实验用玻璃器皿缺陷检测研究

问寻

摘 要：针对实验玻璃器皿高质量要求，提出一种基于图像处理的实验室玻璃器皿缺陷检测方法。为更直观检测到玻璃器皿的缺陷，以实验室常用的西林瓶为例，首先对瓶口检测区域进行定位，将瓶口与背景图像分割，并利用最大类间方差法对图像进行填充，从而得到瓶口图像的定位;将定位好的瓶口图像通过极坐标变换和动态阀值分割，实现瓶口图像特征的提取，最后运用模板匹配法实现对瓶口图像缺陷的检测。结果表明，本缺陷监测方法可很好实现毛口和破口的识别，且在不同瓶口半径下的缺陷检测平均准确率可达97.4%，具有较高的识别准确率。

关键词：实验用玻璃器皿;缺陷检测;模板匹配;准确率

中图分类号：TQ171 文献标识码：A 文章编号：1001-5922（2021）08-0054-04

Research on Defect Detection of Experimental Glassware

Wen Xun

（Xi an Medical College， Xi an 710100， China）

Abstract：Aiming at the high quality requirements of laboratory glassware， a defect detection method of experimental glassware based on image processing is proposed. In order to detect the defects of glassware more intuitively， taking the commonly used penicillin bottle in the laboratory as an example， firstly， the detection area of the bottle mouth is located， the bottle mouth and the background image are segmented， and the Otsu method is used to fill the image， so as to get the positioning of the bottle mouth image. The positioned bottle mouth image is segmented by polar coordinate transformation and dynamic threshold to realize the extraction of bottle mouth image features. Finally， the template matching method is used to detect the defects of the bottle mouth image. The results show that this defect monitoring method can well realize the recognition of rough mouth and break， and the average accuracy of defect detection under different bottle mouth radius can reach 97.4%， which has high recognition accuracy.

Key words：experimental glassware; defect detection; template matching; accuracy

眾所周知，实验室对玻璃器皿的质量要求很高。如玻璃器皿存在缺陷，可能导致实验事故。因此，做好玻璃器皿的缺陷检测，是提高实验安全的重要途径。现代玻璃器皿生产工艺的缺陷很多，如破口、裂纹以及黑点等。以典型的西林瓶为例，西林瓶是实验室比较常见的一种玻璃管制注射剂瓶。一旦出现裂纹，很容易造成药品的污染，进而危及患者安全[1]。因此，加强对西林瓶缺陷的检测，是当前思考和研究的重点。传统的西林瓶缺陷检测通常采用图像视觉技术，以提高缺陷识别的准确率确率。本研究则提出对西林瓶瓶口图像进行处理与识别，进而判别瓶口的缺陷问题。

1 瓶口检测区域定位

1.1 瓶口图像分割

目前常用的图像分割有基于图像灰度的阈值分割、区域分割、边缘分割等。本研究则采用最大类间方差法。最大类间方差法的原理是先选择一特定的阀值，从而通过阈值判断图像背景的平均灰度与实验图像的平均灰度值的大小，进而选取更好的灰度部分数据。具体计算公式为[2]：

式（1）中，当σB 取最大值，则达到最佳分割阀值。

1.2 图像填充

瓶口分割后，瓶口的边缘与圆筒输送带区域能够连接形成一种连通区域。为更好的提取图像特征，采用填充的方式连接过渡区域。具体实现为：假设有一连通边界A，使用十字结构元素S对该区域进行填充，即选择一个种子点B0，S对只有B0的图像B进行膨胀;对B点进行膨胀后，用膨胀后的图像与对于A点的补充图像AC重合。由此就可以把已经做好膨胀的区域局限在边界A的内部;重复以上步骤，待B充满A的整个内部，就得到填充结果。最后取图像B与边界A的并集，那么这个结果就是需要的整个区域的填充结果。

1.3 瓶口图像的定位

瓶口定位采用霍夫（Hough）变换的公式。已知一圆，将圆上的一轮廓点转换到直角坐标下，则有[3]：

其中，r是已知圆的半径，（a、b）为圆心坐标。此时三维空间参数可以用（a、b、r）表示。

式（2）为一个三维锥面，用图3表示。设（x、y）为圆边界点，该点约束了圆锥面的参数（a、b、r），那么边界点在三维空间坐标中对应的点可用图1表示。

图2中的点（a0，b0，r0）对应的图像坐标空间中圆的基本参数计算步骤为[4-9]：

1）假设数组A（a，b，r），让a和b分别在取值范围内增加，得到满足公式（2）的r值。

2）在解出（a，b，r）值后，对数组加1，并再次按照公式（2）进行计算。

3）在所有数值计算完，得到一个最大的数组A（a，b，r）。由此该数组A（a，b，r）的参数就是图像坐标空间中圆的参数。

通过上述的霍夫坐标变换，对填充后的瓶口图像边缘点进行计算，从而提取到填充后的瓶口图像结构，具体如图3所示。

通过霍夫变换提取出来的圆形结构图后，需对它进行数学形态学操作，以提取瓶口的圆形检测区域。为了得到最准确的数据，利用腐蚀操作对提取出的圆形结构进行处理。设圆的内径和外径分别为5cm和6cm，为提高准确度，采取两次腐蚀结果进行相减计算，最后剩下一个圆环的区域为瓶口圆环。具体结果如图4所示。

