基于机器视觉的透明包装袋真空封口纹理缺陷检测方法.pdf

基金项目:天津市科技计划项目(编号:Z X RHG X );天津市科技特派员项目(编号:J C T P J C )作者简介:张宝胜,男,天津科技大学在读硕士研究生.通信作者:周聪玲(),女,天津科技大学副教授,博士.E m a i l:z h o u c l i n g t u s t e d u c n收稿日期:改回日期:D O I:/j s p j x 文章编号 ()基于机器视觉的透明包装袋真空封口纹理缺陷检测方法M e t h o d f o rd e t e c t i n g t e x t u r ed e f e c t o f v a c u u ms e a l o f t r a n s p a r e n tp a c k a g i n gb a gb a s e do nm a c h i n ev i s i o n张宝胜,ZHANGB a o s h e n g,周聪玲,ZHO UC o n g l i n g,王永强,WANGY o n g q i a n g,(天津科技大学机械工程学院,天津 ;天津市轻工与食品工程机械装备集成设计与在线监控实验室,天津 )(T i a n j i nU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,T i a n j i n ,C h i n a;S c h o o l o fM e c h a n i c a lE n g i n e e r i n g,T i a n j i nL i g h t I n d u s t r ya n dF o o dE n g i n e e r i n gM a c h i n e r yE q u i p m e n t I n t e g r a t e dD e s i g na n dO n l i n eM o n i t o r i n gL a b o r a t o r y,T i a n j i n ,C h i n a)摘要:目的:解决由于目前在食品包装领域采用人工抽检方式导致的真空封口质检难以长时间连续作业,易发生漏检、错检,检测准确率稳定性不可靠等问题.方法:提出了一种基于机器视觉的透明包装袋真空封口纹理检测方法代替人工检测.利用R O I区域提取、仿射变换和局部二值化模式等算法进行图像预处理,凸显出纹理特征.在此基础之上,利用灰度共生矩阵分析“良好”和“缺陷”封口纹理图像特征设置灰度共生矩阵参数,将纹理特征的均匀性与共生灰度矩阵特征量相关联.最后,以灰度共生矩阵特征量作为S VM分类器的输入量,通过计算对封口缺陷进行识别与分类.结果:该在线检测方法对透明包装袋真空封口的缺陷检测结果与人工质量结果对比同一性高达.结论:该方法具备较高的检测准确率和较好的实用性,可满足在线检测的需求.关键词:机器视觉;纹理特征;灰度共生矩阵;食品包装;真空封口;纹理缺陷A b s t r a c t:O b j e c t i v e:T os o l v e t h ep r o b l e m s c a u s e db y t h em a n u a ls a m p l i n gi n s p e c t i o ni nt h ef i e l d o ff o o d p a c k a g i n g,s u c h a sd i f f i c u l t t oo p e r a t e c o n t i n u o u s l y f o r a l o n g t i m e,e a s y t om i s s a n dw r o n gd e t e c t i o n,a n du n r e l i a b l ed e t e c t i o na c c u r a c ya n ds t a b i l i t y M e t h o d s:I nt h i sp a p e r,a m a c h i n ev i s i o n b a s e dv a c u u ms e a l e dt e x t u r ed e t e c t i n g m e t h o df o rt r a n s p a r e n tp a c k a g i n g b a g w a sp r o p o s e d t o r e p l a c em a n u a l d e t e c t i o n T h e i m a g e w a sp r e p r o c e s s e d b y a l g o r i t h m s s u c h a s R O I e x t r a c t i o n,a f f i n et r a n s f o r m a t i o na n dl o c a lb i n a r yp a t t e r nt oh i g h l i g h tt h et e x t u