基于BP神經(jīng)網(wǎng)絡(luò)的啤酒瓶口檢測(cè)方法

郭克友, 廉麗冰, 李 娜

(北京工商大學(xué)材料與機(jī)械工程學(xué)院,北京 100048)

基于BP神經(jīng)網(wǎng)絡(luò)的啤酒瓶口檢測(cè)方法

郭克友, 廉麗冰, 李 娜

(北京工商大學(xué)材料與機(jī)械工程學(xué)院,北京 100048)

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)啤酒瓶口的破損檢測(cè).首先獲取啤酒瓶口圖像,并進(jìn)行圖像處理.然后計(jì)算啤酒瓶口的周長(zhǎng)、面積、圓形度和相對(duì)圓心距離4種特征參數(shù),由這4種特征參數(shù)構(gòu)成特征向量組.其次建立結(jié)構(gòu)為4-7-1的BP神經(jīng)網(wǎng)絡(luò)模型,將特征向量組作為神經(jīng)網(wǎng)絡(luò)的輸入.最后對(duì)啤酒瓶口破損情況進(jìn)行訓(xùn)練,根據(jù)訓(xùn)練結(jié)果獲得權(quán)值和閾值矩陣,通過(guò)邏輯轉(zhuǎn)換關(guān)系獲得啤酒瓶口的破損情況.經(jīng)實(shí)驗(yàn)驗(yàn)證該方法具有很好的準(zhǔn)確度和檢測(cè)效率.

BP神經(jīng)網(wǎng)絡(luò);破損檢測(cè);特征向量;瓶口

目前,國(guó)內(nèi)啤酒瓶的回收利用在啤酒行業(yè)仍然占據(jù)主要份額(根據(jù)數(shù)據(jù)統(tǒng)計(jì)重復(fù)使用率高達(dá)85%)[1],為確保產(chǎn)品質(zhì)量,需要對(duì)回收的啤酒瓶進(jìn)行嚴(yán)格的檢測(cè),若有破損、裂痕等情況,則不能再次使用.在啤酒生產(chǎn)和包裝過(guò)程中,許多環(huán)節(jié)已實(shí)現(xiàn)自動(dòng)化,但啤酒瓶破損情況仍然依靠人工檢測(cè).人工檢測(cè)的效率不高,長(zhǎng)時(shí)間對(duì)視瓶口和重復(fù)同樣的動(dòng)作,會(huì)使人產(chǎn)生疲勞綜合癥.而機(jī)器視覺(jué)具有可重復(fù)性、長(zhǎng)期性和高速性等特點(diǎn),可利用機(jī)器視覺(jué)來(lái)對(duì)啤酒瓶口進(jìn)行智能化檢測(cè)[2-4].本文對(duì)機(jī)器視覺(jué)技術(shù)在啤酒瓶口檢測(cè)中的應(yīng)用進(jìn)行探討與研究,并給出了一種可用于工業(yè)上檢測(cè)啤酒瓶口的方法——基于BP神經(jīng)網(wǎng)絡(luò)的啤酒瓶口檢測(cè)方法.

1 啤酒瓶口圖像的采集和處理

采集啤酒瓶口圖像的模擬檢測(cè)裝置如圖1,該裝置由CCD相機(jī)、鏡頭、環(huán)形照明裝置和轉(zhuǎn)動(dòng)機(jī)械平臺(tái)等組成.采集的原始圖像如圖2(a),采用黑色背景,可減少外界環(huán)境的噪聲干擾.

對(duì)啤酒瓶口破損情況分析,可明顯看出啤酒瓶口圖像中,具有破損的區(qū)域的灰度值和正常區(qū)域的灰度值存在很大差異[5].在檢測(cè)破損之前,首先對(duì)啤酒瓶口進(jìn)行圖像處理.圖像處理步驟包括:除去瓶?jī)?nèi)無(wú)關(guān)像素,預(yù)處理,形態(tài)學(xué)處理,以及采用hough圓定位法對(duì)啤酒瓶口的圓心進(jìn)行定位[6-7],整個(gè)圖像處理過(guò)程的效果如圖2.

