一种易拉罐制造缺陷在线视觉检测方法与流程

一种易拉罐制造缺陷在线视觉检测方法
1.本发明为“一种易拉罐制造缺陷在线视觉检测方法”，申请号为“201810783903x”的发明专利的分案申请。
技术领域
2.本发明属于人工智能和图像识别领域，涉及一种易拉罐制造缺陷在线视觉检测方法。


背景技术：

3.在大规模的易拉罐生产过程中，无法保证每个产品都是合格的，为提高产品的生产效率，需进行严格的产品检测。经过加工的易拉罐内外侧都有可能出现各种不合格的现象，如表面字符、图案不清晰，表面被划伤或有压痕，罐盖有凹陷等，这些都会使易拉罐成为不良产品，需及时剔除生产线。
4.针对上述问题，本发明采用图像尺度空间的视觉检测方法及双层传输装置，来完成缺陷产品的检测及剔除任务。


技术实现要素：

5.为解决上述问题，本发明的目的在于提供一种自身具有分类识别能力，并且稳定性好的缺陷检测方法。
6.本发明解决其问题所采用的技术方案，包括以下步骤：
7.一种易拉罐制造缺陷在线视觉检测方法，其特征在于：所述方法包括以下步骤：
8.a.建立易拉罐缺陷在线视觉检测模型，采用漫反射无影光源照射易拉罐，减少表面反射形成的识别误差；
9.b.采用图像预处理技术对视频监控图像进行变换和增强操作，消除图像噪声，构造更清晰的图像；
10.c.采用图像尺度空间分析图像，构造不同尺度的数据光点完成图像聚类，并保证聚类的有效性，达到突出图像重要结构的目的；
11.d.识别图像信息，在线检测易拉罐质量，使用双层传送装置剔除不合格产品，完成易拉罐缺陷在线检测。
12.进一步的，所述步骤a的具体实现方式为：
13.(1)设有易拉罐缺陷在线视觉检测的自动化生产线上，为防止金属罐反光使摄像机和传感器产生误差，采用一种漫反射的圆形无影光源，使其全方位均匀地照射待检测易拉罐；
14.(2)传送装置上设有摄像机、光源以及待检测易拉罐，当易拉罐进入光照区域内，罐壁及罐盖表面高速成像，将采集到的图像传送至检测计算机，检测系统对其进行处理和检测。
15.进一步的，所述步骤b的具体实现方式为：
16.(1)采用变换域和空间域相互结合的方法自适应去除视频图像噪声，来处理视频监测系统中的图像信息；
17.①
利用基于块和滤波的噪声参数估计，自适应处理视频图像中的估计混合高斯噪声参数；
18.②
利用噪声参数对图像进行去噪处理，对一幅图像进行多次不同的去噪处理后，进行简单的数据融合，最终得到质量更好的图像；
19.(2)构造数字视频图像的离散信号，通过小波变换对其进行分解和重构，提高图像的对比度并突出图像的细节信息；
20.①
采用小波变换将图像分解为频分不同的图像，利用小波图像增强算法对低频分的图像进行增强，将其与高频分组合，最后利用小波变换获得增强后的图像；
21.②
由拐点函数和伽玛校正函数结合后的变换函数为
[0022][0023]
其中，s为函数的变换参数，n为图像频分临界值，ω1，ω2，ω3，ω4均为增强系数。
[0024]
进一步的，所述步骤c的具体实现方式为：
[0025]
(1)根据图像尺度空间分析经过预处理的图像，随着数据光点的尺度变化，划分图像结构；
[0026]
①
将视频图像以一组数据点集表示，data＝{d1,d2,
…
,d
m
}∈r
l
，其中，m表示数据点个数，d表示图像数据点，r
l
表示空间点集；以狄拉克广义函数δ(d
‑
d
i
)表示图像光点，那么数据点集在空间形成的图像可表示为
[0027][0028]
②
根据图像尺度空间，分析不同尺度的图像模板与高斯函数的卷积，其中，高斯函数为表示高斯曲线的峰值，c表示尺度参数，卷积关系式可表示为
[0029][0030]
③
尺度变化时，每个光点都有一定的尺度范围，当光点尺度小于最小范围时，该点被分解为多个小光点，反之，则光点与其他光点融合；
[0031]
④
通过尺度变化，进行聚类的具体步骤，如下：
[0032]
