iLabel机器视觉在标签检测中的应用知识

iLabel机器视觉在标签检测中的应用知识（精选7篇）

iLabel机器视觉在标签检测中的应用知识 第1篇

1.概念：iLabel是一款光学自动检测设备，用于校验商品包装上标签的位置及粘贴质量。

2.作用：该设备配置简单、易用，既可以在线检测，也可以脱线检测。

iL-abel采用专用技术“show and learn”，可通过观测物体样品自动提取合格标签，并根据生产过程或实际生产环境的不同进行检验，经判断模式检测后判定标签是否合格。同时iLabel具有阅读条形码、判断相对的标签位置等功能。

3.优势：iLabel直观、友好的`用户界面以及其pre-packaged设计方案简化了机器视觉在工业应用中的配置。

iLabel的Step-by-step的图形界面操作指南(为用户提供了简便的工作过程)，并可以迅速创建自定义测量系统。

iLabel安装简单，无需长时间培训。

生产工作效率和产品质量控制很快就可以提高。和该系列中的其他产品一样，iLabel是基于鲁棒性和成熟的技术制造而成。IPD公司的图像处理、机器视觉研究历史和实际应用经验，确保了iLabel硬件和软件的精确度和可靠性。

4.iLABEL的主要应用：

校验标签的有无;

校验包装上的标签正确是否;

校验包装上的标签是否有破损、污点或瑕疵;

校验标签边角是否折叠;

检测标签的方位角是否在限定的范围。

iLabel机器视觉在标签检测中的应用知识 第2篇

机器视觉主要研究用计算机来模拟人的视觉功能, 通过摄像机等得到图像, 然后将它转换成数字化图像信号, 再送入计算机, 利用软件从中获取所需信息, 做出正确的计算和判断, 通过数字图像处理算法和识别算法, 对客观世界的三维景物和物体进行形态和运动识别, 根据识别结果来控制现场的设备动作。从功能上来看, 典型的机器视觉系统可以分为:图像采集部分、图像处理部分和运动控制部分, 计算机视觉是研究试图建立从图像或者多维数据中获取“所需信息”的人工智能识别系统。正广泛地应用于医学、军事、工业、农业等诸多领域中。

2 视觉技术研究与应用的必要性

视觉技术在国内外发展极其必要。2008年经济危机极大冲击了美国至全球的各个领域。美国汽车制造业“Big Three”频临破产, 进一步自动化是唯一出路。美国政府推行“Made in US”计划。出台多个政策刺激鼓励企业技术发明创新, 视觉技术的应用就显得非常必要。近年在国内, 劳动力工资成本大幅提高, 很多生产企业迁移到人力资源更低廉的国家和区域, 食品、医药质量事件不断。“Made in China”在世界声誉亟需提高, 为提高质量保持竞争力, 各领域的视觉检测及高度自动化势在必行。视觉检测对工业自动化的重要性与日俱增, 工业自动化需求对视觉技术的推动高度集成化。

3 国外典型研究与应用

对于机器视觉技术, 世界各国都在研究与应用。1994年S.T rika等研究了一种基于机器视觉的多面体零件特征提取技术, 获得零件特征。1998年, J.Merlet等将机器视觉技术应用于部件装配。同年, Du-Ming Tsai等将机器视觉和神经网络技术相结合, 实现对机械零件表面粗糙度的非接触测量。2003年, Eladaw.i A.E将机器视觉技术用于数控铣加工中, 以获得实时加工数据。日本的视觉识别机器人研究, 从数量或研究成果看都占据着明显的领先地位.美英德韩也都在开展相关研究。国外的卡耐基-梅隆M.A.Smith等提出了一种在视频帧中检测文字的方法。韩国Soongsil大学的Kim基于支持向量机和Camshift算法检测视频帧中的文字。

4 国内典型研究与应用

相对国外, 国内计算机视觉技术应用研究起步较晚, 与国外有差距, 还需进一步在深度、广度及实践方面作出努力。国内的李留格等采用BP神经网络来进行轮胎胎号字符识别;李朝辉等利用形态算子提取视频帧的高频分量, 把文本字符从复杂的视频中分离出来;周详等利用改进的BP神经网络对字符进行识别, 提高了识别率和识别速度。字符识别技术是机器视觉领域的一个重要分支, 在文字信息处理, 办公自动化、实时监控系统等高技术领域, 都有重要的使用价值和理论意义。本文以输血袋的字符识别为例介绍机器视觉在工业智能检测中的应用。

5 机器视觉识别技术应用实例

当前, 机器视觉已成功地应用于工业检测领域, 大幅度地提高了产品的质量和生产效率。企业中用于检测输血袋编号。在血袋生产过程中, 血袋上的字符编号的正确和唯一是必不可少的检测信息。依靠工人的肉眼逐条检测带状转印薄膜上的字符串, 来追踪血袋编号是否错印, 劳动强度大, 效率低, 不能从根本上保证检测质量。一旦血袋编号出现重印、错印将会发生严重医疗事故, 因此一种基于机器视觉技术的血袋编号字符的提取、识别与错误反馈于一体的检测系统就适时、必要的诞生了, 用以提高一次性血袋出厂编号的检测精度和自动化水平, 保证产品质量, 解决生产实际问题。

5.1 字符在线识别系统组成

为达到识别目的, 识别系统由硬件和软件构成。硬件系统主要有血袋编号检测台机械结构、LED阵列照明系统、血袋编号图像采集系统、摄像机和计算机等。软件部分是系统的核心, 主要由图像预处理、字符定位、字符倾斜校正、字符分割、字符识别等部分组成。

