摘 要：茅型瓶是一種乳白色仿瓷玻璃瓶，具有較好的熱穩(wěn)定性、密閉性和遮光性，是茅臺酒常用的包裝材料，存在缺陷的酒瓶會出現(xiàn)酒滲漏、酒體揮發(fā)、酒體變質(zhì)等。裂紋缺陷是常見的茅型瓶缺陷，利用MATLAB圖像處理技術(shù)對茅型瓶裂紋缺陷進(jìn)行識別，首先對缺陷圖像進(jìn)行灰度化、去噪、邊緣檢測等預(yù)處理，然后使用Hough變換法對預(yù)處理的缺陷圖像進(jìn)行識別，采用不同的裂紋缺陷圖像進(jìn)行驗(yàn)證。結(jié)果表明，霍夫變換能夠檢測不同形狀和位置的茅型瓶裂紋缺陷，識別效果較好。

關(guān)鍵詞：MATLAB；茅型瓶；裂紋缺陷；Hough變換

中圖分類號：TP391.5 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2024）13-0161-06

Research on Moutai-shaped Bottle Crack Defect Recognition Based on

MATLAB Image Processing Technology

QIU Xu1， SHEN Fu2， JIAO Yang3

（1.Moutai Institute， Zunyi 564507， China; 2.Shenzhen Orient Dingsheng Technology Co.， Ltd.， Shenzhen 518000， China; 3.KWEICHOW MOUTAI CO.，LTD.， Zunyi 564501， China）

Abstract： Moutai-shaped bottle is a milky-white porcelain like glass bottle with good thermal stability， airtightness， and light shielding. It is a commonly used packaging material for Maotai. Bottles with defects can cause leakage， volatilization， and deterioration of the liquor. Crack defect is a common defect in Moutai-shaped bottles. MATLAB image processing technology is used to identify crack defects in Moutai-shaped bottles. Firstly， the defect image is preprocessed with grayscale， denoising， edge detection， etc. Then， the Hough transform method is used to identify the preprocessed defect image， and different crack defect images are used for verification. The results indicate that the Hough transform can detect crack defects in different shapes and positions of Moutai-shaped bottles， and the recognition effect is good.

Keywords： MATLAB; Moutai-shaped bottle; crack defect; Hough transform

0 引 言

在白酒包裝材料或酒瓶生產(chǎn)過程中，由于生產(chǎn)設(shè)備、環(huán)境、原材料、生產(chǎn)工藝、工人技術(shù)等因素，酒瓶不可避免地會產(chǎn)生裂紋缺陷，存在缺陷的酒瓶不僅會出現(xiàn)酒滲漏、酒體揮發(fā)、酒質(zhì)變壞，還嚴(yán)重影響消費(fèi)者的用酒體驗(yàn)和消費(fèi)信心。當(dāng)前的酒瓶缺陷檢測仍然存在漏檢、檢測效率低、檢測精度不高等問題，研究茅型瓶裂紋缺陷的自動(dòng)識別，對于實(shí)現(xiàn)產(chǎn)品的快速檢測、減少生產(chǎn)成本、提升品牌形象等具有積極的意義。

20世紀(jì)50年代，國外學(xué)者開始研發(fā)基于機(jī)器視覺技術(shù)的空瓶質(zhì)量檢驗(yàn)機(jī)，首臺空瓶檢測機(jī)于1958年問世。之后，許多公司相繼推出了機(jī)器視覺檢測設(shè)備，其中包括德國Siemens公司的SIMATIC VS710工業(yè)視覺檢測系統(tǒng)和德國InnoLas公司的圖像采集設(shè)備[1]。美國工業(yè)動(dòng)力機(jī)械有限公司也推出了全方位檢測玻璃瓶的機(jī)器[2]。這些設(shè)備能夠快速捕捉清晰圖像并實(shí)現(xiàn)較高精度的檢測，但其造價(jià)高、靈活性差、技術(shù)維護(hù)困難等問題尚未解決。

