何金彪,周永霞

(中國(guó)計(jì)量學(xué)院 信息工程學(xué)院,浙江 杭州 310018)

基于機(jī)器視覺(jué)的罐蓋缺陷檢測(cè)

何金彪,周永霞

(中國(guó)計(jì)量學(xué)院 信息工程學(xué)院,浙江 杭州 310018)

根據(jù)金屬材質(zhì)罐蓋制造中生產(chǎn)線上的工作環(huán)境和檢測(cè)要求,針對(duì)目前生產(chǎn)線上人工檢測(cè)的速度慢、效率低、準(zhǔn)確率不高等缺點(diǎn),提出了一種基于計(jì)算機(jī)視覺(jué)的罐蓋缺陷檢測(cè)算法,可快速準(zhǔn)確地實(shí)現(xiàn)生產(chǎn)線上的金屬罐蓋的缺陷檢測(cè).具體做法是綜合一系列圖像處理算法，對(duì)罐蓋罐口、注膠區(qū)域、內(nèi)圓區(qū)域等三個(gè)主要區(qū)域進(jìn)行檢測(cè).結(jié)果表明,缺陷檢測(cè)的速度可達(dá)到每秒10個(gè),從而為罐蓋的缺陷生產(chǎn)線在線檢測(cè)提供了很好的支持.

機(jī)器視覺(jué);金屬罐蓋;缺陷檢測(cè)

目前生產(chǎn)線上絕大多數(shù)產(chǎn)品的質(zhì)量檢測(cè)是靠人工方法,特別是金屬罐蓋產(chǎn)品的檢測(cè).由于人工檢測(cè)效率低、速度慢,因而滿足不了高速自動(dòng)化的生產(chǎn)線需求.

生產(chǎn)線上,金屬罐蓋可能存在的問(wèn)題如下:有小的破損漏洞、斑點(diǎn);經(jīng)過(guò)擠壓摩擦后邊緣內(nèi)卷;注膠區(qū)域注的膠水過(guò)多或者部分無(wú)膠;罐蓋表面有劃痕或表面污染較大.目前罐蓋檢測(cè)的相關(guān)研究很少,文獻(xiàn)[1]只給出罐蓋一部分區(qū)域檢測(cè)算法,該文獻(xiàn)提出的檢測(cè)算法思想是找出圓心點(diǎn),然后將高斯平滑之后的圖像的像素和原圖上每個(gè)像素點(diǎn)的像素進(jìn)行比較,這樣做誤差偏大;文獻(xiàn)[2]所提出的機(jī)器視覺(jué)算法進(jìn)行罐蓋檢測(cè),用時(shí)200 ms;文獻(xiàn)[3]采用逐漸細(xì)化方案的方法來(lái)劃分待檢測(cè)軸承圖片的區(qū)域,然后用圖像處理的算法進(jìn)行缺陷檢測(cè),但是每個(gè)圖像檢測(cè)時(shí)間為0.5 s,速度太慢.結(jié)合以上情況,提出一種罐蓋缺陷具體的檢測(cè)方法,以實(shí)現(xiàn)金屬罐蓋的在線檢測(cè).

1 罐蓋各個(gè)待檢測(cè)區(qū)域的提取

1.1 圖像預(yù)處理

工業(yè)相機(jī)拍攝的金屬罐蓋圖如圖1.

圖1 罐蓋原圖Figure 1 Original image of lid

1.1.1 邊緣提取

罐蓋圖像成幾個(gè)同心圓形狀,且區(qū)域間特征差別明顯,采用邊緣提取的方法能夠比較清楚地劃分每個(gè)區(qū)域[4].Canny算子是一種濾波器[5],它既能濾去噪聲又能保持邊緣特性.這里選用Canny算子進(jìn)行邊緣提取,進(jìn)而進(jìn)行劃分區(qū)域.

