计算机视觉技术是指依托摄像机进行图片采集，并通过计算机人工智能技术实现图片处理、分析，进而达到模拟人体视觉的功能[1-2]。计算机视觉技术融合人工智能、传感器、图像分析、信息集成等功能，不仅能对二维图片进行处理，也能实现三维的场景分析。利用计算机视觉技术批量进行数据处理和分析，可以进一步提升计算机的智能化水平[3]。随着塑料工业的进一步发展，对塑料产品的精度、质量、生产效率提出了更高的要求，将计算机视觉技术运用于塑料成品检测具有较大的市场前景，不仅能够降低人工检测的失误率，还能有效提升生产效率，实现成品检测的自动化、智能化[4]。目前，国内外开展了大量关于计算机视觉技术运用于塑料成品检测的研究，也有部分塑料工业企业尝试将视觉技术运用于实际工业检测中。在此背景下，本研究通过概述计算机视觉技术的基本构造和原理，进一步了解该技术的可应用范围，并分别归纳分析计算机视觉技术在塑料成品外观缺陷检测、尺寸检测和颜色检测等方面的应用情况，提出未来计算机视觉技术在塑料成品检测的前景和建议。1计算机视觉技术检测构造及原理计算机视觉技术在工业系统的运用，一般需要构建计算机视觉技术系统，包含光源、检测对象、光学成像系统、图片采集系统、图像处理分析系统和智能决策系统等。利用光源对检测对象进行照射成像，从而获得光学影像，通过摄像机等硬件设备对影像采集、数字化处理，将数字化图像送入计算机进行信息提取和分析，进而获得需要检测的结果[5]。研究表明，光源的种类、强度、照射角度等都会影响到检测目标成像的质量，进而影响后续的分析结果。其中，较为常见的光源包含卤素灯、荧光灯、LED等[6-7]，这些光源成本较低，但容易产生光源稳定性差的问题。为减少可见光和环境光对成像产生的影响，可使用光栅、红外光等照明系统[8]。用于获取图像的摄像机需要满足高像素和分辨率的要求，才能减少检测对象形状和外部环境产生的干扰，目前，常用于计算机视觉技术的摄像机为CCD摄像机和CMOS摄像机[9]。计算机视觉技术的检测原理一般需要经过两个环节：第一个环节是图像采集环节，依托硬件系统，通过光源、光学摄像机、自动化采集单元将检测的塑料成品进行图像采集，将采集的图像输送至电脑终端；第二个环节是依托计算机软件和程序，实现对图像信息进行加工、处理。一般常见的处理工具为边缘检测、角点检测、灰度计算、二值法等，经过处理，计算机能够实现对塑料成品的尺寸检测、缺陷检测、颜色检测和误差检测等[10-13]。2计算机视觉技术在塑料成品检测的应用2.1计算机视觉技术在塑料成品外观缺陷检测的应用塑料制品在生产加工过程中，由于操作条件、外部环境等因素影响，使得塑料成品的外观容易出现裂痕、气泡、凸点、孔洞、飞边等瑕疵，使用人工进行缺陷检测容易产生视觉疲劳，进而检测效率下降。而计算机视觉技术能克服人工检测的问题，实现高效率、高准确性的自动化检测过程，目前许多学者对计算机视觉技术在外观缺陷检测进行了研究。沈红雷[14]运用计算机视觉技术对塑料成品缺陷进行检测，为保证准确性，选用了过程简便的空域增强算法、直方图修正技术增强图像的灰度，采用模板匹配来实现检测过程的自动化。在进行图像分割时，使用双峰法识别阈值极小点的方式，利用形态学处理和区域轮廓提取完成塑料成品的缺陷检测。以塑料成品的裂纹、飞边和短射三种常见的缺陷进行验证，结果发现，用面积和周长为特征提取因素效果不明显，但使用细长度为特征效果较好，与塑料成品的缺陷像素有关，当像素区分越大，特征提取效果越好。