基于機器視覺的信息型智能包裝缺陷識別方法

呂瑞杰，孫相明

（灤州吉宏包裝有限公司，河北 唐山 063700）

0 引 言

在工業(yè)生產(chǎn)過程中，由于受各種因素的影響，生產(chǎn)出的產(chǎn)品不可避免地會出現(xiàn)這樣那樣的包裝缺陷，這對于產(chǎn)品質(zhì)量及產(chǎn)品保存都會產(chǎn)生一定的影響[1]。為解決上述問題，工作人員一般會對出庫的產(chǎn)品進行多功能包裝缺陷識別，從根源上進行檢測[2]。但由于傳統(tǒng)模式檢測效率低，且容易出錯，無法更好地滿足生產(chǎn)要求[3]，為此本文結(jié)合機器視覺技術(shù)，設(shè)計一種更加靈活高效、系統(tǒng)全面的包裝缺陷識別方法[4]。機器視覺實際上是一項綜合性的處理技術(shù)，集人工智能處理、計算機信息科學、圖像綜合處理、多目標識別于一身，同時其也是交叉學科的現(xiàn)實體現(xiàn)[5]。

將機器視覺融入產(chǎn)品包裝缺陷的識別工作之中，可在一定程度上提升數(shù)據(jù)的處理速度。面對龐大的信息量，多目標包裝識別可以最大限度地降低出錯概率，同時，還可以加強對特定環(huán)境下突發(fā)成本的控制，利用邊緣識別方式，結(jié)合信息化、智能化技術(shù)，形成更加穩(wěn)定、多元的缺陷識別結(jié)構(gòu)，為后期的產(chǎn)品包裝及處理奠定良好的基礎(chǔ)[6]。

1 基于機器視覺的信息型智能包裝缺陷識別方法

1.1 提取包裝缺陷特征

通常，檢測人員對于產(chǎn)品包裝的檢測會采用定向識別的方法，針對某些特定區(qū)域獲取固定目標的識別數(shù)據(jù)。這種方式雖然可以很好地完成預期的識別目標，但是極容易受到外部因素的影響，產(chǎn)生不同程度的誤差，勢必會對缺陷識別帶來或多或少的影響[7]。

因此，可以先在產(chǎn)品識別區(qū)域設(shè)定一定數(shù)量的檢測描述節(jié)點，獲取數(shù)值、信息，劃定兩部分識別（內(nèi)部和表面），調(diào)整基礎(chǔ)的識別目標，結(jié)合視覺機器計算出邊界模糊對比度，如式（1）所示：

其中：g表示邊界模糊對比度，?表示單向識別距離，m表示缺陷深值，n表示缺陷淺值。通過計算，最終可以得出實際的邊界模糊對比度。根據(jù)得出的邊界模糊對比度，劃定具體的單向識別范圍，并劃定核心識別節(jié)點，將其用作缺陷特征提取的標準。需要注意的是，可以將缺陷識別與編碼識別形成循環(huán)結(jié)構(gòu)，結(jié)合機器視覺技術(shù)，標定特有的識別程序，完成對包裝缺陷特征的提取。

1.2 多網(wǎng)格缺陷識別結(jié)構(gòu)設(shè)計

在完成對包裝缺陷特征的提取之后，需要結(jié)合實際的識別情況，設(shè)計出多網(wǎng)格的缺陷識別結(jié)構(gòu)。多產(chǎn)品的包裝缺陷需要同步識別，這對于傳統(tǒng)的識別程序壓力較大，為此我們可以在特定的區(qū)域范圍之內(nèi)，布設(shè)多個大小、規(guī)模相等的識別網(wǎng)格，具體如圖1所示。

圖1 多網(wǎng)格缺陷識別原理圖示

可以根據(jù)圖1完成對多網(wǎng)格缺陷識別原理的設(shè)定。在上述背景下進行聯(lián)通標記，同時，利用專業(yè)設(shè)備獲取遍歷圖像，并計算出識別效率的差異，記錄下每一行的連續(xù)標記或者定向識別標記的等價對比度，根據(jù)產(chǎn)品的變化或移動重新做標記，這樣會形成一個循環(huán)的識別結(jié)構(gòu)，在網(wǎng)格的束縛之下，可以最大限度地降低識別誤差，通過連通內(nèi)外輪廓來對產(chǎn)品表面進行全方位的描述及定位，為后續(xù)的缺陷識別奠定基礎(chǔ)條件。

