CN114445707A - 瓶装水标签缺陷智能化视觉精细检测方法 - Google Patents

Abstract

本申请基于实际生产需求对瓶装水进行外包装标签的缺陷检测，一是瓶装水标签的前置处理，首先对标签图像滤波去噪，然后针对标签缺陷检测进行灰度化，最后再对图像进行增强；二是标签自适应定位，基于标签图像的形态特征进行处理后，依次采用标签自适应分割和边缘精细检测准确定位标签；三是标签缺陷的精细检测，依次对标签是否是缺标、接头标、大小标、高低标和褶皱标五种缺陷进行判定，只有排出这五种缺陷时，才会判定标签为合格标签，用色彩特征来检测接头标，用求边界的最高点和最低点来判定高低标、褶皱标和大小标，长时间跨度面对各种复杂情况的稳定性和效果好，具有巨大的应用价值。

Description

瓶装水标签缺陷智能化视觉精细检测方法

技术领域

本申请涉及一种瓶装水标签缺陷视觉检测方法，特别涉及一种瓶装水标签缺陷智能化视 觉精细检测方法，属于瓶装水标签缺陷检测技术领域。

背景技术

瓶装水厂商品牌竞争越来越大，为提高竞争力，必须努力提高产品的质量，而产品外包 装质量尤为重要。好的外包装不仅会让产品看起来更加舒服，增大消费者购买的可能性，更 是消费者对产品的第一印象，使消费者对产品更加信赖，而且产品的外包装作为产品质量的 重要代表因素，直接影响该商品的品牌形象。如果产品的外包装有缺陷，比如标签破损，不 正等等，会使消费者对产品的质量产生严重质疑，对品牌形象产生很大的负面影响。因此， 产品的外包装质量是瓶装水企业不得不重视的一个重要方面。

当前，瓶装饮用水越来越受到消费者的青睐，瓶装饮用水的需求量占据了整个饮料市场 的38％，并且每年增长率24％以上，因此，瓶装饮用水生产线自动化的普及刻不容缓。其中， 重要的工作是对瓶装饮用水的外包装标签进行缺陷检测。在传统的生产线上，一般是在某些 环节采用人工的方法来监测瓶装水标签的质量。然而随着自动化生产线的普遍使用，这种方 法在一定程度上已不能满足需求。人工检测一般是由工人在生产线上对每瓶水的标签进行检 查，在发现不合格的以后，立即将它移出生产线。虽然人工比机器更具有灵活性，但会加大 工厂的生产开销。此外，由于工人会受到环境和自身身体条件甚至情绪等因素的影响，有时 会产生较大的误差。相反，机器检测不仅解放了人工劳动力，规范了整个生产和检测的流程， 而且它的检测精度、实时性及速度相比人工检测都大幅提高。此外，机器检测还完全不受外 界环境影响，具有很强的客观性。因此，为满足生产需求，提高检测精度和单位时间的检测 数量，必须采用机器视觉的方法进行检测。

标签检测是在当前商品生产过程中非常重要、必不可少的一个步骤，但是，在传统的生 产线上一般是由工人来对各种标签进行检测，标签检测的机器自动化被用于实际生产中的时 间并不是很长，而且也并没有完全的普及。

目前常见的标签主要是纸质标签、塑胶标签和特种标签。现有技术的标签检测系统主要 有四种：一是条形码检测系统，二是射频识别标签检测系统，三是传感标签检测系统，四是 文字标签检测系统。

目前在瓶装水外包装检测上，常见的检测系统有两种。一种是对标签进行间歇式检测， 一种是连续性检测系统。间歇性检测系统的运转是间歇性的，每运转一段时间都会停下来， 由相机对产品进行图像采集，然后对采集到的图像进行分析，同时系统再次运转，到产品到 达相机的位置时，再次停下来拍摄图像，这种方法的优点是采集到的图像比较稳定，但是会 比较耗时，而且不停的重复运转和启动，会加大机器的损耗。连续式的标签检测系统传送带 不停的往前移动，由相机对其进行拍照，比间歇式标签检测系统检测速度会快得多，由于瓶 装水生产线对检测速度是有一定要求，因此本申请采用连续式标签检测系统。

利用标签检测系统对产品的标签进行检测，本质上是利用数字图像处理技术对采集的待 分析图像进行分析，然后根据识别的结果来控制机器的下一步行动，通常由计算机系统和传 感器及图像采集设备、照明设备等组成。由图像采集设备采集到待检测的图像之后，传给整 个机器视觉系统，然后系统将图像信号由模拟信号转化为数字信号，再用数字图像处理算法 对图像进行分析判断，得出结论，之后由系统根据这个结论来指挥机器做出合适的动作。因 此，数字图像处理技术是实现标签检测系统的关键技术，在整个检测系统中，数字图像处理 技术采用的算法相当于人脑的决策，直接影响系统的效率、精度和准确度。

综合来看，现有技术的瓶装水标签缺陷检测存在明显不足，其主要缺陷和设计难点包括：

第一，现有技术人工检测是由工人在生产线上对每瓶水的标签进行检查，在发现不合格 的以后，立即将它移出生产线，这种方法会加大工厂的生产开销，此外，由于工人会受到环 境和自身身体条件甚至情绪等因素的影响，会产生较大的误差，随着自动化生产线的普遍使 用，人工检测检测不仅无法解放人工劳动力，不利于规范整个生产和检测流程，而且它的检 测精度、实时性及速度都无法满足要求，受外界环境影响，具有很强的主观性，当前亟需一 种满足生产需求，提高检测精度和单位时间的检测数量的机器视觉检测方法；

第二，现有技术的数字图像处理与机器视觉方法，没有基于瓶装水标签缺陷检测的针对 性设计，不能适用于瓶装水标签缺陷检测，现有技术缺少调查瓶装水的生产线后，结合瓶装 水厂家实际情况的瓶装水标签检测方法，缺少对瓶装水标签缺陷的客观分类和针对性检测技 术，缺少对缺标、接头标、大小标、高低标和褶皱标各自特征的准确定性与解析，导致数字 图像处理针对性不强，图像处理效率低，对五种主要缺陷检测的针对性和关键点把握不足， 采用的算法决策依据不够充分，准确性不够，直接导致瓶装水标签缺陷检测的效率、精度和 准确度较低；

第三，现有技术缺少针对性强的瓶装水标签前置处理方法，标签图像的检测区域选取缺 少依据，对瓶装水标签图像的特征解析不够深入，缺少对标签图像滤波去噪的方法，缺少针 对标签缺陷检测进行灰度化的方法，缺少图像进行增强的有效方法；现有技术缺少标签自适 应定位方法，缺少标签区域的形态特征处理方法，缺少标签图像的自适应分割方法，缺少边 缘精细检测方法；由于现有技术缺少针对性的瓶装水标签的前置处理与定位方法，导致后续 瓶装水标签缺陷检测的准确度和效率都得不到保证，瓶装水标签缺陷智能化检测难以实现；

