基于機器視覺的圓形馬口鐵罐罐口缺陷檢測

張宏釗周松斌劉偉鑫

（1.廣東省自動化研究所廣東省現(xiàn)代控制與光機電技術公共實驗室廣東省現(xiàn)代控制技術重點實驗室2.廣東工業(yè)大學自動化學院）

基于機器視覺的圓形馬口鐵罐罐口缺陷檢測

張宏釗1,2周松斌1劉偉鑫1

（1.廣東省自動化研究所廣東省現(xiàn)代控制與光機電技術公共實驗室廣東省現(xiàn)代控制技術重點實驗室2.廣東工業(yè)大學自動化學院）

提出一種針對圓形馬口鐵罐罐口的視覺檢測算法。首先采用PSNR和SSIM指標分析圖像質量，并對圖像進行平滑、濾波、去噪、灰度化等預處理，采用最大類間方差法分離出罐口區(qū)域；然后應用OpenCV視覺庫的識別區(qū)域函數，檢測二值化圖像連通域中的輪廓，并對輪廓區(qū)域做特征分析，確定罐口輪廓位置；再應用最小二乘擬合橢圓算法，擬合罐口的輪廓曲線和輪廓圓心；最后把擬合橢圓離散化為360份進行掃描采樣，對采樣點做像素分析，獲得偏差分析帶圖，可對罐口出現(xiàn)的缺口、長短角、變形等問題進行定量和定位分析。

機器視覺；馬口鐵罐；缺陷檢測；PSNR；SSIM；最大類間方差法；最小二乘擬合橢圓；OpenCV視覺庫

0 引言

馬口鐵罐是一種常見的金屬包裝罐，采用薄鐵皮加工制成，根據瓶底和側面是否一體，劃分為兩片罐和三片罐。為增強罐體的強度，需對制成的罐體進行收口和凸緣成型，在這過程中可能會對罐口產生破壞，造成缺口、長短角、罐口變形等缺陷，這些缺陷會對封蓋工藝流程產生不良后果，進而影響產品質量。

目前大部分罐口缺陷檢測主要依靠人工，存在效率低、精度差、勞動強度高、工作環(huán)境惡劣等問題。應用機器視覺進行缺陷檢測已成為生產線上解決此類問題的重要手段。由于罐口缺陷種類繁多，自動檢測難度大，系統(tǒng)結構復雜，導致誤檢率高，限制了罐口自動檢測系統(tǒng)在行業(yè)中的應用。

本文提出基于機器視覺的圓形馬口鐵罐罐口缺陷檢測算法，應用形態(tài)學區(qū)域提取算法獲取罐口輪廓，并對輪廓離散化采樣，生成形位偏差帶圖，可對罐口區(qū)域的缺陷類型和缺陷位置，進行精確定位，提高檢測系統(tǒng)的穩(wěn)定性和可靠性。

1 算法思想

罐口缺陷檢測算法結構圖如圖1所示。算法實現(xiàn)步驟如下：1)采集目標對象，采用峰值信噪比（peak signal to noise ratio，PSNR）和結構相似性（structural similarity，SSIM）指標分析圖像質量，以獲得高信噪比、高對比度的清晰圖像；2)圖像預處理，將圖像進行平滑、濾波、去噪、灰度化處理；3)采用最大類間方差法分離出罐口區(qū)域；4)對輪廓區(qū)域進行特征分析，精確定出罐口輪廓位置；5)應用最小二乘擬合橢圓算法，擬合出罐口的輪廓曲線和橢圓中心；6)把擬合橢圓離散化后，進行掃描采樣，對采樣點做特征分析；7)獲得行位偏差分析帶圖；8)針對罐口出現(xiàn)的缺口、長短角、變形等問題進行定量和定位分析。

2 采集目標對象

根據生產工藝的差異，罐體常見的縱向接合方法有透明膠封邊（如圖2所示）和白膠封邊（如圖3所示），從而導致了罐口圖像的差異，該差異會影響后續(xù)算法對罐口的不同處理方法。圖2和圖3是相機在線采集的圖像。

圖1 罐口缺陷檢測算法結構圖

圖2 透明膠封罐口

圖3 白膠膠封罐口

為增強罐口與背景圖像的對比度，突出目標對象，使獲得的圖像具有較好的質量和清晰的輪廓。本文分別采用PSNR和SSIM指標進行圖像質量判別。PSNR是一種全參考的圖像質量評價指標，其原理如式(1)、式(2)。

其中，H、W為圖片的高度和寬度；X( i, j)是原圖像坐標灰度值，Y( i, j)是參考圖像坐標灰度值；n為每像素的比特數。

SSIM也是一種全參考的圖像質量評價指標。其中，l( X, Y)、c( X, Y)、s( X, Y)分別為圖像的亮度、對比度、結構屬性強弱。

罐口出現(xiàn)的缺陷通常有缺口、長短角和罐口變形3類。罐口缺陷圖如圖4、圖5所示。圖4中A位置和B位置相比，罐口厚度出現(xiàn)明顯變化（罐口變形），C位置出現(xiàn)較大缺口（缺口）；圖5中D位置明顯可見罐口輪廓邊緣出現(xiàn)厚度跳變（長短角），E位置和F位置厚度相差較大（罐口變形）。

