基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測

柴子凡, 趙麗琴, 蔣海波, 段能全, 馬清艷, 王 棟

(中北大學 機械工程學院,太原 030051,E-mail:czf84166@163.com)

玻璃瓶多使用壓吹法[1]成型,在脫模過程中由于操作不當導致模具接縫處的瓶身出現多條分模線或是分模線不連續,這種缺陷稱為分模線缺陷。對于玻璃制品上的邊界缺陷,其主要技術方法是利用濾波器對圖像進行預處理,再利用霍夫變換將曲線變換至參數空間,通過利用曲線上點與曲線參數之間的對偶性來檢測曲線。在此基礎上,段汝嬌等人[2]通過對分好類的像素點進行感知編組,再使用隨機Hough變換來確定直線位置;孫鐵波等人[3]研究將邊緣梯度方向引入Hough變換,通過縮小參數的取值空間進而確定邊界位置;李后隆等人[4]通過對Canny算子中的雙閾值選取進行改進,并對Hough變換進行極角約束進而確定邊界位置。然而,針對透明玻璃制品的缺陷邊界定位和缺陷檢測的研究較少。因為玻璃制品的透明性,其上的缺陷位置很難確定并且進行穩定地檢測,李偉等人[5]針對該問題提出利用Hough變換圓檢測和para空間均值圓心的方法來對需要的目標進行定位;楊應彬等人[6]提出了一種基于分數體系的算法,并與輪廓特征檢測和Hough變換相結合,來對需要的目標進行定位。

然而這些算法都是基于固定視圖和圖像質量清晰的基礎上。在本文的研究背景下,使用傳統的機器視覺采圖方法難以有效清晰地拍到缺陷圖像,所以需要先針對采集過程作優化處理,并在采集之后對圖像進行特征提取等處理。針對透明玻璃瓶上的分模線缺陷,本文構建了一種基于機器視覺的玻璃瓶分模線缺陷檢測方法,提出了一種將傅里葉變換、霍夫變換結合K-means聚類的無監督學習方法,實現了玻璃瓶分模線的缺陷檢測。

1 檢測系統的組成和原理

玻璃瓶缺陷檢測系統采用機器視覺檢測技術實現了玻璃瓶分模線的非接觸式自動化檢測,利用工業相機對分模線圖像進行采集,并使用基于Hough變換和K-means聚類的改進的缺陷識別方法對玻璃瓶分模線的圖像進行檢測,其總體布局如圖1所示,主要由工業相機、工業鏡頭、條紋面光源和傳送帶等組成,是以生產線上的運輸帶結構作為基礎平臺,不需要破壞生產線的基礎功能,在運輸帶兩側加安光源支架和相機支架,在支架上安裝相機和光源,當檢測時,相機對運輸帶上的玻璃瓶進行間隔采樣,可兼容多種不同型號的玻璃瓶分模線檢測。對玻璃瓶分模線進行檢測時,條紋面光源的條紋光經分模線發生折射,由另一側的工業相機進行采集,經圖像預處理后去除干擾和噪聲,使用基于Hough變換和K-means聚類的改進的缺陷識別方法獲取分模線的長度、寬度和條數等信息,進而對分模線的質量進行判斷,本文使用4個相機從4個不同角度進行圖像采集,提高了檢測系統的檢測精度和檢測效率。

▲圖1 檢測系統總體結構示意圖

2 基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方法

▲圖2 算法流程設計圖

本文使用傅里葉變換、霍夫變換結合K-means聚類的無監督學習方法,用于玻璃瓶分模線的缺陷檢測,算法流程如圖2所示。該算法分為圖像采集、前處理和缺陷檢測三個部分。在圖像采集階段,對于玻璃瓶分模線透明不易識別的問題,本文根據光的折射原理提出了引入人為的標識來對圖像進行增強的方法。在圖像前處理階段,分為干擾去除和特征提取兩個階段,為提高缺陷檢測的檢測精度,本文提出了一種基于傅里葉變換和自動閾值分割的方法。在進行缺陷定位與檢測的過程中,本文結合輪廓提取和Hough變換的方案,利用K-means聚類的方法,提出了一種基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方案。

