實驗用玻璃器皿缺陷檢測研究

問尋

摘 要：針對實驗玻璃器皿高質(zhì)量要求，提出一種基于圖像處理的實驗室玻璃器皿缺陷檢測方法。為更直觀檢測到玻璃器皿的缺陷，以實驗室常用的西林瓶為例，首先對瓶口檢測區(qū)域進行定位，將瓶口與背景圖像分割，并利用最大類間方差法對圖像進行填充，從而得到瓶口圖像的定位;將定位好的瓶口圖像通過極坐標變換和動態(tài)閥值分割，實現(xiàn)瓶口圖像特征的提取，最后運用模板匹配法實現(xiàn)對瓶口圖像缺陷的檢測。結(jié)果表明，本缺陷監(jiān)測方法可很好實現(xiàn)毛口和破口的識別，且在不同瓶口半徑下的缺陷檢測平均準確率可達97.4%，具有較高的識別準確率。

關(guān)鍵詞：實驗用玻璃器皿;缺陷檢測;模板匹配;準確率

中圖分類號：TQ171 文獻標識碼：A 文章編號：1001-5922（2021）08-0054-04

Research on Defect Detection of Experimental Glassware

Wen Xun

（Xi an Medical College， Xi an 710100， China）

Abstract：Aiming at the high quality requirements of laboratory glassware， a defect detection method of experimental glassware based on image processing is proposed. In order to detect the defects of glassware more intuitively， taking the commonly used penicillin bottle in the laboratory as an example， firstly， the detection area of the bottle mouth is located， the bottle mouth and the background image are segmented， and the Otsu method is used to fill the image， so as to get the positioning of the bottle mouth image. The positioned bottle mouth image is segmented by polar coordinate transformation and dynamic threshold to realize the extraction of bottle mouth image features. Finally， the template matching method is used to detect the defects of the bottle mouth image. The results show that this defect monitoring method can well realize the recognition of rough mouth and break， and the average accuracy of defect detection under different bottle mouth radius can reach 97.4%， which has high recognition accuracy.

Key words：experimental glassware; defect detection; template matching; accuracy

眾所周知，實驗室對玻璃器皿的質(zhì)量要求很高。如玻璃器皿存在缺陷，可能導(dǎo)致實驗事故。因此，做好玻璃器皿的缺陷檢測，是提高實驗安全的重要途徑?，F(xiàn)代玻璃器皿生產(chǎn)工藝的缺陷很多，如破口、裂紋以及黑點等。以典型的西林瓶為例，西林瓶是實驗室比較常見的一種玻璃管制注射劑瓶。一旦出現(xiàn)裂紋，很容易造成藥品的污染，進而危及患者安全[1]。因此，加強對西林瓶缺陷的檢測，是當(dāng)前思考和研究的重點。傳統(tǒng)的西林瓶缺陷檢測通常采用圖像視覺技術(shù)，以提高缺陷識別的準確率確率。本研究則提出對西林瓶瓶口圖像進行處理與識別，進而判別瓶口的缺陷問題。

1 瓶口檢測區(qū)域定位

1.1 瓶口圖像分割

目前常用的圖像分割有基于圖像灰度的閾值分割、區(qū)域分割、邊緣分割等。本研究則采用最大類間方差法。最大類間方差法的原理是先選擇一特定的閥值，從而通過閾值判斷圖像背景的平均灰度與實驗圖像的平均灰度值的大小，進而選取更好的灰度部分數(shù)據(jù)。具體計算公式為[2]：

式（1）中，當(dāng)σB 取最大值，則達到最佳分割閥值。

1.2 圖像填充

瓶口分割后，瓶口的邊緣與圓筒輸送帶區(qū)域能夠連接形成一種連通區(qū)域。為更好的提取圖像特征，采用填充的方式連接過渡區(qū)域。具體實現(xiàn)為：假設(shè)有一連通邊界A，使用十字結(jié)構(gòu)元素S對該區(qū)域進行填充，即選擇一個種子點B0，S對只有B0的圖像B進行膨脹;對B點進行膨脹后，用膨脹后的圖像與對于A點的補充圖像AC重合。由此就可以把已經(jīng)做好膨脹的區(qū)域局限在邊界A的內(nèi)部;重復(fù)以上步驟，待B充滿A的整個內(nèi)部，就得到填充結(jié)果。最后取圖像B與邊界A的并集，那么這個結(jié)果就是需要的整個區(qū)域的填充結(jié)果。