圖4 罐口缺陷圖

圖5 罐口缺陷圖

3 圖像預處理

將圖像依次經過灰度化、均衡化后進行圖像分割?；叶然蓽p少圖像傳輸、處理時間；直方圖均衡化增強圖像對比度；圖像分割可獲得突出目標對象。本文測試了雙峰法、最大類間方差法和迭代法3種閾值分割的效果。實驗表明，采用最大類間方差法獲取的閾值較為理想。圖3和圖5二值化處理后如圖6、圖7所示。

圖6 白膠封邊閾值分割

圖7 透明膠封邊閾值分割

4 提取區(qū)域輪廓

本文采用OpenCV庫中的findContours函數提取區(qū)域輪廓。為了識別罐口區(qū)域，需對識別到的所有區(qū)域做特征分析。ContourArea()、arcLength()是OpenCV內可以測量輪廓面積和輪廓長度的函數。常見的做法是利用迭代法遍歷存在輪廓的向量，并根據相應的先驗經驗結合輪廓的長度以及輪廓面積設置篩選條件。

5 最小二乘橢圓擬合

罐口輪廓是由內外兩條線條組合而成，當罐沒有出現(xiàn)缺口、變形、長短角等情況時，瓶口輪廓曲線是一對標準的同心圓，但由于瓶罐處于高速運動中，攝像機捕捉到的罐口輪廓并非標準的圓形，而是橢圓形，由此本文在識別到罐口輪廓后，采用最小二乘法再結合橢圓的參數方程確定擬合而成的近似圓輪廓和中心所在位置。

6 實驗驗證

在工業(yè)生產線上，當罐體運動到指定工位時，觸發(fā)光纖傳感器，視覺成像系統(tǒng)對罐體進行高速成像，

獲取的圖像傳輸到工業(yè)計算機進行分析處理。根據內置的算法對待測區(qū)域進行質量檢測，對不合格的產品，控制剔除裝置給予剔除，以此來替代人工作業(yè)，提高生產效率。本實驗的系統(tǒng)結構如圖8所示。

圖8 系統(tǒng)結構圖

實驗采用德國Basler acA640-120gm型號相機作為圖像前端采集設備，該相機能以每秒最高120幀速率采集30萬像素每幀的灰度圖像，同時具備以太網接口，能實現(xiàn)數據高速傳輸。鏡頭采用日本Computar工業(yè)相機鏡頭M3514-MP，手動光圈定焦35mm、2/3寸、C接口。

實驗選取了10個樣品罐，編號1~10。1、3、5、8、10號為透明膠封邊樣品，2、4、6、7、9號為白膠封邊樣品。由圖9透明膠封邊罐口輪廓識別效果圖、圖10白膠封邊罐口輪廓識別效果圖可以看出，白膠封邊罐口內外圈輪廓獨立，內圈識別的輪廓效果受到白膠封邊的影響，在白膠封邊區(qū)域出現(xiàn)鋸齒狀凸出部分，將其輪廓上的每個點代入式(4)，計算距離，根據凸出部分點距離輪廓中心點較近，即可把內輪廓存在的干擾點去除（圖11A區(qū)域）。透明膠封邊罐口內外圈識別效果較好，內外圈連接成一個輪廓。

其中：x0、xi、y0、yi分別是圖片上指定兩點的橫坐標、縱坐標。

表1、表2分別是對透明膠封邊樣品和白膠封邊樣品罐口區(qū)域特征分析的實驗數據。ContourArea()函數是計算輪廓包圍面積，透明膠封邊樣品內外輪廓只有一個，而白膠封邊內外輪廓分開成2個輪廓。因而造成表1、表2數據的差異。

圖9 透明膠封邊罐口輪廓識別效果

圖10 白膠封邊罐口輪廓識別效果

表1 透明膠封邊樣品實驗數據

表2 白膠封邊樣品實驗數據

識別罐口輪廓后，采用最小二乘法再結合橢圓的參數方程確定擬合而成的近似圓輪廓和中心所在位置，圖11為白膠封邊樣品、圖12為透明膠封邊樣品。中間加粗曲線表示對內外輪廓組成的輪廓點集進行最小二乘橢圓擬合算法形成的橢圓輪廓，正中間點表示橢圓中心。

