王耀南 劉學兵 張 輝 周顯恩

湖南大學 機器人視覺感知與控制技術 國家工程研究中心 湖南 長沙 410082

0 引言

包裝是產(chǎn)品不可或缺的一部分，不僅能保護產(chǎn)品，而且能提升產(chǎn)品附加值，塑造品牌形象。中國包裝行業(yè)規(guī)模巨大，目前在包裝生產(chǎn)、產(chǎn)品包裝與運輸中很多環(huán)節(jié)依賴人工完成；人工方式存在效率低、成本高、勞動強度大等問題。隨著計算機、自動化技術的發(fā)展，機器視覺技術在包裝行業(yè)已逐漸替代人工完成各項生產(chǎn)活動。其具有執(zhí)行速度快、精度高、重復性好等特點，可顯著提高產(chǎn)品包裝自動化程度。可以預見，這種技術將成為包裝行業(yè)發(fā)展的主導技術之一。

機器視覺技術是一種模擬人類視覺感知系統(tǒng)的技術，如圖1所示，其通過相機獲取目標物體的圖像信息，利用視覺處理軟件對圖像進行處理，獲取有用信息，完成包裝的識別、檢測和測量等任務。常見的機器視覺系統(tǒng)包括光源、相機、鏡頭、圖像采集卡、工控機、圖像處理單元等[1]。光源、相機、鏡頭和圖像采集卡等設備構成了成像模塊[2]，實現(xiàn)待檢測目標的高質量圖像獲取。選擇合適的光源進行照明補光，可以減少外部環(huán)境的光干擾，增強檢測目標視覺特征。視覺處理軟件在工控機上運行，能對獲取圖像進行特征提取、圖像識別、目標分割與檢測等操作。其中，圖像特征是圖像處理的基石，常見的圖像特征包括目標紋理特征、幾何特征、顏色特征、變換系數(shù)特征等[3]，對圖像特征的分析與計算可實現(xiàn)目標物體的檢測、分割、識別與定位。

圖1 機器視覺系統(tǒng)組成Fig. 1 Machine vision system

本文擬針對包裝行業(yè)發(fā)展的技術需求，梳理機器視覺技術的應用現(xiàn)狀，總結其中涉及的關鍵技術問題，同時分析機器視覺技術在包裝行業(yè)中的應用趨勢。

1 機器視覺技術在包裝行業(yè)應用

機器視覺、圖像處理、模式識別等技術的飛速發(fā)展，提高了檢測準確性和生產(chǎn)效率。目前，包裝技術已廣泛應用于食品飲料、醫(yī)藥、3C（communication computer consumer）電子產(chǎn)品、物流以及煙草等行業(yè)[4]，其中涉及的檢測需求多，如：包裝外觀破損、臟污、劃痕等缺陷檢測，包裝盒貼標、尺寸測量、計數(shù)等。本文全面梳理食品飲料行業(yè)中容器外觀缺陷檢測、醫(yī)藥行業(yè)中藥瓶和藥片包裝密封性檢測、3C電子產(chǎn)品的包裝盒貼標和外觀完整性檢測、物流行業(yè)分揀裝箱檢測、煙草行業(yè)中包裝缺陷檢測等涉及到的機器視覺技術相關研究。

1.1 食品飲料行業(yè)

目前，食品飲料廣泛采用機械化生產(chǎn)，人工檢測的速度已完全不能適應這種灌裝生產(chǎn)線的要求。為適應食品飲料行業(yè)檢測的需要，機器視覺技術應運而生，其工作流程如圖2所示，通過輸送鏈將待檢測空瓶依次傳送到視覺成像工位，獲取圖像，圖像經(jīng)工控機處理后，執(zhí)行機構剔除不合格產(chǎn)品，完成產(chǎn)品質量檢測。

