)瓶身進(jìn)行圖像成像、CCD模／數(shù)轉(zhuǎn)換、圖像采集和圖像傳輸存儲(chǔ)處理，得到的原始圖像 （數(shù)據(jù)）為256×256的灰度圖像矩陣，如圖4所示。從圖中可以看出，圖像中存在著噪聲的干擾，效果比較差，本文采用中值濾波法對(duì)圖像進(jìn)行濾波處理，得到的圖像效果如圖5所示。從圖中可以看出，經(jīng)過中值濾波后，圖像效果有所增強(qiáng)，對(duì)比度有所提高，圖像的質(zhì)量得到了改善。

通過中值濾波，圖像的噪聲相對(duì)減少，接下來就需要對(duì)圖像進(jìn)行二值化處理，把圖像的背景與物體分割開來。二值化之前需要確定閾值，本文采用狀態(tài)法選取閾值，先求出圖像的灰度直方圖，然后從圖中找到二值化所需的閾值。圖6為中值濾波后圖像的灰度直方圖。從圖中可以看出，灰度值分布中存在兩個(gè)峰值，而在它們之間恰好有一個(gè)灰度谷底，可以看出此灰度谷底值為T0＝0.15，這便是進(jìn)行圖像二值化的最優(yōu)閾值。以此閾值進(jìn)行二值化，得到的圖像效果如圖7所示。從圖中可以看出，經(jīng)過二值化后，圖像中的物體和背景被分離開來。

接下來需要通過邊緣檢測(cè)提取圖像的邊緣，以找到啤酒瓶的缺陷所在。本文分別采用4種不同的方法對(duì)二值化后的圖像進(jìn)行邊緣檢測(cè) （閾值均取T0＝0.03），檢測(cè)后的圖像效果如圖8所示。圖8（a）采用的是文獻(xiàn) ［3］中的方法，圖8（b）采用的是文獻(xiàn) ［4］中的方法，圖8（c）采用的是Log算子邊緣檢測(cè)法，圖8（d）采用的是本文推廣的Log算子邊緣檢測(cè)法。由實(shí)驗(yàn)結(jié)果可以看出，各方法均可以檢測(cè)到圖像邊緣的輪廓，但從對(duì)比中可以看出，前3種方法檢測(cè)到的邊緣輪廓不夠規(guī)則和清晰，呈現(xiàn)出不連續(xù)的狀態(tài)，有效邊緣很少并且存在偽邊緣，目標(biāo)和偽邊緣不能很好的區(qū)分開來。而本文采用的方法能夠檢測(cè)到更多的邊緣信息，輪廓比較規(guī)則和清晰，是封閉的連續(xù)曲線，均是有效邊緣并且沒有偽邊緣產(chǎn)生，目標(biāo)和偽邊緣可以很好的區(qū)分開來，這樣便有助于接下來邊緣特征值的提取和其它的處理工作。實(shí)驗(yàn)結(jié)果表明，本文采用的圖像檢測(cè)方法，提高了圖像的檢測(cè)效果，能夠更精確地找到啤酒瓶的缺陷所在。

圖8 不同方法邊緣檢測(cè)后的圖像

檢測(cè)到邊緣之后，就可以通過算法提取邊緣的幾何特征，這里可以用邊緣對(duì)應(yīng)的面積 （像素的面積）作為特征值。最后利用最近領(lǐng)域分類法判別缺陷的種類，將這些有缺陷的啤酒瓶剔除出流水線。還可以對(duì)被剔除出的啤酒瓶的圖像數(shù)據(jù)做進(jìn)一步的統(tǒng)計(jì)、處理和分析，這樣為將來保證啤酒瓶的生產(chǎn)質(zhì)量提供了可靠的依據(jù)。

5 結(jié)束語

為了提高啤酒瓶的檢測(cè)效果，本文將機(jī)器視覺技術(shù)應(yīng)用于啤酒瓶檢測(cè)系統(tǒng)當(dāng)中，利用較為合理的圖像采集、圖像處理和圖像識(shí)別方法，設(shè)計(jì)一個(gè)完整的啤酒瓶檢測(cè)系統(tǒng)方案。實(shí)驗(yàn)結(jié)果表明，在一定的條件下，該系統(tǒng)能夠有效地對(duì)啤酒瓶進(jìn)行檢測(cè)，可以將有缺陷的啤酒瓶進(jìn)行分類，并通過計(jì)算機(jī)指令將其剔除出流水線。通過實(shí)驗(yàn)結(jié)果的比較，本文采用的圖像處理方案提高了檢測(cè)效果，準(zhǔn)確率更高，效果更好，并且系統(tǒng)對(duì)機(jī)械裝置的要求不高，具有一定的可行性和現(xiàn)實(shí)意義。本文的研究是基于灰度圖像進(jìn)行的，如何在彩色圖像上達(dá)到相同甚至更好的效果，將是下一步所研究的。

［1］LIU Jinqiao，WU Jinqiang.Development of machine vision system and its application ［J］.Mechanical Engineering and Automation，2010 （1）：215－216 （in Chinese）.［劉金橋，吳金強(qiáng).機(jī)器視覺系統(tǒng)發(fā)展及其應(yīng)用 ［J］.機(jī)械工程與自動(dòng)化，2010 （1）：215－216.］

