工程科学与技术：机器视觉技术在空瓶检测系统的研究

工程科学与技术，国际期刊21（2018）159完整文章机器视觉技术在空瓶检测系统黄斌，马思乐，王萍，王华杰，杨金凤，郭心怡，张卫东，王惠泉山东大学控制科学与工程学院阿提奇莱因福奥文章历史记录：2017年7月13日收到2018年1月5日修订2018年1月10日接受2018年2月1日在线发布关键词：机器视觉瓶子检测区域定位图像跟踪缺陷检测A B S T R A C T针对空瓶检测系统存在的检测误差大、适应性差等问题，对空瓶检测系统中的关键技术进行了研究这些技术有两种不同的方法：第一组技术中的这种视觉检测系统需要在高速和机械振动的工作条件下以高精度和适应性执行。根据检测要求和瓶口、瓶底、瓶壁图像，提出了独特的定位、跟踪和缺陷检测算法。在满足检测要求的前提下，充分考虑算法的简单性、易实现性和通用性，提高了检测速度和系统对不同种类瓶子的适应性。实验表明，该系统能够提高检测的准确性和速度.©2018 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍啤酒灌装生产线中的玻璃瓶在灌装前必须进行检验质量检测系统位于洗瓶机之后和灌装机之前，用于在线检测空瓶，作为自动灌装线的重要组成部分[15]。 它是一种集机器视觉、精密机械、实时控制于一体的智能化设备，主要由预检单元、壁检单元、口检单元、底检单元、控制单元、人机交互单元和人机界面单元组成，如图所示。1.一、主要功能包括瓶口破损检测，瓶口、瓶底、瓶壁的污物、异物检测，及时剔除不合格瓶子[11]。利用机器视觉技术进行啤酒瓶检测的研究始于20世纪90年代。目前，德国Heuft、Krones、Miho和美国Filtec等大公司都有自己的空瓶检测系统，并已应用于啤酒饮料生产线。空瓶检测系统的研究此外，上述产品在一些实际应用中并不理想*通讯作者：山东大学控制科学与工程学院，济南市经十路17923号，邮编：电子邮件地址：masile@sdu.edu.cn（新加坡）Ma）。由Karabuk大学负责进行同行审查由于啤酒和饮料工业标准在各国是不同的例如，在中国，空瓶的低质量和再利用往往导致高误检率[8]。因此，空瓶检测系统的研究与开发仍然是一个热点。[22，25]分别设计了空瓶缺陷检测系统。然而，他们没有具体说明该系统的实施和性能。他[6]描述了图像采集和处理的方法，但没有进一步讨论如何做到这一点。作者在Refs。[14，16，17，26]研究了空瓶的定位，实现了瓶口和瓶底图像的跟踪文献[1]提出了一种基于极限学习机的瓶口检测方法[13]，检出率可达99.41%。Huang等人[7]研究了瓶子缺陷分类的方法，并利用支持向量机实现了瓶口缺陷的识别，识别率达到91.6%。此外，参考文献[12，23，3，19]还介绍了一些瓶口缺陷检测的方法。Jaina George等人[2]研究了基于模糊C均值聚类的瓶壁缺陷检测作者在Ref。[5]提出了一种海底探测算法，取得了较好的为了解决玻璃瓶上的图案对检测结果的影响，Zheng等提出了一种新的检测方法。[27]提出了一种基于纯相位过渡的玻璃瓶纹理区域检测算法，检测率可达然而，上述研究仅涉及到空瓶视觉检测系统的某些方面，其结果并不令人满意。因此，空瓶视觉的关键技术https://doi.org/10.1016/j.jestch.2018.01.0042215-0986/©2018 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch160B. Huang等人/工程科学与技术，国际期刊21（2018）15927Gy>：fx;y06fx;y30ð Þ ðÞ002pr22R2Xy.2ΣFig. 1. 