圖2 食品飲料視覺檢測機器人Fig. 2 Food and beverage vision inspection robot

1）玻璃瓶缺陷檢測

玻璃瓶屬于易碎品，生產(chǎn)中常因碰撞而產(chǎn)生裂紋。使用帶缺陷的玻璃瓶包裝食品飲料，不僅影響品質，而且極易產(chǎn)生安全隱患，威脅消費者的健康，因此，玻璃瓶質量檢測是生產(chǎn)中一個必不可少的環(huán)節(jié)。玻璃空瓶缺陷檢測機器人（見圖3）能針對圖4所示的各類空瓶缺陷完成質量檢測。Qian J. F.等[5]提出了一種基于連續(xù)小波變換結合先驗知識的閾值分析算法：首先通過均值濾波器對采集到的玻璃瓶瓶口圖像進行平滑處理，然后進行連續(xù)小波變換，準確獲得分割閾值，最后使用基于灰度直方圖的單閾值分割算法獲得瓶口的二值圖像，對比經(jīng)過同樣處理的完好瓶口圖像以判斷缺陷情況。另外，考慮到在啤酒瓶瓶口質量檢測過程中，存在部分瓶口圖像的缺陷灰度值變化范圍大、邊緣區(qū)域干擾多的問題，周顯恩等[6]提出了基于隨機圓評估的三角圓周定位法，以提高抗干擾能力和定位精度。在此基礎上，他們提出了殘差分析動態(tài)閾值分割與全局閾值分割結合的瓶口缺陷檢測方法，以克服灰度變化和瓶口缺失對檢測結果的影響。該檢測方法能對受強干擾、大缺陷的瓶口進行快速、準確的定位和檢測，但其閾值太多，且閾值需要通過大量的實驗測試來確定。黃森林等[7]提出一種基于隨機圓擬合評估的四圓周定位法，以提高瓶口檢測區(qū)域的定位精度。在此基礎上，他們提出了基于投影特征的分區(qū)域磁滯閾值分割的智能瓶口缺陷檢測方法，以便應用于高速、高精度的空瓶檢測機器人工作流程中。在啤酒瓶瓶底檢測中，范濤等[8]針對當前瓶底圓心定位方法精度不高、瓶底防滑紋區(qū)域缺陷易誤檢等問題，根據(jù)瓶底防滑紋的幾何特征，提出了一種改進的基于變權重隨機圓擬合的瓶底定位算法：首先采用重心法對瓶底圓心進行快速預定位，再采用變權重隨機圓擬合法實現(xiàn)瓶底精確定位，然后檢測瓶底圖像疑似缺陷區(qū)域，并提取區(qū)域面積、輪廓長度、圓形度、灰度方差和灰度均值等特征，采用支持向量機（support vector machine，SVM）算法進行分類決策，檢測缺陷。實驗結果表明，瓶底定位誤差小于6個像素，缺陷檢測準確率為92.7%，此瓶底定位算法能滿足實際生產(chǎn)精度要求。在瓶身外觀缺陷檢測中，針對現(xiàn)有方法缺乏對紋理圖案檢測的問題，鄭葉欣等[9]提出了一種基于相位變換（phase only based transition，POBT）的檢測算法：通過歸一化去除規(guī)則紋路區(qū)域的低頻分量，應用概率修正自適應閾值分割方法對去除紋理留下的缺陷圖像進行分割，最后完成高速、高精度的瓶身缺陷檢測。

圖3 玻璃空瓶缺陷檢測機器人Fig. 3 Empty glass bottle defect detection robot

圖4 玻璃空瓶缺陷類型Fig. 4 A variety of glass empty bottle defects

2）金屬罐蓋缺陷檢測

金屬罐容器因具有保護性好、儲藏運輸方便等優(yōu)點而被食品飲料廠商廣泛使用，但金屬罐蓋的制作工藝復雜，其在生產(chǎn)中易出現(xiàn)劃痕、缺口等質量問題，從而影響食品飲料的保存和使用。Feng B.等[10]為了實現(xiàn)不合格罐蓋的在線檢測和剔除，設計了一種基于機器視覺的雙通道檢測系統(tǒng)：傳送帶將罐蓋運送至檢測位置并觸發(fā)相機拍攝圖像，圖像經(jīng)基于模板匹配和變異模型的算法處理后，根據(jù)結果剔除不合格的罐蓋。該系統(tǒng)準確率達98.7%，檢測速度達1200次/min，可檢測出雙封面、無膠、肩劃傷、變形等缺陷。為了檢測罐蓋表面的缺陷和變形，Chen T. J.等[11]針對圖5所示的各類罐蓋外觀缺陷，設計了圖6所示的實時罐裝金屬蓋檢測機器視覺系統(tǒng)：利用結合先驗形狀約束的熵率聚類算法定位罐蓋，并將其劃分為多個測量區(qū)域；采用超像素分組和選擇方式查找中心區(qū)的缺陷區(qū)域；而對于另外3種環(huán)形測量區(qū)域，引入多尺度脊谷檢測算法沿其投影輪廓尋找缺陷和變形。在線實驗結果顯示，該系統(tǒng)可以找出大部分罐蓋缺陷，對各種圓形罐蓋的檢測準確率高達99.48%。

