本發(fā)明涉及工業(yè)自動(dòng)化檢測(cè)技術(shù)領(lǐng)域，特別涉及一種基于局部PCA和BP神經(jīng)網(wǎng)絡(luò)的瓶口缺陷檢測(cè)方法。

背景技術(shù)：

目前，國(guó)內(nèi)每年啤酒瓶需求量任然十分大。據(jù)最新行業(yè)數(shù)據(jù)顯示。2016年1-9月，中國(guó)啤酒行業(yè)累計(jì)產(chǎn)量3685.3萬(wàn)千升。2015年全國(guó)規(guī)模以上啤酒企業(yè)470家，完成釀酒總產(chǎn)量4715.72萬(wàn)千升?？上攵?，啤酒瓶需求量十分巨大。而國(guó)內(nèi)80％以上的啤酒瓶需要回收使用。

根據(jù)中國(guó)制造2025的要求，機(jī)器換人成為機(jī)器人相關(guān)領(lǐng)域的重大趨勢(shì)。使用高速高精度啤酒瓶空瓶檢測(cè)系統(tǒng)取代人工檢測(cè)，不僅可以減少不合格瓶流入市場(chǎng)，對(duì)消費(fèi)者和生產(chǎn)廠家造成的傷害，而且具有以下幾個(gè)優(yōu)點(diǎn)：(1)檢測(cè)速度快。國(guó)內(nèi)啤酒生產(chǎn)線速度達(dá)到兩萬(wàn)四到四萬(wàn)瓶每小時(shí)，國(guó)外最快速度達(dá)到七萬(wàn)瓶每小時(shí)。(2)人力成本驟減。近年來(lái)，人力成本迅速增加，人工檢測(cè)不僅愈加昂貴，而且效率低，達(dá)不到生產(chǎn)線的要求。(3)解決了企業(yè)招工難的問(wèn)題，并提高了生產(chǎn)質(zhì)量。由于人工檢測(cè)工作量大、枯燥，愿意從事該工作的人愈來(lái)愈少，并且高強(qiáng)度，枯燥的工作，很難保證人檢后的質(zhì)量。因此，高速高精度的瓶酒瓶空瓶檢測(cè)系統(tǒng)被迅速推廣。

據(jù)智能工廠相關(guān)要求，十分必要擁有和大力發(fā)展一批具有完全自主知識(shí)產(chǎn)權(quán)的智能自動(dòng)化工業(yè)生產(chǎn)設(shè)備。高速高精度空瓶檢測(cè)系統(tǒng)的實(shí)現(xiàn)，不僅解決了進(jìn)口驗(yàn)瓶機(jī)歐洲檢測(cè)標(biāo)準(zhǔn)與我國(guó)國(guó)家標(biāo)準(zhǔn)不盡相同，給啤酒瓶生產(chǎn)廠商帶來(lái)的困擾，而且對(duì)我國(guó)食品飲料行業(yè)衛(wèi)生安全的提升具有實(shí)際價(jià)值。

瓶口檢測(cè)作為空瓶檢測(cè)系統(tǒng)中重要環(huán)節(jié)，直接影響到啤酒生產(chǎn)廠商的產(chǎn)品質(zhì)量和經(jīng)濟(jì)效益。當(dāng)瓶口破損的啤酒瓶流入市場(chǎng)，可能會(huì)對(duì)消費(fèi)者造成傷害，同時(shí)導(dǎo)致啤酒在運(yùn)輸途中快速變質(zhì)，損害企業(yè)的經(jīng)濟(jì)效益和聲譽(yù)。因此，對(duì)瓶口檢測(cè)提出了很高的精度要求。

目前，存在許多瓶酒瓶瓶口檢測(cè)算法，如1995年，陳建國(guó)，賀正輝等在《殘差分析用于動(dòng)態(tài)門限分割》提出基于殘差分析動(dòng)態(tài)閾值的缺陷檢測(cè)，檢測(cè)精度為83.33％。2005年，劉煥軍，王耀南，段峰等在《基于支撐向量機(jī)的空瓶智能檢測(cè)方法》中提出基于支持向量機(jī)的缺陷檢測(cè)，檢測(cè)精度為97.78％。2006年，嚴(yán)筱永等在《基于圖像的啤酒瓶瓶口與瓶底污損自動(dòng)檢測(cè)》中提出基于Otsu閾值的缺陷檢測(cè)，檢測(cè)精度為95.56％。2009年，張?zhí)锾锏仍凇痘跈C(jī)器視覺(jué)的啤酒瓶瓶口檢測(cè)系統(tǒng)的研究》中提出基于全局閾值的缺陷檢測(cè)，檢測(cè)精度為96.67％。2014年，郭克友，廉麗冰等在《基于BP神經(jīng)網(wǎng)絡(luò)的啤酒瓶口檢測(cè)方法》中提出基于BP神經(jīng)網(wǎng)絡(luò)的缺陷檢測(cè)法，檢測(cè)精度為88.89％。2015年，周顯恩、王耀南、朱青等在《基于機(jī)器視覺(jué)的瓶口缺陷檢測(cè)方法研究》中提出殘差分割法來(lái)檢測(cè)瓶口缺陷，檢測(cè)精度為100％。

