一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法

技术领域

本发明涉及工业自动化检测技术领域，特别涉及一种基于多次随机圆检测及拟合度评估 的啤酒瓶口定位方法。

背景技术

我国每年的啤酒瓶需求量巨大，据中商产业研究院统计数据显示，2014年啤酒行业累计 产量高达4921.85万千升，按每瓶啤酒530ml的瓶装容量计算，则需要多达9.28651×10¹⁰个啤酒瓶，其中80％以上的啤酒瓶使用回收旧瓶，存在着大量瓶口破损的瓶，使用瓶口破损 的瓶可能给生产线和消费者带来重大安全隐患，因此啤酒灌装前必须检测啤酒空瓶瓶口质量， 目前国内大部分啤酒企业使用基于机器视觉检测的空瓶检测机(国外设备占主要市场)进行 空瓶质量检测，而在基于视觉的瓶口检测过程中瓶口定位是一个必要过程，如果瓶口定位误 差过大，将造成后续瓶口质量检测结果不正确。目前，已经有大量瓶口定位方法的有关研究。

国外，早在20世纪60年代研制出了空瓶检测机。1986年，《bottlemouthdefectinspection apparatus》中提出使用一种弧形光源和光电传感器获取瓶口图像，通过径向方向的扫描实现5 种类型的瓶口缺陷检测；1989年，《inspectiondevice》中设计一种检测瓶口表面缺陷的装置； 2004年，《faultdetectionandlocalizationinemptywaterbottlesthroughmachinevision》中应用 Hough变换法实现空矿泉水瓶底定位；2012年，《emptybottleinspection》中使用彩色相机和 彩色环形光源设计实现瓶口缺陷检测，实现各种颜色瓶的瓶口缺陷检测。国外有关文献，描 述瓶口检测设备的占大部分，而详细描述瓶口定位方法的文献非常少。国内，对空瓶检测机 的研究始于20世纪90年代末。1999年，任谋在《玻璃空瓶检测技术与应用概念》最早公开 对空瓶检测系统的有关研究，但并未深入研究瓶口定位的具体方法。2001年，段峰、王耀南 等在《PLC在直线式空瓶检测机中的应用》中最先展开对空瓶检测系统和定位检测算法具体 研究，马慧敏在《aglassbottledefectdetectionsystemwithouttouching》中公开一种简单高效 的瓶口定位方法，首先获取瓶口图像的Roberts边缘，然后求边缘的中心并将它作为瓶口中心， 该方法在瓶口图像干扰少的情况下，定位精度满足要求；2003年，湖南大学成功研制出我国 首台空瓶检测机器人，其中使用四种改进的重心法实现瓶口定位(见文献《基于机器视觉的 智能空瓶检测机器人研究》)；2004年，段峰为改善定位算法抗干扰能力，提出逐次逼近法(见 文献《areal-timemachinevisionsystemforbottlefinishinspection》)、直方图滑动窗口法(见文 献《emptybottleinspectorbasedonmachinevision》、《基于机器视觉的智能空瓶检测机器人研 究》和《amachinevisioninspectorforbeerbottle》)；2006年，李欣在《基于机器视觉的啤酒 瓶空瓶检测机设计开发》中提中出采用等间隔网格点扫描的快速定位方法，该方法能快速确 定瓶口目标区域大致位置，严筱永在《基于图像的啤酒瓶瓶口与瓶底污损自动检测》中讨论 基于图像匹配和Hough变换圆检测的瓶口定位方法，并对Hough变化法改进，通过合理选择 边缘点组数量以使改进的Hough变化法满足实时性要求；2007年，段峰在《啤酒瓶视觉检测 机器人研究》中提出一种瓶口定位综合方法，并比较重心法、逐次逼近法及综合方法定位精 度和执行时间，综合方法首先通过阈值分割、重心计算和径向扫描获取瓶口内边缘点，随后 将边缘点均匀分组通过三点求圆得到一系列圆参数，随后使用直方图滑动窗口法得到瓶口中 心，该方法定位误差最小，但执行速度稍慢，逐次逼近法和综合方法都选择瓶口内边缘拟合， 因为段峰研发的空瓶检测机器人获得的瓶瓶口源图像的内边缘比外边缘清晰且干扰少，马思 乐、黄彬等在《一种空瓶瓶口缺陷的检测方法及装置》中应用最小二乘法实现啤酒瓶口定位， 罗琳在《可乐瓶口缺陷快速检测系统的研制》中针对可乐瓶口缺陷检测问题，采用最小二乘 椭圆拟合法对瓶口内外边缘拟合，随后取圆心均值作为瓶口中心；2009年，张伟东、张田田 分别在《在线空瓶检测系统的研究与开发》和《基于机器视觉的啤酒瓶瓶口检测系统的研究》 中分析Hough圆检测、重心法、最小二乘法，张伟东还提出一种简易精圆检测法，其中Hough 变化法计算量大，中心法和最小二乘法速度快，但抗干扰能力差，简易精圆检测法首先使用 与段峰相同的方法得到一系列圆参数，随后根据瓶口、瓶底结构参数和经验数据过滤后求均 值圆心和半径作为瓶口中心，该法执行速度和抗干扰性能兼顾，李丽在《酒瓶检测中的机器 视觉检测技术研究》中为提升最小二乘法抗干扰能力，采用内、外圆定位结合的方法，此方 法与单次最小二乘法相比执行速度有较大程度降低，因为当外圆定位不准确时，需要从新进 行径向扫描获取内圆边缘点，因此耗时长；2013年，王贵锦在《瓶口定位方法》中提出一种 随机算采样一致性算法与最小二乘法结合的瓶口定位方法，该法采用与随机圆检测法(见文 献《anefficientrandomizedalgorithmfordetectingcircles》)类似的圆检测法(区别是王贵锦从 边缘点中随机采样三点，而随机圆检测法随机采样四点)，同时也综合最小二乘执行速度快以 及内、外圆定位方法相结合抗干扰能力强的特点，与之前所有定位算法相比抗干扰能力更强， 不过当瓶口出现缺失或存在大量连续干扰时，需要两次检测瓶口边缘点，耗时长。

