A_Machine_Vision_Apparatus_and_Method_for_Can-End_Inspection

一种用于罐端检测的机器视觉装置和方法

//2022.6.27日上午10:17开始阅读笔记

论文地址

https://ieeexplore.ieee.org/document/7476878

论文贡献

本文介绍了一种用于实时焊缝检测的机器视觉装置。在简要介绍仪器系统设计和成像系统的基础上，重点介绍了图像的后处理分析。为了检测已成像罐端面上的缺陷和变形，提出了一种结合先验形状约束的熵率聚类算法来定位罐端面目标并将其划分为多个测量区域。然后，采用超像素分组和选择方案来查找平板中央面板内部的缺陷区域。对于其他三个环形测量区域，引入了一种多尺度脊线检测算法来沿其投影轮廓寻找缺陷和变形。通过在线实验和测试，我们的设备可以发现大部分的罐端缺陷，对于各种圆形罐端，检测精度高达99.48%。

论文内容

1.介绍

易拉罐缺陷检测质量控制的必要性：

在食品和饮料行业中，金属罐因其重量轻、可完全回收、易于储存和成本效益高等独特优点，被广泛用作主流包装容器。通常，典型的两件式罐[见图1（a）]包括两部分：罐体和罐端。前者由圆柱形侧壁和一体成型的底壁组成。它在顶部有一个开口，有一个环形的向外延伸的外围法兰。后者由四个功能部分组成，如图1（b）所示，即：1）中央面板；2） 周边边缘；3） 接缝面板；4）从内向外卷曲【1】。根据设计规范【2】，中央面板用于在填充所需食品或饮料后密封罐体开口，其他三个外围部件设计为与罐体法兰形成联锁结构，用于产品保存。为了实现这一目标，外围边缘被设计为由两个坡面组成。面板和块壁，如图1（c）所示，同时在埋头孔接缝面板上涂抹密封剂以闭合罐，卷曲是用于钩住法兰的卷曲结构。与罐体相比，复杂的结构和一系列的制造工艺通常使罐端更容易受到各种缺陷或变形的影响。这些潜在缺陷可能会在产品储存和运输中造成严重的安全问题。因此，在用于包装之前，必须检查罐端的质量。

早期易拉罐终端检测系统设计：

为了满足罐终端质量控制的要求，早期的工作主要集中在制造过程状态的在线检测上。开发了一些传感模块，这些模块利用金属接近传感器【4】或应变计【5】来获取罐端部成形过程中工具系统的操作参数，然后使用一些数据处理单元来检测操作的异常和故障。然而，这种方法只能检测特定类型的缺陷。

接着作者说明了在其他方面应用的缺陷检测系统不能够在易拉罐的缺陷检测任务中使用。

在本文中，我们将介绍一种用于圆形罐端检测的机器视觉装置，该装置有望实时检测罐底表面的所有表面缺陷。重点介绍了用于检测不同罐端部区域缺陷的图像处理算法。本文的主要贡献有四个方面。

1. 为了在生产线上获得高质量的图像，设计了一种新型的成像系统。

2. 提出了一种多步检测方法来定位罐端，提取测量区域，并检测每个区域的缺陷。

3. 提出了一种基于图的超像素分组和选择算法，用于中心圆区域的缺陷检测。

4. 采用多尺度脊（谷）检测算法沿每个环形测量区域的投影轮廓寻找缺陷。

2.系统的仪器设计

本节首先介绍了罐端部检测装置的系统架构，并对照明方案设计进行了详细考虑。然后，研究了图像特性和缺陷检测面临的挑战。

2.1 系统架构

如图2（a）所示，该装置主要由三部分组成：1）机电装置；2） 成像系统；3）处理模块。其中，机电装置用于实现罐端的自动运动控制和分拣。成像系统旨在为快速移动的测试项目获取高质量图像。采用处理模块对采集到的图像进行处理，控制机器的运行。

此外，机电设备根据其功能大致分为输入端口（1.1）、输送系统（1.2）和分拣系统（1.3）。输入端口（1.1）设计用于输入和分离罐端并以由直流电机控制的机械分离器作为结束。