第四，现有技术缺少针对瓶装水生产线的调研，结合瓶装水厂家实际的标签缺陷分类和 精细检测，缺少针对瓶装水五种核心标签缺陷(缺标、接头标、大小标、高低标和褶皱标) 各自特征的专门研究和判定方法，缺少对这五种缺陷的检测顺序和判定条件的清晰思路和方 法，也缺少对合格标签的认定标准和方法，瓶装水标签缺陷标准模糊，缺少精细客观的标签 缺陷认定方法和系统，导致外包装有缺陷，比如标签破损，不正等情况的瓶装水流入市场， 会使消费者对产品的质量产生严重质疑，对品牌形象产生很大的负面影响，影响产品销量。

发明内容

针对现有技术的不足，本申请采用数字图像处理与机器视觉方法，在调查了瓶装水的生 产线之后，结合瓶装水厂家的实际情况，完成瓶装饮用水几种主要缺陷的检测，这几种缺陷 分别是缺标、接头标、大小标、高低标和褶皱标，它们都有各自的特征。当前瓶装水的生产 和包装都是大幅度机械化，采用机器视觉的方法，首先采集待检测的标签图像，然后对获取 到的图像进行前置处理和目标区域定位，最后判定标签图像是否有缺陷并对缺陷进行分类， 厂家只需要安排少量的工人在生产线上进行监督，就可以完成以前需要大量工人才可以完成 的工作，极大的提高了生产效率，带来的经济效益无疑是巨大的，具有很大的实际运用价值。

为实现以上技术效果，本申请所采用的技术方案如下：

瓶装水标签缺陷智能化视觉精细检测方法，首先采集待检测的标签图像，然后对获取到 的图像进行前置处理和目标区域定位，最后判定标签图像是否有缺陷并对缺陷进行分类；基 于实际生产需求对瓶装水进行外包装标签的缺陷检测，一是瓶装水标签的前置处理，二是标 签自适应定位，三是标签缺陷的精细检测，检测的标签缺陷包括：缺标、接头标、大小标、 高低标和褶皱标共五种标签缺陷，在检测到缺陷后，系统发出指令将有缺陷的产品移出生产 线；

第一，瓶装水标签的前置处理：首先对标签图像滤波去噪，然后针对标签缺陷检测进行 灰度化，最后再对图像进行增强；具体包括：一是标签图像的检测区域选取，二是瓶装水标 签图像的特征解析，三是标签图像的滤波去噪，四是针对标签缺陷检测的灰度化，五是标签 图像的增强；

第二，标签自适应定位：基于标签图像的形态特征进行处理后，依次采用标签自适应分 割和边缘精细检测准确定位标签；具体包括：一是标签区域的形态特征处理，二是标签图像 的自适应分割，三是边缘精细检测；

第三，标签缺陷的精细检测：依次对标签是否是缺标、接头标、大小标、高低标和褶皱 标五种缺陷进行判定，只有排出这五种缺陷时，才会判定标签为合格标签；最先通过寻找是 否存在标签来判定是否缺标，用色彩特征来检测接头标，用求边界的最高点和最低点来判定 高低标、褶皱标和大小标；具体包括：一是标签缺陷的特征提取，二是缺标、接头标、大小 标、高低标和褶皱标五种缺陷的缺陷检测方法。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，标签图像的滤波去噪：用含有奇 数个点的滑动模板对待检测图像进行遍历，每次都将窗口所在位置的像素按照灰度大小按顺 序排列，选择排列之后的中值作为该区域的灰度值，二维中值滤波窗口采用3*3方形模板，只 考虑变化的像素对窗口像素的影响，具体实现步骤是：

第一步：定义一个直方图数组，用来存储窗口的像素数据；

第二步：在每次窗口移动之后，先判定要处理的像素是否在图像像素的第一列上，如果 待处理像素不在第一列，只在直方图上删除失去的像素数据，再加上后面加上的像素数据； 如果在第一列，就将直方图数组清零，再对窗口数据重新统计；

第三步：根据处理的像素数是否达到窗口数组的长度判定是否将所有的像素全部处理完 毕，如果没有，继续第二步。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，针对标签缺陷检测的灰度化：综 合比较RGB色彩模型的取G值灰度化的结果、HSV色彩模型取V值灰度化的结果和HSI色彩 模型取I值灰度化的结果，无论是从灰度图的清晰度还是亮度考虑，都是RGB模型灰度化的 效果最好，其中，I分量灰度化和V分量灰度化的结果差别不大，但是在小细节上采用I分 量灰度化比采用V分量灰度化要清晰，基于此，采用RGB色彩模型进行灰度化，并且取灰度 值Gray＝G。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，标签图像的增强：假设在标签图 像中，灰度级为r的图像其灰度值为r_k，k＝0,1,2,…,L,其中L是正整数，该图像的灰度取值 范围为0至L，每个灰度级出现的频率用p(r_i)表示，设图像中总像素有N个，灰度值取r_i的像素有n_i个，则：

在开始直方图均衡时，将r_i归一化，为了保证原灰度图的像素映射之后，大小关系保持 不变，采用值域为[0，1]的单调递增函数，具体的映射方法为：

在完成上述过程后得到的图像中，其共有L个灰度值，分别是0，1/(L-1)，2/(L-1)，Λ， (L-2)/(L-1)，1，S_i的值必须为这L个值中的一个，当计算出的S_i的值不属于这L个值时，取其值为离当前S_i最近的k/(L-1)，其中k＝0,1,2,Λ,(L-1)；

标签图像的增强的步骤为：一是计算原始图像的灰度直方图；二是求出各像素映射之后 的灰度值；三是对取值不属于映射之后的L个灰度级的点的灰度值取合适的k/(L-1)。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，标签区域的形态特征处理：对灰 度化之后的标签图像进行特征腐蚀，设二值图像为M，结构元素为N，当采用结构元素N对图 像M进行腐蚀时，N在M上进行平移，在点(x，y)处，此时结构元素记为N_xy，当N对M进行腐蚀时，在某一时刻，N平移到点(x，y)处，当N包含N时，处理之后该点的图像值取1，否 则取0，在瓶装水的标签检测中，形态特征处理可以平滑二值图像的边缘，消除二值图中间 一些细小的白色区域，使整个区域具有连通性。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，标签图像的自适应分割：采用灰 度图来进行自适应分割，对标签灰度图上所有像素点进行处理，使得其灰度值a满足a＝0或 a＝255，对于标签灰度图像，选取灰度值T作为临界值，以T作为一个分割标准线来处理像素 点，当a≥T时，在该点处，取a＝255；当a＜T时，在该点处，取a＝0；

设图像上某一点的灰度值是i，设置一个值T，利用i值与T的比较结果，使得待处理的 图像分成两个不同的部分，求取前景和背景的类间方差，当类间方差值最大时，前景和背景 的差别最大，此时的住值T就是最佳临界值；