1.3 瓶口圖像的定位

瓶口定位采用霍夫（Hough）變換的公式。已知一圓，將圓上的一輪廓點轉(zhuǎn)換到直角坐標下，則有[3]：

其中，r是已知圓的半徑，（a、b）為圓心坐標。此時三維空間參數(shù)可以用（a、b、r）表示。

式（2）為一個三維錐面，用圖3表示。設(shè)（x、y）為圓邊界點，該點約束了圓錐面的參數(shù)（a、b、r），那么邊界點在三維空間坐標中對應(yīng)的點可用圖1表示。

圖2中的點（a0，b0，r0）對應(yīng)的圖像坐標空間中圓的基本參數(shù)計算步驟為[4-9]：

1）假設(shè)數(shù)組A（a，b，r），讓a和b分別在取值范圍內(nèi)增加，得到滿足公式（2）的r值。

2）在解出（a，b，r）值后，對數(shù)組加1，并再次按照公式（2）進行計算。

3）在所有數(shù)值計算完，得到一個最大的數(shù)組A（a，b，r）。由此該數(shù)組A（a，b，r）的參數(shù)就是圖像坐標空間中圓的參數(shù)。

通過上述的霍夫坐標變換，對填充后的瓶口圖像邊緣點進行計算，從而提取到填充后的瓶口圖像結(jié)構(gòu)，具體如圖3所示。

通過霍夫變換提取出來的圓形結(jié)構(gòu)圖后，需對它進行數(shù)學(xué)形態(tài)學(xué)操作，以提取瓶口的圓形檢測區(qū)域。為了得到最準確的數(shù)據(jù)，利用腐蝕操作對提取出的圓形結(jié)構(gòu)進行處理。設(shè)圓的內(nèi)徑和外徑分別為5cm和6cm，為提高準確度，采取兩次腐蝕結(jié)果進行相減計算，最后剩下一個圓環(huán)的區(qū)域為瓶口圓環(huán)。具體結(jié)果如圖4所示。

2 瓶口缺陷檢測

2.1 缺陷檢測思路

為了得到更準確的缺陷分析結(jié)果，通常采用極坐標變換和動態(tài)閥值分割的方法來得到最準確的結(jié)果。具體的方式是先利用極坐標變換的方法將圓環(huán)區(qū)域變換為矩形區(qū)域，然后再利用動態(tài)閥值分割的方式對圖像進行分割，分割以后在進行標記，從而提取圖像特征，最后用模板匹配法進行檢測識別。

2.2 極坐標變換

設(shè)圖像坐標變換后極坐標為（d，），其中d表示圖像到設(shè)立的相對變換中心的距離，向量角度。假設(shè)變換中心的點為（mr，mc），那么某點（r，c）的極坐標為[10]：

為簡便計算，將上式通過逆變換，從而得到：

經(jīng)過逆變換，得到圖5的矩形區(qū)域。其中，只要限定d和的值，則可以實現(xiàn)對圓的任意扇形區(qū)域的變換。

2.3 動態(tài)閥值分割

動態(tài)閾值分割的原理是將圖像的原始圖與背景圖進行灰度值比較。通過灰度值比較，從而找到圖像內(nèi)部像素之間存在的差異，進而為后續(xù)的圖像分割奠定基礎(chǔ)。如果在比較的過程中，原始圖與背景圖之間的像素差異明顯，那么則通過圖像灰度直方圖對圖像的閾值進行計算，并根據(jù)該閾值進行分割。在分割過程中，需要注意的是圖像的灰度直方圖一般情況是不存在明顯的雙峰或者是多峰，所以在實際的操作中一般很難找到一個合適的全局閾值進行分割。所以為解決這個問題，通常將原始圖像的灰度值和背景圖像的灰度值進行比較之后，再根據(jù)比較的結(jié)果進行設(shè)置，最終對圖像進行局部分割。由此，通過以上步驟，將圖片中灰度值大的和灰度值小的全部分割開來，以此形成鮮明的缺陷圖像對比。其中，如何確定局部的背景灰度值是非常重要的環(huán)節(jié)。對此，要計算出當(dāng)前像素點為中心點的局部平均灰度值，文章采用均值濾波器或者中值濾波器進行平滑處理。設(shè)gr，c為均值濾波平滑后的圖像像素，fr，c為原始的輸入圖像像素，那么gdiff就代表著局部閥值圖像之間的灰度值比較，而圖像中灰度值較小的暗物體的動態(tài)閥值分割公式為[11]：