2 瓶口缺陷检测

2.1 缺陷检测思路

为了得到更准确的缺陷分析结果，通常采用极坐标变换和动态阀值分割的方法来得到最准确的结果。具体的方式是先利用极坐标变换的方法将圆环区域变换为矩形区域，然后再利用动态阀值分割的方式对图像进行分割，分割以后在进行标记，从而提取图像特征，最后用模板匹配法进行检测识别。

2.2 极坐标变换

设图像坐标变换后极坐标为（d，），其中d表示图像到设立的相对变换中心的距离，向量角度。假设变换中心的点为（mr，mc），那么某点（r，c）的极坐标为[10]：

为简便计算，将上式通过逆变换，从而得到：

经过逆变换，得到图5的矩形区域。其中，只要限定d和的值，则可以实现对圆的任意扇形区域的变换。

2.3 动态阀值分割

动态阈值分割的原理是将图像的原始图与背景图进行灰度值比较。通过灰度值比较，从而找到图像内部像素之间存在的差异，进而为后续的图像分割奠定基础。如果在比较的过程中，原始图与背景图之间的像素差异明显，那么则通过图像灰度直方图对图像的阈值进行计算，并根据该阈值进行分割。在分割过程中，需要注意的是图像的灰度直方图一般情况是不存在明显的双峰或者是多峰，所以在实际的操作中一般很难找到一个合适的全局阈值进行分割。所以为解决这个问题，通常将原始图像的灰度值和背景图像的灰度值进行比较之后，再根据比较的结果进行设置，最终对图像进行局部分割。由此，通过以上步骤，将图片中灰度值大的和灰度值小的全部分割开来，以此形成鲜明的缺陷图像对比。其中，如何确定局部的背景灰度值是非常重要的环节。对此，要计算出当前像素点为中心点的局部平均灰度值，文章采用均值滤波器或者中值滤波器进行平滑处理。设gr，c为均值滤波平滑后的图像像素，fr，c为原始的输入图像像素，那么gdiff就代表着局部阀值图像之间的灰度值比较，而图像中灰度值较小的暗物体的动态阀值分割公式为[11]：

图像中灰度值较大的亮物体的动态阀值分割公式为：

通过以上步骤，得到经过极坐标变化和动态凸显分割后的瓶口圆环区域图像特征提取结果。

3 检测结果与分析

3.1 瓶口缺陷检测结果

为验证以上方案，分别对破口、毛口的图像进行分析。下图分别为瓶口区域定位和最终检测缺陷检测结果。如图8～9所示。

通过上面检测结果看出，采用极坐标的瓶口缺陷检测方法能够准确的定位瓶口圆形检测区域。

3.2 不同半径对检测结果的影响

研究认为，破口缺陷区域边缘的检测会受到瓶口内外边缘的影响，从而检测到其他部位的黑色边缘，产生误检的结果。但是这个问题是可以通过改变瓶口腐蚀结构的半径来避免的。为验证半径带来的影响，设定圆的内径和外径分别为5cm和7cm。同时选用不同批次相同规格的西林瓶，（为实验的准确性，本次实验用的是2mL规格）。将所选择的不同批次的200幅现场拍摄中的100幅西林瓶瓶口图像进行测试，结果如表1所示。

就像上表显示出来的那样，这个算法容易出现的一个问题及时将合格的产品检测为缺陷的产品。这是因为受到现代工厂生产的特性所造成的。其中就包括瓶口的干扰边缘线、复杂光线以及灰尘的干扰。这也是这种方式需要改进的地方。

4 结语

实验用玻璃器皿的质量要求是比较高的，如果没有注意到试验器皿的缺陷，就很容易导致实验事故。通过对瓶口检测区域定位、瓶口图像的分割以及瓶口缺陷检测等方式，找出了以西林瓶为例的最佳缺陷检测方式，这对保障实验室和药品使用安全等具有实际的研究意义。

参考文献

[1].国际标准（ISO）题录（下） [J]. 世界标准信息，2003（04）：10-97.

[2]王志强.基于霍夫变换的图像轮廓检测方法与优化[J].哈尔滨师范大学自然科学学报，2021，37（03）：79-82.

[3]杨京渝，殷亮，邓力凡，等.一种新型基于随机Hough变换的避雷针垂直偏差测量方法[J].湖南城市学院学报（自然科学版），2021，30（03）：66-70.

[4]高丽.提高圆形指针式仪表自动识别算法准确度的探讨[J].仪器仪表用户，2021，28（04）：5-8.

[5]李宁，余斌.基于计算机视觉的水稻杂株识别[J].农机化研究，2020，42（12）：228-231.

[6]罗昕，闵祥娜.FPGA图像处理在带钢表面缺陷视觉检测中的应用研究[J].内燃机与配件，2019，（4）（24）：184-185.

[7]金丽丽.探究基于动态阈值图像分割法的人脸识别技术研究[J].计算机产品与流通，2019，（4）（12）：89.

[8]高旭敏，蒋林，王翰，等.结合SVM的激光雷达线特征提取算法[J].计算机工程与设计，2019，40（08）：2384-2388.

[9]徐晓蓉.尿沉渣图像分割及识别算法研究[J].信息与电脑（理论版），2019，（4）（14）：41-43.

[10]王成. 玻璃器皿生产中的计算机视觉检测分级系统[D].秦皇岛：燕山大学，2018.

[11]姜苗苗，史國友，许拴梅，等.基于自适应K均值聚类和霍夫变换的船舶干舷视觉检测[J].上海海事大学学报，2021，42（02）：34-39.