输送机系统（1.2）采用新型气动方法进行运动控制。它与真空泵相连，真空泵在输送机表面产生低气压区域。罐端通过压差在输送机上稳定吸收，并沿着由交流电机驱动的输送机传输。分拣系统（1.3）用于根据检查结果对罐端进行分类。有缺陷的罐端通过一个使用压缩空气脉冲作为驱动力的分离器与输送机分离。无缺陷产品有序出口，以便后续加工。其他辅助组件包括交流/直流电源转换器和电磁干扰滤波器，以改善电能质量和减少机械振动。

成像系统（2）安装在输送机上方的成像站[见图2（b）和3（a）]。它由数码相机（2.1）、光源（2.2和2.3）和光电收发器（2.4）组成。此处，直径为99 mm的罐端用于演示，780×582的摄像头分辨率足以满足检查要求。处理模块（3）主要由一台具有核心i7处理器和8 GB RAM的工业计算机组成，它与不同的部件协同工作。当罐端传输到成像站时，它触发光电收发器（2.4），并向工业计算机的输入/输出板发送触发信号，然后工业计算机打开光源并命令数码相机（2.1）获取测试项目的图像。获得的图像通过1394接口传输到工控机，由分析检测软件进行处理。

2.2 成像系统及照明方案设计

在获得的图像中，预计整个罐端区域的灰度均匀，缺陷与背景不同。然而，复杂的三维罐end结构使得很难在整个金属表面上实现均匀照明。这不可避免地会降低图像质量，因为灰度与表面光强度L（X，Y）和曝光时间te成正比

为了避免这个问题，图3（a）中显示了一个特定的照明方案，该方案由两个同心放置的锥形区域光源组成。上部光源主要用于照明中央面板，而较大的下部光源用于照明外围区域。如图3（b）–（d）所示，使用上光源时，中央面板的灰度远高于其他区域，外围区域之间的边界变得难以区分。这与低光源的情况相反。当使用两种光源时，它们的光场重叠，从而显著提高照明均匀性，从而获得更好的图像质量。在实际应用中，分别调整两种光源的光强，以找到最佳的混合比。此外，考虑到传送带速度快，使用短te避免运动模糊。

2.3 缺陷和挑战

如图3（d）所示，在专门设计的照明下，正常罐端通常在每个结构区域具有相对均匀的灰度。同时，区域间的差异也很明显，这可能会给后续的图像缺陷识别带来困难。

罐端部检查的困难主要源于表面缺陷的多样性，如污染物、划痕和变形，如图4所示，这些缺陷分布在不同的结构区域，通常具有不同的形状或外观。为了便于分析，根据其原因将典型缺陷分为以下几类。

1. 外来污染物[图4（a）、（F）、（k）、（l）和（p）]：它们来自制造过程中压入罐端的夹子、异物或其他物体。

2. 刮伤[图4（b）、（c）、（h）和（m）]：工具系统故障损坏了保护表面涂层，使产品直接与钢材接触。

3. 化合物飞溅[图4（d）]：一些密封剂被错误地溅入中央面板。

4. 凹痕[图4（g）和（q）]：有缺陷的壳体压力机在边缘区域形成中空区域。

5. 缺少密封剂[图4（n）和（o）]：接缝板的某些位置没有密封剂。

6. 形状变形[图4（r）]：卷发器无法将一些卷曲段弯曲到正确的位置。

7. 形状变形[图4（s）]：外部应力使部分卷曲区域严重偏离正常形状。

8. 破损边缘[图4（j）和（t）]：部分边缘受损。

这些缺陷会污染产品[缺陷1–3）]，或导致密封不良，甚至包装破损[缺陷4–8）]。

从获得的图像中可以看出，污染物、凹痕和破损边缘缺陷始终以深色区域出现。污染物可以呈现各种不规则形状，而凹痕通常是方形的，断裂边缘缺陷是环形区域。划痕、化合物飞溅和缺失的化合物缺陷通常具有比背景更高的灰度。划痕通常呈曲线或线形，而复合飞溅缺陷近似为圆形。此外，形状变形和变形常常导致局部几何结构与其相邻区域不同。综上所述，这些缺陷的灰度、大小和形状等特性因缺陷类型的不同而有很大差异。特别是，每个缺陷周围的背景在不同区域之间也不同，甚至在同一区域内也是不均匀的。例如，在中央面板中，边缘区域的灰度远低于中央区域。

