CN108389179B - 一种基于机器视觉的罐盖表面缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的罐盖表面缺陷检测方法，包括：获取罐盖图像并计算出罐盖图像的重心坐标(X_g,Y_g)；获取罐盖边缘点，并采用三点随机圆检测方法对罐盖边缘点进行拟合得到拟合圆，拟合圆为罐盖区域；将罐盖区域划分为四个区域，并将四个区域分别径向展开；获取中心区域的维度特征，并依据预设的中心区域分类器进行分类识别获得中心区域的缺陷检测结果；分别获取嵌环区域，注胶区域，卷缘区域的维度特征，并依据预设的嵌环区域分类器、注胶区域分类器、卷缘区域分类器进行分类识别获得嵌环区域，注胶区域，卷缘区域的缺陷检测结果。本方法实现快速、精准定位，克服中心区域不规则纹理信息导致的误差问题以及该方法的鲁棒性更强。

Description

一种基于机器视觉的罐盖表面缺陷检测方法

技术领域

本发明属于机器视觉以及工业自动化检测技术领域，具体涉及一种基于机器视觉的罐盖表面缺陷检测方法。

背景技术

随着工业4.0的到来，在食品饮料行业自动化生产线中，罐盖作为罐装饮料的重要组成部分，其复杂结构使得它易出现各种类型的缺陷，而在食品和饮料的生产过程中如果使用存在缺陷的罐盖，可能造成食品安全事故，甚至危害消费者生命安全。因此，在使用罐盖进行罐头密封之前，必须要检测其是否存在缺陷，而人工缺陷检测方式，检测速度慢，易疲劳，检测结果易受人的主观因素的影响，人工检测可能还会对罐盖造成污染。基于机器视觉的缺陷检测法，检测速度快，检测结果可靠稳定。能够克服人工检测的弊端，且能满足工业自动化生产线对速度和精度的要求。

2013年厦门大学冯彬在《基于机器视觉的金属罐盖缺陷检测》中提出了基于模板匹配的目标配准方法来定位罐盖区域，但是其以边缘为模板，在罐盖边缘存在缺陷时的定位效果并不理想；其针对罐盖中心区域采用的基于灰度统计的检测方法对存在纹理特征的中心区域检测时误差较大；其针对罐盖环形区域采用基于灰度投影的算法在环形区域光照不均且缺陷较不明显时误检率较高。2015年何金彪等人在《基于机器视觉的罐盖缺陷检测》中提出了用最小二乘法来提取罐盖区域。然后用均值方差法来检测缺陷。但是最小二乘法在罐盖边缘形变较大时容易产生较大误差。均值方差法在罐盖表面中心区域存在较强纹理特征且缺陷不明显时缺乏鲁棒性。2016年湖南大学陈铁健在《智能制造装备机器视觉检测识别关键技术》中提出了用熵率超像素分割的方法来定位罐盖圆心，然后用基于图分割的聚类方法来提取中心区域缺陷，用双高斯滤波和基于阈值判断相结合的方法来检测环形区域的缺陷。其定位圆心精度较高，但是耗时较慢，平均耗时2s以上。采用熵率聚类检测中心区域效果较好，但迭代次数较多，耗时较慢，基于双高斯滤波和阈值判断检测环形区域的方法鲁棒性不强。

综上所述，目前已有的罐盖表面缺陷检测存在如下三个方面的问题：(1)用来定位罐盖区域的方法包括最小二乘法，模板匹配法以及熵率超像素分割后拟合圆的方法。当罐盖边缘不完整或存在较大缺陷形变时，以上方法并不同时满足检测速度快和检测精度高的要求。(2)针对罐盖中心区域采用的方法现有灰度统计法，均值方差法，超像素分割与圆拟合结合的方法，但是当罐盖中心区域存在较强不规则纹理信息时，以上方法误差较大。(3)针对罐盖环形区域缺陷检测的方法目前包括灰度投影法，双高斯滤波与阈值判断结合的方法，但是当环形区域光照不均，缺陷胶不明显时。人工选取阈值的方法误检率较高，鲁棒性不强。

故有必要提供一种基于机器视觉的罐盖表面缺陷检测方法，解决已有的罐盖表面缺陷检测中的上述问题。

发明内容

本发明的目的是一种基于机器视觉的罐盖表面缺陷检测方法，可以实现快速定位罐盖区域，保证了定位速度同时克服了罐盖边缘不完整或存在较大缺陷形变的干扰，实现精准定位；还克服了中心区域存在不规则纹理信息时误差较大的问题，以及检测方法的鲁棒性更强。

本发明提供的一种基于机器视觉的罐盖表面缺陷检测方法，包括如下步骤：

步骤1：获取罐盖图像并进行二值处理得到二值罐盖图像，以及计算出罐盖图像的重心坐标(X_g,Y_g)；

步骤2：根据步骤1计算出的重心坐标(X_g,Y_g)和预设的扫描半径扫描二值罐盖图像得到罐盖边缘点，并采用三点随机圆检测方法对所述罐盖边缘点进行拟合得到拟合圆，所述拟合圆为罐盖区域；