r ef e a t u r e s O nt h i sb a s i s,t h eg r a yl e v e l c o o c c u r r e n c em a t r i xw a su s e dt oa n a l y z et h ef e a t u r e so f g o o d a n d d e f e c t i v e s e a l i n gt e x t u r ei m a g e s T h e p a r a m e t e r s o f g r a yl e v e lc o o c c u r r e n c em a t r i x w e r es e ta n dt h e u n i f o r m i t y o ft e x t u r ef e a t u r e s w a sa s s o c i a t e dw i t ht h ef e a t u r eq u a n t i t yo ft h ep a r a m e t e r so fg r a yl e v e l c o o c c u r r e n c em a t r i x F i n a l l y,t h ep a r a m e t e r so fg r a yl e v e lc o o c c u r r e n c em a t r i xw a su s e da st h ei n p u to fS VM c l a s s i f i e r,a n dt h es e a l i n gd e f e c t s w e r ei d e n t i f i e da n dc l a s s i f i e dt h r o u g hc a l c u l a t i o n R e s u l t s:T h i so n l i n ed e t e c t i o nm e t h o dc o m p a r e st h ed e f e c td e t e c t i o nr e s u l t so ft h ev a c u u m s e a l i n go ft r a n s p a r e n tp a c k a g i n gb a g sw i t ht h e m a n u a lq u a l i t yr e s u l t su pt o C o n c l u s i o n:T h i sm e t h o dh a sh i g hd e t e c t i o na c c u r a c ya n dg o o dp r a c t i c a b i l i t y,a n dc a nm e e t t h en e e d so fo n l i n ed e t e c t i o n K e y w o r d s:m a c h i n e v i s i o n;t e x t u r e f e a t u r e;g r a y l e v e l c o o c c u r r e n c em a t r i x(G L CM);f o o dp a c k a g i n g;v a c u u ms e a l i n g;t e x t u r ed e f e c t s在食品真空包装密封过程中,若封口处会有材料渗漏、夹带杂物、包装袋褶皱或联结等封口缺陷,会造成真空包装存在漏气的隐患,对包装产品的货架期产生不利影响.目前针对真空包装封口缺陷的检测仅限于人工抽样检查,效率低、标准难以量化,不能满足自动化生产的要求.机器视觉检测技术是一种无损检测技术,适用于对产品的形状、颜色、纹理进行检测,具有检测效率高、检测全覆盖和检测标准可量化的特点.F OO D&MA CH I N E R Y第 卷第期 总第 期|年月|随着图像识别技术的发展,为生产过程中的各类缺陷自动化检测提供了技术支持.L u等提出了一种基于扫描声学显微镜(S AM)和模糊c均值(F CM)算法检测表面贴 装 元 件 的 焊 锡 凸 点 的 方 法,识 别 准 确 率 高 达.X i e等提出,可通过匹配定位、边缘提取和对比度检测等视觉算法对塑料瓶盖封装质量进行检测.李丹等基于图像识别技术提出了一种包装袋缺陷检测方法,缺陷相关特征包括包装袋的长度、宽度、面积以及填充程度和目标区域位置,其缺陷识别准确率为 ;陈慧丽等以方便面塑料包装为研究对象,设计了一套机器视觉包装检测系统,该系统包括硬件结构和软件结构,缺陷相关特征选择颜色,检测系统漏检率为;张银萍等根据金丝皇菊特性,运用图像预处理、加色法混色模型、图像分割和边缘检测等技术设计了准确率高达 的金丝皇菊智能分级系统.但是,机器视觉在包装检测领域的研究大多集中在漏装检测和二维码识别等方面,对纹理表面缺陷检测的研究较少,且上述方法对包装袋封口缺陷检测的适用性不佳.