摘 要

玻璃瓶作为良好的液体容器在食品、药品和化工行业得到了广泛应用，但生产过程中难免会生产出带有气泡、裂纹等缺陷的玻璃瓶。传统的缺陷检测算法是利用人工对生产线上的玻璃瓶抽样检测，速度慢，效率低。随着技术的进步和市场需求的增加，玻璃瓶厂家的生产规模不断扩大，传统的缺陷检测方法已不再适合，所以人们急需寻找新的方法来检测缺陷。

为此，本文借助机器视觉技术，基于开源的OpenCV计算机视觉库实现了一个玻璃瓶缺陷检测系统。针对玻璃瓶的主要缺陷(气泡、裂纹、变形等），利用工业相机对玻璃瓶拍摄图像，之后再用Python和OpenCV开源计算机视觉库对图像进行处理提取和检测缺陷特征，最后将检测结果展示在使用PyQt5设计的人机交互界面上。

针对玻璃瓶身上的缺陷图像，首先通过预处理滤除噪声和增强图像细节，然后通过基于灰度直方图的阈值分割和动态阈值分割提取缺陷特征，最后进行连通域分析，识别出缺陷特征。

经过测试和实验，本文设计的系统能够检测玻璃瓶的主要缺陷如气泡、裂纹、变形等。

关键词：机器视觉、缺陷检测、特征提取

Glass bottle defect detection system based on OpenCV

Abstract

Glass bottles are widely used in the food, pharmaceutical and chemical industries as good liquid containers, but glass bottles with defects such as bubbles and cracks are inevitably produced during the production process. With the advancement of technology and the increasing market demand, the production scale of glass bottle manufacturers has been expanding, and the traditional defect detection methods are no longer suitable, so people urgently need to find new ways to detect defects.

To this end, this paper uses machine vision technology and OpenCV computer vision library to implement a glass bottle defect detection system. For the main defects of glass bottles (bubbles, cracks, deformation, etc.), the image is taken with a industrial camera on the glass bottle, and then the image is processed and extracted using Python and OpenCV open source computer vision library, and the defect is displayed. On the human-computer interface designed with PyQt5.

After testing and experimentation, the system designed in this paper can detect the main defects of glass bottles such as bubbles, cracks and deformation.

Keywords: machine vision, defect detection, feature extraction

目录

第一章 绪论 1

1.1 研究的背景及意义 1

1.2 国内外研究现状 1

1.3 内容安排 4

1.4本章小结 4

第二章 系统设计 4

2.1 图像采集 4

2.2 图像处理 5

2.3 系统交互 5

2.4 本章小结 5

第三章 图像处理算法设计 6

3.1 图像预处理 6

3.1.1 图像去噪 6

3.1.2 背景差分 7

3.1.3 图像增强 8

3.2 缺陷特征提取 9

3.2.1 阈值化 9

3.2.2 边缘检测 11

3.3 缺陷特征识别 13

3.3.1 连通域分析 13

3.3.2 连通域标记 14

3.3.3 缺陷识别 15

3.4 本章小结 17

第四章 软件设计 17

4.1 图像采集 17

4.1.1 采集待处理图像 18

4.1.2 采集预览图像 19

4.2 图像处理 19

4.3 系统交互 20

4.3.1 菜单栏 22

4.3.2 检测窗口 22

4.3.3 功能和结果展示 22

4.4 本章小结 23

第五章 系统实现和测试 23

5.1 硬件选型 23

5.1.1 相机 23

5.1.2 镜头 24

5.1.3 光源 25

5.2 系统测试 27

5.2.1 实验平台 27

5.2.2 实验结果 27

5.3 本章小结 28

第五章 总结与致谢 28

第一章 绪论

1.1 研究的背景及意义

现如今玻璃瓶作为一种良好的液体包装容器在食品、药品、化工等行业普遍使用的，它具有制备简单、环境友好、可以反复使用等优点。据统计，我国2017年玻璃瓶的产量达到了1540.55万吨，产值突破了300亿人民币。但玻璃瓶在生产过程中易形成气泡、结石等缺陷，而缺陷的存在不仅影响玻璃瓶的美观，也会产生安全隐患。因此，缺陷玻璃瓶的检测便成了生产过程中的一个重要环节。

