CN115311294B - 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 - Google Patents

基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 Download PDF

Info

Publication number
CN115311294B
CN115311294B CN202211245072.3A CN202211245072A CN115311294B CN 115311294 B CN115311294 B CN 115311294B CN 202211245072 A CN202211245072 A CN 202211245072A CN 115311294 B CN115311294 B CN 115311294B
Authority
CN
China
Prior art keywords
straight line
flaw
connected domain
glass bottle
bottle body
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211245072.3A
Other languages
English (en)
Other versions
CN115311294A (zh
Inventor
余院珠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qidong Jinyaoyihua Glass Fiber Material Co ltd
Original Assignee
Qidong Jinyaoyihua Glass Fiber Material Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qidong Jinyaoyihua Glass Fiber Material Co ltd filed Critical Qidong Jinyaoyihua Glass Fiber Material Co ltd
Priority to CN202211245072.3A priority Critical patent/CN115311294B/zh
Publication of CN115311294A publication Critical patent/CN115311294A/zh
Application granted granted Critical
Publication of CN115311294B publication Critical patent/CN115311294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，获取玻璃瓶瓶身灰度图像并提取出线形瑕疵连通域，在线性瑕疵连通域中构建坐标系，对连通域中的瑕疵像素点的坐标进行直线拟合得到拟合直线，并获取拟合直线的倾斜角度，利用垂直于拟合直线的滑动直线将拟合直线的从下往上滑动，根据每次滑动时滑动直线上经过的瑕疵像素点到拟合直线的最大距离和最小距离得到拟合直线与瑕疵连通域的重合度，根据拟合直线与瑕疵连通域的重合度、拟合直线的倾斜角度得到玻璃瓶瓶身瑕疵连通域的参考指标，利用瑕疵连通域的参考指标和参考指标阈值，判断线性瑕疵具体属于裂纹瑕疵还是模缝瑕疵，方法智能、简单、精准。

Description

基于图像处理的玻璃瓶瓶身瑕疵识别检测方法
技术领域
本申请涉及图像处理领域，具体涉及一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法。
背景技术
玻璃制瓶是使用广泛、实用性极强的一种包装类的容器。玻璃瓶具有透明度强，美观大方，制造工艺简单，造价便宜于其他制品且具有可回收性等多重优点。因此，在包装餐饮行业，玻璃瓶占据了相当重要的市场份额和地位。在玻璃瓶制品的生产制造过程中，在其瓶身处经常会产生各种瑕疵缺陷（裂纹、模缝），会影响玻璃瓶产品的外观和质量，因此，需要对玻璃瓶瓶身进行缺陷检测，识别出玻璃瓶瓶身存在的缺陷及类型，保证了产品的质量，根据缺陷类型可进行后续工艺改进或调整相关技术方案。在这种现实情况下，高检测度和高水平的玻璃瓶检测技术有着极强的市场商业双重需求，我国相关的玻璃瓶检测需求相当的巨大，但在玻璃瓶瓶身的瑕疵缺陷检测方面所采用的方法多数为人工检测，裂纹瑕疵和模缝瑕疵产生重合部分时，常规的人工检测方法难以将二者进行区分，并且人工检测效率低且主观性影响太高，易产生检测误差。
发明内容
针对当裂纹瑕疵和模缝瑕疵产生重合时，常规的人工检测方法难以将二者进行精准区分，并且人工检测效率低且主观性影响太高，易产生检测误差的问题，本发明提供一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，采用如下技术方案：
获取玻璃瓶瓶身灰度图像并提取瑕疵连通域；
根据每个瑕疵连通域的最小外接矩形的长宽比筛选出线形瑕疵连通域；
在线性瑕疵连通域中构建坐标系，对连通域中的瑕疵像素点的坐标进行直线拟合得到拟合直线，并获取拟合直线的倾斜角度；
利用垂直于拟合直线的滑动直线将拟合直线的从下往上滑动，根据每次滑动时滑动直线上经过的瑕疵像素点到拟合直线的最大距离和最小距离得到拟合直线与瑕疵连通域的重合度；
