灌装自动化生产线上视觉检测机器人研究

论文摘要

灌装自动化生产线上视觉检测机器人是以机器视觉技术为基础,光机电一体化的智能检测设备,它是现代制造业的重要自动化装备之一。它可以代替人工对灌装自动化生产线上的空瓶和瓶内液体质量进行智能检测。所以研究和开发具有自主知识产权的智能检测机器人是国民经济飞速发展和市场不断扩大的需要。论文首先介绍了课题研究的背景和意义,机器视觉技术的概况,它在工业智能检测中的应用以及灌装自动化生产线上视觉检测机器人的研究现状。然后根据生产中对灌装前的空瓶质量检测和灌装后瓶内液体质量检测的要求,分别设计了灌装自动化生产线上的空瓶视觉检测机器人和实瓶视觉检测机器人。并在文中对其基本结构作了具体说明。比较了智能检测机器人的几种视觉检测和控制系统设计方案。在此基础上,为了满足高速检测的需要,设计了基于DSP的视觉检测和控制系统。因为图像采集系统是智能检测机器人的核心之一,所以论文中对图像采集系统的各项关键技术进行了深入研究,设计了可以为检测机器人提供清晰图像的图像采集系统。在智能检测机器人完成检测后,对不合格产品需要从生产线上分离,为此论文开发出新的柔性击出器,可以保证在高速流水线上稳定地分离对象产品。论文还开发了模块化的智能检测软件平台,能够稳定可靠地在智能检测机器人上完成检测和控制任务。根据这些研究,研制出灌装自动化生产线上视觉检测机器人的实验样机,验证了设计方案。本文中着重对用于灌装自动化生产线上的智能检测方法进行了研究,并提出了以运用支持向量机为主的对瓶身、瓶底、瓶口和瓶内液体的不同检测方法。瓶口质量对灌装后的产品质量有着重要影响,需要在灌装前对瓶口质量进行检测。由于在线检测中需要实时确定图像中处理对象位置,所以论文首先探讨了瓶口图像处理区域定位算法。经过对比分析确定了基于改进Hough变换的快速瓶口处理区域定位算法。为了满足生产线上高速检测的需求,提出了基于经验规则的瓶口质量检测方法。这种方法通过经验规则对圆形扫描法得到的瓶口平均灰度曲线进行判决,能快速确定瓶口质量。此方法虽然简洁,但要依赖于专家经验,检测准确率不够理想。因此采用了具有良好推广能力的支持向量机来判断瓶口质量。但是经过实验对比发现支持向量机的性能与选择的核函数及参数有很大关系。为此特提出基于支持向量机神经网络的瓶口质量检测算法。它结合了支持向量机和神经网络的优点,能更好地得到全局最优解。实验证明采用这种方法来检测瓶口能达到最高的准确率。在灌装前同样需要对瓶身和瓶底质量进行检测。对瓶身图像,提出了中心概率算法来快速确定处理区域。而在瓶底图像上采用了改进Hough变换算法来定位处理区域。经过分析缺陷特征,提出了分区快速检测算法来检测瓶身和瓶底质量。这种算法为了减少噪声干扰将处理区域进一步细分,然后采用综合的专家规则在这些小区域中检测是否存在缺陷。不过这种算法由于可能割裂缺陷,检测准确率不是很高。针对此种算法的不足,本文提出了基于多核函数支持向量机集成的瓶身和瓶底质量检测方法。这种方法先采用改进的分水岭变换分割出完整的可能缺陷区域,然后提取这些区域的特征,由多核函数支持向量机集成来分类决策。论文中提出的多核函数支持向量机集成运用蚁群算法优选具有不同核函数的支持向量机进行选择集成,可以保证其分类性能。通过对比实验证明基于多核函数支持向量机集成的瓶身和瓶底质量检测方法具有更高的检测准确率。在灌装后瓶内液体中可能还存在有杂质,会危害到消费者,必须对液体质量进行检测。为了区分瓶内液体杂质和瓶体上的痕迹,需要采用运动分析的方法处理序列图像。在序列图像中,瓶内液体杂质都会表现为一些高亮度的区域。因此提出一种二值图像差分算法,先采用基于聚类的二值化算法将图像二值化,再把连续的二值图像进行差分,据此分割出图像中的运动区域。并提出一种基于关联匹配的运动目标跟踪算法对分割出的运动区域进行跟踪。这种算法由卡尔曼滤波器预测运动目标在下一帧图像中可能的位置,然后以此为中心建立跟踪窗口,将位于窗口中的各运动区域和运动目标进行关联匹配运算,确定最佳的匹配目标,从而建立起目标跟踪链。然后根据这些运动目标所在区域的特征及其运动特性提取出特征量,运用论文中提出的模糊支持向量机算法来进行分类。这种模糊支持向量机利用了模糊理论,进一步提高了复杂问题处理能力和抗噪性能,可以更准确地对液体质量进行检测。同时根据瓶内液体体积检测的需要本文提出了一种液位检测算法。在液位检测中提出了边缘检测和边缘连接相结合的方法,可以快速准确地寻找到液面边缘,然后确定液位高度来检测液体体积。实验表明这些算法都是有效的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景和意义