圖像中灰度值較大的亮物體的動態(tài)閥值分割公式為：

通過以上步驟，得到經(jīng)過極坐標變化和動態(tài)凸顯分割后的瓶口圓環(huán)區(qū)域圖像特征提取結(jié)果。

3 檢測結(jié)果與分析

3.1 瓶口缺陷檢測結(jié)果

為驗證以上方案，分別對破口、毛口的圖像進行分析。下圖分別為瓶口區(qū)域定位和最終檢測缺陷檢測結(jié)果。如圖8～9所示。

通過上面檢測結(jié)果看出，采用極坐標的瓶口缺陷檢測方法能夠準確的定位瓶口圓形檢測區(qū)域。

3.2 不同半徑對檢測結(jié)果的影響

研究認為，破口缺陷區(qū)域邊緣的檢測會受到瓶口內(nèi)外邊緣的影響，從而檢測到其他部位的黑色邊緣，產(chǎn)生誤檢的結(jié)果。但是這個問題是可以通過改變瓶口腐蝕結(jié)構(gòu)的半徑來避免的。為驗證半徑帶來的影響，設(shè)定圓的內(nèi)徑和外徑分別為5cm和7cm。同時選用不同批次相同規(guī)格的西林瓶，（為實驗的準確性，本次實驗用的是2mL規(guī)格）。將所選擇的不同批次的200幅現(xiàn)場拍攝中的100幅西林瓶瓶口圖像進行測試，結(jié)果如表1所示。

就像上表顯示出來的那樣，這個算法容易出現(xiàn)的一個問題及時將合格的產(chǎn)品檢測為缺陷的產(chǎn)品。這是因為受到現(xiàn)代工廠生產(chǎn)的特性所造成的。其中就包括瓶口的干擾邊緣線、復(fù)雜光線以及灰塵的干擾。這也是這種方式需要改進的地方。

4 結(jié)語

實驗用玻璃器皿的質(zhì)量要求是比較高的，如果沒有注意到試驗器皿的缺陷，就很容易導(dǎo)致實驗事故。通過對瓶口檢測區(qū)域定位、瓶口圖像的分割以及瓶口缺陷檢測等方式，找出了以西林瓶為例的最佳缺陷檢測方式，這對保障實驗室和藥品使用安全等具有實際的研究意義。

參考文獻

[1].國際標準（ISO）題錄（下） [J]. 世界標準信息，2003（04）：10-97.

[2]王志強.基于霍夫變換的圖像輪廓檢測方法與優(yōu)化[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報，2021，37（03）：79-82.

[3]楊京渝，殷亮，鄧力凡，等.一種新型基于隨機Hough變換的避雷針垂直偏差測量方法[J].湖南城市學(xué)院學(xué)報（自然科學(xué)版），2021，30（03）：66-70.

[4]高麗.提高圓形指針式儀表自動識別算法準確度的探討[J].儀器儀表用戶，2021，28（04）：5-8.

[5]李寧，余斌.基于計算機視覺的水稻雜株識別[J].農(nóng)機化研究，2020，42（12）：228-231.

[6]羅昕，閔祥娜.FPGA圖像處理在帶鋼表面缺陷視覺檢測中的應(yīng)用研究[J].內(nèi)燃機與配件，2019，（4）（24）：184-185.

[7]金麗麗.探究基于動態(tài)閾值圖像分割法的人臉識別技術(shù)研究[J].計算機產(chǎn)品與流通，2019，（4）（12）：89.

[8]高旭敏，蔣林，王翰，等.結(jié)合SVM的激光雷達線特征提取算法[J].計算機工程與設(shè)計，2019，40（08）：2384-2388.

[9]徐曉蓉.尿沉渣圖像分割及識別算法研究[J].信息與電腦（理論版），2019，（4）（14）：41-43.

[10]王成. 玻璃器皿生產(chǎn)中的計算機視覺檢測分級系統(tǒng)[D].秦皇島：燕山大學(xué)，2018.

[11]姜苗苗，史國友，許拴梅，等.基于自適應(yīng)K均值聚類和霍夫變換的船舶干舷視覺檢測[J].上海海事大學(xué)學(xué)報，2021，42（02）：34-39.