預(yù)處理的過(guò)程采用最基本的圖像處理方法,首先進(jìn)行灰度化處理,便于分析圖像特征;然后進(jìn)行直方圖均衡化,加強(qiáng)圖像的對(duì)比度;最后進(jìn)行閾值分割,使圖像有用特征更為突出[8-10].

形態(tài)學(xué)的處理首先采用閉運(yùn)算腐蝕來(lái)填充啤酒瓶口二值圖像中瓶口輪廓內(nèi)部存在的細(xì)小空洞,并使相鄰的區(qū)域連通;然后采用平滑處理,改善圖片質(zhì)量;最后進(jìn)行開(kāi)運(yùn)算腐蝕,使圖像中原有較大面積的輪廓邊界變得平滑,一些微小的孤立像素點(diǎn)將會(huì)被去除[11-12].

啤酒瓶口的位置可選擇最常用的Hough圓變換法[13].執(zhí)行該算法所需要的時(shí)間較短,可滿(mǎn)足系統(tǒng)的檢測(cè)速度要求,并且具有很好的魯棒性.

經(jīng)過(guò)以上圖像處理操作后,啤酒瓶口圖像中的大部分噪聲已被消除,有用的啤酒瓶口特征也更為突出,對(duì)后續(xù)的圖像特征提取和檢測(cè)效率的提高具有很大的作用.

圖1 啤酒瓶口圖像采集裝置Fig.1 Beer bottlemouth image acquisition device

圖2 圖像處理效果Fig.2 Effect of image procession

2 啤酒瓶口特征向量的提取

通過(guò)對(duì)啤酒瓶口圖像分析得到瓶口的幾何特征參數(shù),在對(duì)比各個(gè)特征的性能之后,確定運(yùn)用瓶口圖像的周長(zhǎng)、面積、圓形度和相對(duì)圓心距離4種特征作為啤酒瓶口破損特征參數(shù).

2.1 周長(zhǎng)的提取

圖像處理的周長(zhǎng)指的是圖像中連通區(qū)域的邊界上像素點(diǎn)的數(shù)目之和.由定義得周長(zhǎng)的計(jì)算方法如式(1):

L={連通域邊界上像素點(diǎn)(x,y)的個(gè)數(shù)},(1)式(1)中,L為連通域的周長(zhǎng).

在啤酒瓶口圖像中,沒(méi)有破損的瓶口圖像的連通域表現(xiàn)為一個(gè)整體,此時(shí)具有一個(gè)最大的周長(zhǎng)值;若存在破損時(shí),連通域表現(xiàn)為多個(gè)零散個(gè)體,所以周長(zhǎng)的個(gè)數(shù)隨之增多,值也相應(yīng)地減小.這些值存在于一個(gè)特定的區(qū)間,此區(qū)間大于圖像中噪音的周長(zhǎng)值,并小于沒(méi)有破損的瓶口的周長(zhǎng)值.因此,圖像中連通域的周長(zhǎng)可以作為啤酒瓶口的一個(gè)特征參數(shù).

2.2 面積的提取

圖像處理中所說(shuō)的面積就是連通區(qū)域內(nèi)所有像素點(diǎn)的像素之和.面積用Aj表示,其計(jì)算方法如式(2):

與連通域的周長(zhǎng)特征類(lèi)似,沒(méi)有破損的瓶口圖像中連通域表現(xiàn)為一個(gè)整體,面積最大,且只存在一個(gè)面積值;當(dāng)檢測(cè)的瓶口存在破損時(shí),面積會(huì)相應(yīng)減小,且面積值的個(gè)數(shù)也會(huì)隨之增多.破損區(qū)域的面積存在于一定的范圍之內(nèi),即小于啤酒瓶口的環(huán)形面積,大于圖像中噪聲面積.

