CN106529551A - 面向包装行业的类圆对象智能识别计数检测算法 - Google Patents

Abstract

本发明公开了一种面向包装行业的类圆对象智能识别计数检测算法，通过工业相机采集的图像获得类圆对象所在的有效区域；图像预处理方法包含：采用中值滤波算法去除原始图像噪声，利用自适应局部二值算法获得图像去噪后的二值化图像；几何特征提取包含四次检测，第一次检测：检测二值化后面积正常的类圆对象；第二次检测：检测第一次检测后剩余有缺陷的类圆对象；第三次检测：检测凹凸不平区域的类圆对象；第四次检测：检测边界可能存在的类圆对象。利用此发明可以将类圆立体对象的计数准确度提高，并且对包装条件要求低、检测鲁棒性强，同时能够实现迅速、实时的快速在线监测，可以用于各种类圆对象检测。

Description

面向包装行业的类圆对象智能识别计数检测算法

技术领域

本发明涉及一种识别技术检测算法，具体涉及一种面向包装行业的类圆对象智能识别计数检测算法。

背景技术

类圆对象在生活中无处不在，如棒材、酒瓶、药瓶、香烟装箱等。此类类圆对象在生活中都不可避免需要统计。目前，对于装箱的类圆对象计数往往采用人工直接计数方式或者不检测方式，利用人工直接检测方式计数方法劳动强度大，眼睛易疲劳，计数精度低，且误差因人而异。如果应用具有快速能力的计算机技术和现代机器视觉技术对类圆对象检测，既可以减少主观干扰，提高识别精度，又可以减轻工人繁重的劳动负担，从而提高工作效率。

在专利201510000913.8《一种基于线扫描工业相机的装箱香烟滤棒计数系统》和201510001104.9《一种基于机器视觉的香烟滤棒在线计数和质量检测方法》中采用的是线阵工业相机采集图像，相机价格高昂，对采集到的图像采用拼接的方法，且算法在处理图像时花费时间较长，处理速度比较慢；本发明采用普通的面阵工业相机，价格相对便宜，设备安装固定便捷，应用前景更加广泛。同时在专利201510000913.8《一种基于线扫描工业相机的装箱香烟滤棒计数系统》和201510001104.9《一种基于机器视觉的香烟滤棒在线计数和质量检测方法》中的工业相机装置是移动式的而非固定的，在安装工业相机时还要有配套的移动装置，当工业相机运动时不好控制，拍照效果也不是很好，又增加了成本；本发明采用固定的工业相机装置，无需移动就能采集图像。在专利201510000913.8《一种基于线扫描工业相机的装箱香烟滤棒计数系统》和201510001104.9《一种基于机器视觉的香烟滤棒在线计数和质量检测方法》中只能检测平整面对象。如果对象摆放不平整，有凹凸出来的类圆对象，就会产生偏差。利用凹凸区域整个像素点面积除以单个类圆面积统计个数时就会把偏差放大，统计的结果不准确。

发明内容

发明目的：本发明的目的是为了解决现有技术中人工计数劳动强度大、工作效率低、准确度不高且容易出错的问题，提供一种解决特种工业相机及配套移动装置价格昂贵的问题、解决此前专利只能检测平整面对象(凹凸区域或者边界有干扰等问题无法解决)的面向包装行业的类圆对象智能识别计数检测算法。

技术方案：本发明所述的一种面向包装行业的类圆对象智能识别计数检测算法，包括如下步骤：

(1)利用工业相机采集所要统计的类圆对象的垂直截面图像；

(2)从获取图像中利用固定阈值方法获得类圆对象感兴趣区域，并截取感兴趣区域中有效区域；

(3)图像的预处理：包括去噪，对去噪后图像利用自适应局部二值法二值化图像，删除无效区域和无效点处理步骤；

(4)类圆统计计数的算法：包括正常类圆检测、缺陷类圆检测、凹凸区域检测、边界漏检处理步骤；

(5)统计类圆对象总数。

进一步的，步骤(2)中利用固定阈值对图像二值化处理获得完整类圆对象感兴趣区域，其中图像固定阈值θ通过大量实验获得，根据θ将原始图像转换成二值化图像，对二值化图像的外轮廓搜索，提取面积最大的外轮廓图像，即为原始感兴趣区域。