步骤3：根据预设的先验半径以及所述拟合圆的圆心将步骤2中的罐盖区域依次划分为四个区域，并将所述四个区域分别径向展开；

其中，每个区域对应一个预设的先验半径，所述四个区域分别为中心区域，嵌环区域，注胶区域，卷缘区域；

步骤4：对步骤3展开的中心区域进行显著性检测以及区域灰度标准差滤波得到中心区域的维度特征，并将得到的中心区域的维度特征作为输入量输入预设的中心区域分类器得到中心区域的分类结果；

其中，所述中心区域的分类结果为正品或次品的缺陷检测结果，预设的中心区域分类器是将罐盖样本的中心区域的维度特征作为输入量，分类结果作为输出量进行支持向量机训练得到的，所述罐盖样本包括无缺陷的罐盖样本和有缺陷的罐盖样本；

步骤5：分别获取步骤3中嵌环区域，注胶区域，卷缘区域的维度特征，并分别将获取的嵌环区域，注胶区域，卷缘区域的维度特征作为输入量输入相对应预设的嵌环区域分类器、注胶区域分类器、卷缘区域分类器得到嵌环区域，注胶区域，卷缘区域的分类结果；

其中，所述嵌环区域，注胶区域，卷缘区域的分类结果为正品或次品的缺陷检测结果，所述预设的嵌环区域分类器、注胶区域分类器、卷缘区域分类器是分别将罐盖样本的嵌环区域的维度特征、注胶区域的维度特征和卷缘区域的维度特征作为输入量，分类结果作为输出量进行支持向量机训练得到的；

获取嵌环区域，注胶区域，卷缘区域的维度特征的过程为：

先对步骤3中展开的嵌环区域，注胶区域，卷缘区域分别进行垂直方向的灰度累计得到灰度投影曲线；

再采用双高斯滤波对灰度投影曲线进行滤波，并对滤波后的灰度投影曲线进行梯度计算得到梯度投影曲线，从所述梯度投影曲线提取嵌环区域的维度特征，注胶区域的维度特征，卷缘区域的维度特征。

先验半径为人工在图像中测量出每个区域的边缘到罐盖中性点的像素距离。本方案中选用支持向量机的核函数为径向基函数。

采用三点随机圆检测方法进行罐盖区域定位，极大的提高了定位速度同时还克服了罐盖边缘不完整或存在较大缺陷形变的干扰，实现精准定位。对于中心区域的缺陷检测采用了区域灰度标准差滤波，显著性检测和支持向量机相结合的方法，其中，基于显著性检测的方法提升缺陷区域与非缺陷区域的对比度，抑制了不规则纹理干扰；区域灰度标准差滤波有效抑制了曝光不均带来的影响，采用支持向量机增强了抗干扰能力以及提高了鲁棒性。对于嵌环区域，注胶区域，卷缘区域的检测，采用双高斯滤波、梯度投影与支持向量机相结合的方法，而不是采用单一阈值判断双高斯滤波后的灰度投影的方法，因此降低了误检率，克服缺陷尺寸小，对比度低的影响，同时对于区域光照不均，缺陷胶不明显，本方法相较于现有的双高斯滤波和灰度投影相结合的方法精度鲁棒性更强。

进一步优选，所述中心区域的维度特征包括连通区域的面积S，中心区域显著图S(x,y)的灰度均值L1，中心区域融合图像G(x,y)的灰度均值L2以及拟合参数P；

其中，步骤4中对中心区域进行显著性检测以及区域灰度标准差滤波得到中心区域的维度特征的过程如下：

步骤41：对展开的中心区域进行区域灰度标准差滤波，再进行降噪平滑处理得到中心区域滤波图像f`(x,y)；

步骤42：对展开的中心区域进行显著性检测得到中心区域显著图S(x,y)；

步骤43：将步骤41获得的中心区域滤波图像f`(x,y)与步骤42获得的中心区域显著图S(x,y)线性相加，再对线性相加图像进行去噪处理得到中心区域融合图像G(x,y)；

步骤44：对步骤42获得的中心区域显著图S(x,y)以及步骤43获得的中心区域融合图像G(x,y)进行特征提取得到中心区域的维度特征；

其中，步骤44的执行过程如下：

首先，对步骤42获得的中心区域显著图S(x,y)先进行阈值分割再进行连通域分析后得到连通区域，并计算每个连通区域的面积S；

然后，分别计算步骤42获得的中心区域显著图S(x,y)以及步骤43获得的中心区域融合图像G(x,y)中像素点的灰度均值；

最后，提取中心区域的展开矩形的sobel边缘以及提取中心区域显著图S(x,y)的连通域轮廓，并计算所述sobel边缘与所述连通域轮廓的拟合参数P；

所述拟合参数P为所述sobel边缘与所述连通域轮廓之间重合的像素点个数与所述连通域轮廓大小之比，所述连通域轮廓大小为所述连通域轮廓上的像素点个数。

每个连通区域的面积S等于每个连通区域内像素点个数。中心区域的维度特征包括四维特征，其中，每个连通区域的面积S为中心区域的一维特征，中心区域显著图S(x,y)的灰度均值L1为中心区域的二维特征，中心区域融合图像G(x,y)的灰度均值L2为中心区域的三维特征，所述拟合参数P为中心区域的四维特征。选取罐盖样本，提取样本的上述四维特征作为输入量，分类结果作为输出量并选用径向基函数为核函数进行支持向量机(Support Vector Machine，SVM)的训练得到中心区域分类器，进而对实时提取的中心区域的四维特征进行分类识别，完成中心区域的缺陷检测。其中，进行连通域分析时可以采用8邻域内的连通域分析。

