瓶裝食用油異物檢測算法

董 蓉，紀娟娟

(1.南通大學 電子信息學院，江蘇 南通 226019； 2.安慶師范學院 物理與電氣工程學院，安徽 安慶 246133)

瓶裝食用油異物檢測算法

董 蓉1，紀娟娟2

(1.南通大學 電子信息學院，江蘇 南通 226019； 2.安慶師范學院 物理與電氣工程學院，安徽 安慶 246133)

現(xiàn)有的基于旋轉(zhuǎn)-急停平臺上序列圖像分析的瓶裝液體異物檢測方法不適用于食用油生產(chǎn)線。文章提出一種基于單幀圖像的瓶裝食用油異物檢測算法。首先利用均值漂移算法實現(xiàn)食用油的彩色圖像分割，提取油體興趣域；其次，利用積分圖像快速估計油體區(qū)域的光強分布，并對甁壁高光、暗黑背景造成的干擾進行光強誤差校正；最后結(jié)合異物區(qū)域相較油體區(qū)域偏暗的準則實現(xiàn)異物檢測。在實際生產(chǎn)線上的實驗表明，所提算法能夠自適應瓶身以及瓶間不同的光照變化，檢測正確率高。

異物檢測；均值漂移；圖像分割；積分圖像

瓶裝液體如藥液、酒飲、食用油等生產(chǎn)過程中的質(zhì)量控制十分重要。瓶裝液體出廠之前，均需經(jīng)過人工燈檢瓶內(nèi)有無異物，由操作工輪班值崗，緊盯燈檢平臺上經(jīng)過的產(chǎn)品，燈光刺激影響工人身體健康，視覺疲勞極易導致漏檢。在工業(yè)化大規(guī)模高速高效生產(chǎn)的背景下，國內(nèi)外研究者試圖通過機器視覺替代人眼視覺解決人工燈檢成本高、效率低的問題，利用高速工業(yè)相機拍攝瓶裝液體圖像，通過各種圖像分析算法檢測異物。背景減除法是常用的一種異物初檢方法，減除背景后往往采用卡爾曼濾波跟蹤[1]或Meanshift跟蹤[2]來進一步識別異物；也有研究者利用幀差法初檢異物，并結(jié)合其他方法進行精確定位，如Liu[3]結(jié)合模糊C均值和模糊SVM精確定位異物；秦垚等人[4]利用圖像的絕對差分值、局部差分對比度、局部相關(guān)系數(shù)3個特征分別構(gòu)建3個級聯(lián)的分類器來進一步判定異物，隨后為解決幀差法中的液面噪聲干擾，又提出先分割出液面區(qū)域[5]，楊雙等人[6]將概率加權(quán)閾值分割引入到幀差法中以去除噪聲；張輝等人[7]通過2維最大熵閾值分割圖像定位異物；Ge等人[8]利用脈沖耦合神經(jīng)網(wǎng)絡分割異物；不同于以上方法，文獻[9-11]采用光阻法檢測瓶內(nèi)異物，利用異物的消光效應，通過分析光電傳感器上接收到的光強變化信號來識別異物。

但是，不管是攝像法中的背景減除或幀差，還是光阻法，均需利用持續(xù)一段時間的圖像序列或者光強信號方可進行檢測，因此要求事先搭建高速旋轉(zhuǎn)的機械平臺，讓待檢瓶體旋轉(zhuǎn)-急停再采集信號。這種方式適用于尺寸較小的瓶裝液體，如安瓿瓶、啤酒瓶等，而瓶裝食用油體積較大，旋轉(zhuǎn)-急停方式不合適，另外，在已建好的食用油生產(chǎn)線上往往難以再插入旋轉(zhuǎn)急停機械平臺，為此，本文提出一種針對瓶裝食用油的異物檢測算法，僅利用單幀圖像進行分析，通過基于mean-shift彩圖分割的興趣域提取、基于積分圖像的異物檢測、光強誤差校正等環(huán)節(jié)實現(xiàn)油瓶內(nèi)異物的快速有效檢測。