为解决在食品包装领域的人工抽检不能产品全覆盖、不能长时间连续作业和易漏检、错检等问题,研究拟提出一种基于机器视觉的食品包装袋封口质量检测方法,通过机械结构展平封口褶皱并采集图像,利用图像处理算法和机器学习原理训练封口纹理缺陷识别模型,有效提高缺陷检测准确率.材料与方法材料与仪器真空包装样品由天津市轻工与食品工程机械装备集成设计 与 在 线 监 控 实 验 室 提 供,为 尺 寸 规 格 不 超 过 mm mm的透明抽真空三边封预包装食品,其“良好”及“缺陷”封口纹理图像示例如图所示.缺陷检测硬件机械设备由天津市轻工与食品工程机械装备集成设计与在线监控实验室提供,食品级.试验方法采集食品包装袋的原始图像,对图像进行预处理操作以凸显封口纹理特征.然后,设置灰度共生矩阵(G r a y图真空包装袋封口纹理示例F i g u r eE x a m p l eo fv a c u u mb a gs e a l i n gt e x t u r el e v e l c o o c c u r r e n c em a t r i x,G L CM)的 参数,并 计 算得 到G L CM及G L CM特征量,可分析判断封口纹理的均匀性.利用支持向量机(S u p p o r tv e c t o rm a c h i n e,S VM)分类器,以G L CM纹理特征量作为输入,经训练得到最优参数模型,输出封口质量的分类结果.该方法检测流程如图所示.图透明包装袋真空封口纹理缺陷检测流程图F i g u r eF l o wc h a r to fv a c u u m s e a l i n gt e x t u r ed e f e c td e t e c t i o no f t r a n s p a r e n tp a c k a g i n gb a g s系统机械结构方案透明包装袋真空封口纹理缺陷在线检测系统的机械结构包括运输机构、夹紧展平机构以及图像采集装置.其中夹紧展平机构安装在所述运输机构上的移动端,运输机构带动夹紧展平机构移动,夹紧展平机构可利用夹爪和丝杠配合动作将包装袋的褶皱部分夹紧展开.图像采集装置固定在运输机构上,利用工业相机等图像采集装置完成对夹紧展平机构上包装袋封口的图像采集.系统整体机械结构如图所示,图中的局部放大图为夹紧展平机构,使褶皱的食品包装袋封口部分的图像采集更平整,有利于提高图像处理速率和缺陷检测准确率.夹紧展平机构由步进电机、扭矩传感器、定夹具端、丝杠、固定支架、动夹具端、丝杠支撑架、连接支架和自动夹紧机构组成.其中步进电机、定夹具端、连接支架和限位开关分别装配在固定支架上,动夹具端与丝杠形成螺纹配合,两个自动夹紧机构分别组装在定夹具端和动夹具端的下部.步进电机驱动扭矩传感器、丝杠旋转,使动夹具端及对应自动夹紧机构移动,从而实现两个自动夹紧机构形成相对运动以实现展平动作.步进电机可通过控制转速来实现对动夹具端移动速度的控制.运输机构夹紧展平机构图像采集装置步进电机扭矩传感器定夹具端丝杠固定支架动夹具端 限位开关 连接支架 自动夹紧机构图透明真空包装袋封口纹理缺陷检测系统机械结构F i g u r eT h em e c h a n i c a l s t r u c t u r eo f t h e s e a l i n gt e x t u r ed e f e c td e t e c t i n gs y s t e m包装与设计P A C KAG I N G&D E S I GN总第 期|年月|图 像 采 集 装 置 主 要 由 工 业 相 机(型 号ME R GM/C,接口G i g E,HV分辨率 像素 像素,帧率 张/s,传感器类型/”C C D)、工业镜头(型号HN M C/X,接口C,分 辨 率 万 像 素,焦 距mm,光圈范围F F )和光源等组成.由于待检测食品包装袋的真空封口形状为条形,为保证检测区域光照均匀,采用条形光源进行主动照明.除此之外,光源的不同照明方式对于凸显缺陷纹理特征至关重要.分别研究正光 布置、正光 布置和背光 布置种不同光照方式的效果,如图所示.工业摄像机光源待测区域图光源布置示意图F i g u r eS c h e m a t i cd i a g r a mo f l i g h t s o u r c e l a y o u t通过对比试验可以发现,正光的布置方案会有不同程度的反 光 情 况 出 现,其 中 正 光 反 光 尤 为 明 显,如图(a)和图(b)所示;背光的布置方案可以得到最佳效果的封口纹理特征,并且能够明显区分开背景和待测物,如图(c)所示.因此,采用背光方式,将个条形光源分别在上、下呈 布置.图采集图像效果对比F i g u r eC o m p a r i s o no f c a p t u r e d i m a g e s图像预处理为保证在线检测的时效性和准确性,利用O P E N C V库对采集到的图像进行感兴趣区域(R e g i o n o fi n t e r e s t,R O I)提 取、仿 射 变 换(A f f i n et r a n s f o r m a t i o n)和局部二值化模式(L o c a lb i n a r yp a t t e r n,L B P)算法等预处理操作,以去除冗余信息、凸显纹理特征,进而提高图像处理速率和缺陷检测准确率.