CN105157563B - 一种基于机器视觉的啤酒瓶口定位方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的啤酒瓶口定位方法，其步骤为：(1)对瓶口图像进行阈值处理，通过重心法获取瓶口圆心的大致位置；(2)以重心为圆心进行径向扫描，获得瓶口图像的外边缘点；(3)利用重心到各边缘点距离的变化特征去除干扰点；(4)对边缘点分组，任选其中N_c组边缘点，用最小二乘法进行圆拟合，求出在该拟合圆上边缘点数目所占边缘点总数的比例η^j，保存所有拟合结果及对应的η^j；(5)选择拟合圆上边缘点数目所占边缘点总数的比例最多的拟合圆圆心作为瓶口中心位置。该方法能在啤酒瓶口图像不完整或存在连续干扰点时，准确快速的定位为瓶口中心，适用于高速自动化流水线上的啤酒瓶口质量自动检测。

Description

一种基于机器视觉的啤酒瓶口定位方法

技术领域

本发明涉及工业自动化检测技术领域，特别涉及一种基于机器视觉的啤酒瓶口定位方法。

背景技术

我国每年的瓶酒瓶需求量巨大，据行业数据显示，2014年我国啤酒行业累计产量高达4921.85万千升，按每瓶啤酒530ml的瓶装容量计算，则需要多达9.28651x10¹³个啤酒瓶，而其中80％以上的啤酒瓶使用回收旧瓶，这些旧瓶中存在着大量瓶口破损的瓶，瓶口破损可能导致玻璃瓶封装失败或成功封装销售后给消费者带来重大安全隐患，因此啤酒灌装前必须检测啤酒空瓶瓶口质量，传统的人工检测法难以保证检测的可靠性和快速性，基于机器视觉的瓶口检测技术可克服人工检测缺陷，满足工业自动化生产中高速高精度的检测要求，而在基于视觉的瓶口检测过程中瓶口定位是一个必要过程。

2006年，严筱永、任明武等在《基于图像的啤酒瓶口与瓶底污损自动检测》中应用图像匹配算法和Hough变换法检测圆实现瓶口定位，其中图像匹配法无法满足42000瓶/时的检测需求，Hough变换法定位精度高，且能满足实时检测需求，但该算法的运算量非常大；2007年，段峰、王耀南等在《啤酒瓶视觉检测机器人研究中》中研究对比了重心法、探测圆逐步逼近法和一种将边缘分组后求圆参数的瓶口定位综合算法，其中重心法速度最快、定位精度最低，综合算法速度比前两种算法稍慢，但其定位精度最高，王耀南、周博文等应用该综合算法实现饮料瓶口定位，并申请发明专利《饮料瓶口视觉定位方法》；2009年，马思乐、黄彬等在《Algorithmresearchonlocationofbottlemouthandbottominintelligentemptybottleinspectionsystem》中使用最小二乘法实现瓶口定位，该算法运行速度快，但抗干扰能力差；2013年，王贵锦、张淳等在发明专利《瓶口定位方法》中提出了一种最小二乘法与改进的随机圆检测法相结合实现玻璃瓶瓶口定位的算法，该算法抗干扰能力较其他算法有所提高。

综上，目前用于瓶口定位的方法包括：重心法、模板匹配法、探测圆逐步逼近法、最小二乘法、随机圆检测法以及Hough变换法等。当瓶口严重破损或存在大量连续干扰边缘点时，已有算法得到的啤酒瓶瓶口定位结果误差大，导致后续瓶口缺陷检测结果不正确。

发明内容

针对现有瓶口定位算法在瓶口严重破损或存在大量连续干扰时定位误差大这一问题，本发明提供一种对大量连续干扰有很强的抵抗能力的瓶口定位方法，与啤酒空瓶检测机配套使用，实现啤酒瓶口质量自动化检测。

一种基于机器视觉的啤酒瓶口定位方法，包括以下步骤：

步骤1：获取啤酒瓶口图像；

步骤2：利用重心法获取啤酒瓶口图像的重心坐标(X_O′,Y_O′)；

步骤3：利用重心坐标和设定的扫描半径R_s，对啤酒瓶口图像进行N_s次径向扫描，获取N'个啤酒瓶口外边缘点i表示第i次径向扫描，1≤i≤N_s，N_s＝360/Δα，Δα表示径向扫描间隔；