对于图像I(x，y)，其灰度取值范围为0,1,2，Λ，L-1，如果图像上总共有N个像素点， 灰度值为i的像素点，其数目为n_i，则有：

每个灰度值出现的频率为：

根据设定的临界值T，将图像分为S₀和S₁两类，如果i＜T，那么i∈S₀，如果i≥T，i∈S₁，则S₀出现的概率k₀和像素灰度均值v₀为：

S₁出现的概率k₁和像素灰度均值v₁为：

设整幅图像的像素点灰度平均值为u，临界值为T时，S₀类和S₁类的类间方差为w²(T)， 则有：

w²(T)＝k₀(v₀-v)²+k₁(v₁-v)²＝k’₀k’₁(v₁-v₀)² 式11

当w²(T)最大时，S₀类和S₁类里面像素的差别最大，取此时的T进行二值化；

标签图像自适应分割的具体步骤为：

步骤一：从头到尾处理标签图像的每一个像素点，获得图像的灰度值分布情况，根据遍 历的结果，得到：i_max＝L-1，并且求出该图像上i的均值v；

步骤二：取第一个临界值为T＝0；

步骤三：根据临界值T，将图像的像素分为S₀和S₁，由式6到式11逐步计算出此时图像 的w²(T)；

步骤四：令T＝T+1，重复步骤三，求出每次得到的最大类间方差值并与上一次计算得到 的值相比较，如果大于上一次的值，则进行替换并且记录此时的临界值T，一直到T≥L；

步骤五：最后保存的临界值T则为最佳临界值。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，边缘精细检测的步骤为：

第1步：噪声去除：用高斯滤波器来消除图像的噪声；

第2步：计算图像的边缘梯度：计算图像上每一点(x，y)在x和y梯度值，根据x和y的梯度值，计算出梯度角，将梯度角取近似值-45、0、45、90这四个角度；

第3步：根据像素点处梯度的方向，找到该像素点在该方向上与它相邻的像素点；

第4步：计算图像上的像素点在梯度方向上相邻两个像素点的梯度值并进行比较，当它 的梯度大于这两个相邻像素点时，将这个点判定为边缘点，否则不是边缘点；

第5步：取一高一低两个临界值A和B，用这两个临界值进行边缘精细检测，较高的临 界值A去除虚假边缘，但检测到的边缘会有间断，此时再利用B再一次进行检测，将前面所 得到的断续边缘补充完整。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，标签缺陷的特征提取：采用提取 图像的色彩特征和几何特征来进行标签检测，在检测接头标时采用色彩特征来进行缺陷的识 别与判定；在对缺标、大小标、高低标和褶皱标进行检测时，都要用到图像的几何特征；

(1)色彩特征：用色彩特征来检测接头标，后面的特征分析不再涉及接头标；

(2)周长特征：大小标在周长上和正常标不一样，周长只用来检测大小标；

(3)区域面积：区域面积只适合检测缺标缺陷；

(4)斜率、曲率、拐点和凹凸点及圆形度和长短轴：标签缺陷用这几个特征并不能很好的 区分，这几个特征不考虑；

(5)边界的最高点和最低点：判定高低标，褶皱标和大小标，通过求得最高点和最低点的 坐标，计算出它们在坐标轴方向上的直线距离，然后判定是否在误差范围之内，来判定是否 存在这三种缺陷。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，标签缺陷的具体检测方法：

1.缺标的特征提取与缺陷检测

本申请的检测算法是先判定是否具有缺标缺陷，然后依次判定接头标、大小标、高低标 和褶皱标，对于缺标缺陷的检测，采用提取轮廓特征的方法来判定；

标签图像的前置处理主要是进行滤波去噪，根据人工定位的检测区域的特征，只需要分 析在这一区域上是否存在最小外接矩形面积大于整个区域面积的四分之一的物体，如果不存 在，则判定标签图像上的瓶子包装具有缺标的缺陷；

2.接头标的特征提取与缺陷检测

在对是否缺标进行判定之后，继续判定是否为接头标；

接头标是在图像上有其它颜色的污渍，判定接头标的最好的图像特征是色彩特征，通过 提取RGB色彩特征，求出各颜色区域块的面积，并且与预设的一个判定值进行比较，如果超 过这个值，则判定为接头标，检测完接头标之后，程序继续运行，对标签是否是大小标进行 判定；

3.大小标的特征提取与缺陷检测

对于大小标，采用提取大表标和小标的轮廓之后，确定其最小外接矩形，通过外接矩形 的边所在的直线之间的距离，来判定是否是大小标；

对小标的面积进行计算，如果超过预设值，则判定为大小标，找到多余的轮廓之后还要 进行进一步的判定，通过计算小标区域的面积，然后进行判定；

4.高低标的特征提取与缺陷检测

在判定完大小标之后，接下来判定高低标，在高低标的判定中，利用的特征是标签上边 缘和下边缘最小外接矩形所在直线的坐标位置，其中，分别对上边缘和下边缘进行判定，当 两个边缘的位置都正常时，才会判定为没有高低标缺陷；如果上边缘或下边缘中有一个边缘 过高或过低，都会判定为高低标；

当外接矩形的上边缘或下边缘所在的直线在Y轴上的位置与正常标签的位置相减，达到 一个差值才认定为高低标；

5.褶皱标的特征分析与提取

采用取其轮廓的上边缘或下边缘的最高点和最低点所在的与外接矩形边平行的直线，计 算它们的距离，通过距离判定是否为褶皱的标签；

当边缘的最高点和最低点所在直线的距离大于一个预设值时，就认为是褶皱标，上边缘 和下边缘都合格才会不被判定为褶皱标。

瓶装水标签缺陷智能化视觉精细检测方法，进一步的，经过上面对五种缺陷进行检测之 后，只有在每一种缺陷都不存在的情况下，标签才会判定为合格标签；否则，按照顺序输出 其最开始检测到的那种缺陷，作为检测的缺陷。

与现有技术相比，本申请的创新点和优势在于：

第一，本申请采用数字图像处理与机器视觉方法，在调查了瓶装水的生产线之后，结合 瓶装水厂家的实际情况，完成瓶装饮用水几种主要缺陷的检测，这几种缺陷分别是缺标、接 头标、大小标、高低标和褶皱标，它们都有各自的特征。当前瓶装水的生产和包装都是大幅 度机械化，采用机器视觉的方法，首先采集待检测的标签图像，然后对获取到的图像进行前 置处理和目标区域定位，最后判定标签图像是否有缺陷并对缺陷进行分类，厂家只需要安排 少量的工人在生产线上进行监督，就可以完成以前需要大量工人才可以完成的工作，极大的 提高了生产效率，带来的经济效益无疑是巨大的，具有很大的实际运用价值；

