吕瑞杰，孙相明

（滦州吉宏包装有限公司，河北 唐山 063700）

0 引 言

在工业生产过程中，由于受各种因素的影响，生产出的产品不可避免地会出现这样那样的包装缺陷，这对于产品质量及产品保存都会产生一定的影响[1]。为解决上述问题，工作人员一般会对出库的产品进行多功能包装缺陷识别，从根源上进行检测[2]。但由于传统模式检测效率低，且容易出错，无法更好地满足生产要求[3]，为此本文结合机器视觉技术，设计一种更加灵活高效、系统全面的包装缺陷识别方法[4]。机器视觉实际上是一项综合性的处理技术，集人工智能处理、计算机信息科学、图像综合处理、多目标识别于一身，同时其也是交叉学科的现实体现[5]。

将机器视觉融入产品包装缺陷的识别工作之中，可在一定程度上提升数据的处理速度。面对庞大的信息量，多目标包装识别可以最大限度地降低出错概率，同时，还可以加强对特定环境下突发成本的控制，利用边缘识别方式，结合信息化、智能化技术，形成更加稳定、多元的缺陷识别结构，为后期的产品包装及处理奠定良好的基础[6]。

1 基于机器视觉的信息型智能包装缺陷识别方法

1.1 提取包装缺陷特征

通常，检测人员对于产品包装的检测会采用定向识别的方法，针对某些特定区域获取固定目标的识别数据。这种方式虽然可以很好地完成预期的识别目标，但是极容易受到外部因素的影响，产生不同程度的误差，势必会对缺陷识别带来或多或少的影响[7]。

因此，可以先在产品识别区域设定一定数量的检测描述节点，获取数值、信息，划定两部分识别（内部和表面），调整基础的识别目标，结合视觉机器计算出边界模糊对比度，如式（1）所示：

其中：g表示边界模糊对比度，ℑ表示单向识别距离，m表示缺陷深值，n表示缺陷浅值。通过计算，最终可以得出实际的边界模糊对比度。根据得出的边界模糊对比度，划定具体的单向识别范围，并划定核心识别节点，将其用作缺陷特征提取的标准。需要注意的是，可以将缺陷识别与编码识别形成循环结构，结合机器视觉技术，标定特有的识别程序，完成对包装缺陷特征的提取。

1.2 多网格缺陷识别结构设计

在完成对包装缺陷特征的提取之后，需要结合实际的识别情况，设计出多网格的缺陷识别结构。多产品的包装缺陷需要同步识别，这对于传统的识别程序压力较大，为此我们可以在特定的区域范围之内，布设多个大小、规模相等的识别网格，具体如图1所示。

图1 多网格缺陷识别原理图示

可以根据图1完成对多网格缺陷识别原理的设定。在上述背景下进行联通标记，同时，利用专业设备获取遍历图像，并计算出识别效率的差异，记录下每一行的连续标记或者定向识别标记的等价对比度，根据产品的变化或移动重新做标记，这样会形成一个循环的识别结构，在网格的束缚之下，可以最大限度地降低识别误差，通过连通内外轮廓来对产品表面进行全方位的描述及定位，为后续的缺陷识别奠定基础条件。

1.3 构建机器视觉双向缺陷识别模型

在完成对多网格缺陷识别结构的设计之后，需要结合机器视觉技术，构建双向产品缺陷识别模型。采用Hu 不变矩方法，在识别匹配时，设定平移、比例和旋转的识别指令，确保在识别过程中，减少产品位置大小或同类型缺陷所带来的阻碍和影响。在不同的阶距状态下，利用机器识别技术进行产品识别区域的划分，并计算出识别斜度，具体如式（2）所示：

其中：B表示识别斜度，y表示识别单向时间，φ表示轮廓距离，v1表示低阶归一值，v2表示高阶识别误差。通过计算，最终可以得出实际的识别斜度。在标定的范围之内，使用Python 语言设置一个定向的识别天平，利用机器视觉技术，构成不同的缺陷识别量值，形成双向智能化识别模型结构，具体如图2所示。

图2 机器视觉双向缺陷识别模型结构图示

可以根据图2完成对机器视觉双向缺陷识别模型结构的设计与应用。利用数据库进行定向的距离匹配，此时可以结合信息化技术和机器视觉技术，划定双向的产品缺陷识别程序并计算出双向转换比，具体如式（3）所示：

其中：T表示双向转换比，Q表示散射函数，t表示阶段识别距离，f表示反转系数。通过计算，最终可以得出实际的双向转换比，在标定的范围之内，结合机器视觉技术调整智能型包装的缺陷识别范围，进行多目标的可控识别，形成循环的识别结构，方便后续人员的处理与识别。