$X_{{P_i}^{\′}}=X_{O^{\′}}+R_s\cos \frac{2\mathrm{\π}}{N_s}i$

$Y_{{P_i}^{\′}}=Y_{O^{\′}}+R_s\sin \frac{2\mathrm{\π}}{N_s}i$

步骤4：对步骤3获取的啤酒瓶口外边缘点进行去噪；

步骤5：将去噪后外边缘点应用最小二乘法进行啤酒瓶口外边缘拟合，完成啤酒瓶口定位；

所述步骤4的具体步骤如下：

步骤a：依次求出重心坐标到所有外边缘点的测量距离：

$f_m\left(i\right)=\sqrt{{(X_{{P_i}^{\′}}-X_{O^{\′}})}^2+{(Y_{{P_i}^{\′}}-Y_{O^{\′}})}^2}$

步骤b：计算相邻外边缘点的测量距离差分绝对值|Δf_m(i)|＝|f_m(i+1)-f_m(i)|；

步骤c：对所有的|Δf_m(i)|进行从大到小排序，排序靠前的前100·T_c％个测量距离差分绝对值对应的外边缘点为干扰点，其中，T_c为设定阈值，0≤T_c≤1；

步骤d：去除干扰点及与该干扰点相邻的后一个边缘点，获得去噪后的外边缘点。

对于一个已知圆心、半径和所有边缘点坐标的圆，以圆内的任意一点为圆心，进行与上述相同的径向扫描，得到对于边缘点坐标，扫描圆心到所得边缘点的距离与径向扫描顺序号呈三角函数关系，该距离的差分值与i也呈三角函数关系，若存在干扰点时，干扰点对应的距离差分值与不满足上述三角函数关系，且一般远大于真实边缘点距离差分值；

啤酒瓶口外边缘拟合具体步骤如下：

步骤1：将步骤4获得的去噪后的外边缘点均匀分成N_g组；

步骤2：依次从分组后的外边缘点组中随机选取N_c组外边缘点，采用最小二乘法进行圆拟合，得到对应的个拟合圆参数，每个拟合圆参数包括拟合圆圆心坐标和半径N_gc表示当前所选择的N_c组边缘点的总数目，N_gc＝N_c*N'/N_g(N_gc∈Z⁺)， $1\≤j\≤C_{N_g}^{N_c},$ 1≤k≤N_gc；

$\left\{\begin{array}{c}{X}_{\mathrm{fit}}^j=\frac{\mathrm{CD}-\mathrm{BE}}{2(\mathrm{AE}-\mathrm{BB})}\\ Y_{\mathrm{fit}}^j=\frac{\mathrm{AE}-\mathrm{BC}}{2(\mathrm{AE}-\mathrm{BB})}\end{array}\right.$

$R_{\mathrm{fti}}^j=\sqrt{\frac{\underset{k=1}{\overset{N_{\mathrm{gc}}}{\mathrm{\Σ}}}({x_k}^2+{y_k}^2)-2X_{\mathrm{fit}}^j\underset{i=1}{\overset{N_{\mathrm{gc}}}{\mathrm{\Σ}}}{x}_k-2Y_{\mathrm{fit}}^j\underset{i=1}{\overset{N_{\mathrm{gc}}}{\mathrm{\Σ}}}{y}_k}{N_{\mathrm{gc}}}+{\left(X_{\mathrm{fit}}^j\right)}^2+{\left(Y_{\mathrm{fit}}^j\right)}^2}$

$\left\{\begin{array}{c}A=N_{\mathrm{gc}}\mathrm{\Σ}{\left(x_k^j\right)}^2-\mathrm{\Σ}{x}_k^j\mathrm{\Σ}{x}_k^j\\ B=N_{\mathrm{gc}}\mathrm{\Σ}{x}_k^j{y}_k^j-\mathrm{\Σ}{x}_k^j\mathrm{\Σ}{y}_k^j\\ C=N_{\mathrm{gc}}\mathrm{\Σ}(x_k^{j3}+x_k^j{\left(y_k^j\right)}^2)-\mathrm{\Σ}({\left(x_k^j\right)}^2+{\left(y_k^j\right)}^2)\mathrm{\Σ}{x}_k^j\\ D=N_{\mathrm{gc}}\mathrm{\Σ}{x}_k^j{\left(y_k^j\right)}^2-\mathrm{\Σ}{y}_k^j\mathrm{\Σ}{y}_k^j\\ E=N_{\mathrm{gc}}\mathrm{\Σ}({\left(x_h^j\right)}^2{y}_k^j+{\left(y_k^j\right)}^3)-\mathrm{\Σ}({\left(x_k^j\right)}^2+{\left(y_k^j\right)}^2)\mathrm{\Σ}{y}_k^j\end{array}\right.$

