食品包装存在缺陷的后果很严重，会导致召回整批的商业制品。即使在出错率能控制在“千分之几的范围”内，零误差检测也占有明显优势。在使用QCROBOT提供的视觉系统之前，A公司的质量控制依赖于随机产品抽样检测。尽管这种检测方式能够探测到生产区域的缺陷品，但每个缺陷产品的外观是不可能完全相同的。这就是为什么这家著名的公司倾向于采用QCROBOT相机进行最后质量检查的原因。其机器人定位系统以及视觉系统解决方案均由由QCROBOT安装提供。
一，塑料包装检测
A公司是一家采用多种加工方法的塑料包装产品制造商，例如喷射模塑法、挤压气泡法、两步PET气泡法、薄膜挤出法和深拉制法。作为一家为食品行业提供具有氧气阻隔性能（共聚物）的密封层薄膜的制造商，该公司还对其客户的产品负责。作为世界上所有公司的代表，A公司为包装肉和香肠生产多层薄膜。所使用的关键材料是聚丙烯。氧气和香肠可以一起相处的时间很短暂，然后香肠的肉开始腐烂。这是为什么A公司通过这种密封层薄膜防止其塑料包装物与氧气接触的原因之一。7层薄膜的挤压很复杂，因此可能发生质量检测的问题。QCROBOT相机有助于弥补质量检测过程中的任何差错。
QCROBOT视觉系统可探测到盒内不规则阴影的任何瑕疵
生产基于三个基本的生产阶段：多层薄膜的挤压、根据各自塑料包装物形状的深拉制法以及最后的印刷和包装。在薄膜制造过程中出错误源只能在一定程度上予以排除。在挤出过程中，材料流水线中总是会发生凹陷，这反过来会引起烧焦。在一定情况下，烧焦的材料元件会在薄膜下形成气泡，这在随后的深拉过程中会导致材料爆裂。在深拉过程中也不能完全地排除出错误源。然后薄膜会显示出无需的褶皱，导致过高的温度环境或者错误的压印，反过来造成一定区域上的材料变薄。
高速运转的生产线
A公司的质量保证专家面临如何避免孔洞和杂质从薄膜传送到成品中的问题。要简单地扔掉有瑕疵的薄膜的最大部分是不可能的。即使薄膜上的缺陷被标示出来，缺陷区域也必须从薄膜上切割掉。过量的材料消耗和时间损失的成本可能过高。这就是为什么开发一个不损害生产过程并且使用尽可能少的受损材料的解决方案的原因。缺陷的薄膜和无损的材料一起经过深拉系统和机器运行到胶版印刷区域。在胶版印刷之后，每分钟多达260个产品沿着传送带运行到堆垛站点。系统出口处的QCROBOT相机检查塑料包装物内部的坚固性、杂质和材料瑕疵。水平堆垛之前，在下面安装有QCROBOT相机的玻璃平面上滑动，并有红色LED灯照射在塑料包装盒之上。QCROBOT可以探测到盒内不规则阴影的任何瑕疵。太亮的区域表明材料厚度不足，太黑的区域指出材料杂质和褶皱。在数秒间便可识别出缺陷产品，并且按照压缩空气的方式进行分类。QCROBOT相机向A的客户提供关于错误类型和错误率的清楚结果，同时也保证了产品无误。
二，灌封质量检测
瓶口破损
瓶盖及液体高度均正确
瓶盖位置错误
缺瓶检测
在此生产线我们关心的另一个问题是压盖后盖子是否压装到位？液体罐装的是否够量？以确保瓶子封装完好，保证瓶内的真空度，另外确保液体量正确。QCROBOT视觉传感器安装在压盖工艺后，通过线性工具来测量瓶盖及液位在Y轴方向上的变化来判断瓶盖是否安装到位以及液体量是否正确（见图4-图8）。这里我们是通过测量瓶盖与瓶口之间的缝隙来判断瓶盖是否安装到位，通过测量液面与瓶口的距离来判断液位的高低，均是相对位置的测量，因而不会受瓶子在传送带上微弱跳动的影响。经过此道检测，能确保瓶盖未安装到位和液体不够的瓶全部被剔除出去。
三，贴标、喷码，以及装盒标签的视觉检测
四：机器视觉实现食品破损在线检测
机器视觉技术是机器代替人眼来做测量和判断，国内外已将此技术成功地运用到众多产品的质量检测上。与人工视觉检测相比较，机器视觉具有自动化程度高、识别能力强、测量精度高等优点，具有广泛的应用前景。随着图像处理技术的日趋先进、计算机硬件成本的下降及计算机处理速度的提高，在食品及农产品品质自动检测和分级领域应用机器视觉已变得越来越具有吸引力。
方便面生产线上依外观挑选出的不良品主要有破损、油炸过度或不足、大花、并条、堆积等，其中80%以上为破损面块。本文以方形面块为例进行在线快速破损检测。因为面块边缘不平整且常有一些毛刺，常规的视觉识别方法难以进行判断。本文利用“削切处理”除去毛刺，得到面块的真边界，然后利用面块与外接矩形的面积比判断缺损与否，实验表明该方法识别率高，速度快，适合在线检测。
1. 试验材料与装置
本实验样本来自河南正龙食品有限公司的白象方便面系列之一：大骨面，它具有油炸方便面的代表性。由正龙集团新郑分公司三车间生产。共采集实验样本128块，其中缺损面块70块。
实验装置由QCROBOT提供。本系统采用封闭式照明系统，照明室上部两侧采用两个对称的30 W日光灯作为光源，输送线为黑色，面块经自动排面输送线（将面块摆放整齐，并且使面块之间间隙均匀）将面块输送到视觉检测部分。