7 實驗結果分析

為了對罐口缺陷位置和類型做出精準的判斷，提出了將罐口橢圓輪廓離散化采樣分析的方法，生成形位偏差帶圖，以此來定量檢測罐口缺陷類型和缺陷所在位置。離散化橢圓輪廓采樣如圖13、圖14所示，通過最小二乘法擬合出橢圓輪廓和橢圓中心。以橢圓中心作為起點，步長為1°，發(fā)出360條射線，沿著射線方向，尋找像素突變點。像素第一次由白變黑記錄為點A，第二次由白色變黑記錄為點B，像素最后一次由白色變黑色點C。根據歐式距離計算公式(4)，求得上偏差下偏差并把上偏差和下偏差繪制成形位偏差直方圖。

圖11 4號白膠封邊樣品最小擬合橢圓

圖12 1號透明膠封邊樣品最小擬合橢圓

圖13 4號樣品離散采樣

圖14 1號樣品離散采樣

4號樣品形位偏差帶分析圖如圖15所示，1號樣品形位偏差帶分析圖如圖16所示。由圖15可以看出，4號樣品罐上偏差和下偏差曲線變化均勻；由圖16可以看出，1號樣品存在兩個明顯缺口：A區(qū)域和B區(qū)域，一個在3°左右，一個在120°左右，并且從偏差帶缺少寬度大小可以看出缺口的大小，左邊對應的缺口很小，右邊對應的缺口較大，且在左側低于30°的A區(qū)域范圍內，上偏差小于均值，所以罐口外輪廓存在一定變形，由此可確定該罐口存在變形、缺口等問題。

圖15 4號樣品形位偏差帶分析圖

圖16 1號樣品形位偏差帶分析圖

8 結論

通過對樣品進行實驗分析，本文提出的基于機器視覺的圓形馬口鐵罐罐口缺陷檢測算法，能準確定位馬口鐵罐罐口的缺陷位置，并確定缺陷類型，提高了檢測系統(tǒng)的穩(wěn)定性和可靠性。本文實驗結果準確率達99%，能解決實際應用中，由于罐口缺陷種類繁多，自動檢測難度大而造成系統(tǒng)結構復雜，導致誤檢率高等問題。

[1]何金彪,周永霞.基于機器視覺的罐蓋缺陷檢測[J].中國計量學院學報,2015,26(3):269-273.

[2]馬向南,李航,劉麗麗,等.最小二乘改進算法及其在橢圓擬合中的應用[J].河南科技大學學報:自然科學版,2014,35(3):18-21,5.

[3]郭克友,廉麗冰,李娜,等.基于OpenCV的啤酒瓶口缺陷檢測系統(tǒng)研究[J].制造業(yè)自動化,2014,36(8):61-63,71.

[4]陶躍珍,韓采芹.基于圖像處理的啤酒瓶瓶口缺陷檢測[J].裝備制造術,2009(5):106-107,124.

[5]夏賢華,謝經明,柯豐愷,等.基于機器視覺的玻璃瓶在線檢測系統(tǒng)研究與開發(fā)[J].機械與電子,2013(11):67-70.

[6]閆蓓,王斌,李媛.基于最小二乘法的橢圓擬合改進算法[J].北京航空航天大學學報,2008,34(3):295-298.

[7]王小林,熊新海,張高峰.基于橢圓最小二乘法和圓度輪廓誤差評定的橢圓提取方法[J].河南理工大學學報:自然科學版，2008,27(3):294-298.

[8]鄒益民,汪渤.一種基于最小二乘的不完整橢圓擬合算法[J]儀器儀表學報,2006,27(7):808-812.The Tank Mouth Detection Based on Machine Vision

張宏釗，男，1992年生，碩士研究生，主要研究方向：機電一體化、機器視覺。

周松斌，男，1978年生，博士，研究員，主要研究方向：智能傳感、網絡化測控、儀器儀表。

劉偉鑫，男，1992年生，初級工程師，主要研究方向：測控技術與儀器。

Zhang Hongzhao1,2Zhou Songbin1Liu Weixin1
(1.Guangdong Institute of Automation College of Automation&Guangdong Province,Modern Control and Light Mechanical and Electrical Technology,Guangdong Province Key Laboratory of Modern Control Technology 2.Guangdong University of Technology)

This paper proposes a round tin visual detection algorithm.The PSNR and SSIM index of image quality analysis, to obtain a high signal-to-noise ratio,high contrast and clear image in order;image smoothing,filtering,denoising,gray and so on after pretreatment by Otsu method(OTSU)isolated from the mouth region,then apply the findContours OpenCV visual function in the library,detection of binarization image connected domain of the contour,and the contour feature analysis,to accurately determine the bottle contour,then using the least squares fitting ellipse fitting algorithm,mouth contour curve and contour center, finally the fitting ellipse discretization is 360 scan sampling,the sampling point pixel analysis,finally get the deviation analysis with a map,can carry out quantitative analysis and positioning to solve the problem of the gap,the length of mouth angle,deformation etc.

Machine Vision;Tin;Defect Detection;PSNR,SSIM;the Maximum between Class Variance(OTSU);Least Square Ellipse Fitting;OpenCV Computer Vision Library