表示第j次所选择的N_c组边缘点中第k个边缘点的坐标；

步骤3：计算每个拟合圆圆心到所有外边缘点的距离与拟合半径之间差的绝对值小于D_c的外边缘点数量同时，计算

步骤4：选择最大的η^j对应的拟合圆作为啤酒瓶瓶口，完成啤酒瓶瓶口定位。

所述步骤2利用重心法获取啤酒瓶口图像的重心坐标(X_O′Y_O′)的具体过程如下：

首先，对采集到的啤酒空瓶瓶口图像f(x,y)进行全局阈值分割处理，得到瓶口二值化图像g(x,y)，T为设定的分割阈值；

$g(x,y)=\left\{\begin{array}{cc}1& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.$

其次，按照重心计算公式获取重心坐标：

$X_{O^{\&prime;}}=\frac{\underset{m=1}{\overset{N_b}{\mathrm{\&Sigma;}}}{x}_{m}g(x_m,y_m)}{N_b}$

$Y_{O^{\&prime;}}=\frac{\underset{m=1}{\overset{N_b}{\mathrm{\&Sigma;}}}{y}_{m}g(x_m,y_m)}{N_b}$

其中，N_b、x_m和y_m分别表示非0的像素点的总数量、第m个非0像素点的x和y坐标，g(x_m,y_m)表示坐标为(x_m,y_m)的像素点对应的灰度值，1≤m≤N_b,m∈Z⁺。

所述步骤3中径向扫描步进角Δα小于等于90°。

所述步骤3中径向扫描步进角Δα取值为0.5°-5°。

有益效果

与现有技术相比，本发明的优点在于：

(1)抗干扰能力强

定位精度主要受干扰边缘点的影响，尤其是连续干扰和大量离散的随机干扰点等，而本发明提出的啤酒瓶口定位方法，利用重心到各边缘点距离的变化特征去除对离散的随机干扰点的影响，通过将边缘点分组拟合取最优拟合结果的方法消除大量连续干扰对瓶口定位的影响，因此本文定位方法对连续干扰和离散随机干扰都具有很强的抵抗能力。

(2)执行速度快

本发明提出的啤酒空瓶瓶口定位方法通过对分组后每次提取的边缘点仅一次计算就可以得到该组边缘点所对应的拟合圆圆心坐标和半径，因此方法速度快。

(3)定位精度高

本发明提出的啤酒空瓶瓶口定位方法对在进行最小二乘圆拟合前的边缘点经过了去除噪声的处理，且选取其中的最优结果作为瓶口中心位置，因此该方法比单独使用最小二乘法和随机圆拟合方法的定位精度都要高。

附图说明

图1为采集的具有缺陷的啤酒瓶口图像，其中，(a)为瓶口出现严重破损，(b)为存在连续干扰的瓶口图像示意图；

图2是本发明啤酒瓶口定位方法的流程总框图；

图3是本发明啤酒瓶口定位方法实施例的具体流程示意图；

图4是径向扫描示意图；

图5是扫描圆圆心到瓶口边缘点的距离变化特征；

图6是扫描圆圆心位置变化对各角度函数关系的影响，其中，图(a)为圆心坐标位于第一象限，图(b)为圆心坐标位于第二象限，图(c)为圆心坐标位于第三象限，图(d)为圆心坐标位于第四象限；

图7扫描圆圆心到瓶口边缘点的距离变化曲线及差分变化曲线，其中，图(a)为距离变化曲线，图(b)为重心到边缘点距离的差分变化曲线；

图8是本发明啤酒瓶口定位方法执行效果示意图，其中，图(a)为二值化图像，图(b)为径向扫描的结果，图(c)为重心到边缘点的距离变化特征，图(d)为Δf(i)与i的关系曲线，图(e)为Δf_m(i)与i的关系曲线，图(f)为去噪结果示意图，图(g)为一定区间范围内的去噪结果示意图，图(h)为所有边缘点到拟合圆圆心的距离与拟合半径差的绝对值少于D_c的边缘点数目与边缘点总数的比例η^j的变化曲线和本发明方法的定位误差ε的变化曲线示意图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

图1(a)(b)分别是瓶口出现严重破损和存在连续干扰的瓶口源图像，其中破损处和干扰边缘用封闭的白色虚线标出，图2和图3分别是本发明啤酒瓶口定位方法流程总框图和具体流程图，其具体步骤如下：