根据拟合直线与瑕疵连通域的重合度、拟合直线的倾斜角度得到玻璃瓶瓶身瑕疵连通域的参考指标；
利用瑕疵连通域的参考指标和参考指标阈值，判断线性瑕疵具体属于裂纹瑕疵还是模缝瑕疵。
所述根据每个瑕疵连通域的最小外接矩形的长宽比筛选出线形瑕疵连通域的方法如下：
获取连通域最小外接矩形的长宽比系数
Figure 469390DEST_PATH_IMAGE001
；
若
Figure 765242DEST_PATH_IMAGE002
，则该最小外接矩形对应的连通域存在线形瑕疵。/>
所述拟合直线的倾斜角度的获取方法为：
将拟合直线斜率的反正切值作为拟合直线的倾斜角度。
所述拟合直线与瑕疵连通域的重合度的获取方法为：
根据滑动直线上经过的瑕疵像素点到拟合直线的最大距离和最小距离判断每次滑动时瑕疵连通域是否关于拟合直线对称；
统计瑕疵连通域关于拟合直线不对称的次数
Figure 690735DEST_PATH_IMAGE003
；
则拟合直线与瑕疵连通域的重合度为：
Figure 464656DEST_PATH_IMAGE004
式中，
Figure 657740DEST_PATH_IMAGE005
为拟合直线与瑕疵连通域的重合度，/>
Figure 124493DEST_PATH_IMAGE006
滑动直线的滑动次数，/>
Figure 537283DEST_PATH_IMAGE003
为瑕疵连通域关于拟合直线不对称的次数。
所述根据滑动直线上经过的瑕疵像素点到拟合直线的最大距离和最小距离判断每次滑动时瑕疵连通域是否关于拟合直线对称的方法为：
在存在线形瑕疵的连通域中，以水平向右为横轴正方向，竖直向上为纵轴正方向构建坐标系；
获取连通域中的瑕疵像素点的坐标，使用最小二乘法进行直线拟合；
作拟合直线的垂直直线，对拟合直线的从下往上滑动，计算滑动直线上的瑕疵像素点到拟合直线的距离：
获取每次滑动时，最大距离对应的滑动直线上的最大距离像素点和最小距离对应的滑动直线上的最小距离像素点；
获取最大距离
Figure 849315DEST_PATH_IMAGE007
与最小距离/>
Figure 428064DEST_PATH_IMAGE008
的差的绝对值/>
Figure 623641DEST_PATH_IMAGE009
，最大距离像素点和最小距离像素点的距离为/>
Figure 553420DEST_PATH_IMAGE010
；
若
Figure 436188DEST_PATH_IMAGE011
，瑕疵连通域关于拟合直线不对称，否则，瑕疵连通域关于拟合直线对称。
所述根据拟合直线与瑕疵连通域的重合度、拟合直线的倾斜角度得到玻璃瓶瓶身瑕疵连通域的参考指标的方法为：
Figure 197339DEST_PATH_IMAGE012
式中，
Figure 100002_DEST_PATH_IMAGE013
为玻璃瓶瓶身瑕疵连通域的参考指标，/>
Figure 569677DEST_PATH_IMAGE005
为拟合直线与瑕疵连通域的重合度，/>
Figure 924435DEST_PATH_IMAGE014
为拟合直线的倾斜角度，即拟合直线的斜率/>
Figure 843849DEST_PATH_IMAGE015
的反正切值。
所述利用瑕疵连通域的参考指标和参考指标阈值，判断线性瑕疵具体属于裂纹瑕疵还是模缝瑕疵的方法为：
选取N个存在裂纹瑕疵的玻璃瓶；
计算每个玻璃瓶瓶身瑕疵连通域的参考指标；
若玻璃瓶瓶身瑕疵连通域的参考指标
Figure 367497DEST_PATH_IMAGE016
，则该玻璃瓶瓶身瑕疵为模缝瑕疵；否则，该玻璃瓶瓶身瑕疵为裂纹瑕疵，其中，/>
Figure 81375DEST_PATH_IMAGE017
为参考指标均值，/>
Figure 454587DEST_PATH_IMAGE018
为参考指标标准差。
所述提取瑕疵连通域的获取方法为：
设定玻璃瓶瓶身灰度图像中的待检测区域；
对待测区域采用OSTU大律法二值化，得到待测区域的二值图，瑕疵像素点为白色，背景像素点为黑色；
对瑕疵像素点进行连通域分析，得到瑕疵连通域。
本发明的有益效果是：基于图像处理，采集玻璃瓶瓶身每转动90度的图像，得到转动完整一周的四张图像，并对每张90度瓶身图像划分待检测区域，较常规的采集单张俯视图进行缺陷检测分析的操作，排除了玻璃瓶身两侧曲度的影响，采集的图像数据更加精准；通过分析连通域最小外接矩形的长宽比提取出线形瑕疵，根据线性瑕疵连通域与瑕疵像素点拟合直线和滑动直线计算出拟合直线与瑕疵连通域的重合度，模缝往往是竖直的连通域，拟合直线也是连通域中的一条类似的竖线，重合度低，而划痕往往有弧度，拟合直线往往会与其产生交点，则重合度高，根据重合度和拟合直线的倾斜角度得到瑕疵连通域的参考指标，根据参考指标和阈值对瑕疵连通域进行区分，判断具体是模缝瑕疵还是裂纹瑕疵，方法智能、精准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法流程示意图；
图2是本发明的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法中的瑕疵示意图；
图3是本发明的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法中的缩放区域示意图；
图4是本发明的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法中的裂纹瑕疵拟合直线和滑动直线示意图；
