CN102192911B - 一种基于机器视觉的金属瓶盖质量检测系统 - Google Patents

Abstract

本发明涉及一种基于机器视觉的金属瓶盖质量检测系统和方法，用于检测金属瓶盖的质量缺陷并将次品剔除掉。所述检测系统包括光学成像装置、图像处理装置、剔除装置和传送带。光学成像装置包括面阵工业相机、第一光检传感器和光源，图像处理装置是用于图像处理，剔除装置由控制电路板、第二光检传感器、电磁阀和喷气管组成。基于机器视觉的金属瓶盖质量检测方法，所述方法先提取模板瓶盖图像感兴趣的最大轮廓尺度并建立模板瓶盖图像的旋转不变性特征模板矩阵；根据感兴趣的最大轮廓尺度提取待检测瓶盖的圆形轮廓，计算待检测瓶盖的圆形轮廓所包围区域的旋转不变性特征矩阵，并与旋转不变性特征模板矩阵匹配，从而判断出待检测瓶盖是合格品还是次品。

Description

一种基于机器视觉的金属瓶盖质量检测系统

技术领域

本发明属于图像传感技术和计算机控制技术领域，特别涉及一种用于检测金属瓶盖质量信息的基于机器视觉的在线质量检测系统和方法。 

背景技术

生产加工及包装行业里，常需要对各种零器件进行在线质量检测，而金属瓶盖是一种经常需要检测的配件。瓶盖的质量缺陷会影响到后续饮料或药品生产的质量从而造成生产企业的损失。传统的生产线瓶盖质量检验是依靠人工完成，这种人工检测标准模糊，受人为主观因素影响较大，检测精度低。由于金属材料对光线的高反射性，人眼检测会因为长时间工作产生视觉疲劳，从而出现漏检和误检。因此需要设计基于机器视觉的产品质量检测设备保证检测的精度和稳定性。 

基于机器视觉的瓶盖质量检测方法的关键技术之一是对瓶盖圆形轮廓的定位。在目前类似产品的圆形轮廓定位方法中，重心法、模板匹配法定位速度较快，但是这两种方在受到噪声干扰时定位精度会急剧降低，当瓶盖出现变形或者缺口等缺陷时这两种方法不能成功定位。在中国专利文献中公开了一种饮料瓶口视觉定位方法(公开号：CN101144707A)，先使用重心法定位瓶口的参考圆心坐标，然后用类似Hough变换的方法建立圆心坐标集合的二维直方图，最后采用滑动窗口定位圆心。还有一种空瓶瓶口缺陷的检测方法和装置(公开号：CN101105409A)，在提取图像灰度突变点之后，通过最小二乘法拟合得到圆心坐标和圆形轮廓半径。这两种方法对于图像的亮度具有较强依赖性，如果因为金属瓶盖的镜面反射出现光照不均匀的情况会影响算法的有效性，而且Hough变换和最小二乘法的运算复杂度较高。 

发明内容

本发明的目的是提供一种具有智能学习功能、能自动运行、易操作、具有较强鲁棒性、准确度高且快速的瓶盖质量检测系统及相应的检测方法。 

为实现上述目的，本发明的第一方面，是提供一种基于机器视觉的金属瓶盖质量检测系统，所述金属瓶盖质量检测系统的技术方案是：包括用于采集瓶盖图像的光学成像装置，用于运行离线圆形轮廓特征学习算法和在线质量检测算法的图像处理装置，用于实时剔除次品的剔除装置，以及用于输送金属瓶盖的传送带；其中：所述光学成像装置包括面阵工业相机、第一光检传感器和光源，面阵工业相机分别连接第一光检传感器和光源，面阵工业相机和光源安装在传送带平面的上方，面阵工业相机和光源具有共同中心线且中心线垂直于传送带平面，第一光检传感器为面阵工业相机提供控制曝光的外触发脉冲信号，第一光检传感器安装在传送带的一侧，第一光检传感器的中心线与光学成像装置的中心线相交，所述图像处理装置与面阵工业相机通过通讯接口连接，所述剔除装置与图像处理装置之间通过USB通讯接口连接，剔除装置安装在光学成像装置的后端和传送带下游的一侧。 

为实现上述目的，本发明的第二方面，是提供一种基于机器视觉的金属瓶盖质量检测方法，是利用基于机器视觉的金属瓶盖质量检测系统的金属瓶盖质量检测方法，所述金属瓶盖质量检测方法步骤为： 

