在线检测与跟踪方法

摘要：针对高速医药生产线卜安瓿溶液中可见异物的在线检测与跟踪的速度和精度要求，提出概率阈值分割与卡尔曼滤波器预测相结合的检测与跟踪方法：应用初次差分结合概率加权阈值分割去除静态干扰，进行二次差分检测目标；利用初步得到的目标信息通过卡尔曼滤波器预测，在卡尔曼滤波器的预测点附近进行搜索并识别，减少卡尔曼滤波器的学习时间，并同时缩小搜索范围，达到提高检测效率的目的。实验结果表明，该方法可以满足检测精度要求并且满足在线检测速度要求。

关键词：概率阈值分割；卡尔曼滤波器；异物检测

1引言

    我国有巨大的医药市场，为规范医药生产，国家药典对医药的质量检测，特别是可见异物检测进行了严格规定。可见异物来源…主要有以下几个方面：1)由于容器即安瓿瓶本身质量问题造成的在灭菌后出现的玻屑、小波点和白点等；2)生产过程工作人员不按照规定穿戴工作服等带入的头发丝等；3)生产过程中由于传输管道使用易脱落材质而产生的脱落物和黑点；4)在灌装过程中有未经净化的空气进入，而空气中可能带有大量的尘埃、纤维和色点等。我国的医药企业目前多数采用人工灯检方法进行检测，容易产生人眼疲劳有损人体健康，并且不能保证产品质量。

    目前目标检测与跟踪研究多集中在智能视频监控、交通监视和军事制导等领域，需要获取百余帧甚至上百帧图像由卡尔曼滤波器学习预测。如文献[2]中所应用的扩展卡尔曼方法(u k f)，文献[3]中的基于多智能体结构的应用处理，以及文献[4]中所应用的模型参考自适方法等都是针对百余帧图像不断进行学习。文献[5]虽然是针对药液中可见异物的检测，但其使用的差分与形态学滤波相结合的方法，会遗漏许多小的点目标如碳屑等。文献[6]中结合杂质位置和瓶壁厚度判断是否有杂质存在不能适用于当溶液中含有较多数目的异物时的情况。因此如何设计出合适有效的检测与跟踪方法是灯检机研发中的一个关键问题。

    针对现有技术所存在的上述问题，本文采用概率加权阈值分割与差分相结合的检测方法，并应用卡尔曼滤波器进行预测，从而达到快速跟踪，得到良好的检测和跟踪效果。实验结果表明，该方法可以有效的检测出异物并进行跟踪以识别。

2检测对象

    本文所针对的系统是全自动安瓿灯检机，检测对象主要是安瓿瓶装注射剂药液中的可见异物。本检测系统针对不同类型的杂质共设计两种成像方法，针对黑色异物。，利用其不反光特性，在其背部给光；而针对玻屑、色点、白块等白色异物进行底部给光，形成的图像对

比度大，提高检测效率。成像系统如图1所示。

3．1运动目标检测

    由于机械手的毛刺、环境中的灰尘、瓶壁上的文字等，使得获取的图像上含有大量噪声干扰，如图2所示。

    本系统采用概率阈值分割与帧间差分相结合的方法在去除噪声的同时达到检测的效果，同时利用卡尔曼滤波预测下一次目标可能位置，并在预测位置附近搜索，缩小搜索区域，减少卡尔曼滤波器的学习时间，提高检测速度。

    1)对初步去噪后的当前帧图像与第一帧图像进行首次差分处理得到一次差分图像，即：

     (，Y)=(，Y)一(，Y)(1)

式中：，Y表示当前像素点的坐标，I厂(，Y)表示当前像素

点的灰度值。

    2)对差分后的图像进行分割，进一步取出噪声。

①求取图像的灰度概率分布，并储存。即：

25 5(n)=(∑f(x，)，))／n(2)心：

其概率为： 

P、=k(n)／(×h)(3)

式中：k(n)表示像素值为n的像素点个数(0≤≤2 5 5)，、h分别表示图像的宽和高，P、表示像素值为n的像素点所出现的概率，设初始阈值t=1。

    ②根据阈值t分割图像为两部分A(每个像素点的灰度值都大于t)和B(每个像素点的度值都小于t)。

   则区域A、B的概率分别为：

   区域A、B的平均灰度为：

  ／XA=∑n p)

   整幅图像的平均灰度为：

   =q a／x^+q d x(6)

   两个区域的总体方差为：

   =q(一)+q 8(一)(7)

