摘要：本文面向医用大输液溶液的在线自动化检测，运用机器视觉技术、自动控制原理，开发了一台智能灯检机。为了从复杂的视觉图像中提取出微小的检测目标，该灯检机运用机械方法使检测目标与背景间产生运动差异，再利用精密的光学成像系统获取目标运动序列图像，最后应用智能图像处理算法完成对产品的检测。本文给出了灯检机的系统结构，并详细介绍了目标检测的关键算法，给出了实验结果。该研究证明机器视觉技术可以有效的运用于大输液产品的在线检测。
引 言
大输液是我国药品中五大类重要制剂之一，是临床上应用十分广泛的产品。如今我国的大输液产量已位居世界产量榜首，年产量及年销售量分别达到 60 亿瓶和 45 亿瓶。但由于生产工艺或生产环境等方面的原因，大输液产品中可能含有玻璃碎屑、铝屑、橡皮屑、毛发、纤维等异物，对用者造成极大的危害。目前，国内各厂家普遍采用暗室中的人工灯检，其检测结果主观性强，检测效率低、精度低、范围窄，检测人员劳动强度大且容易疲劳，漏检率更是随之攀升。基于机器视觉[1]的大输液智能灯检机运用图像处理、分析及识别技术对大输液产品进行在线自动化检测，提高了检测的速度和精度，解放了人力资源，具有巨大的经济效益和社会效益。
本文研究的基于机器视觉的大输液智能灯检机摒弃了传统工业视觉检测[2]系统对单帧图像进行检测的方式，采用专业的工业级高速图像采集系统获取连续多帧图像完成检测。它运用文中提出的算法，利用序列图像在时间和空间上的连续性[3-4]克服了从大量干扰背景下分割出细小目标这一难题。巧妙的机械传动设计保证了图像采集系统能够获得每一瓶大输液产品的无视角偏差序列图像，避免了耗时的图像配准，提高了系统实时性。文中给出的光源和照明方式是经过反复实验后得出的，有利于获取高质量图像。
1 大输液智能灯检机系统结构
1.1 大输液灯检机组成结构
针对大输液中可能存在的多种异物，国外有学者将其分为两大类[5]：将颜色较暗的划分为黑色，颜色较浅的划分为白色，见表1。由于采用一种照明方式区分黑白两种异物会增加算法的复杂性，因此，针对不同类别的对象，灯检机设置两个检测工位：1 号检测工位和2 号检测工位。各工位处首先采用机械装置对输液瓶进行高速旋转-急停，然后由反光镜与摄像机相配合拍摄连续无视角偏差的序列图像。智能灯检机的总体结构简图如图1 所示。
产品输入口和输出口分别与生产线相连，1 号检测工位检测黑色异物，2 号检测工位检测白色异物。若为不合格产品，则不合格指示灯亮，剔出模块将剔出该产品。若为合格产品，则不对其作任何处理，由生产线传送带送走。两个检测工位结构相同，待检产品进入检测工位后将由直线传送改为轮盘旋转传送，轮盘设置磁性传感器，划定出旋转区域与急停区域。一台工业高速CCD 摄像机固定于输液瓶传送队列内侧，通过一快高反光镜对进入急停区域的输液瓶进行跟踪拍摄。整个图像获取过程如图2 所示。
首先由机械装置使进入旋转区的输液瓶加速旋转，在输液瓶即将离开旋转区域时停止加速，输液瓶作自由旋转(减少因振荡带来的气泡)。当输液瓶 n 完全进入急停区时，灯检机将控制机械装置使输液瓶急停，瓶内液体由惯性作用将继续旋转，此时摄像机通过反光镜开始拍摄输液瓶 n 的连续序列图像，如图2(a)。输液瓶在圆盘上继续传送，反光镜相应旋转一定角度，确保摄像机能跟踪捕捉到输液瓶 n 的序列图像，如图2(b)所示(注意此时输液瓶 n-1 还未完全进入急停区域)。输液瓶 n 继续向前传送，反光镜也继续作相应转动，直至输液瓶n-1 完全进入急停区域，此时反光镜立即返回图 2(a)所示位置，开始跟踪输液瓶 n-1，如图2(c)。这样便完成了对输液瓶 n 的连续序列图像获取。
1.2 大输液灯检机电气系统结构
图3 为大输液灯检机的电气系统结构框图。基于高性能工控计算机与可编程逻辑控制器(PLC)的控制系统具有更高的实时性和稳定性，完全适合生产现场长时间持续工作的需要。工控计算机主要负责运行检测软件对产品图像进行分析、处理及判断等高层操作;PLC 主要负责电气部分的底层控制;检测工位的摄像机为系统获取产品图像传输给图像采集卡，工控计算机通过 PCI 总线访问图像采集卡，并运行检测软件判断产品为合格/不合格，然后与 PLC 进行通信，PLC 控制底层系统反应动作。不合格产品剔出模块采用光电传感器作为流水线上产品的计数和定位，完成剔出工作。
1.3 大输液灯检机成像系统