进一步使用颜色和位置为提取特征，结果发现，对于飞边缺陷而言，位置特征效果较好，而短射缺陷则用颜色特征效果更好。孙琴等[15]设计了一套检测塑料成品的表面缺陷的计算机视觉技术，该系统能较好地识别划痕、凸点和凹坑等表面缺陷。在硬件方面，采用CCD工业相机提取信息，光源选择为百色面光源，利用运动执行机构实现检测过程的自动化；在软件方面，选择了程序简单可行的Basler Pylon实现图像采集，Halcon进行图像处理；在算法设计上，高斯滤波取值分别是10和3，使得图像中的亮度和噪声区分更为明显，图片处理是在傅里叶变换和卷积运算后绘制灰度直方图，进而提取像素信息进行闭运算。结果发现，在识别20个塑料成品缺陷后，17处缺陷被检测出，效果较好。龙淑嫔[16]设计了塑料表面质量自动检测系统。在硬件系统上构建了自动化生产线和计算机视觉相结合的检测自动化系统；在图像处理程序设计上，利用二值化图像频率来区分灰度变化，为避免点痕和划痕边界不清晰，进一步使用二维傅里叶变换区分颗粒边界。该系统的图像处理流程可以归纳为图片采集、形态学预处理、正、逆向傅里叶变换、瑕疵区域处理和结果输出。进一步验证了50个不同尺寸和面积的塑料成品，结果发现检测正确率100%，单个塑料成品检测时间仅要1.2 s。王宇杰[17]设计了塑料成品外观缺陷检测系统，选择背光源和环光源、CCD工业摄像机、模拟量和数字转换器为图像采集单元，并利用传送带实现对塑料成品的自动化控制。在图像处理算法设计方面，采取均值滤波算法，这种算法能降低噪声对图像的干扰，缩短运算时间。在图像分割上运用边缘分割算法。为验证检测系统有效性，对污点、划痕、毛刺、孔洞几种缺陷进行检测，结果发现所有样品的检测正确率约95.8%，孔洞类缺陷检测正确率约100%，毛刺类相对较低，检测正确率在90%左右。靳淑祎[18]基于计算机视觉技术，引入数字信号处理(DSP)技术设计了塑料成品表面缺陷检测系统，该系统通过工业摄像机获取塑料成品表面图像，经过转换器转化为数字图像，再传输给可编程逻辑控制器。其中，DSP技术具有高速运算的功能，能较好地适应工业生产流程。在图像处理算法设计上，设计了一种相邻区域平均去噪方法和阈值法，在图像分割程序上设计了分割阈值。进行了5组检测实验。结果表明，5组实验的误差均在2%以内，能完全满足塑料表面缺陷检测要求。张红岩等[19]概述了计算机视觉技术在泡沫塑料包装表面缺陷检测的应用。一般而言，泡沫塑料具有材质轻、易变形等特点，在加工生产中容易产生变形、污染、组织变化等问题，基于计算机视觉技术能提取塑料包装袋的长宽、面积、位置等特征信息，通过二值化对图像进行灰度化处理，进而可以比较灰度和阈值之间的差别，实现对图像的分割，可以与目标区域比对发现泡沫塑料的缺陷。李丹等[20]、陈慧丽等[21]通过实验验证了计算机视觉技术在包装表面缺陷检测的可行性，结果都取得了较好效果，能满足工业领域应用要求。但也有学者Moghimi等[22]、Molloy等[23]认为计算机视觉技术在塑料包装表面检测具有局限性，只能满足特定的实验条件和环境。方忠祥[24]将自动编码器和计算机视觉技术相结合，利用无监督的形式实现对图像的重建，通过重建后图像的差异来达到识别缺陷种类的目的。这种检测方法能够在无人工参与特征选取和缺陷图像比对的流程下识别塑料成品的表面缺陷，且准确度相对较高。