进一步的，步骤(2)中获取原始感兴趣区域中的矩形感兴趣区域包括如下步骤：

(A)以原始感兴趣区域的左上顶点为二维坐标系原点建立二维坐标系；

(B)用投影法从左往右统计每列像素的横坐标，获得目标对象区域横轴方向的边界坐标，最左点的横坐标min_x，最右点的横坐标max_x，通过两个坐标拟合两条平行于纵坐标轴的直线；

(C)同理，获取纵轴方向的边界坐标，最高点的纵坐标max_y，最低点的纵坐标min_y，拟合两条平行于横坐标轴的直线；

(D)通过四个点拟合的直线得到一个矩形，该矩形映射到原始图像即获得矩形感兴趣区域。

进一步的，步骤(3)中采用中值滤波算法去除矩形感兴趣区域中的噪声。

进一步的，步骤(3)中对去噪后图像利用自适应局部二值法二值化图像是通过“局部邻域块的高斯加权和”方法对去噪后的图像进行自适应局部二值化处理：首先把去噪后的图像分成单个窗口的大小为(2×r+a)×(2×r+a)的n个窗口，再对每个窗口依次利用自适应阈值方法将图像二值化；其中a为像素点经验值，像素点经验值根据工业相机的镜头型号和类圆对象大小确定，且为奇数；r为类圆对象半径，n为有效区域面积/单个窗口面积。

进一步的，步骤(3)中删除无效区域和无效点处理步骤包括：

(A)去除无效区域：先去除上下边界length×r和左右边界width×r的区域，其中length为二值化图像的列数，width为二值化图像的行数；

(B)去除无效块：按照判断条件进行删除，具体删除条件如下：

(a)判断是否为单个圆；

(b)判断是否为多个圆相连；

当两个条件都为“否”时即判断为无效块，可被删除。

进一步的，步骤(4)中正常类圆检测包括起始点定位和寻找第一个有效圆心和正常类圆检测方法处理步骤，其中起始点定位和寻找第一个有效圆心包括如下步骤：

1)在步骤(3)的基础上，选定点作为起始点；

2)以P作为圆心，以(r+e)为半径画圆，其中e为像素点的经验值，可知在该圆内至少含有一个圆心；

3)对步骤2)的圆内所有像素点分析，依次选取圆内所有像素点为圆心，为半径画圆，统计为半径的圆内的有效像素点数，当满足条件：为半径的圆内95％以上是有效像素点时即判断为第一个圆心的备选点；

4)分别以步骤3)中的所有备选点为圆心，为半径画圆，当满足条件：为半径的圆周上全部是有效像素点时，此点为有效圆心的备选点；

5)依次选取步骤4)中的所有备选点作为圆心，r为半径画圆，当满足条件：r为半径的圆内有效像素点数最多时，就能确定此备选点为第一个圆心；

正常类圆检测方法包括如下步骤：

1)以上述步骤中找到有效圆心作为基准圆心，以(2×r+a)为半径，拟合一个圆，记为圆A；再以半径为(2×r-a)拟合一个同心圆，记为圆B，对圆A与圆B组成的圆环区域内的所有像素点进行分析；

2)按顺序选取步骤1)圆环内的所有像素点，以每个像素点为圆心，为半径画圆，统计为半径的圆内的有效像素点数，当满足条件：为半径圆内95％以上是有效像素点时即为有效圆心的备选点；

3)分别以步骤2)中的所有备选点为圆心，为半径画圆，当满足条件：为半径的圆周上全部是有效像素点时，此点为有效圆心的备选点；

4)分别选取步骤3)的所有圆心备选点为圆心，以r为半径画圆，统计以r为半径的圆内有效像素点个数，当满足条件：r为半径圆内有效像素点数最多时，且此最大值S大于T。其中T为待检测类圆对象的横截面理论像素点的总和×系数，系数的范围为0.1到1的任意值。此点为有效圆心，并将此点标记，作为下一圈检测的基准点。当0.5×T<S<T，表明此处可能存在有效圆心，此时将基准圆心进行标记，作为缺陷类圆检测的基准点；