3）飲料瓶缺陷檢測

塑料瓶是廣泛使用的食品飲料包裝之一，但其在生產(chǎn)、運輸以及灌裝環(huán)節(jié)中容易出現(xiàn)損傷，因此，非常有必要在飲料灌裝前對塑料瓶進行質量檢測。Xie H.W.等[12]提出，可通過匹配定位、邊緣提取和對比度檢測等視覺算法對塑料瓶蓋封裝質量（如圖7所示）進行檢測。此外，針對人工檢測方式存在效率不高、穩(wěn)定性差等問題，Wang Y. S.等[13]設計了一種基于機器視覺大數(shù)據(jù)分析和多傳感器信息融合的飲料瓶缺陷檢測方法，并根據(jù)所使用的飲料瓶圖像建立大數(shù)據(jù)樣本庫。此檢測方法是通過待檢測的飲料瓶圖像與大數(shù)據(jù)樣本庫中的比較來確定缺陷類型及位置的。實驗結果表明，此檢測方法的效率和精度顯著高于人工檢測，能夠滿足生產(chǎn)線中塑料瓶質量檢測要求。

圖7 塑料瓶蓋封裝缺陷類型Fig. 7 Types of plastic bottle cap packaging defects

4）包裝印刷缺陷檢測

印刷品質量檢測與控制是工業(yè)產(chǎn)品質檢的重要內容，相較于一般印刷品，包裝印刷品易出現(xiàn)飛墨、褶皺、破損、刀絲等質量缺陷。使用存在印刷缺陷的包裝，會影響產(chǎn)品形象，降低消費者對產(chǎn)品的期望值，導致產(chǎn)品價值降低。因此，在食品飲料生產(chǎn)線上，需要對外包裝的印刷質量進行檢測，以剔除不合格產(chǎn)品。周繼彥等[14]提出了一種快速圖像配準算法：根據(jù)包裝印刷品圖像特征選擇配準區(qū)域，利用改進的差影匹配算法將配準區(qū)域與標準區(qū)域進行匹配分析，實現(xiàn)缺陷檢測。經(jīng)過24組包裝樣品實驗驗證，該配準算法的檢測準確率達到了100%，其能夠準確識別細微的刀絲、拉條類缺陷。李瑩等[15]針對污染、飛墨等缺陷，在傳統(tǒng)小波變換的基礎上，提出了一種改進算法，該算法能增強圖像特征信息，包括圓形度、長寬比、灰度標準差等。Zhang E. H.等[16]提出了基于圖像投影的快速缺陷檢測方法，其將二維圖像搜索轉換為一維特征匹配，利用凹凸形狀上下文描述子降低特征維度，以滿足輪轉膠板印刷過程中的快速檢測需求，另外，針對工業(yè)場景中負樣本較少而導致的不平衡數(shù)據(jù)樣本問題，采用深度網(wǎng)絡模型[17]獲取樣本的高層次特征，并構造了一個大型印刷品檢測數(shù)據(jù)集，7種方法的對比結果驗證了所提方法的有效性。

1.2 醫(yī)藥行業(yè)

目前，藥品包裝形式主要有鋁塑泡罩、瓶裝和鋁塑膠囊3種。其中，鋁塑泡罩包裝具有貯存期長、阻隔性好、攜帶方便等優(yōu)點，是制藥市場中主流包裝方式。隨著制藥機械自動化程度提高，為保障藥品的運輸、使用安全，避免缺粒、包裝破損、夾雜異物等問題，對藥品包裝進行缺陷檢測十分必要。

