基于機器視覺的醫(yī)用塑料瓶瓶口檢測系統(tǒng)研究

岳昊 武栓虎

Abstract： Pharmaceutical plastic bottles will produce flaws at the mouth of the bottle during the production process， such as nicks and thinner bottle-mouth. This type of medicine bottle cannot be sealed， affecting the tightness of medicines and endangering the health of drug users. At present， many companies still rely on manual inspections. Because the defects are not obvious， the rate of human error detection is high. For this reason， a set of medicine-based plastic bottle and mouth detection system based on machine vision is designed. A high-speed industrial camera， through the hard trigger in the designated station of the assembly line， takes the phase on the top of the plastic bottle， designs the algorithm according to the characteristics of the image， and the vision system completes positioning， segmentation and detection. Through actual production tests， it is verified that this system is superior to manual detection in terms of accuracy and speed， and meets the inspection requirements of enterprises.

引言

醫(yī)用塑料瓶在生產(chǎn)過程中，會出現(xiàn)部分瑕疵品，如瓶口過薄或豁口等，尤其是瓶口過薄，此類瑕疵并不明顯，人工漏檢率高。漏檢的瑕疵藥瓶無法有效承接后續(xù)的封口過程，藥品的密封性受到影響，危害使用者健康。

基于機器視覺的檢測具有非接觸性的優(yōu)點，且精度高，速度快，目前基于機器視覺的對瓶口的檢測多應(yīng)用于玻璃瓶，文獻 [1-2]是對啤酒瓶瓶口的檢測，由于材質(zhì)不同檢測方式也不同。文獻[3]是對鋁塑泡罩藥品包裝的檢測，但醫(yī)用塑料瓶的瓶口檢測系統(tǒng)較少。

為了解決這一問題，設(shè)計了一套基于機器視覺的醫(yī)用塑料瓶瓶口檢測系統(tǒng)，目的是能夠替代傳統(tǒng)的人工檢測方式，提高生產(chǎn)效率。

下面分別對系統(tǒng)構(gòu)成和檢測算法展開論述，最后將給出相關(guān)結(jié)論。

1系統(tǒng)構(gòu)成

醫(yī)用塑料瓶瓶口檢測系統(tǒng)主要包括3個模塊，分別是：圖像采集模塊、圖像處理模塊與邏輯電路控制模塊。系統(tǒng)設(shè)計結(jié)構(gòu)如圖1所示。

由圖1可知，藥瓶在流水線上勻速運動，當藥瓶觸發(fā)紅外傳感器時，傳感器發(fā)送相機取相信號。設(shè)定相機的觸發(fā)延遲，時長為瓶蓋由觸發(fā)位置勻速運動到相機正下方的所用時間。相機的取相結(jié)果交由圖像處理模塊進行分析。圖像處理模塊根據(jù)處理結(jié)果決定是否發(fā)出剔除信號。處理結(jié)果將管控吹氣閥是否在剔除工位剔除不合格藥瓶。研究得到系統(tǒng)的處理流程如圖2所示。

2算法分析及構(gòu)成

為了準確檢測瓶口瑕疵點，需要對瓶口進行分割。因為瓶口和瓶體的顏色相近，無法一次性快速且準確地做到定位分割。為了提高速度和精度，先利用傳統(tǒng)的圖像分割算法對瓶口進行初步定位，確定其初步位置，縮小檢測范圍，然后利用檢測算法精確判斷瓶口位置，并計算厚度，識別瑕疵。此后，對不合格的藥瓶發(fā)出剔除信號。

2.1檢測區(qū)域定位

如圖3（a）所示，藥瓶瓶體為白色，考慮到初步定位所需，皮帶背景選擇黑色，利于分割。相機由上至下取相，同時配合使用同軸光源[4]，使得瓶口部分更為顯著，利于后續(xù)的分割過程。實際環(huán)境中取相效果如圖3所示。其中，（b）為合格瓶口，（c）、（d）、（e）為不合格瓶口（瑕疵點用矩形框出）。由圖3可以看出，瓶口瑕疵處并不明顯。

首先對圖像進行灰度閾值分割[5]，此分割方法雖然簡單，但滿足處理要求，且在速度上優(yōu)于自適應(yīng)閾值分割等分割方法。分割閾值可結(jié)合實際生產(chǎn)環(huán)境的光照條件等因素綜合設(shè)定。這里，就在研發(fā)后調(diào)取了圖3（e）的分割結(jié)果即如圖4所示。

由分割結(jié)果可知，結(jié)果中存在一些雜質(zhì)，可以對分割結(jié)果采用開運算，即先進行腐蝕、再進行膨脹，此法可消除分割結(jié)果中一些孤立的雜質(zhì)，且不破壞主體結(jié)構(gòu)[6]。處理后結(jié)果將如圖5所示。至此，檢測區(qū)域初步定位完成，此結(jié)果可滿足接下來的檢測要求。