國內(nèi)廠家也在研發(fā)玻璃制品在線檢測設(shè)備，例如北京賽騰動(dòng)力有限公司推出的Saturn驗(yàn)瓶機(jī)、廣州大元與北京四通電機(jī)聯(lián)合開發(fā)的DS空瓶驗(yàn)瓶機(jī)以及山東三金玻璃機(jī)械有限公司與北京微視公司聯(lián)合研發(fā)的攝像檢驗(yàn)機(jī)[3]。這些設(shè)備基于不同的技術(shù)實(shí)現(xiàn)對瓶口缺口、瓶頸裂縫、氣泡等缺陷的快速、無接觸檢測[4]。但與國外相比，國內(nèi)的酒瓶缺陷識別研究起步較晚，大多仍處于探索階段。

對于玻璃瓶缺陷識別的研究，Liu等人[5]將支持向量機(jī)與模糊理論相結(jié)合，用于瓶身缺陷檢測。Yang等人[6]采用一種簡單的閾值化和邊緣提取方法來檢測小瓶口缺陷。Zhou等人[7]采用一種快速的基于稀疏表示的檢測算法來檢測瓶蓋的表面缺陷。Duan等人[8]采用超像素分割和雙高斯濾波器提取罐頭底部內(nèi)表面的缺陷。Zhou等人[9]結(jié)合Hough圓檢測與尺寸先驗(yàn)將瓶底特征區(qū)域劃分為三個(gè)測量區(qū)域，并采用顯著性檢測、多尺度濾波、模板匹配等方法來檢測三個(gè)測量區(qū)域從而判定被測瓶底的質(zhì)量。盡管玻璃瓶缺陷檢測的方法有很多，但大多方法是為了解決特定問題而提出的，只有少數(shù)方法可用于玻璃瓶裂紋缺陷的檢測。

本文利用MATLAB圖像處理技術(shù)對茅型瓶裂紋缺陷進(jìn)行識別，首先對缺陷圖像進(jìn)行灰度化、濾波、邊緣檢測等圖像增強(qiáng)處理，然后使用霍夫變換對增強(qiáng)后的圖像進(jìn)行缺陷識別，經(jīng)過不同裂紋缺陷圖像驗(yàn)證，證實(shí)霍夫變換能夠檢測不同形狀和位置的茅型瓶裂紋缺陷，且識別效果較好。

1 茅型瓶裂紋缺陷圖像預(yù)處理

所采集的酒瓶缺陷圖像易受光照、設(shè)備、環(huán)境等因素的影響，導(dǎo)致酒瓶缺陷圖像背景復(fù)雜，需要對圖像進(jìn)行預(yù)處理，達(dá)到去除噪聲干擾，增強(qiáng)圖像對比度和裂紋缺陷的細(xì)節(jié)等，步驟如圖1所示。

1.1 灰度化

在機(jī)器視覺和圖像處理中，一幅圖像位于空間坐標(biāo)中，該圖像便可以看作是一個(gè)二維數(shù)組f （x，y），圖像坐標(biāo)中的每一個(gè)點(diǎn)（x，y）都有對應(yīng)的幅值f，該幅值便稱為該圖像的灰度。其中，x和y是空間坐標(biāo)，且f、x、y全都是非負(fù)有限離散。例如，一幅尺寸為k×j的數(shù)字圖像，可以看作是由k行j列有限個(gè)小方塊組成，每個(gè)小方塊在圖像中都有各自具體的位置及幅值，這些值代表每個(gè)小方塊所處行列的物理信息，比如灰度與色彩。這些小方塊稱為圖像要素，也叫像素。圖像灰度化就是通過一定的方式將彩色圖像轉(zhuǎn)換為黑白圖像，灰色圖像與彩色圖像相比，占內(nèi)存更少，處理速度更快，并且可以在視覺上增加對比度，突出目標(biāo)區(qū)域。缺陷圖像原圖如圖2（a）所示，灰度化后如圖2（b）所示。

1.2 灰度變換增強(qiáng)

