提出一種適于實時在線檢測方便面面塊破損的方法，即通過建立計算機視覺系統(tǒng)，獲取面塊圖像，針對方便面特點利用“圍剿算法”分割出面塊圖像，然后通過“削切算法”除去面塊邊緣毛刺，以便于求得面塊的“真邊界”，然后求取面塊與其外接矩形面積的比值對方便面的破損進行快速

0. 引言

近年來，隨著方便面市場劇烈競爭，各廠家紛紛降低成本、提高產(chǎn)品質量、樹立品牌形象、提高企業(yè)競爭力。在不降低產(chǎn)品質量的前提下，要增強企業(yè)的競爭力，只有走規(guī)模化經(jīng)營之道;而規(guī)?；暮诵哪繕司褪恰耙砸?guī)模降成本”，即擴大生產(chǎn)規(guī)模，挖掘企業(yè)潛力，向規(guī)模要效益，向管理要效益，降低生產(chǎn)成本和管理成本。

鑒于此，方便面生產(chǎn)的自動化水平漸漸成為一個不容忽視的重要問題。目前，方便面生產(chǎn)線后段應用了自動排面?zhèn)魉蛶Ъ白詣由涿鏅C、自動投包機、自動疊袋機及自動裹包式紙箱裝箱機等（如頂新集團），而方便面生產(chǎn)線次品挑選工作還是依賴人工視覺來完成。人工視覺檢測具有速度低，受主觀影響較大，誤檢率和漏檢率高等缺點。所以，研制高效方便面自動化檢測系統(tǒng)能提高產(chǎn)品質量，解放生產(chǎn)力和節(jié)約成本，適應現(xiàn)代化工業(yè)的需要。

機器視覺技術是機器代替人眼來做測量和判斷，國內(nèi)外已將此技術成功地運用到眾多產(chǎn)品的質量檢測上。與人工視覺檢測相比較，機器視覺具有自動化程度高、識別能力強、測量精度高等優(yōu)點，具有廣泛的應用前景。隨著圖像處理技術的日趨先進、計算機硬件成本的下降及計算機處理速度的提高，在食品及農(nóng)產(chǎn)品品質自動檢測和分級領域應用機器視覺已變得越來越具有吸引力。

方便面生產(chǎn)線上依外觀挑選出的不良品主要有破損、油炸過度或不足、大花、并條、堆積等，其中80%以上為破損面塊。本文以方形面塊為例進行在線快速破損檢測。因為面塊邊緣不平整且常有一些毛刺，常規(guī)的視覺識別方法難以進行判斷。本文利用“削切處理”除去毛刺，得到面塊的真邊界，然后利用面塊與外接矩形的面積比判斷缺損與否，實驗表明該方法識別率高，速度快，適合在線檢測。

1. 試驗材料與裝置

本實驗樣本來自河南正龍食品有限公司的白象方便面系列之一：大骨面，它具有油炸方便面的代表性。由正龍集團新鄭分公司三車間生產(chǎn)。共采集實驗樣本128塊，其中缺損面塊70塊。

實驗裝置由計算機、CCD攝像機、圖像采集卡、光源和輸送線等組成（圖1）。其中CCD攝像機采用美國Uniq-uc610，圖像采集卡采用加拿大Matrox Meteor-II型（該采集卡具有外觸發(fā)功能）。本系統(tǒng)采用封閉式照明系統(tǒng)，照明室上部兩側采用兩個對稱的30 W日光燈作為光源，輸送線為黑色，面塊經(jīng)自動排面輸送線（將面塊擺放整齊，并且使面塊之間間隙均勻）將面塊輸送到視覺檢測部分。

圖像的獲取采用觸發(fā)抓拍的方式，檢測元件為OMORN的E3C-DS10觸發(fā)器配合放大器E3C-3C使用。這是一個反射型的觸發(fā)器。當傳送帶上有面塊過來時，信號強度發(fā)生變化，輸出一個脈沖信號來控制相機抓拍圖像。本實驗所拍攝圖像大小為640×474，以24位bmp格式存儲。圖像處理算法在Visual C ++ 6.0平臺上編譯通過。

2. 圖像處理

采集后的圖像首先要經(jīng)過預處理，預處理包括濾噪、圖像分割、去邊緣毛刺等，以便于后續(xù)的形狀判斷工作。

2.1 圖像濾噪

本試驗采用快速中值濾波方法去除噪聲。既有效抑制圖像中的噪聲，又保護圖像的輪廓邊界不使其變模糊。此算法處理速度快，能滿足在線檢測的要求。

2.2 圖像分割

圖像的背景是黑色的，而面塊相對來說是淺色的。經(jīng)實驗，選取HIS顏色空間中I分量為判斷條件時，直方圖為理想的雙峰型（圖3）。選擇谷作為灰度閾值將得到合理的物體邊界。同一顏色從RGB到HIS的轉換為非線性變換，其轉換關系為：