1）鋁塑泡罩

許多學者對基于機器視覺的藥品包裝質量檢測問題進行了深入的研究。針對鋁塑泡罩包裝中藥片漏裝、殘缺的問題，鄭龍等[18]設計了一種藥品包裝檢測方法，該方法對藥片漏裝、大面積殘缺的檢測準確率接近100%，但隨著殘缺面積的減小，其檢測效果有所下降。方文星等[19]采用快速魯棒特征提取算法（speeded up robust features，SURF）、詞袋算法（bag-of-words，BoW）和單分類支持向量機組成的缺陷檢測算法框架，實現(xiàn)了鋁塑泡罩藥品包裝缺陷檢測。其在搭建的實驗平臺進行缺陷檢測測試，當閾值為1900、視覺單詞數(shù)量為120、懲罰因子為0.9時，系統(tǒng)準確率為99.4%。王俊等[20]鑒于傳統(tǒng)歸一化互相關算法（normalized cross correlation，NCC）存在計算量大和無法適應圖像旋轉的問題，提出一種改進算法：對原始圖像進行預處理后，通過仿射變換使其變換至指定位置（如圖8所示），接著提取單個泡罩區(qū)域作為模板并構建積分圖，再變換至相同位置后與標準模板圖像進行查表式匹配，進而識別藥板缺損、漏裝等缺陷。與傳統(tǒng)算法相比，改進后的算法能快速完成泡罩區(qū)域的提取，算法速度得到極大提升。Jiang Y. Q.等[21]通過彩色圖像加權濾波方法對鋁塑泡罩包裝圖像進行預處理，即將藥片分為彩色和白色藥片，再采用基于視覺顯著性分析的目標分割方法從背景圖像中分割出兩種藥片，然后利用Canny算子對藥片進行邊緣檢測，最后采用連通域標記方式，利用支持向量機檢測藥片漏裝、殘缺、劃痕等缺陷。此外，Li G.等[22]將形狀模板匹配算法應用于藥品泡罩包裝缺陷檢測：通過搜索算法對模板圖像進行定位，并比較檢測區(qū)域與模板區(qū)域的灰度值差，判斷是否存在藥片漏裝、畸形缺失。該算法與傳統(tǒng)缺陷檢測算法相比更具靈活性。

圖8 改進NNC算法的檢測效果圖Fig. 8 Detection effects of the improved NNC algorithm

2）玻璃瓶裝

市場上大多采用圖9所示的玻璃藥瓶缺陷檢測機器人檢測玻璃瓶外觀缺陷。張寒樂等[23]開發(fā)了一套醫(yī)藥西林瓶在線視覺檢測系統(tǒng)。該課題組重點研究檢測系統(tǒng)的機械與電氣結構，并設計了圖10所示的機械傳動與圖像采集裝置；該裝置能根據(jù)西林瓶不同部位的檢測要求，采用圖11所示瓶口、瓶身與瓶底3種成像方案。郜明等[24]提出了一種機器視覺與輕量級卷積神經(jīng)網(wǎng)絡相結合的安瓿瓶質量檢測算法：先利用閾值分割和仿射變換算法對圖像進行閾值處理、傾斜校正和感興趣區(qū)域提取，然后用輕量級卷積神經(jīng)網(wǎng)絡識別缺陷。將不同算法部署在Jetson Nano嵌入式平臺進行算法準確率及檢測速度測試，測試結果表明所提算法能達到較高的檢測速度和準確度（如圖12所示）。為了使玻璃小瓶達到標準尺寸、降低尺寸缺陷率，M. Eshkevari等[25]提出一種基于機器學習的玻璃小瓶尺寸缺陷檢測算法：通過啟發(fā)式分割方法提取小瓶邊界。

圖9 玻璃藥瓶缺陷檢測機器人Fig. 9 Defect detection robot for glass medicine bottles

圖10 醫(yī)藥檢測機器人機械結構Fig. 10 Mechanical structure of pharmaceutical inspection robot

圖11 醫(yī)藥瓶不同部位成像方案示意Fig. 11 Imaging schematic diagram of different parts of medicine vial