1.3 構(gòu)建機器視覺雙向缺陷識別模型

在完成對多網(wǎng)格缺陷識別結(jié)構(gòu)的設(shè)計之后，需要結(jié)合機器視覺技術(shù)，構(gòu)建雙向產(chǎn)品缺陷識別模型。采用Hu 不變矩方法，在識別匹配時，設(shè)定平移、比例和旋轉(zhuǎn)的識別指令，確保在識別過程中，減少產(chǎn)品位置大小或同類型缺陷所帶來的阻礙和影響。在不同的階距狀態(tài)下，利用機器識別技術(shù)進行產(chǎn)品識別區(qū)域的劃分，并計算出識別斜度，具體如式（2）所示：

其中：B表示識別斜度，y表示識別單向時間，φ表示輪廓距離，v1表示低階歸一值，v2表示高階識別誤差。通過計算，最終可以得出實際的識別斜度。在標定的范圍之內(nèi)，使用Python 語言設(shè)置一個定向的識別天平，利用機器視覺技術(shù)，構(gòu)成不同的缺陷識別量值，形成雙向智能化識別模型結(jié)構(gòu)，具體如圖2所示。

圖2 機器視覺雙向缺陷識別模型結(jié)構(gòu)圖示

可以根據(jù)圖2完成對機器視覺雙向缺陷識別模型結(jié)構(gòu)的設(shè)計與應(yīng)用。利用數(shù)據(jù)庫進行定向的距離匹配，此時可以結(jié)合信息化技術(shù)和機器視覺技術(shù)，劃定雙向的產(chǎn)品缺陷識別程序并計算出雙向轉(zhuǎn)換比，具體如式（3）所示：

其中：T表示雙向轉(zhuǎn)換比，Q表示散射函數(shù)，t表示階段識別距離，f表示反轉(zhuǎn)系數(shù)。通過計算，最終可以得出實際的雙向轉(zhuǎn)換比，在標定的范圍之內(nèi)，結(jié)合機器視覺技術(shù)調(diào)整智能型包裝的缺陷識別范圍，進行多目標的可控識別，形成循環(huán)的識別結(jié)構(gòu)，方便后續(xù)人員的處理與識別。

利用workpiece 表來保存所選的相關(guān)數(shù)據(jù)，并以特征數(shù)據(jù)包的形式增加索引指令，形成雙向缺陷識別模型。需要注意的是，在復雜的環(huán)境之下，可以針對部分產(chǎn)品出現(xiàn)的信息型智能缺陷，采用預先定位的方式，提取出存在的異常問題，將數(shù)值存儲在數(shù)據(jù)庫中，以待后續(xù)調(diào)整使用，進一步細化與完善機器視覺雙向缺陷識別模型。

1.4 多幀處理完成缺陷識別

在完成對機器視覺雙向缺陷識別模型的構(gòu)建之后，需要采用多幀處理的方式，完善后續(xù)的缺陷識別。在復雜的環(huán)境之中，對于產(chǎn)品的識別范圍通常也并不是固定不變的，而是存在一定的變動性質(zhì)?？梢酝ㄟ^系統(tǒng)來設(shè)定動態(tài)的幀數(shù)識別標準，結(jié)合日常所下達的指令，調(diào)整對應(yīng)的產(chǎn)品缺陷識別范圍，同時利用缺陷識別模型，從多個角度展開測定，根據(jù)識別節(jié)點采集匯總的數(shù)據(jù)信息，測算出此時對于缺陷的識別幀數(shù)并計算出變動比值，具體如式（4）所示：

其中：J表示識別幀數(shù)變動比值，d表示可識別目標數(shù)量，z1表示預設(shè)測定距離，z2表示實測可識別距離。通過計算，最終可以得出實際的識別幀數(shù)變動比值。劃定具體的產(chǎn)品缺陷可識別范圍，利用機器識別技術(shù)，構(gòu)建循環(huán)處理的識別機制，以便在復雜的情況下，進一步實現(xiàn)多方向的產(chǎn)品缺陷識別，這樣可在一定程度上提升整體的識別效率，確保產(chǎn)品的生產(chǎn)質(zhì)量。