第二，本申请基于实际生产需求对瓶装水进行外包装标签的缺陷检测，一是瓶装水标签 的前置处理，首先对标签图像滤波去噪，然后针对标签缺陷检测进行灰度化，最后再对图像 进行增强；二是标签自适应定位，基于标签图像的形态特征进行处理后，依次采用标签自适 应分割和边缘精细检测准确定位标签；三是标签缺陷的精细检测，依次对标签是否是缺标、 接头标、大小标、高低标和褶皱标五种缺陷进行判定，只有排出这五种缺陷时，才会判定标 签为合格标签，最先通过寻找是否存在标签来判定是否缺标，用色彩特征来检测接头标，用 求边界的最高点和最低点来判定高低标、褶皱标和大小标，实现瓶装水标签缺陷智能化精细 检测，提高外包装不仅会让产品看起来更加舒服，增大消费者购买的可能性，更是消费者对 产品的第一印象，使消费者对产品更加信赖，提高该商品的品牌形象；

第三，本申请标签图像的检测区域选取，排除其它物体的干扰，极大的简化检测算法的 计算量和设计的复杂程度；对于不同缺陷的瓶装水标签图像(缺标、高低标、褶皱标、大小 标和接头标)它们的特征不一样，针对不同缺陷采取不同的检测算法，取得了理想的检测效 果，标签图像的滤波去噪、灰度化、图像增强后，对比度提高了许多，无关噪声大幅减少， 视觉效果上也清晰了不少，为后续的瓶装水标签缺陷检测算法提供了更优质便捷的预处理图 像，有利于提高标签缺陷具体检测方法的效果，提供跟准确的检测结果；

第四，标签定位采用图像的形态特征处理、标签自适应分割、边缘精细检测等技术，使 得标签定位更加准确，同时最大程度除去无关区域，本申请在对标签图像进行前置处理和定 位时，已进行了边缘精细检测，所以从减少计算量的角度上，采用边缘精细检测的方法来提 取边界信息，对于每一张标签图像，提取边缘的情况下，分别取其上边缘和下边缘进行分析 判定，根据边缘上的点所在的位置，判定是否存在缺陷，分别设置简洁可靠性高的算法依次 对标签是否是缺标、接头标、大小标、高低标和褶皱标五种缺陷进行判定，只有排出这五种 缺陷时，才会判定标签为合格标签，标签缺陷检测更具有鲁棒性，长时间跨度面对各种复杂 情况的稳定性和效果更好，在瓶装水标签缺陷检测领域具有重要作用和巨大应用价值。

附图说明

图1是标签图像的检测区域选取定位前后对比图。

图2是瓶装水标签的正常标签图像以及五种缺陷图像示意图。

图3是正常标签图像RGB模型的灰度化结果示意图。

图4是正常标签图像HSV色彩模型的灰度化结果示意图。

图5是正常标签图像HSI色彩模型的灰度化结果示意图。

图6是结构化动态背景自适应线性规划模型的约束关系示意图。

图7是正常标签与缺陷标签图像的自适应分割结果对比图。

图8是正常标、接头标、大小标和褶皱标的边缘精细检测结果图。

图9是瓶装水标签缺陷智能化视觉精细检测整体流程图。

图10是标签智能化缺陷检测系统的逻辑检测流程图。

图11是缺标图像和缺标缺陷的检测流程图。

图12是接头标的特征提取说明和缺陷检测流程图。

图13是大小标的特征提取说明和缺陷检测流程图。

图14是高低标的特征提取说明和缺陷检测流程图。

图15是褶皱标的特征提取说明和缺陷检测流程图。

具体实施方法

下面结合附图，对本申请提出的瓶装水标签缺陷智能化视觉精细检测方法的技术方案进 行进一步的描述，使本领域的技术人员能更好的理解本申请并能够予以实施。

消费者在选购商品时越来越重视产品的外在标签，商品的标签检测也越来越受到厂家的 重视。标签检测是在商品生产过程中一个非常重要的环节，对商品的品牌形象有着重要意义。 在瓶装水生产过程中，如果不进行严格细致的标签检测，让有缺陷的产品流入市场，会使该 产品的评价和在消费者心目中的形象大打折扣，大幅影响瓶装水销量。因此，进行标签检测 对于瓶装水生产企业来说是必不可少和非常重要的。

对瓶装水进行外包装标签的缺陷检测，以达到降低人工成本、保证其包装的正确性、提 高生产效率的目的。其中，基于实际生产需求，检测的标签缺陷包括：缺标、接头标、大小 标、高低标和褶皱标共五种标签缺陷，在检测到缺陷后，系统发出指令将有缺陷的产品移出 生产线。

为实现瓶装水标签的缺陷检测，首先采集待检测的标签图像，然后对获取到的图像进行 前置处理和目标区域定位，最后判定标签图像是否有缺陷并对缺陷进行分类。由于工厂环境 等各种因素的干扰，采集到的图像传入工控机时都会产生噪声，影响后续定位、判定和分类 的准确性。前置处理是对瓶装水标签缺陷进行检测时，一个基础和关键的步骤，对检测过程 非常必要。在前置处理完成后，对标签的具体区域进行定位，从而便于对标签具体缺陷的检 测。在本申请的检测系统中，考虑到实际生产情况，前置处理首先对标签图像滤波去噪，然 后针对标签缺陷检测进行灰度化，最后再对图像进行增强，标签定位采用图像的形态特征处 理、标签自适应分割、边缘精细检测等技术。

一、瓶装水标签的前置处理

(一)标签图像的检测区域选取

实际生产中，相机采集到的标签图像上不仅包括待检测瓶子，而且在它周围还有其它瓶 子、传送带等无关物体的干扰。

标签检测关注的只是标签区域是否合格，生产线上相机的位置固定，瓶装水到传送带上 固定的位置触发传感器之后才会启动相机拍照。因此，每次拍摄的图像上标签的位置也相对 固定。为排除干扰，减少标签的检测判定算法的工作量，根据待检测标签的大致位置，截取 图像上的一个矩形区域，然后再进行处理，以正常标签和大小标为例，截取待检测区域前后 如图1。通过选取待检测区域，排除其它物体的干扰，极大的简化检测算法的计算量和设计 的复杂程度。

(二)瓶装水标签图像的特征解析

检测五种标签缺陷包括缺标、高低标、褶皱标、大小标和接头标，图2是检测区域选取 之后的正常标签图像以及五种缺陷图像的示意图。其中，从左往右，从上到下依次是正常标、 缺标、接头标、大小标、高低标和褶皱标。

(1)缺标：由于机器误差因素，有的瓶子在送上生产线时并没有进行包装，对于缺标图 像，根据标签的大致区域截取目标区域之后，图像上没有标签，在后续处理时，缺标的情况 和其余四种标签不同。

