基于改進形態(tài)學梯度的容器密封性檢測方法

李干,，吳建國，張堃,，楚啟超

（南通大學,，南通 226019）

摘要：目的 提出樣條插值亞像素邊緣檢測方法，以提高藥品容器密封性檢測的準確率,。方法 采用一種改進的亞像素邊緣檢測方法,，首先將抖動的模糊圖像進行復原，復原后的圖像經(jīng)過預處理后,，再采用改進的形態(tài)學梯度的樣條插值亞像素邊緣檢測方法,，以提高容器密封性檢測的效率和準確率，并在此基礎上進行模擬實驗,。結果 該方法的檢測準確率均在95%以上,，傳統(tǒng)方法很難達到這樣的效果。結論 該方法能夠很好地解決傳統(tǒng)檢測方法效率低的問題,，可以滿足實際的檢測需求,。

關鍵詞：邊緣檢測；形態(tài)學,；亞像素,；圖像復原

機器視覺檢測技術是一種融合了多學科的綜合技術，它涉及人工智能,、數(shù)字圖像處理,、控制技術等[1—3]。在藥品包裝密封性檢測領域中,，傳統(tǒng)方法有的通過機械裝置的旋轉扭力來判斷容器的密封性,，有的采用普通像素級別的檢測技術，傳統(tǒng)檢測技術的精度已經(jīng)不能夠滿足實際的要求,，且藥品容器在包裝過程中,，傳送帶的抖動易造成目標藥品容器成像模糊，因此需要采用亞像素級別的高精度算法來提高檢測效率和準確率,。文中藥品容器密封性的判斷通過改進形態(tài)學梯度的樣條插值亞像素邊緣檢測方法檢測出準確精細的藥品容器邊緣,，如果邊緣越精細，那么從藥品容器邊緣上找出的最高點和瓶頸點就越準確,，兩點之間的高度差范圍也就越小,，從而提高藥品容器密封性檢測的準確率。

1 檢測實驗系統(tǒng)構建

1.1 硬件結構

文中的檢測實驗系統(tǒng)一共分為 4個部分,，即照明,、圖像采集、圖像處理和控制,。照明部分是整個系統(tǒng)的開始,，其質量將會影響到機器視覺系統(tǒng)的檢測效果。圖像采集單元采用典型的工業(yè)攝像機和日本精工的攝像頭,。圖像處理單元則采用工控計算機,，主要對采集過來的圖像進行處理?？刂茊卧饕獙ο到y(tǒng)的參數(shù)進行設定,，獲取圖像處理計算的結果，以及綜合控制每個部分,，而這種復雜的綜合控制若利用傳統(tǒng)的工控計算機或普通的控制器來控制輸入輸出,，其靈活性會變差，且成本不可控,。為此,，該單元將運算速度快、控制靈活的ARM處理器作為核心控制器,。硬件結構見圖1,。

圖1 檢測實驗系統(tǒng)硬件結構
Fig.1 Hardware structure of testing experiment system

1.2 軟件平臺

系統(tǒng)軟件平臺的主要任務是對硬件實現(xiàn)控制，并將每一部分的硬件建立通信,。μC/OS-II是一個能夠實現(xiàn)可剪裁,、可移植、多任務,、實時性強等多種功能的嵌入式系統(tǒng),，被廣泛應用在現(xiàn)代控制領域中[4—6]。檢測系統(tǒng)采用由Willow Garage支持提供的開源的計算機視覺庫OpenCV,，機器視覺和圖像處理方面的普遍算法都能夠在其庫中實現(xiàn),。另外,，由于藥品容器密封性檢測所需要的像素精度比較高，為了提高檢測效率和準確度,，文中又加入了自己的算法來融合該檢測系統(tǒng)的視覺功能,。