进一步优选，步骤41中按照如下公式对展开的中心区域进行区域灰度标准差滤波：

式中，Std(x,y)为进行区域灰度标准差滤波之后的中心区域内(x,y)位置上像素点的灰度值，f₁(s,t)为滤波之前中心区域内(s,t)位置上像素点的灰度值，u为局部区域滤波模板w中像素点的灰度均值，局部区域滤波模板w为以(s,t)位置上像素点为中心，n×n大小的滤波模板，n为正奇数。

进一步优选，中心区域显著图S(x,y)的计算公式如下：

式中，S(f₁(x,y))表示中心区域中(x,y)处像素点灰度值所对应的显著值，f₁(x,y)表示中心区域中(x,y)位置上像素点的灰度值，g_j为中心区域中灰度值不等于f₁(x,y)的像素点的灰度值，||*||表示两个像素的灰度值的距离度量，N_gray表示中心区域中所有灰度级的总数，所述灰度级为图像内像素点灰度值的种数，范围为(0,256)，f_j为灰度值为g_j在中心区域图像中出现的概率。

进一步优选，步骤43中对线性相加图像进行去噪处理的过程如下：

首先，计算出线性相加图像中像素点的灰度均值；

然后，将线性相加图像中各个像素点的灰度值减去线性相加图像中像素点的灰度均值；

最后，对灰度值相减后的线性相加图像采用区域灰度标准差滤波进行滤波处理以及采用高斯滤波平滑处理得到融合图像。

进一步优选，所述嵌环区域，注胶区域，卷缘区域的维度特征均包括梯度投影曲线中每个波峰的峰值、波峰宽度、波峰均值以及波峰相对梯度投影曲线均值的高度差；

其中，步骤5中获取嵌环区域，注胶区域，卷缘区域的维度特征的过程为：

步骤51：对步骤3中展开的嵌环区域，注胶区域，卷缘区域分别进行垂直方向的灰度累计得到一维离散数据，并将所述一维离散数据拟合为灰度投影曲线；

其中，所述嵌环区域，注胶区域，卷缘区域分别对应一个灰度投影曲线；

所述灰度投影曲线的横坐标为展开的嵌环区域、注胶区域、卷缘区域的列坐标，灰度投影曲线的纵坐标为列坐标对应的灰度值累和；

步骤52：采用双高斯滤波模板对灰度投影曲线进行滤波；

其中，滤波过程为将双高斯滤波模板与灰度投影曲线进行卷积处理；

所述双高斯滤波模板如下所示：

式中，G(a,δ)为在a位置的双高斯滤波模板幅值，a为双高斯滤波模板的横坐标，δ为尺度参数，N为双高斯滤波模板的大小；

步骤53：对步骤52滤波后的灰度投影曲线进行梯度计算得到梯度投影曲线，再对所述梯度投影曲线进行平滑处理；

步骤54：计算步骤53平滑处理后的梯度投影曲线中每个波峰的峰值、波峰宽度、波峰均值以及波峰相对梯度投影曲线均值的高度差。

a的取值范围由双高斯滤波模板的大小N决定，N为经验值。嵌环区域，注胶区域，卷缘区域的维度特征均包括四个特征，其中，分别为步骤54计算出的峰值、波峰宽度、波峰均值以及波峰相对梯度投影曲线均值的高度差。选取罐盖样本，提取样本的嵌环区域，注胶区域，卷缘区域的上述四个特征，将提取的特征进行支持向量机(Support Vector Machine，SVM)的训练分别得到嵌环区域分类器、注胶区域分类器、卷缘区域分类器，进而对实时提取的嵌环区域，注胶区域，卷缘区域的维度特征进行分类识别，可以完成嵌环区域，注胶区域，卷缘区域的缺陷检测。

进一步优选，步骤2中采用三点随机圆检测方法对所述罐盖边缘点进行拟合得到拟合圆的过程如下：

首先，在罐盖边缘点中随机选择若干组边缘点，并计算出每组边缘点可确定的圆心坐标和半径；

然后，计算每组边缘点可确定的圆心的拟合度，并选择出拟合度最大的圆心；

其中，每组边缘点包括从罐盖边缘点中随机选择的三个边缘点，选择出的拟合度最大的圆心对应的圆为所述拟合圆，

每组边缘点可确定的圆心坐标和半径的计算公式如下：

式中，

为第i组边缘点可确定的圆心坐标，

为第i组边缘点可确定的半径，(x_i1，y_i1)，(x_i2，y_i2)，(x_i3，y_i3)分别为第i组边缘点中3个随机点的坐标，k为1、2、3中的任意值；

所述圆心的拟合度的计算过程如下：

获取罐盖边缘点到圆心的距离小于预设第二阈值的边缘点个数，再计算获取的边缘点个数与罐盖边缘点总个数之比，计算出的个数之比为圆心的拟合度。进一步优选，步骤2中扫描二值罐盖图像得到罐盖边缘点的过程如下：