上述各种定位方法存在着一个共同难题：当瓶口边缘部分缺损或存在大量干扰时，如图2 所示，其中边缘缺损或干扰边缘均用闭合虚线区域标出，无法实现高速高精度瓶口定位。

发明内容

本发明针对现有瓶口定位方法在瓶口严重缺损和存在大量干扰时定位误差大的问题，提 出了一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法，通过多次提取随机圆并计 算随机圆的拟合度，基于随机圆拟合度来定位瓶口，克服现有技术中存在的问题。

一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法，包括以下步骤：

步骤1：采集啤酒瓶口图像，获取啤酒瓶口外边缘点；

步骤1.1：对瓶口图像进行全局阈值分割，得到瓶口目标区域；

步骤1.2：根据瓶口目标区域坐标值计算出重心坐标；

步骤1.3：以上述步骤得到的重心为圆心，进行径向扫描获取瓶口外边缘点；

步骤2：用三点随机圆评估法进行圆检测，确定啤酒瓶口中心；

步骤2.1：从步骤1获得的啤酒瓶口外边缘点中任意选择三个点和以所选择的三个外边缘点确定一个圆，记作随机圆，并记随机圆心 坐标为和半径为

i_e表示第i_e次选取外边缘点中的任意三个点，得到的第i_e个随机圆；

$C\_X_{i_e}=\frac{\left(\begin{array}{cc}{x_{i_e\_2}}^2{{\text{+y}}_{i_e\_2}}^2-{x_{i_e\_1}}^2-{y_{i_e\_1}}^2& 2(y_{i_e\_2}-y_{i_e\_1})\\ {x_{i_e\_3}}^2+{y_{i_e\_3}}^2-{x_{i_e\_1}}^2-{y_{i_e\_1}}^2& 2(y_{i_e\_3}-y_{i_e\_1})\end{array}\right)}{4[(x_{i_e\_2}-y_{i_e\_1})(y_{i_e\_3}-y_{i_e\_1})-(y_{i_e\_3}-y_{i_e\_1})(y_{i_e\_2}-y_{i_e\_1})]}$