图像的获取采用触发抓拍的方式，检测元件为OMORN的E3C-DS10触发器配合放大器E3C-3C使用。这是一个反射型的触发器。当传送带上有面块过来时，信号强度发生变化，输出一个脉冲信号来控制相机抓拍图像。本实验所拍摄图像大小为640×474，以24位bmp格式存储。图像处理算法在 Visual C ++ 6.0平台上编译通过。
2. 图像处理
采集后的图像首先要经过预处理，预处理包括滤噪、图像分割、去边缘毛刺等，以便于后续的形状判断工作。
2.1 图像滤噪
本试验采用快速中值滤波方法去除噪声。既有效抑制图像中的噪声，又保护图像的轮廓边界不使其变模糊。此算法处理速度快，能满足在线检测的要求。
2.2 图像分割
图像的背景是黑色的，而面块相对来说是浅色的。经实验，选取HIS颜色空间中I分量为判断条件时，直方图为理想的双峰型（图3）。选择谷作为灰度阈值将得到合理的物体边界。同一颜色从RGB到HIS的转换为非线性变换，其转换关系为：
图像分割一般采用阈值法，
本研究中由于面块花纹深陷处、空洞处等颜色灰度值与背景差别不大，采用阈值法容易将面块部分当作背景去除掉，从而影响后续的处理（图4b）。本文采用了“围剿算法”分割图像。基本思想是通过扫描图像找到面块的四周边缘点，将其以外的部分像素灰度值置白（R、G、B灰度值全设为255），而面块区域不变。该方法先采用纵向扫描的方式，从整个图像最左端开始依次扫描图像的每一列。首先从一列的最顶端扫描，当扫描到面块点时即停止扫描，记录该点为1点（图 4a）。（如果到扫描到下边界仍然没有碰到面块点，说明此列全部是背景点，将其灰度值置白，接着扫描下一列）。再从该列的最底端开始扫描，同样，扫描到面块点时停止扫描，记录这点为2点，那么1点和2点之间就是面块区域，保持其灰度值不变，1点和2点之外的为背景区域，将其灰度值置白。纵向扫描完成后，再用同样的方法横向扫描处理，这样即干净地去除了背景又完整地保留了面块区域（图4c所示）。
2.3 去边缘毛刺
面块边缘不平整，常有不规则锯齿状毛刺，人工视觉检测时会替意识忽略毛刺去判断面块整体形状，而毛刺对于计算机识别形状形成障碍。本研究通过“削切算法”，削切面块边缘去除毛刺，得到面块的“真边界”。
具体步骤如下：首先采用纵向扫描方式，从整个图像的最左端开始依次扫描每一列（图5），记录该列最顶端面块像素点a到最底端面块像素点b之间所有像素个数N总 和面块像素个数N面 ，计算该区间内面块像素所占的比例Ratio， Ratio=N面/N总 。如果Ratio<0.70 ，把此列像素灰度值全部置白（R、G、B设置为255）。当扫描至某列Ratio>=0.70且 N面>30时，扫描结束（因为毛刺为锯齿状，边缘呈渐进变化趋势，实验表明，此时毛刺基本消除又不会破坏面块形状。）。记录此时的边界值left。同样方式处理上、右、下边界，并记录对应的三个边界值 right，up，bottom。至此削切处理完成。（处理后效果如图6所示）
3.缺损判断
3.1特征值提取
本研究提取的两个特征值是面块的初始面积 （A初）和削切处理后面块与外接矩形的面积比（R比）。其中A初是通过扫描图像，累记面块像素个数来表示。R比是通过下式来表示：
式中：A面为削切后面块的面积，计算方法同A初; （right-left+1）（bottom-up+1）为削切后面块外接矩形的面积，其中up、bottom、left、right为第2.3步骤中得到的四个值。
3.2缺损有无的判断：
通过大量的实验统计：正常面块R比值为0.95～0.10，而缺损面块的R比值一般低于0.95。因此，只要R比<0.95则判断面块缺损。实验还发现有极少数缺损面块是与边平行断损，这种缺损面块经削切处理后整体形状仍然是矩形， R比值会接近正常面块从而造成误判。但这类面块共同的特征是断损区域较大，会造成面块初始面积明显偏小，即A初< 8000（正常面块A初在10000左右）。所以，经R比判断合格的面块要再A初值检验，如果 A初< 8000则判断面块缺损。本文通过对128块面块（其中缺损面块70块）进行实验，判断准确率达96.8%。
4. 结论
本文模拟方便面生产线设计了图像采集装置，利用触发控制抓拍到对比度较高的方便面图像。采用Visual C++ 开发了一套行之有效的软件系统。采用了“围剿算法”巧妙地去除背景，利用了“削切算法”对面块边缘进行处理，去除周边毛刺的干扰。最后提取二个特征参数即削切后面块与外接矩形的面积比值R比和初始面块面积A初来判断面块是否缺损。这样把复杂的形状识别问题转化为面积计算问题，这种方法看似简单，但其效果是常规的形状识别算法不易达到的。本实验方法另辟蹊径，其优势十分明显，识别率高、速度快、实用性强，完全满足在线检测。