(2)接头标：是瓶子上标签外面会有一些多余的小段，和正常标签相比，这种缺陷标签的 特征非常明显，在色彩块出现的位置、有色彩区域的面积和长宽比上都不一样，利用该特征 可取得较好的检测效果。

(3)大小标：是在标签上存在别的色彩块的标签。

(4)高低标：相比于正常标签，没有其余缺陷但整个标签在位置上整体比正常标签高或低 的情况。

(5)褶皱标：褶皱标签图像上在标签区域的上边缘或下边缘会有一块凹进去，同时，标签 图像上会形成纹路，但其色彩特征和周围相比并不明显，利用这一点难以进行检测。

综上所述，对于不同缺陷的瓶装水标签图像，它们的特征是不一样的，需要针对不同缺 陷采取不同的检测算法，才能取得理想的检测效果。

(三)标签图像的滤波去噪

用含有奇数个点的滑动模板对待检测图像进行遍历，每次都将窗口所在位置的像素按照 灰度大小按顺序排列，选择排列之后的中值作为该区域的灰度值，二维中值滤波窗口采用3*3 方形模板，只考虑变化的像素对窗口像素的影响，具体实现步骤是：

第一步：定义一个直方图数组，用来存储窗口的像素数据；

第二步：在每次窗口移动之后，先判定要处理的像素是否在图像像素的第一列上，如果 待处理像素不在第一列，只在直方图上删除失去的像素数据，再加上后面加上的像素数据； 如果在第一列，就将直方图数组清零，再对窗口数据重新统计；

第三步：根据处理的像素数是否达到窗口数组的长度判定是否将所有的像素全部处理完 毕，如果没有，继续第二步。

(四)针对标签缺陷检测的灰度化

相机采集到的标签图像是彩色的，这些色彩信息的处理会大幅提高计算量，影响系统检 测速度，而灰度化后的图像，用一个单通道数组就能表示，后续处理时计算量会小得多。并 且在对图像的亮度和色度等特征的反映上，灰度图像和彩色图像差不多，从系统的实时性考 虑，必须对标签图像进行灰度化。

色彩模型有RGB模型，HSL模型和HSV模型，本申请针对标签缺陷检测对这三种模型做 比较，并选出最合适的方法进行灰度化。

(1)RGB色彩模型灰度化

图像灰度化的方法都是对灰度值进行加权得到最后采用的灰度值，由于在合格的饮水水 瓶身上大部分区域都是纯色，因此采取以下加权方式来进行灰度化：

Gray＝R；Gray＝G；Gray＝B 式1

图3为正常标签图像RGB模型的灰度化结果，从左到右分别是取B通道，R通道和G通道的结果，由三张图像对比可知，在RGB模型灰度化时，取Gray-R和Gray-B时，灰度图的 效果都没有取灰度值为Gray＝G好，因此取Gray＝G。

(2)HSV色彩模型灰度化

对于HSV模型，以H、S和V这三个分量对待测标签图像进行灰度化处理，所得到的结果 图如图4从左到右所示，由图可知，用HSV模型灰度化时，取V分量灰度化的效果最好。

(3)HSI色彩模型灰度化

选取正常的标签图像，用HSI色彩模型灰度化之后的结果图如图5，其中，从左到右分 别是取H分量、S分量和I分量的结果。由图可知，HSI模型采用I分量灰度化的效果最好。

综合比较RGB色彩模型的取G值灰度化的结果、HSV色彩模型取V值灰度化的结果和HSI 色彩模型取I值灰度化的结果可知，无论是从灰度图的清晰度还是亮度来考虑，都是RGB模 型灰度化的效果最好，其中，对于I分量灰度化和V分量灰度化的结果相比较来说，两者的 效果差别不是特别大，但是在小细节上还是采用I分量灰度化比采用V分量灰度化要清晰。

综上所述，采用RGB色彩模型进行灰度化，并且取灰度值Gray＝G。

(五)标签图像的增强

标签图像直方图中的灰度值都是离散值，不考虑连续的情况，假设在标签图像中，灰度 级为r的图像其灰度值为r_k(k＝0,1,2,…,L,其中L是正整数，该图像的灰度取值范围为0至L)，每个灰度级出现的频率用p(r_i)表示，设图像中总像素有N个，灰度值取r_i的像素有n_i个，则：

在开始直方图均衡时，将r_i归一化，为了保证原灰度图的像素映射之后，大小关系保持 不变，采用值域为[0，1]的单调递增函数，具体的映射方法为：

在完成上述过程后得到的图像中，其共有L个灰度值，分别是0，1/(L-1)，2/(L-1)，Λ， (L-2)/(L-1)，1，S_i的值必须为这L个值中的一个，当计算出的S_i的值不属于这L个值时，取其值为离当前S_i最近的k/(L-1)，其中k＝0,1,2,Λ,(L-1)。

归纳来说，标签图像的增强的步骤为：一是计算原始图像的灰度直方图；二是求出各像 素映射之后的灰度值；三是对取值不属于映射之后的L个灰度级的点的灰度值取合适的 k/(L-1)；

如图6的(a)至图6的(f)，是对正常标签图像和五种缺陷标签图像进行增强处理前后的 原图和直方图，其中，从上到下依次是正常标，缺标，接头标，大小标，高低标和褶皱标的 增强结果图，每组图像中，左边是原始图像的灰度图和灰度直方图，右边是增强图像的灰度 图和灰度直方图，图像增强后，图像的对比度提高了许多，视觉效果上也清晰了不少。

二、标签自适应定位

(一)标签区域的形态特征处理

当大小标缺陷的标签上，小标较细小时，如果不进行形态特征处理，直接进入后续处理 步骤，很可能小标在后面被处理掉，以至于检测不出来。因此，对灰度化之后的标签图像进 行特征腐蚀，设二值图像为M，结构元素为N，当采用结构元素N对图像M进行腐蚀时，N在 M上进行平移，在点(x，y)处，此时结构元素记为N_xy，当N对M进行腐蚀时，在某一时刻，N平移到点(x，y)处，当N包含N时，处理之后该点的图像值取1，否则取0，在瓶装水的标签 检测中，形态特征处理可以平滑二值图像的边缘，消除二值图中间一些细小的白色区域，使整个区域具有连通性。

(二)标签图像的自适应分割

采用灰度图来进行自适应分割，对标签灰度图上所有像素点进行处理，使得其灰度值a 满足a＝0或a＝255，对于标签灰度图像，选取灰度值T作为临界值，以T作为一个分割标准 线来处理像素点，当a≥T时，在该点处，取a＝255；当a＜T时，在该点处，取a＝0。

设图像上某一点的灰度值是i，设置一个值T，利用i值与T的比较结果，使得待处理的 图像分成两个不同的部分，求取前景和背景的类间方差，当类间方差值最大时，前景和背景 的差别最大，此时的住值T就是最佳临界值；