圖12 不同網(wǎng)絡訓練效果Fig. 12 Training effects for different networks

3）鋁塑膠囊

針對藥品包裝盒內鋁塑膠囊的計數(shù)需求，M.Bahaghighat等[26]提出了一種基于機器學習的藥盒內吸塑卡計算方法，該方法包括特征提取、目標檢測和分類等步驟。針對現(xiàn)有膠囊缺陷檢測方法存在速度慢、精度低等問題，鄭世長等[27]采用圖13所示的檢測流程采集膠囊圖像，檢測膠囊的表面、端面及內部缺陷；實驗結果表明該系統(tǒng)具有較好的應用能力。王娟等[28]對膠囊圖像采用改進的中值濾波、雙峰直方圖、形態(tài)學操作和Hough直線檢測等方法，得到膠囊的面積、周長、壁長以及膠囊兩端圓弧的近似長度等特征參數(shù)，進而判別膠囊外形是否合格。

圖13 鋁塑膠囊自動檢測系統(tǒng)流程Fig. 13 Automatic detection flow for aluminum plastic pharmaceutical capsule

1.3 3C電子產(chǎn)品行業(yè)

隨著科技和經(jīng)濟的發(fā)展，3C電子產(chǎn)品市場急速擴增，但相關制造企業(yè)在包裝環(huán)節(jié)仍采用傳統(tǒng)的人工貼標和檢測等方式。人工方式存在耗時、包裝次品率高等問題。為提高生產(chǎn)效率，在圖14所示的包裝工藝流程中，一些企業(yè)引入了機器視覺技術實現(xiàn)自動化包裝盒貼標、條碼檢測以及缺陷檢測任務。相較于人工，機器能24 h不間斷地工作，對產(chǎn)品質量控制可以做到量化可控。

圖14 3C電子產(chǎn)品包裝工藝流程Fig. 14 Packaging process of 3C electronic products

1）產(chǎn)品貼標

貼標是產(chǎn)品包裝的重要工序。標簽用于標識產(chǎn)品信息，保護產(chǎn)品外觀不受損壞。采用人工方式進行貼標，效率低，勞動強度大，難以滿足生產(chǎn)需求?；诖耍瑢＜覍W者設計了用機器視覺技術引導的機器人自動化貼標機，該機器具有效率高、貼標精準、穩(wěn)定性好等優(yōu)點。劉定操等[29]采用圖15所示的流程實現(xiàn)了產(chǎn)品包裝盒貼標工序。其先用形態(tài)學濾波和邊緣檢測等定位貼標區(qū)域，再用模板匹配算法檢測標簽的平整度和傾斜度。對多種規(guī)格包裝盒進行的貼標實驗表明，該系統(tǒng)平均正標率在99%以上。程宏等[30]設計了一種基于機器視覺的物體包裝盒實時貼標系統(tǒng)，其采用基于輪廓提取和形狀識別相結合的圖像處理技術實現(xiàn)標簽識別和實時定位。Wang X. B.等[31]針對手機后蓋的信息標簽貼標需求，采用中值濾波和高斯金字塔算法進行圖像降噪，利用Hough變換、8鄰域跟蹤算法和最小二乘法進行貼標位置檢測。杜紅超等[32]針對電池包標工藝要求，設計了兩套視覺檢測系統(tǒng)。兩套系統(tǒng)分別用于檢測標簽信息和貼標、包標位置，即采用模板匹配方法獲得標簽的平整度和旋轉角度信息，通過邊緣檢測算法和最小二乘法直線擬合獲得貼標、包標的位置信息。

圖15 基于機器視覺的自動貼標流程圖Fig. 15 Auto-labeling flow chart based on machine vision

2）條形碼檢測識別

條形碼是由不同寬度的平行線按照一定規(guī)則排列而成的機器可讀標識符，用于跟蹤產(chǎn)品、記錄價格和庫存量，提高運營效率。M. Katona等[33]提出了一種低成本的條形碼識別方法。其先通過3個層次分析條形碼的圖表，把產(chǎn)品信息保存在數(shù)據(jù)庫中，然后對條形碼進行掃描和解碼。檢測效果如圖16所示。Zhang Y.等[34]提出了一種在自然場景中快速魯棒的彩色條形碼檢測方法。其通過構造多種顏色交叉的特征檢測器篩選候選條碼區(qū)域，使用閾值方法將超過特定數(shù)量的區(qū)域聲明為條形碼區(qū)域。實驗結果表明該方法在復雜場景和目標模糊情況下具有良好的魯棒性。Lin S. C.等[35]設計了一種條形碼識別系統(tǒng)。其先將捕獲的彩色圖像轉換為灰度圖像，然后用OSTU算法對其進行二值化，采用CCL（connected component labeling）算法獲取標簽圖像，最后在標記圖像中搜索條碼區(qū)域。實驗結果表明該系統(tǒng)能夠識別旋轉或散焦的條形碼。

