一种智能空瓶检测机器人瓶底定位方法与流程

本发明涉及工业自动化视觉检测技术领域，特别涉及一种智能空瓶检测机器人瓶底定位方法。

背景技术：

在啤酒生产中，企业为减低生产成本，约80％的啤酒空瓶进行循环利用，而回收瓶质量参差不齐。在空瓶运输和上线过程中易造成空瓶破损。同时空瓶的瓶底上若粘附有异物，灌装后由于这些异物的存在，会严重影响到瓶内液体的质量，产生食品安全隐患。另外啤酒瓶在运输过程中易发生摩擦、碰撞，可能产生裂纹，使用这样的空瓶进行灌装会导致发生泄漏甚至爆炸的情况。因此，在空瓶进行灌装前必须进行空瓶质量检测。

国外，机器视觉技术起步早，但研究瓶底缺陷检测方法的文献较少，shafait等人应用hough变换实现空矿泉水瓶瓶底定位检测。droraiger和huguestalbot提出了一种检测纹路的简单快速有效的方法，这种方法基于相位变换(phaseonlytransform)，可快速移除小尺度的规则纹路，保留不规则区域，但该方法对于环形纹路缺陷无法进行有效判别。在国内，段峰等人最先展开啤酒空瓶检测系统的研究，提出环形边缘检测法、模板匹配法、多神经网络法等3种瓶底缺陷检测法，前两种方法检测速度快，但效果不理想，后者抗干扰能力强，但前期样本采集、神经网络训练工作量大、时间长。刘焕军等人和张莹等人采用支持向量机实现瓶底缺陷检测。马思乐等人采用最小二乘法对啤酒瓶瓶底进行定位。张田田采用全局阈值分割进行瓶底缺陷检测。

上述玻璃啤酒瓶底缺陷检测方法仍存在2个共同问题：1)当瓶底图像中灰度值分布不均匀、缺陷灰度值变化范围大、防滑纹区域出现大量干扰时，无法实现高速高精度瓶底定位；2)传统瓶检测方法没有利用防滑纹特性信息，对于防滑纹区域的缺陷，容易漏检。

技术实现要素：

针对上述问题，本发明在前人研究啤酒瓶缺陷检测方法的基础上,对瓶底图像中轮廓特征进行分析，提出利用瓶底防滑纹作为圆拟合的边缘点，采用基于变权重最小二乘圆拟合的瓶底定位算法，有效减少了干扰点对定位的影响。通过获取防滑纹位置信息综合应用，对瓶底缺损和大量干扰点有更强的抵抗能力，定位精度更高，实现玻璃瓶底质量自动化检测。

一种智能空瓶检测机器人瓶底定位方法，包括以下步骤：

步骤1：获取玻璃瓶底图像，瓶底图像预处理；

步骤2：利用重心法获取玻璃瓶底图像的重心坐标(xo′,yo′)；

步骤3：以步骤2所得重心为中心，从玻璃瓶底图像中提取瓶底防滑纹的圆拟合边缘点；

防滑纹的几何特征一般表现为一个周长约为10-40个像素且灰度为0的区域。

查找瓶底外边缘点灰度为0的轮廓，计算每个轮廓的周长，保存所有周长约为10-40个像素的轮廓信息；

步骤4：将防滑纹边缘点应用变权重最小二乘法进行玻璃瓶底边缘圆拟合，完成玻璃瓶底定位；

所述步骤3的具体步骤如下：

步骤a：利用重心坐标和设定的扫描半径rs，对玻璃瓶底图像进行ns次径向扫描，获取n'个玻璃瓶底外防滑纹边缘点i表示第i次径向扫描，1≤i≤ns，ns＝360/δα，δα表示径向扫描间隔；

防滑纹的几何特征一般表现为一个周长约为10-40像素且灰度为0的区域。查找瓶底外边缘点灰度为0的轮廓，计算每个轮廓的周长，保存所有周长约为10-40像素的轮廓信息。