空瓶检测系统结构图（1）初始检测（2）残液检测（3）瓶壁检测（4）操作控制单元（5）控制面板及瓶口图像采集装置（6）瓶底图像采集装置（7）传动装置（8）瓶壁检测（9）检测装置（10）废品确认。本文在参考文献的基础上，对检测方法进行了研究。[20，10，24，14，15，16，17，21，5]，并提出的方法是可扩展地应用于检查系统。本文的其余部分组织如下。第2节描述了检查区域的定位和跟踪。第三部分介绍了空瓶视觉缺陷检测算法。实验结果和讨论在第4节中报告。的结论见第5节。2. 瓶子的检查位置及其跟踪2.1. 瓶底检查2.1.1. 图像预处理由于空瓶在传输过程中的高速运动，当目标偏离光源中心时，CCD摄像机采集到的原始图像会出现噪声干扰和光照不均匀等不理想现象。因此，使用五个最近邻平滑滤波器来去除噪声和Eq. （1）实现灰度变换，增强图像对比度，改善输出图像效果。8>11½fx;y-120]2001206fx;y=625518步骤3.计算梯度方向h¼arctanh. Gx10000步骤4.对来自梯度操作的密集边缘点应用非最大值抑制非边缘点可以沿着轮廓的梯度通过梯度的方向，可以固定一个像素在梯度方向上的相邻像素如果邻域中中心点的幅值不大于沿梯度线方向上相邻两点的幅值，则此点为非边缘点。步骤5.使用累积直方图计算阈值。梯度值大于高阈值的所有像素必须是边缘的元素;那些小于高阈值的像素必须是边缘的元素。低门槛不应该。当像素的梯度值在高阈值和低阈值之间时，像素是否是边缘的一个元素取决于其相邻像素。如果在其相邻像素中存在属于该边缘的像素，则它是;否则，该市场并不自由如果有，那么它是;否则，它不是。2.1.3. 底部定位在空瓶高速传输过程中，由于机械振动和图像采集的时间误差，瓶底在每幅图像中的位置会发生变化因此，有必要精确计算每个图像中瓶底的位置，以确保其处于感兴趣区域中在实际应用中，空瓶检测的速度要求高达20瓶/s，因此开发一种快速有效的定位算法对提高系统性能至关重要瓶底定位实际上是瓶底图像中的圆检测。因此，为了快速有效地获取圆的所有参数，首先对杂波边缘进行滤波，然后在此基础上得到圆的参数边缘检测后的瓶底图像包含了丰富的边缘信息，其中一些与瓶底定位无关或不重要的边缘会对瓶底定位的效果产生很大影响。因此，必须过滤掉这些不必要的边缘首先，使用以下等式计算每条边的周长。周长<$nep2n05gx;yx;37½fx;y-30]15306fx;y120ð1Þ在这里，n是偶数的链码的编号12其中f x;y是原始图像，g x;y是灰度变换后的图像。2.1.2. 边缘检测在增强图像对比度后，本文采用下面的算法[1]实现了船底的边缘检测。步骤1.使用以下公式平滑图像Gj;kG0j;k ×Fj;k 2这里，Fj;k和Gj;k表示输入和输出的图像。当Gj;k为滤波器模板时，Gj;k1exp-j2k 、e并且n0是具有奇数的链码的数目偶数链码中的数字表示水平和垂直方向。奇数代表其他方向。然后通过链码跟踪计算每条边的周长，根据周长阈值集去除不必要的边。在杂波边缘滤波后，如图所示的算法。 为提高圆检测的实时性，采用了圆检测的二阶矩方法，具体步骤见图。其中，D是边缘点集，p是圆参数，P是圆参数的单位集，K是循环次数，Mmin是圆的最小像素数的设定值底部定位结果如图所示。3.第三章。r2是方差，表示平滑的范围。步骤2.利用导数算子求出图像灰度在两个方向上的偏导数，得到梯度。瓶口定位与跟踪是空瓶视觉检测中的难点这一步的速度和精度对检验系统定义了瓶口图像中的感兴趣区域jGj <$qG2G2ð3Þ以提高处理速度。三环区域如图所示，2.2. 瓶口检查B. Huang等人/工程科学与技术，国际期刊21（2018）159161图二. 圆检测算法。图3.第三章。 底部定位的结果（a）原始图像（b）通过边缘检测的图像（c）通过链码跟踪滤波的图像（d）通过圆检测的图像。162B. Huang等人/工程科学与技术，国际期刊21（2018）159见图4。 