2.3 圓形度的提取

圓形度是指由區(qū)域的面積和周長(zhǎng)計(jì)算得到的與區(qū)域形狀復(fù)雜度有關(guān)的特征量[14],圓形度用字母e表示,具體計(jì)算方法如式(3):

e的計(jì)算結(jié)果在0～1之間.圓形的圓形度為1,其余形狀的圓形度都小于1.連通域形狀越接近圓,其e值就越大;反之,e的值越小.經(jīng)過(guò)圖像處理的啤酒瓶口圖像輪廓為兩個(gè)同心圓,同心圓的圓形度近似為1,而有破損的瓶口的連通域至少被分為兩個(gè),破損部分連通域的圓形度要小于瓶口圖像上瓶口所在的環(huán)形區(qū)域.

2.4 相對(duì)圓心距離的提取

相對(duì)圓心距離指的是啤酒瓶口的圓心與各連通域質(zhì)心之間的距離.對(duì)于一個(gè)連通域f(x,y)(≥0) 的p+q階矩為[15]:

圖像中連通域的質(zhì)心位置通過(guò)一階矩除以零階矩的計(jì)算得到,而零階矩可表示為連通域的面積,即式(5):

一階矩為:

所以,圖像的質(zhì)心位置可由式(8)和式(9)得到.

啤酒瓶口的圓心坐標(biāo)在Hough圓變換的過(guò)程中求得,記作(a,b).利用質(zhì)心位置與圓心位置可計(jì)算出相對(duì)圓心距離r,求解公式見(jiàn)式(10):

至此,用于檢測(cè)啤酒瓶口破損的4個(gè)特征參數(shù)提取完畢.表1為某一被檢圖像的所有連通域的4個(gè)特征參數(shù),最后把這些特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入.

表1 啤酒瓶口圖像的特征參數(shù)Tab.1 Characteristic parameters of beer bottlemouth

3 檢測(cè)啤酒瓶口的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

在啤酒瓶口破損檢測(cè)中,選用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.BP神經(jīng)網(wǎng)絡(luò)是一種多層前向型網(wǎng)絡(luò),它的輸入和輸出之間可以是任意的非線(xiàn)性映射.從表1的特征參數(shù)可以看出,輸入樣本并不是按規(guī)律變化的,而B(niǎo)P神經(jīng)網(wǎng)絡(luò)可用于非線(xiàn)性樣本的訓(xùn)練.在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中,不斷地對(duì)權(quán)值和閾值進(jìn)行學(xué)習(xí)和修正,使網(wǎng)絡(luò)能夠準(zhǔn)確地識(shí)別瓶口是否破損[16-17].

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)采用由輸入層、隱層和輸出層構(gòu)成的3層神經(jīng)網(wǎng)絡(luò).輸入層包含4個(gè)神經(jīng)元,分別為啤酒瓶口圖像中連通域的周長(zhǎng)、面積、圓形度和相對(duì)圓心距離.輸出層設(shè)置一個(gè)輸出值,值為0時(shí),表示瓶口完好,值為1時(shí)表示瓶口破損,而數(shù)值越趨近于0代表啤酒瓶口完好,越趨近于1則啤酒瓶口存在缺陷.通過(guò)回歸方法對(duì)隱層節(jié)點(diǎn)數(shù)優(yōu)化后,確定隱層的節(jié)點(diǎn)數(shù)為7[18-19],其他相關(guān)參數(shù)如表2.

表2 BP神經(jīng)網(wǎng)絡(luò)部分參數(shù)Tab.2 Partial parameters of BP neutral network

3.2 網(wǎng)絡(luò)訓(xùn)練

通過(guò)對(duì)采集到的大量啤酒瓶口圖像進(jìn)行特征提取,共得到1 203組特征值,每一組特征對(duì)應(yīng)一個(gè)輸出,輸出值表示對(duì)應(yīng)瓶口破損情況.程序最后預(yù)測(cè)一組已知結(jié)果的數(shù)據(jù),通過(guò)程序測(cè)試,所得出的預(yù)測(cè)結(jié)果與已知結(jié)果一樣,確定BP神經(jīng)網(wǎng)絡(luò)程序設(shè)計(jì)正確性,整個(gè)訓(xùn)練過(guò)程如圖3.