然而，由于空瓶檢測(cè)系統(tǒng)的高速、穩(wěn)定、高精度、適應(yīng)性強(qiáng)、便于工程師調(diào)試等諸多要求，現(xiàn)有方法無(wú)法滿足日益增長(zhǎng)的需求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是：如何提出一種高速高精度瓶口缺陷檢測(cè)算法，用于解決高速瓶酒灌裝生產(chǎn)流水線上空瓶瓶口缺陷中檢測(cè)時(shí)間長(zhǎng)、檢測(cè)精度不高的問(wèn)題，同時(shí)解決瓶口檢測(cè)中任需定位或者精確定位所帶來(lái)的定位時(shí)間長(zhǎng)，定位精度不高，定位結(jié)果易受干擾等一系列問(wèn)題。

一種基于局部PCA和BP神經(jīng)網(wǎng)絡(luò)的瓶口缺陷檢測(cè)方法，包括以下步驟：

步驟1：構(gòu)建多個(gè)樣本瓶口圖像集合；

從已知有無(wú)瓶口缺陷的啤酒瓶瓶口圖像中隨機(jī)抽取多個(gè)大小相同的樣本瓶口圖像集合，每個(gè)樣本瓶口圖像集合中包含M個(gè)樣本；

步驟2：對(duì)樣本瓶口圖像集合中的每一張瓶口圖像進(jìn)行歸一化處理；

步驟3：構(gòu)建樣本瓶口圖像集合中相同局部圖像塊的局部樣本集合；

按照設(shè)定的圖像塊大小F、水平步長(zhǎng)以及垂直步長(zhǎng)，按照從左至右，從上到下的順序掃描歸一化后的圖像，依次提取局部圖像塊，以相同位置的局部圖像塊組建局部樣本集合；

獲取每張瓶口圖像有N個(gè)局部樣本集合；

步驟4：對(duì)局部樣本集合進(jìn)行PCA降維處理；

將局部樣本集合中每個(gè)局部樣本均轉(zhuǎn)化為一維行向量，獲得局部樣本集合的局部二維矩陣，并對(duì)局部二維矩陣進(jìn)行PCA降維處理，獲得局部樣本集合PCA特征；

局部樣本集合PCA特征中每一行代表一張樣本瓶口圖像的單個(gè)局部PCA特征；

步驟5：PCA特征融合；

將樣本瓶口圖像集合中所有的局部樣本集合PCA特征按照局部樣本集合中局部樣本在樣本中的位置順序進(jìn)行拼合，得到樣本瓶口圖像集合PCA融合特征和每張瓶口圖像的融合PCA特征；

樣本瓶口圖像集合PCA融合特征中每一行代表一張瓶口圖像的融合PCA特征；

步驟6：以樣本瓶口圖像的PCA融合特征和對(duì)應(yīng)的缺陷標(biāo)記，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型；

步驟7：將待檢測(cè)的圖像和隨機(jī)抽取的M-1個(gè)樣本構(gòu)建成一個(gè)樣本瓶口圖像，重復(fù)步驟2-步驟5，獲得待檢測(cè)圖像的融合PCA特征，并輸入步驟6已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型，得到待檢測(cè)圖像的缺陷檢測(cè)結(jié)果。

進(jìn)一步地，對(duì)進(jìn)行PCA降維處理后的二維矩陣進(jìn)行歸一化處理。

進(jìn)一步地，所述PCA降維處理是指將二維矩陣降維處理為K列，K的取值為[4,23]。

進(jìn)一步地，所述BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)個(gè)數(shù)為融合PCA特征的列數(shù)，隱含層的節(jié)點(diǎn)個(gè)數(shù)為輸入層節(jié)點(diǎn)個(gè)數(shù)2-3倍，輸出層節(jié)點(diǎn)個(gè)數(shù)為2，輸出缺陷檢測(cè)結(jié)果。