步骤b：将所有周长约为10-40像素的轮廓点作为圆拟合的边缘点；

所述步骤4的具体步骤如下：

步骤a：依次求出重心坐标到所有防滑纹的圆拟合边缘点的测量距离：

步骤b：计算相邻圆拟合边缘点的测量距离差分绝对值|δfm(i)|＝|fm(i+1)-fm(i)|；

步骤c：对所有的|δfm(i)|进行从大到小排序，排序靠前的前100·tc％个测量距离差分绝对值对应的圆拟合边缘点作为干扰点，其中，tc为设定阈值，0≤tc≤1；

步骤d：去除干扰点及与该干扰点相邻的后一个圆拟合边缘点，将剩余圆拟合边缘点进行最小二乘法圆拟合，获得玻璃瓶底圆心位置。

进一步地，所述将剩余圆拟合边缘点进行最小二乘法圆拟合的具体步骤如下：

步骤1：将剩余圆拟合边缘点均匀分成ng组，依次从分组后的防滑纹的圆拟合边缘点组中随机选取nc组圆拟合边缘点；

步骤2：采用变权重最小二乘法对每组外边缘点进行圆拟合；

其中，(x0,y0)表示拟合圆圆心坐标，r表示拟合圆半径，(xi,yi)表示当前圆拟合边缘点组中第i个圆拟合边缘点的坐标，ngc表示每组圆拟合边缘点组中边缘点的总数目，ngc＝nc*n'/ng(ngc∈z⁺)；

w(i)表示当前圆拟合边缘点组中第i个圆拟合边缘点的权重因子，τ是削波因数，τ＝2σδ，δi表示当前圆拟合边缘点组中第i个圆拟合边缘点到重心的距离；

削波因数τ指明哪些点应被视作离群值，因为它代表的是一个距离，所以它可以通过参数设置进行调整，本发明根据轮廓点到重心的距离值的标准偏差来确定τ的值。

步骤3：对残差平方和函数y运用最小二乘原理拟合圆，通过最小化误差的平方和找到最优圆拟合参数；

令y(x0,y0,r)对x0，y0，r求偏导，令偏导等于0，得到极值点，比较所有极值点的函数值得到最小极值点，得到以最小极值点对应的个拟合圆参数；

每个拟合圆参数包括拟合圆圆心坐标(x0,y0)和半径r，1≤k≤ngc；

其中，表示第j次所选择圆拟合边缘点组中第k个圆拟合边缘点的坐标；

a、b、c、d、e为最小二乘法拟合圆过程中计算圆心坐标参数时的公式推导简化式，无具体含义；

步骤4：计算每个拟合圆圆心到所有剩余圆拟合边缘点的距离与拟合半径之间差的绝对值小于dc的剩余圆拟合边缘点数量同时，计算

步骤5：选择最大的η^j对应的拟合圆作为玻璃瓶瓶底，完成玻璃瓶瓶底定位。

进一步地，所述步骤2利用重心法获取玻璃瓶底图像的重心坐标(xo′,yo′)的具体过程如下：

首先，对采集到的玻璃空瓶瓶底图像f(x,y)进行全局阈值分割处理，得到瓶底二值化图像g(x,y)，t为设定的分割阈值，

其次，按照重心计算公式获取重心坐标：

其中，nb、xm和ym分别表示为0的像素点的总数量、第m个为0像素点的x和y坐标，g(xm,ym)表示坐标为(xm,ym)的像素点对应的灰度值，1≤m≤nb,m∈z⁺。

进一步地，所述步骤3中径向扫描步进角δα小于等于90°。

进一步地，所述步骤3中径向扫描步进角δα取值为1°-10°。

有益效果

与现有技术相比，本发明的优点在于：

(1)抗干扰能力强

定位精度主要受干扰边缘点的影响，尤其是连续干扰和大量离散的随机干扰点等，而本发明提出的啤酒瓶底定位方法，利用重心到各边缘点距离的变化特征去除离散的随机干扰点的影响，通过将防滑纹边缘点分组拟合取最优拟合结果的方法消除大量连续干扰对瓶底定位的影响，因此本文定位方法对连续干扰和离散随机干扰都具有很强的抵抗能力。