圖16 不同規(guī)格的條形碼感興趣區(qū)域提取效果Fig. 16 Different specifications of barcode region of interest extraction effect

3）包裝缺陷檢測

為了提高產(chǎn)品包裝盒的印刷缺陷識別率，史麗燕等[36]針對常見印刷缺陷類型，如點缺陷、線缺陷和面缺陷等，提出了基于機器視覺的缺陷檢測方法，并利用數(shù)字信號處理器（digital signal processor，DSP）搭建了檢測系統(tǒng)。該檢測系統(tǒng)通過改進傳統(tǒng)的小波變換增強圖像特征。實驗結果表明該檢測系統(tǒng)能夠顯著提高包裝印刷缺陷檢測準確率。針對現(xiàn)有包裝印刷品表面缺陷檢測效率低、缺陷類型識別較差的問題，邢旭朋等[37]提出了一種基于改進Perona-Malik（P-M）非線性擴散模型與圖像差分模型的配準方法。其通過非線性擴散模型增強缺陷區(qū)域特征，將缺陷區(qū)域與標準模板圖像進行配準以分析印刷質量，在鋰電池標簽表面的缺陷檢測實驗中。該方法的準確率高達99.97%，能滿足實際生產(chǎn)需求。王海波等[38]提出了改進灰度共生矩陣（gray level co-occurrence matrix，GLCM）的印刷品表面缺陷檢測方法：首先通過圖像預處理判斷印刷品是否存在形狀缺陷，然后用改進的GLCM提取特征，以提高算法效率和實時性，最后利用支持向量機完成不同類別缺陷的檢測。玻璃蓋板作為手機重要配件起到美觀、保護作用，為檢測其在絲印過程中出現(xiàn)的缺陷，Jiang J. B. 等[39]設計了一種同軸低角度混合明場光源系統(tǒng)，以實現(xiàn)劃痕和凹痕缺陷的清晰成像，并采用U-Net分割方法構造了超過3萬張圖像的數(shù)據(jù)集。測試結果表明，平均查準率達到91%，平均查全率超過95%。

1.4 物流行業(yè)

近年來，物流行業(yè)發(fā)展迅速，作業(yè)方式從傳統(tǒng)人工向自動化、智能化甚至無人化方式轉變，各類高效、快速的自動化物流設備在其中得到廣泛應用。學術界有關物流自動化的研究日益增長，且主要圍繞機器視覺技術而展開。Cognex公司針對物流行業(yè)自動化需求（如圖17所示）提出了一系列解決方案，如包裝條碼檢測、尺寸測量、包裹分類等[40]。

圖17 基于機器視覺的物流包裝檢測技術Fig. 17 Machine vision based logistics packaging detection technology

1）包裝位姿估計

倉庫自動化是物流行業(yè)發(fā)展的方向之一，其主要任務是完成產(chǎn)品的拾取和放置。C. Rennie等[41]提出了一種基于RGB-D視覺傳感器的包裝姿態(tài)檢測方法，實驗結果表明：采用圖18所示的物流分揀機器人克服了低照明、背景雜亂、無紋理和物體反光等問題，能測量不同貨架上的物流包裝位姿。此外，為了解決物流分揀機器人手眼視覺的三維快速標定問題，刁世普等[42]提出了利用三維標定板角點構建不同工件坐標系的方法。該方法使用隨機采樣一致性（random sample consensus，RANSAC）算法對局部點云進行擬合，得到多個平面，并求解多點約束參數(shù)，從而得到標定所需的變換矩陣。實驗結果表明，該方法平均絕對誤差為9.2 mm。