瓶口图像的区域划分。图四、区域A为圆形区域，为密封面的图像;区域B为图像中的中间圆环;区域C为光源照射的从中间圆环的外边缘到下嘴外部的区域如果只考虑这三个区域，则需要处理的数据可以大大减少由于高速、机械振动、图像采集的时间误差和瓶颈质量差，瓶口位置在每个图像中是不同的这意味着处理区域是不固定的。因此，必须确定需要加工区域的大小和位置。这意味着我们需要根据瓶子嘴的形象。其难点在于B区域的宽度只有4 ~ 5个像素，因此所提取的圆心、内半径、外半径等特征的绝对误差必须在2个像素以内。因此，自动检测和跟踪算法应具有计算量小、精度高的优点。为此，本文提出了一种区域跟踪算法。将焦点转移到与瓶口边缘相交的线的域，并应用沿着线的灰度扫描。然后对得到的突变灰度像素进行分类，得到瓶口图像的边缘点集。最后对图像边缘进行最小二乘圆拟合，得到瓶口参数.实验表明，该算法可以显著提高定位的速度和精度2.2.1. 图像起伏区域的粗估计选取500个瓶子作为样本，粗略估计出瓶口图像波动的最小矩形区域。在获取区域的过程中，记录图像序列中瓶口在水平和垂直方向上的偏差，如图5所示。重心坐标以矩形区域的O（X，Y）为圆心坐标，图五. 瓶口图像起伏的最小矩形区域。见图6。径向扫描。边缘点集Ci包含使用上述算法提取的72个边缘点，因为从每个扫描线段可以获得两个边缘点。在集合C i（i = 1，2，.）中，有36个点属于内边缘，36个点属于外边缘。0.722.2.3. 边缘点集Ci通过对2000个瓶口图像特征的研究，将图像中的瓶口轮廓分为三类。具有三个圆圈的瓶口图像被分类为第一类，如图7（a）所示。具有外部和中间圆或中间和内部圆的图像被分类为第二类别，如图7（b）和（c）所示，而图7（d）示出了第三类别，其在图像中仅具有一个圆。瓶口图像中的灰度间断点大多数位于三个暗圈上，因此两个边缘点Pe1和Pe2从每个扫描线段中提取的00可能都在它们上面。线域的nates2.2.2. 径向扫描我们的研究[24]提出了一种基于线性域径向扫描的突变灰度像素分析方法。选取一个圆心相同的轮辐结构线组，直线穿过瓶口图像的内外边缘，如图所示。 六、线组由36条等角度线段组成，采用双向径向扫描法具体的算法在参考文献中描述[16]第10段。如果点Pe1和Pe2属于圆，则它们的相对位置将符合瓶口的结构特征。因此，可以使用三个黑圈的相对位置参数来对边缘点集Ci进行两次分类。假设第一次分类后的边缘点集为Pi，第二次分类后的边缘点集为Qi，Qi中的点为中间圆上的点。步骤1.第一分类在集合Ci中，位于中间圆的点在第一次分类后可以被分类为集合Pi，具体的分类算法由等式（1）实现。（五）、B. Huang等人/工程科学与技术，国际期刊21（2018）159163Px;y;Dd2½d-r;dr]e22 222228Pe1x;y;Dd2½d3-r3;d3r3] [½0;r4]>：U;Dd2½d1-r1;d1r1]见图7。 瓶口的轮廓特征。ð6Þ其中Dd是同一扫描线上的边缘点Pe1和Pe2之间的距离根据边缘点的位置定义了三种距离d1、d2和d3，如图1所示。8.第八条。r1、r2、r3分别为d1、d2、d3的容许误差，r4为0区的容许误差。集合Pi的大部分元素是第一次分类后圆上的点。步骤2.第二分类为了求出中间圆上的点，需要对集合Pi进行分类。假设具有h扫描方向的Pi的元素的坐标是Pi（x，y），并且在相反方向上的元素起始角度和结束角度分别为0 °和180 °，每隔10度扫描角度间隔。分类后，点的坐标为P端（x，y），边缘点集为Qi（N），N为集合的大小，D直径为瓶口直径的统计量，rd为D直径的允许误差。分类算法的流程图如图所示。 九，两次分类得到的集合Qi的元素是中间圆上的点。2.2.4. 瓶口轮廓拟合设圆的标准方程为x2+y2+Dx+Ey+F=0，将上面求出的边点坐标代入该方程。