2 測試方法

本測試主要是對基于機器視覺的信息型智能包裝缺陷識別方法的實際應(yīng)用效果進行分析與比較?？紤]到測試結(jié)果的精準度，選擇真實的環(huán)境作為測試的范圍，同時，設(shè)定傳統(tǒng)低照度缺陷識別測試組、傳統(tǒng)深度學習自動化缺陷識別測試組以及本文所設(shè)計的機器視覺包裝缺陷測試組。對測試得出的結(jié)果展開對比分析并進行深入的探究。結(jié)合上述需求，搭建相應(yīng)的測試環(huán)境。

2.1 測試準備

本測試主要是對信息型包裝缺陷識別效果的分析與探討。選擇A 廠產(chǎn)品作為測試的目標對象，將產(chǎn)品的缺陷識別劃定為4 個測試小組，并提取出一定的缺陷特征，確定照度識別在10～45lx之間，同時設(shè)定基礎(chǔ)的指標參數(shù)，具體如表1所示。

表1 測試基礎(chǔ)指標參數(shù)設(shè)定表

可以根據(jù)表1完成對測試基礎(chǔ)指標參數(shù)的設(shè)定與調(diào)整。與此同時，選定產(chǎn)品的測試區(qū)域，獲取對應(yīng)的數(shù)據(jù)集并計算出缺陷識別的灰度值，具體如式（5）所示：

其中：H表示缺陷識別灰度值，α表示識別距離，β表示增強系數(shù)，?表示誤差范圍，i表示識別次數(shù)。通過計算，最終可以得出實際的缺陷識別灰度值，劃定具體的缺陷包裝識別范圍，完成對測試環(huán)境的搭建。

2.2 測試過程及結(jié)構(gòu)分析

在完成對測試環(huán)境的搭建之后，需要結(jié)合機器視覺技術(shù)進行具體的測試研討。將四個測試組的產(chǎn)品分開，形成穩(wěn)定的測試環(huán)境。同時，設(shè)定測試識別的標準差為3.5，均值為1.25，對比識別的范圍變化比為1:3.5。

此時劃定具體的測試范圍，結(jié)合機器視覺技術(shù)，可以設(shè)置三個卷積層，每一個卷積層均是獨立的，相互之間存在測試等級之分，形成歸一化的測試需求及標準。設(shè)置3 個3×4 卷積層串聯(lián)，經(jīng)由池化層相互連接，完成數(shù)據(jù)集的處理。在四個測試小組中，進行基礎(chǔ)包裝缺陷的識別，具體如圖3所示。

圖3 基礎(chǔ)包裝缺陷設(shè)備狀態(tài)圖示

可以根據(jù)圖3完成對基礎(chǔ)包裝缺陷設(shè)備狀態(tài)的掌握與分析，此時，根據(jù)所獲取的測試數(shù)據(jù)，調(diào)整產(chǎn)品包裝缺陷識別的范圍，設(shè)定視覺對比度，分別為50.25%、62.13%、78.19%、94.27%。測算出此時的定向識別時間，并對最終得出的測試結(jié)果進行對比分析，具體如表2所示。

可以根據(jù)表2完成對測試結(jié)果的分析與討論：相較于傳統(tǒng)低照度缺陷識別測試組、傳統(tǒng)深度學習自動化缺陷識別測試組，本文所設(shè)計的機器視覺包裝缺陷測試組最終得出的定向識別時間均控制在1.1 s以內(nèi)，表明其在實際的應(yīng)用過程中，在機器視覺技術(shù)的輔助之下，對于產(chǎn)品包裝缺陷的識別效果更佳，速度較快，具有實際的應(yīng)用價值。

表2 測試結(jié)果對比分析表

3 結(jié) 論

以上分析，便是對機器視覺的信息型智能包裝缺陷識別方法的設(shè)計與分析。對于多目標和復雜背景下的缺陷識別處理，一般針對性較強，對于產(chǎn)品缺陷特征的識別也會更加復雜一些，再通過機器視覺的加持，可以進一步擴大原本的識別范圍，更好地實現(xiàn)多目標缺陷識別，提升整體的泛化能力，確保其適用于多客戶端的產(chǎn)品檢測、識別，進而提高產(chǎn)品的生產(chǎn)效率，具有十分重要的應(yīng)用推廣價值。