圖18 物流倉儲分揀機器人Fig. 18 Logistics warehousing sorting robot

2）包裝尺寸測量

為提高快遞行業(yè)的資源利用效率，降低包裝消耗，減少環(huán)境污染，物流企業(yè)需要優(yōu)化不同形態(tài)包裝件的封裝策略，獲取包裝件的精確尺寸是其中一個關鍵步驟。針對物流包裝的自動化測量要求，張慧敏等[43]用雙目視覺測量模型獲取包裝箱尺寸。其先采用SUSAN角點檢測算法（small univalue segment assimilating nucleus）檢測棋盤格圖像角點，再采用尺度不變特征變換算法（scale invariant feature transform，SIFT）找到2幅圖像對應的匹配特征點，最后利用視差值恢復圖像深度信息，求解包裝箱的長、寬、高值，測量平均誤差在1 cm左右。張志剛等[44]設計了圖19所示的雙目視覺尺寸測量流程，利用快速視網(wǎng)膜特征（fast retina keypoint，F(xiàn)REAK）描述子和改進的RANSAC提高匹配速度和準確率，測量平均誤差為4.9 mm。羅健等[45]同樣采用雙目視覺方案：首先通過阻滯增長神經(jīng)網(wǎng)絡進行標定，其次利用OTSU法對Canny算子進行自適應閾值選取，最后使用變權重AD-Census立體匹配算法進行關鍵點匹配，獲得輪廓點云圖，進而算出包裝尺寸。其測量平均誤差為1.8 mm。

圖19 雙目立體包裝箱尺寸測量流程Fig. 19 Dimensions measuring flow chart of binocular stereo for packing cases

3）包裝分揀

針對物流包裝在分揀過程中傳統(tǒng)人工方式存在的效率不足、管理困難等問題，物流企業(yè)開始采用機器視覺分揀方案。肖洪云等[46]提出，利用圖像識別技術和激光掃描技術，通過拍攝物流包裝上的條碼圖像以及激光掃描外觀尺寸，獲取貨物物流信息和幾何高度；通過工業(yè)總線上傳指令，實現(xiàn)物流分揀自動化。高振清等[47]利用雙目視覺識別技術實現(xiàn)坐標系之間的轉換，以定位目標貨物，輔助物流機器人抓取和搬運貨物。

1.5 煙草行業(yè)

煙草包裝質量檢測是煙草企業(yè)質量控制的關鍵環(huán)節(jié)。人工檢測方式的準確率和效率較低，已無法滿足煙草設備高速生產(chǎn)需求。因此，為煙草生產(chǎn)線設計配套的包裝質量檢測設備迫在眉睫。

顧昌鈴[48]設計了基于視覺的煙支檢測系統(tǒng)，該系統(tǒng)能有效檢測出現(xiàn)缺支、缺嘴、反支及煙支空頭的卷煙包裝。何文平等[49]構建了煙包封簽缺陷的實時檢測系統(tǒng)，該系統(tǒng)具有速度快、精度高的優(yōu)點，剔除準確率為93.2%。A. Sarkar等[50]基于LabVIEW平臺設計了一種香煙包裝缺陷自動診斷方法（如圖20所示），該方法能診斷煙盒內香煙數(shù)量和煙盒上的條碼是否有缺陷。Jin Z. X.等[51]根據(jù)煙草與薄膜表面特征的差異，構建了包含高光、飽和度和紋理密度的概率分布模型，基于此，提出了基于表面特征的煙草包裝膜殘留檢測算法：利用自適應梯形掩模和GrabCut分割算法對包裝前景區(qū)域進行精確分割，并通過形態(tài)學處理得到疑似薄膜區(qū)域，最后采用基于顏色特征的SVM算法對疑似薄膜區(qū)域進行判斷。劉浩等[52]對圖像快速定位配準和灰度差分進行深入研究，提出了改進的灰度差分算法，并設計了一種煙草小盒商標紙缺陷在線檢測系統(tǒng)。馮玉[53]針對煙包的鋁箔紙、稅票和商標紙缺陷，提出了視覺檢測系統(tǒng)，并在不同包裝速度和類型的煙草包裝機上部署該系統(tǒng)。實驗結果表明不合格煙包的剔除率明顯提高。趙藝等[54]針對小盒煙包的鋁紙和內框紙缺陷問題，設計了一種基于機器視覺缺陷檢測系統(tǒng)，實驗結果表明該系統(tǒng)能根據(jù)香煙類型選擇和調整檢測參數(shù)，實現(xiàn)不同品牌香煙的小盒煙包缺陷檢測。吳忠云等[55]針對裝箱過程中缺條問題，研發(fā)了基于機器視覺的裝箱缺條檢測系統(tǒng)，并對幾種煙箱缺條檢測方法進行了分析，結果見表1。