5.2 识别系统的实现

本系统基于lab VIEW编程、图像处理、微型计算机接口技术等实现输血袋的文字在线识别。使用图像灰度化技术、平滑、校正、直方图均衡化等技术进行图像预处理。使用投影定位法等对字符进行定位。使用投影法、模版匹配等进行倾斜角度调整。使用垂直投影法对字符进行分割。使用了BP神经网络来识别分割后的字符。为提高识别率, 设计训练了三个神经网络:字母网络、数字网络、字母与数字网络。

5.3 实验结果

利用该系统做过多次实验, 测试了大量数据, 整体看, 系统稳定可靠, 系统对输血袋文字识别程度非常高。本系统提高生产效率和生产过程的自动化程度, 并为机器视觉系统应用于此种生产线, 提供了成功的先例和经验。但由于各种原因, 也会对识别的结果有一定的影响, 因此, 在识别率方面, 尚有一定的差距。

6 机器视觉技术在应用中存在问题

虽然机器视觉技术目前已广泛应用到各领域, 但由于其自身或配套技术上仍有不完善的地方, 要广泛的应用还有一定限制。而图像处理算法的效率高低是计算机视觉成功应用的关键, 尽管国内外都提出一些新的算法, 但是大部分仍处于实验阶段。特别是有复杂背景的工业现场, 对视觉识别技术的识别率和精度降低。

7 结束语

机器视觉技术应用前景极为广阔, 目前应用于生产生活各领域, 但我国发展滞后, 在工业检测中离实用化、商业化还有差距, 因此亟待提高我国机器视觉技术的发展速度和水平, 达到工业生产的智能化、现代化, 为我国的现代化建设做出应有贡献。

参考文献

[1]周平, 王思华.基于机器视觉技术的压缩机编码识别系统设计[J].PLC技术应用200例, 2009.

iLabel机器视觉在标签检测中的应用知识 第3篇

关键词：机器视觉；识别；匹配

中图分类号：F49文献标识码：ADOI：10.3969/j.issn.1672-0407.2012.01.024

文章编号：1672-0407(2012)01-059-02收稿日期：2011-11-20

一、机器视觉的研究内容

人们从外界环境获取的信息中，80％来自于视觉，其他来自于触觉、听觉、嗅觉等感觉器官。当人们的眼睛从自己周围的环境获取大量信息，并传入大脑后，由大脑根据知识或经验对信息进行加工、推理等处理工作，最后识别、理解周围环境，包括环境内的对象物，如运动物体与物体间的相对位置、形状、大小、颜色、纹理、运动还是静止等。机器视觉就是用计算机模拟人眼的视觉功能，从图像或图像序列中提取信息，对客观世界的三维景物和物体进行形态和运动识别。机器视觉研究的基本目的--就是要寻找人类视觉规律，从而开发出从图像输入到自然景物分析的图像理解系统。对于机器视觉系统来说，输入是表示三维景物投影的灰度阵列(可以有若干个输入阵列)，这些阵列可提供从不同方向、不同视角、不同时刻得到的信息。通常这些描述是关于物体的类别和物体间的关系，但也可能包括如表面空间结构、表面物理特性(形状、纹理、颜色、材料)、阴影以及光源位置等信息。目前许多机器视觉专家都是在马尔(Marr)创立的视觉计算理论框架下求索。

二、机器视觉与人类视觉的差异

对于人的视觉来说，由于人的大脑和神经的高度发展，其目标识别能力很强。但是，人的视觉也同样存在障碍，例如，即使具有一双敏锐的眼睛和极为高度发达头脑的人，一旦置于某种特殊环境(即使曾经具备一定的检验知识)，其目标识别能力也会急剧下降。事实上人们在这种环境下，面对简单物体时，仍然可以有效而简便地识别，而在这种情况下面对复杂目标或特殊背景时，才会在视觉功能上发生障碍，两者共同的结果是导致目标识别的有效性和可靠性的大幅度下降。将人的视觉引入机器视觉中，机器视觉也存在着这样的障碍。它主要表现在3个方面。

(1)如何准确、高速(实时)地识别出目标；

(2)如何有效地增大存储容量，以便容纳足够细节的目标图像；

(3)如何有效地构造和组织出可靠的识别算法，并且顺利地实现。前两者相当于人的大脑这样的物质基础，这期待着高速的阵列处理单元以及算法的新突破，用极少的计算量以及高度地并行性实现功能。

三、机器视觉检测中几种基本技术

(一)训练系统

先将参考织物或图片的图像输入微机图像处理系统，选择并计算可表示图像特征的参数，以确定疵点或图形的分类指标，如灰度级，疵点或图形的面积，疵点在经纬向尺寸、形态等，是系统获得这些指标的标准。然后将所测试的织物输入，计算其各点灰度值及一些需比较的特征参数与标准比较，确定疵点或图形分类。

(二)样板匹配

求得某一图像哪一部分对应另一图像的哪一部分时或比较两幅图像的相似度时，采用样板样匹配的方法。一般将样板t(x，y)，令其中心与图像的一点(i，j)重合，逐点检测，找出差距小于阈值的部位，定位相同或相似的，大于阈值的部位，定为不同或不相似的点。

(三)二值化处理

为将图形与背景分离，根据灰度值确定一定灰度域值。将灰度值大于此域的点置为1，小于此域值的点为0。使图像变为黑白二值图像，便于图形特征测量和结构分析描述。

(四)腐蚀和膨胀

腐蚀可使轮廓边界收缩，膨胀可使轮廓边界膨胀，腐蚀和膨胀的不同组合，不同处理次数，可以得到不同的图形效果，如使图像中的小孔使之检测出来或使之消除。

(五)细线化

对给定的图形使之细化，从而提取线宽为l的中心线的操作。在细线化中，不改变原图的连接性，使图形骨架轮廓结构清晰，便于计算，不会因边界上的小凹凸而产生毛刺。在计算非织造布纤维取向度是用此法处理。

