基于机器视觉的包装品质检测系统设计

马志刚，赵志强

（深圳职业技术学院，广东 深圳 518055）

产品包装具有承载商品信息、彰显企业形象和文化等功能，随着人们消费需求不断提高，产品包装就显得越来越重要[1-2]。随着经济快速发展，各品牌之间的竞争愈发激烈，如何让自家产品在众多竞争对手中脱颖而出，已成为每个厂家无法回避的问题。许多企业和科研人员在确保产品质量的前提下，将包装品质看作提升产品品质的关键因素，因此一些智能化包装技术成为企业首选。受各种因素影响，产品包装过程难免出现缺陷[3-5]，目前，许多企业还是以人工检测为主，不仅速度慢、效率低，而且容易出现漏检、误检等问题，很难满足工业自动化的要求。为解决此问题，可考虑将机器视觉引入到包装检测中。机器视觉是一项综合技术，包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术（图像增强和分析算法、图像卡、I/O 卡等）。一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块[6-7]。杨祖彬等[8]针对传统检测方法检测时间长、分拣效率低、漏检率高和对人视觉要求高等缺点，在图像增强处理的基础上，提出了一种适用于食品包装印刷缺陷检测的图像配准算法；刘学福等[9]针对工业炸药生产过程中药卷表面裂痕等包装缺陷问题，运用机器视觉技术，提出了一种基于显著性模型和局部方差区域生长法的药卷缺陷检测方法。方文星等[10]采用快速鲁棒特征SURF 提取算法、BOW 算法和单分类支持向量机组成的缺陷检测算法框架，完成了铝塑泡罩药品包装缺陷检测系统的开发。

文中在现有研究的基础上，以条烟包装外观缺陷检测为研究对象，提出一种结合中值滤波、边缘检测和模板匹配的图像处理办法，并将其应用于条烟包装检测，通过实验验证所述方法的有效性。

1 机器视觉系统

一般情况下，机器视觉系统包括硬件和软件两部分，其中图像获取、处理和分析是机器视觉的核心与关键。机器视觉系统的硬件部分主要包括载物平台、工业相机或扫描仪、光室、计算机等几个主要构件，其结构见图1。

图1 机器视觉系统结构Fig.1 Structure of machine vision system

如图1 所示，载物平台可以放置待检测产品，某些场合可以加装翻转装置，以便比较全面地获取待检测产品原始图像。光室是一个密闭空间，可以避免外界光线的干扰，以确保图像采集过程的稳定性；光室内灯管多为LED 灯或者日光灯，固定在光室顶部，光室内光照强度可以按需调节。计算机则需要满足整个系统对运算速度的要求，特别是图像处理算法；另外，计算机接口要丰富，便于连接不同设备或扩展。工业相机直接决定待检测产品的原始图像质量，对后期图像处理流程的影响比较大，因此工业相机是整个硬件系统的核心部件；可根据实际需求选择稍高配置的工业相机；工业相机参数需要根据实际工况反复调整，以确保所获图像的准确性和真实性。

根据实际工艺需求，系统配有3 个工业相机，其中工业相机1 位于顶端，用于获取条烟4 个长条面图像；工业相机2 和3 分置光室左右两端，用于获取条烟两端图像。翻转装置可使条烟依次翻转，得到所有长条面图像。条烟包装缺陷检测流程为：图像采集卡会将采集到的所有图像传送至计算机；计算机通过图像处理得到相应结果并传送至工控机；工控机根据控制指令操纵执行机构，将存在缺陷的产品剔除；传送装置依次将条烟送入光室。

2 图像处理算法

2.1 图像预处理

在条烟包装过程中存在多种噪声源，如机械振动、灰尘、疵点等，所以条烟原始图像肯定包含一定量的噪声。噪声强度达到某个值后就会影响后面图像处理工序，因此需要对条烟原始图像进行预处理，即去除图像噪声，以改善图像质量[11]。综合考虑，基于中值滤波设计了一种图像预处理方法，具体过程如下。

式中：f（x，y）为原始图像；g（x，y）为中值处理图像；W为一个二维模板，一般取3×3 或5×5的二维区域。经实际处理发现，条烟图像噪声多表现为椒盐噪声，为兼顾图像处理的实时性，文中选择3×3二维区域，这样既可以滤除噪声又可以不降低算法处理速度。