1 異物檢測算法

異物檢測的硬件設置如圖1所示，在生產(chǎn)線走向的垂直方向搭設檢測平臺，采用兩塊平面光源背光照明，對經(jīng)過的油瓶逐一拍照檢測。由于食用油剛剛灌入瓶內(nèi)時會產(chǎn)生較多氣泡，氣泡散射光線將掩蓋住透明油體背后的雜亂背景以及油瓶標簽，為基于單幀圖像的異物檢測提供便利。

圖1 系統(tǒng)硬件設置示意

1.1 興趣域提取

由于生產(chǎn)線車間中會有工人走動以及其他背景干擾，因此需先提取油體興趣域再檢測。由于油瓶占據(jù)整幅圖像的大半部分，油體顏色分布較為集中，如圖2(a)所示，因此采用基于mean-shift(均值漂移)的圖像分割算法。

用(x,y,c1,c2,c3)=(Xs,Xr)5維特征向量描述每個像素點，(x,y)為空間坐標，(c1，c2，c3)為色彩特征，對彩色圖像進行分割，實際上是尋找分別在空間((Δx)2+(Δy)2<(ds)2)上和色彩((Δc1)2+(Δc2)2+(Δc3)2<(dr)2)上都符合鄰近規(guī)則的像素的集合，ds、dr分別為空間和色彩域中控制分割結(jié)果精細程度的閾值。Mean-shift分割的基本思想是，在整幅圖像的特征數(shù)據(jù)空間中計算核密度分布的極值點，用極值點的色彩值替代符合鄰近規(guī)則的像素的色彩值，從而形成各個分割區(qū)。

給定d維空間的n個數(shù)據(jù)點Xi，i=1,2,…，n，利用核函數(shù)K(X)對點X處的核密度估計為

其中h為帶寬參數(shù)，ck,d為歸一化系數(shù)，k(x)為核輪廓函數(shù)，通常選擇k(x)=exp(-0.5x)，x≥0產(chǎn)生高斯核。通過mean-shift向量的迭代運算可迅速獲得該密度分布極值點：

1)對初始位置X0，計算其mean-shift向量M(X0)：

其中g(shù)(x)=-k′(x)。

2) 估計下一位置：X1=X0+M(X0)。

3) 如果|X1-X0|<ε，則說明已找到極值點，否則返回1)，繼續(xù)迭代。

對于彩色圖像分割，由于特征數(shù)據(jù)包含空間和色彩兩種不同性質(zhì)的信息，因此，采用兩個具有獨立帶寬參數(shù)的核函數(shù)乘積形式的多變量核：

2)將Zi中空域距離小于ds，色彩域距離小于dr的像素分為一組，實現(xiàn)分割。

分割結(jié)束后，選擇分割結(jié)果中面積最大的連通域作為候選油體，如圖2(b)所示。為了避免由于噪聲、高光、陰影等干擾導致的候選油體空洞，對候選油體再進行形態(tài)學操作，獲得最終的油體興趣域，如圖2(c)所示。

1.2 異物檢測

油體內(nèi)氣泡分布往往不均勻，導致同一油瓶內(nèi)不同區(qū)域亮度變化較大，另外，不同的油瓶中氣泡數(shù)量不同，導致不同的油瓶成像后亮度水平不等，因此算法必須具有光照自適應性?？紤]到異物將阻擋光線通過而使得異物區(qū)域亮度明顯低于周圍油體亮度，因此通過估計局部區(qū)域的光照亮度來進行異物檢測。生產(chǎn)線上油瓶移動較快，為保證算法實時性，采用積分圖像法來提高算法速度。

對圖像G(x,y)，它的積分圖I(x,y)定義為

積分圖可以用下式所示迭代算法快速獲得：

I(x,y)=I(x-1,y)+I(x,y-1)-

I(x-1,y-1)+G(x,y)

(1)