(2)执行速度快

本发明提出的啤酒空瓶瓶底定位方法通过对分组后每次提取的边缘点仅一次计算就可以得到该组边缘点所对应的拟合圆圆心坐标和半径，因此方法速度快。

(3)定位精度高

本发明提出的啤酒空瓶瓶底定位方法对在进行最小二乘圆拟合前的边缘点经过了去除噪声的处理，且选取其中的最优结果作为瓶底中心位置。利用瓶底防滑纹的边缘进行瓶底中心拟合，由于瓶底防滑纹是以瓶底真实圆心为圆心的一个圆环，故提取瓶底防滑纹信息作为圆拟合算法的输入边缘点能有效提高定位精度。因此该方法比单独使用霍夫变换法和随机圆拟合方法的定位精度都要高。

附图说明

图1为采集的玻璃瓶底图像，其中，(a)为正常完好瓶底，瓶底防滑纹区域标记如图所示，(b)为存在连续干扰和异物遮挡的瓶底图像示意图；

图2是本发明玻璃瓶底定位方法的流程总框图；

图3是本发明玻璃瓶底定位方法实施例的具体流程示意图；

图4是径向扫描示意图；

图5是提取到的防滑纹轮廓特征；

图6是图像各阶段处理效果图；

图7为采用霍夫变换法对瓶底图像进行定位的效果图；

图8为采用本发明所述方法对瓶底图像进行定位的效果图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

图1(a)(b)分别是正常完好瓶底和瓶底存在异物遮挡和连续干扰的瓶底源图像，其中防滑纹和内区域用封闭的黑色实线标出，图2和图3分别是本发明玻璃瓶底定位方法流程总框图和具体流程示意图，其具体步骤如下：

(1)重心法获取瓶底圆心的大致位置。

首先，对采集到的啤酒空瓶瓶底源图像进行全局阈值分割处理，得到瓶底二值化图像，如式(1)所示，其中x,y分别表示像素的x,y坐标，t表示设定的分割阈值，在给定了啤酒空瓶型号之后，该阈值是经过实验测试得到的，因此，空瓶检测系统在进行另一型号的啤酒空瓶检测之前，需要使用一定数量的检测空瓶进行测试，以得到合适的阈值t；随后，进行阈值处理并求出此二值瓶底图像的重心坐标(xo'，yo')，重心计算公式如式(2)所示，其中，nb、xm和ym分别表示为0的像素点的总数量、第m个为0像素点的x和y坐标，g(xm,ym)表示坐标为(xm,ym)的像素点对应的灰度值，1≤m≤nb,m∈z⁺，该值通过式(1)得到，因此，它只能为1或者0。

(2)径向扫描获得瓶底图像的边缘点。

如图4所示，以上述步骤(1)得到的重心位置o'为圆心，以rs为半径(rs预先设定，该值大致等于瓶底外边缘圆半径的一半)，绘制一个圆，该圆被称之为扫描圆，沿逆时针方向进行360度的径向扫描，径向扫描从重心o'开始，当扫描到第一个非零像素点时停止，此非零像素点是干扰点或瓶底的真实防滑纹边缘点，如果沿着扫描半径方向一直扫描至pi位置仍然没有发现灰度值非零像素点，则说明该边缘点缺失，当瓶底边缘出现较大裂缝时会出现该情况。径向扫描每隔δα度进行一次，我们称δα为径向扫描步进角，δα预先设定，一般取5度或更小的值。共进行ns次径向扫描，ns＝360/δα，最终得到瓶底防滑纹边缘点n'个(如果瓶底图像完整，则n'＝ns，如果瓶底图像不完整，则n'<ns)，并按顺序保存边缘点坐标(xpi',ypi')和对应的序号i，其中xpi'和ypi'值可由式(3)得到，i表示径向扫描的序号，如第10次径向扫描时i＝10，若无边缘点缺失，径向扫描得到的对应边缘点为p10'。

(3)根据瓶底防滑纹几何特征，提取瓶底防滑纹边缘点；

如图5所示，根据瓶底外边缘点信息，由于瓶底防滑纹是以瓶底真实圆心为圆心的一个圆环。故提取瓶底防滑纹信息作为圆拟合算法的输入边缘点能有效提高定位精度。防滑纹的几何特征一般表现为一个周长约为10-40个像素且灰度为0的区域。查找瓶底外边缘点(利用重心坐标和设定的扫描半径rs，以重心为中心对玻璃瓶底图像进行向外径向扫描，获取的玻璃瓶底外防滑纹边缘点)灰度为0的轮廓，计算每个轮廓的周长，保存所有周长约为10-40像素的轮廓信息。将所有周长约为10-40像素的轮廓点(可能为防滑纹或者干扰区域)作为圆拟合的假设边缘点。