3.罐端部检查方法

本节介绍了一种用于罐端检测的图像分析管道。如图5所示，首先定位罐端对象并将其划分为多个测量区域。然后，开发并应用不同的算法来检测每个区域的缺陷。

3.1 罐端定位和测量区域提取

由于输送机运动的随机偏差，在获得的图像中，罐端不在固定位置，如图4（a）–（e）所示。此外，缺陷特性可能会随位置而变化，区域间灰度分布也会发生很大变化，如前所述。因此，有必要预先定位目标并将其划分为不同的测量区域。在这里，以通过将熵率聚类算法与罐端的先验形状约束相结合来实现，如图6所示。

熵率聚类算法【17】最初是一种超像素生成方法，它能够将图像过度分割为任意k个超像素。聚类过程基于图像图表示G1=（V，E，W），通过选择边子集A生成超像素⊆ E、 将图划分为k个不相交的子集S1，S2，Sk。这是通过优化目标函数F来实现的，目标函数F关于A【18】，其中包括G2=（V，A）上随机游动的熵率H（A）和平衡项B（A），也就是：

其中，NA是由边子集A、A、n、dλ确定的当前簇数≥ 0是平衡项的权重。熵率有利于致密均匀团簇的形成。它可以写成一个集合函数：

具有跃迁概率

平稳分布μ

式中，wij是测量顶点对（i，j）之间相似性的边权重，

。平衡项B（A）有利于大小相似的集群

其中pZ A（i）=（| Si |\/| V |）），| Si |和| V |分别是簇i的成员身份和总顶点计数。目标函数是子模块，可以通过贪婪启发式算法进行优化。该算法以一个空集开始，即A=∅ （完全断开连接的图形），并将边按顺序添加到集合中。在每次迭代中，它都会添加一条产生最大增益的边，直到NA=k。

当采用熵聚类方法对罐端图像进行分割时，一个有趣的现象是，尽管存在不同的背景和各种缺陷，但当k非常小时，它能够实现罐端的精确分割。这主要是因为罐端和背景相对均匀，而它们的灰度分布完全不同。典型的分割结果如图6（A）–（c）所示。k=2时，罐端与背景准确分离。当k增大时，中心面板、外围边缘、接缝面板和卷曲逐渐提取。

在大多数情况下，分割结果准确且足以指示多个测量区域[见图6（c）]。然而，有时，形状变形和较大的缺陷可能会使提取的区域偏离地面真实值。为了保证分割结果的可靠性，利用先验形状约束对分割结果进行后处理。罐端部及其所有测量区域都是同心圆或圆环，因此它们可以用中心和内外半径表示。对于目标位置，从k=5的分割结果中获得的罐端部和中央面板的边界用于通过圆拟合算法计算罐端部中心c（x，y）和半径r，如图6（d）所示。为了提取多个测量区域，在预先获取的标准罐端图像中测量每个区域的内外半径。然后，在当前图像中，以c（x，y）为中心提取每个测量区域，并按s=（r /r’）缩放相应半径，r’是参考图像中的罐端半径。如图6（f）所示，即使罐端严重变形，该算法仍能准确提取测量区域。

基于形状相似性，提取的测量区域通常分为两类，圆形区域（中心面板）和环形区域（外围边缘、接缝面板和卷曲）。第III-B–III-D节分别说明了针对每种类型区域提出的缺陷检测算法。

3.2 中央面板的缺陷检测

在中央面板区域，缺陷主要包括污染物[图4（a）]、划痕[图4（b）和（c）]、化合物飞溅[图4（d）]等。虽然它们的灰度、大小和形状彼此不同，但一个共同的特性是，它们通常覆盖一个小的封闭区域，具有与中央面板背景不同的均匀灰度。考虑到超级像素被定义为内部均匀、闭合和边界固有的小区域【19】，因此每个缺陷可以被视为类似超级像素的集合，可以通过检测其邻域中相对较大的灰度变化来选择。因此，针对中央面板中的缺陷检测，提出了一种超像素分组和选择算法，如图7所示。

在超像素生成过程中，采用熵率聚类算法生成Ni超像素（Ni>6000），并以区域信息为掩码提取中央面板超像素[见图7（b）]。当Ni较大时，可以检测到非常小的缺陷，但计算量较大。在超像素分组过程中，对文献[20]中介绍的图分割方法进行了改进，将相似的超像素分组。首先，以每个超像素Si为节点构造加权区域邻接图Gh=（Vh，Eh，Wh），并将连接两个相邻超像素Si和S j的边的权重设置为它们的平均灰度值la之差，也就是