進(jìn)一步地，所述樣本瓶口圖像集合中樣本個(gè)數(shù)M的取值為100-500。

進(jìn)一步地，當(dāng)待檢測(cè)圖像數(shù)量P達(dá)到M時(shí)，則以所有待檢測(cè)圖像圖像構(gòu)建樣本瓶口圖像集合，否則，則從已知有無(wú)瓶口缺陷的啤酒瓶瓶口圖像中隨機(jī)選取M-P張圖像和待檢測(cè)圖像構(gòu)建樣本瓶口圖像集合。

進(jìn)一步地，所有瓶口圖像采用工業(yè)相機(jī)Baumer TXG12拍攝，所采集的圖像尺寸為400*400。

有益效果

本發(fā)明提供了一種基于局部PCA和BP神經(jīng)網(wǎng)絡(luò)的瓶口缺陷檢測(cè)方法，通過(guò)利用工業(yè)相機(jī)獲取瓶口圖像，利用瓶口圖像像素值十分稀疏，好瓶與壞瓶口十分相似，且瓶口在圖像中的位置變換不大的特點(diǎn)，利用相同位置處的圖像特征相似的特點(diǎn)，采用PCA對(duì)相同局部特征降維處理后，提取主成成分，輸入到BP神經(jīng)網(wǎng)絡(luò)中，經(jīng)大量樣本訓(xùn)練后，獲得訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)；再利用待檢測(cè)圖像的主成成分特征輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)，完全滿足了高速高精度的要求。該檢測(cè)方法由于采用了與瓶口圖像特征匹配的工業(yè)相機(jī)，不再需要對(duì)瓶口進(jìn)行定位，確定圓心，這樣大大減少了精確定位引起的定位時(shí)間長(zhǎng)，定位精度不高，定位結(jié)果易受干擾等一系列問(wèn)題；采用基于BP神經(jīng)網(wǎng)絡(luò)和局部PCA(主成分分析)的瓶口缺陷檢測(cè)算法具有更高的精度，最高精度達(dá)到千分之一的誤檢率。

附圖說(shuō)明

圖1為相機(jī)采取的幾種瓶口缺陷圖像示意圖，其中，(a)表示外環(huán)崩口，(b)表示封蓋面磨損，(c)表示內(nèi)環(huán)磨損，(d)表示封蓋面磨損，(e)表示外環(huán)磨損，(f)表示封蓋面破裂；

圖2為相機(jī)采取的兩張大小為400行、400列的瓶口檢測(cè)壞的圖像示意圖，其中，(a)表示無(wú)缺陷瓶口，(b)表示有缺陷瓶口；

圖3為局部PCA(主成分分析)加BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測(cè)試系統(tǒng)示意圖；

圖4為一個(gè)10*10的矩陣局部樣本的提取過(guò)程。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步的詳細(xì)描述。以下實(shí)施例用于說(shuō)明本發(fā)明，但不用來(lái)限制本發(fā)明的范圍。

瓶口缺陷圖像指的是存在內(nèi)環(huán)磨損、外環(huán)磨損、封蓋面磨損、存在臟污、內(nèi)環(huán)崩口、外環(huán)崩口、封蓋面破裂等缺陷的瓶口圖像，如圖1所示。

一種基于局部PCA和BP神經(jīng)網(wǎng)絡(luò)的瓶口缺陷檢測(cè)方法，如圖3所示，具體步驟如下：

步驟1：利用工業(yè)相機(jī)獲取大量瓶口樣本圖片(如圖二)，每張圖片大小為400*400，創(chuàng)建一個(gè)瓶口樣本數(shù)據(jù)庫(kù)，6萬(wàn)張好的瓶口圖像，6萬(wàn)張壞的瓶口圖像，一共12萬(wàn)張樣本圖片。該實(shí)施例中Q取值為120000。同時(shí)將好瓶口圖像標(biāo)簽為1，壞的瓶口圖像標(biāo)簽為0。從樣本數(shù)據(jù)庫(kù)中每次隨機(jī)抽取M個(gè)樣本，并保存好這M個(gè)樣本對(duì)應(yīng)標(biāo)簽。該實(shí)施例中M取值為200。

步驟2：對(duì)步驟1抽取的200張樣本提取局部樣本。

首先對(duì)每一個(gè)樣本進(jìn)行歸一化處理，接著設(shè)置F、Brows、和Bcols的值。該實(shí)施例中初始范圍F取值為100*400，行步長(zhǎng)為Brows為10，列步長(zhǎng)為Bcols為0。