2.2 图像锐化

条烟图像经中值滤波处理后，其轮廓很有可能会变得模糊。为降低边缘模糊化的影响，采用锐化处理技术，提高图像边缘、内部轮廓等细节的清晰度。参考相关算法，考虑基于Canny 算子实现图像边缘锐化，具体过程可描述如下。

为进一步滤除图像噪声，使图像特征更加明显，可采用一种高斯滤波器H（x，y），其表达式为：

式中：σ为高斯滤波器的标准差。利用式（3）的一阶微分去求解条烟图像的梯度，包括幅值、方向。高斯滤波器的一阶微分算子可表示为：

为确保边缘定位精度，可选用非极大值抑制实现梯度幅值图像的进一步处理。所属Canny 算子会从上下左右4 个方向对梯度幅值图像进行非极大抑制。如果某像素点的幅值大于梯度方向上相邻两个像素点的幅值，则可将该点看作边缘点；否则，该点就是非边缘点[12-15]。

2.3 图像匹配

通常情况下，外包装合格的条烟表面光滑无褶皱、紧凑整体度非常好；一旦出现缺陷，如破损、褶皱、折角不标准，通过图像对比是比较容易发现的，文中采用图像匹配算法来判断当前包装是否存在缺陷，即利用实时图像与标准图像进行对比、匹配。

定义经锐化处理后的图像为I（x，y），而模板图像则可以定义为T（x，y），对比锐化图像和模板图像并计算二者之间的相似度。假设2 幅图像相同位置点为（i，j），那么在该点处2 幅图像的相似度可表示为：

式中：uI为锐化图像均值；uT为模板图像均值。理论上，该方法能准确地描述2 幅图的相似程度，如果引入快速傅里叶变换就可以大大提高图像匹配效率[16-17]。条烟图像处理结果见图2。从图2 可以看出，如果条烟包装不存在缺陷，所述图像处理算法定位准确；另外，通过匹配结果可以判断条烟包装是否存在缺陷。

图2 条烟图像处理结果Fig.2 Processing results of smoke image

3 实验研究

为验证所述包装品质检测系统的有效性，文中进行了相关实验研究。以某烟厂实际生产线为平台，搭建上述机器视觉系统，见图3。

图3 包装品质检测实验平台Fig.3 Testing platform for packaging quality

一般情况下，条烟缺陷可分为包装纸破损、反包，透明纸破损、褶皱、缺失等。测试过程中，每组测试检测条烟总数为1 000，其中含100 个不合格产品，不合格产品囊括各种类型缺陷，条烟实际图像大小为640×480 像素。设备运行稳定后，将待检测产品随机放入烟草生产线，实验结果见表1。

表1 实验结果Tab.1 Experimental results

从实验结果可以看出，所述系统的漏检率仅为0.6%，误检率仅为0.8%，整体识别率可以达到98.6%。实验结果表明：所述机器视觉系统具有识别精度高、性能稳定等特点；所述图像处理算法可准确区分条烟是否存在缺陷，具有实际应用价值。

进一步地，每个厂家生产的条烟包装外观不尽相同，所以包装检测系统的检测对象也就不同。为验证算法有效性，文中针对不同品牌、不同包装外观的条烟进行检测并统计单位耗时。不同条烟缺陷检测结果见表2。

表2 不同条烟缺陷检测结果Tab.2 Detection results of different smoke defects

由表2 可知，对不同品牌条烟的识别率均在98%以上，单个条烟检测耗时都没有超过1 s，符合生产厂家要求。即使条烟包装不同，所述系统的识别率也比较高而且检测速度比较快，即图像处理算法具有精度高、响应快等特点。

4 结语

以包装缺陷检测为研究对象，针对条烟外包装品质问题，基于机器视觉设计了一种缺陷检测方法和系统。重点论述了机器视觉系统以及图像处理算法，通过实验验证了所述方法的可行性和有效性。实验结果表明，所述检测系统可区分条烟外包装是否存在缺陷，具有精度高、响应快等特点。