圖3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程Fig.3 Training process of BP neural network

BP神經(jīng)網(wǎng)絡(luò)采用trainlm算法進(jìn)行訓(xùn)練,該算法具有較少的迭代次數(shù),且訓(xùn)練速度快,滿(mǎn)足網(wǎng)絡(luò)設(shè)計(jì)的要求.BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的誤差變化曲線(xiàn)如圖4,當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到137步時(shí)訓(xùn)練停止,并且達(dá)到所要求的性能.

圖4 誤差變化曲線(xiàn)Fig.4 Curve of error variation

通過(guò)BP神經(jīng)網(wǎng)絡(luò)程序訓(xùn)練后,獲得權(quán)值矩陣及閾值矩陣(w1,b1,w2,b2),如式(11)至式(14).

然后運(yùn)用式(15)至式(17)的關(guān)系進(jìn)行轉(zhuǎn)換:

式(11)至式(17)中,w1,w2為通過(guò)BP神經(jīng)網(wǎng)絡(luò)求取的權(quán)值矩陣,b1,b2為通過(guò)BP神經(jīng)網(wǎng)絡(luò)求取的閾值矩陣,p為由連通域周長(zhǎng)、面積、圓形度、與圓心距離組成的4×1矩陣.

通過(guò)式(15)至式(17)的邏輯轉(zhuǎn)換,啤酒瓶口的檢測(cè)結(jié)果為一個(gè)數(shù)字,數(shù)字范圍在0～1之間,當(dāng)結(jié)果接近于0時(shí),證明啤酒瓶口沒(méi)有破損,反之則說(shuō)明啤酒瓶口上存在缺陷.對(duì)任意的啤酒瓶口,只需將其組成的特征組代入以上的邏輯轉(zhuǎn)換內(nèi),便可計(jì)算出相關(guān)數(shù)值,由此可判斷啤酒瓶口是否存在破損.

4 檢測(cè)結(jié)果分析

檢測(cè)中所使用的啤酒瓶均是市面上最為常見(jiàn)的規(guī)格為640m L的燕京牌啤酒瓶,在樣本采集過(guò)程中對(duì)528個(gè)燕京牌啤酒瓶瓶口樣本進(jìn)行檢測(cè),其中完好啤酒瓶口樣本有432個(gè),存在不同程度瓶口破損的瓶子樣本共有96個(gè),然后隨機(jī)抽取每個(gè)啤酒瓶口樣本進(jìn)行圖像采集,圖像的分辨率為1 024×768,幀率為33 fps.528個(gè)啤酒瓶口樣本的檢測(cè)數(shù)據(jù)及其相關(guān)分析如表3.

表3 啤酒瓶口檢測(cè)結(jié)果Tab.3 Detection results of beer bottlemouth

由于實(shí)驗(yàn)條件的限制,只是對(duì)528個(gè)啤酒瓶口的破損情況進(jìn)行檢測(cè),檢測(cè)基數(shù)相對(duì)較小.通過(guò)對(duì)表3的實(shí)驗(yàn)數(shù)據(jù)分析可以得到,檢測(cè)系統(tǒng)的破損瓶口檢出率為99.25%,誤檢率為0.75%.數(shù)據(jù)表明,該算法應(yīng)用于啤酒瓶口的破損檢測(cè)中具有很好的準(zhǔn)確度.