$C\_X_{i_e}=\frac{\left(\begin{array}{cc}2(y_{i_e\_2}-y_{i_e\_1})& {x_{i_e\_2}}^2{{\text{+y}}_{i_e\_2}}^2-{x_{i_e\_1}}^2-{y_{i_e\_1}}^2\\ 2(y_{i_e\_3}-y_{i_e\_1})& {x_{i_e\_3}}^2+{y_{i_e\_3}}^2-{x_{i_e\_1}}^2-{y_{i_e\_1}}^2\end{array}\right)}{4[(x_{i_e\_2}-y_{i_e\_1})(y_{i_e\_3}-y_{i_e\_1})-(y_{i_e\_3}-y_{i_e\_1})(y_{i_e\_2}-y_{i_e\_1})]}$

$C\_R_{i_e}=\sqrt{{(x_{i_e\_z}-C\_X_{i_e})}^2+{(y_{i_e\_z}-C\_Y_{i_e})}^2}$

其中，z表示任意选取的取值为1,2,3；

步骤2.2：计算随机圆的拟合度并判断该随机圆拟合度是否大于给定拟合度阈值T_gf，若 大于，则执行下一步，否则，返回步骤2.1；

其中，T_gf≥30％，为大于10的整数。

所述随机圆的拟合度记作gf，为所有外边缘点到随机圆圆上的距离小于给定距离阈值的 外边缘点的数目与外边缘点总数的比值；

步骤2.3：将上述步骤得到的随机圆的圆心作为啤酒瓶口的中心，完成啤酒瓶口定位。

所述步骤2.2的操作具体如下：

计算上述步骤2.1得到的随机圆的拟合度gf并保存，判断条件gf>T_gf是否成立：

如果条件gf>T_gf成立，将当前的随机圆作为候选圆，判断已得到的候选圆的个数是否达 到设定的最大个数若已达到则从当前所有的候选圆中找出拟合度最大的候选圆作为最终 的检测结果，进入步骤2.3；若未达到，则返回步骤2.1，重复该步骤，直至执行步骤的次数 达到给定次数阈值或已得到的候选圆个数达到设定的最大个数

若条件gf＞T_gf不成立，则返回步骤2.1。

所述步骤1利用重心法获取啤酒瓶口图像的重心坐标(X_o'，Y_o')的具体过程如下：

首先，对采集到的啤酒瓶口图像f(x,y)进行全局阈值分割处理，得到瓶口二值化图像 g(x,y)，T_gray为设定的分割阈值；

$g(x,y)=\left(\begin{array}{cc}1& f(x,y)\ge T_{gray}\\ 0& f(x,y)<T_{gray}\end{array}\right)$

其次，按照重心计算公式获取重心坐标：

$X_{O^{\prime }}=\frac{\underset{m=1}{\overset{N_b}{\Sigma }}{x}_{m}g(x_m,y_m)}{N_b}$

$Y_{O^{\prime }}=\frac{\underset{m=1}{\overset{N_b}{\Sigma }}{y}_{m}g(x_m,y_m)}{N_b}$

其中，N_b、x_m和y_m分别表示瓶口二值化图像中非0的像素点的总数量、第m个非0像 素点的x和y坐标，1≤m≤N_b,m∈Z+，g(x_m,y_m)表示瓶口二值化图像中坐标为(x_m,y_m)的像素 点对应的灰度值。

所述步骤1.3中进行径向扫描获取瓶口外边缘点的具体步骤如下；

利用重心坐标和设定的扫描半径R_scan，对啤酒瓶口图像进行N_s次径向扫描，获取N'个啤 酒瓶口外边缘点i表示第i次径向扫描，1≤i≤N_s，N_s＝360/Δα，Δα表示径向扫描 间隔；