灰度變換技術(shù)能夠增強(qiáng)圖像的灰度，使用灰度變換增強(qiáng)，只是改變了對應(yīng)點(diǎn)像素的灰度值，而不會改變對應(yīng)點(diǎn)的位置，遍歷圖像中每個(gè)像素點(diǎn)并基于上述原理逐個(gè)變換所有像素點(diǎn)，在此過程中，不會涉及周圍的其他像素點(diǎn)。在進(jìn)行變換之前，必須先獲取原圖像的直方圖，然后計(jì)算各灰度值的出現(xiàn)次數(shù)。原缺陷圖像圖2（b）的灰度圖像直方圖如圖3所示，由直方圖3可知，灰度值主要集中于100～200，由于正?；叶戎荡笮〉姆秶?～255，若把100～200范圍內(nèi)的灰度值均勻分布于0～255范圍內(nèi)，那么灰度改變后圖像的對比度會增強(qiáng)，變得更加清晰。具體處理步驟為：將原直方圖中灰度值小于100的值置0，而大于200的灰度值賦值為255。用數(shù)學(xué)公式表示為：令圖像灰度值在100～200范圍內(nèi)的灰度值為x，而圖像灰度值在0～255之間的值為y，可表示為：

灰度變換增強(qiáng)后的圖像如圖4所示。

1.3 直方圖均衡化增強(qiáng)

圖像的灰度直方圖能夠顯示圖像中包含的灰度像素?cái)?shù)目，反映各灰度級的發(fā)生頻率。對灰度直方圖進(jìn)行均衡處理，可使圖像更清晰地顯示，為后續(xù)的圖像處理提供依據(jù)。直方圖均衡化方法的基本思路是依據(jù)圖像灰度的概率分布設(shè)定對應(yīng)的灰度值，并且通過擴(kuò)大圖像范圍的方式來增強(qiáng)其對比度。

直方圖均衡化的基本原理是通過灰度級概率密度函數(shù)求出灰度轉(zhuǎn)換函數(shù)，從而自動(dòng)調(diào)節(jié)圖像對比度。其中，原圖像的概率密度函數(shù)p（rk）和變換函數(shù)T（r）之間的關(guān)系為：

其中，T（r）滿足0≤T（r）≤1。

應(yīng)用于數(shù)字圖像處理中的離散形式：

直方圖均衡化處理的步驟如下：

1）獲取原圖像的直方圖pr（rk）。

2）用累計(jì)分布函數(shù)處理獲取的灰度直方圖，經(jīng)過處理后會得到新的灰度。

3）在近似處理的基礎(chǔ)上，用變換后得到的新灰度值代替舊的灰度值，再將所有灰度值相同或相差較小的各灰度直方圖合并在一起便可得到ps（s）。

圖2（a）經(jīng)直方圖均衡化后的圖像如圖5所示。

1.4 圖像濾波增強(qiáng)

任何圖像在采集、處理和傳輸?shù)倪^程中，難免會受到各類噪聲（如量化噪聲和椒鹽噪聲等）的干擾。在對圖像進(jìn)行處理之前，特別是對檢測精度有較高的要求時(shí)，這些噪聲的干擾將會影響檢測的結(jié)果及后續(xù)對圖像的處理與分析[10]。因此，圖像濾波去噪是圖像處理中必不可少的一環(huán)，本文主要采用中值濾波和高通濾波進(jìn)行缺陷圖像增強(qiáng)。

1.4.1 中值濾波

中值濾波可以有效去除諸如椒鹽噪聲和脈沖噪聲之類的孤立噪聲，而且其在濾波過程中能夠保持圖像的邊緣特性。其基本原理是在圖像某點(diǎn)鄰域中找出該鄰域像素的中值作為這一點(diǎn)的像素值，簡單來說，就是在以每個(gè)像素點(diǎn)為中心的N×N奇數(shù)方塊內(nèi)找到所有像素的中值，然后將該中值賦給對應(yīng)的像素點(diǎn)[11]。這樣就可以有效去除噪聲，同時(shí)保持圖像的細(xì)節(jié)特征。