对于所有工业视觉检测系统来说，合理的光源以及光源照明方式[6]是完成快速、准确检测的关键。好的照明系统能突出被测特征部分的对比度，改善整个图像的分辨力，简化算法和软件计算。为了得到清晰度高，亮度稳定的图像我们选用了LED 光源作为成像系统的光源。图4 是灯检机所采用的成像照明方式结构简图。1 号检测工位的检测目标是黑色异物，故采用平板LED 透射成像，此时所拍图像背景为白色，异物因遮挡了光线而呈黑色;2号检测工位的检测目标是白色异物。由于大输液瓶为光滑的玻璃容器，其侧面反光极强，若直接采用反射照明方式很容易在图像上形成亮斑，丢失大量的有用信息，不利于溶液中微粒和异物的检测识别，因此采用黑背景成像方式。在输液瓶底不远处安装一个聚光 LED 光源，输液瓶背面加上黑色漫反射背景，利用输液瓶内异物对光的折射作用，形成白色异物黑色背景的图像。
2 智能灯检机关键算法
正如引言中所述的那样，由于国内现在使用的大多数输液瓶本身并不严格符合质量标准，瓶壁厚度不均匀且其中可能含有杂质、小气泡等干扰，瓶外也可能附着空气中的灰尘，瓶身带有浮雕刻度等因素都给检测带来了困难，采用工位2 照明方式的大输液成像如图5 所示，除此之外，检测目标(溶液内异物)存在大小、形状和数量的不确定，缺乏先验知识构造检测模板[7][8]，难以运用特征信息进行目标分割。因此，运用机械方法使溶液高速旋转，通过基于时间-空间连续性的序列图像差分算法从静止背景中分割出运动目标是一种合理而可行的方法。但是差分算法[9](包括对称差分)得到的差分图像中目标的灰度能量很低，对弱目标进行阈值分割可能使得分割结果不精确，造成图像中重要信息的丢失。同时，由于微粒的运动速度相对于摄像机的拍摄帧率是很慢的，这使得微粒在连续几帧中的位置变化很小，直接作连续差分会增加后期处理的复杂性。本文采用隔帧二次差分与能量累积相结合的方法，在增强检测目标灰度强度的同时提取出单帧无干扰目标图像，再运用自适应阈值处理获得目标的精确二值图像。该算法计算简单易于实现，完全符合灯检机的实时在线检测特性，算法流程图如图6。
2.1 序列图像隔帧差分运算
从检测工位连续采集的序列图像中，以n为间隔选取三帧溶液序列图像 f(t-n)(x，y)，f(t)(x，y)，f(t+n)(x，y)由(1)、(2)分别计算相邻两帧的绝对差灰度图像
其中W 是抑制图像噪声的窗口函数，这里选取 3×3 的掩模对原始图像作中值滤波。得到绝对差值图像如图7。
由于智能灯检机隔光机身的设计，在选取n 不太大的情况下隔帧图像中的背景可认为是不变的，仅有运动微粒能在差分图像中显示出来。从两幅绝对差值图中我们可以看出药液中是有微粒存在的，但是大输液本身是一种化学溶液，它并不是纯净而不含任何纤维或微小颗粒的，国家规定的《澄明度检查细则和判断标准》对溶液中细小微粒有具体的要求和说明，因此，图6 中的亮点还不能判断为溶液中的异物，我们还必须获得更准确的微粒轮廓，从微粒大小入手判断产品是否合格。
2.2 二次差分与能量累积
序列图像差分后的结果虽然去除了静态背景干扰，但同时也使目标点的能量变得很低。我们利用图像本身的灰度差异使用一个正数N 放大这种差异，使目标点具有更高的能量。
这样获得的图像F(t)(x，y)如图8，其中运动微粒的灰度能量被加强了，目标与背景的灰度差异也进一步放大，整幅图像的直方图特性得到极大的改善有利于后面的自适应阈值处理。
2.3 自适应阈值处理
由检测工位2 的成像说明和异物分析可知，在工位 2 的检测图像中背景为暗目标为亮，我们要检测的异物位于图像的高灰度区域。实际情况中异物的数量和体积都较小，这使得整个图像的灰度平均值E 也较小。对目标信息得到增强后的图像 F(t)(x，y)作如下处理：
第一步，运用公式(8)和(9)分别计算M×N 矩阵 F(t)(x，y)的样本均值E 和标准差S。
第三步，对新图像重复第一、二步的计算，直到新的阈值与上一次的阈值相等或相差非常小为止。
第四步，用此时图像计算出的阈值T*对图像进行二值化处理。
根据生产标准中对异物大小的定义，对二值化后的结果进行形态学开操作，除去较小的亮点为后续检测判断节省时间。在剩下的目标点中找出面积最大点作为异物存在的可疑点，用相同的方法可以获得多帧图像中面积最大点作为异物可疑点，对所有可疑点进行综合比较从中确定出面积最大的异物并与生产指标进行比较，判断产品是否合格。
3 实 验
为了验证算法的实际可行性，我们在CPU Pentium 4(2.00 GHz)，内存256Mb 硬件系统及Visual C++环境下，对 250ml 透明玻璃瓶装大输液产品进行了检测。智能灯检机安装逐行扫描 CCD 黑白摄像机，针对每瓶大输液产品拍摄分辨率为 640×512 连续图像(溶液处于高速旋转状态)，运用文中所述算法获得分割结果如图9。
大量实验证明：这种改进算法能够稳定、一致的从瓶身干扰中分割出运动颗粒，克服了从大量背景干扰中提取多运动小目标这一难题，为检测系统对异物的识别判断打下了良好的基础。
4 结 论
本文提出了一种新型大输液智能灯检机，并从其组成结构，运行原理，照明方式等方面对智能灯检机进行了全面的介绍。针对视觉检测过程中需要在大量背景干扰下分割出细小微粒这一难点，提出了一种适用于弱小运动目标分割的改进差分算法，并在文章最后给出了实验结果证明算法的有效性。按照文中的叙述我们成功研制了样机，证明了本文提出的整体系统结构及算法的可行性。
参考文献：
[1] Chan J.P，Palmer G.S. Machine vision-applications in industry[A]. Application of Machine Vision. IEE Colloquium[C].London，UK：IEEE，1995. 1/1-1/6.
[2] Thomas A. D.H，Rodd M. G，Holt J. D，et al. Real-time Industrial Visual Inspection：A Review[J]. Neurobiology of LearNIngand Memory，1995，1(2)：139-158.
[3] Yanling Zhao，Zhichao Zhang，Zhenming Gao. A simple and workable moving objects segmentation method[A]. Electronics inMarine，2004. Proceedings Elmar 2004. 46th International Symposium[C]. Zadar，Croatia：IEEE，2004. 585-590.
[4] Hong Song，Feng Shi. A real-time algorithm for moving objects detection in video images[J]. Intelligent Control andAutomation，2004. WCICA 2004. Fifth World Congress，2004，5：4108-4111.
[5] Akira Ishii，Takayuki Mizuta，Shigehiko Todo. Detection of foreign substances mixed in a plastic bottle of medicinal solutionusing real-time video image processing[J]. Pattern Recognition，Proceedings. FourteenthInternationalConference，1998，2：1646–1650.
[6] Jeremy Govier. Choosing the Correct Illumination[EB/OL].http：//www.edmundoptics.com/techSupport/DisplayArticle.cfm?articleid=264 .
[7] Jianping Fan，Xingquan Zhu，Lide Wu. Automatic model-based semantic object extraction algorithm[J]. Circuits and Systemsfor Video Technology，IEEE Transactions，2001，11(10)：1073-1084.
[8] Schoepflin T，Chalana V，Haynor D.R，et al. Video object tracking with a sequential hierarchy of template deformations[J].Circuits and Systems for Video Technology，IEEE Transactions，2001，11(11)：1171-1182.
[9] Meier T，Ngan K.N. Video segmentation for content-based CODing[J]. Circuits and Systems for Video Technology，IEEETransactions，1999，9(8)：1190–1203.
基金项目：国家自然科学基金资助项目(60375001)，高校博士点基金资助项目(20030532004)，湖南省科技计划重大专项(湘科计字 2003)高速自动化生产线上的多传感器智能检测关键技术及设备
作者简介：李杨果(1982-)，男(汉族)，重庆人，硕士研究生，主要研究工作是机器视觉、人工智能方向的电子设备研究。E-mail：lyonco@sina.com