图像处理装置采集到的图像通常会含有封口纹理区域以外的冗余信息,R O I提取即将封口纹理区域在整幅图像中提取出来,可以减少后续图像处理的计算量.R O I提取流程如图所示,依次实现图像二值化、阈值分割、边缘检测和R O I最小方框的拟合等操作,图像采集如图(a)所示,处理效果如图(b)所示.在图像采集过程中,为解决包装袋封口不能保证为完全水平状态的问题,利用仿射变换矩阵将上述R O I提取图像中的最小方框进行平移、旋转、放缩、剪切等操作,以得到大小和方向规范统一的R O I图像 ,以优化缺陷检测的效率和准确率,仿射变换效果如图(c)所示.局部二值化模式,是一种能够描述图像纹理的算法,图R O I提取流程图F i g u r eF l o wc h a r to fR O I e x t r a c t i o n并且具有旋转不变性和灰度不变性等优点 .研究通过V i s u a lS t u d i o 软件编写代码实现上述算法,遍历R O I区域,得到凸显出包装袋封口纹理特征的规则排列的方格纹理图,如图(d)所示.利用G L CM提取纹理特征纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系,即图像中灰度的空间相关特性.G L CM是一种通过研究灰度的空间相关特性来描述纹理的常用方法,其数学定义是在图像灰度值为i的像素坐标(x,y)出发,统计与其距离为d,方向为,灰度值为j的像素坐标(xa,yb)同时出现的频率P(i,j;d,),数学表达式如式()所示.图图像预处理F i g u r e I m a g ep r e p r o c e s s i n g|V o l ,N o 张宝胜等:基于机器视觉的透明包装袋真空封口纹理缺陷检测方法P(i,j;d,)(x,y),(xa,yb)|f(x,y)i;f(xa,yb)j .()在计算得到共生矩阵之后,往往不是直接应用计算的G L CM,而是在此基础上计算纹理特征量,通常使用对比度(C o n t r a s t,C ON)、相关性(C o r r e l a t i o n,C O R)、角二阶 矩(A n g u l a r s e c o n d m o m e n t,A S M)、同 质 性(H o m o g e n e i t y,HMG)个二次统计特征量来表示纹理特征信息,计算公式如式()式()所示.GCONL iL jP(i,j;d,)(ij),()式中:GC ON 对比度;L 图像灰度级.GCO RL iL ji j P(i,j;d,),()式中:GC O R 相关性;L iL jP(i,j;d,);L i(i)L jP(i,j;d,);L jL iP(i,j;d,);L j(j)L iP(i,j;d,).GA S ML iL jP(i,j;d,),()式中:GA S M 角二阶矩.GHMGL iL jP(i,j;d,)|ij|,()式中:GHMG 同质性(表示G L CM中元素分布与G L CM对角线的接近程度);L 图像灰度级.利用S VM分类器建立决策模型以具有类可分性的特征量作为输入,通过构建S VM分类器实现对输入透明包装袋封口图像的快速识别,判断出纹理状态.在S VM分类器构建中,核函数的选取以及参数的寻优对分类准确率有直接影响.选取R B F核函数并通过交叉验证法对核函数参数g与惩罚因子c自动寻优,R B F核函数及核函数参数g如式()和式()计算可得.K(x,xc)e x p|xxc|(),()g,()式中:x 待测值;xc 核函数中心;函数的宽度参数;K(x,xc)R B F核函数;g 核函数参数.g表征支持向量个数,支持向量的个数会影响分类器的训练速度与预测速度.g越大,支持向量越少,高斯分布呈“瘦高”状.反之,支持向量越多,高斯分布呈“扁平”状.S VM模型中的惩罚因子c,表征对误差的宽容度.c越高,模型容忍度越差,越容易过拟合,反之,越容易欠拟合.后文试验部分将通过R B F核函数中参数g与c的自动调优提升缺陷检测的准确率.数据处理G L CM可视化指将G L CM内数值在 范围内进行归一化,数值越大颜色越亮,反之颜色越暗.目前在利用G L CM获取纹理特征时,很少涉及参数设置对纹理特征量 影响 的研 究.然 而,用 不 同 参 数 设 置 所 得 到 的G L CM存在较大差异,进而导致从中获取的二次统计量纹理特征量也存在较大的差异.同时,不同的G L CM特征量对纹理特征的好坏也有不同的区分度.因此,分别用如图所示的个透明包装袋真空封口缺陷纹理样本(N G 为模糊缺陷样本、N G 为联结缺陷样本、N G 为杂质缺陷样本、NG 和N G 为褶皱缺陷样本)和个正常纹理样本(OK OK),就图像灰度级L、生成步长d以及生 成 方 向等G L CM参 数 对 纹 理 特 征 量 的 影 响 和G L CM特征量与纹理质量的关联度做以下分析.