   ③按照最大类问方差¨的准则，从0～2 5 5改变t，重复步骤②计算类间方差，使方差最大的t值即为区域分割的门限。

   ④利用步骤③所求取的阈值进行对步骤(1)中差分后的图像进行分割。

    3)对分割后的图像进行第二次差分，进一步去除残留的静态干扰。二次差分后的图像如图3所示。

3．2运动目标跟踪

    检测目标后，引入卡尔曼滤波器进行预测，缩小搜索区域，加快搜索过程，提高跟踪效率，快速识别目标和干扰点，提高检测效率。

3．2．1建立系统模型

    假设一个线性离散系统，其状态方程和观测方程表示为：

～Xk一Bu k_l(8)t Z=H Xk+

    如图4所示。其中，随机信号"t O和一分别表示过程激励噪声和观测噪声。假设它们为相互独立并且正态分布的白色噪声，即：

    P(W)～N(O，Q)，P()～N(o，R)(9)

     在检测中，选择在连续图像中所检测到的运动目标的位置和速度为被估计量，即X；卡尔曼滤波的目的是要预测下一次目标可能出现的位置，因此输出Z=X，从而H=I(4阶单位矩阵)。由于没有外界输入，因此B=0；因此，针对本系统所建立的模型为：

r Xk=AXk—l+’．，

i Z：X k+l，(1 0)

式中：X k=[，Y，U X,，v y]，，Y，U X,，v y分别表示所检测到运动异物的质心坐标和在此坐标方向的速度；Z=[，Y]表示当前目标的位置；由于连续两帧的时间间隔只有1 0 m s，因此假设运动目标在两帧之间的运动轨迹为匀速直线运动，从而可得：

『0 0]

A：l 0 0 l(1 1)l 0 0 1 0 l

0 0 0 1

式中：．r表示前后两帧的时间间隔，在本系统中时间为1 0m s，因此r=0．0 1。在本系统中，Q、、P均设置为对角矩阵，Q=0．1 l；R：0．0 1 1；P(0l 0)=1 0 0 1(I为4阶单位矩阵)。

3．2．2卡尔曼预测过程

    1)获取初始状态信息，初始化预测的变量。

     经过3．1异物检测之后，在所得到的检测结果图像上搜索连通区域，在初始状态下，将所搜索到的连通域作为初始检测目标。记录各自的坐标。，Y o i、宽高信息W。，h。和面积s。(表示第0次预测的第i个目标)。由于第一次检测不能得到速度信息，因此设第一次的速度为1像素／秒，即v y。各自为1。

    2)卡尔曼滤波器预测过程

    ①运用前一时刻的得到的状态一(k—l=0)或状态估计一，(k一1>0)和协方差矩阵P^一。来预测当前时刻的状态估计和协方差矩阵，即时间更新，其方程为：

一Xk一+n U k_

l(1 2)

L=A P A+Q

    ②运用时间更新方程在得到的情况下，根据预测的协方差矩阵P^和观测噪声协方差矩阵计算卡尔曼滤波器的增益K k：

K k=P-k T(日P日+R)(1 3)

    ③根据预测的状态估计和实际观测值z修正系统的状态估计并计算相应的协方差矩阵P即测量更新，其方程为：

X k+K k(z一)f 1 4

l p=0 I—K k H k P

    经过步骤(2)得到预测位置后，在后一帧图像上由所决定的区域进行搜索，减小搜索范围，提高检测效率。

3．3目标识别

     在经过卡尔曼滤波器预测之后，在后一副图像中的预测位置附近进行搜索，其流程如图5所示。

     在识别过程中的一个主要参数是搜索区域的确定，本文中采取自适应的搜索区域确定方法。在得出卡尔曼滤波器的预测位置后，计算预测位置与原位置的欧式距离d(k表示第k个可疑目标)。经过分析和实验验证发现，溶液中的异物或干扰存在4种情况：

    1)对于检测之后遗留的瓶壁上的干扰以及溶液中的气泡噪声，由于在连续图像上，运动距离较小，而且其形状固定，因此面积变化较小，即有d和A S舯都较小(其中A S表示第i一1帧图像与第i帧图像中的同一个目标即第k个目标的面积变化幅度)。

    2)对于面积较大的异物，如玻屑、纤维等由于在拍摄过程中，异物仍在不停的运动，使得在图像上的面积会发生较大的变化。

    3)对于面积较小的异物，如碳渣等由于质量较重，会有较大的移动距离。

因此，综合以上分析，为保证检测精度，不遗漏异物目标，确定搜索半径=ma x(3 A S，1．5 d)。在确定搜索区域后，根据搜索半径的大小即可确定所跟踪目标是否为异物。分析如表1所示。

5结论

    本文根据安瓿溶液中异物检测的实际情况，结合实验提出的视觉检测与跟踪方法经过试验验证既满足检测精度要求也满足了检测速度要求。本文巧妙地利用差分与概率阈值分割结合，即将检测与去除噪声的预处理相一结合，压缩了检测过程，提高检测速度。另外本文中利用一卡尔曼滤波器进行预测，确定和缩小搜索区域，从而在提高检测精度的同时保证检测速度。