1.1.2 Canny算法

在canny算法的實(shí)現(xiàn)過(guò)程中,選用的卷積算子為

Canny算子可以用于尋找圖像的局部極大值[5-6].圖2是經(jīng)過(guò)canny算子處理過(guò)后的圖像邊緣圖像,可以看出,圖像邊緣是連續(xù)的,而且輪廓清晰,每層輪廓之間也能較好的分離出來(lái).

圖2 罐蓋原圖經(jīng)過(guò)canny算子處理后的圖像Figure 2 Image after canny operator processing

1.2 缺陷區(qū)域的提取與分離

工業(yè)相機(jī)拍攝的罐蓋圖像待檢測(cè)區(qū)域主要有三個(gè)區(qū)域:1)內(nèi)圓區(qū)域,主要檢測(cè)劃痕、斑點(diǎn)、漏洞、污染等;2)注膠區(qū)域,主要檢測(cè)膠水過(guò)多或過(guò)少的情況;3)外圓區(qū)域,主要檢測(cè)擠壓變形或者缺口缺陷.如圖3.

圖3 罐蓋待檢測(cè)區(qū)域劃分Figure 3 Divided areas to be detected

罐蓋圖像里的內(nèi)外圓是同心圓,可采用如下步驟分離每個(gè)區(qū)域:

1)得到canny算子處理過(guò)圖像中的每個(gè)輪廓.

2)去掉像素點(diǎn)過(guò)多或像素點(diǎn)過(guò)少的輪廓,這樣得到的結(jié)果是4個(gè)圓形輪廓.

3)擬合出每個(gè)輪廓對(duì)應(yīng)的圓心和半徑(擬合過(guò)程見(jiàn)下文),半徑從大到小依次為R1,R2,R3,R4.

4)得到每個(gè)區(qū)域.其中R1為外圓外徑,R2為外圓內(nèi)徑,R3和R2之間為注膠區(qū)域,半徑小于R4的部分為內(nèi)圓區(qū)域.見(jiàn)圖4.

圖4 檢測(cè)區(qū)域幾何參數(shù)示意圖Figure 4 Geometry diagram of the detection area

罐蓋圖像圓心的定位和半徑的計(jì)算在缺陷檢測(cè)中的作用非常重要,因?yàn)樗鼈冎苯記Q定待檢測(cè)區(qū)域劃分的準(zhǔn)確性.一般圓心定位的方法有兩種:Hough變換和最小二乘法.文獻(xiàn)[7]中用Hough變換檢測(cè)圓,其穩(wěn)定性好,對(duì)圓心的定位也較準(zhǔn)確,但是需要提前知道圖像中最大半徑圓的大概半徑范圍,并且算法實(shí)現(xiàn)過(guò)程中耗時(shí)太長(zhǎng),用C++編程實(shí)現(xiàn)Hough變換檢測(cè)外圓用時(shí)78 ms.

經(jīng)過(guò)計(jì)算可得:

(1)

(2)

其中,

B=n∑xiyi-∑xi∑yi,

2 罐蓋各區(qū)域缺陷檢測(cè)

2.1 內(nèi)圓檢測(cè)

內(nèi)表面主要檢測(cè)劃痕、污染和漏洞等信息.對(duì)于內(nèi)表面的缺陷檢測(cè)可用均值方差方法[2]:將內(nèi)圓區(qū)域從原圖像中提取出來(lái),計(jì)算出內(nèi)圓區(qū)域圖的像素均值和方差,再與合格的圖像內(nèi)圓區(qū)域的均值方差比較,提取的參數(shù)的誤差只要在允許的范圍內(nèi),即可判斷其內(nèi)圓區(qū)域是否合格.

2.2 注膠區(qū)域檢測(cè)

注膠區(qū)域主要檢測(cè)膠太多或者無(wú)膠,經(jīng)過(guò)canny邊緣檢測(cè)之后,膠水太多或者無(wú)膠區(qū)域的邊緣會(huì)被提取出來(lái),可以用canny邊緣檢測(cè)之后圖像中注膠區(qū)域里像素點(diǎn)不為0的點(diǎn)數(shù)之和N來(lái)表示注膠區(qū)域的情況.如果N大于設(shè)定的閾值,表示膠水太多或者無(wú)膠區(qū)域的面積越大.采用如下方法:

1)根據(jù)圓心和R2,R3提取出canny算子處理后的邊緣圖像中的注膠區(qū)域.