$X_{{P_i}^{\prime }}=X_{O^{\prime }}+R_{s}cos\frac{2\pi }{N_s}i$

$Y_{{P_i}^{\prime }}=Y_{O^{\prime }}+R_{s}sin\frac{2\pi }{N_s}i$

所述径向扫描次数N_s大于或等于3；

设定的扫描半径R_scan为真实啤酒瓶口半径的1.5倍。

所述径向扫描次数范围为[100,600]；

在径向扫描次数范围为[100,600]时，检测速度最快，定位效果好。

所述步骤3中径向扫描次数为100。

有益效果

与现有技术相比，本发明优势：

(1)抗干扰能力强

本发明提出对外边缘点多次采样三点进行圆检测的方法，并提出一种以各边缘点到随机 圆距离小于给定阈值的边缘点的数目与边缘点总数的比值为评估标准选择最优拟合圆的方 法，提高了对各类噪声的抵抗能力。

(2)执行时间和定位精度调整方便

在适当范围内，改变参数和的T_gf的值，可以方便调整定位精，越小，T_gf越大， 瓶口定位精度越高，执行时间越长；在适当范围内，改变参数N_s的值，可以方便调整定位算 法执行时间，R_scan越小，执行时间越短。

附图说明

图1是本发明方法程序流程示意图，其中(a)是存在大量干扰的瓶口图像示意图，(b) 是边缘缺失的瓶口图像示意图；

图2是瓶口存在大量干扰和边缘部分缺失的瓶口图像示意图；其中(a)是破损瓶口图像 示意图，(b)是正常瓶口图像示意图；

图3是瓶口源图像示意图；

图4是径向扫描示意图；

图5是本发明方法执行效果示意图，其中(a)是阈值分割结果示意图，(b)是瓶口目标 区域灰度级降低100以后的示意图，(c)是瓶口边缘示意图，(d)是候选圆示意图，(e)是 候选圆和对应的圆拟合度关系示意图，(f)是最终定位结果示意图；

具体实施方式

下面将结合附图和实施例对本发明作进一步的说明。

如图1所示，一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法，包括获取边 缘点和圆检测两步分，包括以下步骤：

步骤1：获取外边缘点

对于瓶口图像，如图3所示，存在如下三个特征：(1)瓶口密封面的边缘区域的亮度明 显高于背景区域；(2)对于正常瓶口，瓶口图像为两个均匀对称的同心亮圆环；对于破损瓶 口，内环与外换白色区域之间存在明暗不均的白色区域，内外环白色圆环区域中存在较暗的 缺口或裂纹；(3)外环白区域比内环白区域的亮度值更大，与背景的对比度也更强。

分析上述三个特征我们可得到如下结论：(1)瓶口边缘可以经过全局阈值分割得到；(2) 当瓶口正常时，瓶口重心位置几何与瓶口中心位置重合，当瓶口破损时，瓶口重心靠近瓶口 重心，且瓶口图像的对称性越差，偏移误差越大。根据上述结论，本发明提出获取外边缘点 的方法，具体分三步，依次包括全局阈值分割、重心计算和径向扫描。

(1)全局阈值分割

当像素值小于灰度阈值T_gray时，被置为0，否则置1，如式(1)所示，其中x,y分别表 示像素的x,y坐标，T_gray表示设定的分割阈值，该值根据灰度直方图分布特征，同时参考Otso 方法获得的阈值来确定T_gray的大小，选择T_gray的原则是尽量将瓶口边缘从背景中提取出来， 如此处理后的得到瓶口二值化图像g(x,y)中的亮区域称为瓶口目标区域。

$g(x,y)=\left(\begin{array}{cc}1& f(x,y)\ge T_{gray}\\ 0& f(x,y)<T_{gray}\end{array}\right)---\left(1\right)$

(2)重心计算

根据瓶口目标区域坐标值计算重心坐标(X_o'，Y_o')，如式(2)和式(3)所示，其中， N_b、x_m和y_m分别表示非0的像素点的总数量、第m个非0像素点的x和y坐标，1≤m≤N_b, m∈Z+，g(x_m,y_m)表示坐标为(x_m,y_m)的像素点对应的灰度值，g(x_m,y_m)通过式(1)得到，因 此，只能为1或者0。