在实验验证前，对模型先进行训练，设定的参数为：迭代次数30 000，批次样本量设定为16，学习率0.001。检测结果显示，裂痕的检测准确率最高，为94.4%；凹坑次之，检测准确率为93%；斑点检测准确率最低，仅有77.2%。这是因为该方法的重塑差异主要体现在边界上，而斑点缺陷的边界不明晰，容易导致检测误差。王盛[25]设计了塑料餐盒的表面缺陷检测系统，由于塑料餐盒容易出现裂纹、凸点、气泡等表面缺陷，使用人工检测效率低下，且误差率高。设计了视觉检测系统，将经过预处理后的图像进行形态学处理，进一步提取周长、面积等特征，利用归一化相关系数和余弦图像技术等进行图像处理，并通过实验验证上述三种常见表面缺陷的检测准确率。结果发现，该系统检测准确性在90%~93%之间，且不同方法检测准确率也有差别，余弦图像技术检测准确性最高，且运算时间相对更短。2.2计算机视觉技术在塑料成品尺寸检测的应用在工业生产中，塑料成品的测量方式较多，如以人工测量塑料成品尺寸，容易导致测量效率低、误差大；以坐标测量机等设备进行测量，需要对塑料成品进行操作，可能导致划痕或损伤；超声波测量则对环境的要求很高；使用计算机视觉技术用于测量塑料成品可以实现自动化、无接触、高效率测量。目前，将计算机视觉技术用于工业领域尺寸测量运用越来越广[26-29]。仲月娇等[29]使用计算机视觉技术测量塑料螺母的尺寸，利用工业相机获得六角螺母的角点亚像素信息，并根据坐标建立坐标体系，进而可以求出塑料螺母的边长和对角长度。为减少噪声影响，采用滤波处理和边缘检测对图像进行预处理，利用NSCT变换和亚像素角点检测获得精确的角点位置。为验证有效性，用视觉技术、人工检测和harris角点检测几种方法进行验证，结果发现，使用计算机视觉技术测量的相对误差较小，在0.2%左右，小于harris角点检测和人工游标卡尺检测。董志刚等[30]利用计算机视觉技术检测小模数塑料齿轮(0.1 mm≤n≤1 mm)整体误差，由于小模数齿轮空隙小、齿轮密度高、齿轮易弯折，需要用无接触技术进行尺寸检测。设计了一套计算机视觉技术，照明系统选择的是均匀背景光源，利用滤波处理、最大方差阈值法、腐蚀处理等技术进行图像预处理来消除噪声和误差影响，齿轮的误差检测方面，使用逐点坐标测量法测出多个采样点的坐标值，绘制出误差曲线。为验证结果的准确性，对12个小模数塑料齿轮整体误差进行检测，结果显示齿轮误差检测效率非常高，但也容易受到光源、检测算法的影响，可能带来一定的实验误差。在工业机床、零件齿轮检测方面，Kavitha等[31]使用高清晰度的工业摄像机来测定主轴上的误差，采用最小二乘法进行求解，结果得出，设计出的计算机视觉技术能很好地运用于大尺寸的机床误差检测。万子平等[32]采用LED背光照明减少环境光对塑料零件图像的干扰，并运用改进的图像处理算法，结果发现，计算机视觉技术能适用于塑料零件不同角度的测量，且准确性较高，能满足生产加工的需要。随着计算机视觉技术发展进一步成熟，这种方式的检测优势将被充分发挥，因此，需要学者们不断在硬件系统上完善塑料成品尺寸检测流程、优化采集的图像质量，在程序设计上精简计算方式、提升计算精度，进一步扩大计算机视觉技术的应用范围，在塑料工业尺寸检测中发挥更大作用。2.3计算机视觉技术在塑料成品颜色检测的应用我国是塑料生产大国，目前塑料的使用量已经突破亿万吨，大量的塑料没有被合理回收，进入自然界后，造成资源的浪费、环境的破坏。为提升塑料的品质，需要对塑料按照颜色回收。