步骤S1：通过光学成像装置采集模板瓶盖的图像，将模板瓶盖的图像输入到离线圆形轮廓特征学习模块，利用离线圆形轮廓特征学习算法在模板瓶盖图像中定位出感兴趣的最大轮廓尺度，并建立感兴趣的最大轮廓尺度规定的图像区域的旋转不变性特征模板矩阵； 

步骤S2：通过光学成像装置采集待检测瓶盖的图像，将待检测瓶盖的图像输入到在线质量检测模块，利用在线质量检测算法根据步骤S1得到的感兴趣的最大轮廓尺度定位待检测瓶盖的圆形轮廓，利用在线质量检测算法计算所述待检测瓶盖圆形轮廓规定的区域的旋转不变性特征矩阵并与步骤S1得到的旋转不变性特征模板矩阵进行匹配，从而判断出待检测瓶盖是次品或是合格品。 

与现有技术相比，本发明的优点在于： 

本发明对圆形瓶盖的旋转不变性特征提取方法也是瓶盖质量检测的关键技术，通过提取能反映物体本质的特征向量，能够简化质量检测的决策过程，只使用一个相似性度量指标就能够决定待检测瓶盖是否存在缺陷。这种技术的使用对于提高瓶盖质量检测装置的功能可扩展性、易操作性都存在重要的现实意义。 

(1)本发明光学成像装置能够连续采集高质量的瓶盖图像，并通过图像处理装置进行图像处理，在判断出待检测瓶盖是合格品还是次品后将检测结果发送至剔除装置，剔除装置能实现对待检测瓶盖的无遗漏监控，从而根据图像处理装置的检测结果实现对金属瓶盖的质量自动检测。 

(2)本发明基于机器视觉的金属瓶盖质量检测方法，在离线提取模板瓶盖的圆形轮廓特征时，只需关于图像尺寸及待检测瓶盖的尺寸范围这两种先验知识就能提取出瓶盖的最大轮廓尺度使得检测系统能够自动识别不同尺寸和具有不同形状特征的瓶盖；在系统在线运行时，能够根据模板瓶盖特征快速定位待检测瓶盖的轮廓，而且操作人员只需调整灵敏度阈值就能够实现对检测精度的控制。 

(3)本发明基于机器视觉的金属瓶盖质量检测方法中的圆形轮廓定位方法只需要沿梯度正向和反向搜索圆心，而不是如传统方法一样在360度方向范围内搜索圆心，减少了运算复杂度，提高了定位圆心的速度；圆心定位方法对机械限位装置的精确度要求较低，从而降低了系统应用难度并且保证了检测成功率。 

(4)本发明的质量检测系统和检测方法只需要对系统和算法参数作少量改动，即可移植于工业中其他圆形零部件的质量检测，是一种具有高度通用性和准确性的智能质量检测方法。 

附图说明

图1为本发明基于机器视觉的金属瓶盖质量检测系统的结构框图； 

图2为本发明基于机器视觉的金属瓶盖质量检测方法的总体框图； 

图3为本发明检测方法中步骤S1的流程图； 

图4(a～h)为本发明检测方法步骤S1中步骤S11～S114的中间结果图； 

图5为本发明检测方法中步骤S2的流程图； 

图6(a～i)为本发明检测方法步骤S2中步骤S21～S28的中间结果图； 

图7为本发明检测方法中旋转不变性特征提取的一种实施算法流程图； 

具体实施方式

以下通过实施例，并结合附图对本发明的技术方案作进一步描述。 

图1为本发明基于机器视觉的金属瓶盖质量检测系统的结构框图，包括光学成像装置1、图像处理装置2、剔除装置3和传送带4，所述光学成像装置1包括面阵工业相机11、第一光检传感器12和光源13，其中：面阵工业相机11分别连接第一光检传感器12和光源13，面阵工业相机11和光源13安装在传送带4平面的正上方，面阵工业相机11和光源13具有共同中心线且中心线垂直于传送带4平面，第一光检传感器12为面阵工业相机11提供控制曝光的外触发脉冲信号，第一光检传感器12安装在传送带4的一侧，第一光检传感器12的中心线与光学成像装置11的中心线相交，所述图像处理装置2是用于图像处理的PC机，所述图像处理装置2与所述面阵工业相机11通过IEEE1394通讯接口连接，所述剔除装置3与所述用于图像处理装置2之间通过USB通讯接口连接，所述剔除装置3安装在所述光学成像装置1后端传送带4下游的一侧。 