(1)重心法获取瓶口圆心的大致位置。

首先，对采集到的啤酒空瓶瓶口源图像进行全局阈值分割处理，得到瓶口二值化图像，如式(1)所示，其中x,y分别表示像素的x,y坐标，T表示设定的分割阈值，在给定了啤酒空瓶型号和光源照明度之后，该阈值是经过实验测试得到的，因此，空瓶检测系统在调整瓶口光源亮度之后或进行另一型号的啤酒空瓶检测之前，需要使用一定数量的检测空瓶进行测试，以得到合适的阈值T；随后，进行阈值处理并求出此二值瓶口图像的重心坐标(X_o'，Y_o')，重心计算公式如式(2)所示，其中，N_b、x_m和y_m分别表示非0的像素点的总数量、第m个非0像素点的x和y坐标，g(x_m,y_m)表示坐标为(x_m,y_m)的像素点对应的灰度值，1≤m≤N_b,m∈Z⁺，该值通过式(1)得到，因此，它只能为1或者0。

$g(x,y)=\left\{\begin{array}{cc}1& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.---\left(1\right)$

$\begin{array}{c}{X}_{O^{\&prime;}}=\frac{\underset{m=1}{\overset{N_b}{\mathrm{\&Sigma;}}}{x}_{m}g(x_m,y_m)}{N_b}\\ Y_{O^{\&prime;}}=\frac{\underset{m=1}{\overset{N_b}{\mathrm{\&Sigma;}}}{y}_{m}g(x_m,y_m)}{N_b}\end{array}---\left(2\right)$

(2)径向扫描获得瓶口图像的外边缘点。

如图4所示，以上述步骤(1)得到的重心位置O'为圆心，以R_s为半径(R_s预先设定，该值大致等于2倍瓶口外边缘圆半径)，绘制一个圆，该圆被称之为扫描圆，沿逆时针方向进行360度的径向扫描，径向扫描从半径末端P_i开始，当扫描到第一个非零像素点时停止，此非零像素点是干扰点或瓶口的真实外边缘点，如果沿着扫描半径方向一直扫描至扫描圆圆心O'位置仍然没有发现灰度值非零像素点，则说明该边缘点缺失，当瓶口边缘出现较大裂缝时会出现该情况，径向扫描每隔Δα度进行一次，我们称Δα为径向扫描步进角，Δα预先设定，小于等于90度，一般取5度或更小的值。共进行N_s次径向扫描，N_s＝360/Δα，最终得到瓶口外边缘点N'个(如果瓶口图像完整，则N'＝N_s，如果瓶口图像不完整，则N'<N_s)，并按顺序保存边缘点坐标(X_Pi',Y_Pi')和对应的序号i，其中X_Pi'和Y_Pi'值可由式(3)得到，i表示径向扫描的序号，如第10次径向扫描时i＝10，若无边缘点缺失，径向扫描得到的对应边缘点为P₁₀'。

$\begin{array}{c}{X}_{{P_i}^{\&prime;}}=X_{O^{\&prime;}}+R_s\cos \frac{2\mathrm{\&pi;}}{N_s}i\\ Y_{{P_i}^{\&prime;}}=Y_{O^{\&prime;}}+R_s\sin \frac{2\mathrm{\&pi;}}{N_s}i\end{array}---\left(3\right)$

(3)利用重心到各边缘点距离的变化特征去除干扰点。

如图5所示，实线圆表示已知圆心、半径和所有边缘点坐标的瓶口外边缘圆，它的圆心是O_r，半径是R，虚线圆表示扫描圆，它的圆心是O'，检测圆圆心和扫描圆圆心的距离是D，P_i'是第i次径向扫描得到的检测圆上的点，相邻两次径向扫描的角度为Δα，Δα是设定的常量，以O'坐标原点建立直角坐标系，α_i和β分别表示x轴沿逆时针方向旋转至O'P_i'和O'O_r的角度，其中α_i是与i相关的变量，α_i＝i*Δα，θ表示O'P_i'沿逆时针方向旋转至O'O_r的角度，它随i的变化而变化，设ΔO_rO'P_i'中的角度∠O_rO'P_i'＝θ'。

当点O'的位置确定之后，R和D为常量，β也为常量，β可由O_r和O'两点坐标表示，其表达式如式(4)所示，其中q表示点O_r在坐标系中的象限区域，如q＝1表示O_r在坐标区域的第一象限，O'P_i'长度随i的变化而变化，设O'P_i'＝f(i),f(i)被称之为扫描圆圆心到边缘点的真实距离(理论计算值，当确定瓶口重心后，根据瓶口真实圆心和半径值计算得到)，在ΔO_rO'P_i'中对∠O_rO'P_i'＝θ'使用余弦定理可得式(5)，求解可得f(i)，如式(6)所示，其中θ'与θ的关系如式(7)所示。