2 圖像處理方法

2.1 圖像復原

在圖像采集的過程中，由于存在晃動,、光源,、背景噪聲等影響因素，系統(tǒng)采集的圖像變得模糊,，所以必須先對圖像進行去模糊復原,。為了縮短計算時間，文中擬研究一個模糊圖像的重建算法,，將圖像金字塔從下至上分為大比例的細節(jié)圖像,、中間部分的細節(jié)圖像、小比例的細節(jié)圖像和低頻部分的細節(jié)圖像這4個部分,，然后對每個部分應用R-L方法,，金字塔的頂部與中間的預處理圖像尺寸分別是預處理圖像的1/4和1/16。較低分辨率和小尺度的圖像在較大的尺度下采用R-L反卷積方法進行卷積,，另外通過殘差去卷積的方法,，對在剩余尺度下的圖像進行處理。最后,，結合各層的輸出結果,，獲取這個復原圖像。文中的金字塔式R-L方法見圖2,。其中g為模糊圖像,，f為復原圖像，?為卷積操作符,，為近似圖像,，L為低通濾波器，H為金字塔每一層的細節(jié)圖像,，表示金字塔圖像的每一層采樣尺度,，↓表示金字塔圖像從上層到下層進行采樣計算，↑表示金字塔圖像從下層到上層進行反卷積,。從圖2可以看出,，模糊圖像通過低通濾波器分解成大比例的細節(jié)圖像，金字塔結構可用公式表示,。

圖2 算法的4層金字塔結構
Fig.2 Four-layer pyramid structure of the algorithm

1）大比例的細節(jié)圖像：

2）中間部分的細節(jié)圖像：

3）小比例的細節(jié)圖像：

4）低頻部分的細節(jié)圖像：

當進行圖像復原時,，R-L去卷積方法分別被應用到中，可分別通過來表示輸出,。

式中：inpain()為 R-L算法思想,，圖像中銳利邊緣部分通過低通濾波器和采用處理方式得到復原,。復原過程可表示為：

式中：為近似圖像。對于金字塔結構的圖像,，每層需要采用相應的頻率段,。在大比例的細節(jié)中,，復原的不準確性會導致明顯的人類視覺感知問題,，為了避免這個問題，可減少在大比例情況下的迭代次數(shù),。與此相反,，在低頻部分，要使用比高頻更多的迭代次數(shù),。對頂層部分則使用相對較大的迭代次數(shù),。

2.2 邊緣檢測

2.2.1 亞像素邊緣檢測

圖像的很多信息集中在了圖像的邊緣，后期的圖像處理依賴于這些信息,。方向和幅度這兩種屬性是圖像邊緣的重要信息,，兩種屬性沿邊緣方向變化平緩，而垂直于邊緣方向的變化相反,。針對文中藥品容器密封性質量檢測精度的要求,，利用邊緣檢測方法檢測出邊緣，獲取藥品容器瓶頂和瓶頸之間的高度差作為判斷條件,，那么傳統(tǒng)的邊緣檢測精度所產(chǎn)生的誤差較大,，不能夠達到藥品容器密封性檢測的要求。由此,，文中檢測算法運用了亞像素的概念[7—9],。當前國內外比較熱門的亞像素邊緣檢測方法檢測出的邊緣抗噪聲能力強，定位精度高,，在實際生產(chǎn)應用中比較廣泛[10—13],。文中采用一種改進的檢測方法，即基于改進的形態(tài)學梯度的樣條插值亞像素邊緣檢測方法,，該方法的核心是將三次樣條插值法與改進的形態(tài)學梯度算子結合起來,。

2.2.2 三次樣條插值

目前，圖像處理領域中已經(jīng)有很多不同的插值算法,，最鄰近插值法和雙線性插值法的計算過程較復雜,，耗時較長，因此文中采用改進的三次樣條函數(shù)對圖像粗級邊緣進行插值處理,，改進的三次樣條插值函數(shù)定義為以下內容,。如果函數(shù)S(x)達到以下3個條件：S(x)在每個區(qū)間[xi?1,xi]（i=1，2…n）上是一次和二次的多項式,；若S(x),，S'(x),，S'' (x)在[a，b]上都是連續(xù)的,；滿足上述2個條件后,，如滿足 S(xi)=zi（i=1，2…n）,，則稱 S(x)為函數(shù) f(x)關于節(jié)點 x0,，x1…xn的三次樣條插值函數(shù)。