2)統(tǒng)計(jì)該區(qū)域像素點(diǎn)不為0的點(diǎn)數(shù)之和N.

3)將N與合格產(chǎn)品檢測(cè)得到的N′進(jìn)行比較,如果N-N′>T,視為注膠區(qū)域不合格,T為自定義的誤差上限.

2.3 外徑檢測(cè)

3 實(shí)驗(yàn)結(jié)果與分析

以VS2010為平臺(tái),設(shè)計(jì)了基于機(jī)器視覺(jué)的罐蓋缺陷檢測(cè).對(duì)罐蓋的三個(gè)部分進(jìn)行檢測(cè):外徑,注膠區(qū)域,內(nèi)圓區(qū)域.在3.2 GHz,4 G內(nèi)存的PC機(jī)上最快用時(shí)50 ms,最慢用時(shí)99 ms.實(shí)驗(yàn)過(guò)程中選擇幾個(gè)罐蓋圖檢測(cè)(圖5～圖9),部分參數(shù)如表1.

圖5 合格罐蓋Figure 5 Qualified cover

圖6 內(nèi)圓區(qū)域有劃痕Figure 6 Scratch defects

圖7 圓區(qū)域污染Figure 7 Contaminated cover

圖8 注膠區(qū)域不合格Figure 8 Plastic injection region is unqualified

圖9 外圓不合格Figure 9 Outer circle defects

表1 罐蓋的參數(shù)特征(0表示不合格,1表示合格,-表示未知)

Table 1 Parametric features of the cover (0: unqualified 1:qualified -:Unknown)

圖號(hào)外圓半徑/像素外圓徑圓度誤差注膠區(qū)域像素點(diǎn)數(shù)內(nèi)圓灰度均值內(nèi)圓灰度標(biāo)準(zhǔn)差合格5208．960682．98023011．3512732．655507116208．960684．35684011．4552435．668668307209．415043．28769119．5630216．351249108209．678254．2154115——09208．9216219．37150———0

實(shí)驗(yàn)數(shù)據(jù)表明，該算法檢測(cè)罐蓋合格與否的正確率達(dá)98%,但是對(duì)于一些細(xì)微的缺陷,比如內(nèi)圓和注膠區(qū)域之間有極小的漏洞、內(nèi)圓上有輕微的劃痕等,該方法不能進(jìn)行一一識(shí)別,這也是接下來(lái)要研究的問(wèn)題.

4 結(jié) 語(yǔ)

針對(duì)金屬罐蓋缺陷在線檢測(cè)提出一種新的檢測(cè)算法,能有效地分離出各個(gè)檢測(cè)區(qū)域并檢測(cè)各個(gè)區(qū)域的缺陷,對(duì)比已經(jīng)存在的罐蓋缺陷檢測(cè)算法[1-2],該算法能滿足生產(chǎn)線上產(chǎn)品檢測(cè)對(duì)時(shí)間和精度的要求.若加上罐蓋分揀平臺(tái),便可以設(shè)計(jì)出一套綜合的生產(chǎn)線上罐蓋缺陷檢測(cè)系統(tǒng).

接下來(lái)的工作需要在降低各種缺陷的誤差和檢測(cè)更多種類的缺陷特征等方面進(jìn)行完善,進(jìn)一步提高金屬罐蓋檢測(cè)算法的穩(wěn)定性,使該檢測(cè)算法應(yīng)用范圍更廣[10].

[1] 賀超英,張輝.基于機(jī)器視覺(jué)的罐蓋質(zhì)量檢測(cè)系統(tǒng)設(shè)計(jì)[J].儀表技術(shù)與傳感器,2010(2):85-90. HE Chaoying, ZHANG Hui. Design of cover quality visual inspection system based on machine vision[J].Instrument Technique and Sensor,2010(2):85-90.