圖20 煙草外包裝缺陷檢測Fig. 20 Tobacco packaging defect detection

表1 不同煙箱缺條檢測方法的比較Table 1 Comparison of detection methods of missing strips in different cigarette packs

2 總結與展望

隨著工業(yè)生產(chǎn)自動化程度的不斷提高，產(chǎn)品質量控制成為現(xiàn)代化工業(yè)生產(chǎn)中不可或缺的環(huán)節(jié)。機器視覺作為工業(yè)自動化領域的關鍵技術，發(fā)展?jié)摿薮?，是未來制造業(yè)轉型升級的主要發(fā)展方向。目前，機器視覺技術在包裝領域的理論研究和實際應用中都取得了豐碩成果，但也存在以下一些亟待解決的問題：

1）通用高質量視覺成像難：獲取目標圖像是機器視覺技術的基礎，而圖像質量會直接影響后續(xù)視覺算法處理性能。在實際生產(chǎn)過程中，受作業(yè)環(huán)境、生產(chǎn)工藝和產(chǎn)品外觀等因素影響，獲取目標物體的高質量圖像較為困難。因此，如何構建穩(wěn)定、可靠的成像環(huán)境，突出圖像中目標物體特征是機器視覺技術的研究重點。

2）檢測與識別算法開發(fā)效率低：由于機器視覺應用范圍廣、任務多樣，檢測對象種類多、形態(tài)各異，作業(yè)環(huán)境因此變得非常復雜，從而使目標物體的圖像特征與其檢測參數(shù)之間統(tǒng)一的問題模型構建困難。在實際應用中，面對眾多機器視覺應用需求，采用標準的檢測與識別算法難以取得較好的效果，視覺處理算法開發(fā)效率低，這阻礙了機器視覺技術在工業(yè)領域的應用推廣。因此，建立標準化的視覺系統(tǒng)，研究泛化性更強的圖像處理算法是機器視覺技術發(fā)展的趨勢。

3）人工智能應用推廣慢：目前，人工智能、深度學習算法發(fā)展迅速，新的方法與理論不斷涌現(xiàn)，并在多個行業(yè)得到了較為成熟的應用。但是，在機器視覺領域，人工智能相關研究仍處于初級階段，究其原因：一是工業(yè)應用場景中，視覺處理任務對算法精度、速度以及穩(wěn)定性要求較高，現(xiàn)有人工智能算法在效率上難以滿足；二是現(xiàn)有人工智能算法普遍依靠數(shù)據(jù)驅動，而在工業(yè)環(huán)境中，獲取大規(guī)模數(shù)據(jù)樣本較難，并且存在正負樣本比例不均現(xiàn)象，導致無法獲得有效的數(shù)據(jù)樣本開展人工智能算法應用。因此，在未來的研究中，一方面，需要進一步結合工業(yè)應用背景來研究人工智能理論，提高算法的執(zhí)行效率與可靠性；另一方面，需要研究如何獲取大規(guī)模工業(yè)數(shù)據(jù)樣本，或者如何構建少樣本深度學習網(wǎng)絡模型。這是人工智能在工業(yè)領域應用的必經(jīng)之路。

4）高復雜度任務應用難：目前，機器視覺系統(tǒng)在包裝行業(yè)的應用中存在離散化、任務單一的情況，完成包裝環(huán)節(jié)涉及的機器人操作、定位、測量和檢測等多種任務需要多個視覺系統(tǒng)協(xié)作，而目前這些系統(tǒng)的協(xié)作性較差。因此，隨著工業(yè)自動化集成度不斷增強，未來機器視覺系統(tǒng)將朝著簡約化和多功能化方向發(fā)展。應通過設計靈巧機構，采用協(xié)作控制、任務調度等算法提高機器視覺系統(tǒng)多任務執(zhí)行能力；同時，應結合機器視覺標準化系統(tǒng)和人工智能算法，進一步提高視覺系統(tǒng)信息感知與數(shù)據(jù)分析能力。