(六)纹理分析

在分析绉组织的绉效果或羊绒的鳞片结构时，须用纹理分析的方法。纹理分析内容包括：纹理特征的计算微粒区域的分割与纹理边缘的检测。

具体可以解决的问题如：

1.纺织布料识别与质量评定；

2.织物表面绒毛鉴定；

3.织物的反射特性；

4.合成纱线横截面分析；

5.缈线结构分析等；

iLabel机器视觉在标签检测中的应用知识 第4篇

在卷烟生产过程中,自动装箱是一道重要的工序,在装箱过程中可能产生漏装导致缺条、缺排现象,造成严重的质量问题。目前比较成熟的检测方法有涡流、称重和射线检测,但都存在不同程度的缺陷。机器视觉系统是指通过机器视觉产品(即图像摄取装置)将被摄取目标转换成图像信号,传送给专用的图像处理系统,根据像素分布和亮度、颜色等信息,转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征,进而根据判别的结果来控制现场的设备动作。本文利用机器视觉技术设计了装箱检测系统的硬件系统及其软件流程控制,取得了良好的生产控制检测效果,提高了卷烟产品质量。

1 机器视觉检测系统概述

一个典型的工业机器视觉应用系统结构如图1所示。其中,光源、光学系统(镜头)、摄像机、图像采集卡属于图像采集环节,计算机(或图像处理系统)、图像处理软件属于分析技术环节,其余属于控制技术环节。在工作过程中,三环节各有其重要性,所以每个环节的设计都不容忽视。

首先,在机器视觉技术的采像、分析和控制3个技术环节中,采像是机器视觉系统的基础。在此环节中获取满足图像处理与分析要求的图像,是所有工作的前提。

其次,图像处理与分析是机器视觉中的核心部分。图像处理的目的可以抽象为提取目标物的特征增强;在完成对目标物增强的同时,抑制非目标物。此一般采用扩大目标物与背景特征差异的方法来实现。因为目标物的视觉特征往往很难来用单一的数字模型准确描述,所以通常采用多种描述综合来实现对目标的准确识别。

最后,对于一个系统而言,系统功能的最终实现要靠输出执行机构来完成,它是系统的一个最关键的环节。随着自动化控制的发展,现今的输出执行机构远远超出了简单的开关功能。

2 机器视觉关键技术在烟箱缺条检测系统中的实现

(1) 装箱机工作原理解析。如图2所示,卷烟在生产过程中,条烟由横向输入装置接收并输送到堆垛装置。在进行堆垛的同时,链式驱动的自动进料推手将料斗中的箱坯送入装箱工位,利用真空负压原理,通过纸箱矫正器的上下吸杯将纸箱矫正成行,这时扩口器动作,起到撑箱和导向作用。当堆垛的层数达到预定要求时(5条一排,堆成5排,共25条),堆垛完成,检测开关发出信号,机械式驱动的入箱推进推手就开始将已经堆垛好的产品经过扩口装置推入纸箱。当推手推入2次时,即装入50条烟时,扩口装置和推手返回到原始位置,装箱过程完成。纸箱推手推动装满产品的纸箱沿着纸箱轨道通过喷胶、压紧装置和胶带自动粘贴后输送到下一工序。

(2) 烟箱缺条检测系统的设计。要实现检测功能,最基本的系统配置需要有照明、成像、图像数字化、图像处理算法、计算机软件硬件等,需要根据检测需求来确定不同的资源配置方案。根据检测在装箱过程中条烟的存在与否的需求,可以做如下配置。

2.1 总体方案设计

检测设计布局如图3所示。

在装箱过程中,大部分情况下存在缺一条的现象,当每5条烟推到堆垛位置时,堆垛凸轮动作,将烟推入待装箱位置。在凸轮处安装一个光电传感器a,当5条烟的推杆动作时,传感器触发检测位置的光源和摄像机工作,CCD1,CCD3,CCD5处的摄像机检测烟条下部,看是否存在缺条现象。当条烟堆成5排时,入箱推手开始动作,将25条烟推入纸箱内。在入箱推手处安装一个传感器b,当25条烟推杆伸出去时,b传感器的上升沿触发CCD2,CCD4位置的光源和摄像机工作,检测上部是否出现缺条。当25条推入纸箱内缩回来时传感器b的下降沿触发CCD6光源和摄像机拍照,以检测推板缩回时是否有烟条被带回。通过装箱过程中的全方位拍摄,从而达到检测目的。为了避免因装封箱机自身的故障而造成缺条,必须考虑采用外加传感器,以使系统相对独立。要实现以上方案,我们必须在自动装箱机上加装2个传感器,6个激光发射器,6个摄像机检测设备。烟箱缺条检测系统的设计如图4所示。

2.2 检测系统配置

(1) 光源烟箱缺条检测要检测烟条的存在与否,需要采用反射光,因此光源可考虑采用光能较强的激光,因为激光具有方向性好,亮度高,单色性好和相干性好的优点。在本检测系统中,光源共有6个激光发射器组成。

(2) 光学镜头烟箱缺条检测系统中为了得到较为清晰的激光反射光,相机使用日本产COMPUTAR牌镜头。

(3) 成像装置在烟箱缺条检测系统中,需要获得的是推手以直线方式将成排条烟推进烟箱的图像,使用面阵CCD摄像机即可满足要求。而且本系统中使用的激光光源能够满足面阵照相机需要非常强光源的要求。CCD成像装置包括6个CCD照相机,可采用丹麦JAI公司CVA11专业相机,感光度0.05 lux, 每秒最快可拍120张图片,像素为 648494。

