基于机器视觉的罐盖缺陷检测

何金彪,周永霞

(中国计量学院 信息工程学院,浙江 杭州 310018)

基于机器视觉的罐盖缺陷检测

何金彪,周永霞

(中国计量学院 信息工程学院,浙江 杭州 310018)

根据金属材质罐盖制造中生产线上的工作环境和检测要求,针对目前生产线上人工检测的速度慢、效率低、准确率不高等缺点,提出了一种基于计算机视觉的罐盖缺陷检测算法,可快速准确地实现生产线上的金属罐盖的缺陷检测.具体做法是综合一系列图像处理算法，对罐盖罐口、注胶区域、内圆区域等三个主要区域进行检测.结果表明,缺陷检测的速度可达到每秒10个,从而为罐盖的缺陷生产线在线检测提供了很好的支持.

机器视觉;金属罐盖;缺陷检测

目前生产线上绝大多数产品的质量检测是靠人工方法,特别是金属罐盖产品的检测.由于人工检测效率低、速度慢,因而满足不了高速自动化的生产线需求.

生产线上,金属罐盖可能存在的问题如下:有小的破损漏洞、斑点;经过挤压摩擦后边缘内卷;注胶区域注的胶水过多或者部分无胶;罐盖表面有划痕或表面污染较大.目前罐盖检测的相关研究很少,文献[1]只给出罐盖一部分区域检测算法,该文献提出的检测算法思想是找出圆心点,然后将高斯平滑之后的图像的像素和原图上每个像素点的像素进行比较,这样做误差偏大;文献[2]所提出的机器视觉算法进行罐盖检测,用时200 ms;文献[3]采用逐渐细化方案的方法来划分待检测轴承图片的区域,然后用图像处理的算法进行缺陷检测,但是每个图像检测时间为0.5 s,速度太慢.结合以上情况,提出一种罐盖缺陷具体的检测方法,以实现金属罐盖的在线检测.

1 罐盖各个待检测区域的提取

1.1 图像预处理

工业相机拍摄的金属罐盖图如图1.

图1 罐盖原图Figure 1 Original image of lid

1.1.1 边缘提取

罐盖图像成几个同心圆形状,且区域间特征差别明显,采用边缘提取的方法能够比较清楚地划分每个区域[4].Canny算子是一种滤波器[5],它既能滤去噪声又能保持边缘特性.这里选用Canny算子进行边缘提取,进而进行划分区域.

1.1.2 Canny算法

在canny算法的实现过程中,选用的卷积算子为

Canny算子可以用于寻找图像的局部极大值[5-6].图2是经过canny算子处理过后的图像边缘图像,可以看出,图像边缘是连续的,而且轮廓清晰,每层轮廓之间也能较好的分离出来.

图2 罐盖原图经过canny算子处理后的图像Figure 2 Image after canny operator processing

1.2 缺陷区域的提取与分离

工业相机拍摄的罐盖图像待检测区域主要有三个区域:1)内圆区域,主要检测划痕、斑点、漏洞、污染等;2)注胶区域,主要检测胶水过多或过少的情况;3)外圆区域,主要检测挤压变形或者缺口缺陷.如图3.

图3 罐盖待检测区域划分Figure 3 Divided areas to be detected

罐盖图像里的内外圆是同心圆,可采用如下步骤分离每个区域:

1)得到canny算子处理过图像中的每个轮廓.

2)去掉像素点过多或像素点过少的轮廓,这样得到的结果是4个圆形轮廓.

3)拟合出每个轮廓对应的圆心和半径(拟合过程见下文),半径从大到小依次为R1,R2,R3,R4.

4)得到每个区域.其中R1为外圆外径,R2为外圆内径,R3和R2之间为注胶区域,半径小于R4的部分为内圆区域.见图4.

图4 检测区域几何参数示意图Figure 4 Geometry diagram of the detection area

罐盖图像圆心的定位和半径的计算在缺陷检测中的作用非常重要,因为它们直接决定待检测区域划分的准确性.一般圆心定位的方法有两种:Hough变换和最小二乘法.文献[7]中用Hough变换检测圆,其稳定性好,对圆心的定位也较准确,但是需要提前知道图像中最大半径圆的大概半径范围,并且算法实现过程中耗时太长,用C++编程实现Hough变换检测外圆用时78 ms.

经过计算可得:

(1)

(2)

其中,

B=n∑xiyi-∑xi∑yi,

2 罐盖各区域缺陷检测

2.1 内圆检测

内表面主要检测划痕、污染和漏洞等信息.对于内表面的缺陷检测可用均值方差方法[2]:将内圆区域从原图像中提取出来,计算出内圆区域图的像素均值和方差,再与合格的图像内圆区域的均值方差比较,提取的参数的误差只要在允许的范围内,即可判断其内圆区域是否合格.

2.2 注胶区域检测

注胶区域主要检测胶太多或者无胶,经过canny边缘检测之后,胶水太多或者无胶区域的边缘会被提取出来,可以用canny边缘检测之后图像中注胶区域里像素点不为0的点数之和N来表示注胶区域的情况.如果N大于设定的阈值,表示胶水太多或者无胶区域的面积越大.采用如下方法:

1)根据圆心和R2,R3提取出canny算子处理后的边缘图像中的注胶区域.

2)统计该区域像素点不为0的点数之和N.

3)将N与合格产品检测得到的N′进行比较,如果N-N′>T,视为注胶区域不合格,T为自定义的误差上限.