在本实施例中面阵工业相机11选择面阵CMOS相机，其帧率为60帧/s，传送带4速度为80米/分钟，能满足对传送带4上瓶盖的连续图像采集和质量检测。光源13采用低角度环形漫反射白色LED光源，有效减弱了瓶盖金属表面的镜面反射。光检传感器12用于提供控制面阵工业相机11曝光的外触发脉冲信号，这种曝光触发方式简单实用，实现了对瓶盖的连续成像。 

剔除装置3由基于TMS320C206芯片的控制电路板31，第二光检传感器32、电磁阀33和喷气管34组成，电磁阀33分别连接控制电路板31 和喷气管34，控制电路板31与第二光检传感器32连接，基于TMS320C206芯片的控制电路板31控制电磁阀33的通断从而实现剔除功能。控制电路板31与图像处理装置2之间通过USB通讯接口连接，控制电路板31用于接收来自图像处理装置2的剔除命令，控制电路板31同时依靠第二光检传感器32提供的输入脉冲判断待检测瓶盖是否已进入剔除装置3控制范围之内。电磁阀33采用响应时间小于8ms的高速电磁阀。图像处理装置2选择用于图像处理的PC机。 

图2为本发明基于机器视觉的金属瓶盖质量检测方法的总体框图，步骤S1：通过光学成像装置1采集模板瓶盖的图像，将模板瓶盖的图像输入到离线圆形轮廓特征学习模块a，利用离线圆形轮廓特征学习模块a中的离线圆形轮廓特征学习算法在模板瓶盖图像中定位出感兴趣的最大轮廓尺度，并建立感兴趣的最大轮廓尺度规定的图像区域的旋转不变性特征模板矩阵；步骤S2：通过光学成像装置1采集待检测瓶盖的图像，将待检测瓶盖的图像输入到在线质量检测模块b，利用在线质量检测模块b中的在线质量检测算法根据步骤S1得到的感兴趣的最大轮廓尺度定位待检测瓶盖的圆形轮廓，利用在线质量检测算法计算所述待检测瓶盖圆形轮廓规定的区域的旋转不变性特征矩阵并与步骤S1得到的旋转不变性特征模板矩阵进行匹配，从而判断出待检测瓶盖是次品或是合格品。 

图3为本发明检测方法中步骤S1所述的离线圆形轮廓特征学习的流程图，步骤S1所述离线圆形轮廓特征学习算法包括如下步骤： 

步骤S11：对输入的模板瓶盖图像作高斯平滑滤波，获得高斯平滑滤波后的模板瓶盖图像； 

步骤S12：采用梯度算子对高斯平滑滤波后的模板瓶盖图像进行简化，形成模板瓶盖梯度图像G(p)，p为模板瓶盖图象中的任一像素点；本实施例中梯度算子采用索贝尔(Sobel)算子： 

$\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ -1& 2& 1\end{array}\right]---\left(1\right)$

步骤S13：根据模板瓶盖图像的尺寸确定出半径搜索范围[r_min，r_max]，r_min是半径搜索范围中的最小值，r_max是半径搜索范围中的最大值；设图像尺寸为W×H，则能够设定半径搜索范围为[2，min(W，H)/2]；在本实施例中图 像尺寸为256×256，则半径搜索范围为[2，128]；设定所搜索模板瓶盖圆形轮廓半径r的初值为r_min； 

步骤S14：基于模板瓶盖梯度图像计算模板瓶盖梯度幅值投影图M_r(p)： 

M_r(v₊(p))＝M_r(v₊(p))+‖G(p)‖                (2) 

M_r(v_-(p))＝M_r(v_-(p))-‖G(p)‖                (3) 

其中v₊(p)表示沿梯度正向的径向投影： 

$v_{+}\left(p\right)=p+\mathrm{round}\left(\frac{G\left(p\right)}{\left|\right|G\left(p\right)\left|\right|}r\right)---\left(4\right)$

v_-(p)表示沿梯度负向的径向投影： 

$v_{-}\left(p\right)=p-\mathrm{round}\left(\frac{G\left(p\right)}{\left|\right|G\left(p\right)\left|\right|}r\right)---\left(5\right)$