图像灰度级L对纹理特征量的影响图像灰度级L指的是确定G L CM的阶数的值,即L越大G L CM阶数越大,G L CM可视化图像越能够以较高的分辨率反映样本本身,如图所示.但是L过大,也会导致G L CM维数过大,从而增加运算量影响图像处理速率.将L分别设置为,计算出全部样图的G L CM矩阵所用时间依次为 ,s,计算时间与L成正比.所以,在不影响纹理特征分析的前提下,通常会对L进行图经L B P算法处理的样本纹理F i g u r eS a m p l e t e x t u r ep r o c e s s e db yL B Pa l g o r i t h m包装与设计P A C KAG I N G&D E S I GN总第 期|年月|d、图图像灰度级L对纹理特征量的影响F i g u r e I n f l u e n c eo f i m a g eg r a y l e v e lLo nt e x t u r e f e a t u r eq u a n t i t y压缩以保证缺陷检测速率.最终,为兼顾准确率和处理速率之间的最优选择,将图像灰度级L设置为.生成步长d对纹理特征量的影响生成步长d指图像中灰度值分别为i和j之间的距离,因为该产品的纹理比较细密,所以将生成步长d设置的越小则检测效果越好.如图 所示,随着生成步长d的增大,缺陷纹理(NG N G)的G L CM中元素值分布越趋于分散,而良好纹理(OK OK)的G L CM中元素变化不大.基于缺陷纹理对步长的敏感性,以G L CM可视化中光亮区域是否集中在对角线附近来做纹理质量的初步判断,最终将生成步长d设置为.生成方向对纹理特征量的影响生成方向通常取,个方向,所得的G L CM即体现了沿设置方向的纹理变化情况.如图 所示,缺陷纹理在生成方向为 时,G L CM可视化中光亮区域有集中在对角线附近的趋势;缺陷纹理NG 和NG 在生成方向为 ,时,G L CM可视化中光亮区域分布比较均匀,与良好纹理没有区分度.所以最终将生成方向设置为.G L CM特征量与纹理质量的关联度基于小节设定的参数,先利用式()计算得到G L CM,再利用式()式()计算得到的对比度、相关性、角二阶矩和同质性个特征量,可以得到各个纹理特征量对封口纹理质量的区分度,具体计算结果如图 所示.由图 可知,与其他纹理特征量相比,对比度特征量能够更好地区分纹理特征的好坏.其次,同质性特征量对封口纹理质量的区分度虽然没有对比度特征量明显,但不同类别的数据连线未出现交叉,有着一定的区分效果,这表明可以应用阈值边界来区分密封纹理的好坏.有效的分类要求所使用的特征具有良好的类可分性,该特性可用方差归一化类分离距离Dx g b来表示 ,Dx g b值越高分类效果越好.对于分布在良好纹理和缺陷纹理之间的特征x,该距离由式()求得.Dx g bx gx bx gx b,()式中:x 纹理特征量类别(C ON、C O R、A S M、HMG);g、b 良好纹理和缺陷纹理的待测样本;L、图 生成步长d对纹理特征量的影响F i g u r e I n f l u e n c eo fg e n e r a t i o ns t e pdo nt e x t u r e f e a t u r eq u a n t i t y|V o l ,N o 张宝胜等:基于机器视觉的透明包装袋真空封口纹理缺陷检测方法L、d图 生成方向对纹理特征量的影响F i g u r e I n f l u e n c eo fg e n e r a t i o nd i r e c t i o no nt e x t u r e f e a t u r eq u a n t i t y图 基于样本的纹理特征量计算F i g u r e S a m p l e b a s e dt e x t u r e f e a t u r ec a l c u l a t i o n 对应数据的平均值;对应数据的方差;Dx g b 不同纹理特征对缺陷分类的关联度.Dx g b计算结果如表所示,在种纹理特征量中,对比度的分类效果最佳,其次为同质性,故选用对比度和同质性特征量来识别纹理缺陷.综上所述,基于G L CM可视化中光亮区域是否集中在对角线附近的特点,最终将图像灰度级L设置为,生成步长d设置为,生成方向设置为,即为水平方向.此外,由此计算出方差归一化类分离距离Dx g b,最终选用对比度特征量和同质性特征量作为S VM分类器的输入表基于G L CM特征量的方差归一化类分离T a b l eV a r i a n c e n o r m a l i z e dc l a s ss e p a r a t i o nb a s e do nG L CMf e a t u r eq u a n t i t i e s纹理特征量Dx g b纹理特征量Dx g b对比度(C ON)角二阶矩(A S M)相关性(C O R)同质性(HMG)量以决策纹理质量.