具體去噪步驟如下：

1）移動(dòng)N×N奇數(shù)窗口，然后將圖中某個(gè)像素位置與模板中心重合。

2）讀取模板下的像素灰度值并對這些值進(jìn)行順序排列。

3）選取排序后位于中間的像素。

4）將選取的中值賦給模板中心位置的像素。

原圖像中值濾波后的圖像如圖6所示。

1.4.2 梯形高通濾波

圖像的邊緣和細(xì)節(jié)位于高頻部分，所以通過高通濾波器能夠消除模糊，突出邊緣。梯形高通濾波器的定義為（設(shè)D1＞D0）：

其中，D0表示截止頻率，D（u，v）表示頻率矩形中心與頻率域中點(diǎn)（u，v）的距離。原圖像通過梯形高通濾波后的圖像如圖7所示。

1.5 圖像邊緣檢測

邊緣檢測的主要目的是找到圖像中亮度顯著變化的點(diǎn)，并在檢測過程中去除有干擾的點(diǎn)，達(dá)到減少檢測數(shù)據(jù)量的目的，這在一定程度上保留了圖像的結(jié)構(gòu)屬性。一般情況下，當(dāng)酒瓶存在缺陷時(shí)，缺陷部分的灰度與正常瓶子圖像有所不同。缺陷顯示的灰度值偏小，在圖像中就會形成缺陷輪廓信息，故利用邊緣檢測可以檢測出酒瓶的裂紋。利用Prewitt算子和Canny算子進(jìn)行邊緣檢測，經(jīng)檢驗(yàn)可知，兩種算子的處理效果較好。

1.5.1 Prewitt算子邊緣檢測

Prewitt算子主要是利用上下像素、左右相鄰像素之間的灰度級差異，在邊緣處達(dá)到極值以識別邊緣并去除一些假邊緣，同時(shí)可以去除噪聲，增加圖像清晰度。其原理主要是使用檢測水平邊緣的模板和檢測垂直邊緣的模板與原圖像進(jìn)行鄰域卷積。該算子定義如式（5）所示：

其中，G（i，j）表示梯度的大小，f （i，j）表示圖像中各像素的灰度值，Prewitt算子所對應(yīng)的卷積模板如式（6）所示：

利用Prewitt算子檢測原圖像的灰度圖后得到的圖像如圖8所示。

1.5.2 Canny算子邊緣檢測

Canny邊緣檢測的主要原理是先選擇合適的高斯濾波器，用于圖像平滑處理，減少噪聲對邊緣檢測的干擾，然后采用非極值抑制技術(shù)進(jìn)行處理得到圖像邊緣，步驟如下：

1）采用高斯濾波器平滑圖像，其中高斯函數(shù)H（x，y）為：

其中，f （x，y）表示圖像數(shù)據(jù)，G（x，y）表示高斯函數(shù)，σ表示標(biāo)準(zhǔn)差。

2）采用一階偏導(dǎo)的有限差分計(jì)算梯度的幅值和方向。利用一階差分卷積模板：

幅值：

方向：

使用非極大值抑制技術(shù)處理梯度幅值。取得圖像全局的梯度值并不意味著已經(jīng)得到圖像的邊緣，要想獲得圖像的邊緣首先得將非局部梯度幅值的極大值點(diǎn)置零，然后保留其局部的最大值點(diǎn)，這樣才能最終得到被細(xì)化后的邊緣。具體方法為：先設(shè)每一點(diǎn)鄰域的中心像素梯度值為M，然后比較M與該點(diǎn)梯度線上兩個(gè)像素的梯度值，若這兩個(gè)梯度值比M小，則令M = 0。

雙閾值算法是一種常用的圖像處理技術(shù)，用來檢測和連接邊緣，其基本原理是利用T1和T2兩個(gè)不同大小的閾值（其中T2大于T1）對圖像進(jìn)行處理，得到兩個(gè)閾值邊緣圖像N1[i，j]和N2[i，j]，然后利用雙閾值法將N2[i，j]圖像邊緣連接成輪廓，當(dāng)?shù)竭_(dá)輪廓的端點(diǎn)時(shí)，該算法就在N1[i，j]的鄰點(diǎn)位置搜索可與輪廓相連的邊緣。經(jīng)過多次重復(fù)操作，雙閾值算法不斷地在圖像N1[i，j]中搜索圖像邊緣，直至將圖像N2[i，j]連續(xù)起來[12]。Canny算子檢測原圖像的灰度圖后得到的圖像如圖9所示。