图5是本发明的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法中的模缝瑕疵拟合直线和滑动直线示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法的实施例，如图1所示，包括：
步骤一：获取玻璃瓶瓶身灰度图像并提取瑕疵连通域；
该步骤的目的是，采集到玻璃瓶瓶身的图像，并提取出待分析表面区域，获取待检测区域的二值图，二值图中瑕疵像素点为白色，背景像素点为黑色；对二值图进行连通域分析，获取每个连通域的最小外接矩形，根据每个连通域的最小外接矩形的长宽比判断每个连通域的瑕疵类型。
本实施例的主要目的是利用图像处理技术把玻璃瓶瓶身的点类、区域瑕疵图像进行数字化分析，并结合几何特征通过数学建模来实现对玻璃瓶瓶身的瑕疵识别和种类辨别。
本实施例所针对的情景为：在玻璃瓶制品的生产工序中，常常会产生多种瑕疵缺陷且能从瓶身图像所呈现出来。在较难分辨的缺陷中，常见的有块状瑕疵（黑点、气泡）和线性瑕疵（裂纹、模缝），对玻璃瓶美观性和功能性的影响是不同的。所以需要通过图像处理来数字化分析瑕疵特征，并结合数学建模来实现对玻璃瓶瓶身上四种瑕疵的智能化识别。
本实施例主要针对的是裂纹、模缝这两种瑕疵（线性瑕疵）的区分，黑点、气泡这两种块状瑕疵，仅作简单处理说明。
其中，玻璃瓶瓶身灰度图像的获取方法为：
本实施例通过布置电子相机以及对应的图像采集平台，对所获图像集进行灰度预处理。
常见的玻璃瓶瓶身生产制造缺陷有黑点、气泡、裂纹、模缝等等，由于部分瑕疵特征十分相似且在瓶身上，俯视是无法采集到特征表现的，所以采集图像的主要流程为通过三个相同的瓶转动装置，控制四个相机采集到该样品的360°一周图像，每个图像是瓶身转动90°所成像的，这样共采集四张图像
Figure 673298DEST_PATH_IMAGE019
，构成其瓶身表面图像集/>
Figure 815566DEST_PATH_IMAGE020
，其中的每一张图像若有瑕疵，都可代表该玻璃瓶瓶身是存在对应瑕疵的。
随后对所得图像进行灰度化处理。按下式对RGB三分量进行加权平均：
Figure 231504DEST_PATH_IMAGE021
经过灰度化处理得到的灰度图中，最低灰度值0为黑色，最高灰度值255为白色。现实生产过程中的四种瓶身缺陷的灰度图像如图2所示，从左至右分别为黑点、气泡、裂纹、模缝。
其中，待检测区域的获取方法为：
接下来定位出我们需要进行检测的瓶身区域。我们可以看出透明玻璃瓶的两侧是受到曲度影响的，造成分析的效果很弱，所以我们需要对中心区域，也就是对应的90°瓶身图像上的有效部分瓶身图像进行提取，左侧为提取出来的大致范围区域，右侧的俯视图观察到至少要有中心90度的区域。
采用Canny边缘检测对瓶身外边缘进行提取，主要操作内容为：用高斯滤波平滑图像；用一阶偏导的有限差分来计算梯度的幅值和方向；非极大值像素梯度抑制；阈值滞后处理以及孤立弱边缘抑制。随后提取瓶身最外轮廓边缘像素，以图像左下点为坐标原点
Figure 593478DEST_PATH_IMAGE022
，水平向右为横轴M轴正方向，竖直向上为纵轴N轴正方向，对边缘像素点进行坐标/>
Figure DEST_PATH_IMAGE023
标记，记边缘点m坐标最小值为/>
Figure 182591DEST_PATH_IMAGE024
，最大值为/>
Figure 680831DEST_PATH_IMAGE025
，n坐标的最大值最小值分别为/>
Figure 267670DEST_PATH_IMAGE026
、
Figure 818737DEST_PATH_IMAGE027
，计算横轴方向的极差/>
Figure 149224DEST_PATH_IMAGE028
和纵轴方向的极差/>
Figure 236391DEST_PATH_IMAGE029
：
Figure 994131DEST_PATH_IMAGE030
Figure 298074DEST_PATH_IMAGE031
横轴方向的中心值
Figure 482453DEST_PATH_IMAGE032
和纵轴方向的中心值/>
Figure DEST_PATH_IMAGE033
分别为：
Figure 250558DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
随后规定待测矩形区域范围：
（1）首先定义矩形的宽（横向），要求四张图片的待测区域至少是一周，所以宽的最小值应该是上图中恰好90°对应的斜边，通过数理分析知，宽与瓶周半径的比应刚好为
Figure 742982DEST_PATH_IMAGE036
，为了容许小部分误差，应使宽更大一些，故在此定出宽的范围为
Figure 534220DEST_PATH_IMAGE037
。
（2）其次，长的范围依旧是由中心点向两侧取值，由于瓶身本身结构特点，定出长的范围大致为
Figure 504712DEST_PATH_IMAGE038
，得到矩形的左下顶点/>
Figure DEST_PATH_IMAGE039
，而构建矩形待测区域并提取。
其中，提取瑕疵连通域的方法为：