2.3 外径检测

3 实验结果与分析

以VS2010为平台,设计了基于机器视觉的罐盖缺陷检测.对罐盖的三个部分进行检测:外径,注胶区域,内圆区域.在3.2 GHz,4 G内存的PC机上最快用时50 ms,最慢用时99 ms.实验过程中选择几个罐盖图检测(图5～图9),部分参数如表1.

图5 合格罐盖Figure 5 Qualified cover

图6 内圆区域有划痕Figure 6 Scratch defects

图7 圆区域污染Figure 7 Contaminated cover

图8 注胶区域不合格Figure 8 Plastic injection region is unqualified

图9 外圆不合格Figure 9 Outer circle defects

表1 罐盖的参数特征(0表示不合格,1表示合格,-表示未知)

Table 1 Parametric features of the cover (0: unqualified 1:qualified -:Unknown)

图号外圆半径/像素外圆径圆度误差注胶区域像素点数内圆灰度均值内圆灰度标准差合格5208．960682．98023011．3512732．655507116208．960684．35684011．4552435．668668307209．415043．28769119．5630216．351249108209．678254．2154115——09208．9216219．37150———0

实验数据表明，该算法检测罐盖合格与否的正确率达98%,但是对于一些细微的缺陷,比如内圆和注胶区域之间有极小的漏洞、内圆上有轻微的划痕等,该方法不能进行一一识别,这也是接下来要研究的问题.

4 结 语

针对金属罐盖缺陷在线检测提出一种新的检测算法,能有效地分离出各个检测区域并检测各个区域的缺陷,对比已经存在的罐盖缺陷检测算法[1-2],该算法能满足生产线上产品检测对时间和精度的要求.若加上罐盖分拣平台,便可以设计出一套综合的生产线上罐盖缺陷检测系统.

接下来的工作需要在降低各种缺陷的误差和检测更多种类的缺陷特征等方面进行完善,进一步提高金属罐盖检测算法的稳定性,使该检测算法应用范围更广[10].

[1] 贺超英,张辉.基于机器视觉的罐盖质量检测系统设计[J].仪表技术与传感器,2010(2):85-90. HE Chaoying, ZHANG Hui. Design of cover quality visual inspection system based on machine vision[J].Instrument Technique and Sensor,2010(2):85-90.

[2] 许晓东.基于机器视觉的金属罐盖缺陷检测[D].厦门:厦门大学,2013. XU Xiaodong. Metal cover quality visual inspection based on machine vision[D].Xiamen: Xiamen University,2013.

[3] GUO Jiang, GU Duoyu, LI Shuxiao, et al. An automated vision-based inspection system for bearing gland covers[C]//Third International Symposium on Intelligent Information Technology Application. Nanchang: IEEE,2009:356-359.

[4] 张扬,朱善安.基于小波及纹理特征的轴承防尘盖缺陷检测[J].计算机工程,2010,38(6):247-250. ZHANG Yang, ZHU Shan’an. Bearing shield defect detection based on wavelet and texture feature[J].Computer Engineering,2010,38(6):247-250.

[5] 胡晓彤,董莹莹.基于机器视觉的金属罐内壁缺陷检测[J].天津科技大学学报,2014,29(3):63-67. HU Xiaotong, DONG Yingying. Detecting defects of metal cans’ inner wall based on machine vision[J].Journal of Tianjin University of Science & Technology,2014,29(3):63-67.

[6] 刘慧英,王小波.基于OpenCV的车辆轮廓检测[J].科学技术与工程,2010,10(12):2987-2991. LIU Huiying,WANG Xiaobo.A vehicle contours detection method based on OpenCV[J].Science Technology and Engineering,2010,10(12):2987-2991.

[7] 朱桂英,张瑞林.基于Hough变换的圆检测方法[J].计算机工程与设计,2008,29(6):1462-1464. ZHU Guiying, ZHANG Ruilin. Circle detection using Hough transform[J].Computer Engineering and Design,2008,29(6):1462-1464.

[8] 高云飞,李红信,虎巍.基于最小二乘法椭圆的拟合点的选择研究[J].信息通信,2014,136(4):6-7. GAO Yunfei, LI Hongxin, HU Wei. Study on the selection of fitting based on the least squares ellipse[J].Information & Communications,2014,136(4):6-7.

[9] TSAI D M. A machine vision approach for detecting and inspecting circular parts[J].The International Journal of Advanced Manufacturing Technology,1999(15):217-221.

[10] 王娟,周永霞.图像处理在胶囊外形缺陷检测中的应用[J].中国计量学院学报,2012,23(3):239-245. WANG Juan, ZHOU Yongxia. Image processing in capsule shape defect detection[J].Journal of China University of Metrology,2012,23(3):239-245.

Lid defects inspection based on machine vision

HE Jinbiao, ZHOU Yongxia

(College of Information Engineering, China Jiliang University, Hangzhou 310018, China)

According to the working environment and testing requirements on lids manufacturing lines, a computer vision-based lid defects detection algorithm was proposed to compensate for the shortcomings of the current manual inspection in speed, efficiency and accururacy. The new method inspected three main areas which include the lid cover circle, the plastic injection region and the inner circle.Experiment results show that the defect detection rate is up to 10 pieces per second.

machine vision; metal cans cover; visual inspection

1004-1540(2015)03-0269-05

10.3969/j.issn.1004-1540.2015.03.004

2015-04-01 《中国计量学院学报》网址：zgjl.cbpt.cnki.net

何金彪(1990- )，男，安徽省阜阳人，硕士研究生，主要研究方向为机器视觉．E-mail：447336990@qq.com 通讯联系人：周永霞，男，副教授．E-mail:zhou_yongx@163.com

TP391

A