首先，在二值罐盖图像依据预设扫描半径r′并以重心(X_g,Y_g)为圆心确定扫描圆；

然后，以扫描圆上点为起始点向重心(X_g,Y_g)径向扫描，直至出现第一个非零像素点则停止第一次扫描，再依次间隔预设角度Δθ以相同的径向扫描方式扫描N_s次；

N_s＝360/Δθ

其中，每次径向扫描时出现的第一个非零像素点为罐盖边缘点。

进一步优选，所述预设角度Δθ为5°。

进一步优选，步骤1中按照如下公式计算出罐盖图像的重心坐标(X_g,Y_g)：

式中，x_i、y_i分别表示第i个非零像素点在二值罐盖图像中的行坐标和列坐标，Q为二值罐盖图像中非零像素点的个数。

有益效果

与现有方法相比，本发明的优点有：

(1)提高了罐盖区域定位速度以及定位精度；

采用三点随机圆检测方法进行罐盖区域定位，提高了罐盖区域定位速度，同时克服了罐盖边缘存在较大形变时的干扰，有效提高了定位精度；

(2)克服罐盖中心区域存在不规则纹理干扰，抑制曝光不均的影响；

对中心区域采用基于显著性检测的方法提升缺陷区域与非缺陷区域的对比度，抑制了不规则纹理干扰，然后结合区域灰度标准差滤波有效抑制了曝光不均带来的影响。

(3)机器学习增强抗干扰能力，鲁棒性强

提出支持向量机与双高斯滤波后的梯度投影特征相结合的方法，而不是采用单一阈值判断双高斯滤波后的灰度投影的方法，降低了误检率，克服缺陷尺寸小，对比度低的影响，同时对于区域光照不均，缺陷胶不明显，本方法相较于现有的双高斯滤波和灰度投影相结合的方法精度鲁棒性更强。

附图说明

图1为采集的罐盖图像，其中(a)图为无缺陷的罐盖图像，(b)图、(c)图、(d)图为存在常见缺陷的罐盖图像；

图2为本发明实施例提供的一种基于机器视觉的罐盖表面缺陷检测方法的总流程图；

图3为二值罐盖图像边缘点扫描图；

图4为罐盖区域的分区图；

图5为罐盖区域的四个分区域的径向展开图；

图6为中心区域存在不规则纹理的罐盖图像；

图7为环形区域投影图，其中，(a)图为初始的灰度投影曲线，(b)图为双高斯滤波后的投影曲线、(c)图为梯度投影曲线；

图8为环形区域特征示意图；

附图标记的进一步如下说明：

1卷缘区域、2注胶区域、3嵌环区域、4中心区域。

具体实施方式

下面将结合实施例对本发明做进一步的说明。

如图1所示，其中(a)图为无缺陷的罐盖图像，(b)、(c)以及(d)图为存在常见缺陷的罐盖图像。本发明实施例提供的一种基于机器视觉的罐盖表面缺陷检测方法目的在于检测出罐盖缺陷，例如(b)、(c)以及(d)图中所示的缺陷。如图2所示，本发明提供的一种基于机器视觉的罐盖表面缺陷检测方法包括如下步骤：

步骤1：获取罐盖图像并进行二值处理得到二值罐盖图像，以及计算出罐盖图像的重心坐标(X_g,Y_g)。

首先，对获取的罐盖图像进行阈值分割得到二值罐盖图像；然后，基于二值罐盖图像中非零像素点的坐标计算出重心坐标(X_g,Y_g)。

按照如下公式(1)对罐盖图像进行阈值分割得到二值罐盖图像：

式中，f(x,y)表示罐盖图像位于(x,y)坐标的像素点的灰度值，g(x,y)表示二值罐盖图像中位于(x,y)坐标的像素点的灰度值，T1为第一阈值，第一阈值T1大小为实验值，是经过多次实验后得到的。

按照如下公式(2)计算出罐盖图像的重心坐标(X_g,Y_g)：

式中，x_i、y_i分别表示第i个非零像素点在二值罐盖图像中的行坐标和列坐标，Q为二值罐盖图像中非零像素点的个数。

步骤2：根据步骤1计算出的重心坐标(X_g,Y_g)和预设的扫描半径扫描二值罐盖图像得到罐盖边缘点，并采用三点随机圆检测方法对所述罐盖边缘点进行拟合得到拟合圆，所述拟合圆为罐盖区域。

其中，得到罐盖边缘点的过程如下：

首先，在二值罐盖图像依据预设扫描半径r′并以重心(X_g,Y_g)为圆心确定扫描圆；然后，以扫描圆上点为起始点向重心(X_g,Y_g)径向扫描，直至出现第一个非零像素点则停止第一次扫描，再依次间隔预设角度Δθ以相同的径向扫描方式扫描N_s次，其中，每次径向扫描时出现的第一个非零像素点为罐盖边缘点。

N_s＝360/Δθ

本实施例中，预设角度Δθ为5°，预设扫描半径r′的确定方式是以罐盖半径为标准人工在图上预先测量获得的。如图3所示，例如具体过程为：确定扫描圆后逆时针360°进行径向扫描，每次径向扫描都是以扫描圆上点为起始点向重心(X_g,Y_g)径向扫描，直至出现第一个非零像素点则停止当前的径向扫描，径向扫描是每隔Δθ扫一次，一共N_s次。