通过上述步骤(1)、(2)和(3)分别求得了重心o'和所有防滑纹边缘点的坐标，由两点间的距离公式可求出重心和到第i个边缘点的距离fm(i)，我们称该距离为测量距离，如式(4)所示，i从1变化至ns，依次求出重心到所有边缘点的距离并存储，求出其差分的绝对值|δfm(i)|，如式(5)所示，对所有的|δfm(i)|值进行从大到小排序，并按顺序保存在集合{s}中，其中排序靠前的前tc*n'个元素被认为是干扰点，其中tc是设定的一个阈值，0≤tc≤1，去除干扰点及与该干扰点相邻的后一个边缘点，最终剩余的n个点被认为是啤酒瓶底的真实防滑纹边缘点。

|δfm(i)|＝|fm(i+1)-fm(i)|(5)

(4)边缘点分组，应用最小二乘法进行瓶底外边缘拟合。

将以上步骤(3)得到的n个瓶底外边缘点均匀的分成ng组，从ng组边缘点中任意选择nc组边缘点，用最小二乘法进行圆拟合，得到拟合圆的参数，其中拟合圆圆心坐标和半径分别是(x0,y0)和r，如式(6)所示，a、b、c、d和e的表达式如式(7)所示，其中i是整数，它的变化范围为1≤j≤ngc，ngc表示当前所选择的nc组边缘点的总数目，ngc＝nc*n'/ng1≤k≤ngc；同时求出所有n'个边缘点到拟合圆圆心的距离与拟合半径差的绝对值少于dc的边缘点的数目nobj占所有边缘点数目的比例η^j，η^j＝n^jobj/n'，dc是设定的一个阈值，保存拟合圆参数、对应的η^j以及步骤(4)执行的次序号j，上述步骤(4)的操作每执行一次，j增加1(其初始值为1)。

表示第j次所选择的nc组边缘点中第k个边缘点的坐标；

重复执行步骤(4)的上述操作，直至穷尽种组合,j的最终值等于的大小。

(5)选择拟合圆上边缘点数目所占边缘点总数的比例最多的拟合结果作为瓶底位置。比较所有的η^j值大小，选择最大的η^j值所对应的拟合圆圆心作为瓶底圆心的中心位置。综上所述，本发明专利提出的啤酒瓶底视觉定位方法需要设定的参数如表1所示。

表1方法设定参数说明

为分析本发明提出的瓶底定位方法的性能，用人工标定出瓶底中心坐标or(xor,yor)和瓶底外边缘半径r，该结果作为瓶底中心的真实位置和瓶底外边缘的真实半径，本文方法与hough变换检测的结果作为对比，同时定义本发明提出的瓶底定位方法得到的的瓶底中心of(xf，yf)与人工标定得到的瓶底中心的距离之差为瓶底定位误差ε，如式(8)所示。

下面通过一个具体的应用实例分析该方法，图1中的(a)作为瓶底测试图像，(图像的分辨率为648x483,灰度级数为256)，先通过人工标定得到瓶底中心坐标和瓶底外边缘半径：xor,＝310，yor＝267，r＝120；其次，设定本发明提出的瓶底定位方法的各参数，其中t＝160，δα＝1度，tc＝1/4，ng＝8，nc＝2，dc＝2时，输入测试图像，各阶段处理结果示意图如图6所示，得到本文方法运行效果如图8所示。

为了验证本发明方法的有效性和准确性，对同一幅瓶底图像采用霍夫变换法和本发明方法进行瓶底圆心定位，检测结果如图7和图8所示，图7为采用霍夫变换法对瓶底图像进行定位的效果图，图中能够清晰看到，由于瓶底图像采集过程中机械的振动和光源的亮度变化，以及瓶底图像中存在异物遮挡或连续干扰点，导致定位偏差较大；图8为采用本发明所述方法对瓶底图像进行定位的效果图。防滑区和内区域被准确的分割，定位误差ε＝0.53，基本能准确定位到瓶底真实圆心，且抗干扰能力强。