对于图像I(x，y)，其灰度取值范围为0,1,2，Λ，L-1，如果图像上总共有N个像素点， 灰度值为i的像素点，其数目为n_i，则有：

每个灰度值出现的频率为：

根据设定的临界值T，将图像分为S₀和S₁两类，如果i＜T，那么i∈S₀，如果i≥T，i∈S₁，则S₀出现的概率k₀和像素灰度均值v₀为：

S₁出现的概率k₁和像素灰度均值v₁为：

设整幅图像的像素点灰度平均值为u，临界值为T时，S₀类和S₁类的类间方差为w²(T)， 则有：

w²(T)＝k₀(v₀-v)²+k₁(v₁-v)²＝k’₀k’₁(v₁-v₀)² 式11

当w²(T)最大时，S₀类和S₁类里面像素的差别最大，取此时的T进行二值化。

标签图像自适应分割的具体步骤为：

步骤一：从头到尾处理标签图像的每一个像素点，获得图像的灰度值分布情况。根据遍 历的结果，得到：i_max＝L-1，并且求出该图像上i的均值v；

步骤二：取第一个临界值为T＝0；

步骤三：根据临界值T，将图像的像素分为S₀和S₁，由式6到式11逐步计算出此时图像 的w²(T)；

步骤四：令T＝T+1，重复步骤三，求出每次得到的最大类间方差值并与上一次计算得到 的值相比较，如果大于上一次的值，则进行替换并且记录此时的临界值T，一直到T≥L；

步骤五：最后保存的临界值T则为最佳临界值。实验得到的结果图如图7：

(三)边缘精细检测

边缘精细检测的步骤为：

第1步：噪声去除：用高斯滤波器来消除图像的噪声；

第2步：计算图像的边缘梯度：计算图像上每一点(x，y)在x和y梯度值，根据x和y的梯度值，计算出梯度角，将梯度角取近似值-45、0、45、90这四个角度；

第3步：根据像素点处梯度的方向，找到该像素点在该方向上与它相邻的像素点；

第4步：计算图像上的像素点在梯度方向上相邻两个像素点的梯度值并进行比较，当它 的梯度大于这两个相邻像素点时，将这个点判定为边缘点，否则不是边缘点；

第5步：取一高一低两个临界值A和B，用这两个临界值进行边缘精细检测，较高的临 界值A去除虚假边缘，但检测到的边缘会有间断，此时再利用B再一次进行检测，将前面所 得到的的断续边缘补充完整。图8是边缘精细检测结果图。

三、标签缺陷的精细检测

图9中给出了瓶装水标签缺陷智能化视觉精细检测整体流程：在输入图像并且定位检测 区域后，首先对标签图像进行一系列的前置处理，然后依次对标签是否是缺标、接头标、大 小标、高低标和褶皱标五种缺陷进行判定，只有排出这五种缺陷时，才会判定标签为合格标 签。图10是本申请标签智能化缺陷检测系统的逻辑检测流程，对标签缺陷进行检测的关键是 标签特征的提取。

(一)标签缺陷的特征提取

1.标签特征解析

正常瓶装水标签图像和缺陷图像很难用图像的灰度特征和纹理特征来进行区分，缺陷标 签在位置上或整体色彩上和正常标签不一样，本申请采用提取图像的色彩特征和几何特征来 进行标签检测。

色彩特征是图像在整体上颜色的分布特征，是全局特征，和各个像素点所在的位置无关， 本申请在检测接头标时采用色彩特征来进行缺陷的识别与判定；在对缺标、大小标、高低标 和褶皱标进行检测时，都要用到图像的几何特征。

(1)色彩特征：只有接头标在色彩上有显著特征，色彩特征只能用来判定接头标，和正常 标签相比，接头标在几何特征上也没有特别之处，因此，用色彩特征来检测接头标。后面的 特征分析不再涉及接头标。

(2)周长特征：指区域边界的长度，在对正常标签图像和剩下的四种缺陷标签的检测上， 如果每种标签最多只有一种缺陷，则缺标、高低标显然不能用周长特征检测出来，褶皱标由 于误差因素，当褶皱不是很大时也不能很好的进行判定，而大小标在周长上和正常标不一样， 因此周长只用来检测大小标。

(3)区域面积：缺标用区域面积特征进行检测，高低标和正常标的面积一样，不能检测出 来，对于大小标和褶皱标，如果小标非常细小，褶皱非常小的话，考虑到误差因素，检测效 果不好，因此，区域面积只适合检测缺标缺陷。

(4)斜率、曲率、拐点和凹凸点及圆形度和长短轴：标签缺陷用这几个特征并不能很好的 区分，这几个特征不予考虑。

(5)边界的最高点和最低点：判定高低标，褶皱标和大小标，通过求得最高点和最低点的 坐标，计算出它们在坐标轴方向上的直线距离，然后判定是否在误差范围之内，来判定是否 存在这三种缺陷。

综上，用色彩特征来检测接头标；用求边界的最高点和最低点来判定高低标、褶皱标和 大小标；对于缺标缺陷，最先进行检测，通过寻找是否存在标签来判定是否缺标。

2.标签特征提取方法

对接头标的检测需利用色彩特征，在实际生产中，接头标的颜色都是红色或黑色的小块， 其色彩特征很明显。在标签缺陷检测系统中，采用提取其RGB色彩特征，计算大块纯色块的 面积，通过面积判定是否为接头标。

现有方法都需要图像中物体的边界是连续的，不可以有间断，而且对起始点的要求非常 高。经过分析，本申请在对标签图像进行前置处理和定位时，已进行了边缘精细检测。所以， 从减少计算量的角度上，采用边缘精细检测的方法来提取边界信息。

对于每一张标签图像，提取边缘的情况下，分别取其上边缘和下边缘进行分析判定，根 据边缘上的点所在的位置，判定是否存在缺陷。

(二)标签缺陷的具体检测方法

1.缺标的特征提取与缺陷检测

缺标是一种比较特殊的情况，由图10的流程图可以看到，本申请的检测算法是先判定是 否具有缺标缺陷，然后依次判定接头标、大小标、高低标和褶皱标，对于缺标缺陷的检测， 采用提取轮廓特征的方法来判定。图11是缺标图像和缺标缺陷的检测流程。

标签图像的前置处理主要是进行滤波去噪，根据人工定位的检测区域的特征，我们只需 要分析在这一区域上是否存在最小外接矩形面积大于整个区域面积的四分之一的的物体。如 果不存在，则判定标签图像上的瓶子包装具有缺标的缺陷。

2.接头标的特征提取与缺陷检测

在对是否缺标进行判定之后，继续判定是否为接头标。图12为接头标的特征提取说明和 检测流程图。

接头标是在图像上有其它颜色的污渍，判定接头标的最好的图像特征是色彩特征，通过 提取RGB色彩特征，求出各颜色区域块的面积，并且与预设的一个判定值进行比较，如果超 过这个值，则判定为接头标。检测完接头标之后，程序继续运行，对标签是否是大小标进行 判定。