• 1.2 机器视觉技术及发展
• 1.3 机器视觉在智能检测中的应用
• 1.4 灌装视觉检测机器人研究现状
• 1.5 论文主要工作
• 第2章 灌装自动化生产线上视觉检测机器人及结构
• 2.1 概述
• 2.2 灌装自动化生产线上视觉检测机器人的基本组成
• 2.2.1 空瓶视觉检测机器人组成结构
• 2.2.2 传送方式
• 2.2.3 实瓶视觉检测机器人组成结构
• 2.2.4 灌装自动化生产线上视觉检测机器人的基本工作流程
• 2.3 视觉检测与控制系统组成
• 2.3.1 概述
• 2.3.2 视觉检测机器人的视觉检测与控制系统
• 2.4 图像采集系统
• 2.4.1 光源及照明
• 2.4.2 摄像机和镜头
• 2.4.3 图像采集处理器
• 2.5 次品分离系统
• 2.5.1 次品分离系统概述
• 2.5.2 柔性击出器
• 2.6 灌装自动化生产线上智能检测与控制软件平台
• 2.6.1 软件系统基本功能以及结构
• 2.6.2 灌装自动化生产线上智能检测软件平台各功能模块
• 2.7 小结
• 第3章 灌装前瓶口质量智能检测方法
• 3.1 引言
• 3.2 瓶口图像区域标定及特征提取方法
• 3.2.1 标定区域定位
• 3.2.2 提取瓶口轮廓
• 3.2.3 基于Hough 变换的定位方法
• 3.2.4 重心法定位
• 3.2.5 基于改进Hough 算法的定位方法
• 3.2.6 圆形扫描方法
• 3.3 基于专家决策的瓶口检测方法
• 3.3.1 专家决策
• 3.3.2 实验与结论
• 3.4 基于小波变换的瓶口灰度曲线处理方法
• 3.5 基于支持向量机的瓶口检测方法
• 3.5.1 支持向量机概述
• 3.5.2 检测方法
• 3.5.3 实验与结论
• 3.6 基于支持向量机神经网络的决策算法
• 3.6.1 引言
• 3.6.2 支持向量机优化
• 3.6.3 支持向量机神经网络
• 3.6.4 支持向量机神经网络算法步骤
• 3.7 基于支持向量机神经网络的瓶口检测算法
• 3.7.1 检测算法流程
• 3.7.2 瓶口质量检测实验
• 3.8 结论
• 第4章 灌装前瓶身和瓶底质量智能检测方法
• 4.1 引言
• 4.2 瓶身和瓶底图像处理区域标定和定位方法
• 4.2.1 处理区域区域标定
• 4.2.2 瓶身处理区域定位方法
• 4.2.3 瓶底处理区域定位方法
• 4.3 瓶身及瓶底质量多分区检测方法
• 4.3.1 多分区图像预处理
• 4.3.2 专家决策算法
• 4.3.3 实验及结论
• 4.4 基于改进分水岭变换的缺陷区域分割算法
• 4.4.1 引言
• 4.4.2 改进的分水岭变换
• 4.5 特征提取方法
• 4.6 基于多核函数支持向量机集成的分类算法
• 4.6.1 支持向量机集成概述
• 4.6.2 支持向量机的协同优化
• 4.6.3 基于蚁群算法的选择集成算法
• 4.6.4 多核函数支持向量机集成算法步骤
• 4.7 基于多核函数支持向量机集成的质量检测方法
• 4.7.1 瓶身和瓶底质量检测方法及步骤
• 4.7.2 实验
• 4.8 小结
• 第5章 瓶内液体质量智能检测方法
• 5.1 引言
• 5.2 液体图像的运动区域分割
• 5.2.1 引言
• 5.2.2 二值图像差分算法
• 5.3 液体图像中的运动目标跟踪
• 5.3.1 引言
• 5.3.2 基于卡尔曼滤波的跟踪窗口确定算法
• 5.3.3 关联匹配算法
• 5.4 液体杂质的特征提取
• 5.5 基于模糊支持向量机的液体杂质检测方法
• 5.5.1 引言
• 5.5.2 模糊支持向量机的结构
• 5.5.3 模糊支持向量机的优化
• 5.5.4 液体质量检测方法步骤
• 5.5.5 液体质量检测实验
• 5.6 液位检测
• 5.6.1 液位检测处理区域定位
• 5.6.2 液位分割
• 5.7 小结
• 结论
• 参考文献
• 附录A 攻读学位期间发表的学术论文
• 附录B 从事的科研项目与获得的奖励和鉴定成果
• 附录C 获得的专利和软件版权
• 致谢