(4) 计算机系统一般来说,如果安装空间允许,选择基于工控机的视觉系统更具优势。贝加莱生产的APC620工控机是一款极具创新性的产品。这款APC集成的奔腾M处理器能在不同使用环境下提供最优性能其主要优点包括无风扇运行,紧凑化无线缆设计和价格低廉。

(5) 自动控制装置自动控制装置包括辅助传感器和输出执行机构。辅助传感器共4个,包括5条一推成像传感器、25条一推成像传感器、取纸箱传感器、推走一整箱传感器。可以采用日本三洋的同步编码器传感器。烟箱缺条检测系统采用报警或停车来完成输出。因装箱速度比较慢,报警后可以由人工将烟箱取下。

3 检测效果分析

为了验证检验效果,可以人为进行设置各种缺条烟箱进行检测。任意位置的完整性缺条、直立状态缺条、倾斜状态缺条、散乱性缺条、缺25条等缺条状态分别进行设置来检验检测系统是否能够识别并报警停车。

当出现缺条时,通道1～6分别对应1～6相机的检测位。当从5条一排堆垛处取出一条时,检测界面出现通道1,2,3表面异常并报警;当从5排堆成的一垛上表面取出一条烟,检测界面出现通道4表面异常并报警;当从五排堆成的一垛下表面取出一条烟,检测界面出现通道5表面异常并报警;装箱完毕烟被带回则检测界面出现通道6表面异常。因此能从各个方位检测到缺条现象,确保了装箱过程中的质量。

4 结 语

机器视觉技术的应用,极大地解放了劳动生产力,提高了劳动效率和自动化生产水平,其应用前景极为广阔。随着全国优秀卷烟工厂的创建工作的开展和提质降耗的全面开展,机器视觉技术将越来越多地应用到烟草行业的质量检测、杂物分拣等领域中,为提升我国烟草企业的国际竞争力做出更大的贡献。

参考文献

[1]陈文光,饶益花,赵立宏.烟箱缺条自动检测器设计[J].工业仪表与自动化装置,2004(11):10-15.

[2]侯勇刚,张寿明,李燕.称重式烟箱缺条检测与自动剔除控制系统[J].自动化仪表,2008(3):60-65.

[3]邓春宁.γ射线扫描技术在烟箱缺条检测中的应用[J].烟草科技,2005(3):15-16.

[4][美]SNYDER W E.机器视觉教程[M].林学訚,译.北京:机械工业出版社,2005.

[5]蔡健荣.利用计算机视觉的烟叶质量分选系统研究[J].农业工程学报,2000,16(3):118-122.

[6]段峰,王耀南,雷晓峰,等.机器视觉技术及其应用综述[J].自动化博览,2002,19(3):59-62.

[7]吴雪.计算机视觉技术在农产品和食品检测中的应用[J].粮油加工与食品机械,2002,23(2):38-39.

[8]潘春洪,张彩霞.计算机视觉简述[EB/OL].[2006-08-25].http://www.Kong-zhi.net/anli/anlicontent2.aspidg=5019.

[9]颐中(青岛)实业有限公司.YP11型自动化装箱机说明书[M].青岛:颐中(青岛)实业有限公司,2009.

[10]WANY M,ISRAEL G P.CMOS image sensor with NMOS-only global shutter and enhanced responsivity[J].IEEETransactions on Electron Devices,2003,50(1):57-62.

iLabel机器视觉在标签检测中的应用知识 第5篇

关键词：机器视觉；烟支钢印；图像处理

一、前言

在现代化的卷烟生产中，随着科技的不断进步，卷烟企业对烟支的外观瑕疵会有严格的控制，烟支钢印质量是缺陷检测的一个重点。在传统的烟支钢印缺陷检测工序中，都是依靠人工对烟支钢印质量进行检测，效率非常低，工作强度非常大。为降低工人的劳动强度，提高产品出厂的质量，减少工厂的人力成本和管理成本，采用机器视觉技术对烟支钢印进行全面检测已是必然。就国内而言，“相机+PC图像处理软件”（PC-BASE）的检测模式已成发展趋势。该模式综合利用了光学、机械、电子、控制和自动化各学科的先进技术，可以有效地检测出烟支钢印常见缺陷，并将钢印不合格的产品从生产线上剔出。

二、概述

（1）机器视觉技术。机器视觉技术，是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。机器视觉系统是指通过机器视觉产品把图像抓取到，然后将该图像传送至处理单元，通过数字化处理，根据像素分布和亮度、颜色等信息，来进行尺寸、形状、颜色等的判别。进而根据判别的结果来控制现场的设备动作。（2）烟支钢印。烟支钢印在某种程度上体现了卷烟的品牌特征，这个品牌通过烟支钢印印刷在烟支上，相当于一个产品的铭牌。因此，烟支钢印的质量，在一定程度上表明了品牌香烟的质量和品质。

三、烟支钢印检测系统

（一）系统结构。其系统结构主要包括以下几个方面：（1）影像控制系统：实现图像信号的分析、处理，图像存储；（2）工控机：监控实时图片、数据统计分析；（3）控制处理系统：实现影像控制系统与机组的同步处理，对NG图片进行剔除、连续NG图片告警停机；（4）CCD系统：实时拍摄被检测烟支；（5）照明系统：为图像拍摄提供照明；（6）剔除装置：驱动剔除阀，实现对缺陷烟支的剔除；（7）告警、停机模块：提示系统的故障信息。