a)初始化光点尺度，当尺度足够小时，每个数据点便是一个中心，从而产生一个类；
[0033]
b)聚类进行到第i步时，使c
i+1
＝(u+1)c
i
，u是根据weber定律通过心理物理学选取，当尺度为c
i
时，设光点中心为center(c
i
)；
[0034]
c)若尺度为c
i
的光点中心落在尺度为c
i+1
的光点范围内，则光点c(center(c
i
))的类被划分到光点c(center
′
(c
i+1
))的类中；
[0035]
d)若有两个或更多光点在尺度为c
i
时的光点中心，落入同一光点内，则当光点尺
度增加至c
i+1
时，这些光点融入到同一类中，循环该过程，直至所有数据都融入同一类中，结束聚类；
[0036]
(2)以人类感知结构的方式进行数据划分，并分析数据的聚类是否有效；
[0037]
①
基于生物物理学中的weber定律与聚类算法结合，判定尺度变化的范围，并对图像进行分类；
[0038]
②
采用聚类分析图像数据是否有类可聚，当数据均匀随机分布时，聚类所包含的个数呈严格单调下降变化，即变化函数斜率为常数k；
[0039]
③
若图像类的划分区间为(c1,c2)，则该类的有效性度量t＝lnc2‑
lnc1，根据t的大小判断该类是否稳定。
[0040]
进一步的，所述步骤d的具体实现方式为：
[0041]
(1)利用上述步骤对在线视觉检测系统中的图像进行预处理和聚类分析，识别出图像中不符合生产质量标准的易拉罐；
[0042]
①
在不同尺度下对图像进行分类，根据图像的细节信息，明显指出视频中表面有缺陷的易拉罐；
[0043]
②
若该易拉罐不符合生产标准，则系统发出剔除信号，该罐将不能通过检测；
[0044]
(2)对于检测不合格的易拉罐，采用双层传送装置将其通过另一条传送带输出；
[0045]
①
传送装置的上层是一条带有开关的传送带，每个易拉罐都被放置在特定的位置，若该产品不合格，则触发底部传送带开关，易拉罐自动下落到下方传送带上输出；
[0046]
②
剔除不合格产品后，其余产品正常输出，完成易拉罐的检测传送任务。
[0047]
本发明的有益效果是：
[0048]
在规模大且要求严格的缺陷检测任务中，本发明能够实时地完成易拉罐的分类识别任务，并根据人类感知数据结构的方式以及产生数据的物理系统原理，对易拉罐进行检测分类，稳定地完成易拉罐缺陷检测任务。
附图说明
[0049]
图1为一种基于图像尺度空间的易拉罐缺陷在线视觉检测方法的整体流程图；
[0050]
图2为易拉罐缺陷检测装置简图；
[0051]
图3为易拉罐生产线缺陷检测流程示意图。
具体实施方式
[0052]
参照图1，本发明所述的方法包括以下步骤：
[0053]
a.建立易拉罐缺陷在线视觉检测模型，采用漫反射无影光源照射易拉罐，减少表面反射形成的识别误差；
[0054]
(1)设有易拉罐缺陷在线视觉检测的自动化生产线上，为防止金属罐反光使摄像机和传感器产生误差，采用一种漫反射的圆形无影光源，使其全方位均匀地照射待检测易拉罐，检测装置简图如图2所示：
[0055]
(2)传送装置上设有摄像机、光源以及待检测易拉罐，当易拉罐进入光照区域内，罐壁及罐盖表面高速成像，将采集到的图像传送至检测计算机，检测系统对其进行处理和检测；
[0056]
b.采用图像预处理技术对视频监控图像进行变换和增强操作，消除图像噪声，构造更清晰的图像；
[0057]
(1)采用变换域和空间域相互结合的方法自适应去除视频图像噪声，来处理视频监测系统中的图像信息；
[0058]
①
利用基于块和滤波的噪声参数估计，自适应处理视频图像中的估计混合高斯噪声参数；
[0059]
②
利用噪声参数对图像进行去噪处理，对一幅图像进行多次不同的去噪处理后，进行简单的数据融合，最终得到质量更好的图像；
[0060]
(2)构造数字视频图像的离散信号，通过小波变换对其进行分解和重构，提高图像的对比度并突出图像的细节信息；