5)每个基准圆心需重复步骤2)到步骤4)检测六次，一个基准圆心最多能够寻找到六个圆，将第一圈检测统计得到的类圆对象的个数记为a₁；

6)依次以a₁个圆为检测中心点，不断重复步骤1)到5)的检测方法，依次得到第2圈、3圈、4圈……统计的类圆对象的个数为a₂、a₃…a_n；

7)统计出正常类圆检测得到的类圆对象个数N₁＝a₁+a₂+a₃+…+a_n。

进一步的，步骤(4)中处理缺陷类圆，包括如下步骤：

1)依次选取正常类圆检测中标记点，并将其周围可能存在有效圆心的基准圆心作为缺陷类圆检测的基准圆心；

2)由标记点可以确定未被检测的类圆对象。依次选取剩余有效像素点周围被标记过的类圆对象的圆心，以(2×r+a)为半径画圆；再以半径(2×r-a)画同心圆，对两个圆组成的圆环内的像素点分析；

3)按顺序选取步骤2)中的所有像素点为圆心，取半径为画圆，当满足条件：以为半径的圆周上全部是有效像素点时，此点为有效圆心的备选点；

4)分别选取步骤3)中的所有圆心备选点为圆心，取半径为r画圆，统计以r为半径的圆内有效像素点的个数，当满足条件：以r为半径的圆内有效像素点数满足>70％×T时，此点为有效圆心，并将此点标记；

5)检测成功后并标记，此次统计到类圆对象的个数为N₂。

进一步的，步骤(4)中凹凸区域检测包括如下步骤：

1)经过上述正常类圆和缺陷类圆检测统计，已经找到的所有类圆的周围可能会有一些零星的无效像素点，对所有类圆以(r+a)为半径向外围检测一圈，腐蚀掉无效区域的像素点；

2)经过步骤1)腐蚀掉无效区域所有像素点；

3)经过步骤2)的腐蚀操作后，对二值化图像中未处理的区域判断是否存在孔洞，当不满足正常类圆检测的三个检测条件时即为孔洞，如果没有则判定为凹凸不平区域；

4)确定凹凸不平区域长度L；

5)记凹凸不平区域的类圆对象总个数N₃＝L/d，其中d为1个类圆对象的直径。

进一步的，步骤(4)中边界漏检包括如下步骤：

1)整幅图像的四个边界检测，选取离边界有效检测区域；

2)左边的边界区域检测，左边界检测范围，长的范围(0至4×d)，宽为width，对左边界检测周围分别留一个半径r的区域，类圆对象的圆心肯定在中间的有效区域，检测方法同步骤第一次检测方法，检测到的类圆对象的个数为n₁；