$\mathrm{\&beta;}=\left\{\begin{array}{cc}\frac{q-1}{2}\mathrm{\&pi;}+\arctan \left(\right|\frac{Y_{o_r}-Y_{o^{\&prime;}}}{X_{o_r}-X_{o^{\&prime;}}}\left|\right),& q=\left\{\mathrm{1,3}\right\}\\ \frac{q}{2}\mathrm{\&pi;}-\arctan \left(\right|\frac{Y_{o_r}-Y_{o^{\&prime;}}}{X_{o_r}-X_{o^{\&prime;}}}\left|\right),& q=\left\{\mathrm{2,4}\right\}\end{array}\right.---\left(4\right)$

R²＝f(i)²+D²-2f(i)Dcosθ',(0<θ'<π)(5)

$f\left(i\right)=D\cos {\mathrm{\&theta;}}^{\&prime;}+\sqrt{D^2{\cos }^2{\mathrm{\&theta;}}^{\&prime;}+R^2-D^2}---\left(6\right)$

${\mathrm{\&theta;}}^{\&prime;}=\left\{\begin{array}{cc}\mathrm{\&theta;},& (0<\mathrm{\&theta;}<\mathrm{\&pi;})\\ 2\mathrm{\&pi;}-\mathrm{\&theta;},& (\mathrm{\&pi;}\&le;\mathrm{\&theta;}\&le;2\mathrm{\&pi;})\end{array}\right.---\left(7\right)$

对于θ与α_i和i之间的关系，分成4种情况进行讨论，分别为O'O_r落在坐标系的第一、二、三和四象限，分别如图6中(a)(b)(c)和(d)所示，通过对这4类情况的分析讨论可得：O'O_r在坐标系中位置不影响θ与α_i和β关系函数，对于四种不同情况θ均可以用α_i和β来表示，如式(8)所示。

$\mathrm{\&theta;}=\left\{\begin{array}{cc}\mathrm{\&beta;}-{\mathrm{\&alpha;}}_i,& (\mathrm{\&beta;}>{\mathrm{\&alpha;}}_i)\\ 2\mathrm{\&pi;}-{\mathrm{\&alpha;}}_i+\mathrm{\&beta;},& (\mathrm{\&beta;}\&le;{\mathrm{\&alpha;}}_i)\end{array}\right.---\left(8\right)$

综合式(5)-(8)和α_i＝i*Δα可得到f(i)和Δf(i)与i的函数，分别如式(9)和式(10)所示。

$f\left(i\right)=D\cos (\mathrm{\&beta;}-i*\mathrm{\&Delta;\&alpha;})+\sqrt{D^2{\cos }^2(\mathrm{\&beta;}-i*\mathrm{\&Delta;\&alpha;})+R^2-D^2}---\left(9\right)$

Δf(i)＝f(i+1)-f(i)(10)

例如当R＝280，D＝20,Δα＝3.6度(N_s＝360/Δα＝100)，β＝π/3,则可得f(i)和Δf(i)与i的函数关系曲线分别如图7(a)(b)所示，显然，当所有边缘点P_i'分布在检测圆上时，f(i)和Δf(i)都是关于i的三角函数。

综上可得：从一个圆上沿逆时针方向或顺时针方向依次均匀的取一定数量边缘点，图像中任意一点到所有边缘点的距离呈三角函数关系，该距离差分也呈三角函数关系，若存在干扰点时，干扰点对应的距离差分值与不满足上述三角函数关系，且一般远大于真实边缘点距离差分值，本文利用该特性去除干扰点。

通过上述步骤(1)和(2)分别求得了重心O'和所有边缘点的坐标，由两点间的距离公式可求出重心和到第i个边缘点的距离f_m(i)，我们称该距离为测量距离，如式(11)所示，i从1变化至N_s，依次求出重心到所有边缘点的距离并存储，求出其差分的绝对值|Δf_m(i)|，如式(12)所示，如果边缘点为检测圆的真实边缘，则f_m(i)和Δf_m(i)满足式(9)和式(10)所示的三角函数关系，如果边缘点为干扰点，该干扰点对应的f_m(i)和Δf_m(i)会偏离式(9)和式(10)函数曲线，且该干扰点对应的Δf_m(i)一般远大于真实边缘点对应的Δf(i)。对所有的|Δf_m(i)|值进行从大到小排序，并按顺序保存在集合{S}中，其中排序靠前的前T_c*N'个元素被认为是干扰点，其中T_c是设定的一个阈值，0≤T_c≤1，去除干扰点及与该干扰点相邻的后一个边缘点，最终剩余的N个点被认为是啤酒瓶口的真实外边缘点。

$f_m\left(i\right)=\sqrt{{(X_{P_i}-X_{o^{\&prime;}})}^2+{({\text{Y}}_{P_i}-Y_{o^{\&prime;}})}^2}---\left(11\right)$

|Δf_m(i)|＝|f_m(i+1)-f_m(i)|(12)

