论文部分内容阅读
工业4.0和智能制造时代的到来,智能工厂和智能制造设备和产业已然成为了世界各国的共同焦点。在工业4.0中,饮料智能制造生产线是其中的一个重要应用场景。在饮料行业中,啤酒的生产大多采用回收旧瓶进行再生产,在对啤酒进行罐装之前都需要严格的对玻璃空瓶进行质量检测。传统的人工检测存在着很多的漏检,并且效率低、成本高。采用机器人视觉的方法,检测精度高、容错性强、速度快、成本低。本文主要研究基于机器视觉的瓶身缺陷检测单元的图像处理算法,旨在研发一套高性能的瓶身缺陷检测、识别算法。在对瓶身缺陷检测之前,首先需要确定瓶身在图像中的位置,好的瓶身定位算法可以大大降低瓶身缺陷检测算法的复杂度和提高检测速度。本文根据瓶身图像的空间特征提出了基于边缘点重心和基于垂直灰度投影极值点两种瓶身定位算法,定位精度在4个像素左右,平均定位时间为1ms,实验结果表明这两种算法可以很好的应用到瓶身缺陷检测的定位环节。由于瓶身瓶壁的透光率不一致,以及瓶身本身存在的LOGO文字和磨损的影响,瓶身各个部分的灰度值分布存在着较大的差异性,采用对瓶身图像的整体检测通常很难达到较好的效果。因此,本文根据瓶身图像的像素灰度值分布特点,提出了一种分区域瓶身缺陷检测算法。算法将瓶身图像分为光滑区域、耐磨带区域、LOGO文字区域三个部分,对光滑区域采用基于超像素聚类的缺陷提取和超像素内像素均值特征的缺陷识别方法;对耐磨带区域提出了基于水平梯度算子的缺陷检测识别算法;对LOGO文字区域提出了基于改进的Canny边缘检测算子的矩形块提取和基于卷积神经网络的缺陷和LOGO文字识别算法。本文设计的瓶身缺陷检测算法,检测准确率能达到97%,运行平均时间为37ms,检测精度较高、速度快,能达到国际平均每小时72000瓶的速度,具有实际应用价值。