經(jīng)過(guò)檢測(cè)系統(tǒng)檢測(cè)的528個(gè)啤酒瓶口處理結(jié)果后的8組圖像如圖5(每組圖像上下對(duì)應(yīng),上面為采集到的啤酒瓶口原圖像,下面為該圖像的檢測(cè)結(jié)果).通過(guò)觀察這8組檢測(cè)結(jié)果可知,無(wú)論瓶口上存在的是簡(jiǎn)單破損還是復(fù)雜破損,內(nèi)環(huán)破損還是外環(huán)破損,都能被檢測(cè)系統(tǒng)檢測(cè)出來(lái),檢測(cè)結(jié)果滿(mǎn)足系統(tǒng)的準(zhǔn)確性.

經(jīng)過(guò)測(cè)試,檢測(cè)系統(tǒng)的檢測(cè)速度能夠達(dá)到50 000瓶/h(約14瓶/s),若將此檢測(cè)方法運(yùn)用到實(shí)際生產(chǎn)中,破損啤酒瓶口的檢出率會(huì)因?yàn)闄z測(cè)環(huán)境的不穩(wěn)定而有略微的降低,但依然可以滿(mǎn)足企業(yè)對(duì)檢測(cè)系統(tǒng)的準(zhǔn)確性和實(shí)時(shí)性的要求.

5 結(jié) 論

圖5 部分啤酒瓶口破損檢測(cè)結(jié)果Fig.5 Detection results of partial beer bottlemouth

通過(guò)實(shí)驗(yàn)證明,對(duì)啤酒瓶口圖像進(jìn)行預(yù)處理、形態(tài)學(xué)處理和hough圓定位等操作后,可以有效提取啤酒瓶口破損特征參數(shù),并將特征參數(shù)輸入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,能夠準(zhǔn)確地識(shí)別出啤酒瓶口的破損區(qū)域,而且具有很好的檢測(cè)精度和速度.

采用該啤酒瓶口檢測(cè)方法得到破損瓶誤檢率為1.04%,誤檢使得破損瓶被認(rèn)定為好瓶,可能會(huì)導(dǎo)致該瓶的重新使用,對(duì)此解決辦法有2種:1)可采集更多不同種類(lèi)的破損瓶口,增加BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,進(jìn)一步修正權(quán)值和閾值;2)可采用具有更高像素的工業(yè)相機(jī),提高瓶口的圖像質(zhì)量,降低破損瓶的誤檢率.

本文只是對(duì)啤酒瓶口進(jìn)行破損檢測(cè),若要研制出完整的空瓶檢測(cè)系統(tǒng),還需要對(duì)瓶底及瓶壁等進(jìn)行檢測(cè),這有待進(jìn)一步的研究.

[1] 李娜.啤酒瓶口破損檢測(cè)技術(shù)研究[D].北京:北京工商大學(xué),2013.

[2] 潘磊慶,屠康.基于計(jì)算機(jī)視覺(jué)和神經(jīng)網(wǎng)絡(luò)檢測(cè)雞蛋裂紋的研究[J].農(nóng)業(yè)工程學(xué)報(bào),2007,23(5):154-158.

[3] 劉文志.基于機(jī)器視覺(jué)的啤酒瓶瓶口檢測(cè)系統(tǒng)研究[D].廣州:華南理工大學(xué),2011.

[4] 譚博,唐少先.基于圖像處理的蜜柑大小自動(dòng)分級(jí)方法[J].湖南農(nóng)機(jī),2012,39(5):207-209.

[5] 郭寶良.CCD圖像處理及算法在瀝青路面破損檢測(cè)中的研究[D].淄博:山東理工大學(xué),2011.

[6] 陳勝勇,劉盛.基于OpenCV的計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)[M].北京:科學(xué)出版社,2008:142-150.

[7] 張燕.基于機(jī)器視覺(jué)的藥用玻璃瓶缺陷檢測(cè)的研究[D].合肥:合肥工業(yè)大學(xué),2008.

[8] 劉瑞禎,于仕琪.OpenCV教程基礎(chǔ)篇[M].北京:北京航空航天大學(xué)出版社,2007:155-161.

[9] Otsu N.A threshold selection method from gray-level histograms[J].IEEE Trans on SMC-9,1979(1):62-66.