对玻璃瓶瓶身灰度图像的待检测区域采用OSTU大律法二值化，它又名最大类间差方法，通过统计整个图像的直方图特性来实现全局阈值T的自动选取，大于阈值的全设置为白（1）前景，小于阈值的全设置为黑（0）背景，由于瓶身缺陷成像的灰度值都较小（颜色深），那么二值化处理后的缺陷成像为黑色，为了方便处理，随后将黑白反色操作，使得若存在瑕疵表现，则呈现为白色的ROI区域，而背景为黑色表现，即瑕疵像素点为白色，背景为黑色；
对瑕疵像素点进行连通域分析，得到瑕疵连通域。
步骤二：根据每个瑕疵连通域的最小外接矩形的长宽比筛选出线形瑕疵连通域；
该步骤的目的是初步判断瑕疵连通域的瑕疵类型，并提取出线形瑕疵（裂纹、模缝），作为分析基础。
本实施中，玻璃瓶瓶身的瑕疵分为两类，一类是块状瑕疵，如黑点瑕疵、气泡瑕疵，另一类是线状瑕疵，如裂纹、划痕和模缝瑕疵，其中，裂纹和划痕线状类似，多为弯曲的，存在一定弧度的线形，二者可作为同一情况进行分析，模缝瑕疵多为竖直形状单独分析。
其中，根据每个瑕疵连通域的最小外接矩形的长宽比筛选出线形瑕疵连通域的方法为：
获取连通域最小外接矩形的长宽比系数
Figure 392903DEST_PATH_IMAGE001
：
（1）对待测区域中的瑕疵进行判断和定位。采用的方法是在二值图像上进行连通域分析，连通域是指相同像素值的相邻像素组成的集合，将每个连通域设置一个标签label值，主要采用种子填充法，随后将每个标签进行最小外接矩形框选。
（2）对每个标签下的像素区域进行最小外接矩形框选，在此采用最小面积外接矩形(MABR)，计算方法为等间隔旋转搜索方法，即将图像物体在90°范围内等间隔地旋转,每次记录其轮廊在坐标系方向上的外接矩形参数,通过计算外接矩形面积求取最小外接矩形。
（3）记录最小外接矩形的长为
Figure 728331DEST_PATH_IMAGE040
，宽为/>
Figure DEST_PATH_IMAGE041
（默认/>
Figure 334762DEST_PATH_IMAGE042
）。图像中可观察到，黑点气泡的最小外接矩形的形状更加趋近于正方形，而裂纹模缝的最小外接矩形形状会呈现出窄长的长方形，从而可根据长宽比进行区别。统计每一个连通域最小外接矩形的长宽比系数为：/>
Figure 306348DEST_PATH_IMAGE043
；
根据长宽比系数
Figure 721149DEST_PATH_IMAGE001
的大小筛选出线性瑕疵连通域：
首先，我们要定义该连通域是否为瓶身瑕疵，记像素与现实尺寸的比例单位为
Figure 726014DEST_PATH_IMAGE044
（单位：mm/像素），若存在长度/>
Figure 491845DEST_PATH_IMAGE045
的可认定为是瑕疵，也即是瑕疵的最小外接矩形长大小，若不存在则认为该瓶口无此4类瑕疵；
其次，把
Figure 272981DEST_PATH_IMAGE046
的连通域内像素全部转为0（黑色），去除噪声点影响；
若
Figure 807868DEST_PATH_IMAGE002
，那么认为该外接矩形所框选的瑕疵为线性瑕疵（裂纹或模缝瑕疵）；
若
Figure 983634DEST_PATH_IMAGE047
，则认为其是黑点气泡的最小外接矩形，则该连通域瑕疵类型为块状瑕疵（黑点、气泡类型的瑕疵）。
进一步的，对块状瑕疵进行具体区分，方法如下：
若瑕疵连通域的瑕疵类型为块状瑕疵，则提取该类瑕疵连通域的轮廓边缘，对轮廓边缘向内进行等比例缩放，得到每次缩放前和缩放后的轮廓边缘之间的区域，如果该区域的灰度均值随着每次缩放逐渐增大则该块状瑕疵为气泡瑕疵，否则为黑点瑕疵；
其中，根据相邻区域的灰度差异判断瑕疵具体属于黑点瑕疵还是气泡瑕疵的方法为：
首先分析黑点、气泡瑕疵之间的差异：气泡是由于玻璃材料在加工过程中引入空气等影响造成的瓶壁内部存在瑕疵，进而可能导致受热不均等等，受光线影响后气泡边缘会比较清晰，而内部是空气即灰度值较大；黑点对玻璃瓶的外观影响较大，它的内部都是黑灰色且灰度差别不大。设计滑窗回到灰度图像进行灰度变化分析。
然后设计滑窗：提取黑点气泡的最小外接矩形的长
Figure 738226DEST_PATH_IMAGE048
，宽/>
Figure 24851DEST_PATH_IMAGE049
随后在二值图像中提取黑点气泡的外轮廓边缘，并以其为基础边界滑窗，向内等比例缩放三次，最小外接矩形都是每次长宽缩减0.2/>
Figure 945402DEST_PATH_IMAGE048
、0.2/>
Figure 793535DEST_PATH_IMAGE049
，从小到大四个滑窗如图3所示。
最后，利用滑窗得到连通域的灰度变化规律得到瑕疵的具体类型：
运算规则：从小到大4个滑窗的规则都为为计算其对应区域内的像素平均灰度值
Figure 268379DEST_PATH_IMAGE050
(/>
Figure 624274DEST_PATH_IMAGE051
)，计算相邻之间的差值/>
Figure 629358DEST_PATH_IMAGE052
：
Figure 474823DEST_PATH_IMAGE053
/>
其中
Figure 702542DEST_PATH_IMAGE054
。由于气泡内的是空气即颜色较浅，平均灰度值应是越靠近内部越大；而黑点内部都是无差别的表面颜色，导致其灰度渐变并无规律可言，即计算每个区域内的像素点的平均灰度值/>
Figure 98013DEST_PATH_IMAGE055
若由外向内三个区域的平均灰度值依次变大，则瑕疵属于气泡瑕疵，否则瑕疵属于黑点瑕疵。