2.1 圖像采集

為使采集到的圖片輪廓清晰,對比度明顯,選擇高均勻性的面光源來進行背光照明,并在其外架設暗室來阻擋環境光的干擾。由于分模線透明的特殊性,將面光源改造為條紋光,利用分模線處玻璃的折射率與其他地方不同而觀察條紋的變化來檢測分模線的質量,如圖3所示。在經過對玻璃瓶分模線的成型原理的分析和多次試驗后,設置四個工業相機從四個不同的角度對分模線的圖像進行采集,在壓縮成本的同時最大程度地提升檢測系統的檢測精度和檢測效率[7-8]。

▲圖3 折射對比圖

2.2 圖像預處理

相比于其他固定角度和固定目標的檢測環境,由于人為引入的干擾和多個相機的位置變化性,相機采集到的圖像是具有復雜背景的酒瓶圖像。對圖像進行簡單的灰度化、圖像作差、圖像濾波與閾值分割后[9],對于從斜條紋背景的瓶身中分離出分模線的問題,提出了基于傅里葉變換和時頻域轉換的分模線提取方案。

基于傅里葉變換和時頻域轉換的主要思想是對前處理后的圖像進行傅里葉變換,將圖像從時域轉換到頻率域;然后在頻率域構建合適的濾波器對頻域圖像進行濾波,消除圖像中的斜條紋同時保留分模線的特征;將圖像由頻域轉回到時域,對保留下的分模線特征進行缺陷檢測。

由于傅里葉變換的周期性質,頻率域的圖像與空間域的圖像并不存在一一對應的關系,實驗證明,空間域中邊緣方向與頻率域中高頻亮點的位置存在內在聯系[10-11]。將頻率域原點變換移動到頻率域圖像的中間位置,則頻率域構建的濾波器具有如下傳遞函數:

(1)

▲圖4 濾波器圖形

其銳化前后的圖像對比如圖5所示,條紋干擾得到有效地抑制,分模線特征得到了有效地增強。

2.3 缺陷定位與檢測

對采集到的玻璃瓶圖像進行前處理后,可獲得分模線的間斷邊界。為了從含有噪點等干擾的濾波后圖像中提取分模線,采用Hough變換的間斷邊界檢測方案。Hough變換是通過利用曲線上點與曲線參數之間的對偶性來檢測曲線的方法,但其對于為曲線的間斷邊界并沒有較好的效果,且其計算的時間復雜度和空間復雜度會隨著參數空間維度的提升而提升,增加了計算的時間成本。

▲圖5 濾波前后對比圖

針對該問題,提出了基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方案:首利用Hough變換將提取到的間斷邊界轉換到參數空間,利用大致處于同一直線的間斷點邊界,其在參數空間中會發生一定的聚集效應的特性,使用聚類方法對間斷點邊界進行拼接,最終識別出目標分模線并對其進行缺陷檢測。

2.3.1 Hough變換

上述處理后的圖像包含豐富的邊緣信息,分別是分模線豎直方向的間斷邊界和其他零散的條紋干擾。為準確的提取分模線間斷點邊界,采用直線檢測方案,來對圖像中的目標信息進行提取?；舴蜃儞Q是通過利用曲線上點與曲線參數之間的對偶性來檢測曲線的方法,是一個非常重要的檢測間斷點邊界形狀的方法。如圖6所示,對于圖像坐標空間的一條已知直線L來說,在參數空間中即可映射為相應的點L0;對于圖像坐標空間中直線L上的任意兩點A1、B1,在參數空間中即可映射為相交的兩條直線,且其交點為L0[12-13]。對于圖像中的一些間斷點邊界,利用霍夫變換將其所在直線轉換到對應的參數空間后,大致處于同一直線的間斷點邊界,其在參數空間中會發生一定的聚集效應,從而來判斷處在同一曲線上的間斷點。

▲圖6 Hough變換

2.3.2 邊界合并及識別

K-means聚類方法是一種通過將劃分出來的簇取均值點作為聚類中心,在不確定劃分規則的情況下,通過對數據的不斷迭代完成數據分類的無監督分類算法。采用K-means聚類方法對參數空間的數據進行聚類,大致處于同一直線的間斷點邊界在參數空間會發生一定的聚集效應,從而完成處在同一曲線上的間斷點邊界的拼接[14-15]。K-means聚類依賴于初始聚類中心的選取,若選取不當,很容易發生局部收斂的情況。而在本文的情況中,聚類中心的個數難以確定,通過構造距離代價函數,并以距離代價最小準則求解最佳聚類數k。聚類方法的實現步驟如下:

(1) 通過Hough變換將間斷點邊界轉換到參數空間后,轉換成參數空間中的有聚集效應的離散點,其包含了原空間中間斷點邊界的斜率和截距的信息。

(2) 構建聚類距離代價函數,設k為最佳聚類數,有n個聚類對象,m為總樣本均值,mi為當前簇Ci的樣本均值,p為任意對象,則有距離代價函數F(S,k):

(2)

當距離代價函數F(S,k)最小時,k即為最佳聚類數。

(3) 計算數據集中的數據到各個聚類中心的距離,將其歸類到最近的聚類中心,并計算新簇的質心。

(4) 在所有數據劃分完畢后,根據劃分情況重新計算各個簇的質心,對數據進行重新劃分并進行迭代計算,直到質心不變或達到最大迭代次數,其各簇即為連續的間斷點邊界,如圖7所示。

(5) 計算每類簇的數據體量作為該類的可信度指標。由于分模線的間斷點邊界較多,其所在簇的數據體量要遠遠多于其他簇,由此使用最小二乘法擬合分模線的間斷點邊界。對分模線邊界進行數量、長度和寬度等的特征提取對分模線的質量進行綜合評估。

3 實驗驗證

采用本文所述方法,與傳統的缺陷檢測方法作以下對比:①本文采用方法與傳統缺陷檢測方法所用時間作對比;②本文采用方法擬合分模線的位置參數與傳統缺陷檢測方法擬合分模線位置參數進行對比。邊緣提取和分模線擬合效果如圖7所示,傳統邊緣提取算法面對復雜干擾下提取分模線結構的能力較差。

▲圖7 檢測對比圖

兩種算法的效果對比如表1所示,表中統計了兩種算法的運算時間,分模線擬合的正確度和分模線缺陷檢測的準確度。

表1 測量數據對比

由表可知:

(1) 傳統缺陷檢測方法耗時1 052.835 ms,本文算法耗時555.231 ms。本文算法在檢測效率方面有極大優勢,可以適應工業現場高速檢測的需求;

(2) 傳統缺陷檢測方法對分模線擬合的正確度只有60%,缺陷檢測準確度只有50%;本文方法對分模線擬合的正確度達98.6%,缺陷檢測準確度達98.5%。這是由于分模線結構的特殊性,導致在傳統缺陷檢測方法的采集方法下分模線可見度不高,從而影響檢測精度;本文方法通過引入條紋光來加強分模線特征,并通過在頻率域空間構建濾波器對圖像進行銳化,最后通過聚類方法對分模線缺陷進行分類與檢測,滿足工業現場的高精度檢測要求。

綜上所述,本文所述方法具有檢測速度快,檢測精度高且重復穩定性好,有效地實現了工業現場的玻璃瓶分模線缺陷檢測。

4 結論

本文針對工業現場分模線質量檢測的難點,提出了基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方案,通過對打光方案的優化和聚類算法的改進,最終對分模線進行特征提取并對其進行質量檢測。本文總結如下:

(1) 針對分模線結構的特殊性,提出使用條紋光源加強分模線特征的方法。該方法基于條紋光通過分模線發生折射的原理,實現了分模線可見度的增強;

(2) 基于利用條紋光進行分模線可見度的增強方法,提出了構建頻率域濾波器來銳化圖像邊緣特征。算法通過空間域中邊緣方向與頻率域中高頻亮點的位置的內在聯系,在頻率域構建高通濾波器,來銳化圖像指定方向上的邊緣特征,實現了分模線邊緣特征的銳化;

(3) 基于銳化后的分模線邊緣特征,提出了基于Hough變換和K-means聚類的玻璃瓶分模線缺陷檢測方法。算法將銳化后的分模線邊緣特征轉至參數空間,通過構造距離代價函數,使用自適應的K-means聚類方法對分模線進行定位和檢測,實現了工業現場的玻璃瓶分模線檢測。