3)上边界区域检测，上边界检测范围，宽的范围(0至4×d)，长为length，检测方法同步骤2)，检测到的类圆对象的个数为n₂；

4)右边界区域检测，右边界检测范围，长的范围(length-(4×d))至length，宽为width，检测方法同步骤2)，检测到的类圆对象的个数为n₃；

5)下边界区域检测，下边界检测范围，宽的范围(width-(4×d))至width，长为length。检测方法同步骤2)，检测到的类圆对象的个数为n₄；

6)计算边界检测到的类圆对象的总数N₄＝n₁+n₂+n₃+n₄。

有益效果：利用本发明可以将类圆立体对象的计数准确度提高，并且对包装条件要求低、检测鲁棒性强，同时能够实现迅速、实时的快速在线监测，可以用于各种类圆对象检测。

附图说明

图1为本发明一个实施例的计数统计方法的流程图；

图2本发明实施例中的自适应局部二值化完整图像；

图3为本发明实施例中的无效区域图；

图4为本发明实施例中的去除无效边界的类圆对象成像有效区域图像；

图5为检测方法的几何原理图；

图6为本发明实施例中的定位初始点图像；

图7为本发明实施例中的寻找第一个圆心原理图；

图8为本发明实施例中的第一次检测的第一圈统计图；

图9为本发明实施例中的第一次检测的第一圈寻找圆的原理图；

图10为本发明实施例中的第一次检测后的图像；

图11为本发明实施例中的第一次检测后的含有缺陷的类圆对象图像；

图12为本发明实施例中的含有缺陷类圆对象检测原理图；

图13为本发明实施例中的凹凸不平类圆对象二值图；

图14为本发明实施例中腐蚀的原理图；

图15为本发明实施例中腐蚀前的图像；

图16为本发明实施例中腐蚀后图像；

图17为本发明实施例中边界含有类圆对象二值图；

图18为本发明实施例中检测边界的原理图。

具体实施方式

下面结合附图和实施事例，对本发明的具体实施方式作进一步详细描述。以下实施事例用于说明本发明，但不用来限制本发明的范围。

1、如图1所示，香烟滤棒智能识别计数检测算法，包括以下步骤：

步骤1：利用面阵工业相机采集香烟滤棒包装箱截面图像，即工业相机捕捉到的实物原理图。

步骤2：从获取的图像中利用固定阈值方法获得香烟滤棒的成像区域：

2.1固定阈值的方法获得二值图

图像阈值θ可通过大量实验获得，根据θ将原始图像转换成二值化图像。对二值化图像的外轮廓搜索，提取面积最大的外轮廓图像，即为原始感兴趣区域。

2.2获取原始感兴趣区域中的矩形感兴趣区域

2.2.1以步骤2.1获取的原始感兴趣区域的左上顶点为二维坐标系原点建立二维坐标系。

2.2.2用投影法从左往右统计每列像素的横坐标，获得目标对象区域横轴方向的边界坐标，最左点的横坐标min_x，最右点的横坐标max_x，通过两个坐标拟合两条平行于纵坐标轴的直线。

2.2.3同理，获取纵轴方向的边界坐标，最高点的纵坐标max_y，最低点纵坐标min_y，拟合两条平行于横坐标轴的直线。

2.2.4通过四个点拟合的直线得到一个矩形，该矩形映射到原始图像即获得矩形感兴趣区域。

步骤3：图像的预处理：

3.1去噪：香烟滤棒在装载、运送过程中受到挤压，碰撞等因素，采集到的图像中必定包含许多种噪声。在对图像进行各种处理之前必须要先去除噪声，本发明采用中值滤波的算法去除2.2.4感兴趣区域中的噪声。采用中值滤波算法的原因是其能很好地抑制脉冲噪声、扫描噪声、椒盐噪声，同时还能够很好的保持图像的边缘细节。

3.2对去噪后图像利用自适应局部二值法二值化图像。

3.2.1密集粘连香烟滤棒在工业现场中的视场很大，如果选用固定阈值算法二值化图像，所需要的光源的布置必须非常均匀且很复杂，工业现场中很难做到，并且加大了成本。普通光源环境获取的图像，光线强弱不同，利用固定阈值二值化图像时就会把箱体中的香烟滤棒的凹槽部分二值化成无效区域；如果利用自适应局部二值法就会把凹槽部分的阈值自动调整，二值化成有效区域，减少了误差。

3.2.2本发明采用“An Implementation on Object Move Detection UsingOpenCV”文章中“局部邻域块的高斯加权和”方法二值化图像。首先把3.1去噪后的图像分成单个窗口的大小为19×19的n(n＝有效区域面积/单个窗口面积)个窗口，再对每个窗口依次利用自适应阈值的方法将图像二值化。如图2所示，为自适应二值法二值化图像。

3.3删除无效区域和无效点

二值化图像包含箱体成像、香烟滤棒成像和箱体外部成像，而后续算法则以圆相切分析为主来统计香烟滤棒的数目。因此，首先将包装箱边缘及箱体在二值化图像中消除，进一步缩小感兴趣区域，只保留香烟滤棒成像有效区域。

在3.2获得二值化图像的边界会有一些无效区域(白条形状的区块)或者无效点(单个的或者几个有效像素点)。如图3所示，标注的边框黑色粗线区域内无效区域。如果直接删除边界可能会连带删除到香烟滤棒的有效区域，对结果产生影响，所以删除这些无效边界分为两个步骤：

3.3.1边界无效区域

由于堆放、挤压原因，包装箱体的截面并不是标准矩形，二值化后，边界会有些无效区域被二值化成有效区域，根据大量实验数据得出，如果要去除无效区域，则需要先去除上下边界1452×8和左右边界822×8的区域(1452：二值化图像的列数；822：二值化图像的行数)。

3.3.2边界无效块

经过3.3.1去除无效区域后，还会有一些无效块，以单个或者几个有效像素点形式存在，如果要完全去除这些无效点而又不能误删则需要加一定的判断条件。

判断条件：

⑴判断是否为单个圆；

⑵判断是否为多个圆相连。

当两个条件都为“否”时即判断为无效块，可被删除。

在效果图中会看到，无效边会被完全去掉，如图4所示，为去除无效边界的香烟滤棒成像有效区域图像。

通过以上的几步预处理，包装箱体及以外的无效区域基本被消除，只保留下香烟滤棒的成像有效区域。

步骤4：香烟滤棒统计的算法：核心算法是圆相切的几何关系。

本发明主要利用的几何原理：大量相同的香烟滤棒密集堆放在一起，任意相邻的两个圆会相切。一个圆的周围最多可与六个圆相切，切点必定在两个圆心的中心上，通过相切原理，由一个已知可以确定相切的若干圆，且最多一个圆最多能确定六个圆。如图5所示，为检测方法的几何原理图。