步骤三：在线性瑕疵连通域中构建坐标系，对连通域中的瑕疵像素点的坐标进行直线拟合得到拟合直线，并获取拟合直线的倾斜角度；利用垂直于拟合直线的滑动直线将拟合直线的从下往上滑动，根据每次滑动时滑动直线上经过的瑕疵像素点到拟合直线的最大距离和最小距离得到拟合直线与瑕疵连通域的重合度；根据拟合直线与瑕疵连通域的重合度、拟合直线的倾斜角度得到玻璃瓶瓶身瑕疵连通域的参考指标；
该步骤的目的是，通过设计拟合直线和滑动直线对裂纹瑕疵、模缝瑕疵进行具体区分。
需要说明的是，由于裂纹模缝之间的表征较为相似，那么如果直接进行传统视觉检测，较易将其两者划分为同一缺陷。模缝为生产固有的外观缺陷，不影响产品使用质量，但裂纹是玻璃瓶壁上产生的微小缝隙，易造成瓶漏导致保质期过短等等，严重影响产品使用质量，不利于企业发展以及产品回收利用，所以我们要对其两者进行分析，并以此来建立相关模型实现在模缝干扰下的裂纹识别检测。
对裂纹、模缝的特点进行如下分析：
（1）裂纹是生产过程中被磕碰或其他因素导致的玻璃瓶瓶壁产生破裂，会严重影响玻璃瓶制品的密封性能和外观，也会有较大的安全隐患，是很严重的瑕疵，而且裂纹成像是在瓶壁上的某位置上展开的随机曲线等等；而模缝是玻璃瓶成型过程中不可避免的生产瑕疵，主要是对外观有较小影响，但对产品的使用质量几乎无影响，同时模缝是十分规则的一条直线，故可从拟合直线的角度进行分析。
（2）如果模缝与裂纹同时存在，且两者是交叉的表征情况，此时将两者划分为了同一连通域，无法进行缺陷识别检测，那么为了可以进行单个缺陷有单独连通域分析，我们需要对裂纹模缝相连的情况进行有效识别与分割，在现有技术中，我们可根据模缝笔直的分布特点，将梯度发展方向为几近竖直方向的像素进行区域生长后在连通域中进行排除，剩余的就是不连贯的裂纹缺陷连通域，随后再进行形态学的闭运算（先膨胀后腐蚀），使其不连贯的地方相连，得到较为完整的裂纹缺陷连通域；
（3）由于模缝一定是几近垂直于图像横向方向，而裂纹是随机裂开分布的，所以我们先进行拟合直线的计算，再根据拟合直线的倾斜角度与直角进行差异分析可实现初次区分，但如果模缝与裂纹同时存在竖直方向上的表征，那么只根据拟合直线的倾斜角度是不够的，所以就需要结合瑕疵连通域的形态差异对缺陷种类进一步区分；
其中，拟合直线与瑕疵连通域的重合度的获取方法为：
（1）设计拟合直线：对于瑕疵连通域中的坐标进行建系，水平向右为横轴
Figure 727578DEST_PATH_IMAGE056
轴正方向，竖直向上为纵轴/>
Figure 947207DEST_PATH_IMAGE057
轴正方向。对二值化瑕疵连通域中的白色像素点进行坐标标注，最小横、纵坐标为/>
Figure 898107DEST_PATH_IMAGE058
坐标系原点（0，0），白色缺陷像素点的坐标表示为/>
Figure 861384DEST_PATH_IMAGE059
。对像素点坐标做普通最小二乘估计，得到拟合直线。普通最小二乘法（OLS）给出其拟合标准，即应使被解释变量的估计值与实际观测值之差的平方和最小，公式如下：
Figure 345455DEST_PATH_IMAGE060
其中，
Figure 237450DEST_PATH_IMAGE015
为拟合直线的斜率，/>
Figure 908603DEST_PATH_IMAGE061
为拟合直线的截距。
所得拟合直线为：
Figure 409991DEST_PATH_IMAGE062
公式中，
Figure DEST_PATH_IMAGE063
为拟合直线的斜率；
（2）接下来分析连通域分布状态的差别特征，并建立模型进行计算，裂纹与模缝的整体连通域虽都近似发展为线性状态，但整体分布所呈现的曲度不同，裂纹较明显地要比模缝分布的曲度程度大，所以我们对连通域的曲度进行数字化表征，设置垂直于拟合直线的移动直线：
Figure 103229DEST_PATH_IMAGE064
公式中，
Figure 166125DEST_PATH_IMAGE065
为垂直于拟合直线的移动直线；
（3）设计拟合直线的滑动直线并进行滑动：从拟合直线的最下部向最上部滑动，计算滑动直线上的像素点到拟合直线的最大距离和最小距离、以及对应两点之间的距离，并且统计最大距离与最小距离之间的差值绝对值。
（4）记最大、最小距离分别为
Figure 855732DEST_PATH_IMAGE007
、/>
Figure 160812DEST_PATH_IMAGE008
，例如点/>
Figure 120940DEST_PATH_IMAGE066
对应到直线上的距离/>
Figure 587693DEST_PATH_IMAGE067
为：
Figure 499017DEST_PATH_IMAGE068
记最大距离与最小距离的差的绝对值为：
Figure DEST_PATH_IMAGE069
若最大距离与最小距离对应的两个坐标点分别为
Figure 284088DEST_PATH_IMAGE070
，/>
Figure 364301DEST_PATH_IMAGE071
,则这两点之间距离为：
Figure 1956DEST_PATH_IMAGE072
（5）若该拟合直线是裂纹瑕疵的，那么它与裂纹区域一定是相交的，如图4所示，此时造成
Figure 400576DEST_PATH_IMAGE073
的现象十分多。那么/>
Figure 283344DEST_PATH_IMAGE074
可认定为连通域关于拟合直线的不对称现象；
若拟合直线在连通区域内，即在模缝瑕疵内，如图5所示，竖直方向的虚线为拟合直线，水平方向的虚线为表示滑动直线，W为滑动直线的滑动次数，此时