[2] 許曉東.基于機(jī)器視覺(jué)的金屬罐蓋缺陷檢測(cè)[D].廈門:廈門大學(xué),2013. XU Xiaodong. Metal cover quality visual inspection based on machine vision[D].Xiamen: Xiamen University,2013.

[3] GUO Jiang, GU Duoyu, LI Shuxiao, et al. An automated vision-based inspection system for bearing gland covers[C]//Third International Symposium on Intelligent Information Technology Application. Nanchang: IEEE,2009:356-359.

[4] 張揚(yáng),朱善安.基于小波及紋理特征的軸承防塵蓋缺陷檢測(cè)[J].計(jì)算機(jī)工程,2010,38(6):247-250. ZHANG Yang, ZHU Shan’an. Bearing shield defect detection based on wavelet and texture feature[J].Computer Engineering,2010,38(6):247-250.

[5] 胡曉彤,董瑩瑩.基于機(jī)器視覺(jué)的金屬罐內(nèi)壁缺陷檢測(cè)[J].天津科技大學(xué)學(xué)報(bào),2014,29(3):63-67. HU Xiaotong, DONG Yingying. Detecting defects of metal cans’ inner wall based on machine vision[J].Journal of Tianjin University of Science & Technology,2014,29(3):63-67.

[6] 劉慧英,王小波.基于OpenCV的車輛輪廓檢測(cè)[J].科學(xué)技術(shù)與工程,2010,10(12):2987-2991. LIU Huiying,WANG Xiaobo.A vehicle contours detection method based on OpenCV[J].Science Technology and Engineering,2010,10(12):2987-2991.

[7] 朱桂英,張瑞林.基于Hough變換的圓檢測(cè)方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(6):1462-1464. ZHU Guiying, ZHANG Ruilin. Circle detection using Hough transform[J].Computer Engineering and Design,2008,29(6):1462-1464.

[8] 高云飛,李紅信,虎巍.基于最小二乘法橢圓的擬合點(diǎn)的選擇研究[J].信息通信,2014,136(4):6-7. GAO Yunfei, LI Hongxin, HU Wei. Study on the selection of fitting based on the least squares ellipse[J].Information & Communications,2014,136(4):6-7.

[9] TSAI D M. A machine vision approach for detecting and inspecting circular parts[J].The International Journal of Advanced Manufacturing Technology,1999(15):217-221.

[10] 王娟,周永霞.圖像處理在膠囊外形缺陷檢測(cè)中的應(yīng)用[J].中國(guó)計(jì)量學(xué)院學(xué)報(bào),2012,23(3):239-245. WANG Juan, ZHOU Yongxia. Image processing in capsule shape defect detection[J].Journal of China University of Metrology,2012,23(3):239-245.

Lid defects inspection based on machine vision

HE Jinbiao, ZHOU Yongxia

(College of Information Engineering, China Jiliang University, Hangzhou 310018, China)

According to the working environment and testing requirements on lids manufacturing lines, a computer vision-based lid defects detection algorithm was proposed to compensate for the shortcomings of the current manual inspection in speed, efficiency and accururacy. The new method inspected three main areas which include the lid cover circle, the plastic injection region and the inner circle.Experiment results show that the defect detection rate is up to 10 pieces per second.

machine vision; metal cans cover; visual inspection

1004-1540(2015)03-0269-05

10.3969/j.issn.1004-1540.2015.03.004

2015-04-01 《中國(guó)計(jì)量學(xué)院學(xué)報(bào)》網(wǎng)址：zgjl.cbpt.cnki.net

何金彪(1990- )，男，安徽省阜陽(yáng)人，碩士研究生，主要研究方向?yàn)闄C(jī)器視覺(jué)．E-mail：447336990@qq.com 通訊聯(lián)系人：周永霞，男，副教授．E-mail:zhou_yongx@163.com

TP391

A