若S(xi)=mi（i=0,，1…n）,，在每個小區(qū)間[xi, xi+1]內，利用三次樣條插值公式可得：

式中： a（ x）和 R（ x）為插值基函數(shù),；z和m為樣條插值節(jié)點,。通過式（10）可知，只要求出mi,，即可得出S(x),。

文中所使用的改進的三次樣條插值函數(shù)的表達式為：

式中：w為樣條節(jié)點。

2.2.3 改進的亞像素邊緣檢測方法

該方法首先將被檢測目標圖像進行像素級粗級定位,，采用改進的形態(tài)學梯度算子的結構元素,，分別為十字形和交叉型，然后通過形態(tài)學梯度算子對采集到的藥品容器圖像進行處理,，對藥品容器圖像邊緣進行粗級定位,。接著對粗級的藥品容器圖像采用三次樣條插值法進行插值運算，進行亞像素精定位,。最后,，利用形態(tài)學算子進行優(yōu)化，從而高效地檢測出目標圖像邊緣[14],。改進的算法流程見圖3,。

為了驗證該方法的檢測效果，文中將傳統(tǒng)的幾種方法與該方法進行對比,，效果見圖4,。

圖3 邊緣檢測實現(xiàn)流程
Fig.3 The implementation process of the edge detection

圖4 邊緣檢測方法比較
Fig.4 Comparison of edge detection methods

2.3 密封性檢測

密封性檢測的主要思想是根據(jù)邊緣檢測方法檢測出的精細邊緣，從中提取到藥品容器的最高點和容器瓶頸的角點,，利用這兩點的距離差,，也就是高度差來判別藥品容器密封性質量。檢測出來的邊緣精細度將會影響最高點和瓶頸的角點的選取,。另外,，該環(huán)節(jié)的難點在于如何取到藥品容器瓶頸的角點，角點的精確提取也將會影響判別藥品容器密封性高度差的范圍[15]。針對文中所檢測目標具有的特征,，采用在CSS的基礎上進行改進的角點檢測方法,。

首先引用文獻[14]對曲率的定義，將曲線的曲率定義為：

式中：

其 中 gu(u, σ),， guu(u, σ)分 別 為 高 斯 核 函 數(shù)關于 u的一階導數(shù)和二階導數(shù),。

角點是某一局部曲率值最大的點，改進的 CSS角點檢測算法可以找出這些局部曲率值最大點的具體位置,。實現(xiàn)過程為：提取藥品容器圖像邊緣的方法采用形態(tài)學邊緣檢測,；采用三次樣條插值算法對圖像不連續(xù)的邊緣進行填充；候選角點的判定則是通過選擇局部絕對曲率最大且大于預先設定的閾值的方法,。

提取藥品容器的最高點的算法相對簡單,，基本計算步驟為以下3步。

1）預處理后的圖像用數(shù)組 a(x, y)表示,，圖像長用la表示，寬用ba表示,。

2）初始化,，設定起始點和終點值為

3）對圖像邊緣進行掃描，并開始賦值操作,。對整幅圖像從左到右,，從下到上進行掃描。如果 a(x,y)=1,，就將坐標x與xmax的大小進行比較,，把較大的值賦給xmax；比較坐標x與xmin的大小,，把較小的值賦給xmin,。同理，可以進行ymax與ymin的賦值操作,。

將最高點與藥品容器瓶頸點進行運算得到高度差,，與判斷藥品容器密封性檢測的標準進行比較，若在標準范圍內則合格,，反之則不合格,，而該標準的范圍由大量實驗確定。

3 分析檢測結果

傳統(tǒng)的檢測方法有的采用人工抽檢,，或通過機械裝置的旋轉扭力進行判斷,，這些方法與文中的方法沒有可比性，因此為了驗證文中所采用算法的精度,，實驗過程中將文中方法與傳統(tǒng)的像素級方法進行對比,，部分數(shù)據(jù)見表1。