對圖像G(x,y)，其中任意矩形區(qū)域D的像素積分可由積分圖快速計算，設矩形區(qū)域D從左上角頂點開始順時針方向的4個頂點依次為(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，則D區(qū)域的積分R(D)如下式計算：

R(D)=I(x3,y3)-I(x2,y2)-

I(x4,y4)+I(x1,y1)。

由上式可見，若區(qū)域D尺寸為M×N，則正常情況下需要M×(N-1)次加法運算的積分操作，而采用積分圖加速后僅需3次加法運算，可極大提高處理速度。

基于積分圖像的異物檢測的具體步驟為，

1)根據(jù)(1)式求取G(x,y)的積分圖I(x,y)；

2)對任意點(x,y)求取其局部光照強度E(x,y)，利用以點(x,y)為中心的大小為dw×dh的窗口區(qū)域內(nèi)的像素積分求取E(x,y)：

(2)

3)如果該像素點亮度G(x,y)與局部光照強度E(x,y)滿足E(x,y)-G(x,y)>Gth，其中Gth為閾值，則判定點(x,y)為異物點。

1.3 光照誤差校正

利用(2)式求取局部光照強度時，油瓶邊緣處的估計值會受到暗黑背景和邊緣高光的影響，導致靠近邊緣處的光強估計偏弱或偏強，為此，需對邊緣光照進行校正?？紤]到提取油體興趣域時，暗黑背景和邊緣高光都被排除在興趣域之外，設興趣域二值圖為F(x,y)，T[·]表示求積分圖運算，令H(x,y)=T[F(x,y)]，I′(x,y)=T[G(x,y)F(x,y)]，光照強度校正為

2 實驗及分析

在實際食用油生產(chǎn)線上運行所提算法，運行平臺配置為Window 7系統(tǒng)，Visual Studio 2013軟件，intel i5 CPU，4 G內(nèi)存。攝像機采集圖像大小為2 448×2 050，算法相關(guān)參數(shù)配置為dw=dh=30，Gth=30，mean-shift分割的空間閾值ds=10，色彩閾值dr=15。

圖3為采集的原始油瓶圖像，圖4為利用mean-shift分割算法提取的興趣域，圖5為利用積分圖像所估計的局部光照強度圖E(x,y)，圖6為本文所提算法檢測結(jié)果，為便于觀察，結(jié)果圖中將油體區(qū)域顯示為黑色，異物和周圍環(huán)境顯示為白色，異物輪廓用灰色線條勾出。圖7、圖8為利用Opencv中OTSU算法和自適應高斯均值法獲得的檢測結(jié)果。

由圖3可見，同一油瓶內(nèi)光強分布的變化十分明顯，上下兩端較暗，左右兩端較亮，不同的油瓶，光強分布也明顯不同，因此如果采用統(tǒng)一閾值法進行異物分割必導致很多誤檢或漏檢。由圖5可見，積分圖算法對不同油瓶不同區(qū)域的光強可以進行快速有效的估計，相當于獲得自適應的異物分割閾值。由圖6可見，本文所提算法能夠準確定位瓶中異物。生產(chǎn)線上測試結(jié)果表明，所提算法誤檢率約2%，漏檢率約5%。由圖7、圖8可見，OTSU算法和高斯均值法雖然也采用了自適應閾值，但是OTSU對不均勻光照的適應性不夠，在瓶底產(chǎn)生較多誤檢，而自適應高斯均值法適用于細長目標，對較寬較大目標容易漏檢。

圖3 待檢油瓶圖像

3 結(jié)論

文章提出一種針對瓶裝食用油異物的自動檢測算法。不同于現(xiàn)有技術(shù)中利用旋轉(zhuǎn)-急停方式獲取序列圖像來檢測瓶裝液體中的異物，文章僅利用單幀圖像進行分析，通過mean-shift彩色圖像分割獲得油體興趣域，采用積分圖像快速估計油瓶不均勻光照，在此基礎上識別異物。該算法能夠自適應于不同油瓶的不統(tǒng)一光照以及同一油瓶上的不均勻光照，相較于其他自適應檢測算法，檢測正確率更高。

[1]邱新華, 謝云. 卡爾曼濾波的安瓿針劑雜質(zhì)檢測算法研究[J]. 計算機仿真, 2014, 31(1): 220-223.