3.大小标的特征提取与缺陷检测

对于大小标，采用提取大表标和小标的轮廓之后，确定其最小外接矩形，通过外接矩形 的边所在的直线之间的距离，来判定是否是大小标。

如图13所示，是一个只有一个大小标缺陷的标签图像，通过判定小标的外界矩形的左边 那条边和大标外接矩形右边那条边的距离，来判定是否具有大小标缺陷。

对小标的面积进行计算，如果超过预设值，则判定为大小标，找到多余的轮廓之后还要 进行进一步的判定，是因为由于瓶装水的瓶子是透明的塑料，在光照情况下会产生反光，视 觉上标签附近可能会有一些细线，看起来很像是小标，通过计算小标区域的面积，然后进行 判定，排除这一种检测错误。

4.高低标的特征提取与缺陷检测

在判定完大小标之后，接下来判定高低标，在高低标的判定中，利用的特征是标签上边 缘和下边缘最小外接矩形所在直线的坐标位置，其中，分别对上边缘和下边缘进行判定，当 两个边缘的位置都正常时，才会判定为没有高低标缺陷；如果上边缘或下边缘中有一个边缘 过高或过低，都会判定为高低标。其中，其位置特征的提取说明及检测流程图如图14。

当外接矩形的上边缘或下边缘所在的直线在Y轴上的位置与正常标签的位置相减，达到 一个差值才认定为高低标。这是因为在实际生产中，允许标签的位置有一个小范围的上下浮 动，有些误差人眼判定是可以接受的，会归类为正常标签。

5.褶皱标的特征分析与提取

只具有褶皱缺陷的标签在位置上和正常的标签没有区别，但在其标签的上边缘或者下边 缘会有一块凹进去，此时，提取外界矩形的边缘位置不再有用，采用取其轮廓的上边缘或下 边缘的最高点和最低点所在的与外接矩形边平行的直线，计算它们的距离，通过距离判定是 否为褶皱的标签。

图15是褶皱缺陷的检测流程及特征提取说明图。当边缘的最高点和最低点所在直线的距 离大于一个预设值时，就认为是褶皱标，和高低标一样，也是需要上边缘和下边缘都合格才 会不被判定为褶皱标。

经过上面对五种缺陷进行检测之后，只有在每一种缺陷都不存在的情况下，标签才会判 定为合格标签。否则，按照顺序输出其最开始检测到的那种缺陷，作为检测的缺陷。

Claims (10)

1.瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，首先采集待检测的标签图像，然后对获取到的图像进行前置处理和目标区域定位，最后判定标签图像是否有缺陷并对缺陷进行分类；基于实际生产需求对瓶装水进行外包装标签的缺陷检测，一是瓶装水标签的前置处理，二是标签自适应定位，三是标签缺陷的精细检测，检测的标签缺陷包括：缺标、接头标、大小标、高低标和褶皱标共五种标签缺陷，在检测到缺陷后，系统发出指令将有缺陷的产品移出生产线；

第一，瓶装水标签的前置处理：首先对标签图像滤波去噪，然后针对标签缺陷检测进行灰度化，最后再对图像进行增强；具体包括：一是标签图像的检测区域选取，二是瓶装水标签图像的特征解析，三是标签图像的滤波去噪，四是针对标签缺陷检测的灰度化，五是标签图像的增强；

第二，标签自适应定位：基于标签图像的形态特征进行处理后，依次采用标签自适应分割和边缘精细检测准确定位标签；具体包括：一是标签区域的形态特征处理，二是标签图像的自适应分割，三是边缘精细检测；

第三，标签缺陷的精细检测：依次对标签是否是缺标、接头标、大小标、高低标和褶皱标五种缺陷进行判定，只有排出这五种缺陷时，才会判定标签为合格标签；最先通过寻找是否存在标签来判定是否缺标，用色彩特征来检测接头标，用求边界的最高点和最低点来判定高低标、褶皱标和大小标；具体包括：一是标签缺陷的特征提取，二是缺标、接头标、大小标、高低标和褶皱标五种缺陷的缺陷检测方法。

2.根据权利要求1所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，标签图像的滤波去噪：用含有奇数个点的滑动模板对待检测图像进行遍历，每次都将窗口所在位置的像素按照灰度大小按顺序排列，选择排列之后的中值作为该区域的灰度值，二维中值滤波窗口采用3*3方形模板，只考虑变化的像素对窗口像素的影响，具体实现步骤是：

第一步：定义一个直方图数组，用来存储窗口的像素数据；

第二步：在每次窗口移动之后，先判定要处理的像素是否在图像像素的第一列上，如果待处理像素不在第一列，只在直方图上删除失去的像素数据，再加上后面加上的像素数据；如果在第一列，就将直方图数组清零，再对窗口数据重新统计；

第三步：根据处理的像素数是否达到窗口数组的长度判定是否将所有的像素全部处理完毕，如果没有，继续第二步。

3.根据权利要求1所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，针对标签缺陷检测的灰度化：综合比较RGB色彩模型的取G值灰度化的结果、HSV色彩模型取V值灰度化的结果和HSI色彩模型取I值灰度化的结果，无论是从灰度图的清晰度还是亮度考虑，都是RGB模型灰度化的效果最好，其中，I分量灰度化和V分量灰度化的结果差别不大，但是在小细节上采用I分量灰度化比采用V分量灰度化要清晰，基于此，采用RGB色彩模型进行灰度化，并且取灰度值Gray＝G。

4.根据权利要求1所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，标签图像的增强：假设在标签图像中，灰度级为r的图像其灰度值为r_k，k＝0,1,2,…,L,其中L是正整数，该图像的灰度取值范围为0至L，每个灰度级出现的频率用p(r_i)表示，设图像中总像素有N个，灰度值取r_i的像素有n_i个，则：

在开始直方图均衡时，将r_i归一化，为了保证原灰度图的像素映射之后，大小关系保持不变，采用值域为[0，1]的单调递增函数，具体的映射方法为：

在完成上述过程后得到的图像中，其共有L个灰度值，分别是0，1/(L-1)，2/(L-1)，Λ，(L-2)/(L-1)，1，S_i的值必须为这L个值中的一个，当计算出的S_i的值不属于这L个值时，取其值为离当前S_i最近的k/(L-1)，其中k＝0,1,2,Λ,(L-1)；

标签图像的增强的步骤为：一是计算原始图像的灰度直方图；二是求出各像素映射之后的灰度值；三是对取值不属于映射之后的L个灰度级的点的灰度值取合适的k/(L-1)。

5.根据权利要求1所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，标签区域的形态特征处理：对灰度化之后的标签图像进行特征腐蚀，设二值图像为M，结构元素为N，当采用结构元素N对图像M进行腐蚀时，N在M上进行平移，在点(x，y)处，此时结构元素记为N_xy，当N对M进行腐蚀时，在某一时刻，N平移到点(x，y)处，当N包含N时，处理之后该点的图像值取1，否则取0，在瓶装水的标签检测中，形态特征处理可以平滑二值图像的边缘，消除二值图中间一些细小的白色区域，使整个区域具有连通性。

