基于图像处理的瓶内异物自动检测

基于图像处理的瓶内异物自动检测

随着社会的发展,食品安全问题越来越受到人们的关注,啤酒的质量问题也愈加受到消费者和生产厂商的重视。例如瓶体不完善,瓶内出现不溶于液体的异物等。

针对此类问题,液态产品中的传统人工灯检法已经不能满足生产商和消费者的要求。在此基础上,本文设计开发了一种基于图像处理的瓶内异物自动检测系统,对瓶体中的异物进行识别与分析。

首先,介绍了课题的研究背景和意义、机器视觉技术的应用领域和国内外现状。接着从啤酒的实际生产线出发,利用机器视觉技术设计了一套检测系统。

系统主要包括照明系统、检测设备和处理软件,给出了检测系统的方案和工作流程。异物目标检测过程中的处理算法是本文研究的重点。

对采集到的图像,首先通过灰度和几何信息标定出有效检测区域,并对区域中的检测目标做分析。有效检测区域包括单个瓶体的瓶身和瓶底区域。

瓶身区域的异物目标有悬浮的小颗粒异物以及液面处的气泡,瓶底区域的异物目标包括沉在瓶底的大面积异物以及小颗粒异物。对于小颗粒异物目标,瓶底和瓶身区域的检测算法是相同的,即采用一阶微分检测算子与形态学操作相结合,获得图像中包括异物目标在内的所有连通域,进而对连通域的特征进行分析,根据目标的几何及灰度特征初步判断出小颗粒异物目标的范围。

在此步骤中瓶身区域的印字边缘会对结果造成干扰,接着利用印字的特性去除其对结果的影响,完成小异物目标的检测。对于气泡,采用方向梯度直方图和支持向量机相结合的方法对其和干扰目标进行分类,实验表明,该方法取得了较好的分类结果。

对于沉在瓶底的大面积异物目标,首先对瓶底区域做噪声去除和背景抑制的基本处理,继而采用最大类间方差法对图像进行阈值分割,如此可以将瓶底偏亮区域分割出并获得二值图像,在此基础上去除瓶壁的干扰。图像中大面积异物与瓶底底部相接,根据该特性可以描绘出瓶底底部的上部曲线。

最后分别利用PCA和Gabor提取出瓶底曲线的特征,同时采用支持向量机分类处理,并对两种特征提取方法的准确率做了比较和分析。本文实现了啤酒瓶内异物的自动检测,在提升检测效率与速度的同时具有巨大的经济效益。

在本文最后,结合整个异物目标检测系统,对实验的不足以及未来的工作提出了展望。