作者 張培恒1 董浩2 王博1 孫瑞軒2

　　1.燕山大學 電氣工程學院(河北 秦皇島 066004)2.河北省科學院 自動化研究所(河北 石家莊 050000)

　　*基金項目：河北省科學院科技計劃項目(編號：17401)

　　張培恒(1989-)，男，碩士，研究方向：機器視覺。

摘要：當前食用油激光噴碼檢測方法仍是傳統的人工燈檢法，存在成本高、不穩定、精度低、人員調動等問題，已經不能滿足生產商和消費者的要求，為此設計一種基于機器視覺和自動化控制技術的食用油激光噴碼檢測分揀系統。借助Matlab Script節點，采用LabVIEW和MATLAB軟件混合編程的方法實現噴碼字符檢測，LabVIEW軟件實現圖像采集、人機界面制作和數據分析功能，MATLAB軟件實現圖像處理和字符識別功能，充分發揮各軟件優勢，降低編程開發難度。LabVIEW通過VISA串口將噴碼質量信息傳輸至PLC(Programmable Logic Controller，可編程邏輯控制器)，控制自動分揀機構將噴碼不合格的食用油剔除，從而保證和提高產品質量。實驗結果表明，系統正確檢測和分揀率可穩定達到90%以上。

0 引言

　　食品安全問題一直是人們最關心的，而食用油是生活中不可或缺的日常消耗品，隨著生活水平和安全意識的不斷提高，人們對食用油品質的要求屢日增高，食用油桶體上標記激光噴碼作為油品保障的必要手段^[1]，為每一桶食用油標注其規格、生產日期、批號等不同的信息，已成為食用油質量標準，其相當于食用油的身份證件，以其不可涂改、無耗材、無污染、高效、長效等特點，被廣泛用于標識領域，但在工廠食用油生產過程中，由于環境、設備、技術等原因，激光噴碼難免會出現錯印、漏印、污損、重疊等缺陷，此時就需要對其進行質量檢測，保證有缺陷的產品不會流入市場，以免造成對消費者健康權益和企業品牌形象的負面影響。傳統的食用油激光噴碼檢測主要是依靠人工崗位來完成，然而人眼的主觀檢測有其固有的局限性，己經越來越不能適用于現代制造業的標準，因此食用油生產工序的質量檢測水平必須提高，食用油激光噴碼視覺檢測分揀系統運用先進的機器視覺和自動化控制技術完全可以替代人工檢測，使用BP神經網絡算法不斷提高檢測速度、效率和精度，完全滿足現代制造業的標準。

　　機器視覺是一門多學科交叉的綜合性技術，它包括了數字圖像處理、光學、模式識別、計算機應用科學、人工智能等一系列學科領域的知識^[2]，通過計算機和工業相機非接觸式地對目標圖像進行獲取和處理，最終獲取目標信息和實現智能自動化控制。

　　神經網絡啟發于生物學神經系統，通過并行處理和改變神經元連接權重來訓練出能實現特定功能的神經網絡，其具有很強的自學習和泛化能力^[3]。BP(Back Propagation，反向傳播)神經網絡是多層前饋誤差反向傳播的神經網絡，是目前應用得最為廣泛的神經網絡預測模型。

　　自動控制技術是指在極少或無人參與下，通過使用各種控制器、繼電器、接觸器、執行器、傳感器等裝置自行實現工藝或過程的一門技術。它是以控制理論為基礎，利用反饋原理來自動地調節動態系統^[4]，使得系統達到人們的預想。自動控制系統的大量應用，不僅提高了工作效率，也提高了工作質量，改善了人員的工作環境。

　　食用油激光噴碼視覺檢測分揀系統靈活運用各種技術和方法，研究和分析BP神經網絡算法，快速準確地檢測出噴碼信息，并與激光噴碼機中的應刻灼信息相比對，如果出現錯印、漏印、污損、重疊、歪斜等情況，系統將自動報警，提醒用戶，并可按預先設定的自動控制程序執行相關動作，剔除不合格產品。

1 機器視覺

　　機器視覺是指利用相機代替人眼功能，圖像處理及算法功能代替人腦功能，對目標進行特征提取和分析，進而做出判斷來控制生產過程的一種人工智能技術^[5]，包括光源、圖像獲取、圖像處理、算法等模塊。

　　1.1 光源照明模塊

　　光源與照明方案是系統中重要組成部分，應盡可能地突出目標特征，將要檢測的區域盡可能大地與背景區域進行區分，提高對比度，降低圖像處理、分割和識別難度，使系統的可靠性和綜合性能得到提高。

　　食用油桶體是半透明且帶有一定弧度的，激光噴碼機在桶體表面刻灼凹字符，其與非字符區域的材料相同，故沒有顏色信息且反光嚴重，這大大增加了光源和照明方案的難度。

　　依據檢測對象，嘗試不同類型光源，經過多次不同實驗，最終設計了一種照明方案：選擇條形LED紅色光源組合成邊長約10 cm的正方形，并在正方形光源后添加紅色同軸光源，同時配有亮度控制器，可獨立微調和粗調每組對邊位置的燈亮度和同軸光源亮度，協調配合使用同軸光源和組合條形光源，在足夠亮度情況下消除反光和保證足夠的對比度、清晰度，實物光源如圖1所示，在特制光源照明下獲取的噴碼圖像質量明顯提高，清晰度、對比度明顯增強，大大降低噴碼圖像處理和檢測、識別難度，同時加快系統運行處理速度和提高系統魯棒性。

　　1.2 圖像采集模塊

　　圖像采集模塊是系統的輸入端，對整個系統的運行速度和效率有重要影響，包括光電傳感器、工業相機、鏡頭、相機支架、鏈板等設備。

　　1.2.1 光電傳感器

　　光電傳感器輸出為繼電器信號，用于硬件觸發工業相機拍照，即鏈板運送食用油至特定位置后，光電傳感器動作，觸發處于準備狀態的工業相機抓拍噴碼。

　　本系統選用歐姆龍E3Z-T61A-L型光電傳感器，為透過性紅色光源傳感器，設計有感度調節按鈕和動作切換開關，動作和復位各為1 ms一下，響應速度快，同時具有簡易、耐振動、穩定、壽命長等優點，可滿足系統精度、觸發模式、鏈板速度的要求。

　　1.2.2 工業相機及鏡頭

　　根據所需的分辨率、芯片和像素大小確定合適的相機，鏈板一直處于高速運轉狀態，同時為提高系統圖像處理速度不必要獲取圖像顏色信息，因此選用BASLER acA1920-155 μm 黑白工業相機，幀速率可達164 fps，選用通訊標準統一、傳輸速率快、成本低廉的USB 3.0圖像傳輸方式，相機配有Sony IMX174 CMOS感光芯片，230萬像素分辨率，足以滿足系統要求。

　　鏡頭的選擇除了要與相機的接口、傳感器尺寸、分辨率相適應，還要充分考慮工作距離、視場大小、崎變等因素選擇具有合適焦距的鏡頭^[6]，本系統選用BASLER C-125-1218-5M型號鏡頭，分辨率為500萬像素，光圈范圍為F1.8~F22.0，工作距離為200 mm，固定焦距為12.0 mm，原裝C口鏡頭，與已選相機和光源配合使用能夠獲得高質量噴碼圖像，為接下來圖像處理環節奠定基礎。

　　1.3 圖像處理模塊

　　圖像處理是機器視覺的核心部分，對系統處理速度和高識別率起到決定作用，包括對圖像預處理，噴碼字符的檢測、定位和分割，特征選擇、提取及運用相關算法識別字符等操作。

　　1.3.1 圖像預處理

　　由于環境、設備等固有因素使圖像含有一定的干擾性噪聲，為了使這種影響降到最低，需要對目標圖像進行必要的預處理，降低圖像噪聲、提高圖像對比度及清晰度，通過圖像增強技術將圖像本身容易被忽略的細節部分顯現出來，提取出圖像的特征，方便后續處理。因缺乏判定圖像增強質量客觀的統一標準，從嚴格的理論上來說還沒有被廣泛認可的理論。不同程序在處理圖像增強時，都有自己的針對性，增強的結果利于下一步圖像處理，即是圖像增強合適與否的標準，由實驗結果對比所得，本系統選擇中值濾波器去除噪音影響，如圖2所示，從圖像二值化結果中也能判斷出中值濾波器更適合圖像后續處理，如圖3所示。

　　1.3.2 字符分割

　　字符分割是整個圖像處理中最重要、最困難的一步，是字符識別的基礎，只有將字符完整正確地分割開來，才能保證字符識別的效果和正確率。

　　首先對圖像進行二值化，其目的是將圖像分為兩個部分，即背景和前景，本系統選擇大津法得到閾值進行二值化;另外消除面積小于25個像素的孤立的點，然后填充孔洞并膨脹圖像;接著運用一種基于投影和字符寬度相組合的方法來完成字符分割，詳細步驟如下：

　　1)水平投影。由左到右、由上到下掃描圖像每一行像素并累加每一行像素值，設定水平投影的累加值閾值為9，記錄累加值大于和小于閾值的起始位置，分別為每行字符由上到下的起始位置和結束位置，從而將整個字符圖像粗分割為兩行字符。

　　2)垂直投影及字符間距判斷。由上到下、由左到右掃描粗分割字符圖像每一列的像素并累加每一列的像素值，設定垂直投影的累加值閾值為4，記錄累加值大于和小于閾值的起始位置且相鄰位置間距應大于35個像素，分別為字符由左到右的起始位置和結束位置，從而將整個目標圖像細分割為22個單字符。

　　3)對每個字符圖像分別再進行一次水平投影，累加閾值為4，除去每個字符上下邊界多余區域，并歸一化為16×16大小的字符圖像保存到本地，作為訓練和測試BP神經網絡的樣本。

2 LabVIEW和MATLAB平臺混合編程

　　LabVIEW是NI公司推出的一種基于圖形化編程G語言的高效開發軟件，圖形界面豐富，容易制作各種界面，并包括大量用于數據采集、分析以及表達、儲存的各種庫函數，編程簡單。但在圖像處理、神經網絡、模式識別等各種算法的支持方面是LabVIEW的短板，其相關工具箱及編程靈活性非常有限。

　　MATLAB是以矩陣運算為基礎、擁有強大計算功能的一種數學軟件，針對不同專業領域的應用，具有信號處理、圖像處理、神經網絡等多個專用工具箱，但在人機界面設計和開發方面能力非常有限，并且在硬件輸入、通信和控制等方面都比較繁瑣。

　　本系統借助Matlab Script節點實現LabVIEW和MATLAB混合編程，通過此節點LabVIEW直接調用編寫、調試后的MATLAB程序，可以達到兩者揚長避短、優勢互補的效果，降低了開發難度，縮短了開發周期，提高了工作效率。

　　2.1 LabVIEW軟件編程

　　LabVIEW軟件主要實現圖像采集、人機界面制作、數據分析等功能，充分發揮其優勢。

　　LabVIEW軟件內置的IMAQdx通過NI MAX可以直接連接和設置工業相機。在LabVIEW程序框圖中調用子VI并連線編寫圖像采集程序，分別是打開和配置相機，拍照獲取圖像等。在LabVIEW前面板中調整、拖拽和設置圖標，制作人機界面，界面左方為狀態信號指示燈，顯示系統各個工序運行狀態，界面中間實時顯示圖像和識別出的字符串，界面左方為系統設置和操作按鈕，界面下方顯示噴碼所表示的食用油信息，如圖4所示。

　　同時系統有查詢食用油噴碼歷史數據的功能，點擊人機界面中“查詢”按鈕，彈出數據查詢窗口，可根據產地、批號、開始和結束時間、合格與否等條件查詢食用油噴碼歷史信息，并能導出數據保存至本地。

　　2.2 MATLAB軟件編程

　　MATLAB軟件主要實現圖像處理、BP神經網絡算法、字符識別等功能，借助MATLAB圖像處理工具箱和神經網絡工具箱加快了編程速度和開發進程。

　　2.2.1 圖像處理

　　首先進行圖像濾波來除去噪音和提高圖像對比度、清晰度，嘗試均值、中值、高斯、拉普拉斯等濾波器并比較得中值濾波器效果最佳。

　　接著對圖像進行二值化處理，該過程關鍵是根據圖像灰度特性對閾值的選取，大津法是錯分概率最小、自適應的閾值確定方法，相比于迭代法、最小誤差法等效果最好。

　　其次做二值圖像形態學處理，除去零散的點、填充孔洞、膨脹連接字符邊緣。

　　最終進行圖像分割和歸一化處理，因為噴碼字符有規律地分行排列且間距相近，故選擇一種基于投影和字符寬度相組合的方法來完成字符分割，最后每個字符圖像歸一化保存至本地。

　　2.2.2 BP神經網絡算法

　　BP神經網絡由輸入層、隱含層、輸出層構成，如圖5所示。它是基于梯度下降的最小均方差算法，它采用誤差反向傳播的方式不斷調整神經元連接權值，最終BP神經網絡實際輸出和目標輸出之間均方差滿足系統要求，訓練出滿意的預測模型。

　　借助MATLAB神經網絡工具箱實現BP神經網絡算法的詳細過程如下：

　　1)確定輸入矩陣P和目標矩陣T。因實驗條件有限，樣本集僅有3800個元素，包括10個數字、26個字母及斜線、冒號共38個類別，每個類別含100個不同條件下獲取的樣本。選取像素特征作為BP神經網絡的輸入，因為每個字符歸一化為大小16×16，故輸入矩陣P大小為256×3800，每一列表示一個字符樣本，目標矩陣T大小為1×3800。

　　2)確定各層神經元數目。在神經網絡工具箱中，輸入層和輸出層的神經元數目會根據輸入矩陣P和目標矩陣T自行確定;因樣本量有限，以及為降低網絡訓練時間和出現“過擬合”的傾向，只設定1層隱含層，該層神經元數目根據經驗公式和實驗所得最終設定為98個。

　　3)設定網絡參數。網絡的輸入層和隱含層、隱含層和輸出層的傳輸函數分別為雙曲正切S型函數和純線性函數，選用梯度下降訓練方法，初始設置網絡的目標誤差為0.001，顯示中間結果的周期為10 ms、最大迭代次數為30000，學習率為0.05。

　　4)訓練網絡。針對不同形式的字符，不斷調整網絡參數進行訓練，并測試網絡滿足要求后保存至本地，供Matlab Script節點調用來識別新樣本中的字符。

3 自動分揀機構

　　為了解決食用油分揀環節人力成本高、勞動強度大、生產效率低等問題，設計了一個簡單有效的小型自動控制機構，采用上下位機的主從控制方式^[7]，上位機通過USB轉接RS232串口實現與下位機之間的數據傳輸，運用PLC、變頻器、光電傳感器、氣動控制等現代工業控制技術，具有工作效率高、運行可靠、節省成本等優點。

　　3.1 機構組成及工作過程

　　該機構主要由鏈板傳送裝置、光電傳感器、變頻器、PLC、上位PC機、電磁閥、氣動執行裝置等設備組成，如圖6所示。鏈板傳送裝置用于食用油的傳送，由三相交流異步電機拖動，采用變頻器進行調速，PLC控制調速信號。光電傳感器安裝于鏈板進料口，檢測是否有食用油進入。電磁閥直接控制氣動執行裝置的伸縮，將不合格食用油推至回收倉鏈板上。

　　具體工作過程：低壓配電柜和控制柜上電后，當鏈板上沒有食用油時，變頻器輸出20 Hz的頻率控制鏈板以低速運行;當進料口的光電傳感器檢測到有食用油進入系統后，則將位置觸發信號上傳至PLC，控制變頻器輸出40 Hz調速信號，加快鏈板速度;當食用油至拍照位置，上位機獲取圖像并快速判斷出噴碼質量信息，界面相應指示燈亮或滅，質量信息通過串口下傳至PLC;若質量合格則食用油繼續進入下一工序，若質量不合格，PLC則控制電磁閥動作氣缸快速伸出，將食用油推至回收倉鏈板并快速縮回，同時伴有持續2 s的報警燈閃爍和警鈴響起;若進料口沒有新的食用油進入，則鏈板恢復低速運行，若有食用油進入則重復上述工作過程。

　　3.2 設備選型及設置

　　設備選型的基本原則是在滿足現場環境和工藝要求的前提下，并能保證系統可靠性和維護方便，追求最佳的性價比。

　　上位PC機最低硬件要求：英特爾酷睿i3-7100處理器，4 GB 2133 MHz內存，256 G硬盤，1 G集成顯卡，32位真彩顯示器，64位Windows7操作系統。下位機選用西門子S7-200小型PLC，足以滿足系統的要求，是控制機構的核心模塊，使用STEP7 MicroWIN V4.0 SP9軟件編寫梯形圖控制程序;系統仍選用歐姆龍E3Z-T61A-L型光電傳感器;選用AKS 4V110-06型電磁閥及SMC MGQM25-175型氣動執行裝置。系統選用性能穩定、維護方便的西門子G120系列變頻器，由控制單元、功率模塊、操作面板組成，是一個高度模塊化的變頻器，各模塊型號分別為CU240B-2、PM240和BOP-2，變頻器設置為多段速控制，鏈板空載時以第一段速20Hz運行，否則以第二段速40 Hz運行，加速時間和減速時間分別0.5 s，同時設置變頻器啟動方式、最大和最小頻率、電流保護等參數。

4 結論

　　借助機器視覺和自動化技術攻克難關，運用高效的LabVIEW和MATLAB混合編程方式，實現食用油激光噴碼視覺檢測、自動分揀功能，代替人工分揀，進一步解放勞動力，降低生產成本，提高生產率和智能自動化水平。但本系統的樣本集還不足夠大，需要在實驗和生產過程中不斷擴充樣本，繼續訓練和調整BP神經網絡預測模型，進一步提升系統分揀率。同時，若在之后的生產過程中，遇到透視形變以及桶面彎曲過大的情況，需增加圖像矯正功能。

　　參考文獻：

　　[1]王洋洋.噴碼技術的發展革新[J].中國食品工業，2010,1(3): 28-29.

　　[2]劉金橋,吳金強.機器視覺系統發展及其應用[J].機械工程與自動化,2010,28(1):215-216.

　　[3]楊淑瑩.模式識別與智能計算[M].第三版.北京:電子工業出版社, 2015.

　　[4]王嘯東.綜合自動化控制系統設計[J].電氣時代, 2011, 1(6): 118-120.

　　[5]S Carsten,Markus Ulrich.Machine Vision Algorithms and Applications[M].第一版.北京:清華大學出版社,2008.

　　[6]彭瓊.基于紋理特征的瓷器圖像分類[D]. 湖南:中南大學, 2014.

　　[7]陶躍珍,王東.啤酒瓶自動檢測系統設計[J].機械,2010,37(10): 59-61.

　　本文來源于《電子產品世界》2018年第6期第31頁，歡迎您寫論文時引用，并注明出處。