采用三点随机圆检测方法对所述罐盖边缘点进行拟合得到拟合圆的过程如下：

首先，在罐盖边缘点中随机选择若干组边缘点，并计算出每组边缘点可确定的圆心坐标和半径；然后，计算每组边缘点可确定的圆心的拟合度，并选择出拟合度最大的圆心，择出的拟合度最大的圆心对应的圆为所述拟合圆，即罐盖区域。

其中，每组边缘点包括从罐盖边缘点中随机选择的三个边缘点，三个边缘点可以确定印个圆，故每组边缘点可确定的圆心坐标和半径的计算公式如下：

式中，

为第i组边缘点可确定的圆心坐标，

为第i组边缘点可确定的半径，(x_i1，y_i1)，(x_i2，y_i2)，(x_i3，y_i3)分别为第i组边缘点中3个随机点的坐标，k为1、2、3中的任意值。

各个圆心的拟合度的计算过程如下：

获取罐盖边缘点到圆心的距离小于第二阈值T2的边缘点个数，再计算获取的边缘点个数与罐盖边缘点总个数之比，计算出的个数之比为圆心的拟合度。

其中，第二阈值T2为经验值，即人工确定选取，本实施例中优选第二阈值T2为2。

步骤3：根据预设先验半径以及所述拟合圆的圆心将步骤2中的罐盖区域划分为四个区域，并将所述四个区域分别径向展开。

其中，每个区域对应一个预设先验半径，所述四个区域分别为中心区域，嵌环区域，注胶区域，卷缘区域。如图4所示，根据四个区域的半径将罐盖区域由内到外分为中心区域4，嵌环区域3，注胶区域2，卷缘区域1。每个区域对应的一个预设先验半径是根据图像人工测得，所谓的先验就是成像系统固定的情况下，针对特定类型的盖子，其半径是一定的，并且是可以事先获得的。如图5所示，将四个区域分别径向展开得到矩形。

步骤4：对步骤3展开的中心区域进行显著性检测以及区域灰度标准差滤波得到中心区域的维度特征，并将得到的中心区域的维度特征作为输入量输入预设的中心区域分类器得到中心区域的分类结果，其中，所述中心区域的分类结果为正品或次品的缺陷检测结果。

具体的，中心区域的维度特征包括连通区域的面积S，中心区域显著图S(x,y)的灰度均值L1，中心区域融合图像G(x,y)的灰度均值L2以及拟合参数P。其中，步骤4得到中心区域的缺陷检测结果包括如下步骤：

步骤41：对展开的中心区域进行区域灰度标准差滤波得到图像Std(x,y)，再进行降噪平滑处理得到中心区域滤波图像f`(x,y)。其中，使用3x3大小的中值滤波模板进行降噪平滑处理。按照如下公式对展开的中心区域进行区域灰度标准差滤波：

式中，Std(x,y)为进行区域灰度标准差滤波之后的中心区域内(x,y)位置上像素点的灰度值，f₁(s,t)为滤波之前中心区域内(s,t)位置上像素点的灰度值，u为局部区域滤波模板w中像素点的灰度均值，局部区域滤波模板w为以(s,t)位置上像素点为中心，n×n大小的滤波模板，n为正奇数。本实施例中优选n为2。其中，区域灰度标准差滤波方式与均值滤波相似。

步骤42：对展开的中心区域Roi₁进行显著性检测得到中心区域显著图S(x,y)。其中，中心区域显著图S(x,y)的计算公式如下：

式中，S(f₁(x,y))表示中心区域中(x,y)处像素点灰度值所对应的显著值，f₁(x,y)表示中心区域中(x,y)位置上像素点的灰度值，g_j为中心区域中灰度值不等于f₁(x,y)的像素点的灰度值，||*||表示两个像素的灰度值的距离度量，N_gray表示中心区域中所有灰度级的总数，f_j为灰度值为g_j在中心区域图像中出现的概率。

步骤43：将步骤41获得的中心区域滤波图像f`(x,y)与步骤42获得的中心区域显著图S(x,y)线性相加，再对线性相加图像进行去噪处理得到中心区域融合图像G(x,y)。其中，对线性相加图像进行去噪处理的过程如下：

首先，计算出线性相加图像中像素点的灰度均值；

然后，将线性相加图像中各个像素点的灰度值减去线性相加图像中像素点的灰度均值；

最后，对灰度值相减后的线性相加图像采用区域灰度标准差滤波进行滤波处理以及采用高斯滤波平滑处理得到融合图像。

步骤44：对步骤42获得的中心区域显著图S(x,y)以及步骤43获得的中心区域融合图像G(x,y)进行特征计算得到中心区域的维度特征。执行过程具体如下step A-step C：

Step A：对步骤42获得的中心区域显著图S(x,y)先进行阈值分割再进行连通域分析后得到连通区域，并计算每个连通区域的面积S，每个连通区域的面积S为中心区域的一维特征；