［2］LEI Wenhua.The first lecture of machine vision application：the overview of the machine vision ［J］.Journal of Applied Optics，2006，27 （5）：467－470 （in Chinese）.［雷文華.機(jī)器視覺及其應(yīng)用第一講：機(jī)器視覺概述 ［J］.應(yīng)用光學(xué)，2006，27 （5）：467－470.］

［3］LI Xin.Design and development of empty bottle inspection system based on machine vision ［D］.Jinan：Shandong University，2006：7－9 （in Chinese）.［李欣.基于機(jī)器視覺的啤酒瓶空瓶檢測(cè)機(jī)設(shè)計(jì)開發(fā) ［D］.濟(jì)南：山東大學(xué)，2006：7－9.］

［4］GAO Shaosong，F(xiàn)AN Hongda，YU Wei.A Glass inspection system based on machine vision ［J］.Journal of Naval Aeronautical Engineering Institute，2006，21 （2）：40－41 （in Chinese）.［高紹嵩，范洪達(dá)，魏宇.基于機(jī)器視覺的玻璃瓶檢測(cè)系統(tǒng) ［J］.海軍航空工程學(xué)院學(xué)報(bào)，2006，21 （2）：40－41.］

［5］FENG Duan，YAO Nanwang，HUAN Junliu，et al.A machine vision inspector for beer bottle ［J］.Engineering Applications of Artificial Intelligence，2007，20 （1）：1013－1021.

［6］JIANG Lei，HAN Chenjiang，YU Hualong，et al.Study on application of machine vision system in the beverage industry［J］.Science and Technology of Food Industry，2010，31（5）：384－385 （in Chinese）.［姜磊，韓承江，于化龍，等.基于機(jī)器視覺系統(tǒng)在飲料行業(yè)中的應(yīng)用研究 ［J］.食品工業(yè)科技，2010，31 （5）：384－385.］

［7］TAN Gan，DONG Xianglong，XU Ji，et al.Detection of defects glass surface based on machine vision ［J］.Journal of Shanghai University of Engineering Science，2009，23 （2）：40－41（in Chinese）.［譚剛，懂祥龍，徐繼，等.基于機(jī)器視覺的玻璃瓶表面缺陷檢測(cè) ［J］.上海工程技術(shù)大學(xué)學(xué)報(bào)，2009，23 （2）：40－41.］

［8］YANG Fan.Digital image process and analysis ［M］.Beijing：Beihang University Press，2007 （in Chinese）.［揚(yáng)帆.數(shù)字圖像處理與分析 ［M］.北京：北京航空航天大學(xué)出版社，2007.］

［9］ZHANG Tiantian.The research on vision－based beer finish inspector［D］.Jinan：Shandong University of Scieneeand Technology，2009：18－20 （in Chinese）.［張?zhí)锾?基于機(jī)器視覺的啤酒瓶瓶口檢測(cè)系統(tǒng)的研究 ［D］.濟(jì)南：山東科技大學(xué)，2009：18－20.］

［10］JIA Yonghong.Digital image process ［M］.Wuhan：Wuhan University Press，2010（in Chinese）.［賈永紅.數(shù)字圖像處理 ［M］.武漢：武漢大學(xué)出版社，2010.］

［11］SHEN Yuming，YANG Zhengbing.Techniques of machine vision applied in detection of copper strip surface’s defect ［J］.Elec－tronic Measurement Technology，2010，33 （4）：66－67 （in Chinese）.［沈昱明，楊征兵.機(jī)器視覺在銅帶表面缺陷檢測(cè)系統(tǒng)中的應(yīng)用 ［J］.電子測(cè)量技術(shù)，2010，33 （4）：66－67.］

［12］SONG Zhenhui，ZHAO Li.A material edge detection algorithm based on machine vision ［J］.Microel Eectronics and computer，2010，27 （6）：154－156 （in Chinese）.［宋振輝，趙理.一種基于機(jī)器視覺的材質(zhì)邊緣檢測(cè)算法 ［J］.微電子學(xué)與計(jì)算機(jī)，2010，27 （6）：154－156.］

［13］FAN Linan，HAN Xiaowei，ZHANG Guangyuan.Image process and pattern recognition［M］.Beijing：Science Press，2007（in Chinese）.［范立南，韓曉薇，張廣淵.圖像處理與模式識(shí)別 ［M］.北京：科學(xué)出版社，2007.］

［14］LI Wenjin，WU Haibin，HE Zuen.Research on mechanical measure and recognition system based on machine vision ［J］.Mach Ine Tool and Hydraul Ics，2010，38 （1）：19－21 （in Chinese）.［李文錦，吳海彬，何祖恩.基于機(jī)器視覺的機(jī)械測(cè)量及識(shí)別技術(shù)研究 ［J］.機(jī)床與液壓，2010，38 （1）：19－21.］

［15］YAN Jiangfeng，MAO Enrong.Vehicle parking detection on express way using computer vision ［J］.Computer Engineering and Design，2007，28 （16）：4025－4026 （in Chinese）.［顏江峰，毛恩榮.基于機(jī)器視覺的高速公路車輛停車檢測(cè)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2007，28 （16）：4025－4026.］

［16］WANG Jiawen，CAO Yu.Graphics image process of MATLAB 7.0 ［M］.Beijing：National Defence Industry Press，2006（in Chinese）.［王家文，曹宇.MATLAB 7.0圖形圖像處理 ［M］.北京：國防工業(yè)出版社，2006.］