(4)边缘点分组，应用最小二乘法进行瓶口外边缘拟合。

将以上步骤(3)得到的N个瓶口外边缘点均匀的分成N_g组，从N_g组边缘点中任意选择N_c组边缘点，用最小二乘法进行圆拟合，得到拟合圆的参数，其中拟合圆圆心坐标和半径分别是(X^j _fit,Y^j _fit)和R^j _fit，如式(13)(14)所示，A、B、C、D和E的表达式如式(15)所示，其中i是整数，它的变化范围为1≤j≤N_gc，N_gc表示当前所选择的N_c组边缘点的总数目，N_gc＝N_c*N'/N_g(N_gc∈Z⁺)，1≤k≤N_gc；同时求出所有N'个边缘点到拟合圆圆心的距离与拟合半径差的绝对值少于D_c的边缘点的数目N_obj占所有边缘点数目的比例η^j，η^j＝N^j _obj/N'，D_c是设定的一个阈值，保存拟合圆参数、对应的η^j以及步骤(4)执行的次序号j，上述步骤(4)的操作每执行一次，j增加1(其初始值为1)。

$\left\{\begin{array}{c}{X}_{\mathrm{fit}}^j=\frac{\mathrm{CD}-\mathrm{BE}}{2(\mathrm{AE}-\mathrm{BB})}\\ Y_{\mathrm{fit}}^j=\frac{\mathrm{AE}-\mathrm{BC}}{2(\mathrm{AE}-\mathrm{BB})}\end{array}\right.---\left(13\right)$

$R_{\mathrm{fti}}^j=\sqrt{\frac{\underset{k=1}{\overset{N_{\mathrm{gc}}}{\mathrm{\&Sigma;}}}({x_k}^2+{y_k}^2)-2X_{\mathrm{fit}}^j\underset{i=1}{\overset{N_{\mathrm{gc}}}{\mathrm{\&Sigma;}}}{x}_k-2Y_{\mathrm{fit}}^j\underset{i=1}{\overset{N_{\mathrm{gc}}}{\mathrm{\&Sigma;}}}{y}_k}{N_{\mathrm{gc}}}+{\left(X_{\mathrm{fit}}^j\right)}^2+{\left(Y_{\mathrm{fit}}^j\right)}^2}---\left(14\right)$

$\left\{\begin{array}{c}A=N_{\mathrm{gc}}\mathrm{\&Sigma;}{\left(x_k^j\right)}^2-\mathrm{\&Sigma;}{x}_k^j\mathrm{\&Sigma;}{x}_k^j\\ B=N_{\mathrm{gc}}\mathrm{\&Sigma;}{x}_k^j{y}_k^j-\mathrm{\&Sigma;}{x}_k^j\mathrm{\&Sigma;}{y}_k^j\\ C=N_{\mathrm{gc}}\mathrm{\&Sigma;}(x_k^{j3}+x_k^j{\left(y_k^j\right)}^2)-\mathrm{\&Sigma;}({\left(x_k^j\right)}^2+{\left(y_k^j\right)}^2)\mathrm{\&Sigma;}{x}_k^j\\ D=N_{\mathrm{gc}}\mathrm{\&Sigma;}{x}_k^j{\left(y_k^j\right)}^2-\mathrm{\&Sigma;}{y}_k^j\mathrm{\&Sigma;}{y}_k^j\\ E=N_{\mathrm{gc}}\mathrm{\&Sigma;}({\left(x_h^j\right)}^2{y}_k^j+{\left(y_k^j\right)}^3)-\mathrm{\&Sigma;}({\left(x_k^j\right)}^2+{\left(y_k^j\right)}^2)\mathrm{\&Sigma;}{y}_k^j\end{array}\right.---\left(15\right)$

表示第j次所选择的N_c组边缘点中第k个边缘点的坐标；

重复执行步骤(4)的上述操作，直至穷尽种组合,j的最终值等于的大小。

(5)选择拟合圆上边缘点数目所占边缘点总数的比例最多的拟合结果作为瓶口位置。比较所有的η^j值大小，选择最大的η^j值所对应的拟合圆圆心作为瓶口圆心的中心位置。综上所述，本发明专利提出的啤酒瓶口视觉定位方法需要设定的参数如表1所示。

表1方法设定参数说明

为分析本发明提出的瓶口定位方法的性能，用Hough变换圆检测算法求取瓶口中心坐标O_r(X_Or,Y_Or)和瓶口外边缘半径R，该结果作为瓶口中心的真实位置和瓶口外边缘的真实半径，本文方法以Hough变换检测的结果作为参考值，同时定义本发明提出的瓶口定位方法得到的的瓶口中心O_f(X_f，Y_f)与Hough变换的检测得到的瓶口中心的距离之差为瓶口定位误差ε，如式(16)所示。