结果与分析基于透明包装袋封口的G L CM特征量计算将实验室提供的经人工检测的 个食品包装袋样品(个缺陷纹理样品和 个良好纹理样品)依次进行标记.随机打乱食品包装袋的次序,将其均分为训练集和验证集两部分,计算出每个食品包装袋的G L CM特征量,统计结果如图 所示.在整个数据集中,虽然良好纹理和缺陷纹理的特征量平均值有明显的区分度,但仍然有特征量数值交叉的部分.在验证集中,良好纹理对比度的平均值远大于缺陷纹理对比度的,但良好纹理对比度的最小值为,缺陷纹理对比度的最大值为,明显有交叉区域,故使用简单的线性分类器不能满足检测需求.基于训练集的S VM模型参数调优将训练集作为试验创建S VM模型的数据基础,并利用交叉验证法实现对R B F核函数模型参数g和c进行自包装与设计P A C KAG I N G&D E S I GN总第 期|年月|图 包装袋样品的G L CM特征量箱型图F i g u r e G L CMc h a r a c t e r i s t i cq u a n t i t y sb o x p l o to fp a c k a g i n gb a gs a m p l e s动调优.由交叉验证法自动调优结果可得,准确率随c值的增大而先增大后稍有减小;在l o gc大于的区域内,准确率随g值的增大而先增大后减小,在l o gg为左右时准确率最高.当模型参数g设置为 ,c设置为 时,该模型的缺陷检测准确率高达,完美解决了验证集样本及训练集样本中G L CM特征量的区域交叉问题.参数调优结果如图 所示.基于验证集的缺陷检测系统试验最优参数模型的验证试验利用上述得到的最优参数模型对验证集进行缺陷检测,在 个验证集数据的缺陷检测中有 个合格纹理、个缺陷纹理,与人工检测结果(个合格纹理、个缺陷纹理)相比有个误判,检 测 结 果 同 一 性 高 达 ,具 体 结 果 如 图 所示.最优参数模型的误判与分析如图 所示,该系统检测结果有以下误判情况:由于杂质(头发)恰好与图 参数调优示意图F i g u r e S c h e m a t i cd i a g r a mo fp a r a m e t e r t u n i n g竖向纹理分割区间方向一致,导致系统混淆识别造成误判;由于G L CM的算法原理和个别封口的整体纹理都模糊不清,无明显的局部纹理差别,整体纹理的均匀性没有明显变化,导致图像误判为合格;由于中间划痕部分与杂质(头发)相似,且方向倾斜,导致误判为不合格.在预处理之后利用边缘检测、灰度值阈值等算法进行算法图 人工检测与系统检测对比图F i g u r e C o m p a r i s o no fm a n u a l d e t e c t i o na n ds y s t e md e t e c t i o n图 系统缺陷检测错误识别纹理F i g u r e T e x t u r e f o r s y s t e md e f e c td e t e c t i o ne r r o r r e c o g n i t i o n|V o l ,N o 张宝胜等:基于机器视觉的透明包装袋真空封口纹理缺陷检测方法补充可优化上述误判情况,保证系统的检测准确率.由最优参数模型验证试验的结果数据可得出,研究提出的封口缺陷检测系统与人工检测的结果同一性达,漏检率为,实用性得到验证.此外,采用该系统检测时,S VM分类器会随着训练集数据的增加而自动调优分类阈值,从而提高检测的准确率和稳定性.结论基于图像处理技术,研究拟提出一种基于机器视觉的透明包装袋真空封口缺陷检测的机器视觉方法:硬件部分通过机械装置展平封口褶皱部分并在理想光源条件下采集纹理清晰的原始图像;软件部分利用图像预处理和G L CM算法量化封口纹理特征,经方差归一化计算取对比度和同质性特征量作为产品质检的输入量.基于样品训练S VM模型并完成系统验证试验,结果表明:该系统检测的结果与人工抽样检测相比,有检测全覆盖化、可连续长时间作业、识别准确率高、稳定可靠等优势.该方法可应用于在线检测,同时也存在一定的局限性.比如:该方法目前只针对透明食品包装袋封口纹理质量的在线检测完成了试验研究,后续可以优化算法,实现非透明彩色包装袋的封口缺陷纹理检测.参考文献1 向宇航,周聪玲,王永强.基于机器视觉的鲍鱼风味片残次品在线检测方法J.食品与机械,2022,38(11):95100.XIANG Y H,ZHOU C L,WANG Y Q.Online visual detectionmethod of defective Baovuflavorslicesbased on mechanical visionJ.Food&Machinery,2022,38(11):95100.2 郑贵君,周聪玲,王永强.用于杀鱼机剖腹刀具自动控制的视觉检测方法J.