牛奶出产线_巴氏奶出产线_乳品饮料出产线_果蔬出产线_水果加工线_发酵出产线_芒果加工线_,超高温杀菌机_UHT杀菌机_稀奶油出产线_椰乳出产线_提取设备

基于机械视觉的瓶装饮料液位鉴别与定位2023-07-20

0 引言

饮料出产过程中，饮料灌装液位精度受灌装设备的硬件情况和定量灌装节造系统节造战术的影响会呈显炜装饮料液位高度颠簸。影响成分通常有饮料的液体个性及饮料内的固态成分、灌装设备故障、自动赔偿节造系统调控战术等，因而灌装作业中瓶装饮料会出现灌装液位差。灌装后的液位高度检测能够援手厂家确保质量、节造成本，持久出现灌装过量会造成原料需要量增长，企衣符润削减；缺量饮料流入市场，会造成企业的诺言损失，从而影响消费者消费决策。通过液位检测能够反馈出产设备状态，出现大量灌装高度不合格饮料时，实时反馈谬误，设备凭据反馈信号实时调整参数建改谬误，保险出产安全，提逾越产效能。

瓶装饮料液位检测依赖光电传感器发出视觉检测法式触发“开关”，共同压力传感器丈量、电容式传感器等对灌装液位进行检测，自机械视觉检测技术利用后，在大部门PET饮料瓶质量检测、灌装后液位检测多选取光电传感器触发检测开关，共同图像处置算法组成检测系统。早期基于Opencv液位鉴别步骤鉴别速度较慢，目前无数以光电传感器作为液位检测图像处置法式的触发器。

随着机械视觉技术的成熟，目前机械视觉鉴别速度已能达到高速出产检测的要求。使用机械视觉在饮料出产中作为检测触发法式，不仅能够降低检测系统硬件使用量，集成化检测系统，还能急剧对检测内容定位和调度检测法式，并且能够简化检测系统设备结构，添补传感器冗杂的系统硬件布局弊端，提高系统效能和靠得住性。饮料出产线视觉检测系统布景较为单一，因而更容易分辨检测指标，图像中信息量少，共同图像处置步骤鉴别液位高度也就越快。本钻研在YOLOv7基础上参考饮料出产中饮料瓶质量检测和饮料液位检测步骤，设计整套系统在背光照明的前提下实显炜装饮料液位检测的急剧鉴别和定位，并验证了鉴别速杜纂鉴别正确率，为实现高速液位检测提供鉴别模型，并急剧定位液位区域，为液位高度检测法式提供触发指令，取代光电传感器作为检测法式的触发器。

1 数据采集与预处置

1.1 数据采集设备与步骤

待采集的饮料瓶搁置于传送带上，传送带宽25 cm；传送带一侧设置CMOS传感器海威工业相机，型号为MV-CE060-10UC,8 mm焦距镜头，采集图像分辨率为3 072像素×2 048像素；另一侧正对摄像头设置背光板，背光板尺寸30 cm×60 cm，可满足市场上大部门300～650 m L饮料瓶的高度，以此模仿出产的环境，其现实布局如图1所示。在采集图像试验台上采集分歧类型瓶装饮料液位。为获得更好的液位特点美满鉴别模型，采集时以量筒丈量后确定的饮料尺度净含量液位面为高度参考面，采集了俯视、平视和仰视3个视角的图像作为进建样本，采集图像如图2所示。

图1 瓶装饮料液位检测硬件布局

Fig.1 Measurement hardware layout of bottled beverages liquid level

图2 采集视角示意

Fig.2 Schematic diagram of acquisition angle

采集PET瓶装饮料分类如图3所示，将采集PET瓶类型分为通明瓶通明液位、通明瓶有色液位、深色通明瓶、表表粗糙瓶、直颈瓶、淡色通明瓶、白色不通明瓶和瓶颈不规定瓶8类。8衷炜别离采集有标签有盖、有标签无盖、无标签有盖和无标签无盖4幼类样本。每种类型饮料瓶基于饮料瓶状态过渡对液位进行高度分段，据此前提作为液位高度变量。

由于出产线出产速度分歧，多瓶饮料分列距离也分歧，为模仿出产时多瓶分列情况，将多瓶饮料分歧间距分列从缜密到稀松分为4种距离：缜密、间距2～3 cm、间距5～6 cm和间距8～12 cm，如图4所示。

1.2 验证YOLOv7能鉴别钻研指标

由于YOLOv7网络中默意识此外80类可鉴别指标蕴含饮料瓶，因而只需验证该模型在经过训练后可能正学问别和正确框定液位即可满足鉴别要求。在对采集的部门样本标注后，通过400轮次的训练，训练后验证成效如图5所示。

