基于多线程串行通讯的机器视觉瓶盖缺陷检测

2012-10-08龙智帆孙志海孔万增

杭州电子科技大学学报(自然科学版) 2012年2期

龙智帆，孙志海，孔万增

(杭州电子科技大学计算机应用技术研究所，浙江杭州310018)

0 引言

大批量工业生产过程中，用人工视觉检查产品质量，人眼容易疲劳，主观性强、效率低且精度不高。运用工业机器视觉［1，2］技术对其进行检测，具有非接触、实时、精度高等特点，可以大大提高生产效率和生产过程的自动化水平。近几年，工业机器视觉在工业生产过程中的应用越发得到生产流水线设计人员及研发人员的青睐。但产品质量检测过程中实时检测系统的整体性能及可靠性制约着流水线的生产效率。为此，本文以工业机器视觉产品实时检测过程中多任务并发执行及软硬器件之间的通讯为设计出发点，给出了一种基于多线程串行通讯的工业机器视觉饮料瓶盖缺陷检测的软件设计方案。

1 检测系统

本检测系统由设备控制单元、图像传感单元、图像采集单元、图像处理单元及饮料瓶剔除单元5部分组成。系统结构示意图如图1所示。

图1 系统结构示意图

本系统的工作原理是通过随流水线运动的饮料瓶触发传感器件的瞬间，由图像传感单元向图像采集单元发出采集信号，并由图像采集单元采集1张图像传给图像处理单元，若图像处理单元检测到不符合检测要求的饮料瓶，则向可编程逻辑控制器 (Programmable Logic Controller，PLC)发出不合格信号并由PLC向剔除设备发出剔除信号以进行剔除。

2 多线程串行通讯

2.1 多线程及串行通讯技术

线程是进程内的一个相对独立的单元，它在系统指定的时间片中完成特定的功能。多线程则是将程序任务分成几个并行的子任务。虽然多线程在微观上是分时的，但这种调度的策略确实能够提高CPU的利用率，从而提高程序的执行效率。但由于各线程访问共享资源的时机不定，一块数据共享区在使用的时候，其数据的完整性或一致性就会受到挑战［3］。现在的操作系统提供了许多安全、高级的线程同步控制方法。以Win32系统为例，系统提供了同步对象来协调多线程的执行，同步对象有:事件对象，临界区对象，信号量对象和互斥对象。这样就保证了不会在同一时刻出现多个线程访问共享资源，避免了多线程共享资源冲突。

串行通讯是计算机与其他设备进行数据交换时常使用的方法之一，具有实现简单，使用灵活方便，数据传输可靠等优点，因而在工业监控、数据采集和实时监控系统中得到广泛应用。但实时性和系统资源利用率不足。基于多线程和消息的多任务处理可以有效地解决通讯的实时性，且能提高数据的吞吐量和应用程序的可靠性［4］。

2.2 多线程串行通讯的实现

本检测系统分为上位机和下位机两部分，上位机和下位机通过串口进行通讯，下位机PLC的型号是西门子S7－200PLC CPU224XP。本检测系统的线程调度及串行通讯如图2所示。

图2 系统线程调度及串行通讯示意图

图2中，检测系统的处理流程如下:上位机部分，一旦监听线程查询到有数据发送至串口，主线程便调用读线程接收数据，若该数据采集信号，则采集1张存入缓存区。同时处理线程发现有未处理的图像，便从缓存区读入1张图像进行处理，并将处理后的图像数据和检测数据分别存入相应缓冲区，等待存储线程和显示线程的处理，同时通知主线程调用写线程将相应的数据写入串口。下位机部分，饮料瓶触发传感器的瞬间，由PLC发出采集信号，并写入串口。然后，等待接收由上位机发送至串口的数据。最后，PLC从串口读入数据，并根据数据发出相应的信号以控制剔除设备的动作。

3 图像处理

3.1 图像阈值化

阈值法是一种简单有效的图像分割方法，但阈值法的分割结果在很大程度上依赖于阈值的选择，因此该方法的关键是如何选择合适的阈值。各阈值法对瓶盖处理的效果如图3所示。

图3 阈值化效果图

图3从左到右依次为原图，Otsu、Niblack3×3及Niblack全局阈值化效果图。

Otsu阈值法是自适应单阈值计算的简单高效方法［5］。Otsu阈值法如:

式中，ω0为前景点数占图像比例，μ0为前景平均灰度，ω1为背景点数占图像比例μ1，为背景平均灰度，μ为图像的总平均灰度。记t为前景与背景的分割阈值，从最小灰度值到最大灰度值遍历t，使得值g最大时的t值即为分割最佳阈值。由图3可知，Otsu阈值法能更好的将瓶盖与背景色区分开，更适合本文。

Niblack［6］阈值法速度快、效果好，但容易产生噪声。设在图像中取宽为x长为y的模板，Niblack阈值法如:

式中，T(x，y)为模板阈值，m(x，y)为模板数据的均值，s(x，y)为模板数据的均方差，k为常系数，需要根据图像前景和背景的分割效果进行调整，本文采用的是－0.2。

3.2 图像锐化

图像锐化处理的主要目的是突出图像中的细节部分，本文采用边缘检测算子对图像进行锐化处理，各个算子的检测效果如图4所示。

图4 边缘检测检测效果图

图4从左到右依次为原图，Sobel算子、Prewitt算子及Canny算子边缘检测效果图。由图4可知，Sobel算子的处理效果优于另2种方法，能提取出清晰的边缘轮廓。所以，本文采用Sobel算子提取瓶盖边缘轮廓。

Sobel算子和Prewitt算子［7，8］都是对图像进行差分和滤波运算，边缘定位比较准确和完整，对灰度渐变和具有噪声的图像处理效果较好，但对混合多复杂噪声图像处理效果不理想。Canny方法是一阶传统微分中，检测阶跃型边缘效果最好的算法之一，它比Sobel算子和Prewitt算子的去噪能力强，但也容易平滑掉一些边缘信息。