4.1正常滤棒检测

4.1.1起始点定位和寻找第一个有效圆心。

1)在步骤(3)的基础上，选定点作为起始点，如图6所示，中心圆点为选取的检测起始点。

2)以P作为圆心，以11为半径画圆，可知在该圆内至少含有一个圆心。

3)对步骤2)的圆内所有像素点分析，依次选取圆内所有像素点为圆心，以3为半径画圆，统计半径为3的圆内的有效像素点(二值化成白色像素点)数，当满足条件：3为半径的圆内95％以上是有效像素点时即为第一个圆心的备选点。

4)分别以步骤3)中的所有备选点为圆心，以5为半径画圆，当满足条件：4为半径的圆周上全部是有效像素点条件时，此点为有效圆心的备选点。

5)依次选取步骤4)中的所有备选点作为圆心，8为半径画圆，当满足条件：8为半径的圆内有效像素点数最多时，就能确定此备选点为第一个圆心。

4.1.2正常滤棒检测算法

1)步骤4.1.1中找到的有效圆心作为基准圆心，以18为半径画圆，记为圆A；再以半径为14画一个同心圆，记为圆B，对圆A与圆B组成的圆环区域内的所有像素点进行分析。如图7所示，为检测原理图。

2)按顺序选取步骤1)圆环内的所有像素点。依次选取圆内所有像素点为圆心，取半径为3画圆，统计半径为3的圆内的有效像素点数，当满足条件：以3为半径的圆内95％以上是有效像素点时，即为有效圆心的备选点。

3)分别以步骤2)中的所有备选点为圆心，取5为半径画圆，当满足条件：以5为半径的圆周上全部是有效像素点时，此点为有效圆心的备选点。

4)分别选取步骤3)的所有圆心备选点为圆心，取半径为8画圆，统计以8为半径的圆内有效像素点的个数，当满足条件：以8为半径的圆内有效像素点数最多时，且此最大值S大于180(180的含义：待检测1根香烟滤棒的横截面理论像素点的总和×系数，系数的范围为0.1-1的任意值，此处选的系数为0.8)，此点为有效圆心，并将此点标记，作为下一圈检测的基准点。当90<S<180，表明此处可能存在有效圆心，此时将基准圆心进行标记，作为缺陷滤棒检测的基准点。

5)每个基准圆心需重复步骤2)到步骤4)检测六次，一个基准圆心最多能够寻找到六个圆，将第一圈检测统计得到的香烟滤棒的个数记为a₁。如图8所示，为第一圈的统计图像，图9示，为第一圈统计原理图。

6)依次以a₁个圆为检测中心点，不断重复步骤1)到步骤5)的检测方法，依次得到第2圈、3圈、4圈…统计的香烟滤棒的个数为a₂、a₃…a_n。

7)统计出第一次检测得到的香烟滤棒的个数N₁＝a₁+a₂+a₃+…+a_n。如图10所示，为正常滤棒检测后的图像。

经过上述步骤检测，对疑似的香烟滤棒(在正常滤棒检测中因为各种原因没有找到的疑似香烟滤棒)周围标记，并保存下来。

一根香烟滤棒的面积最大为225，此次检测的每根香烟滤棒的截面面积选取大于180。选取此阈值的目的：由实验数据可以得到，如果选取的每根香烟滤棒的有效像素点S<180，在检测时寻找的两个圆之间就会出现重叠部分，对统计的结果产生很大的误差。

4.2正常滤棒检测后剩余的缺陷滤棒(如二值化后残缺的滤棒和中间有孔洞)检测

经过4.1步骤的第一次检测后，由于箱体挤压，或者香烟滤棒摆放不平整，采集到的图像二值化时，并不是所有的香烟滤棒的面积都大于180，因为光源的问题，会造成部分对象的阴影遮挡了相邻有效香烟滤棒，这将在香烟滤棒的内部应该被二值化成有效像素的点而被二值化成了无效像素点，导致单个香烟滤棒内的有效像素点的和小于180。所以满足香烟滤棒内的有效像素点和S<180的香烟滤棒就不会被检测成功。