步骤S15：基于模板瓶盖梯度图像计算模板瓶盖梯度方向投影图O_r(p)： 

O_r(v₊(p))＝O_r(v₊(p))+1                       (6) 

O_r(v_-(p))＝O_r(v_-(p))-1                       (7) 

其中v₊(p)采用公式(4)的定义，v_-(p)采用公式(5)的定义； 

步骤S16：根据模板瓶盖梯度幅值投影图M_r(p)和模板瓶盖梯度方向投影图O_r(p)计算模板瓶盖径向对称特征图S_r(p)： 

$S_r\left(p\right)=\left(M_r\left(p\right){\left(\frac{O_r\left(p\right)}{k}\right)}^2\right)*A_{r\×r}---\left(8\right)$

A_r×r是尺寸为r×r的高斯卷积核，符号*代表卷积；k表示圆心在模板瓶盖梯度方向投影图中投影值的模的数学期望，用于归一化不同半径尺度下的模板瓶盖梯度方向投影图。 

使用一维高斯核函数A_a对模板瓶盖径向对称特征图S_r(p)作卷积，得到模板瓶盖卷积结果H_r(p)，本实施例中一维高斯核函数A_a的尺寸a＝3； 

步骤S17：基于模板瓶盖卷积结果H_r(p)计算模板瓶盖径向对称统计量 E(r)，模板瓶盖径向对称统计量E(r)的意义为模板瓶盖卷积结果的幅值|H_r(p)|的极大值： 

E(r)＝max_p|H_r(p)|                        (9) 

步骤S18：搜索得到使得模板瓶盖卷积结果的幅值|H_r(p)|取极大值的像素P(r)： 

P(r)＝arg max_p|H_r(p)|                    (10) 

步骤S19：判断模板瓶盖圆形轮廓半径r是否在半径搜索范围内，如果r小于r_max表示仍然在半径搜索范围内，则执行步骤S110；如果r大于r_max表示不在半径搜索范围内，则执行步骤S111； 

步骤S110：更新模板瓶盖圆形轮廓半径r的取值，继续执行步骤S14； 

步骤S111：在模板瓶盖圆形轮廓半径搜索范围[r_min，r_max]内找出模板瓶盖的径向对称统计量E(r)的所有局部极大值，这些局部极大值对应的半径就是模板瓶盖图像中可能存在的模板瓶盖圆形轮廓的半径，与每个局部极大值对应的像素的平面坐标就是模板瓶盖图像中可能存在的模板瓶盖圆形轮廓的圆心，从而得到模板瓶盖图像中可能存在的模板瓶盖圆形轮廓集合； 

步骤S112：根据已知模板瓶盖的各个圆形轮廓具有或近似具有同一圆心，将模板瓶盖图像中可能存在的圆形轮廓集合中的非圆形轮廓去除掉，从而得到新的模板瓶盖圆形轮廓集合； 

步骤S113：在新的模板瓶盖圆形轮廓集合中取半径最大的圆形轮廓，所述半径最大的圆形轮廓的半径就是感兴趣的最大轮廓尺度R； 

步骤S114：从模板瓶盖图像中定位出步骤S113所述半径最大的圆形轮廓； 

步骤S115：计算步骤S114定位出的圆形轮廓所包围区域的旋转不变性特征模板矩阵Q。 

图4(a～h)为本发明检测方法步骤S1中步骤S11～S114的中间结果图。图4(a)是本实施例的模板瓶盖图像，本实施例中半径r遍历半径搜索范围[r_min，r_max]，得到一系列相应的径向对称统计量E(r)如图4(c)所示，图 中r₁，r₂，r₃，r₄，r₅为E(r)的局部极大值。图4(d～h)分别是r₁～r₅尺度下的|H_r(p)|在X-Y平面内的分布图。例如，对于半径尺度r₁下的|H_r(p)|图像，|H_r(p)|的极大值对应的像素就是半径尺度r₁下的圆形轮廓的圆心。图4(b)是本实施例的圆形轮廓检测结果，能够看出模板瓶盖的最大圆形轮廓被准确定位，定位后得到瓶盖最大圆形轮廓R＝59。 

图5为本发明检测方法中步骤S2的流程图，步骤S2所述在线质量检测算法包括如下步骤： 

步骤S21：对输入的待检测瓶盖图像作高斯平滑滤波，获得高斯平滑滤波后的待检测瓶盖图像； 

步骤S22：采用梯度算子对高斯平滑滤波后的待检测瓶盖图像进行简化，形成待检测瓶盖梯度图像J(p′)，p′为待检测瓶盖图像中的任一像素点，所述梯度算子采用公式(1)定义的索贝尔(Sobel)算子； 