利用workpiece 表来保存所选的相关数据，并以特征数据包的形式增加索引指令，形成双向缺陷识别模型。需要注意的是，在复杂的环境之下，可以针对部分产品出现的信息型智能缺陷，采用预先定位的方式，提取出存在的异常问题，将数值存储在数据库中，以待后续调整使用，进一步细化与完善机器视觉双向缺陷识别模型。

1.4 多帧处理完成缺陷识别

在完成对机器视觉双向缺陷识别模型的构建之后，需要采用多帧处理的方式，完善后续的缺陷识别。在复杂的环境之中，对于产品的识别范围通常也并不是固定不变的，而是存在一定的变动性质。可以通过系统来设定动态的帧数识别标准，结合日常所下达的指令，调整对应的产品缺陷识别范围，同时利用缺陷识别模型，从多个角度展开测定，根据识别节点采集汇总的数据信息，测算出此时对于缺陷的识别帧数并计算出变动比值，具体如式（4）所示：

其中：J表示识别帧数变动比值，d表示可识别目标数量，z1表示预设测定距离，z2表示实测可识别距离。通过计算，最终可以得出实际的识别帧数变动比值。划定具体的产品缺陷可识别范围，利用机器识别技术，构建循环处理的识别机制，以便在复杂的情况下，进一步实现多方向的产品缺陷识别，这样可在一定程度上提升整体的识别效率，确保产品的生产质量。

2 测试方法

本测试主要是对基于机器视觉的信息型智能包装缺陷识别方法的实际应用效果进行分析与比较。考虑到测试结果的精准度，选择真实的环境作为测试的范围，同时，设定传统低照度缺陷识别测试组、传统深度学习自动化缺陷识别测试组以及本文所设计的机器视觉包装缺陷测试组。对测试得出的结果展开对比分析并进行深入的探究。结合上述需求，搭建相应的测试环境。

2.1 测试准备

本测试主要是对信息型包装缺陷识别效果的分析与探讨。选择A 厂产品作为测试的目标对象，将产品的缺陷识别划定为4 个测试小组，并提取出一定的缺陷特征，确定照度识别在10～45lx之间，同时设定基础的指标参数，具体如表1所示。

表1 测试基础指标参数设定表

可以根据表1完成对测试基础指标参数的设定与调整。与此同时，选定产品的测试区域，获取对应的数据集并计算出缺陷识别的灰度值，具体如式（5）所示：

其中：H表示缺陷识别灰度值，α表示识别距离，β表示增强系数，ℜ表示误差范围，i表示识别次数。通过计算，最终可以得出实际的缺陷识别灰度值，划定具体的缺陷包装识别范围，完成对测试环境的搭建。

2.2 测试过程及结构分析

在完成对测试环境的搭建之后，需要结合机器视觉技术进行具体的测试研讨。将四个测试组的产品分开，形成稳定的测试环境。同时，设定测试识别的标准差为3.5，均值为1.25，对比识别的范围变化比为1:3.5。

此时划定具体的测试范围，结合机器视觉技术，可以设置三个卷积层，每一个卷积层均是独立的，相互之间存在测试等级之分，形成归一化的测试需求及标准。设置3 个3×4 卷积层串联，经由池化层相互连接，完成数据集的处理。在四个测试小组中，进行基础包装缺陷的识别，具体如图3所示。

图3 基础包装缺陷设备状态图示

可以根据图3完成对基础包装缺陷设备状态的掌握与分析，此时，根据所获取的测试数据，调整产品包装缺陷识别的范围，设定视觉对比度，分别为50.25%、62.13%、78.19%、94.27%。测算出此时的定向识别时间，并对最终得出的测试结果进行对比分析，具体如表2所示。

可以根据表2完成对测试结果的分析与讨论：相较于传统低照度缺陷识别测试组、传统深度学习自动化缺陷识别测试组，本文所设计的机器视觉包装缺陷测试组最终得出的定向识别时间均控制在1.1 s以内，表明其在实际的应用过程中，在机器视觉技术的辅助之下，对于产品包装缺陷的识别效果更佳，速度较快，具有实际的应用价值。

表2 测试结果对比分析表

3 结 论

以上分析，便是对机器视觉的信息型智能包装缺陷识别方法的设计与分析。对于多目标和复杂背景下的缺陷识别处理，一般针对性较强，对于产品缺陷特征的识别也会更加复杂一些，再通过机器视觉的加持，可以进一步扩大原本的识别范围，更好地实现多目标缺陷识别，提升整体的泛化能力，确保其适用于多客户端的产品检测、识别，进而提高产品的生产效率，具有十分重要的应用推广价值。