如图11所示，为正常滤棒检测后剩余有缺陷的香烟滤棒。

4.2.1依次选取正常滤棒检测中标记的周围可能存在有效圆心的基准圆心，作为第二次检测的基准圆心。

4.2.2由上一步的标记点可以确定未被检测的香烟滤棒。依次选取剩余有效像素点周围的被标记过得香烟滤棒的圆心，以18为半径画圆；再以14为半径画同心圆，对两个圆组成的圆环区域内的所有像素点分析。

4.2.3按顺序选取步骤4.2.2中的所有像素点为圆心，取半径为5画圆，当满足条件：以5为半径的圆周上全部是有效像素点时，此点为有效圆心的备选点。

4.2.4分别选取步骤4.2.3的所有圆心备选点为圆心，取半径为8画圆，统计以8为半径的圆内有效像素点的个数，当满足条件：以8为半径圆内的有效像素点数满足126<S<180时，标记圆心。

4.2.5检测成功后并标记，此次统计的缺陷香烟滤棒个数为N₂。如图12所示，为有缺陷香烟滤棒检测原理图。

4.3凹凸区域检测

经过4.2步骤检测后，在滤棒外围会有许多零星的无效像素点存在，如果不把这些像素点腐蚀掉，在查找轮廓时，就会有太多的轮廓，增加了程序的负担和时间，对结果产生一定误差。滤棒在摆放时并不是一个完成的平整面，会出现随机性的内向凹陷，并且其相邻会向外凸出，图像上显示的效果就是某些对象的有效检测面积会很小；如图13为含有凹凸区域香烟滤棒二值化图像。从二值化图像中看到香烟滤棒面积很小，此时用步骤4.1就无法检测。为了克服这个误差，对缺陷滤棒检测后的图像进行形态学的“腐蚀操作”，在腐蚀过程中并不会把此区域的香烟滤棒的有效像素点全部腐蚀掉，也不会增加检测的难度。

4.3.1经过正常滤棒和缺陷滤棒检测统计，已经找到的所有香烟滤棒的周围可能会有一些零星的无效的像素点，对所有香烟滤棒以9为半径向外围检测一圈，腐蚀掉非有效区域的像素点。经过此步骤操作会把非有效的区域的像素点腐蚀掉。如图14所示，为腐蚀的原理图，腐蚀掉无效区域的像素点。

4.3.2通过4.3.1步骤腐蚀掉无效区域的所有像素点。如图15所示，为腐蚀前的图像；如图16所示为腐蚀后图像。

4.3.3对步骤4.3.2腐蚀后操作后，对二值化图像中未处理的区域判断是否有孔洞(缺少整根香烟滤棒)，当不满足步骤4.1的三个检测条件时即为孔洞，如果没有则判定为凹凸区域。

4.3.4确定凹凸不平区域长度L。

4.3.5凹凸不平区域的香烟滤棒总个数N₃＝L/d。

4.4边界漏检

经过步骤4.1到4.3检测后，在边界可能还会存在未能被检测到的香烟滤棒，由于边界的一些香烟滤棒嵌套在盒壁上，在进行以上检测步骤后，检测不到边缘，所以采取另外一种算法来解决这个问题。如图17所示，为边界含有香烟滤棒二值图。

在边界32×1452和32×822位置会包含待检测的香烟滤棒。边界原理图如图18所示：

4.4.1整幅图的四个边界检测，选取离边界有效检测区域。

4.4.2左边的边界区域检测，左边界检测范围，长的范围(0至32)，宽为822。对左边界检测周围分别留一个半径8的区域，香烟滤棒的圆心肯定在中间的有效区域。检测方法同步骤4.1.2，检测到的香烟滤棒的个数为n₁。