步骤S23：所检测的待检测瓶盖圆形轮廓半径r′设定为所述感兴趣的最大轮廓尺度R； 

步骤S24：基于待检测瓶盖梯度图像计算待检测瓶盖梯度幅值投影图N_r′(p′)： 

N_r′(u₊(p′))＝N_r′(u₊(p′))+‖J(p′)‖            (11) 

N_r′(u_-(p′))＝N_r′(u_-(p′))-‖J(p′)‖            (12) 

其中u₊(p′)表示沿梯度正向的径向投影： 

$u_{+}\left(p^{\′}\right)=p^{\′}+\mathrm{round}\left(\frac{G\left(p^{\′}\right)}{\left|\right|G\left(p^{\′}\right)\left|\right|}{r}^{\′}\right)---\left(13\right)$

u_-(p′)表示沿梯度负向的径向投影： 

$u_{-}\left(p^{\′}\right)=p^{\′}-\mathrm{round}\left(\frac{J\left(p^{\′}\right)}{\left|\right|J\left(p^{\′}\right)\left|\right|}{r}^{\′}\right)---\left(14\right)$

步骤S25：基于待检测瓶盖梯度图像计算待检测瓶盖梯度方向投影图F_r′(p′)： 

F_r′(u₊(p′))＝F_r′(u₊(p′))+1                     (15) 

F_r′(u_-(p′))＝F_r′(u_-(p′))-1                    (16) 

其中u₊(p′)采用公式(13)的定义，u_-(p′)采用公式(14)的定义； 

步骤S26：根据待检测瓶盖梯度幅值投影图N_r′(p′)和待检测瓶盖梯度方向投影图F_r′(p′)计算径向对称特征图W_r′(p′)： 

$W_{r^{\′}}\left(p^{\′}\right)=\left(N_{r^{\′}}\left(p^{\′}\right){\left(\frac{F_{r^{\′}}\left(p^{\′}\right)}{k}\right)}^2\right)*A_{r^{\′}\×r^{\′}}---\left(17\right)$

其中，A_r′×r′是尺寸为r′×r′的高斯卷积核；k采用公式(8)的定义。 

使用一维高斯核函数A_b对待检测瓶盖径向对称特征图W_r′(p′)作卷积，得到待检测瓶盖卷积结果Z_r′(p′)，本实施例中一维高斯核函数A_b的尺寸b＝3； 

步骤S27：基于待检测瓶盖卷积结果Z_r′(p′)搜索得到使得待检测瓶盖卷积结果的幅值|Z_r′(p′)|取极大值的像素的平面坐标(x′，y′)，这个像素的平面坐标就是待检测瓶盖的圆心的平面坐标； 

步骤S28：从待检测瓶盖图像中定位出圆心为(x′，y′)而且半径为所述感兴趣的最大轮廓尺度R的圆形轮廓； 

步骤S29：计算步骤S28定位出的圆形轮廓所包围区域的旋转不变性特征矩阵U； 

步骤S210：计算步骤S29得到的旋转不变性特征矩阵U与所述旋转不变性特征模板矩阵Q之间的相似性度量d(Q，U)： 

$d(Q,U)=\frac{\left|\right|Q\·U\left|\right|}{\left|\right|Q\left|\right|\·\left|\right|U\left|\right|}---\left(18\right)$

步骤S211：根据步骤S210得到的相似性度量d(Q，U)与预先设定的检测灵敏度阈值T的关系将待检测瓶盖分类为合格品和次品：如果d(Q，U)＜T，则将待检测瓶盖分类为次品，如果d(Q，U)＞T，则将待检测瓶盖分类为合格品。 

所述旋转不变性特征采用傅立叶-梅林变换，或泽尔尼克(Zernike)矩描述子，或尺度不变特征变换(Scale Invariant Feature Transform，SIFT)算子。 

所述相似性度量d(Q，U)的计算结果为1时，说明待检测瓶盖与模板瓶 盖完全符合。相似性度量d(Q，U)越小，待检测瓶盖为次品的概率越大。本实施例设置检测灵敏度阈值T＝0.98，在测试集中能实现100％的检测成功率。 