传统的玻璃瓶缺陷检测的方法是依靠人工，但人工有着诸多缺点，例如效率低，准确度无法保证等，更何况人力成本日益增长因此急需建立起机器视觉的缺陷检测系统来保证生产出来的玻璃瓶的质量。

视觉检测利用工业相机、光源以及工控机或者计算机作为检测设备，使用相关的图像处理算法进行缺陷特征的提取和识别，相比其人工检测的方法效率更高，稳定性更强，检测速度也更快。

1.2 国内外研究现状

机器视觉概念诞生在上世纪50年代左右，最初目的是利用摄像机和计算机来代替人的视觉功能。国外的机器视觉技术起步于上世纪六七十年代，主要应用于辅组工业生产和辅组工业检测方面。到了90年代，得益于半导体行业的发展，CPU性能不断提升和嵌入式技术发展进步，国外的机器视觉技术成熟度越来越高。无论是在工业相机领域还是在机器视觉算法领域，国外目前都属于领先地位。国外知名机器视觉公司有MVtec、Basler、HEUFT等。

机器视觉技术的在国内的发展相比国外要坎坷得多。国内的机器视觉技术大多是从80年代末开始发展且一开始并没有得到足够的重视，主要的研究者是国内的一些科研院所，而正式得到发展是在90年代。国内机器视觉企业公司最初基本都是靠着代理国外同行的产品起家，随着经营规模的扩大与国内工业生产产业升级的需求，对于研发投入也越来越多，在机器视觉领域也大有后来居上的趋势。其实不仅仅是机器视觉行业，国内很多其他行业如通信业的发展轨迹也是这样。国内机器视觉检测技术经过几十年的发展后已颇有成果，尤其是在安防监控领域，也出现了一些先进企业如海康威视、大华等，但是在工业机器视觉领域与国外先进技术仍有着不小的差距，比如说主要部件如CCD工业相机仍选用国外品牌；核心软件和控制器仍依赖国外等。因此国内机器视觉技术的发展仍然任重道远。

目前主流的表面缺陷识别方法有两种，一种是传统方法，而另一种是统计模式识别方法。

1. 传统方法

传统方法是相对统计模式识别方法而言的，其操作流程图如图1.1所示。通过相机采集图像后对图像进行，预处理、缺陷特征提取、缺陷特征筛选以及缺陷特征识别等操作。其中缺陷特征提取主要使用图像分割技术，而图像分割又因策略的不同分为基于区域、基于边缘和基于理论等不同的分割方法。而缺陷分类识别主要是根据特征的几何特性如位置、形状和方向进行分类识别。

优点是编程简单，易于理解，实现难度较小；缺点是分类识别的效果较差，无法对缺陷进行准确的分类，提取特征时需要对程序进行大量的调试，系统鲁棒性较差，对光照环境、背景要求较高。

图1.1 传统方法流程图

1. 统计模式识别方法

统计模式识别方法在机器学习尤其是深度学习技术出现后得到了飞速发展，所谓统计模式识别就是通过计算机用数学技术方法来研究模式的自动化处理和判别。

统计模式识别方法首先需要一定数量的数据用作样本，利用这些样本我们可以训练出一个特征的分类器，然后利用这个分类器对输入图像进行匹配，通过查看他们的相似程度可以判别是否是缺陷特征。

当然统计模式识别方法远没有我们上面叙述得那么简单，随着技术的发展，统计模式识别方法也得到了长足的发展，但本文在这里就不展开叙述了。

相比较传统方法检测缺陷，统计模式识别方法检测缺陷的速度更快、准确性更高、效率也更高。但相对的，这种方法的编程难度更高，训练分类模型的过程也非常复杂。

现在主流的趋势多是利用统计模式识别方式进行缺陷特征的分类和识别。但由于水平和能力所限且本设计的目的只需识别出有缺陷的玻璃瓶，并不需要识别出具体的缺陷类型，因此本设计只需采用传统方式即可。