傳統(tǒng)的像素級方法檢測出的邊緣是粗級的，確定的藥品容器頂部和瓶頸也不準確,，2點間的高度差范圍也會隨之擴大,，檢測的準確率大大降低。文中方法確定的邊緣是精細的,，2點的確定也會變得準確,，從而縮小高度差標準范圍來提高檢測的準確率。表1將容器瓶蓋的圓周分為16等分,，1/16代表將處于旋緊狀態(tài)的瓶蓋向逆時針方向旋轉 1/16個圓,，2/16則表示逆時針方向旋轉 2/16個圓，以此類推,。從數(shù)據(jù)可以看出,，傳統(tǒng)的像素級別的檢測準確率在 1/16～5/16時是很低的，而采用文中方法后,，準確率達到95%及以上,。

表1 檢測方法的對比
Tab.1 Comparison of detection methods %

擰緊程度準確率傳統(tǒng)的像素級檢測方法 文中改進的檢測方法1/16 8.39 95.48 2/16 10.52 96.52 3/16 13.34 97.85 4/16 21.56 97.71 5/16 52.41 98.92

4 結語

針對藥品包裝行業(yè)的容器密封性檢測精度所存在的問題，結合生產(chǎn)實際,，設計了適合藥品包裝行業(yè)的容器密封性檢測方法,。實驗結果表明，該檢測方法大大降低了傳統(tǒng)像素級檢測方法所帶來的精度誤差,，且算法的改善在一定程度上縮短了檢測時間,。從實驗數(shù)據(jù)來看，藥品容器越接近密封狀態(tài),，該檢測方法的準確率會有所降低,，因此后期還需在減小檢測誤差方面進行優(yōu)化，進一步提高藥品容器密封性檢測系統(tǒng)的擴展性和穩(wěn)定性,，使其能得到更廣泛的應用,。

參考文獻：

[1]孫波. 數(shù)字圖像角點檢測算法的研究[D]. 合肥: 合肥工業(yè)大學, 2013.SUN Bo. Research on Digital Image Corner Detection Algorithm[D]. Hefei: Hefei Polytechnic University,2013.

[2]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(15):61—63.GUO Ke-you, LIAN Li-bing, LI Na, et al. Research on Beer Bottle Defect Detection System Based on OpenCV[J]. Manufacturing Automation, 2014(15):61—63.

[3]周顯恩, 王耀南, 朱青, 等. 基于機器視覺的瓶口缺陷檢測方法研究[J]. 電子測量與儀器學報, 2016,30(5): 702—713.ZHOU Xian-en, WANG Yao-nan, ZHU Qing, et al.Research on Detection Method of Bottle Neck Defects Based on Machine Vision[J]. Journal of Electronic Measurement and Instrumentation, 2016, 30(5): 702—713.

[4]王舒憬, 陳凱. 基于圖像處理的智能電表顯示缺陷自動檢測系統(tǒng)設計[J]. 電測與儀表, 2016, 53(4):63—68.WANG Shu-jing, CHEN Kai. Design of Automatic Detection System Based on Image Processing for Intelligent Meter[J]. Electrical Measurement and Instrumentation, 2016, 53(4): 63—68.

[5]何修遠. 基于機器視覺的 PET瓶蓋缺陷在線檢測技術研究[D]. 廣州: 廣東工業(yè)大學, 2015.HE Xiu-yuan. Research on Online Detection Technology of PET Bottle Cap Defects Based on Machine Vision[D]. Guangzhou: Guangdong Institute of Technology, 2015.

[6]張小洪, 李博. 一種新的 Harris多尺度角點檢測[J].電子與信息學報, 2007, 29(7): 1735—1738.ZHANG Xiao-hong, LI Bo. A New Harris Multi Scale Corner Detection[J]. Journal of Electronics and Information, 2007, 29(7): 1735—1738.

[7]師文, 朱學芳, 朱光, 等. 基于形態(tài)學的MRI圖像自適應邊緣檢測算法[J]. 儀器儀表學報, 2013, 34(2):408—414.SHI Wen, ZHU Xue-fang, ZHU Guang, et al. Adaptive Edge Detection Algorithm for MRI Images Based on Morphology[J]. Journal of Instrumentation, 2013,34(2): 408—414.