渔业现代化,2022,49(4):104112.ZHENG G J,ZHOU C L,WANG Y Q.Visual inspection method forautomatic control of fish killing machine laparotomy tool J.Fishery Modernization,2022,49(4):104112.3 LU X N,LIU F,HE Z Z,LI L Y,et al.Defect inspection of flip chippackage using SAM technology and fuzzy Cmeans algorithmJ.Science China(Technological Sciences),2018,61(9):1 4261 430.4 XIE H W,LU F,GUANG O Y,et al.A rapid inspection method forencapsulating quality of pet bottles based on machine visionC/20173rdIEEEInternationalConferenceonComputerandCommunications.Chengdu:IEEE,2017:2 0252 028.5 李丹,白国君,金媛媛,等.基于机器视觉的包装袋缺陷检测算法研究与应用J.激光与光电子学进展,2019,56(9):188194.LI D,BAI G J,JIN Y Y,et al.Research and application ofpackaging bag defect detection algorithm based on machine visionJ.Laser&Optoelectronics Progress,2019,56(9):188194.6 陈慧丽,李继伟.基于机器视觉的方便面包装品质检测系统设计J.包装工程,2017,38(13):159163.CHEN X L,LI J W.Design of instant noodle packaging qualityinspectionsystembasedonmachinevision J.PackagingEngineering,2017,38(13):159163.7 张银萍,徐燕,朱双杰,等.基于机器视觉的金丝皇菊智能分级系统研究J.食品工业科技,2022,43(5):1320.ZHANG Y P,XU Y,ZHU S J,et al.Research on the intelligent gradingsystem of golden silk chrysanthemum based on machine vision J.Science and Technology of Food Industry,2022,43(5):1320.8 尚会超,杨锐,段梦珍,等.机器视觉照明系统的关键技术分析J.中原工学院学报,2016,27(3):1621.SHANG H C,YANG R,DUAN M Z,et al.Key technology analysisof machine vision lighting system J.Journal of ZhongyuanUniversity of Technology,2016,27(3):1621.9 ZHANG W C,ZHAO Y L,TOBY P B,et al.Noise robust imageedge detection based upon the automatic anisotropic GaussiankernelsJ.Pattern Recognition,2017,63(8):193205.10 应捷,陈文,杨海马,等.基于仿射变换与模板匹配的车位识别与计数算法研究J.计算机应用研究,2022,39(3):919924.YING J,CHEN W,YANG H M,et al.Research on parking spacerecognition and counting algorithm based on affine transformationand template matching J.Application Research of Computers,2022,39(3):919924.11 SUHR J K,JUNG H G.Automatic parking space detection andtracking for underground and indoor environments J.IEEETransactions on Industrial Electronics,2016,63(9):5 6875 698.12 周书仁,殷建平.基于 Haar 特性的 LBP 纹理特征J.软件学报,2013,24(8):1 9091 926.ZHOU S R,YIN J P.LBP texture feature based on Haar featureJ.Journal of Software,2013,24(8):1 9091 926.13 原晓佩,陈小锋,廉明.基于 Haarlike 和 LBP 的多特征融合目标检测算法J.计算机科学,202