然后，提取局部樣本。

如圖4所示，該圖為一個(gè)10*10的矩陣局部樣本的提取過(guò)程。初始范圍F為4*6，行步長(zhǎng)Brows為4，列步長(zhǎng)Bcols為3，一共6個(gè)局部樣本；

本實(shí)例中，對(duì)于200張樣本圖片的每張圖片，提取出它第1行到100行和全部列的像素值，并保存為第一個(gè)局部樣本集，該樣本集有200個(gè)大小為100*400的樣本。同樣按照行步長(zhǎng)為10，我們提取200張樣本圖片每張圖片的第11行到110行和全部列的像素值，保存為第二個(gè)局部樣本集。以同樣的方式移動(dòng)行步長(zhǎng)保存局部樣本集，最終得到31個(gè)局部樣本集(實(shí)施例中N為31)。

步驟3：將步驟2得到的31個(gè)局部樣本集分別進(jìn)行PCA處理。

一個(gè)局部樣本集有200個(gè)大小為100*400的樣本；

首先將200個(gè)大小為100*400的樣本轉(zhuǎn)換成一個(gè)200*40000的矩陣，每一行代表一個(gè)局部樣本；

然后進(jìn)行PCA處理，提取主成成分，降維至K維，該實(shí)施例中K取值為6；因此一個(gè)局部樣本集的PCA結(jié)果為200*6的矩陣，每一行代表一個(gè)局部樣本的PCA樣本特征。

對(duì)每一個(gè)局部樣本的PCA特征做歸一化處理，找到局部PCA特征矩陣每一行的最大值與最小值，將每一行的各個(gè)數(shù)值減去該行的最小值后除以該行最大值與最小值之差，就可以得到歸一化的局部樣本PCA特征矩陣。

將31個(gè)局部樣本集分別進(jìn)行PCA處理和歸一化后，得到31個(gè)200*6的矩陣；

最后按行拼成一個(gè)200行、31*6即186列的二維矩陣。

每一行代表一個(gè)樣本圖像的局部PCA融合特征，每一個(gè)樣本圖像都有相應(yīng)的標(biāo)簽。

步驟4：每次從樣本數(shù)據(jù)庫(kù)中抽取200張不同的樣本集，依次重復(fù)上述步驟2和3，進(jìn)行局部PCA處理，重復(fù)600次直到所有樣本處理完，得到所有樣本的局部PCA融合特征，每一行代表一個(gè)圖像樣本的局部PCA融合特征。

步驟5：訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；

將局部樣本PCA融合特征矩陣作為BP神經(jīng)網(wǎng)絡(luò)的輸入，因此BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)個(gè)數(shù)等于融合特征矩陣的列數(shù)即輸入節(jié)點(diǎn)個(gè)數(shù)有186個(gè)；

隱含層的節(jié)點(diǎn)個(gè)數(shù)一般按經(jīng)驗(yàn)設(shè)置成輸入層節(jié)點(diǎn)個(gè)數(shù)的兩倍，在實(shí)際情況調(diào)到最好的情況時(shí)隱含層的節(jié)點(diǎn)個(gè)數(shù)有397個(gè)；

輸出層節(jié)點(diǎn)個(gè)數(shù)有兩個(gè)，代表著瓶口圖像缺陷檢測(cè)結(jié)果的好與壞，對(duì)應(yīng)好的瓶口標(biāo)簽1，壞的瓶口標(biāo)簽0；

將好的瓶口樣本圖像和壞的樣本圖像按照4:3:3的比例隨機(jī)分成訓(xùn)練集、驗(yàn)證集和測(cè)試集，輸入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試；

最后保存訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型；

步驟6：用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型在啤酒瓶空瓶檢測(cè)系統(tǒng)中做瓶口缺陷檢測(cè)。

在檢測(cè)時(shí)利用工業(yè)相機(jī)采取1張瓶口圖像，并與隨機(jī)從瓶口樣本數(shù)據(jù)庫(kù)中抽取的199張樣本圖像組成200個(gè)樣本，經(jīng)過(guò)步驟2、3和4，得到200個(gè)樣本的局部PCA特征。然后單獨(dú)提取出這1張圖像的局部PCA特征，輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中檢測(cè)，得到瓶口圖像檢測(cè)結(jié)果。

本發(fā)明中應(yīng)用了具體實(shí)施例對(duì)發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)發(fā)明的限制。