图6(a～i)为本发明检测方法步骤S2中步骤S21～S28的中间结果图。图6(a)、图6(b)、图6(c)是待检测瓶盖图像，图6(d)、图6(e)、图6(f)是相应的最大圆形轮廓定位结果，图6(g)、图6(h)、图6(i)分别是图6(a)、图6(b)、图6(c)在半径尺度R下的|Z_r′(p′)|在X-Y平面内的分布图。能够看出在背景存在光照干扰，待检测瓶盖边缘缺损或变形的情况下圆形轮廓定位的结果仍然是准确的。 

图7为本发明检测方法中旋转不变性特征提取的一种实施算法流程图，即傅立叶-梅林变换FMT(Fourier-Mellin Transform)。图中I(x，y)是输入矩阵，|FFT|是图像的快速傅立叶变换的幅值，将频率域高斯低通滤波器的滤波结果从直角坐标变换为对数极坐标后，再次计算|FFT|，得到的I_FM(x，y)就是最终的傅立叶-梅林变换后的特征矩阵。频率域高斯低通滤波器是对频率域图像的平滑预处理操作，频率域高斯低通滤波器的详细设计参见文献“A Frequency-domain Gaussian Filter Module forQuantitative and Reproducible High-pass，Low-pass，and Band-passFiltering of Images”(Adelmann H.G.，Bayer A.G.，American laboratory，29(6)，27-33，1997)。 

应当指出，本文所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或者等同替换，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。 

Claims (3)

1.一种基于机器视觉的金属瓶盖质量检测系统，该检测系统包括用于采集瓶盖图像的光学成像装置、图像处理装置、用于实时剔除次品的剔除装置以及用于输送金属瓶盖的传送带；其特征在于，所述图像处理装置包括用于运行离线圆形轮廓特征学习算法的离线圆形轮廓特征学习模块和用于运行在线质量检测算法的在线质量检测模块，所述光学成像装置包括面阵工业相机、第一光检传感器和光源，面阵工业相机分别连接第一光检传感器和光源，面阵工业相机和光源安装在传送带平面的上方，面阵工业相机和光源具有共同中心线且中心线垂直于传送带平面，第一光检传感器为面阵工业相机提供控制曝光的外触发脉冲信号，第一光检传感器安装在传送带的一侧，第一光检传感器的中心线与光学成像装置的中心线相交，所述图像处理装置与面阵工业相机通过通讯接口连接，所述剔除装置与图像处理装置之间通过USB通讯接口连接，剔除装置安装在光学成像装置的后端和传送带下游的一侧；

光学成像装置采集模板瓶盖的图像，将模板瓶盖的图像输入到离线圆形轮廓特征学习模块，利用离线圆形轮廓特征学习算法在模板瓶盖图像中定位出感兴趣的最大轮廓尺度，并建立感兴趣的最大轮廓尺度规定的图像区域的旋转不变性特征模板矩阵；

光学成像装置采集待检测瓶盖的图像，将待检测瓶盖的图像输入到在线质量检测模块，利用在线质量检测算法根据得到的感兴趣的最大轮廓尺度定位待检测瓶盖的圆形轮廓，利用在线质量检测算法计算所述待检测瓶盖圆形轮廓规定的区域的旋转不变性特征矩阵，并与利用离线圆形轮廓特征学习算法得到的旋转不变性特征模板矩阵进行匹配，从而判断出待检测瓶盖是次品或是合格品；所述离线圆形轮廓特征学习算法包括如下步骤：

步骤S11：对输入的模板瓶盖图像作高斯平滑滤波，获得高斯平滑滤波后的模板瓶盖图像；

步骤S12：采用梯度算子对高斯平滑滤波后的模板瓶盖图像进行简化，形成模板瓶盖梯度图像；

步骤S13：根据模板瓶盖图像的尺寸确定出半径搜索范围[r_min，r_max]，r_min是半径搜索范围中的最小值，r_max是半径搜索范围中的最大值；设定所搜索模板瓶盖圆形轮廓半径r的初值为r_min；

步骤S14：基于模板瓶盖梯度图像计算并得到模板瓶盖梯度幅值投影图；

步骤S15：基于模板瓶盖梯度图像计算并得到模板瓶盖梯度方向投影图；

步骤S16：根据模板瓶盖梯度幅值投影图和模板瓶盖梯度方向投影图计算模板瓶盖径向对称特征图，使用一维高斯核函数对模板瓶盖径向对称特征图作卷积，得到模板瓶盖卷积结果；