1.3 图像处置与标注

将采集的原始图像筛选出无残影的图像，对图像采取如下方式批改，加强模型对图像鉴别正确性。

扩充采集样本，模仿暗光与背光亮度过高，偏色处置模仿色彩失真，扭转明度，图6a为随机拔取图像扭转色相、鼓和度和明度权沉的样本图像。吞吐图像，从拔取的图像中随机拔取图像，模仿现实利用中拍摄出现异常的情况，增长高斯、椒盐和乘法噪声；部门虚化图像模仿镜头有雾气。图6b别离为加高斯、椒盐、乘法噪声和虚化的样本图像。

为进一步验证模型复杂图片鉴别能力，拔取部门旋转与加马赛克处置，图6c是瓶装饮料原始图像旋转和马赛克处置的样本图像。

图3 分歧类型饮料瓶图像

Fig.3 Images of different types of beverage bottles

图4 饮料瓶分歧间距分列

Fig.4 Different interval arrangement of beverage bottles

图5 饮料液位鉴别与定位

Fig.5 Beverage level identification and positioning

2 基于YOLOv7鉴别网络改进

已验证YOLOv7可能正常且正确鉴别和框定液位，通过改进YOLOv7结构（图7），使得该算法越发合用于瓶装饮料液位鉴别与框定，在现实出产检测中与检测法式越发符合。

2.1 空间金字塔池化改进

YOLOv7基于空间金字塔池化结构（Spatial Pyramid Pooling,SPP），通过跨阶段部门网络CSPNet结构设计的一种SPPCSPC的空间金字塔池化结构[21,22]。SPP必要指定3次卷积核大幼，默认核大幼为5、9、13，通过未来自CBS�？榈氖萁�3次池化并拼接，而后再过一个CBS，旨在加强特点图特点表白能力。为获得训练加快和加快推理，选取更快的空间金字塔池化结构（Spatial Pyramid Pooling-Fast,SPPF），将输入串行通过3个5×5卷积核的Max Pool层，最后将各个输出衔接，与SPP相比，SPPF指定一个卷积核，每次池化后的输出会成为下一个池化的输入，推算速度更快，以此为基础刷新该结构为SPPFCSPC结构，其结构如图8所示。

图6 处置后的图像

Fig.6 Processed images

图7 YOLOv7网络框架

Fig.7 Network framework of YOLOv7

2.2 YOLOv7损失函数改进

YOLOv7选取CIo U损失函数，其纵横比权沉不明确，其公式中参数反映的是长宽比差距，而不是宽高别离与其相信度的真实差距，在训练后得到模型检测液位时会由于瓶中倾斜液位而出现检测框偏移较大，因而改进为SIo U公式。

角度推算如图9所示，其他推算如下。

式中LossSIoU-总体损失函数

Io U-预测框与真实框交集和并集比值

图8 SPPFCSPC结构

Fig.8 Structure of SPPFCSPC

图9 角度损失函数成本贡献推算

Fig.9 Calculation of angle cost contribution into loss function

Δ-距离损失

Ω-状态损失

Λ-角度损失

A-面积

B-真实框

BGT-预测框

（bcxgt,bcygt）-真实框中心坐标

（bcx,bcy）-预测框中心坐标

cw、ch-真实框与预测框最幼表接矩形的宽和高

c hc-真实框和预测框中心点的高度差

σc-真实框和预测框中心点的距离

w、h-预测框的宽和高

wgt、hgt-真实框的宽和高

θ-状态损失关注水平，值为4

SIo U损失函数思考了进展回归之间的向量夹角，即角度损失Λ，还蕴含距离损失Δ、状态损失Ω、Io U损失。方向框的角度会影响回归，引入了角度损失Λ使得预测框急剧地移动到最近地最近角度的轴，随后模型将尝试首先在X或Y轴做预测（以最靠近者为准），而后沿着有关轴持续靠近。选取SIo U作为损失函数相称的训练轮次下精度更高，增长角度惩治进一步限度距离损失，有效地削减了损失的总自由度。

3 改进后模型训练与评估

3.1 训练软硬件环境与过程

使用处置后的图像作为训练数据集，选取YOLOv7�？�，400次迭代，每8个样本作为一个批处置单元（Batch size）。以多类别均匀精度m AP、正确率（预测为正样本现实为正的概率）Precision、损失值Loss及召回率Recall（现实为正的样本中被预测为正样本的概率），作为模型评价指标；以均匀精度m AP和检测功夫t作为已训练好的模型的重要评价指标。训练配置如表1所示。