[8]孫智鵬, 邵仙鶴, 王翥, 等. 改進的自適應 Canny邊緣檢測算法[J]. 電測與儀表, 2016, 53(6): 17—21.SUN Zhi-peng, SHAO Xian-he, WANG Zhu, et al.Improved Adaptive Canny Edge Detection Algorithm[J]. Electrical Measurement and Instrumentation,2016, 53(6): 17—21.

[9]李知菲, 陳源. 基于聯(lián)合雙邊濾波器的 Kinect深度圖像濾波算法[J]. 計算機應用, 2014, 34(8): 2231—2234.LI Zhi-fei, CHEN Yuan. Kinect Depth Image Filtering Algorithm Based on Joint Bilateral Filter[J]. Computer Application, 2014, 34(8): 2231—2234.

[10]胡林合. 機器視覺缺陷檢測系統(tǒng)若干問題的研究[D]. 合肥: 合肥工業(yè)大學, 2010.HU Lin-he. Research on Some Problems of Machine Vision Defect Detection System[D]. Hefei: Hefei Polytechnic University, 2010.

[11]王志強. 基于 ARM的表面深度檢測系統(tǒng)的研究[D].杭州: 中國計量學院, 2014.WANG Zhi-qiang. Research on Surface Depth Detection System Based on ARM[D]. Hangzhou: China Jiliang University, 2014.

[12]王一冰. 基于機器視覺的玻璃瓶缺陷檢測與抓取系統(tǒng)研究[D]. 長春: 長春工業(yè)大學, 2016.WANG Yi-bing. Research on Glass Bottle Detection and Grab System Based on Machine Vision[D]. Chang-chun:Changchun University of Technology, 2016.

[13]PABLO A C, SERGIO N T, WANGER E R, et al. A Machine Vision System for Automatic Detection of Parasites Edotea Magellanica in Shell-off Cooked Clam Mulinia Edulis[J]. Journal of Food Engineering,2016, 181: 84—91.

[14]LU Jun, ZHANG Hong-tao, WEI De-yun, et al. A Method for Determining Surface Free Energy of Bamboo Fiber Materials by Applying Fowkes Theory and Using Computer Aided Machine Vision Based Measurement Technique[J]. Journal of Shanghai Jiaotong University(Science), 2012, 17(5): 593—597.

[15]MICHAL S, BARTOSZ P, MARCIN M, et al. Machine Vision Micro Milling Tool Wear Inspection by Image Reconstruction and Light Reflectance[J]. Precision Engineering, 2016, 44: 236—244.

The Method of Detecting the Tightness of Containers Based on Improved Morphological Gradient

LI Gan, WU Jian-guo, ZHANG Kun, CHU Qi-chao
(Nantong University, Nantong 226019, China)

ABSTRACT: The work aims to propose a method for sample pixel edge detection of spline interpolation, so as to improve the accuracy of detecting the tightness of drug container. An improved sub-pixel edge detection method was adopted. Firstly, the shaking blurred image was recovered. After the preprocessing of the recovered image, the spline interpolation sub-pixel edge detection method of the improved morphological gradient was used to improve the efficiency and accuracy to detect the container tightness. Based on that, the simulation experiment was conducted. The detection accuracy of such method was above 95%. It was very hard for the traditional method to achieve such effect. The method can solve the problem of low efficiency of traditional detection methods properly, and it can meet the actual detection needs.

KEY WORDS: edge detection; morphology; sub-pixel; image restoration

中圖分類號：TB487

文獻標識碼：A

文章編號：1001-3563(2017)21-0109-05

收稿日期：2017-05-05

作者簡介：李干（1993—），男,，南通大學碩士生,，主攻機器視覺。

通訊作者：吳建國（1955—）,，男,，博士，南通大學教授,，主要研究方向為復雜生產(chǎn)過程系統(tǒng)的先進控制技術,。