[10] Brink A D.Thresholding of digital images using twodimensional entropies[J].Pattern Recognition,1992,25 (8):803-808.

[11] 劉慧英,王小波.基于OpenCV的車(chē)輛輪廓檢測(cè)[J].科學(xué)技術(shù)與工程,2010,10(12):2987-2991.

[12] Ortiz F,Torres F,De JE,etal.Colormathematicalmorphology for neural image analysis[J].Real-Time Imaging,2002,8(6):455-465.

[13] Zhaoxia Fu,Yan Han.A simple and fast algorithm of circle detection[EB/OL].(2011-10-19)[2013-10-03].http://www.cnki.net/KCMS/detail/detail.aspx? QueryID=2&CurRec=1&recid=&filename=EGTA 201110001195&dbname=IPFDLAST2012&dbcode= IPFD&pr=&urlid=&yx=&uid=WEEvREcwSlJHSldS-dnQ1ZStPM jJTejdkZVVmUTlmU080QTZQZzBqSDhVUE x3Wit3cFVxSy8vR1VLUG5pUzhRPQ==&v=MTg0Nj dxcXhkRWVNT1VLcm lmWnVKdkVDampVN3ZNS0Z3V 0lDcmZiN0c0SDlETnI0OUZaZW9HQ1JOS3VoZGhuajk4 VG5q.

[14] 谷明琴,蔡自興,李儀.應(yīng)用圓形度和顏色直方圖的交通信號(hào)燈識(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì),2012,33 (1):243-247.

[15] 張?zhí)锾?基于機(jī)器視覺(jué)的啤酒瓶口檢測(cè)系統(tǒng)的研究[D].青島:山東科技大學(xué),2009.

[16] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].2版.北京:機(jī)械工業(yè)出版社,2011:137-170.

[17] 周昕.基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù)的研究[D].南京:南京理工大學(xué),2007.

[18] Yu Pao-Ta,Tsai Huang-Hsu,Lin Jyh-Shyan.Digital watermarking based on neural networks for color images [J].Signal Processing,2001,81:663-671.

[19] 徐曉峰.基于圖像線(xiàn)灰度和BP神經(jīng)網(wǎng)絡(luò)的織物瑕疵點(diǎn)檢測(cè)[J].棉紡織技術(shù),2012,40(5):298-301.

M ethod of Beer Bottle M outh Inspection Based on BP Neural Network

GUO Keyou, LIAN Libing, LINa
(School ofMaterial and Mechanical Engineering,Beijing Technology and Business University, Beijing 100048,China)

Damage identification of beer bottles could be realized by using the BP neural network.First, beer bottlemouth imageswere collected and processed.Four characteristic parameters including the perimeter,area,circularity,and the relative center distancewere calculated and constituted a feature vector group.Then,the BP neural networkmodelwith the 4-7-1 modelwas established and the feature vectors group was inputted to the neural network.Finally,beer bottle damageswould be trained.Theweight and threshold matrix were acquired according to the training results.Beer bottlemouth damageswould be easily obtained through logic relations.The experimental results verified that thismethod had good accuracy and inspection efficiency.

BP neural network;damage inspection;characteristic vector;bottlemouth

TS261.7;TS262.5;TP391

10.3969/j.issn.2095-6002.2014.04.013

2095-6002(2014)04-0069-06

(責(zé)任編輯:檀彩蓮)

郭克友,廉麗冰,李娜.基于BP神經(jīng)網(wǎng)絡(luò)的啤酒瓶口檢測(cè)方法.食品科學(xué)技術(shù)學(xué)報(bào),2014,32(4):69-74. GUO Keyou,LIAN Libing,LINa.Method of beer bottlemouth inspection based on BP neural network.Journal of Food Science and Technology,2014,32(4):69-74.

2013-10-03

北京市屬高等學(xué)校人才強(qiáng)教計(jì)劃資助項(xiàng)目(PHR20110876).

郭克友,男,副教授,博士,主要從事機(jī)器視覺(jué)方面的研究.