基于機器視覺的預包裝食品檢測

李文秀 欒秋平

(山東電子職業技術學院，山東 濟南 250200)

預包裝食品是指在包裝材料或容器中預先定量包裝、制作某些食品。隨著消費水平的不斷提高，預包裝食品的外觀情況已成為消費者關注的重點，例如瓶口壓蓋、包裝封口、標簽內容、瓶身變形、噴碼信息等。常見的預包裝主要有塑料包裝、紙包裝、金屬包裝和玻璃包裝。為解決包裝檢測問題，大多數企業依靠人工檢測，一些有條件企業則采用機器視覺檢測[1-2]。

機器視覺檢測就是利用光學裝置和傳感器自動接收、處理真實物體的圖像，進而獲取有用信息用于自動化控制。通常情況下，機器視覺檢測系統由光源、傳感器、工業相機、圖像處理模塊、控制模塊等組成。機器視覺檢測系統可從多方面提高工廠自動化水平，如產品外觀把控、過程標識監管、出廠信息控制等，以達到降低工作強度、提高良品率等目的[3-5]。檢測過程中，機器不會與被檢測物直接接觸，可長時間工作，穩定性好。但機器視覺檢測系統普遍存在漏檢、錯檢等問題，檢測精度需進一步提高[6-7]。

試驗擬以預包裝食品檢測為研究對象，設計一種機器視覺檢測系統，并通過實驗驗證所述方法的可行性和有效性，以期為食品檢測提供一種研究思路和方法。

1 檢測系統

基于機器視覺的預包裝食品檢測系統主要由圖像采集模塊、圖像處理模塊、執行終端等部分組成，其基本結構如圖1所示。圖像采集模塊是利用工業相機獲取預包裝食品原始圖像，同時將其轉換為二進制數據流。該模塊主要由LED光源、工業相機、圖像采集卡、相機觸發器等組成。圖像處理模塊有兩種選擇：① 智能相機，其不僅具有拍照功能而且集成了圖像預處理、通信等諸多功能，使用起來比較方便，但其內部圖像處理算法相對固定，在某種程度上限制了其應用推廣；② PC機，設計靈活、擴展性好，可根據實際需求自由修改圖像處理算法。綜合考慮，試驗檢測系統是基于PC機搭建圖像處理模塊。執行終端即實際操作機構，可響應控制指令完成相關操作，末端執行器的控制核心選用PLC[8]。

圖1 預包裝食品檢測系統基本結構圖Figure 1 Block diagram of pre-packaged food testing system

2 圖像處理和特征提取

2.1 圖像預處理

通常情況下，原始圖像受干擾因素影響會不可避免地存在一些噪聲，所以需事先處理。圖像預處理可以提高圖像清晰度和對比度，降低圖像噪聲。文中采用基于偏微分方程的去噪模型既可以有效去噪又可以保護圖像輪廓[9-10]。

如果理想圖像用u(x,y)表示，包含噪聲的圖像用u0(x,y)表示，則二者之間的關系可描述為：

u0(x,y)=u(x,y)+n(x,y)，

(1)

式中：

n(x,y)——噪聲。

為了去除圖像噪聲，可建立偏微分方程去噪模型，即：

(2)

(3)

式中：

Ω——圖像域。

基于Lagrange方程和最速下降法可得去噪圖像I(x,y)：

(4)

(5)

式中：

λ——Lagrange乘子。

2.2 圖像分割

采用一種雙閾值分割缺陷提取方法，即提出一種基于雙閾值分割的缺陷提取算法，選用面積閾值和灰度閾值將缺陷分割出來。

首先，增強圖像對比度。假設初始閾值為T，如果灰度值f(x,y)≤T，則可令灰度值為0，即不處理；如果f(x,y)≥T，則進行對數灰度變換，相關表達式為：

(6)

此外，初始閾值T可用灰度峰值B(i,j)和最小可視差之和表示，即：

T=B(i,j)+JND。

(7)

f(x,y)≤T可視作背景像素。最小可視差JND可表示為：

(8)