圖像分割一般采用閾值法，

本研究中由于面塊花紋深陷處、空洞處等顏色灰度值與背景差別不大，采用閾值法容易將面塊部分當作背景去除掉，從而影響后續(xù)的處理（圖4b）。本文采用了“圍剿算法”分割圖像。基本思想是通過掃描圖像找到面塊的四周邊緣點，將其以外的部分像素灰度值置白（R、G、B灰度值全設為255），而面塊區(qū)域不變。

該方法先采用縱向掃描的方式，從整個圖像最左端開始依次掃描圖像的每一列。首先從一列的最頂端掃描，當掃描到面塊點時即停止掃描，記錄該點為1點（圖4a）。（如果到掃描到下邊界仍然沒有碰到面塊點，說明此列全部是背景點，將其灰度值置白，接著掃描下一列）。再從該列的最底端開始掃描。

同樣，掃描到面塊點時停止掃描，記錄這點為2點，那么1點和2點之間就是面塊區(qū)域，保持其灰度值不變，1點和2點之外的為背景區(qū)域，將其灰度值置白?？v向掃描完成后，再用同樣的方法橫向掃描處理，這樣即干凈地去除了背景又完整地保留了面塊區(qū)域（圖4c所示）。

2.3 去邊緣毛刺

面塊邊緣不平整，常有不規(guī)則鋸齒狀毛刺，人工視覺檢測時會替意識忽略毛刺去判斷面塊整體形狀，而毛刺對于計算機識別形狀形成障礙。本研究通過“削切算法”，削切面塊邊緣去除毛刺，得到面塊的“真邊界”。

具體步驟如下：首先采用縱向掃描方式，從整個圖像的最左端開始依次掃描每一列（圖5），記錄該列最頂端面塊像素點a到最底端面塊像素點b之間所有像素個數(shù)N總 和面塊像素個數(shù)N面 ，計算該區(qū)間內(nèi)面塊像素所占的比例Ratio， Ratio=N面/N總 。

如果Ratio=0.70且 N面》30時，掃描結束（因為毛刺為鋸齒狀，邊緣呈漸進變化趨勢，實驗表明，此時毛刺基本消除又不會破壞面塊形狀。）。記錄此時的邊界值left。同樣方式處理上、右、下邊界，并記錄對應的三個邊界值right，up，bottom。至此削切處理完成。（處理后效果如圖6所示）

3.缺損判斷

3.1特征值提取

本研究提取的兩個特征值是面塊的初始面積 （A初）和削切處理后面塊與外接矩形的面積比（R比）。其中A初是通過掃描圖像，累記面塊像素個數(shù)來表示。R比是通過下式來表示：

式中：A面為削切后面塊的面積，計算方法同A初; （right-left+1）（bottom-up+1）為削切后面塊外接矩形的面積，其中up、bottom、left、right為第2.3步驟中得到的四個值。

3.2缺損有無的判斷：

通過大量的實驗統(tǒng)計：正常面塊R比值為0.95～0.10，而缺損面塊的R比值一般低于0.95。因此，只要R比《0.95則判斷面塊缺損。實驗還發(fā)現(xiàn)有極少數(shù)缺損面塊是與邊平行斷損，這種缺損面塊經(jīng)削切處理后整體形狀仍然是矩形， R比值會接近正常面塊從而造成誤判。

但這類面塊共同的特征是斷損區(qū)域較大，會造成面塊初始面積明顯偏小，即A初《 8000（正常面塊A初在10000左右）。所以，經(jīng)R比判斷合格的面塊要再A初值檢驗，如果A初《 8000則判斷面塊缺損。本文通過對128塊面塊（其中缺損面塊70塊）進行實驗，判斷準確率達96.8%。

4. 結論

本文模擬方便面生產(chǎn)線設計了圖像采集裝置，利用觸發(fā)控制抓拍到對比度較高的方便面圖像。采用Visual C++6.0 開發(fā)了一套行之有效的軟件系統(tǒng)。采用了“圍剿算法”巧妙地去除背景，利用了“削切算法”對面塊邊緣進行處理，去除周邊毛刺的干擾。

最后提取二個特征參數(shù)即削切后面塊與外接矩形的面積比值R比和初始面塊面積A初來判斷面塊是否缺損。這樣把復雜的形狀識別問題轉化為面積計算問題，這種方法看似簡單，但其效果是常規(guī)的形狀識別算法不易達到的。本實驗方法另辟蹊徑，其優(yōu)勢十分明顯，識別率高、速度快、實用性強，完全滿足在線檢測。

本文作者創(chuàng)新點：

1.模擬方便面生產(chǎn)線設計了圖像采集裝置，利用觸發(fā)控制抓拍到對比度較高的方便面圖像;

2.利用HIS顏色空間下像素的I值作為參數(shù)，采用了“圍剿算法”對圖像進行了巧妙分割;

3.利用了“削切算法”對面塊邊緣進行處理，去除周邊毛刺的干擾。解決了計算機后續(xù)形狀識別的干擾問題。

4.提取二個特征參數(shù)（即削切后面塊與外接矩形的面積比值R比和初始面塊面積A初）來判斷面塊是否缺損，識別率高。

編輯：jq