4.4.3上边界区域检测，上边界检测范围，宽的范围(0至32)，长为1452。检测方法同步骤4.4.2，检测到的香烟滤棒的个数为n₂。

4.4.4右边界区域检测，右边界检测范围，长的范围(1404至1452)，宽为822。检测方法同步骤4.4.2，检测到的香烟滤棒的个数为n₃。

4.4.5下边界区域检测，下边界检测范围，宽的范围(790至822)，长为1452。检测方法同步骤4.4.2，检测到的香烟滤棒的个数为n₄。

4.4.6计算边界检测到的香烟滤棒的总数N₄＝n₁+n₂+n₃+n₄。

统计的香烟滤棒总数：

N＝N₁+N₂+N₃+N₄

至此，基于圆相切的香烟滤棒已经检测结束。

表1：人工计数和本方法的计数对比

表1是现场人工统计和算法统计的对比，大部分情况都能和人工计数完全一致，只有少数出现偏差。通过720个小时的连续测试，每盒香烟滤棒的平均误差为0.3根，平均检测时间为700ms，完全满足客户需求。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：包括如下步骤：

(1)利用工业相机采集所要统计的类圆对象的垂直截面图像；

(2)从获取图像中利用固定阈值方法获得类圆对象感兴趣区域，并截取感兴趣区域中有效区域；

(3)图像的预处理：包括去噪，对去噪后图像利用自适应局部二值法二值化图像，删除无效区域和无效点处理步骤；

(4)类圆统计计数的算法：包括正常类圆检测、缺陷类圆检测、凹凸区域检测、边界漏检处理步骤；

(5)统计类圆对象总数。

2.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(2)中利用固定阈值对图像二值化处理获得完整类圆对象感兴趣区域，其中图像固定阈值θ通过大量实验获得，根据θ将原始图像转换成二值化图像，对二值化图像的外轮廓搜索，提取面积最大的外轮廓图像，即为原始感兴趣区域。

3.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(2)中获取原始感兴趣区域中的矩形感兴趣区域包括如下步骤：

(A)以原始感兴趣区域的左上顶点为二维坐标系原点建立二维坐标系；

(B)用投影法从左往右统计每列像素的横坐标，获得目标对象区域横轴方向的边界坐标，最左点的横坐标min_x，最右点的横坐标max_x，通过两个坐标拟合两条平行于纵坐标轴的直线；

(C)同理，获取纵轴方向的边界坐标，最高点的纵坐标max_y，最低点的纵坐标min_y，拟合两条平行于横坐标轴的直线；

(D)通过四个点拟合的直线得到一个矩形，该矩形映射到原始图像即获得矩形感兴趣区域。

4.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(3)中采用中值滤波算法去除矩形感兴趣区域中的噪声。

5.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(3)中对去噪后图像利用自适应局部二值法二值化图像是通过“局部邻域块的高斯加权和”方法对去噪后的图像进行自适应局部二值化处理：首先把去噪后的图像分成单个窗口的大小为(2×r+a)×(2×r+a)的n个窗口，再对每个窗口依次利用自适应阈值方法将图像二值化；其中a为像素点经验值，像素点经验值根据工业相机的镜头型号和类圆对象大小确定，且为奇数；r为类圆对象半径，n为有效区域面积/单个窗口面积。

6.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(3)中删除无效区域和无效点处理步骤包括：

(A)去除无效区域：先去除上下边界length×r和左右边界width×r的区域，其中length为二值化图像的列数，width为二值化图像的行数；

(B)去除无效块：按照判断条件进行删除，具体删除条件如下：

(a)判断是否为单个圆；

(b)判断是否为多个圆相连；

当两个条件都为“否”时即判断为无效块，可被删除。

7.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(4)中正常类圆检测包括起始点定位和寻找第一个有效圆心和正常类圆检测方法处理步骤，其中起始点定位和寻找第一个有效圆心包括如下步骤：

1)在步骤(3)的基础上，选定点作为起始点；

2)以P作为圆心，以(r+e)为半径画圆，其中e为像素点的经验值，可知在该圆内至少含有一个圆心；

3)对步骤2)的圆内所有像素点分析，依次选取圆内所有像素点为圆心，为半径画圆，统计为半径的圆内的有效像素点数，当满足条件：为半径的圆内95％以上是有效像素点时即判断为第一个圆心的备选点；

4)分别以步骤3)中的所有备选点为圆心，为半径画圆，当满足条件：为半径的圆周上全部是有效像素点时，此点为有效圆心的备选点；

5)依次选取步骤4)中的所有备选点作为圆心，r为半径画圆，当满足条件：r为半径的圆内有效像素点数最多时，就能确定此备选点为第一个圆心；

正常类圆检测方法包括如下步骤：

1)以上述步骤中找到有效圆心作为基准圆心，以(2×r+a)为半径，拟合一个圆，记为圆A；再以半径为(2×r-a)拟合一个同心圆，记为圆B，对圆A与圆B组成的圆环区域内的所有像素点进行分析；