然后，使用参考文献[14]中的方法，我们可以获得中心坐标和半径，如等式15所示。（7）。见图9。 分类算法流程图。：R¼1qD2E2-4Fð7Þ见图8。 边缘点的位置。最后可以求出圆心和半径，结果如图10所示。图中虚线圆为拟合圆，交点为圆心位置。164B. Huang等人/工程科学与技术，国际期刊21（2018）159¼X见图10。 圆拟合的结果见图11。 瓶孔检测区域划分。采用圆拟合法可以准确跟踪瓶口检测区域，误差在允许范围内。同时，该算法的运行时间可以满足72,000瓶/小时的速度要求。采用圆拟合法可以准确跟踪瓶口检测区域，误差在允许范围内。同时，该算法的运行时间可以满足72,000瓶/小时的速度要求。2.2.5. 跟踪效应测试分别采用改进的Hough变换检测算法[18]、重心法[9]和本文提出的方法进行检测区域跟踪测试，在2.4G CPU P4计算机上。在测试平台每小时36，000瓶的速度下，总共采集了5000个图像样本。上述三种算法的跟踪精度和时间消耗如表1所示。它表明，跟踪精度本文提出的方法的精度接近于改进的Hough变换算法，误差在1 ~ 2个像素之间，但时间消耗明显少于改进的Hough变换算法。 该方法在时间消耗上不如重心法，但优于重心法表1三种算法的跟踪精度和时间消耗实验数据算法在跟踪精度上。因此，本文提出的算法可以在满足检测速度要求2.3. 瓶壁检查2.3.1. 瓶井检测区域划分为了提高检测速度，将瓶壁图像分为瓶口、瓶颈、瓶肩、瓶体四个不同的检测区域，如图11所示。由于瓶的结构和灌装线上的洗瓶过程，异物容易附着在瓶口和瓶体上。因此，它要求相对较高的精度。由于瓶肩上的图案降低了检测精度，因此可以以较低的要求检测该区域。为了提高计算速度，可以根据不同的检测区域采用不同的处理方法。2.3.2. 探测区域跟踪在高速运输过程中，由于机械振动和图像采集的时间误差，瓶子在每个图像中的位置可能会发生变化。因此，必须采用特定的自动跟踪算法，以保证后续的区域检测和处理在正确的区域内进行。检测区域的跟踪重点是如何获取瓶颈的中心线，这就需要获取瓶颈的X轴坐标。改进Hough变换重心法本文提出的Dinates。具体步骤如下。步骤1.该方法首先对下领图像进行水平方向的线性扫描，得到边缘点，即具有一定深度的点中心坐标x的平均误差（像素）1 3 1den灰度值的变化。步骤2.然后，瓶颈中心线的X轴坐标可以使用等式计算（8），并且这可以作为标记区域中心的X坐标的参考值。xcxa2ð8Þ（像素）中心坐标y的最大误差（像素）中心坐标的平均误差（像素）半径r的最大误差（像素）半径r的平均误差（像素）时间消耗（ms）（P42.4GCPU）2 6 21 3 12 3 11 2 120 3 3-3.5其中xc是中心点的X坐标的参考值;xa和xb分别是同一扫描线上的左边缘点和右步骤3.统计xc在不同值出现的次数，得到瓶颈中心值的分布。因此，可以获得一个范围，并且可以使用等式2计算该范围内的中心点（九）、xKSxNxc 9xc¼x中心坐标y的平均误差141（像素）中心坐标x的最大误差252B. Huang等人/工程科学与技术，国际期刊21（2018）159165产品编号：JB1/1是第i其中N（x）是xc在x处的出现次数，K是给定的范围。通过改变S（x）值最大区域的初始点和中心点，可以得到不同的S（x）值步骤4.该区域中心点的最终值可以通过平均法得到。PxK½NxCωxC]1/4C设置面积阈值ts，如果Aj大于Ts，则连接域可能是缺陷区，否则可能是噪声区，应将其去除含缺陷的瓶口图像和三个区域的连通性分析结果如图所示。 12个。面积阈值为30像素，特征提取结果如表2所示。在表中，区域A具有标签0、1和2。右边的四列X¯xC¼xSmaxxð10Þ描述连接域的功能。其中，xc的取值范围是S（x）值最大的区域。