然后，如果图中两个相邻部件C1、C2⊆ Vh两者的互差（即连接C1和C2的最小权重）小于最小内部差MInt，则合并图中的Vh，其可表示为

其中，Int（C）是聚类C最小生成树中的最大权重。τ（C）=（k2 /| C |）是一个偏差项，它增加了小聚类的内部差异，其中| C |是聚类C中包含的超像素计数。通过这种方法，中央面板超像素被分组到p个内部同质区域R1、R2、，Rp由参数k2控制，如图7（c）所示。k2越大，p越小，后处理复杂度越低；然而，它可能会遗漏一些小缺陷。考虑到缺陷尺寸通常很小，将内部差异也很小的最大区域作为无缺陷背景。

以下步骤是从合并结果中选择缺陷区域。定义了一个特定的指数来评估每个区域的局部灰度变化。首先，使用带系数的二项式滤波器对中央面板区域进行平滑处理

其中m和n分别是过滤器的高度和宽度。使用较大的m和n平滑更多细节，此处使用m=n=13。计算原始图像和平滑图像之间的差值，如图7（d）所示。对于每个合并区域Ri，将缺陷指数Di设置为该区域中高于特定阈值Ta的差值之和

其中Ta用于抑制背景噪声。然后，对于每个非背景区域Ri，如果（Di /| Ri |）高于一个小阈值Tb[见图7（e）]，其中| Ri |是Ri中的超像素计数。

利用所提出的算法，典型中央面板检测的检测结果如图8（a）–（e）所示。正如所观察到的，它可以有效地检测和分割具有不同灰度、形状和大小的各种缺陷。

3.3 环形测量区域的缺陷检测

在三个周边环形区域中，缺陷是不同的，如图4（f）–（t）所示。此外，如图9（a）所示，复杂的结构使得背景灰度分布随位置发生显著变化。这些因素极大地增加了缺陷检测的难度。幸运的是，由于罐端结构的几何对称性，以c（x，y）为中心的圆周围的像素预计具有均匀的灰度。因此，这些区域中的各种表面缺陷通常可以被描述为圆周周围的局部灰度异常。在此基础上，提出了一种多尺度脊（谷）检测算法，通过沿这些狭窄环形区域的投影轮廓发现灰度突变来检测缺陷。

图9显示了环形测量区域的整个缺陷检测算法。首先，将由其内径a1和外径a2定义的每个环形区域展开，以在极坐标中形成子图像[见图9（a）]。然后将子图像划分为几个独立或部分重叠的小矩形条带[在图9（a）中标记为1–5]，这些条带具有较小的恒定宽度wa（2≤ 华盛顿州≤ 7） 仅适应沿径向。

对于每个单独的矩形条带，其投影轮廓是通过在半径方向上累积wa像素的灰度来获得的。如图9（b）所示，缺陷在投影轮廓上表现为明显的局部灰度突变，这使得通过后处理信号分析定位缺陷成为可能。然而，获得的一维信号噪声很大，它们的平均灰度或背景通常随位置在同一条条纹上漂移，并且在不同的条纹上变化显著。这些因素对传统算法（如阈值二值化、图像导数和峰值检测）仍然是巨大的挑战。

为了解决这一问题，提出了一种多尺度脊谷检测算法来检测投影轮廓上的灰度突变。山脊（山谷）被定义为一条曲线，其点为N个变量函数的N-1维的局部最大值（最小值）[21]。如图9（b）所示，投影轮廓上的缺陷可以用脊或谷定义完美建模。更具体地说，缺陷的一个共同特性是它们是局部最小值或最大值，并且通常具有凸高斯形状。基于成熟的脊线检测理论及其各种应用【22】、【23】，我们建议基于投影轮廓的一维脊（谷）强度度量来检测缺陷。简化一种γ归一化二阶高斯滤波器

采用σ作为尺度参数，其中归一化系数γ=1用于确保尺度不变性。

显然，h（x，σ）对局部极小值的响应为正，因此它适合于谷检测。对于脊线检测，使用其负滤波器，即

。

为了解释缺陷宽度变化，遵循Lindeberg【24】提出的多尺度框架。在脊（谷）检测过程中，首先将每条条纹的投影轮廓Pi与不同尺度下的h（x，σ）或hr（x，σ）进行卷积，然后取所有尺度下的最大响应作为最终结果，即