（二）检测原理。（1）检测流程。系统检测流程如图3所示

（2）图像处理。卷接机组启动后，烟支钢印检测系统通过实时监控卷接机组的SCP（单支烟脉冲）判断烟支钢印所在位置，当钢印运行到CCD镜头位置时触发拍摄，拍摄的图像以数字形式传输到图像处理系统进行分析处理，处理方法主要有模型搜索与面积检测两种。①模型搜索。其输出结果包括检测个数、相似度、检测位置、倾斜角度，如图4所示。

通过模型搜索，可以实时检测钢印不合格烟支。如图5所示，左边为合格烟支钢印检测结果，右边为钢印套色不合格烟支，其检测结果为NG，判断为不合格。

②面积检测。面积检测是将CCD拍摄到的图像进行二值化（黑白化），然后检测白色或者黑色面积。面积检测的输出结果以像素数输出，如果检测值超过指定的公差（上限或者下限），则判断为不合格。

图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。如图7所示，右边的图片是图像的波形图，设置好合理的阀值后，可以清晰地将需要检测的图像显现出来（如左下图中的禾穗钢印）。

图像二值化后还要进行差分处理，差分可以输出重合注册图像和当前图像而成的灰度差的减法图像，从而抽出污点、过浓、过淡等和原来注册图像不同的地方。如图8所示，最左边是正常禾穗钢印及其二值化后的图片，后三幅图片分别为禾穗过淡、禾穗过浓、禾穗污点的钢印及二值化后的图片。从图中可以看出，图片二值化后，不合格钢印与合格钢印的像素点差别很大，通过差分处理便可判别出不合格钢印的烟支。

（三）不合格品剔除。烟支钢印检测系统不合格品的剔除利用原机的不合格烟支剔除电磁阀，通过实时监控卷接机组SCP同步脉冲计算从钢印拍摄到烟支剔除阀的步数，当不合格烟支到达剔除工位时，烟支钢印检测系统输出剔除信号给剔除电磁阀实现不合格烟支的剔除。

结语：本文探讨基于机器视觉技术卷接机组烟支钢印质量检测系统。通过对系统的介绍，列举和阐述了图像搜索、图像灰度处理等方法。机器视觉的诞生和应用，极大地解放了人类生产力，提高了生产自动化水平。随着烟草行业提质降耗工程的全面实施，它将越来越多地应用于烟草生产质量的检测和监控领域，为提升烟草企业的市场竞争力做出更大的贡献。

参考文献：

[1] 赵鹏，《机器视觉理论及应用》，电子工业出版社，2011.

iLabel机器视觉在标签检测中的应用知识 第6篇

模具是用来成型物品的工具,这种工具由不同的零件组成。它主要利用所成型材料物理状态的改变来实现物品外形的加工,是工业生产上用以注塑、吹塑、挤出、压铸、冲压、拉伸等方法得到所需产品的各种模子和工具的基本方式[1]。模具是机械工业的基础设备,随着机械工业的发展,模具工业也得到相应的发展。当前,随着自动化生产的不断发展和完善,生产加工模具的精度、质量检测精度也相应提高[2]。对模具进行精准的检测能够确保工业生产的效率。模具因其生产效率高、产品质量好、材料消耗低、生产成本低而得到了大量的应用。当前的机械模具由传统的单一模具逐渐发展为多模具,具有多样性的特征[3]。因为有些模具的精度较高,一些细微的破损就会带来致命的缺陷。因此,对生产模具产品的缺陷检测,也是一项十分重要的任务[4,5]。模具的细微破损可能给后期的应用带来难以估量的损失,因此,及时发现破损模具是降低后期损失的有效途径[6]。本文提出一种基于机器视觉的模具破损检测方法,依据机器视觉和人工智能技术,实现对高精度模具破损的有效检测。

1 系统的整体组成

模具破损检测系统主要包括:模具图像的采集、模具图像的处理、模具检测结果的输出、以及显示等操作过程。模具破损检测系统的结构图如图1所示。

通常该系统的硬件部分主要包括:模具补偿光源、摄像机、图像采集卡、处理芯片及外围器件[7]。其中,图像采集卡可以对采集到的模具图像进行A/D变换,再将得到的数字模具图像信号传输到计算机进行控制[8]。摄像机可将获取的数字图像信号传输到计算机进行控制,因此,大部分情况可以不使用图像采集卡。

1.1 模具图像采集模块的设计

在模具图像的采集过程中,使用传动机控制模具图像采集设备发生规范性的运动,从而采集到模具全方位的图像信息。图像采集设备必须重视对不同模具结构的分析,本文设备的直径为10mm,长度是70mm,常用于对小模具、高精度进行图像收集。本文采用的图像采集设备可以利用外部光源对模具图像采集的背景空间进行光照资源的弥补。本文采用的图像采集设备的电路图如图2所示。

模具破损检测系统中的图像采集器件和光电检测器件、图像信号驱动、数据传输电路处于不相同的两个部位。其中,图像采集器件的驱动器件位于整体的外部,器件驱动工作的电流是直流的8V,600mA。模具图像采集过程常采用2芯的电缆,可以增强模具图像的清晰度。模具图像采集系统的图像采集方式不能得到一次性的图像信息,因此,采用扫描成像原理对模具图像进行相应的操作,可以得到一次性的图像信息。模具扫描成像原理如图3所示。

当前的高精密模具大都具有复杂的结构,本文采用的模具成像系统将这些高精密的模具划分成独立的子结构,再对这些独立的子结构进行成像处理,最后对采集到的图像进行多方位的无缝连接。模具图像扫描方法的过程为:先使图像采集器件位于预定的长度之外,再依据预定的频率和角度调整采集器件的镜头。结束一次模具子结构的扫描,就将图像采集器件向前挪动一定的距离,最终完成整个模具的图像扫描。上述分析的图像采集方法的优点有:耗时短、图像清晰度高、操作简单,能够采集到准确的模具图像数据。转动器件的中轴线,调控图像采集器件的位置,可以采集模具内部结构的图像信息。