步骤S17：基于模板瓶盖卷积结果计算模板瓶盖的径向对称统计量，模板瓶盖的径向对称统计量的意义为模板瓶盖卷积结果的幅值的极大值；

步骤S18：搜索得到使得模板瓶盖卷积结果的幅值取极大值的像素；

步骤S19：判断模板瓶盖圆形轮廓半径r是否在半径搜索范围内，如果r小于r_max表示仍然在半径搜索范围内，则执行步骤S110；如果r大于r_max表示不在半径搜索范围内，则执行步骤S111；

步骤S110：更新模板瓶盖圆形轮廓半径r的取值，继续执行步骤S14；

步骤S111：在模板瓶盖圆形轮廓半径搜索范围[r_min，r_max]内找出模板瓶盖的径向对称统计量E(r)的所有局部极大值，这些局部极大值对应的半径就是模板瓶盖图像中可能存在的模板瓶盖圆形轮廓的半径，与每个局部极大值对应的像素就是模板瓶盖图像中可能存在的模板瓶盖圆形轮廓的圆心，从而得到模板瓶盖图像中可能存在的模板瓶盖圆形轮廓集合；

步骤S112：根据已知模板瓶盖的各个圆形轮廓具有或近似具有同一圆心，将模板瓶盖图像中可能存在的圆形轮廓集合中的非圆形轮廓去除掉，从而得到新的模板瓶盖圆形轮廓集合；

步骤S113：在新的模板瓶盖圆形轮廓集合中取半径最大的圆形轮廓，所述半径最大的圆形轮廓的半径就是感兴趣的最大轮廓尺度；

步骤S114：从模板瓶盖图像中定位出步骤S113所述半径最大的圆形轮廓；

步骤S115：计算步骤S114定位出的圆形轮廓所包围区域的旋转不变性特征模板矩阵；

所述在线质量检测算法包括如下步骤：

步骤S21：对输入的待检测瓶盖图像作高斯平滑滤波，获得高斯平滑滤波后的待检测瓶盖图像；

步骤S22：采用梯度算子对高斯平滑滤波后的待检测瓶盖图像进行简化，形成待检测瓶盖梯度图像；

步骤S23：所检测的待检测瓶盖圆形轮廓半径r′设定为所述感兴趣的最大轮廓尺度；

步骤S24：基于待检测瓶盖梯度图像计算待检测瓶盖梯度幅值投影图；

步骤S25：基于待检测瓶盖梯度图像计算待检测瓶盖梯度方向投影图；

步骤S26：根据待检测瓶盖梯度幅值投影图和待检测瓶盖梯度方向投影图计算待检测瓶盖径向对称特征图，使用一维高斯核函数对待检测瓶盖径向对称特征图作卷积，得到待检测瓶盖卷积结果；

步骤S27：基于待检测瓶盖卷积结果搜索得到使得待检测瓶盖卷积结果的幅值取极大值的像素的平面坐标(x′，y′)；

步骤S28：从待检测瓶盖图像中定位出圆心为(x′，y′)而且半径为所述感兴趣的最大轮廓尺度的圆形轮廓区域；

步骤S29：计算步骤S28定位出的圆形轮廓所包围区域的旋转不变性特征矩阵；

步骤S210：计算步骤S29得到的旋转不变性特征矩阵与所述旋转不变性特征模板矩阵之间的相似性度量；

步骤S211：根据步骤S210得到的相似性度量与预先设定的检测灵敏度阈值的关系将待检测瓶盖分类为合格品和次品。

2.根据权利要求1所述的基于机器视觉的金属瓶盖质量检测系统，其特征在于，所述剔除装置由控制电路板、第二光检传感器、电磁阀和喷气管组成，其中：电磁阀分别连接控制电路板和喷气管，第二光检传感器与控制电路板连接，控制电路板控制电磁阀的通断从而实现剔除功能；控制电路板用于接收来自图像处理装置的剔除命令，同时，控制电路板依靠第二光检传感器提供的输入脉冲判断待检测瓶盖是否已进入剔除装置控制范围之内。

3.根据权利要求1所述的基于机器视觉的金属瓶盖质量检测系统，其特征在于，所述光源采用低角度环形漫反射白色LED光源，使得瓶盖金属表面的镜面反射减弱。

Images