此处，最小和最大刻度σmin和σmax分别设置为最小可分辨缺陷尺寸和最大缺陷尺寸的一半。如图9（c）所示，Ui通常在缺陷位置取一个较大的值，而对于非常嘈杂的背景，它相对较小，并且不受缓慢甚至较大的背景漂移的影响。基于此，脊或谷响应上的简单阈值足以筛选出真正的缺陷。如图9（c）所示，采用阈值Tg来区分期望缺陷和噪声干扰，并且将Ui>Tg的部分作为缺陷段。

由于不同测量区域的灰度分布不同，因此每个区域使用唯一且固定的Tg。阈值的选择主要基于用户界面分布的先验统计分析，并采用F1得分最大化准则来选择最佳阈值。以边缘为例，通过事先统计的方法分别得到背景和缺陷区域的Ui直方图。如图10（a）所示，缺陷和背景分布之间存在较大的裕度。然后，使用每个可能的阈值计算F1分数（见第IV-A4节）。最后，将F1得分最大化的阈值用作最佳阈值[见图10（b）]。

在极少数情况下，台阶边缘也会对脊（谷）探测器产生强烈响应，这可能被错误地确定为缺陷，如图9（d）和（e）所示。为了避免这种错误，进一步利用了阶梯边缘的非对称结构。具体而言，对于每个缺陷段，如果Ui峰值周围的平均Pi与左侧或右侧局部背景之间的差值低于全局阈值Td，则将其视为阶跃边缘，而不是缺陷。

对于周边边缘和卷曲，正常灰度非常高，缺陷为深色区域，如图4（f）–（j）和（p）–（t）所示，因此，采用山谷检测，检测结果分别如图8（f）–（j）和（p）–（t）所示。根据观察，该算法可以准确地检测出边缘的主要缺陷，包括污染物、凹痕、划痕和破损边缘。在卷曲区域，两种特殊的缺陷是形状变形和变形，如图4（r）和（s）所示。它们还会导致投影轮廓的突然变化，因此所提出的算法也能够检测这些缺陷。在接缝面板中，除污染物外，所有其他缺陷（包括异物、化合物缺失和划痕）的灰度都高于背景，如图8（k）–（o）所示。因此，同时使用了脊和谷检测器，缺陷检测结果如图8（k）–（o）所示。如图所示，所有典型缺陷均已正确检测到。

3.4 卷曲宽度测量

另一个缺陷是两端，这是由于在制造过程中多个罐端被错误地冲压在一起的错误操作引起的。这种缺陷通常伴随着卷曲宽度的明显增加。因此，卷曲宽度测量对于检测此类缺陷非常重要。

考虑到卷曲宽度很少随位置发生较大变化，可以在多个位置进行采样，然后取其平均值作为最终测量结果。为此，需要几个窄矩形窗口（3≤ wr公司≤ 7） 如图11（a）所示，将其沿罐端半径的长度方向放置在卷曲区域上，通过测量每个窗口中边界之间的距离来获得卷曲宽度。受罐ny边缘检测器的启发，将（12）中高斯核的二阶导数与投影轮廓直接卷积，并将两个过零点之间的距离作为卷曲宽度。如果测量结果高于最大允许卷曲宽度，则视为有缺陷。

4.系统测试与实施

在本节中，使用在线获取的图像测试缺陷检测算法和设备性能，并定义了一系列用于定量评估的指标。为了进行比较，实验中还实现并采用了几种常规方法。

在我们的实验中，使用我们的设备采集的954幅罐-end图像进行测试，其中包括454幅典型缺陷图像和500幅随机选择的正常图像。

4.1 定量评估

在仪器系统设计中，成像和分类模块对质量控制的影响最小。因此，仪器的检测性能主要取决于图像分析算法。为了进一步了解图像处理流程中每个步骤的效果，使用不同的指标从不同的角度（即目标位置、缺陷检测和分割）评估检查性能。

1） 罐端位置：在线图像中随机分布的罐端物体的位置是进一步缺陷检测的基础。根据中心偏差Ec和半径失配Er对其性能进行了评估。Ec定义为定位中心c（x，y）与其真实位置ct（x，y），i之间的距离。eEc=| | c（x，y）− ct（x，y）| | 2。Er设置为计算得出的罐端半径r与其实际长度rt之间的差值，即Er=r− rt。在实验中，通过手动测量获得每个图像的真实罐end位置ct（x，y）和半径rt，Ec和Er的统计数据如表I所示。如观察到的，平均Ec和Er都非常小；此外，最大Ec<1 pixel，这足以确保测量区域的准确提取。