$X_{O^{\prime }}=\frac{\underset{m=1}{\overset{N_b}{\Sigma }}{x}_{m}g(x_m,y_m)}{N_b}---\left(2\right)$

$Y_{O^{\prime }}=\frac{\underset{m=1}{\overset{N_b}{\Sigma }}{y}_{m}g(X_m,y_m)}{N_b}---\left(3\right)$

(3)径向扫描

如图4所示，以上述第一步得到的重心位置O'为圆心，以R_scan为半径，绘制一个圆，该 圆被称之为扫描圆(如图4中最大的白色实线圆所示)，沿顺时针或逆时针方向(本文选择沿 逆时针方向)进行360度的径向扫描，径向扫描从半径末端P_is开始，当扫描到第一个非零像 素点时停止，此非零像素点是边缘点，该边缘点可能是干扰点或瓶口的真实外边缘点，如图 4中小实心圆所示，如果沿着扫描半径方向一直扫描至扫描圆圆心O'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，当瓶口边缘出现较大裂缝时会出现该情况，扫描半径 的端点坐标可由式(4)和式(5)得到，确定O'和P点坐标之后半径O'P_is的坐 标可应用中点线算法获得，一共进行N_s次径向扫描，相邻两次扫描相差的圆心角Δα＝360/N_s被称为径向扫描步进角，本文N_s范围为[100，600]，最终得到瓶口外边缘点N'个(如果瓶口 图像完整，则N'＝N_s，如果瓶口图像不完整，则N'<N_s)，并按顺序保存边缘点坐标和对应的序号is，is表示径向扫描的序号，is表示获得的边缘点的序号，每获得一个边缘 点该序号依次增加1，如第10次径向扫描时is＝10，若无边缘点缺失，径向扫描得到的对应 边缘点为P₁₀'。

$X_{P_{is}}=X_{O^{\prime }}+R_{scan}cos(\Delta \alpha *is)---\left(4\right)$

$Y_{P_{is}}=Y_{O^{\prime }}+R_{scan}sin(\Delta \alpha *is)---\left(5\right)$

步骤2：检测圆

本发明提出的检测圆方法主要包括三点随机圆检测、圆拟合度评估和瓶口中心确定三个 过程。

(1)三点随机圆检测

判断和是否存在一个条件成立是圆检测的入口，即径向扫描获得N'个外边缘 点之后，首先判定和是否存在一个条件成立，只要有一个条件成立，下一步进行 瓶口中心确定；若两个条件均不成立，则执行三点随机圆检测，首先从N'个外边缘点中任意 选择三个点，假设第i_e次随机采样得到的三个外边缘点的坐标分别是和则根据这三点可以确定一个圆，称该圆为随机圆，由式(7)、式(7) 和式(8)计算该随机圆的中心坐标和半径例如第3次采样得到的 三点为(x_{3_1}，y_{3_1})、(x_{3_2}，y_{3_2})和(x_{3_3}，y_{3_3})，根据这三点可得对应随机圆的参数(C_X₃， C_Y₃)和半径C_R₃，并保存在一个行三列的二维数组中，第i_e次随机采 样三点确定的随机圆参数保存在数组C_XYR中第i_e行的三列中，其中第一、二和三列分别用于 保存候选参数和执行操作i_e＝i_e+1，随后，进行随机圆拟合度评估。

$C\_X_{i_e}=\frac{\left(\begin{array}{cc}{x_{i_e\_2}}^2{{\text{+y}}_{i_e\_2}}^2-{x_{i_e\_1}}^2-{y_{i_e\_1}}^2& 2(y_{i_e\_2}-y_{i_e\_1})\\ {x_{i_e\_3}}^2+{y_{i_e\_3}}^2-{x_{i_e\_1}}^2-{y_{i_e\_1}}^2& 2(y_{i_e\_3}-y_{i_e\_1})\end{array}\right)}{4[(x_{i_e\_2}-y_{i_e\_1})(y_{i_e\_3}-y_{i_e\_1})-(y_{i_e\_3}-y_{i_e\_1})(y_{i_e\_2}-y_{i_e\_1})]}---\left(6\right)$