$\mathrm{\&epsiv;}=\sqrt{{(X_f-X_r)}^2+{(Y_f-Y_r)}^2}---\left(16\right)$

下面通过一个具体的应用实例分析该方法，图1中的(a)作为瓶口测试图像，先通过Hough变换得到瓶口中心坐标和瓶口外边缘半径：X_Or,＝499，Y_Or＝617，R＝278；其次，设定本发明提出的瓶口定位方法的各参数，其中T＝160，Δα＝0.5度，T_c＝1/3，N_g＝8，N_c＝2，D_c＝2时，输入测试图像，得到本文方法相关参数变化和方法运行效果如图8所示，其中：图(a)表示灰度分割阈值T＝160时，应用式(2)进行全局阈值分割得到的二值化图像，通过式(2)运算得到瓶口重心坐标，X_O'＝484，X_O'＝607；图(b)表示径向扫描的结果，表示直线表示径向扫描圆的半径，当每次径向扫描的角度差Δα＝0.5度时，径向扫描720次，经过径向扫描可得到718个瓶口外边缘点及其对应的坐标；图(c)表示重心到边缘点的距离变化特征，设定噪声点占边缘点总数的比例Tc＝1/3时，由式(9)和式(11)分别可得重心到瓶口真实边缘边缘的真实距离f(i)及其测量距离f_m(i)与i的关系曲线，分别如图(c)中‘○’和‘·’所示；由式(10)和式(12)分别可得Δf(i)和Δf_m(i)与i的关系曲线，分别如图(d)和(e)所示；去噪结果如图(f)所示，其中‘○’表示干扰边缘点，‘×’表示与干扰边缘的相邻的后一个边缘，它和干扰点一起被去除，最终得到的瓶口边缘点如‘·’所示，将该图中虚线框中的区域放大，如图(g)所示，每个干扰点之后相邻的一个边缘也一起被标志成无效边缘点；当设定边缘点分组数量N_g＝8，每次拟合选择边缘分组数量N_c＝2，边缘点到拟合圆的距离与拟合半径差最大容许值D_c＝2，统计得所有边缘点到拟合圆圆心的距离与拟合半径差的绝对值少于D_c的边缘点数目与边缘点总数的比例η^j和本发明方法的定位误差ε的变化曲线分别如图(h)中‘·’和‘*’所示，ε与η^j反相关，最大的η^j值如图(h)中所示，因此本发明方法可通过选择最大的η^j得到误差最小的最小二乘圆拟合结果，如图(h)中‘○’所示，最终的瓶口中心坐标为X_r＝499.66，Y_r＝617.33，瓶口定位误差ε＝0.73。

以上所述仅是本发明技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (4)

1.一种基于机器视觉的啤酒瓶口定位方法，其特征在于，包括以下步骤：

步骤1：获取啤酒瓶口图像；

步骤2：利用重心法获取啤酒瓶口图像的重心坐标(X_O′,Y_O′)；

步骤3：利用重心坐标和设定的扫描半径R_s，对啤酒瓶口图像进行N_s次径向扫描，获取N'个啤酒瓶口外边缘点i表示第i次径向扫描，1≤i≤N_s，N_s＝360/Δα，Δα表示径向扫描间隔；

$X_{{P_i}^{\&prime;}}=X_{O^{\&prime;}}+R_{s}cos\frac{2\mathrm{\&pi;}}{N_s}i$

$Y_{{P_i}^{\&prime;}}=Y_{O^{\&prime;}}+R_s\sin \frac{2\mathrm{\&pi;}}{N_s}i$

步骤4：对步骤3获取的啤酒瓶口外边缘点进行去噪；

步骤5：将去噪后的外边缘点应用最小二乘法进行啤酒瓶口外边缘圆拟合，完成啤酒瓶口定位；

所述步骤4的具体步骤如下：

步骤a：依次求出重心坐标到所有外边缘点的测量距离：

$f_m\left(i\right)=\sqrt{{(X_{{P_i}^{\&prime;}}-X_{O^{\&prime;}})}^2+{(Y_{{P_i}^{\&prime;}}-Y_{O^{\&prime;}})}^2}$

步骤b：计算相邻外边缘点的测量距离差分绝对值|Δf_m(i)|＝|f_m(i+1)-f_m(i)|；

步骤c：对所有的|Δf_m(i)|进行从大到小排序，排序靠前的前100·Tc％个测量距离差分绝对值对应的外边缘点为干扰点，其中，T_c为设定阈值，0≤T_c≤1；