表1 训练与测试环境

Tab.1 Train and test environment setting

标注数据集，标注图像共2 477幅，单瓶样本中，无色通明瓶755幅、有色通明瓶463幅、不透领略色瓶150幅、表表粗糙瓶240幅；多瓶分列样本269幅。批改HSV权值样本100幅、旋转样本100幅、加马赛克100幅、加噪点150幅及虚化样本150幅。依照4∶1∶1的比例分配为训练集、验证集和测试集。

3.2 训练模型

改进后的损失函数曲线如图10所示。模型损失函数曲线在前50轮损失值降落较快后起头收敛，300轮之后损失值变动较幼，并且损失值较幼，能够确定损失函数有效。

图1 0 模型训练参数曲线

Fig.10 Parameters curves of model training

4 了局与分析

4.1 试验步骤

为验证改进后的YOLOv7饮料出产线关键指标检测模型的鉴别机能，对模型的测试集做分类验证。

(1）将分配好的含所有类别图像的测试集图像做混合测试，验证模型机能。

(2）测试集分类验证，将分类好的测试集图像样本、扭转HSV权值的样本、马赛克吞吐和加噪声3类鉴别验证，并对以上鉴别了局框定区域进行人为评估。

4.2 模型试验

将同样的训练集别离在原YOLOv7和改进后的YOLOv7模型上训练。使用二者训练后的模型与本钻研改进后的YOLOv7训练好的最好权值模型在测试集上验证。拔取测试项为饮料瓶、液位鉴别精度、总体鉴别精度和均匀精度，了局如表2所示，改进后的模型饮料液位鉴别精度为96.3%，比未改进模型94.5%高1.8个百分点，模型占用71.3 MB存储空间。均匀鉴别功夫10.7 ms，非极大值抑造功夫1.4 ms，均匀鉴别框按功夫12.1 ms。

表2 改进后模型评估

Tab.2 Improved model evaluation

单元：%

4.3 处置后样本测试

进一步测试模型在暗光、色彩失真前提下模型的靠得住性和检测的正确性，拔取暗光和批改色相、鼓和度、亮度和全图马赛克（马赛克核为15×15）的图片各30张，蕴含多瓶分列样本和空瓶，别离使用原算法和改进的YOLOv7训练后得到的最好的模型中测试得到了局如表3和图11所示。

表3 失色样本检测

Tab.3 Discoloration sample detection

由表3和图11可知，在暗光、马赛克、批改鼓和度和扭转色调的前提下模型没有出现漏检且液位定位正确。

4.4 噪声与虚化指标检测

在现实出产过程，由于相机过热、线路不不变等成分会出现部门采集样本出现噪点，因而为验证模型不变性，别离拔取30张加了高斯、椒盐和乘法噪点的样本图像实测模型的抗噪点能力，蕴含多瓶分列样本和空瓶，检测了局如表4和图12所示。通过实测，模型对于出现噪点的样本同样能正确鉴别，并且液位框定地位正确；增长噪点的样本仍能正确鉴别并定位液位地位，对含气泡液位也能正确鉴别。

表4 噪点样本检测

Tab.4 Noise sample detection

图1 1 失色样本检测了局

Fig.11 Test results of discolored samples

图1 2 加噪点饮料液位样本检测了局

Fig.12 Test results of add noise bottled beverage liquid level samples

5 实现语

(1）提出的基于YOLOv7网络模型单幅图像关键指标鉴别功夫10.7 ms及非极大值抑造（NMS）处置功夫1.4 ms，鉴别并定位均匀耗时12.1 ms，模型占71.3 MB存储空间。证明该模型对饮料关键检测指标鉴别与定位的可行性，代替传统传感器作为瓶装饮料液位高度检测的图像鉴别法式的触发器，可实现实时的检测触发。

(2）鉴别模型可实时输出鉴别框的像素地位数据，图像处置法式凭据框地位可直接从图像中截取鉴别指标进行基于图像处置的实时鉴别。

(3）对多种处置后图像的试验验证批注，该模型拥有抗滋扰检测能力，并且在暗光、色彩失真、加噪点和混合多类饮料且多噪点情况下也能鉴别指标，可能对多种饮料瓶液位鉴别。

上一篇：乳品工业智能造作下的柔性化出产工艺技术下一篇：酸奶发酵罐CIP洗濯效力优化钻研

3308维多利亚线路检测中心