1.3 内容安排

第二章介绍玻璃瓶检测系统的总体设计；

第三章介绍具体的缺陷检测算法；

第四章分模块系统的软件实现；

第五章介绍系统的总体实现和测试。

1.4本章小结

本章节主要介绍了现如今玻璃瓶市场现状和规模，点明了研究玻璃瓶缺陷检测系统的意义，论述了国内外机器视觉技术发展的差别，最后综合比较传统的机器视觉缺陷检测方法和基于统计模式识别的机器视觉缺陷检测方法后，选择传统方法进行玻璃瓶缺陷的检测。

第二章 系统设计

本系统的目的是检测透明玻璃瓶瓶身上的缺陷，为此引入了机器视觉检测技术。系统框图如图2.1所示，完整的视觉检测系统主要包含图像采集、图像处理和系统交互三个部分。

图2.1 系统框图

2.1 图像采集

图像的采集部分包含相机、光源等硬件设备，主要负责图像的采集与传输，其中相机负责图像的采集，光源负责辅助成像，最后通过USB线缆或图像采集卡等方式将图像传输至PC机处理。

相机选择的是工业相机，相比较普通相机，工业相机拍摄的图像噪点更低，质量更好，根据选择的工业相机的类型不同搭配不同的图像传输设备，本系统选择的是USB工业相机，因此搭配的是USB线缆传输。

光源选择的是功耗更低、亮度更均匀、价格更便宜的LED光源。

2.2 图像处理

图像处理部分即检测算法的选择和设计，这部分是本系统的核心。本文选Python语言和OpenCV开源视觉库来进行这部分的设计和实现。检测缺陷的算法流程如图2.2所示，主要包括预处理，缺陷特征提取以及缺陷特征的识别。

图2.2 图像处理流程图

这部分会在第三章算法设计章节详细介绍。

2.3 系统交互

系统交互的设计是为了为用户提供一个直观方便简单的操作方法和逻辑。本系统基于Python语言和PyQt5设计一个简单易用的GUI界面。GUI界面如图4.4所示。

2.4 本章小结

本章节主要根据设计的要求对整个系统进行了总体设计，并分别介绍了图像采集、图像处理和系统交互三个模块的设计目的和设计思路。其中图像采集部分主要涉及到相机、镜头、光源等硬件选型，图像处理部分主要是利用软件编程的方法对采集的图像进行处理，最后利用GUI界面展示玻璃瓶检测的结果。

第三章 图像处理算法设计

3.1 图像预处理

图像的质量易受到图像采集设备的参数（如白平衡、曝光等）选择和外部环境（如光照、噪声）影响，从而出现图像亮度偏高或低、噪声大、颜色出现偏差等情况。为使采集的图像的质量提高，不对后续的处理产生影响，在实际的图像处理前，一般会进行图像的预处理。由于灰度化是图像处理的重要步骤且实现简单，为节约篇幅，本文就不在此赘述。

3.1.1 图像去噪

图像去噪是预处理中的重要环节。噪声即图像中无用的信息，人们用信噪比（S/N）来衡量噪音对有用信号的影响程度。它会对玻璃瓶缺陷的检测产生干扰，因此在检测算法的开始要对噪声进行滤除。常见的图像去噪算法有均值滤波和中值滤波等。

1. 均值滤波

均值滤波是一种简单，直观且易于实现的线性滤波算法，均值滤波的思想是邻域平均法即利用每个像素邻域（包括它自己）的平均值替换邻域中每个像素的值。均值滤波基于内核（表示在计算平均值时要采样的邻域的形状和大小，通常内核大小为3×3）。

均值滤波简单易于实现，但也存在着很多缺陷，比如在滤除噪声的同时会模糊图像，破坏了图像的边缘信息。

1. 中值滤波

中值滤波与均值滤波器一样会依次遍历图像中的每个像素，并查看与其相邻的像素区域，以确定它是否代表其周围环境，但它却是一种非线性的滤波算法。中值滤波会用相邻像素值的中值替换当前像素值。计算方法如图3.1所示，首先中值滤波器会选取其周围邻域的所有像素值（124，126，127，120，150，125，115，119，123），然后将它们按升序排列（115，119，120，123，124，125，126，127，150），最后选取这个序列的中值124。

相关图片展示：