其中，采用第三阈值T3进行分割，第三阈值T3为经验值，由多次实验得到。连通区域的面积S即连通区域包含的像素点个数。

step B：分别计算步骤42获得的中心区域显著图S(x,y)以及步骤43获得的中心区域融合图像G(x,y)中像素点的灰度均值；其中，中心区域显著图S(x,y)的灰度均值L1为中心区域的二维特征，中心区域融合图像G(x,y)的灰度均值L2为中心区域的三维特征；

step C：提取中心区域的展开矩形的sobel边缘以及提取中心区域显著图S(x,y)的连通域轮廓，并计算所述sobel边缘与所述连通域轮廓的拟合参数P，所述拟合参数P为中心区域的四维特征；其中，拟合参数P为所述sobel边缘与所述连通域轮廓之间重合的像素点个数与所述连通域轮廓大小之比，所述连通域轮廓大小为所述连通域轮廓上的像素点个数。

sobel边缘为索贝尔边缘。

综上所述，每个连通区域的面积S、中心区域显著图S(x,y)的灰度均值L1、中心区域融合图像G(x,y)的灰度均值L2、拟合参数P分别为中心区域的维度特征中的一维、二维、三维、四维特征。

步骤45：根据步骤44获取的中心区域的维度特征并依据预设的中心区域分类器进行分类识别获得中心区域的缺陷检测结果。

中心区域分类器构建过称为：选取罐盖样本，并按照上述步骤41-步骤44的过程提取的中心区域的维度特征；再利用提取的中心区域的维度特征作为输入量，分类结果为输出量进行支持向量机训练得到中心区域分类器。

其中，罐盖样本包括有缺陷和无缺陷的罐盖样本，例如选取50个有缺陷的罐盖样本图像，70个无缺陷的罐盖样本图像。训练得到的中心区域分类器可以用于实时对提取的中心区域的维度特征进行分类识别得出中心区域的缺陷检测结果。

步骤5：分别获取步骤3中嵌环区域，注胶区域，卷缘区域的维度特征，并分别将获取的嵌环区域，注胶区域，卷缘区域的维度特征作为输入量输入相对应预设的嵌环区域分类器、注胶区域分类器、卷缘区域分类器得到嵌环区域，注胶区域，卷缘区域的分类结果。其中，嵌环区域，注胶区域，卷缘区域的分类结果为正品或次品的缺陷检测结果

具体的，步骤5的执行过程如下：

步骤51：对步骤3中展开的嵌环区域，注胶区域，卷缘区域分别进行垂直方向的灰度累计得到一维离散数据，并将所述一维离散数据拟合为灰度投影曲线。

其中，所述嵌环区域，注胶区域，卷缘区域分别对应一个灰度投影曲线f(ι)；所述灰度投影曲线f(ι)的横坐标t为展开的嵌环区域、注胶区域、卷缘区域的列坐标，灰度投影曲线f(ι)的纵坐标为第t列的灰度值累和，如图7中的(a)图所示为一个灰度投影曲线f(ι)。

步骤52：采用双高斯滤波模板对灰度投影曲线进行滤波。其中，滤波过程为将双高斯滤波模板与灰度投影曲线进行卷积处理，双高斯滤波模板如下所示：

式中，G(a,δ)为在a位置的双高斯滤波模板幅值，a为双高斯滤波模板的横坐标，δ为尺度参数，N为双高斯滤波模板的大小。本实施例中，双高斯滤波模板的大小N为40，故|a|≤20。如图7中的(b)图为双高斯滤波后的投影，横坐标为径向展开的嵌环区域或注胶区域或卷缘区域的列坐标，纵坐标为双高斯滤波后的幅值。

步骤53：对步骤52滤波后的灰度投影曲线进行梯度计算得到梯度投影曲线，再对所述梯度投影曲线进行平滑处理。

如图7中的(c)图为梯度投影曲线，横坐标为径向展开的嵌环区域或注胶区域或卷缘区域的列坐标，纵坐标为双高斯滤波后的梯度幅值。

步骤54：计算步骤53平滑处理后的梯度投影曲线中每个波峰的峰值、波峰宽度、波峰均值以及波峰相对梯度投影曲线均值的高度差。

其中，计算出的峰值、波峰宽度、波峰均值以及波峰相对梯度投影曲线均值的高度差均为嵌环区域、注胶区域、卷缘区域的维度特征。

如图8所示，横坐标为径向展开的嵌环区域或注胶区域或卷缘区域的列坐标，纵坐标为双高斯滤波后的梯度幅值，Ave线为梯度投影曲线均值线，每个波峰的峰值为图上H，波峰宽度为图上W，波峰均值为图上L，波峰均值L即波峰宽度内所有点的均值，波峰相对投影曲线均值的高度差为图上D。

步骤55：利用步骤54计算出的嵌环区域、注胶区域、卷缘区域的维度特征并依据预设的嵌环区域分类器、注胶区域分类器、卷缘区域分类器进行分类识别获得嵌环区域，注胶区域，卷缘区域的缺陷检测结果。

嵌环区域分类器、注胶区域分类器、卷缘区域分类器构建过称为：选取罐盖样本，并按照上述步骤51-步骤53的过程提取的嵌环区域、注胶区域、卷缘区域的维度特征；再利用提取的嵌环区域、注胶区域、卷缘区域的维度特征分别进行支持向量机训练得到嵌环区域分类器、注胶区域分类器、卷缘区域分类器。