1.2 模具图像的缺陷检测技术

模具图像处理模块主要实现对模具图像的初始化以及模具破损检测的操作。图4所示为具体的图像操作流程:摄像头采集到的模具像素信号通过A/D变换后传输到ITU R656解码器(Decoder),经解码后输出三种信号分别是基色信号M、调控信号Gu、时钟信号De。三种基色信号经过缓冲器后输出M[8:0]、Gu[8:0]、De[8:0]三种基色信号线传递到RGB模块。RGB模块对三种基色信号进行融合处理,最终形成彩色的图像,配合相关算法,对模具的边沿像素进行操作,完成模具的缺陷检测工作。

2 系统的软件算法设计

本文提出基于机器视觉技术的模具破损检测系统对精密模具的检测方法主要包括对初始模块图像进行向量变换、动态位分配的向量量化编码以及对图像像素边缘的检测三个部分。模具破损检测系统的关键部分是对模块图像的操作部分。模具破损检测系统采用CycloneII EP2C20F484C7芯片以及Verilog HDL完成对所有的子结构的无缝连接和图像处理工作。模具破损检测系统的软件使用像素密度边缘检测算法实现对相关模具的破损分析。该算法依据图像像素的排列规则对模具的边缘破损空间进行轮廓定位。以矩形模具结构为例,模具图像g(i,j)的预期空间Z的q阶像素密度用公式(1)描述:

其中,m表示空间Z内的模具边沿像素数目,q=1,2,3。算子使用50个像素序列,将边缘检测的阴影区间近似看成一个单位圆,作为算子的输入。算子的输出是二维理想阶跃模型,其由一系列具有灰度l1和l2的模具边沿像素连接组成。像素密度统一化模型的参数有边缘位置、边缘方向(41)、边缘两侧的灰度值l1和l2,如公式(2)所示:

其中,q1和q2表示灰度值是l1和l2在单位圆内所占的比例,则前三阶像素密度uv(v=1,2,3)符合公式(3)的要求:

因此,有:

其中:

获取原单位圆中的前三阶像素密度可以得到二维理想阶跃模型的相关参数。由于所有像素点的灰度值可以看作是不变的,因此可将前三阶像素密度的求解变换成单位圆覆盖的所有像素点灰度值的加权和:

式中:单位圆中第i个像素点的灰度值用iG描述,第i个像素点的权值用i描述。本文采用一个88模板方式描述i:

其余的权值全部是0.036195592。获取所有的权值后,使该模版在图像上进行一次移动,可以得到图像的边缘值uv(v=0,1,2,3),再利用公式(7):

得到q1,q2,l1,l2。

如果理想阶跃模型边缘两侧的灰度差符合相应的条件,就能够判断存在实际的图像边缘。对图像边缘进行检测,能够对其缺损区间进行有效定位。

3 系统测试

为了验证本文提出基于机器视觉技术的模具破损检测方法的有效性,需要进行相应的实验。实验选取的样本是通过AutoCAD得到的无偏差5孔均匀排列的模具,再将其中的一个孔偏离1.6度和8.8度。标准的模具图像如图5所示。

运用本文提出的基于机器视觉技术的模具破损检测方法得到的检测效果如图6所示。

图6中红色线条表示实际检测的结果,绿色线条表示标准模板。分析图6能够得出,使用本文提出的基于机器视觉技术的模具破损检测方法检测的结果和理论结果一致。其中,标准模具的检测结果数据如表1所示,使用本文方法检测的数据如表2所示。

分析表1、2中的检测结果数据能够得出,采用本文提出的基于机器视觉技术的模具破损检测方法孔径的最大测量误差是0.001mm,径向的最大测量误差是0.002mm。而标准模具得到的孔径和径向的误差是0.01mm,本文算法的误差减低了一个数量级别,本文算法的准确率更高。并且本文算法的角度的测量最大误差是0.0007弧度,测量误差在允许的区域内。通过以上的相关实验,可以得出,本文提出的基于机器视觉技术的模具破损检测算法能够有效区分模具的细微破损,具有较优的检测准确度。

4 结论

提出一种基于机器视觉技术的模具破损检测系统。通过建立相应的图像采集模块和图像处理模块,对细节像素密度的跟踪对比普通的边沿像素跟踪,完成残缺部位像素的进一步细化。提高系统的检测精度。实验表明,这种方法能够有效区分模具的细微破损,具有较优的检测准确度,随着我国对工业工艺技术要求的不断增加,改系统的应用范围会更加广泛。

参考文献

[1]B.K.BEHERA.Image-processing in Textiles[J].TextileProgress,2005,35(2):12-27.

[2]王俊英.梳棉棉网清晰度对成纱质量的影响[J].上海纺织科技.2008,36(11):55-56.

[3]MOURD,KR1F A,FRYDRYCH I,est.Seed Coat Fragments:The Consequences of Carding and ImpactofAttached Fibers[J],Textile Res J,2002,(3):259-265.

[4]张艳,杨大毛,罗汉文.数值计算在数字图像边缘检测中的应用[J].计算机仿真,2009(5):251-254

[5]于爱春.运用NCT在线检测仪优化梳棉工艺[[J].棉纺织技术.2006,34(1):9-12.

[6]FARAJI H,JAMES W,LEAN M.CCD Noise Removal inDigital Images[J].IEEE Trans.on Image Processing,2006,15(9):2676-2685.