步骤d：去除干扰点及与该干扰点相邻的后一个边缘点，得到去噪后的外边缘点；

啤酒瓶口外边缘拟合具体步骤如下：

步骤1：将步骤4获得的去噪后的外边缘点均匀分成N_g组；

步骤2：依次从分组后的外边缘点组中随机选取N_c组外边缘点，采用最小二乘法进行圆拟合，得到对应的个拟合圆参数，每个拟合圆参数包括拟合圆圆心坐标和半径 N_gc表示当前所选择的N_c组边缘点的总数目，N_gc＝N_c*N'/N_g，N_gc∈Z⁺，1≤k≤N_gc；

$\left\{\begin{array}{c}{X}_{fit}^j=\frac{CD-BE}{2(AE-BB)}\\ Y_{fit}^j=\frac{AE-BC}{2(AE-BB)}\end{array}\right.$

$R_{fti}^j=\sqrt{\frac{\underset{k=1}{\overset{N_{gc}}{\&Sigma;}}({x_k}^2+{y_k}^2)-2X_{fit}^j\underset{i=1}{\overset{N_{gc}}{\&Sigma;}}{x}_k-2Y_{fit}^j\underset{i=1}{\overset{N_{gc}}{\&Sigma;}}{y}_k}{N_{gc}}+{\left(X_{fit}^j\right)}^2+{\left(Y_{fit}^j\right)}^2}$

$\left\{\begin{array}{c}A=N_{gc}\mathrm{\&Sigma;}{\left(x_k^j\right)}^2-{\mathrm{\&Sigma;x}}_k^j{\mathrm{\&Sigma;x}}_k^j\\ B=N_{gc}{\mathrm{\&Sigma;x}}_k^j{y}_k^j-{\mathrm{\&Sigma;x}}_k^j{\mathrm{\&Sigma;y}}_k^j\\ C=N_{gc}\mathrm{\&Sigma;}(x_k^{j3}+x_k^j{\left(y_k^j\right)}^2)-\mathrm{\&Sigma;}({\left(x_k^j\right)}^2+{\left(y_k^j\right)}^2){\mathrm{\&Sigma;x}}_k^j\\ D=N_{gc}{\mathrm{\&Sigma;x}}_k^j{\left(y_k^j\right)}^2-{\mathrm{\&Sigma;y}}_k^j{\mathrm{\&Sigma;y}}_k^j\\ E=N_{gc}\mathrm{\&Sigma;}({\left(x_k^j\right)}^2{y}_k^j+{\left(y_k^j\right)}^3)-\mathrm{\&Sigma;}({\left(x_k^j\right)}^2+{\left(y_k^j\right)}^2){\mathrm{\&Sigma;y}}_k^j\end{array}\right.$

表示第j次所选择的N_c组边缘点中第k个边缘点的坐标；

步骤3：计算每个拟合圆圆心到所有外边缘点的距离与拟合半径之间差的绝对值小于D_c的外边缘点数量同时，计算

步骤4：选择最大的η^j对应的拟合圆作为啤酒瓶瓶口，完成啤酒瓶瓶口定位。

2.根据权利要求1所述的一种基于机器视觉的啤酒瓶口定位方法，其特征在于，所述步骤2利用重心法获取啤酒瓶口图像的重心坐标(X_O′,Y_O′)的具体过程如下：

首先，对采集到的啤酒空瓶瓶口图像f(x,y)进行全局阈值分割处理，得到瓶口二值化图像g(x,y)，T为设定的分割阈值；

$g(x,y)=\left\{\begin{array}{cc}1& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.$

其次，按照重心计算公式获取重心坐标：

$X_{O^{\&prime;}}=\frac{\underset{m=1}{\overset{N_b}{\mathrm{\&Sigma;}}}{x}_{m}g(x_m,y_m)}{N_b}$

$Y_{O^{\&prime;}}=\frac{\underset{m=1}{\overset{N_b}{\mathrm{\&Sigma;}}}{y}_{m}g(x_m,y_m)}{N_b}$

其中，N_b、x_m和y_m分别表示非0的像素点的总数量、第m个非0像素点的x和y坐标，g(x_m,y_m)表示坐标为(x_m,y_m)的像素点对应的灰度值，1≤m≤N_b,m∈Z⁺。

3.根据权利要求2所述的一种基于机器视觉的啤酒瓶口定位方法，其特征在于，所述步骤3中径向扫描步进角Δα小于等于90°。

4.根据权利要求3所述的一种基于机器视觉的啤酒瓶口定位方法，其特征在于，所述步骤3中径向扫描步进角Δα取值为0.5°-5°。