2)按顺序选取步骤1)圆环内的所有像素点，以每个像素点为圆心，为半径画圆，统计为半径的圆内的有效像素点数，当满足条件：为半径圆内95％以上是有效像素点时即为有效圆心的备选点；

3)分别以步骤2)中的所有备选点为圆心，为半径画圆，当满足条件：为半径的圆周上全部是有效像素点时，此点为有效圆心的备选点；

4)分别选取步骤3)的所有圆心备选点为圆心，以r为半径画圆，统计以r为半径的圆内有效像素点个数，当满足条件：r为半径圆内有效像素点数最多时，且此最大值S大于T。其中T为待检测类圆对象的横截面理论像素点的总和×系数，系数的范围为0.1到1的任意值。此点为有效圆心，并将此点标记，作为下一圈检测的基准点。当0.5×T<S<T，表明此处可能存在有效圆心，此时将基准圆心进行标记，作为缺陷类圆检测的基准点；

5)每个基准圆心需重复步骤2)到步骤4)检测六次，一个基准圆心最多能够寻找到六个圆，将第一圈检测统计得到的类圆对象的个数记为a₁；

6)依次以a₁个圆为检测中心点，不断重复步骤1)到5)的检测方法，依次得到第2圈、3圈、4圈……统计的类圆对象的个数为a₂、a₃…a_n；

7)统计出正常类圆检测得到的类圆对象个数N₁＝a₁+a₂+a₃+…+a_n。

8.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(4)中处理缺陷类圆，包括如下步骤：

1)依次选取正常类圆检测中标记点，并将其周围可能存在有效圆心的基准圆心作为缺陷类圆检测的基准圆心；

2)由标记点可以确定未被检测的类圆对象。依次选取剩余有效像素点周围被标记过的类圆对象的圆心，以(2×r+a)为半径画圆；再以半径(2×r-a)画同心圆，对两个圆组成的圆环内的像素点分析；

3)按顺序选取步骤2)中的所有像素点为圆心，取半径为画圆，当满足条件：以为半径的圆周上全部是有效像素点时，此点为有效圆心的备选点；

4)分别选取步骤3)中的所有圆心备选点为圆心，取半径为r画圆，统计以r为半径的圆内有效像素点的个数，当满足条件：以r为半径的圆内有效像素点数满足>70％×T时，此点为有效圆心，并将此点标记；

5)检测成功后并标记，此次统计到类圆对象的个数为N₂。

9.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(4)中凹凸区域检测包括如下步骤：

1)经过上述正常类圆和缺陷类圆检测统计，已经找到的所有类圆的周围可能会有一些零星的无效像素点，对所有类圆以(r+a)为半径向外围检测一圈，腐蚀掉无效区域的像素点；

2)经过步骤1)腐蚀掉无效区域所有像素点；

3)经过步骤2)的腐蚀操作后，对二值化图像中未处理的区域判断是否存在孔洞，当不满足正常类圆检测的三个检测条件时即为孔洞，如果没有则判定为凹凸不平区域；

4)确定凹凸不平区域长度L；

5)记凹凸不平区域的类圆对象总个数N₃＝L/d，其中d为1个类圆对象的直径。

10.根据权利要求1所述的一种面向包装行业的类圆对象智能识别计数检测算法，其特征在于：步骤(4)中边界漏检包括如下步骤：

1)整幅图像的四个边界检测，选取离边界有效检测区域；

2)左边的边界区域检测，左边界检测范围，长的范围(0至4×d)，宽为width，对左边界检测周围分别留一个半径r的区域，类圆对象的圆心肯定在中间的有效区域，检测方法同步骤第一次检测方法，检测到的类圆对象的个数为n₁；

3)上边界区域检测，上边界检测范围，宽的范围(0至4×d)，长为length，检测方法同步骤2)，检测到的类圆对象的个数为n₂；

4)右边界区域检测，右边界检测范围，长的范围(length-(4×d))至length，宽为width，检测方法同步骤2)，检测到的类圆对象的个数为n₃；

5)下边界区域检测，下边界检测范围，宽的范围(width-(4×d))至width，长为length。检测方法同步骤2)，检测到的类圆对象的个数为n₄；

6)计算边界检测到的类圆对象的总数N₄＝n₁+n₂+n₃+n₄。