[7]MARTIN G,PATTICHIS M S.The Characterization ofScanning Noise and Quantization on Texture FeatureAnalysis[J].IEEE Trans on Image Processing Journal ofElectronic Imaging,2004,44(8):152-156.

iLabel机器视觉在标签检测中的应用知识 第7篇

随着图像处理技术的不断发展,机器视觉技术在农产品方面的应用越来越具有吸引力。由于在农产品的品质检测以及农产品的采收和包装过程中,存在很大的人为和自然因素,如果应用传统的人工作业,不仅耗时、费力,而且效率也比较低,作业过程的精度也在很大程度上受到主观因素的影响。机器视觉技术不仅是人眼的延伸,而且在一定程度上具有人脑的功能,利用机器视觉系统代替人工作业已是一种不可避免的趋势。

1 在农产品品质检测中的应用

1.1 机器视觉在表面缺陷和损伤检测中的应用

农产品的表面缺陷和损伤是影响其等级的重要因素之一。1985年,Rehkugler等[1]根据苹果图像的灰度值对苹果的缺陷进行了检测,但是当时的精度未能满足现实工作的需要。1986年,RehkuglerG.E和ThroopJ.A[2]在机器视觉技术的基础上,针对苹果表面压伤研制成功了苹果的表面缺陷检测和分级的机器视觉技术处理设备,实验证明了利用机器视觉技术对苹果损伤检测的可行性。Goodrum J.M.等[3]首次提出了对连续旋转鸡蛋进行裂纹检测的方法,从而克服了传统方法在利用静止鸡蛋的图像检测鸡蛋裂纹时,只能对一个方向进行检测的缺陷,检测正确率达到94%。1991年,Miller B.K.和DelwicheM.J[4]在桃子的分级研究中,对桃子图像进行了分析,用灰度和色度阀值求得表面的可疑损伤点,用区域增长法求得损伤表面,对于没有明显边缘的擦伤则采用近红外对图像进行识别,对缺陷进行了分类。结果显示,桃子的彩色图像的分级效果不及近红外区域获得的图像。1999年,Zhiqing Wen等[5]设计了一个基于近红外和机器视觉技术的苹果缺陷在线检测系统,并提出了利用二进制分层系结构方法对图像进行特征提取和分析。结果表明,与传统的神经网络方法相比,该方法可以更加灵活地通过改变或增加参数的特点和规律以满足不同种类的需求。2007年,J. Blasco等[6]总结了当前研究中的应用近红外、紫外、荧光计算机视觉系统中常见的缺陷,通过不同光谱信息提出了一种新算法,对柑橘类水果的缺陷进行了检测分级。实验结果表明,检测和识别精度有所提高。2006年,王树文等[7]将计算机视觉技术应用于番茄损伤分类的研究过程,结果显示,番茄损伤检测和分类的准确度不低于90%。2007年,丁幼春等[8]提出了基于花生仁表皮破损检测的计算机视觉系统,并针对花生仁表皮类破损给出了一套完整算法,破损检测正确率达到100%,破损程度检测准确率达到95%。2010年,杨万利等[9]针对苹果淤伤问题,提出了应用红外图像处理技术,根据红外图像形成原理以及特点,利用红外摄像机在风扇加热和冷却两种情况下获得苹果的红外图像,选用红外图像处理方法识别早期淤伤。结果表明,应用红外图像技术检测苹果早期淤伤,成功率达到96%以上。同年,赵丹婷等[10]提出了利用图像处理和神经网络技术,对大豆灰斑病进行检测,在标准豆粒与灰斑病豆混合的条件下计算出病粒的百分比,实验取得了良好的结果,识别准确,为以后大豆其他缺陷检测打下了良好的基础。

1.2 机器视觉在尺寸与形状检测中的应用

农产品的外形尺寸和形状是农产品品质的重要特征之一,因而也成为农产品分级中的一个重要依据。早在1985年,Sarkar N和R.R.Wolfe[11]就利用数字图像分析和模式识别技术研制成功了一种具有定向机构和合适的照明装置的机器视觉西红柿品质分级装置,准确率可以达到人工检测的精度。1987年,Byler R K等[12]以牡蛎肉为对象研究了基于机器视觉技术的尺寸检测和分级的技术,但是当时的分级参数比较单一,仅从尺寸方面进行了研究。2007年,Nadine E. Little等[13]也在机器视觉技术的基础上,对牡蛎形状进行了研究,检测系统略有改进,检测更加清晰,该系统对牡蛎的检测速度可以达到60/min。1990年,Brandon J R等[14]利用机器视觉和神经网络技术对胡萝卜的顶部形状进行分级,平均分级正确率达到85%。1992年,Churchill D B[15]将机器视觉技术应用于种籽形状的检测中。1995年,Panigrahi S等[16]为了精确快速地测量玉米种籽的尺寸,提出了一种从背景中对玉米种籽图像进行自动识别的技术,在试验中取得了很高的精确度。1999年,应义斌、景寒松等[17]利用机器视觉技术对黄花梨的外形尺寸进行了检测研究。首先,提出利用傅立叶变换与傅立叶反变换来描述黄花梨果形,并开发了基于人工神经网络的果实识别软件。研究结果表明,采用傅立叶描述子与人工神经网络相结合的方法进行果形识别的精确率可达到90%。2006年,章程辉等[18]分别利用可见光和x射线获得红毛丹的图像,利用形态学,通过处理红毛丹的图像检测红毛丹的尺寸,结果显示利用x射线图像检测技术可以较准确地预测红毛丹的外形尺寸。2008年,杨飞等[19]首次提出了利用计算机视觉对花椒外观品质进行检测。结果表明,该方法对椒籽、果穗梗的正确识别率达100%,闭眼率及果皮正确识别率达89%,96.8%。2010年,杨清明等[20]应用数字图像处理技术,以Visual C++6.0为开发平台开发了蒜瓣蒜尖朝向的识别模型。结果表明,该程序对蒜瓣蒜尖的朝向识别率可以达到92%。