2.2算法設(shè)計

瓶口過薄在圖像中并不明顯，常規(guī)的檢測算法難以檢測這一缺陷。參考圖3，在瓶口的瑕疵部位，瓶口邊界點模糊，而無缺陷部位邊界分明，因此這里將首先限定檢測范圍，進一步縮短檢測時間，然后沿瓶口所在圓的切線的垂直線尋找突變點的方式實現(xiàn)檢測。

取2.1節(jié)中的分割結(jié)果，如圖5所示，對瓶口部分擬合圓，擬合方式采用最小二乘法。獲取圓心O與半徑R，以O(shè)為圓心做2個同心圓，其半徑分別為R1，R2。并且R1=R-L1，R2=R+L2，根據(jù)實際條件設(shè)定L1，L2的值，使得瓶口處于2個同心圓之間，如圖6所示。

將2個圓做差運算得到區(qū)域D，并將區(qū)域D等面積劃分為N個區(qū)域，分別為D1，D2，D3，...，Dn，每個Di作為一個獨立的檢測區(qū)域。如圖7所示。

在每個扇形塊中沿圓的射線方向由內(nèi)向外尋找2個突變點[7]，如圖8（a）所示（圖中用a，b表示），并計算2個突變點的距離。若兩個突變點的距離與標準厚度之差的絕對值大于給定閾值或突變點的個數(shù)不為2個（若距離不符合要求，則為口壁過薄；若不足2個點，可斷定此處瓶口含豁口），則該扇形塊即為異常塊。統(tǒng)計異常塊的個數(shù)，若個數(shù)大于設(shè)定閾值，則該藥瓶為不合格品。仍以圖3（e）為例，研發(fā)得到圖3（e）的檢測結(jié)果如圖8（b）所示。其中，突變點用十字標出，繪制瑕疵點到圓心的連線，同時顯示檢測結(jié)果。

綜合前述研究可知，圖8為示意圖，檢測塊較少，僅為直觀說明檢測過程。實際系統(tǒng)中，可通過數(shù)據(jù)采集模塊，采集瓶口的標準厚度與檢測誤差值。合理設(shè)置厚度閾值和異常塊個數(shù)閾值可有效地控制檢測精度，滿足企業(yè)生產(chǎn)要求。

3系統(tǒng)運行結(jié)果

本套系統(tǒng)使用C++編程語言，MFC作為編程框架。分為2個主要模塊，即：數(shù)據(jù)采集模塊和檢測模塊。其中，數(shù)據(jù)采集模塊采集正常藥瓶瓶口數(shù)據(jù)，并保存；檢測模塊則在檢測時讀取數(shù)據(jù)，用于檢測。

通過大量醫(yī)用塑料瓶的生產(chǎn)過程驗證，該系統(tǒng)可以準確識別缺陷瓶口，準確率達99%以上，最快速度可達10個/s，可抵數(shù)個人工，滿足了企業(yè)對瓶口檢測的要求。

4結(jié)束語

為了解決人工檢測醫(yī)用塑料瓶瓶口速度和準確率低的問題，設(shè)計了一套基于機器視覺的醫(yī)用塑料瓶瓶口檢測系統(tǒng)，該系統(tǒng)能準確檢測瓶口缺口與過薄等輕微瑕疵。

同時系統(tǒng)設(shè)有數(shù)據(jù)采集模塊，能針對不同規(guī)格的醫(yī)用塑料瓶采集標準數(shù)據(jù)，實現(xiàn)對該類瓶口的檢測，滿足企業(yè)需求，具有一定的實用價值。

參考文獻

[1] 羅時光. 基于機器視覺的玻璃瓶口缺陷檢測方法[J]. 包裝工程，2018，39（3）：183-187.

[2] 黃志鴻，毛建旭，王耀南，等. 基于機器視覺的啤酒瓶口缺陷檢測分類方法研究[J]. 電子測量與儀器學報，2016，30（6）：873-879.

[3] 周顯恩，王耀南，朱青，等. 基于機器視覺的瓶口缺陷檢測方法研究[J]. 電子測量與儀器學報，2016，30（5）：702-713.

[4] 楊銳. 機器視覺照明技術(shù)與裝置實驗研究[D]. 鄭州：中原工學院，2016.

[5] 吳一全，孟天亮，吳詩婳. 圖像閾值分割方法研究進展20年（1994—2014）[J]. 數(shù)據(jù)采集與處理，2015，30（1）：1-23.

[6] 武瑛. 形態(tài)學圖像處理的應(yīng)用[J]. 計算機與現(xiàn)代化，2013（5）：90-94.

[7] 單紫薇. 基于機器視覺測量的齒輪圖像邊界提取算法研究[D]. 沈陽：沈陽工業(yè)大學，2017.