μ m，瓶体加工区域的位置可通过X<$ C确定。3. 空瓶视觉缺陷检测算法3.1. 瓶口缺陷检测在得到瓶口的实际位置后，即可得到瓶口的加工区域.由于瓶口图像的目标区域与背景区域对比明显，为了提高处理速度，采用固定阈值的方法对瓶口图像进行二值化分割。根据2.2节（图4）中定义的图像特征和区域，瓶口缺陷检测包括区域B中的破裂检测和区域A和C中的斑点检测。3.1.1. 特征提取在阈值分割得到的二值图像中，区域B中的背景区域的灰度值为255，目标区域B中的背景区域的灰度值为255，目标区域B中的背景区域的灰度值为255。3.1.2. 缺陷识别在上一节中介绍的基于连通域搜索的方法用于在瓶口图像的三个区域中提取以下特征。(1) 缺陷区域的数量Fb1Nd;(2) 缺陷区域的总面积F2Nb j A;第1页(3) 缺陷面积中最大的面积Fb= 3.04Am;(4) 缺陷区域的宽度Fb= 400Wj;(5) 缺陷区中心到圆环中心的距离FbDb;(6) 缺陷区的姿态比Fb <$6 <$Bj;在特征提取之后，使用如下规则来判断缺陷区域：如果AjPTj Yj <$$>1;否则Yj<$0<$11其中，Aj/P6wij Fij，wij是第j个特征中第i个特征的权重，面积，F（ij）第j个区域的特征，Tj为缺陷判断面积，即缺陷面积，为0。相反，背景区域区域A和C的面积为0，目标面积为255。本文采用游程编码算法对连通性进行了分析对连续得到的连通域进行编号，最后一个连通域的序号Nd为连通域的个数，这些连通域可能是缺陷区域。假设连通域的面积为Aj，并利用它来对缺陷进行预判。第j个区域的阈值，Yj为第j个区域的判断结果Yj =1表示在区域j中存在缺陷，而Yj =0表示没有缺陷。对瓶口图像中的三个目标区域进行分析，并分别输出表示该区域是否存在缺陷的结果Yj。然后使用以下规则判断见图12。 连通性分析的结果（a）原始图像（b）区域A的结果（c）区域B的结果（d）区域C的结果。表2瓶口图像连通域特征提取结果。连接标签羽毛范畴域域面积（像素）域长度（像素）域宽度（像素）磷比区域A0107674322.31129739201.9529618101.80区域B05999442.251821791.89区域C020829122.421643265.33166B. Huang等人/工程科学与技术，国际期刊21（2018）159.XHeuft、Krones、Miho、Filtec等产品在一些国家的实际应用效果并不理想，主要原因是行业标准、产品质量不高或空瓶重复利用等。高误检率主要集中在瓶口检测上，因为瓶口容易出现缺陷。因此，等式中的阈值Tj（11）可根据检测要求进行调整，提高检测系统的适应性。3.2. 瓶底缺陷检测3如果第1页图十三. 瓶底检测区域的划分。是的！d<$0;否则d<$112根据瓶底的成像特性，瓶底图像中存在两个检测区域，如图13所示。由于B区域是一个曲面，因此采用基于连通域的Blob算法进行缺陷检测。A区为防滑纹区，对检测结果影响较大。因此在使用Blob算法检测缺陷之前，需要使用特殊的算法过滤掉模式。根据瓶底防滑纹的特点，采用傅里叶变换和逆变换算法滤除规则纹理特征[20]。经过傅立叶变换-其中d为瓶口缺陷识别结果。d = 0，无缺陷，检验合格; d =1、瓶子有缺陷，不合格。上述判断算法只涉及简单的线性此外，该算法是在综合分析目标区域内多个连通域特征的因此，如果适当地选择权重和阈值，则具有更高的准确性。此外，它可以消除噪声干扰，因为它考虑了多个特征。形式，规则纹理特征成为频率元素，其功率分布在环形中。高功率的频率元主要分布在中心点附近，其功率强度随环半径的增大而减小[4]。选取一个最佳半径，去除中心点和半径外的频率元素，然后利用傅里叶逆变换恢复图像这样就可以过滤掉规则具体的算法在参考文献中描述。[5]。图14. 