[2]王美珍, 王玲, 趙文嫻. 醫(yī)藥大輸液中可見微小異物檢測方法研究[J]. 計算機工程與應用, 2012, 48(34): 190-194.

[3]H. J. Liu. A novel vision based inspector with light [J]. Applied Mechanics and Materials, 2013, 268: 1916-1921.

[4]秦垚, 王伯雄, 李偉. 應用級聯(lián)分類器檢測安瓿內(nèi)弱小運動目標[J]. 光學精密工程, 2012, 20(1): 190-196.

[5]秦垚, 王伯雄, 李偉. 基于液面分割的安瓿內(nèi)漂浮小目標檢測算法[J]. 清華大學學報(自然科學版), 2012, 52(1): 21-24.

[6]楊雙, 王耀南. 高速醫(yī)藥生產(chǎn)線上安瓿溶液異物在線檢測與跟蹤方法[J]. 儀器儀表學報, 2011, 32(3):488-494.

[7]張輝, 王耀南, 周博文. 基于機器視覺的保健酒可見異物檢測系統(tǒng)研究與開發(fā)[J]. 儀器儀表學報, 2009, 20(5): 973-979.

[8]J. Ge, Y. N. Wang, B. W. Zhou. Intelligent foreign particle inspection machine for injection liquid examination based on modified pulse-coupled neural networks [J]. Sensors, 2009, 9: 3386-3404.

[9]梁明亮, 黃梅珍, 孫振華, 等. 基于光阻法的藥液中異物信號分析及光路優(yōu)化[J]. 上海交通大學學報, 2014, 48(10): 1357-1361.

[10]曾濤, 黃梅珍, 梁明亮, 等. 安瓿瓶內(nèi)雜質(zhì)檢測的信號處理方法[J]. 上海交通大學學報, 2013, 47(6): 998-1002.

[11]王馥宇, 黃梅珍, 曾濤, 等. 針劑中異物的光電檢測方法研究[J]. 光子學報, 2012, 41(3): 375-378.

Impurity Detection Algorithm for Bottles Filled with Edible Oil

DONG Rong1, JI Juan-juan2

(1.School of Electronics and Information, Nantong University, Nantong 226019, China；2.School of Physics and Electronic Engineering, Anqing Teachers College, Anqing 246133, China)

Existing impurity detection algorithm based on analysis of sequencial images captured from rotating-scramimg platform for bottles filled with liquid is not applicable for edible oil production lines. In this paper, an impurity detection algorithm for bottles filled with edible oil using a single image is proposed. First of all, mean-shift algorithm is used to segment the edible oil image, and region of interest is extracted. Secondly, the illumination distribution is fast estimated using integral image technique, and interference errors caused by highlights at the walls of the bottles and dark backgrounds are corrected. Finally, impurities are detected based on the principle that the image areas of foreign substances are darker than the oil regions. Experiments on the factual production lines show that the presented algorithm is adaptive to illuminant variations on the same bottle or between different bottles, and has high detection accuracy.

impurity detection, mean-shift, image segmentation, integral image

2015-09-16

國家自然科學基金(61401239)和南通市應用研究計劃項目(BK2014066)。

董蓉，女，江蘇南京人，博士生，南通大學電子信息學院講師，主要研究方向為計算機視覺、視頻圖像處理；紀娟娟，女，安徽毫州人，博士，安慶師范學院物理與電氣工程學院講師，主要研究方向為信號處理。

時間：2016-1-5 13:01 網(wǎng)絡出版地址：http://www.cnki.net/kcms/detail/34.1150.N.20160105.1301.015.html

TN911.73

A

1007-4260(2015)04-0061-04

10.13757/j.cnki.cn34-1150/n.2015.04.015