6.根据权利要求1所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，标签图像的自适应分割：采用灰度图来进行自适应分割，对标签灰度图上所有像素点进行处理，使得其灰度值a满足a＝0或a＝255，对于标签灰度图像，选取灰度值T作为临界值，以T作为一个分割标准线来处理像素点，当a≥T时，在该点处，取a＝255；当a＜T时，在该点处，取a＝0；

设图像上某一点的灰度值是i，设置一个值T，利用i值与T的比较结果，使得待处理的图像分成两个不同的部分，求取前景和背景的类间方差，当类间方差值最大时，前景和背景的差别最大，此时的住值T就是最佳临界值；

对于图像I(x，y)，其灰度取值范围为0,1,2，Λ，L-1，如果图像上总共有N个像素点，灰度值为i的像素点，其数目为n_i，则有：

每个灰度值出现的频率为：

根据设定的临界值T，将图像分为S₀和S₁两类，如果i＜T，那么i∈S₀，如果i≥T，i∈S₁，则S₀出现的概率k₀和像素灰度均值v₀为：

S₁出现的概率k₁和像素灰度均值v₁为：

设整幅图像的像素点灰度平均值为u，临界值为T时，S₀类和S₁类的类间方差为w²(T)，则有：

w²(T)＝k₀(v₀-v)²+k₁(v₁-v)²＝k’₀k′₁(v₁-v₀)² 式11

当w²(T)最大时，S₀类和S₁类里面像素的差别最大，取此时的T进行二值化；

标签图像自适应分割的具体步骤为：

步骤一：从头到尾处理标签图像的每一个像素点，获得图像的灰度值分布情况，根据遍历的结果，得到：i_max＝L-1，并且求出该图像上i的均值v；

步骤二：取第一个临界值为T＝0；

步骤三：根据临界值T，将图像的像素分为S₀和S₁，由式6到式11逐步计算出此时图像的w²(T)；

步骤四：令T＝T+1，重复步骤三，求出每次得到的最大类间方差值并与上一次计算得到的值相比较，如果大于上一次的值，则进行替换并且记录此时的临界值T，一直到T≥L；

步骤五：最后保存的临界值T则为最佳临界值。

7.根据权利要求1所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，边缘精细检测的步骤为：

第1步：噪声去除：用高斯滤波器来消除图像的噪声；

第2步：计算图像的边缘梯度：计算图像上每一点(x，y)在x和y梯度值，根据x和y的梯度值，计算出梯度角，将梯度角取近似值-45、0、45、90这四个角度；

第3步：根据像素点处梯度的方向，找到该像素点在该方向上与它相邻的像素点；

第4步：计算图像上的像素点在梯度方向上相邻两个像素点的梯度值并进行比较，当它的梯度大于这两个相邻像素点时，将这个点判定为边缘点，否则不是边缘点；

第5步：取一高一低两个临界值A和B，用这两个临界值进行边缘精细检测，较高的临界值A去除虚假边缘，但检测到的边缘会有间断，此时再利用B再一次进行检测，将前面所得到的断续边缘补充完整。

8.根据权利要求1所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，标签缺陷的特征提取：采用提取图像的色彩特征和几何特征来进行标签检测，在检测接头标时采用色彩特征来进行缺陷的识别与判定；在对缺标、大小标、高低标和褶皱标进行检测时，都要用到图像的几何特征；

(1)色彩特征：用色彩特征来检测接头标，后面的特征分析不再涉及接头标；

(2)周长特征：大小标在周长上和正常标不一样，周长只用来检测大小标；

(3)区域面积：区域面积只适合检测缺标缺陷；

(4)斜率、曲率、拐点和凹凸点及圆形度和长短轴：标签缺陷用这几个特征并不能很好的区分，这几个特征不考虑；

(5)边界的最高点和最低点：判定高低标，褶皱标和大小标，通过求得最高点和最低点的坐标，计算出它们在坐标轴方向上的直线距离，然后判定是否在误差范围之内，来判定是否存在这三种缺陷。

9.根据权利要求1所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，标签缺陷的具体检测方法：

1.缺标的特征提取与缺陷检测

本申请的检测算法是先判定是否具有缺标缺陷，然后依次判定接头标、大小标、高低标和褶皱标，对于缺标缺陷的检测，采用提取轮廓特征的方法来判定；

标签图像的前置处理主要是进行滤波去噪，根据人工定位的检测区域的特征，只需要分析在这一区域上是否存在最小外接矩形面积大于整个区域面积的四分之一的物体，如果不存在，则判定标签图像上的瓶子包装具有缺标的缺陷；

2.接头标的特征提取与缺陷检测

在对是否缺标进行判定之后，继续判定是否为接头标；

接头标是在图像上有其它颜色的污渍，判定接头标的最好的图像特征是色彩特征，通过提取RGB色彩特征，求出各颜色区域块的面积，并且与预设的一个判定值进行比较，如果超过这个值，则判定为接头标，检测完接头标之后，程序继续运行，对标签是否是大小标进行判定；

3.大小标的特征提取与缺陷检测

对于大小标，采用提取大表标和小标的轮廓之后，确定其最小外接矩形，通过外接矩形的边所在的直线之间的距离，来判定是否是大小标；

对小标的面积进行计算，如果超过预设值，则判定为大小标，找到多余的轮廓之后还要进行进一步的判定，通过计算小标区域的面积，然后进行判定；

4.高低标的特征提取与缺陷检测

在判定完大小标之后，接下来判定高低标，在高低标的判定中，利用的特征是标签上边缘和下边缘最小外接矩形所在直线的坐标位置，其中，分别对上边缘和下边缘进行判定，当两个边缘的位置都正常时，才会判定为没有高低标缺陷；如果上边缘或下边缘中有一个边缘过高或过低，都会判定为高低标；

当外接矩形的上边缘或下边缘所在的直线在Y轴上的位置与正常标签的位置相减，达到一个差值才认定为高低标；

5.褶皱标的特征分析与提取

采用取其轮廓的上边缘或下边缘的最高点和最低点所在的与外接矩形边平行的直线，计算它们的距离，通过距离判定是否为褶皱的标签；

当边缘的最高点和最低点所在直线的距离大于一个预设值时，就认为是褶皱标，上边缘和下边缘都合格才会不被判定为褶皱标。

10.根据权利要求9所述瓶装水标签缺陷智能化视觉精细检测方法，其特征在于，经过上面对五种缺陷进行检测之后，只有在每一种缺陷都不存在的情况下，标签才会判定为合格标签；否则，按照顺序输出其最开始检测到的那种缺陷，作为检测的缺陷。

Images