瓶底图像处理与缺陷识别。B. Huang等人/工程科学与技术，国际期刊21（2018）159167××××1/ 4 × %×NdNt图15. 瓶壁图像连通性分析及缺陷判断（a）原始图像（b）图像结果。基于上述算法的瓶底缺陷识别结果如图14所示，其中（a）和（b）是预处理后的具有缺陷的图像，（c）和（d）是缺陷识别结果。由于图像（a）中的异物较大，因此可以直接使用Blob算法获得如图像（c）所示的结果，而不考虑防滑颗粒的干扰。对于截面积较小的异物，例如图（b）中的长发，必须采用傅立叶变换和逆变换算法滤除防滑纹，以消除规则纹理特征的干扰，处理结果为图（d）。3.3. 瓶壁缺陷检测考虑到准确性和速度的要求，采用最大类间方差法对瓶壁图像进行分割。采用与瓶口和瓶底相同的连通性分析方法对四个区域进行处理，得到图像分割后的缺陷特征，然后通过质心位置、体比、面积等特征判断检测到的每个连通域是否为缺陷[21]。图像处理如图所示。 十五岁4. 系统测试4.1. 测试要求和平台以目前市场上一种在线空瓶检测系统的性能指标作为研究的标准。从实用性、稳定性、可靠性和低成本的角度考虑，系统的性能要求（简称PR）如下[10]：PR 1. 瓶口检测1. 应准确检测密封面损坏，密封面宽度、长度和深度的尺寸为2mm。2. 应检测密封表面上2 mm和3. 不合格瓶口检出率达99%以上。PR 2.瓶底检测1. 应检测从瓶底中心到防滑纹内侧的圆形区域上2 mm2 mm大小2. 应检测防滑颗粒周围区域中3 mm 3 mm大小的污渍。3. 不合格瓶底检出率达99%以上。PR 3。瓶壁检测1. 应检测瓶体区域（除瓶肩图案区域外）、瓶颈和瓶口外侧6mm6 mm大小2. 应检测瓶肩图案区域中6 mm和6 mm大小的污渍。3. 不合格瓶壁检出率达99%以上。4. 为了测试系统的可靠性、准确性和速度，设计了一个在线空瓶检测系统测试平台，如图16所示，模拟实际生产情况。4.2. 结果和讨论在本实验中，测试平台的速度为测试结果如表3所示。表中，Nt为总瓶数，Nd为不良瓶数，Dd为检出不良瓶数，De为误检瓶数，rq为合格瓶检出率，rd为不良瓶检出率，re为误检率。rq、rd和re定义如下：rqNt-Nd-De100 13Nt-Ndrd¼Dd×100%±14mmre¼De×100%±15 mm168B. Huang等人/工程科学与技术，国际期刊21（2018）159图16. 在线空瓶检测系统测试平台。表3瓶子检测的测试结果。NtNdDdDeRQ研发Re瓶口43181101107九十九点八三百分百0.16%瓶底410010010018百分之九十九点五五百分百0.44%瓶壁383090902百分之九十九点五五百分百0.05%如 图 所 示 ， 瓶 口 1-re 的 检 出 率 为 99.84% ， 与 参 考 文 献 [13] 的99.41%、参考文献[7]的91.6%和参考文献[3]的97.8%相比最高。同样，文献[27]中瓶壁的检测率为97%，低于本文的检测结果。虽然瓶底的检出率在本文的三个检测项目中最低，但高于文献[25]，可达到98%的检出率。5. 结论介绍了一种用于空瓶质量检测的视觉检测系统，主要包括检测区域定位和缺陷检测。 在检测区域的定位中，根据瓶口、瓶底和瓶壁的不同特点，提出了不同的定位和跟踪算法，实现了对空瓶检测区域的精确定位和跟踪。在瓶口定位跟踪过程中，针对摇瓶引起的定位误差较大的问题，采用边缘点二次分类和最小二乘拟合算法，提高了定位跟踪的速度和精度。在缺陷检测中，重点研究了瓶口和瓶底的检测方法.在底部缺陷检测中，采用改进的傅里叶变换算法有效滤除底部防滑纹，消除其对检测结果的影响。实验表明，本文提出的系统能有效提高检测精度和速度.确认在此，作者对万塔包装机械有限公司表示衷心的感谢，有限公司为本研究提供部分资金支持。