2 茅型瓶裂紋缺陷識別

經(jīng)過一系列的預(yù)處理，去除了噪聲的干擾，使圖像變得更加清晰，增強(qiáng)了目標(biāo)區(qū)域的對比度，同時(shí)提高了識別的準(zhǔn)確度。在預(yù)處理的基礎(chǔ)上運(yùn)用Hough變換對茅型瓶裂紋缺陷進(jìn)行識別。Hough變換最初只能用于檢測直線，經(jīng)過改進(jìn)后，Hough變換不僅能識別直線，還可以識別復(fù)雜結(jié)構(gòu)。針對茅型瓶裂紋缺陷，利用邊緣檢測描繪出裂紋形狀，然后通過Hough變換對裂紋進(jìn)行識別。主要步驟如圖10所示。

2.1 Hough變換直線檢測原理

在圖像xy坐標(biāo)空間中，經(jīng)過點(diǎn)（xi，yi）的直線表示為：

其中，參數(shù)a表示斜率，b表示截距。

坐標(biāo)空間中，經(jīng)過點(diǎn)（xi，yi）的直線可能會有無數(shù)條，但對應(yīng)不同的參數(shù)a和b，它們都會滿足式（13）?，F(xiàn)以參數(shù)a和b作為變量，而將xi和yi視為常數(shù)，則式（13）可表示為：

從而轉(zhuǎn)化為參數(shù)平面ab，這種變換便稱為Hough變換。如前所述，經(jīng)過點(diǎn)（xi，yi）的空間直線方程在經(jīng)過變換后便可得到該點(diǎn)在參數(shù)空間中的唯一方程。同理可得，經(jīng)過點(diǎn)（xi，yi）的同一條直線上的另一點(diǎn)（xj，yj），該點(diǎn)在變換到參數(shù)空間中也有唯一的方程與之對應(yīng)，其可表示為：

通過觀察可知，上述兩條直線在參數(shù)空間中相交于一點(diǎn)（a0，b0），如圖11（b）所示。

綜上可知：圖像坐標(biāo)空間中的一條直線，在通過上述方法將該直線由坐標(biāo)平面變換到參數(shù)平面后，其直線上的每個(gè)點(diǎn)在參數(shù)平面ab上都有相應(yīng)的一條直線與之對應(yīng)，這些參數(shù)直線在參數(shù)平面ab中都會交于點(diǎn)（a0，b0）。反之可得，所有在參數(shù)空間中相交于同一點(diǎn)的直線，都可以在坐標(biāo)空間中找到一條共線的點(diǎn)與之相對應(yīng)。由此可得，只要找到所求形狀的一些邊緣點(diǎn)，就能利用Hough變換來確定連接這些點(diǎn)的直線方程。

2.2 Hough變換復(fù)雜形狀檢測原理

Hough變換不僅能用于檢測直線，還可以用于檢測復(fù)雜形狀的邊界。其主要原理是：在被檢測的圖像中任意選取參考點(diǎn)（a，b），計(jì)算該形狀邊緣上每個(gè)點(diǎn)的切線方向φ，與參考點(diǎn)（a，b）位置的偏移矢量r，以及r與x軸的夾角α，如圖12所示。

參考點(diǎn)（a，b）的位置可由下式計(jì)算得出：

其中，?表示梯度角。

檢測步驟如下：

1）在知道物體形狀的前提下，首先計(jì)算出每個(gè)邊緣點(diǎn)的梯度角?i，然后算出每個(gè)梯度角?i與參考點(diǎn)的距離ri和角度ai，將所有梯度角?i的對應(yīng)角度和距離編成一個(gè)表，便可將被檢測的邊緣形狀編寫成一個(gè)參考表。如果同一個(gè)梯度角?對應(yīng)兩個(gè)點(diǎn)，則參考表可表示為：

2）在參數(shù)空間中建立一個(gè)二維累加器數(shù)組，累加器數(shù)組初值設(shè)為0，然后計(jì)算被檢測形狀邊緣上每點(diǎn)對應(yīng)的梯度角，最后由式（16）和式（17）計(jì)算出可能參考點(diǎn)的位置，每求得一個(gè)可能的參考點(diǎn)，對應(yīng)的累加器數(shù)組元素A（a，b）加1。