[0061]
①
采用小波变换将图像分解为频分不同的图像，利用小波图像增强算法对低频分的图像进行增强，将其与高频分组合，最后利用小波变换获得增强后的图像；
[0062]
②
由拐点函数和伽玛校正函数结合后的变换函数为
[0063][0064]
其中，s为函数的变换参数，n为图像频分临界值，ω1，ω2，ω3，ω4均为增强系数；
[0065]
c.采用图像尺度空间分析图像，构造不同尺度的数据光点完成图像聚类，并保证聚类的有效性，达到突出图像重要结构的目的；
[0066]
(1)根据图像尺度空间分析经过预处理的图像，随着数据光点的尺度变化，划分图像结构；
[0067]
①
将视频图像以一组数据点集表示，data＝{d1,d2,
…
,d
m
}∈r
l
，其中，m表示数据点个数，d表示图像数据点，r
l
表示空间点集；以狄拉克广义函数δ(d
‑
d
i
)表示图像光点，那么数据点集在空间形成的图像可表示为
[0068][0069]
②
根据图像尺度空间，分析不同尺度的图像模板与高斯函数的卷积，其中，高斯函数为表示高斯曲线的峰值，c表示尺度参数，卷积关系式可表示为
[0070][0071]
③
尺度变化时，每个光点都有一定的尺度范围，当光点尺度小于最小范围时，该点被分解为多个小光点，反之，则光点与其他光点融合；
[0072]
④
通过尺度变化，进行聚类的具体步骤，如下：
[0073]
a)初始化光点尺度，当尺度足够小时，每个数据点便是一个中心，从而产生一个类；
[0074]
b)聚类进行到第i步时，使c
i+1
＝(u+1)c
i
，u是根据weber定律通过心理物理学选取，当尺度为c
i
时，设光点中心为center(c
i
)；
[0075]
c)若尺度为c
i
的光点中心落在尺度为c
i+1
的光点范围内，则光点c(center(c
i
))的类被划分到光点c(center
′
(c
i+1
))的类中；
[0076]
d)若有两个或更多光点在尺度为c
i
时的光点中心，落入同一光点内，则当光点尺度增加至c
i+1
时，这些光点融入到同一类中，循环该过程，直至所有数据都融入同一类中，结束聚类；
[0077]
(2)以人类感知结构的方式进行数据划分，并分析数据的聚类是否有效；
[0078]
①
基于生物物理学中的weber定律与聚类算法结合，判定尺度变化的范围，并对图像进行分类；
[0079]
②
采用聚类分析图像数据是否有类可聚，当数据均匀随机分布时，聚类所包含的个数呈严格单调下降变化，即变化函数斜率为常数k；
[0080]
③
若图像类的划分区间为(c1,c2)，则该类的有效性度量t＝lnc2‑
lnc1，根据t的大小判断该类是否稳定；
[0081]
d.识别图像信息，在线检测易拉罐质量，使用双层传送装置剔除不合格产品，完成易拉罐缺陷在线检测。
[0082]
(1)利用上述步骤对在线视觉检测系统中的图像进行预处理和聚类分析，识别出图像中不符合生产质量标准的易拉罐；
[0083]
①
在不同尺度下对图像进行分类，根据图像的细节信息，明显指出视频中表面有缺陷的易拉罐；
[0084]
②
若该易拉罐不符合生产标准，则系统发出剔除信号，该罐将不能通过检测；
[0085]
(2)对于检测不合格的易拉罐，采用双层传送装置将其通过另一条传送带输出，易拉罐检测流程如图3所示：
[0086]
①
传送装置的上层是一条带有开关的传送带，每个易拉罐都被放置在特定的位置，若该产品不合格，则触发底部传送带开关，易拉罐自动下落到下方传送带上输出；
[0087]
②
剔除不合格产品后，其余产品正常输出，完成易拉罐的检测传送任务。
[0088]
综上所述，便实现了易拉罐制造缺陷在线视觉检测方法。在规模大且要求严格的缺陷检测任务中，本发明能够实时地完成易拉罐的分类识别任务，并根据人类感知数据结构的方式以及产生数据的物理系统原理，对易拉罐进行检测分类，稳定地完成易拉罐缺陷检测任务。