其中，罐盖样本包括有缺陷和无缺陷的罐盖样本，例如选取50个有缺陷的罐盖样本图像，50个无缺陷的罐盖样本图像。训练得到的中心区域分类器可以用于实时对提取的嵌环区域或注胶区域或卷缘区域的维度特征的维度特征进行分类识别得出对应嵌环区域或注胶区域或卷缘区域的缺陷检测结果。

通过上述方法可以实现对罐盖区域的缺陷分析，得到缺陷检测结果。

需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (10)

1.一种基于机器视觉的罐盖表面缺陷检测方法，其特征在于：包括如下步骤：

步骤1：获取罐盖图像并进行二值处理得到二值罐盖图像，以及计算出罐盖图像的重心坐标(X_g,Y_g)；

步骤2：根据步骤1计算出的重心坐标(X_g,Y_g)和预设的扫描半径扫描二值罐盖图像得到罐盖边缘点，并采用三点随机圆检测方法对所述罐盖边缘点进行拟合得到拟合圆，所述拟合圆为罐盖区域；

步骤3：根据预设的先验半径以及所述拟合圆的圆心将步骤2中的罐盖区域依次划分为四个区域，并将所述四个区域分别径向展开；

其中，每个区域对应一个预设的先验半径，所述四个区域分别为中心区域，嵌环区域，注胶区域，卷缘区域；

步骤4：对步骤3展开的中心区域进行显著性检测以及区域灰度标准差滤波得到中心区域的维度特征，并将得到的中心区域的维度特征作为输入量输入预设的中心区域分类器得到中心区域的分类结果；

其中，所述中心区域的分类结果为正品或次品的缺陷检测结果，预设的中心区域分类器是将罐盖样本的中心区域的维度特征作为输入量，分类结果作为输出量进行支持向量机训练得到的，所述罐盖样本包括无缺陷的罐盖样本和有缺陷的罐盖样本；

步骤5：分别获取步骤3中嵌环区域，注胶区域，卷缘区域的维度特征，并分别将获取的嵌环区域，注胶区域，卷缘区域的维度特征作为输入量输入相对应预设的嵌环区域分类器、注胶区域分类器、卷缘区域分类器得到嵌环区域，注胶区域，卷缘区域的分类结果；

其中，所述嵌环区域，注胶区域，卷缘区域的分类结果为正品或次品的缺陷检测结果，所述预设的嵌环区域分类器、注胶区域分类器、卷缘区域分类器是分别将罐盖样本的嵌环区域的维度特征、注胶区域的维度特征和卷缘区域的维度特征作为输入量，分类结果作为输出量进行支持向量机训练得到的；

获取嵌环区域，注胶区域，卷缘区域的维度特征的过程为：

先对步骤3中展开的嵌环区域，注胶区域，卷缘区域分别进行垂直方向的灰度累计得到灰度投影曲线；

再采用双高斯滤波对灰度投影曲线进行滤波，并对滤波后的灰度投影曲线进行梯度计算得到梯度投影曲线，从所述梯度投影曲线提取嵌环区域的维度特征，注胶区域的维度特征，卷缘区域的维度特征。

2.根据权利要求1所述的方法，其特征在于：所述中心区域的维度特征包括连通区域的面积S，中心区域显著图S(x,y)的灰度均值L1，中心区域融合图像G(x,y)的灰度均值L2以及拟合参数P；

其中，步骤4中对中心区域进行显著性检测以及区域灰度标准差滤波得到中心区域的维度特征的过程如下：

步骤41：对展开的中心区域进行区域灰度标准差滤波，再进行降噪平滑处理得到中心区域滤波图像f`(x,y)；

步骤42：对展开的中心区域进行显著性检测得到中心区域显著图S(x,y)；

步骤43：将步骤41获得的中心区域滤波图像f`(x,y)与步骤42获得的中心区域显著图S(x,y)线性相加，再对线性相加图像进行去噪处理得到中心区域融合图像G(x,y)；

步骤44：对步骤42获得的中心区域显著图S(x,y)以及步骤43获得的中心区域融合图像G(x,y)进行特征提取得到中心区域的维度特征；

其中，步骤44的执行过程如下：

首先，对步骤42获得的中心区域显著图S(x,y)先进行阈值分割再进行连通域分析后得到连通区域，并计算每个连通区域的面积S；

然后，分别计算步骤42获得的中心区域显著图S(x,y)以及步骤43获得的中心区域融合图像G(x,y)中像素点的灰度均值；

最后，提取中心区域的展开矩形的sobel边缘以及提取中心区域显著图S(x,y)的连通域轮廓，并计算所述sobel边缘与所述连通域轮廓的拟合参数P；

所述拟合参数P为所述sobel边缘与所述连通域轮廓之间重合的像素点个数与所述连通域轮廓大小之比，所述连通域轮廓大小为所述连通域轮廓上的像素点个数。

3.根据权利要求2所述的方法，其特征在于：步骤41中按照如下公式对展开的中心区域进行区域灰度标准差滤波：

式中，Std(x,y)为进行区域灰度标准差滤波之后的中心区域内(x,y)位置上像素点的灰度值，f₁(s,t)为滤波之前中心区域内(s,t)位置上像素点的灰度值，u为局部区域滤波模板w中像素点的灰度均值，局部区域滤波模板w为以(s,t)位置上像素点为中心，n×n大小的滤波模板，n为正奇数。