当前我国塑料回收以人工分拣为主，不仅对人体健康有一定的危害，而且效率低、成本高。用计算机视觉技术进行塑料的颜色分拣，能克服人工分拣的问题，适用于多种工作环境。目前计算机视觉技术进行颜色识别主要运用于食品、农业方面[33]，为将计算机视觉技术有效运用于塑料回收中，国内外也进行了一些有益尝试。温峥嵘等[34]设计了一种识别塑料瓶颜色的计算机视觉检测系统。在控制系统设计方面，塑料瓶通过传送带运输至暗箱内，被图像采集系统识别，通过图像处理和识别后，塑料瓶通过电阀门控制实现分拣。在图像处理和识别设计方面，利用中值滤波、Canny边缘检测和闭运算等过程得出塑料瓶的轮廓，对轮廓进行处理得到中心点，再提取HSV分量判断出塑料瓶的颜色，将信号传递给控制系统，实现分拣过程。采用200个塑料瓶进行验证，有色塑料的检测率高达96%，无色塑料瓶检测率为100%。徐本一[35]也设计了一种识别塑料瓶颜色的计算机视觉算法。在硬件上选择了200万像素彩色工业相机和环形背景光，使用彩色摄像机能更好地捕捉塑料瓶的颜色，环形背景光能减少阴影的影响。在图像处理方面，设计了双阈值分割法进行图像分割，这种图像分割法计算简便、结果稳定、能获取图像的高、低阈值的范围。由于在实际塑料瓶分拣中，图像很容易出现重叠，需要用Canny边缘检测和Moore轮廓追踪法获取到塑料瓶的边缘点矩阵，用SVDD模型诊断故障。在颜色分类设计方面，用Lab颜色空间、K-means颜色聚类算法实现分类，结果发现，这种方法能克服塑料瓶表面粗糙度的影响，提升识别的准确度。王洪[36]也提出了一种计算机视觉技术识别塑料样品颜色和大小的方法。在颜色识别方面，利用灰度处理和边缘检测算法获取塑料的边缘信息，运用二值化算出塑料瓶的周长和面积等参数，进而可以获得塑料的大小，利用RGB颜色识别出塑料瓶的色度坐标，通过比对得出塑料的颜色。在分拣系统设计方面，使用单片机进行分拣，使用光电感应器识别塑料的编码，进而对编码对应的颜色进行操作，就能实现对不同颜色的塑料分拣。刘政林等[37]利用RGB颜色识别法进行塑料瓶颜色识别，利用彩色的工业摄像机实现对图像的色彩分解，进而得出R、G、B三原色，为避免背景光和阴影的影响，在暗箱中进行图像采集。图像分析中，使用Canny边缘检测、中心点计算得出坐标轴，将塑料瓶信息传递给气动分离装置，控制对塑料瓶的分选过程。进一步采取实验验证设计的计算机视觉技术程序，结果得出，在传送带速度相对较低的情况下能实现100%分选，当传送带速度升至2.8 m/s时，会出现较大的误差。下一步研究需要提升计算机视觉技术的运算处理过程，提升实时分拣效率。陈婧敏等[38]建立了塑料标识颜色识别的系统，用于加速塑料回收的过程。采用工业摄像机和Matlab软件进行图像预处理，并使用加速稳健特征算法提取图像的特征点和颜色，结果显示在背景色与标志图案颜色差异大的情况下，计算机视觉技术识别效果较好。3结论目前，计算机视觉技术在塑料成品表面缺陷、尺寸检测、颜色检测等方面取得一定的研究成果，关于计算机视觉技术的硬件设计和软件设计方面，学者们进行了大胆尝试，并依此提出了相关建议，并用实验验证了计算机视觉技术的可行性。但以计算机视觉技术替代塑料工业生产的人工检测环节还远远不够，在自动化检测速度、多种检测功能融合检测、算法复杂度等方面还有不足。未来，计算机视觉技术还需要进一步完善算法设计、提升硬件系统和软件系统的衔接度、扩宽塑料成品检测范围等。