Figure DEST_PATH_IMAGE075
；
统计连通域关于拟合直线的不对称现象出现的次数为
Figure 44496DEST_PATH_IMAGE076
，得到拟合直线与瑕疵连通域的重合度为：
Figure 614236DEST_PATH_IMAGE077
公式中，
Figure 500153DEST_PATH_IMAGE005
为拟合直线与瑕疵连通域的重合度, />
Figure 685146DEST_PATH_IMAGE076
为瑕疵连通域关于拟合直线不对称的次数，/>
Figure 474373DEST_PATH_IMAGE078
为滑动总次数。
其中，拟合直线的倾斜角度的获取方法为：
将拟合直线斜率的反正切值作为拟合直线的倾斜角度，拟合直线的斜率为
Figure 719410DEST_PATH_IMAGE063
，则倾斜角度为/>
Figure 827043DEST_PATH_IMAGE014
。
其中，根据拟合直线与瑕疵连通域的重合度、拟合直线的倾斜角度得到玻璃瓶瓶身瑕疵连通域的参考指标的方法为：
Figure 51613DEST_PATH_IMAGE079
式中，
Figure 459461DEST_PATH_IMAGE013
为玻璃瓶瓶身瑕疵连通域的参考指标，/>
Figure 376863DEST_PATH_IMAGE005
为拟合直线与瑕疵连通域的重合度，/>
Figure 971793DEST_PATH_IMAGE014
为拟合直线的倾斜角度，即拟合直线的斜率/>
Figure 498589DEST_PATH_IMAGE015
的反正切值；
该公式利用倾斜角度
Figure 256549DEST_PATH_IMAGE014
来分析拟合直线的垂直程度，即与/>
Figure 577808DEST_PATH_IMAGE080
比较可将大部分随机分布的裂纹进行辨别，不过同时由于裂纹产生的随机性，其拟合直线会存在与模缝拟合直线角度都很“笔直”的相似情况，所以只利用拟合直线的斜率分布形态是不够的，还需将连通域的具体分布状态进行建模来综合考虑；
如果是模缝瑕疵那么
Figure 660034DEST_PATH_IMAGE014
的值在/>
Figure 990521DEST_PATH_IMAGE080
左右徘徊即差异越小，为了便于表述，本实施例作出如下设置：
Figure 343267DEST_PATH_IMAGE081
若A的值就越小，对应的模缝裂纹的c的值也偏小，即总体会是一个很小的值；反之，如果是裂纹缺陷，那么其随机性导致
Figure 835429DEST_PATH_IMAGE082
的值不稳定（可大可小），但是/>
Figure 968732DEST_PATH_IMAGE083
的值偏大，即使两个缺陷的表征都是几近垂直的，但是系数/>
Figure 837331DEST_PATH_IMAGE083
仍可控制其综合参考指标/>
Figure 543119DEST_PATH_IMAGE013
值的大小（即模缝缺陷的/>
Figure 973225DEST_PATH_IMAGE013
值更小），从而使得可以设置合理阈值，对裂纹缺陷进行识别检测。
步骤四：利用瑕疵连通域的参考指标和参考指标阈值，判断线性瑕疵具体属于裂纹瑕疵还是模缝瑕疵。
该步骤的目的是，通过瓶身瑕疵连通域的参考指标设置阈值，对线性瑕疵进行具体区分。
其中，利用瑕疵连通域的参考指标和参考指标阈值，判断线性瑕疵具体属于裂纹瑕疵还是模缝瑕疵的方法为：
将N个带有裂纹瑕疵的瓶身经步骤一至步骤三的方法，计算得到参考指标
Figure 30043DEST_PATH_IMAGE013
及均值/>
Figure 702333DEST_PATH_IMAGE017
，以及对应的标准差/>
Figure 23812DEST_PATH_IMAGE018
，根据统计学理论知识做出决策：
若该瑕疵的参考指标
Figure 123355DEST_PATH_IMAGE016
，则将该瑕疵认定为模缝瑕疵；
若该瑕疵的参考指标
Figure 401889DEST_PATH_IMAGE084
，那么可以认为该瑕疵为裂纹缺陷。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，包括：
获取玻璃瓶瓶身灰度图像并提取瑕疵连通域；
根据每个瑕疵连通域的最小外接矩形的长宽比筛选出线形瑕疵连通域；
在线性瑕疵连通域中构建坐标系，对连通域中的瑕疵像素点的坐标进行直线拟合得到拟合直线，并获取拟合直线的倾斜角度；
利用垂直于拟合直线的滑动直线将拟合直线的从下往上滑动，根据每次滑动时滑动直线上经过的瑕疵像素点到拟合直线的最大距离和最小距离得到拟合直线与瑕疵连通域的重合度；
根据拟合直线与瑕疵连通域的重合度、拟合直线的倾斜角度得到玻璃瓶瓶身瑕疵连通域的参考指标；
所述根据拟合直线与瑕疵连通域的重合度、拟合直线的倾斜角度得到玻璃瓶瓶身瑕疵连通域的参考指标的方法为：
Figure 772194DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
为玻璃瓶瓶身瑕疵连通域的参考指标，
Figure 86019DEST_PATH_IMAGE004
为拟合直线与瑕疵连通域的重合度，
Figure DEST_PATH_IMAGE005
为拟合直线的倾斜角度，即拟合直线的斜率