4.根据权利要求2所述的方法，其特征在于：中心区域显著图S(x,y)的计算公式如下：

式中，S(f₁(x,y))表示中心区域中(x,y)处像素点灰度值所对应的显著值，f₁(x,y)表示中心区域中(x,y)位置上像素点的灰度值，g_j为中心区域中灰度值不等于f₁(x,y)的像素点的灰度值，||*||表示两个像素的灰度值的距离度量，N_gray表示中心区域中所有灰度级的总数，所述灰度级为图像内像素点灰度值的种数，f_j为灰度值为g_j在中心区域图像中出现的概率。

5.根据权利要求2-4任一项所述的方法，其特征在于：步骤43中对线性相加图像进行去噪处理的过程如下：

首先，计算出线性相加图像中像素点的灰度均值；

然后，将线性相加图像中各个像素点的灰度值减去线性相加图像中像素点的灰度均值；

最后，对灰度值相减后的线性相加图像采用区域灰度标准差滤波进行滤波处理以及采用高斯滤波平滑处理得到融合图像。

6.根据权利要求1所述的方法，其特征在于：所述嵌环区域，注胶区域，卷缘区域的维度特征均包括梯度投影曲线中每个波峰的峰值、波峰宽度、波峰均值以及波峰相对梯度投影曲线均值的高度差，所述波峰均值为波峰宽度内所有点的均值；

其中，步骤5中获取嵌环区域，注胶区域，卷缘区域的维度特征的过程为：

步骤51：对步骤3中展开的嵌环区域，注胶区域，卷缘区域分别进行垂直方向的灰度累计得到一维离散数据，并将所述一维离散数据拟合为灰度投影曲线；

其中，所述嵌环区域，注胶区域，卷缘区域分别对应一个灰度投影曲线；

所述灰度投影曲线的横坐标为展开的嵌环区域、注胶区域、卷缘区域的列坐标，灰度投影曲线的纵坐标为列坐标对应的灰度值累和；

步骤52：采用双高斯滤波模板对灰度投影曲线进行滤波；

其中，滤波过程为将双高斯滤波模板与灰度投影曲线进行卷积处理；

所述双高斯滤波模板如下所示：

式中，G(a,δ)为在a位置的双高斯滤波模板幅值，a为双高斯滤波模板的横坐标，δ为尺度参数，N为双高斯滤波模板的大小；

步骤53：对步骤52滤波后的灰度投影曲线进行梯度计算得到梯度投影曲线，再对所述梯度投影曲线进行平滑处理；

步骤54：计算步骤53平滑处理后的梯度投影曲线中每个波峰的峰值、波峰宽度、波峰均值以及波峰相对梯度投影曲线均值的高度差。

7.根据权利要求1所述的方法，其特征在于：步骤2中采用三点随机圆检测方法对所述罐盖边缘点进行拟合得到拟合圆的过程如下：

首先，在罐盖边缘点中随机选择若干组边缘点，并计算出每组边缘点可确定的圆心坐标和半径；

然后，计算每组边缘点可确定的圆心的拟合度，并选择出拟合度最大的圆心；

其中，每组边缘点包括从罐盖边缘点中随机选择的三个边缘点，选择出的拟合度最大的圆心对应的圆为所述拟合圆；

每组边缘点可确定的圆心坐标和半径的计算公式如下：

式中，

为第i组边缘点可确定的圆心坐标，

为第i组边缘点可确定的半径，(x_i1，y_i1)，(x_i2，y_i2)，(x_i3，y_i3)分别为第i组边缘点中3个随机点的坐标，k为1、2、3中的任意值；

所述圆心的拟合度的计算过程如下：

获取罐盖边缘点到圆心的距离小于预设第二阈值的边缘点个数，再计算获取的边缘点个数与罐盖边缘点总个数之比，计算出的个数之比为圆心的拟合度。

8.根据权利要求1所述的方法，其特征在于：步骤2中扫描二值罐盖图像得到罐盖边缘点的过程如下：

首先，在二值罐盖图像依据预设扫描半径r′并以重心(X_g,Y_g)为圆心确定扫描圆；

然后，以扫描圆上点为起始点向重心(X_g,Y_g)径向扫描，直至出现第一个非零像素点则停止第一次扫描，再依次间隔预设角度Δθ以相同的径向扫描方式扫描N_s次；

N_s＝360/Δθ

其中，每次径向扫描时出现的第一个非零像素点为罐盖边缘点。

9.根据权利要求8所述的方法，其特征在于：所述预设角度Δθ为5°。

10.根据权利要求1所述的方法，其特征在于：步骤1中按照如下公式计算出罐盖图像的重心坐标(X_g,Y_g)：

式中，x_i、y_i分别表示第i个非零像素点在二值罐盖图像中的行坐标和列坐标，Q为二值罐盖图像中非零像素点的个数。

Images