$C\_X_{i_e}=\frac{\left(\begin{array}{cc}2(y_{i_e\_2}-y_{i_e\_1})& {x_{i_e\_2}}^2{{\text{+y}}_{i_e\_2}}^2-{x_{i_e\_1}}^2-{y_{i_e\_1}}^2\\ 2(y_{i_e\_3}-y_{i_e\_1})& {x_{i_e\_3}}^2+{y_{i_e\_3}}^2-{x_{i_e\_1}}^2-{y_{i_e\_1}}^2\end{array}\right)}{4[(x_{i_e\_2}-y_{i_e\_1})(y_{i_e\_3}-y_{i_e\_1})-(y_{i_e\_3}-y_{i_e\_1})(y_{i_e\_2}-y_{i_e\_1})]}---\left(7\right)$

$C\_R_{i_e}=\sqrt{{(x_{i_e\_1}-C\_X_{i_e})}^2+{(y_{i_e\_1}-C\_Y_{i_e})}^2}---\left(8\right)$

(2)圆拟合度评估

上述随机圆检测之后，得到对应的随机圆参数和首先，根据式(9) 求出各边缘点到随机圆的距离其中表示第js个边缘点到第i_e次随机采样得到的随 机圆的距离；随后，可求出内点(内点是指到随机圆距离小于阈值T_dist的边缘点)数目n_in， 则圆拟合度gf＝n_in/N'，并将拟合度保存在行一列的数组ArrayGOF的第i_e行中，即 ArrayGOF(i_e)＝gf；接着，判断gf>T_gf是否成立，如果成立，则说明该次随机圆检测成功执 行，并在执行n_s＝n_s+1后返回圆检测的入口，否则，直接返回随机圆检测的入口。

$d_{i_e\_js}=\sqrt{{(X_{p_{js}}-C\_X_{i_e})}^2+{(Y_{p_{js}}-C\_Y_{i_e})}^2}-C\_R_{i_e}---\left(9\right)$

(3)瓶口中心确定

假设当前的i_e值为即执行完三点随机圆检测和圆拟合度评估后i_e的值，对获得的L_ie个随机圆对应的圆拟合度进行评估，确定一个圆参数使之与瓶口中心尽量接近，它是定位算 法中圆检测的最后一步，当或者成立时执行。首先，从数组ArrayGOF的1到 行中，搜索最大圆拟合度GF_max，得到最大拟合度GF_max在数组中的行号GF_{max_i}；其次， 在二维数组C_XYR中搜索第GF_{max_i}行对应的圆参数并将它作为圆检测的最终输出结果；最后， 将该圆的中心作为瓶口中心输出。

下面通过具体应用实例分析该定位方法，本方法中需预先设定的参数共有7个，各参数 值设定如下：T_gray＝160，N_s＝100，R_scan＝600，T_dist＝2，T_gf＝4/10。利用图像 处理软件或其他方式得到图2(a)中瓶口中心坐标，其中，瓶口外边缘圆的圆心x坐标、y 坐标和半径分别为499,650和283，将图2(a)输入本文算法，算法执行效果如图5所示， 其中，图5(a)是全局阈值分割后的瓶口图像，图5(b)是将图5(a)中目标边缘灰度值减 少100(灰度值减少的目的是在图5(c)、(d)和(f)中突出边缘点、候选圆和最终检测结 果)得到的，其中实心小圆表示瓶口重心位置，图5(c)中实心小正方形表示径向扫描获得 的边缘点，图5(d)中白色实线圆表示所有候选圆，图5(e)中的黑色‘*’附近的参数依次表 示第n_s次成功随机圆检测得到的候选圆圆心的x、y坐标和半径，如当n_s为4时，对应候选 圆的拟合度为0.55，候选圆圆心坐标的x坐标、y坐标和半径分别为497、650和280，图5 (e)中的白色‘+’表示最终得到的瓶口中心位置。