3）所有可能的參考點(diǎn)都被計(jì)算出來后，需要求出的參考點(diǎn)便是累加器數(shù)組A（a，b）最大值所對應(yīng)的（a，b）的值。參考點(diǎn)被找到后，整個(gè)物體的邊界便可被確定。

2.3 茅型瓶裂紋缺陷Hough變換檢測結(jié)果

在茅型瓶裂紋缺陷圖像經(jīng)過邊緣檢測等預(yù)處理的基礎(chǔ)上使用Hough變換進(jìn)行識別，結(jié)果如圖13（d）和圖14（d）所示。

3 結(jié) 論

利用MATLAB圖像處理技術(shù)對茅型瓶裂紋缺陷進(jìn)行識別，首先對缺陷圖像進(jìn)行灰度化、直方圖均衡化，采用中值濾波和梯形高通濾波進(jìn)行去噪，使用Prewitt算子和Canny算子進(jìn)行邊緣檢測，然后使用Hough變換對增強(qiáng)后的圖像進(jìn)行缺陷識別，采用瓶肩和瓶腹兩個(gè)不同位置和形狀的裂紋缺陷圖像進(jìn)行驗(yàn)證，結(jié)果表明Hough變換能夠有效檢測不同形狀和位置的茅型瓶裂紋缺陷。

參考文獻(xiàn)：

[1] 史浩然.基于機(jī)器視覺的汽車發(fā)動(dòng)機(jī)高壓油路密封件表面缺陷檢測 [D].吉林：長春大學(xué)，2021.

[2] 陳雨楊.玻璃瓶缺陷和瓶底模號的識別與分類研究 [D].成都：成都理工大學(xué)，2020.

[3] 陳常祥.基于計(jì)算機(jī)視覺的玻璃瓶缺陷在線檢測系統(tǒng)的研究與實(shí)現(xiàn) [D].桂林：廣西師范大學(xué)，2007.

[4] 張曉軍.玻璃瓶缺陷計(jì)算機(jī)自動(dòng)檢測系統(tǒng)的實(shí)現(xiàn) [D].成都：電子科技大學(xué)，2009.

[5] LIU H J，WANG Y N，DUAN F. An Empty Bottle Intelligent Inspector Based on Support Vector Machines and Fuzzy Theory [C]//Intelligent Control and Automation， 2006. WCICA 2006. The Sixth World Congress on. Dalian：[s.n.]，2006：9739-9743.

[6] YANG Z F，BAI J Y. Vial Bottle Mouth Defect Detection Based on Machine Vision [C]//2015 IEEE International Conference on Information and Automation. Lijiang：IEEE，2015：2638-2642.

[7] ZHOU W J，F(xiàn)EI M R，ZHOU H Y，et al. A Sparse Representation Based Fast Detection Method for Surface defect Detection of Bottle Caps [J].Neurocomputing，2014，123：406-414.

[8] DUAN F，WANG Y N，LIU H J，et al. A Machine Vision Inspector for Beer Bottle [J].Engineering Applications of Artificial Intelligence，2007，20（7）：1013-1021.

[9] ZHOU X E，WANG Y N，XIAO C Y，et al. Automated Visual Inspection of Glass Bottle Bottom With Saliency Detection and Template Matching [J].IEEE Transactions on Instrumentation and Measurement，2019，68（11）：4253-4267.

[10] 崔福彬，張茜，雷俞承志，等.基于深度學(xué)習(xí)的SAR圖像目標(biāo)識別算法 [J].長春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，42（4）：33-36.

[11] 程芳.基于改進(jìn)中值濾波方法對圖像去噪的應(yīng)用研究 [J].電腦與信息技術(shù)，2022，30（6）：18-20.

[12] 趙徹，徐熙平.圖像處理技術(shù)在微小尺寸自動(dòng)測量中的應(yīng)用 [J].電子測試，2014（7）：110-111.

作者簡介：邱旭（1989—），男，漢族，貴州遵義人，助教，碩士研究生，研究方向：機(jī)器視覺、無損檢測、圖像處理。