2）缺陷检测：为了适应这一要求，使用术语“缺陷”和“无缺陷”对缺陷检测结果进行分类，而“合格”和“不合格”则用于基本事实。检验结果中，真阳性（TP）、真阴性、假阳性（FP）和假阴性（FN）分别对应不合格品、无缺陷合格品、有缺陷合格品、无缺陷不合格品的计数。考虑到合格产品的数量通常比不合格产品的数量大得多，因此需要对精度（Pr）、召回率（Rc）和准确度（Acc）进行缺陷检测性能调查

其中Acc是正确检验结果的比例。Pr和Rc分别对应于总缺陷和不合格产品中正确检测到的不合格产品的百分比。显然，希望所有这些指标都是100%。

使用获得的实验数据验证缺陷检测性能，定量指标列于表II第2-4列，每行对应不同的测量区域。如图所示，使用所提出的算法可以很容易地检测到中央面板中的大多数缺陷，尽管一些例外情况可能发生在微小和模糊的缺陷上，或者非常嘈杂的干扰偶尔会被识别为缺陷。这些错误主要是由于背景的灰度分布变化很大。对于边缘边缘，由于多尺度脊（谷）检测算法具有良好的噪声抑制和局部结构检测能力，实现了完美的测量。在接缝面板中，图4（s）中的形状变形缺陷导致了相当多的FP错误。主要原因是在测量区域提取过程中，部分卷曲区域被错误地视为缝合面板，从而导致投影轮廓的灰度突变。此外，区域边界附近的小缺陷偶尔会被遗漏。在卷曲区域，一些小缺陷无法通过折衷阈值检测到。主要困难是该区域灰度变化很大，导致投影轮廓非常嘈杂。此外，该算法对形状变形或扭曲非常敏感，即使这些缺陷很小，也可以很容易地检测到。在最终检验结果中，如果产品合格，则FP错误会累积，而当只有一个区域存在缺陷时，FN错误会增加。否则，将消除错误。

使用所提出的方法，所有关键和主要缺陷，包括污染物、划痕、凹痕、缺失化合物、断裂边缘等，都很容易检测到。主要误差是小而模糊的缺陷或噪声背景。

3）缺陷分割：为了定量评估分割性能，我们仍然遵循接收操作特征理论，采用精度和召回指标。然而，与之前的缺陷检测不同，TP设置为正确标记为缺陷的像素数，而FN和FP分别是错误标记为背景和缺陷的像素数。因此，我们使用DPr和DRc来表示分割的精度和召回指数。表II第5列和第6列列出了每个测量区域的性能统计数据。对于接缝面板，使用脊线和谷线检测算法来定位缺陷，由于台阶边缘的意外响应，这会导致许多FPs和较低的DPr。对于其他测量区域，所提出的算法可以达到可接受的缺陷分割精度。

4）参数敏感性和算法鲁棒性分析：如前所述，所提出方法中使用的阈值是通过最大化其相应的F1分数来选择的，即

其他参数的选择主要基于实验，计算负荷也是主要考虑因素。一般来说，各参数可在较大范围内选择，对性能无明显影响。

另一个重要问题是所提出的算法在不同情况下的鲁棒性。罐端部定位是缺陷检测的前提，因此其鲁棒性是最重要的。为了评估这种性能，将在极端光照条件下获得的图像和高斯噪声破坏的图像用于实验。对于这些图像，分割结果可能严重偏离预期，如图12（a）所示。背景被分割成多个区域，更糟糕的是，外围边缘与中央面板合并。为了避免错误，通过组合图像边界的超像素标签来获得背景标签。此外，还利用半径范围的先验知识来消除虚假的圆拟合结果。如图12（b）和（c）所示，对于在极端光照条件下获得的图像和噪声破坏图像，当σn≤ 29、对于缺陷检测算法，它们对噪声的容忍度有限，但对光强变化不敏感。

5） 速度分析：检测速度主要取决于所提算法的计算复杂度。其中，计算量最大的部分是entropyrate聚类，它用于罐端定位和超像素生成。由于其迭代解，只进行一次聚类。当超级像素计数等于Ni时，结果将保存用于中央面板缺陷检测。然后，聚类继续进行，直到罐端被分割。算法的实现在许多方面都得到了优化，例如，通过访问查找表来计算图的权重。此外，该装置像素尺寸不大，聚类过程平均耗时0.5秒，整个质量测量过程在0.7秒内完成。