引用[1] JohnCanny，边缘检测的计算方法，模式分析。马赫内特尔8（6）（1986）679-697。[2] Jaina George，S. Janardhana，J. Jaya等人，基于模糊C均值聚类的自动缺陷检测检测器和玻璃瓶，在：当前工程和技术趋势国际会议（2013）8[3] 郭克友，连立兵，纳。Li等人，基于OpenCV、Manuf.Automat. 15（2014）61-63。[4] 何斌，马天宇，王云娟，等，Visual C++ Digital Image Processing，第二版。北京邮电出版社，2002年。[5] 黄斌，马思乐，吕玉峰，等， 智能空瓶检测系统中底部检测的研究，Telkomnika11（10）（2013）5571-5578。[6] 何小虎，基于计算机视觉的空瓶检测方法实现图像采集技术，食品机械32（5）（2016）105[7] 黄志宏，毛建旭，王耀南，等，基于机器视觉的啤酒瓶缺陷分类检测方法研究，J.电动Meas. 仪器30（6）（2016）873-879。[8] 景康，图像分析在工业生产中的应用啤酒瓶缺陷检测及其关键技术研究，南京邮电大学，2015。[9] 刘朝晖，严艳文，徐。吕铁，末制导弹药激光光斑远程监测系统，激光红外36（2）（2006）88-91。[10] 梁敏敏，在线高速智能空瓶检测系统的研究与开发，山东大学，2008。[11] 蓝敏华，控制技术在空瓶检测中的应用，机电工程技术，40（8）（2011）133[12] 李娜，啤酒瓶瓶口缺陷检测系统研究，北京工商大学，2013。[13] 李慕星，黄志宏，基于极限学习机的啤酒瓶缺陷检测方法研究，计算机辅助设计。Technol. Automat 35（4）（2016）117-120.[14] 马思乐，黄斌，王华杰，等，智能空瓶检测系统中瓶口瓶底定位算法研究。Log.（2009）819-824。[15] 马思乐，王惠泉，郝增本等，机器视觉技术在智能空瓶检测系统中的应用研究（2010 a）4462B. Huang等人/工程科学与技术，国际期刊21（2018）159169[16] 马思乐，黄斌，吴燕丽等，智能空瓶检测系统中瓶口图像检测区域跟踪算法研究（2010 b）6073-6077。[17] 马思乐，黄斌，何银洲，等，智能空瓶检测系统中瓶底快速定位的实现。仪器33（10）（2012）39-41。[18] Milan Sonka，Vaclav Hlavac，Roger Boyle，图像处理，分析和机器视觉，第三版，CL工程，2007年。[19] 萨继明，张杰，周锦林等，透明瓶口缺陷在线检测，发表于：第12届国际信号处理会议。（2014）747[20] 王华杰，基于机器视觉的智能空瓶检测系统研究，山东大学，2007。[21] 王惠泉，基于机器视觉的在线空瓶检测系统的研究与开发，山东大学，2010。[22] 王文华，李晓鹏，基于机器视觉的啤酒瓶检测系统设计，电子质量。9（2014）35-38。[23] Xianhua Xia，Jingming Xie，Fengkai Ke，et al.，基于机器视觉的玻璃瓶在线检测系统的研究与开发，机械电子，11（2013）67-70。[24] 杨金凤，机器视觉技术在空瓶检测系统中的研究与应用，山东大学，2008。[25] Yu. 李晓宁，张凤萍，空瓶缺陷检测系统的设计与实现，电气设计与工程。Eng.24（13）（2016）80-84。[26] 周贤恩，王耀南，李康军，等，基于多随机圆检测和拟合度评价的瓶口定位新方法。《科学杂志》仪器36（9）（2015）2021-2029。[27] Yexin Zheng，Yaonan Wang，Xianen Zhou，et al.，基于POBT的空瓶纹理区域缺陷检测，J. Electr. Meas.仪器31（4）（2017）549- 558。