Figure 402600DEST_PATH_IMAGE006
的反正切值；
利用瑕疵连通域的参考指标和参考指标阈值，判断线性瑕疵具体属于裂纹瑕疵还是模缝瑕疵。
2.根据权利要求1所述的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，所述根据每个瑕疵连通域的最小外接矩形的长宽比筛选出线形瑕疵连通域的方法如下：
获取连通域最小外接矩形的长宽比系数
Figure DEST_PATH_IMAGE007
；
若
Figure 748130DEST_PATH_IMAGE008
，则该最小外接矩形对应的连通域存在线形瑕疵。
3.根据权利要求1所述的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，所述拟合直线的倾斜角度的获取方法为：
将拟合直线斜率的反正切值作为拟合直线的倾斜角度。
4.根据权利要求1所述的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，所述拟合直线与瑕疵连通域的重合度的获取方法为：
根据滑动直线上经过的瑕疵像素点到拟合直线的最大距离和最小距离判断每次滑动时瑕疵连通域是否关于拟合直线对称；
统计瑕疵连通域关于拟合直线不对称的次数
Figure DEST_PATH_IMAGE009
；
则拟合直线与瑕疵连通域的重合度为：
Figure DEST_PATH_IMAGE011
式中，
Figure 288702DEST_PATH_IMAGE004
为拟合直线与瑕疵连通域的重合度，
Figure 352473DEST_PATH_IMAGE012
滑动直线的滑动次数，
Figure DEST_PATH_IMAGE013
为瑕疵连通域关于拟合直线不对称的次数。
5.根据权利要求4所述的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，所述根据滑动直线上经过的瑕疵像素点到拟合直线的最大距离和最小距离判断每次滑动时瑕疵连通域是否关于拟合直线对称的方法为：
在存在线形瑕疵的连通域中，以水平向右为横轴正方向，竖直向上为纵轴正方向构建坐标系；
获取连通域中的瑕疵像素点的坐标，使用最小二乘法进行直线拟合；
作拟合直线的垂直直线，对拟合直线的从下往上滑动，计算滑动直线上的瑕疵像素点到拟合直线的距离：
获取每次滑动时，最大距离对应的滑动直线上的最大距离像素点和最小距离对应的滑动直线上的最小距离像素点；
获取最大距离
Figure 345181DEST_PATH_IMAGE014
与最小距离
Figure DEST_PATH_IMAGE015
的差的绝对值
Figure 669852DEST_PATH_IMAGE016
，最大距离像素点和最小距离像素点的距离为
Figure DEST_PATH_IMAGE017
；
若
Figure 194374DEST_PATH_IMAGE018
，瑕疵连通域关于拟合直线不对称，否则，瑕疵连通域关于拟合直线对称。
6.根据权利要求1所述的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，所述利用瑕疵连通域的参考指标和参考指标阈值，判断线性瑕疵具体属于裂纹瑕疵还是模缝瑕疵的方法为：
选取N个存在裂纹瑕疵的玻璃瓶；
计算每个玻璃瓶瓶身瑕疵连通域的参考指标；
若玻璃瓶瓶身瑕疵连通域的参考指标
Figure DEST_PATH_IMAGE019
，则该玻璃瓶瓶身瑕疵为模缝瑕疵；否则，该玻璃瓶瓶身瑕疵为裂纹瑕疵，其中，
Figure 807758DEST_PATH_IMAGE020
为参考指标均值，
Figure DEST_PATH_IMAGE021
为参考指标标准差。
7.根据权利要求1所述的一种基于图像处理的玻璃瓶瓶身瑕疵识别检测方法，其特征在于，所述提取瑕疵连通域的获取方法为：
设定玻璃瓶瓶身灰度图像中的待检测区域；
对待测区域采用OSTU大律法二值化，得到待测区域的二值图，瑕疵像素点为白色，背景像素点为黑色；
对瑕疵像素点进行连通域分析，得到瑕疵连通域。
CN202211245072.3A 2022-10-12 2022-10-12 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 Active CN115311294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211245072.3A CN115311294B (zh) 2022-10-12 2022-10-12 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211245072.3A CN115311294B (zh) 2022-10-12 2022-10-12 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法

Publications (2)

Publication Number Publication Date
CN115311294A CN115311294A (zh) 2022-11-08
CN115311294B true CN115311294B (zh) 2023-03-24

Family