灰度變換處理完成后，圖像對比度進一步增強。假設面積閾值為A，定義連通區域的像素面積為Si。如果Si

(9)

文中所研究缺陷的面積最小值為0.01 mm2，約為50個像素點的面積，所以面積閾值可設定為50。

2.3 特征提取

利用2.2圖像處理步驟可以得到缺陷的各種特征參數，包括周長、面積、圓形度和矩形度等。可根據這些特征參數作為區分缺陷類型的主要根據[11-13]。選用BP神經網絡實現缺陷特征和缺陷類型之間的映射。

圖像缺陷的種類較多，文中選擇3種比較常見的缺陷類型作為研究對象，即麻點、異物和劃痕，如圖2所示。

綜上，BP神經網絡的輸入變量為3個，即周長、面積和圓形度；輸出變量1個，可分為麻點、異物和劃痕等。為提高數據處理的便利性，可將3種缺陷分別量化為1——麻點、2——異物、3——劃痕。

在神經網絡輸入和輸出一定的情況下，隱含層節點數可表示為：

(10)

式中：

h——隱藏層節點數；

m——輸入節點數；

圖2 圖像缺陷類型Figure 2 Image defect type

n——輸出節點數；

a——調節系數，0～10。

缺陷樣本如表1所示，該樣本可用于特征提取。可將樣本數據分為兩組，其中一組用于訓練，另一組用于測試。

表1 缺陷樣本

綜上，BP神經網絡的訓練過程可以描述為：

① 利用Matlab工具歸一化處理相關數據，即所有特征值均轉化為[-1,1]的數值。這樣可以縮小輸入數據和輸出數據之間的數量級差距，減小網絡預測誤差。

② 搭建3輸入1輸出的BP神經網絡，隱含層節點數可參照式(10)確定。

③ 選擇合適的激活函數，同時設定目標誤差、學習速率以及訓練次數等參數。

④ 樣本訓練，同時存儲訓練結果。

⑤ 測試樣本數據輸入并進行相關仿真測試。

⑥ 反歸一化處理仿真輸出結果并計算誤差率。

該BP神經網絡在不同訓練次數下的誤差率如表2所示。由表2可知，當訓練次數>10時，平均誤差率<10%。

表2 不同訓練次數下的誤差率

3 試驗驗證

為驗證所述方法的可行性和有效性，以某紙質矩形食品包裝為試驗對象進行驗證。光源采用LED條形組合照明燈；相機為CCD工業相機、頻閃光，共6臺，從6個方面同時拍照；檢測系統主要包含品牌信息、當前信息和檢測信息等；品牌信息可參照標準圖像對品牌圖像進行刪除、修改等操作；當前信息包含當前系統的相關配置情況；檢測信息可識別、存儲缺陷圖像，如果發現缺陷圖像會自動報警并分類。該機器視覺檢測系統可以較好地實現紙質矩形食品包裝全方位檢測，可識別麻點、異物、劃痕等缺陷，此外，對錯牌、褶皺、破損、印刷錯誤等缺陷也有較高的識別率。試驗過程中，設定樣品數為10 000，缺陷樣本包含嚴重和一般兩種。

試驗結果表明：一般缺陷漏檢15個，漏檢率為0.15%；嚴重缺陷漏檢2個，漏檢率為0.02%；整體漏檢率為0.17%，檢測精度比較高。另外，每個包裝的檢測耗時大約為70 ms，檢測效率比較高，可滿足預包裝對實時性和檢測精度的要求。整個檢測系統可自動保存缺陷圖像，用戶可自由瀏覽缺陷圖像，使用方便、容易推廣使用。

4 結論

以預包裝食品檢測為研究對象，提出了一種機器視覺包裝缺陷檢測方法。結果表明：該系統檢測精度高，漏檢率較低，系統實時性較好；該預包裝食品檢測方法兼具精度和效率，同樣適用于錯牌、褶皺、破損、印刷錯誤等缺陷，具有一定的推廣價值。但是，該研究主要針對麻點、異物、劃痕等常見缺陷，其他類型缺陷的檢測仍需尋找更加合適的提取特征，以便進一步研究。