4.2 与其他方法的比较

虽然有几种方法可以解决整个罐-end检查问题，但我们的部分管道可以用其他方法代替。这里，一些常规算法是为了比较而实现的，但仅在单独的步骤上实现。

1） 罐端定位的边缘检测：测试项目和背景之间的边界通常很强，这使得可以使用边缘检测算法定位对象。为了进行比较，我们采用传统的罐ny边缘检测器来提取边界。随后，应用圆拟合模型来确定其中心和半径。该方法计算量小，大多数情况下都能达到可接受的精度。然而，当旋度有缺陷时，如图4（p）–（t）所示，位置误差显得很大。、

2） 基于活动轮廓模型的定位：作为一种流行的边界提取算法，活动轮廓模型也可以应用于罐端部定位。这里，采用了【25】中提出的快速重新初始化自由水平集方法，定位结果如图13（a）所示。该方法能够实现亚像素定位精度。然而，它的性能对初始化轮廓非常敏感。此外，即使使用最优圆初始化，收敛时间也可能在5到20秒之间变化，这主要是因为可以在很大范围内随机分布端点。

3） 基于图的分割方法：理论上，（8）中提出的图分割模型不仅可以用于末端定位，还可以用于中央面板的缺陷检测。对于罐端位置，使用较大的控制参数k2和Smin（允许的最小尺寸），罐端从背景中分割。然而，如图13（b）所示，该方法容易受到背景变化的影响。对于缺陷检测，主要的难点是最优控制参数的选择，对于不同的测试项目，最优控制参数的变化范围很大。通过权衡选择，一些背景被视为缺陷[图13（d）]，而一些缺陷未被检测到[图13（e）]。此外，背景的不均匀性，尤其是边界附近较暗的区域，也会导致检测错误。

4） 基于背景减法的缺陷检测：与（10）类似，原始图像与其平滑区域之间的差异也可用于缺陷检测。然而，主要的困难是二值化阈值的选择。如图7（d）所示，该方法仅检测大缺陷的边界。另一个缺点是，许多背景被错误地视为缺陷。

5） 缺陷检测的超级混合分类：也可以通过直接对超级混合进行分类来检测缺陷。为了进行比较，使用支持向量机对具有相交核的超像素的9-bin直方图特征进行分类。如图13（f）所示，该方法能够检测大多数中等尺寸缺陷。主要问题是无缺陷超混合占主导地位，这对分类器的设计提出了严格的要求。即使是很小的分类错误也可能导致严重的检测错误。

使用相同的实验数据来评估上述方法的性能。采用前面定义的指标Ec和Er研究方法1-3的焊缝定位精度，并用Pr和Rc评估方法3-5的缺陷检测性能。相应的性能统计数据如表III所示。在定位方法中，活动轮廓模型可以获得比我们的方法更好的精度。然而，其漫长且变化很大的收敛时间使得其不适合于工业应用。与传统的缺陷检测方法相比，该方法可以同时获得更好的缺陷检测和分割精度。

4.3 系统实施

检测软件由Halcon机器视觉库实现【26】，该库提供了许多深度优化的图像处理功能。这大大减少了检验过程所花费的时间。设计的用户界面如图14所示，左侧显示获得的当前测试项目的图像，右侧显示测量结果的统计信息。单击右下角的系统参数按钮，可以通过弹出界面调整参数设置。

5.结论

本文介绍了一种用于罐端部实时检测的机器视觉装置。根据质量控制要求，提出了一种多步骤图像分析管道，用于检测罐端面不同部位的各种缺陷。首先，将熵率聚类算法与先验形状约束相结合，对罐端进行定位。然后，开发了单独的算法来检测不同测量区域中的缺陷。在中心面板中，提出了一种用于缺陷检测的超像素聚类和选择算法。在其他三个环形测量区域，采用多尺度脊（谷）检测算法沿其投影轮廓寻找缺陷。

经过一年多的生产线测试，我们的设备可以对直径在55到153毫米之间的罐端实现非常高的精度。其准确性和鲁棒性足以满足苛刻的工业要求。此外，所开发的算法还可以扩展到许多其他工业检测应用中。

//本文仅作为日后复习之用，并无他用。