ID=83867838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211245072.3A Active CN115311294B (zh) 2022-10-12 2022-10-12 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法

Country Status (1)

Country Link
CN (1) CN115311294B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228752B (zh) * 2023-05-06 2023-07-21 四川广安承平投资开发有限公司 一种表面瑕疵识别方法及处理机器人
CN116309559B (zh) * 2023-05-17 2023-08-04 山东鲁玻玻璃科技有限公司 一种中硼硅玻璃生产瑕疵智能识别方法
CN116630358B (zh) * 2023-07-25 2023-09-26 潍坊医学院附属医院 一种脑部肿瘤ct影像的阈值分割方法
CN116993715B (zh) * 2023-09-18 2023-12-19 山东庆葆堂生物科技有限公司 一种玻璃瓶气密性检测方法
CN117455778B (zh) * 2023-12-21 2024-04-05 日照市茂源电子有限责任公司 一种基于图像增强的光学玻璃预制件检测方法及系统
CN117491391B (zh) * 2023-12-29 2024-03-15 登景(天津)科技有限公司 基于芯片计算的玻璃基板光三维健康检测方法及设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103456021B (zh) * 2013-09-24 2016-05-18 苏州大学 一种基于形态学分析的布匹瑕疵检测方法
CN109035195B (zh) * 2018-05-08 2021-11-30 武汉纺织大学 一种织物疵点检测方法
CN113177924A (zh) * 2021-05-10 2021-07-27 南通大学 一种工业流水线产品瑕疵检测方法
CN115049644B (zh) * 2022-08-12 2022-11-01 山东三微新材料有限公司 一种基于铝管表面瑕疵识别的温度控制方法及系统
CN115222733B (zh) * 2022-09-19 2022-12-09 山东金源不锈钢制品有限公司 基于图像识别的金属构件表面缺陷检测方法
CN115311279A (zh) * 2022-10-11 2022-11-08 南通堰洲家用纺织品有限公司 一种织物经纬瑕疵的机器视觉识别方法

Also Published As

Publication number Publication date
CN115311294A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115311294B (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法
CN105334219B (zh) 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN110268190B (zh) 一种基于静态红外热像图处理的地下管廊渗漏检测方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN108355987B (zh) 一种基于分块模板匹配的电池丝印质量检测方法
CN107945155B (zh) 一种基于Gabor滤波器的牙膏管肩缺陷检测方法
CN105158258A (zh) 一种基于计算机视觉的竹条表面缺陷检测方法
CN114913177B (zh) 一种基于霍夫圆的汽车零部件缺陷检测方法
CN105403147B (zh) 一种基于嵌入式的瓶胚检测系统和检测方法
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN104537651B (zh) 一种路面图像中裂缝比例检测方法及系统
CN107255641A (zh) 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN109001212A (zh) 一种基于机器视觉的不锈钢汤勺缺陷检测方法
CN115222733A (zh) 基于图像识别的金属构件表面缺陷检测方法
CN115100221A (zh) 一种玻璃缺陷分割方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN108181316A (zh) 一种基于机器视觉的竹条缺陷检测方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN111652883A (zh) 基于深度学习的玻璃表面缺陷检测方法
CN114897908A (zh) 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统
CN116740061A (zh) 一种爆珠生产质量视觉检测方法
CN114998205A (zh) 基于光学手段的液体灌装过程瓶中异物检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant