摘  要： 針對(duì)目前空心膠囊端面缺陷圖像采集困難等問(wèn)題，提出了一種特殊照明的方式對(duì)膠囊端部進(jìn)行成像。將圖像銳化、改進(jìn)后的局部自適應(yīng)閾值、輪廓提取用于膠囊端面圖像的預(yù)處理，并針對(duì)膠囊端面缺陷漏檢率高、檢測(cè)效果差等問(wèn)題，提出了一種基于K鄰域鏈碼的拐點(diǎn)檢測(cè)算法，統(tǒng)計(jì)出膠囊端面缺陷圖像中的拐點(diǎn)個(gè)數(shù)并做出缺陷判別。實(shí)驗(yàn)結(jié)果證明，該檢測(cè)算法實(shí)時(shí)性好，對(duì)常見的5種顏色的膠囊漏檢率和誤檢率均控制在2%~9%。

　　關(guān)鍵詞： K鄰域鏈碼；空心膠囊；端面缺陷檢測(cè)

0 引言

　　空心膠囊的缺陷檢測(cè)是藥品質(zhì)量監(jiān)管中不可或缺的一道工序。空心膠囊輕微的表面缺陷會(huì)影響其外觀，嚴(yán)重的表面缺陷可能造成充填機(jī)停機(jī)或使膠囊失去容器特性，因此需要對(duì)膠囊表面缺陷進(jìn)行檢測(cè)。端面缺陷是常見的一種空心膠囊缺陷，ISLAM M J等人經(jīng)過(guò)Otsu算子分割、輪廓跟蹤算法擬合端部的輪廓，得到兩個(gè)圓的半徑，判斷半徑是否在設(shè)定范圍之內(nèi)來(lái)判斷膠囊端部是否存在缺陷[1]。KARLOFF A C等人利用了3個(gè)相機(jī)進(jìn)行拍攝，實(shí)現(xiàn)360°的膠囊柱面圖像采集[2]。本文提出了一種較特殊的端部缺陷檢測(cè)方案，利用特定光源照射下膠囊端部反射的“月牙”圖形進(jìn)行后續(xù)的處理和判別。通過(guò)圖像增強(qiáng)使“月牙”圖像的邊緣輪廓更為清晰，再采用圖像分割使端部的“月牙”圖形從背景中分離出來(lái)，對(duì)“月牙”的輪廓進(jìn)行提取與篩選，并提出了一種基于K鄰域鏈碼的拐點(diǎn)檢測(cè)算法統(tǒng)計(jì)輪廓拐點(diǎn)數(shù)量，從而判別端部是否存在缺陷。

1 端部缺陷檢測(cè)方案

　　1.1 端部缺陷類別

　　常見的膠囊端部缺陷主要分為梅花頭和頂凹這兩種缺陷，如圖1所示。

　　1.2 照明結(jié)構(gòu)設(shè)計(jì)

　　在檢測(cè)膠囊端部缺陷時(shí)，考慮到膠囊兩頭為半球面，相機(jī)垂直拍攝，僅僅依靠背光時(shí)端部存在盲區(qū)，無(wú)法看清端部的情況。實(shí)踐發(fā)現(xiàn)，兩端各設(shè)置一個(gè)平行光源進(jìn)行正面照明，會(huì)有一部分反光進(jìn)入上方的相機(jī)，觀察反射光是否異常就可以知道端部是否存在缺陷。具體的光源結(jié)構(gòu)設(shè)計(jì)及采集的圖像分別如圖2、圖3所示。

　　1.3 端部缺陷檢測(cè)算法設(shè)計(jì)

　　膠囊兩端各有一平行光源，光線照射到膠囊端部并反射進(jìn)相機(jī)中，由于膠囊表面較為光滑且兩端為半球形，因此反射光在相機(jī)采集到的圖像中呈現(xiàn)“月牙”的形狀。當(dāng)膠囊的端部正常時(shí)，圖像中的“月牙”形狀完整，亮度均勻，且“月牙”的輪廓相對(duì)平滑；當(dāng)膠囊的端部存在缺陷時(shí)，“月牙”的形狀將會(huì)發(fā)生改變，由于不再光滑的半球面使“月牙”的亮度變得不均勻，導(dǎo)致其輪廓的平滑度降低，產(chǎn)生許多不規(guī)則凹凸，甚至出現(xiàn)斷裂的情況，如圖4所示。

　　利用端部正常時(shí)的“月牙”與端部存在缺陷時(shí)的“月牙”之間的各種差異，通過(guò)檢測(cè)“月牙”的形狀就可以判斷膠囊端部是否異常。

2 預(yù)處理

　　2.1 圖像增強(qiáng)

　　“月牙”圖像的檢測(cè)主要依賴于其邊緣平滑度的分析，當(dāng)端部存在缺陷時(shí)，“月牙”圖像可能發(fā)生虛化，圖像增強(qiáng)算法增強(qiáng)“月牙”邊緣的對(duì)比度，使邊緣更加清晰。圖像銳化即邊緣增強(qiáng)處理，可以使圖像的邊緣更為清晰，分為頻域高通濾波法和空間域微分法[3-4]?？臻g域微分法直接對(duì)圖像像素進(jìn)行操作，免去了頻域與空間域之間的轉(zhuǎn)換，本文采用改良后的Laplacian變形算子[5]，獲得更佳的銳化效果。典型的算子模板如式（1）所示，考慮了在圖像45°和135°上的效果。

　　由于Laplacian算子對(duì)噪點(diǎn)敏感，在銳化之前首先利用高斯平滑對(duì)圖像進(jìn)行降噪處理，然后用式（1）模板進(jìn)行二階微分運(yùn)算，將得到的拉普拉斯圖像與原圖像根據(jù)式（2）疊加，獲取銳化后的圖像如圖5所示。

　　2.2 閾值分割與孤立點(diǎn)消除

　　為了提高算法效率，減少不必要的數(shù)據(jù)運(yùn)算，首先需要設(shè)定每個(gè)“月牙”所在區(qū)域的ROI，如圖6所示，4個(gè)白色矩形框?yàn)樵O(shè)定的ROI。由于相機(jī)觸發(fā)采集的圖像中膠囊的位置固定，可保證“月牙”包含于ROI中，復(fù)制ROI圖像后，算法只需針對(duì)“月牙”所處的區(qū)域進(jìn)行處理。

　　少量的反光讓背景圖像對(duì)“月牙”后續(xù)的分析造成影響，需單獨(dú)提取出“月牙”。為了使“月牙”與背景分離，需采用閾值分割進(jìn)行處理，但膠囊端部出現(xiàn)缺陷時(shí)，可能出現(xiàn)“月牙”亮度不均勻的情況，并且膠囊槽上下各有小部分冗余的空間，使膠囊在槽中的位置有所變化。本文對(duì)最有代表性的局部自適應(yīng)閾值法Bernsen算法[6]進(jìn)行修改，使之可以用于從較暗的背景中分割出亮的前景，修改前后的公式分別如式（3）、式（4）所示：

　　根據(jù)式（4）對(duì)銳化后的圖像局部自適應(yīng)閾值進(jìn)行分割得到圖7，其中窗口大小為25×25，參數(shù)C=22。

　　從圖7可以看出，由于底板、膠囊槽邊框及膠囊本身有輕微的反光，在“月牙”周圍仍然存在一些干擾。若采用形態(tài)學(xué)運(yùn)算腐蝕或開運(yùn)算進(jìn)行處理，雖能去除周圍的小區(qū)域，但因?yàn)椤霸卵馈弊陨韰^(qū)域面積較小，其形狀將被嚴(yán)重破壞，如圖8所示。

　　因此本文采用輪廓提取算法獲取圖像中所有連通域的輪廓，并計(jì)算每個(gè)輪廓包圍的面積?？紤]到缺陷的“月牙”自身因?yàn)閿嗔训某霈F(xiàn)而分為幾個(gè)部分，所以通過(guò)設(shè)定一個(gè)小數(shù)值的閾值，將面積小于該閾值的區(qū)域去除，保留大于閾值的區(qū)域，即“月牙”本身，得到圖9。

3 基于K鄰域鏈碼的拐點(diǎn)檢測(cè)

　　拐點(diǎn)定義為改變曲線上、下走勢(shì)的點(diǎn)。拐點(diǎn)檢測(cè)算法可分兩類，一類是利用模板處理圖像中所有像素，依據(jù)結(jié)果確定拐點(diǎn)[7]；另一類通過(guò)搜索區(qū)域邊緣曲率最大值來(lái)尋找拐點(diǎn)[8]。后一種方法實(shí)現(xiàn)較為簡(jiǎn)單，準(zhǔn)確度較高。正常的“月牙”具有兩個(gè)拐點(diǎn)，而缺陷的“月牙”由于邊緣的形變較多，拐點(diǎn)數(shù)將超過(guò)兩個(gè)，通過(guò)拐點(diǎn)檢測(cè)算法檢測(cè)“月牙”邊緣拐點(diǎn)，統(tǒng)計(jì)其數(shù)量即可判斷是否存在缺陷。

　　本文將K鄰域鏈碼用于拐點(diǎn)檢測(cè)，相比于8鄰域鏈碼，其方向量化精度有所提高，并且具有平滑作用，避免邊界噪聲的干擾，可準(zhǔn)確計(jì)算邊緣曲率。

　　設(shè)“月牙”邊緣由n個(gè)像素pi（i=1，2，…，n）組成，  c（k，i）和ei為第i個(gè)邊緣像素的鏈碼和曲率，在某一鄰域內(nèi)，像素p（i+k/8）相對(duì)于pi的方向可表示為c（k，i+k/8）。像素pi的K鄰域如圖10所示，中心像素的外圍第1、2、3圈分別為8鄰域、16鄰域、和24鄰域，用數(shù)字0，1，2，…，k-1表示鄰域方向。實(shí)際中存在兩種特殊的情況：

　?。?）像素p（i+k/8）不在的K鄰域內(nèi)，但在pi的k-8m內(nèi)，其中m=1，2，…，且k-8m≥8，則用式（5）來(lái)代替；

　　c（k，i+k/8）≈c（k-8m，i+k/8）×k/（k-8m）（5）

　?。?）若像素p（i+k/8）不在pi的任何一個(gè)鄰域內(nèi)，表明 p（i+k/8）和pi為同一個(gè)像素，且意味著像素p（i+k/16）為拐點(diǎn)，標(biāo)記p（i+k/8）和pi，在后續(xù)處理中此標(biāo)記可表明在點(diǎn)p（i+k/16）位置上有曲率突變。此時(shí)，c（k，i+k/8）不參與曲率的計(jì)算，可以令c（k，i+k/8）=c（k，i+k/8-1）。

　　根據(jù)K鄰域鏈碼描述可得邊緣像素pi處的切線角度的改變量i為：

　　為了擴(kuò)大邊緣上各點(diǎn)的曲率之差，使之易于比較，采用式（8）進(jìn)行計(jì)算。

　　對(duì)二值圖像中的“月牙”進(jìn)行拐點(diǎn)檢測(cè)，統(tǒng)計(jì)邊緣曲線上的輪廓數(shù)量，即可實(shí)現(xiàn)缺陷判斷。

4 實(shí)驗(yàn)結(jié)果

　　從生產(chǎn)線上選用不同顏色的膠囊作為測(cè)試樣本，主要檢測(cè)頂凹和梅花頭兩種缺陷，端部正常時(shí)與端部缺陷時(shí)的檢測(cè)結(jié)果如圖11所示，圖形“×”表示所找到的拐點(diǎn)所在位置，可以看出圖11（a）中正常的空心膠囊端部觀點(diǎn)數(shù)目為2個(gè)，11（b）端部缺陷的空心膠囊拐點(diǎn)數(shù)目遠(yuǎn)大于2個(gè)?？梢娫摱瞬咳毕輽z測(cè)算法具有良好的效果。在實(shí)際測(cè)試中，本算法在Intel Core i7 4770k的處理平臺(tái)下耗費(fèi)的總時(shí)間平均為5.4 ms，實(shí)時(shí)性較好。

　　選用5種不同顏色的膠囊進(jìn)行端部缺陷檢測(cè)實(shí)驗(yàn)，檢測(cè)完成后分別從成品和次品中抽樣檢測(cè)，統(tǒng)計(jì)每種顏色膠囊的漏檢率和誤檢率，部分抽樣結(jié)果如表1所示。本算法漏檢率和誤檢率均在2%~9%之間。

5 結(jié)論

　　本文提出了一種較為特殊的端部缺陷檢測(cè)方案，利用特定光源照射下膠囊端部反射的“月牙”圖形進(jìn)行后續(xù)的處理和判別。實(shí)驗(yàn)結(jié)果證明，本文提出的缺陷檢測(cè)算法實(shí)時(shí)性好，漏檢率、誤檢率較低，算法健壯性較強(qiáng)且效率較高，有一定的應(yīng)用價(jià)值。

　　參考文獻(xiàn)

　　[1] ISLAM M J， AHMADI M， SID-AHMED M A. Image processing techniques for quality inspection of gelatin capsules in pharmaceutical applications[C]. 10th International Conference on Control， Automation， Robotics and Vision， ICARCV 2008， IEEE， 2008：862-867.

　　[2] KARLOFF A C， SCOTT N E， MUSCEDERE R. A flexible design for a cost effective， high throughput inspection system for pharmaceutical capsules[C]. IEEE International Conference on Industrial Technology， ICIT 2008， IEEE， 2008：1-4.

　　[3] MURAI T， MORIMOTO M， FUJII K. A visual inspection system for medical capsules[C]. Systems， Man， and Cybernetics （SMC）， IEEE， 2012：1433-1437.

　　[4] 萬(wàn)水龍，劉進(jìn)，余彪，等.基于閾值函數(shù)和TV模型的印章圖像去噪[J].微型機(jī)與應(yīng)用，2014，33（2），46-49.

　　[5] 張聰，桂志國(guó).噪聲控制的圖像非線性銳化方法[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（4）：154-156.

　　[6] BERNSEN J. Dynamic thresholding of grey-level images[C].International Conference on Pattern Recognition， 1986： 1251-1255.

　　[7] 尚振宏，劉明業(yè).二值圖像中拐點(diǎn)的實(shí)時(shí)檢測(cè)算法[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10（3）：295-300.

　　[8] SARFRAZ M， MASOOD A， ASIM M R. A new approach to corner detection[M]. Springer Netherlands： Computer Vision and Graphics， 2006.