1.3 机器视觉在颜色识别检测中的应用

1990年,ShearerS.A等[21]以圆椒为研究对象,提出了利用机器视觉技术就其颜色进行识别从而进行品质分级的新方法。1997年,何东健等[22]提出了从投影图像恢复球形果实表面几何特征的像素点变换法和边界变换法,提高了球形果实表面缺陷面积的计算机视觉测定精度。1997年,杨秀坤[23]运用彩色机器视觉技术与遗传神经网络相结合的方法,根据鸡蛋表面颜色特征,对种蛋进行了孵化可成活性进行判别。2001年,文友先等[24]利用机器视觉技术,首先研制出了鸭蛋蛋心颜色自动分级系统中的蛋心颜色分级模型。实验结果表明,蛋心颜色等级G与H,S,I这3个变量之间存在着显著的线性相关关系。2000年,李庆忠,汪懋华[25]设计了一种基于计算机视觉技术的苹果颜色自动分级系统,系统可以同时采集苹果4个表面在可见光和近红外光谱范围内的图像信息,并对图像信息进行处理,初步实验表明了该系统的可行性。2004年,尚艳芬等[26]根据RGB色度原理,利用计算机图像识别技术,对大米中的黄米粒实现了自动检测,经检测调整黄粒米与大米在蓝色分量值B上的阀值范围,检测精度可达95%以上。2006年,李强等[27]利用机器视觉技术对烟叶的颜色进行定量检测和分析。该系统可以模拟色觉进行大量连续快速分离并进行颜色的统计分析,从而实现利用视觉检测和图像处理技术进行烟叶分离。2007年刘华波等[28]应用烟叶反映和透射图形获取烟叶内在的质量信息,通过实际分级实验验证了透射图像颜色特征的有效性。2008年,陈坤杰等[29]利用机器视觉技术对牛肉的颜色变化特征进行了研究。

2 在农产品收获和包装中的应用

2.1 机器视觉在农产品收获中的应用

利用机器视觉技术实现农产品采收自动化主要是通过将数字摄像系统配置在收获装置上,在农产品的采收工作中,可以首先对目标进行图像处理并进行分析,一旦目标准确,就可以对其进行准确采摘。Slaughter D C[30]首先利用室外自然光条件下拍摄到的橘子图像,通过对图像进行分析从而对橘子收获机机械手进行导向,实现了利用图像的颜色信息对橘树上的橘子进行分类,但是由于当时的精度较低还未能满足实际工作的需要。1996年,张树槐等[31]提出通过苹果的外观形状判断果实,并通过模式识别技术实现苹果的检测和定位。另外,随着机器视觉技术的发展与应用领域的扩展,农业机器人已成了农业生产的主力军,采摘机器人作为农业机器人的主要类型在农产品收获中显示出了比较显著的潜力[32]。西方和欧美等很多发达国家一直致力于采摘机器人的研究,近20多年以来,不断立项苹果[33]、西红柿[35,36]、柑橘[36]、黄瓜[37] 和葡萄[38]等果蔬采摘机器人的研究。在我国,周云山等1995年[39]在机器视觉系统的基础上,成功地对蘑菇采摘机器人进行了研究,实现了蘑菇的生产从苗床管理到收获分类的全部自动化。2009年,李伟、李吉等[40]为了提高苹果采摘机器人的收获空间和采摘效率,采用结构化分析方法优化了苹果采摘机械臂的结构参数。仿真结果表明,该机械臂能够收获目标区域内90.2%以上的果实。

2.2 机器视觉在农产品包装过程中的应用

农产品在产后加工包装过程中,如果出现污染、标签破损或者色差等问题就会对产品的销售造成很大的影响,通常人们也会对产品的质量等问题提出质疑。将机器视觉技术应用于农产品的包装外观印刷品检测过程中,不仅提高了工作的效率,而且减少了在人工检测中,由于人为主观原因引起的失误[41]。玻璃和铝制品已经成为农产品的主要包装形式之一,将机器视觉技术应用于玻璃瓶的质量检测中,可以避免玻璃制品由于裂缝或者内部出现气泡而带来的隐患。2010年,王飞,崔凤奎等[42]研究开发了基于机器视觉的玻璃缺陷监测系统,主要是通过对目标图像进行处理,从而获得玻璃表面锡点、气泡、玻筋等缺陷图像的识别信息。实验证明,该系统能够检测出最小0.3mm的缺陷。另外,孙军[43]提出将机器视觉技术应用于卷烟烟包的质量检测过程中,通过采用图像传感器获取烟包的基本特征,通过对这些特征进行智能化处理判断,并将结果送入PLC控制系统,剔除不合格的烟包。

3 结语

机器视觉技术在农产品的应用时间虽然不长,但是近几年来的发展越来越快。机器视觉系统不仅能够使工作过程智能化,而且也避免了人为主观因素和自然因素的影响,实现了农产品作业的自动化,提高了农产品生产的效率。但是由于研究时间和技术的限制,机器视觉在农产品的应用中尚有很多方面需要进一步研究,如机器视觉技术在农产品检测过程中大多采用串行算法,影响了检测的速度,在以后的研究工作中需要开发新的算法以提高检测工作的效率;由于检测工作环境比较复杂对目标的识别快速性和准确性也有待提高。在我国机器视觉技术在农产品方面的应用尚属于初级阶段,应在以后的研究中加强加快机器视觉技术在该领域的应用。