摘要：机器视觉检测容器内液体体积的关键在于液面图像识别。根据目标成像特征， 研究了基于液面特征和基于参考特征的透明 容器液面机器视觉检测方法。通过图像实例与成像机理分析发现， 利用液面灰度特征和边缘特征的液面检测方法受液面形态和成 像质量的影响较大， 而利用外部参照物折射成像出现分离带的液面检测方法在工业相机平视液面时亦容易导致检测失败， 且自上 而下的搜索方式存在检测误差大的问题。为了提高检测稳定性， 提出了一种基于外部参考成像特征的液面检测新方法。该方法基 于透明容器影响参照物成像的规律作为检测原理， 通过检测参照物的行间梯度， 利用液面处梯度最大的特征， 自下而上搜索和识 别液面。新检测方法不仅增强了液面识别的鲁棒性，还提高了液面检测的准确性。

　　关键词：机器视觉; 液面检测; 图像识别; 灰度;梯度

　　Machine Vision Method for Liquid Level Detection in Transparent Containers

　　Sun Xiaohui1 ，Zhu Honglei1 ，Cai Yonghong2

　　( 1. Guangzhou Institute of Technology, Guangzhou 510075. China;

　　2. Guangzhou Institute of Measuring and Test Technology, Guangzhou 510663. China)

　　Abstract: The key to detecting the volume of liquid in a container using machine vision is liquid level image recognition. Based on the imaging features of the target, machine vision detection methods for transparent container liquid level based on liquid level features and reference features are studied. Through image examples and imaging mechanism analysis, it is found that the liquid level detection method using grayscale and edge features of the liquid level is greatly affected by the shape and imaging quality of the liquid level. However, the liquid level detection method using external reference refraction imaging with separation bands is also prone to detection failure when industrial cameras view the liquid level horizontally, and the top-down search method has a problem of large detection errors. In order to improve detection stability, a new method for liquid level detection based on external reference imaging features is proposed. The method is based on the rule that transparent containers affect the imaging of reference objects as the detection principle. By detecting the inter line gradient of the reference object and utilizing the feature of the maximum gradient at the liquid level, the liquid level is searched and recognized from bottom to top. The new detection method not only enhances the robustness of liquid level recognition, but also improves the accuracy of liquid level detection.

　　Key words: machine vision; liquid level detection; image recognition; grayscale; gradient

　　引言

　　在工业生产流水线、品质检验与研发实验室里， 常 常需要计量投料、定量取样。固体物料一般可用称重法 计量， 液体则用容量法取样。所谓容量法， 就是使用标 有容量示值的透明量器(如量筒、量瓶、量管等) 测量 内容物体积的方法。它是通过比较容器内液体的液面与 容器壁容积刻度(或容量标线， 以下统称标线) 之间的 间距来实现测量的。当液面底部与标线上边缘水平相切 时， 对应量值即为容器内液体的体积。为了能清晰观察 液面，容器一般是透明材质。

　　机器视觉是人工智能的关键技术之一， 是机器感知 外部环境、与外界交互与决策的“眼睛” [1-3]。近年来， “机器视觉 +检测”得到了广大一线工作者的关注和研究， 用于解决自动化生产对智能检测的需求， 涉及机器 视觉、图像处理、坐标变换和计算机等技术， 是基于图 像与世界的关系， 进行目标识别、特征分析、空间定位 和参数检测的一门技术[4-6]。其中， 参数检测的示值一般 有数字式[7]、指针式[8]、物位式[9]3 种。当机器视觉技术 应用于容量法检测时， 作为一种物位式测量， 其关键在 于获取图像中液面底部与容器标线之间的距离信息， 图 像处理的首要任务则在于对目标——液面的识别[10-12]。

　　蔡永洪[13-14]公开了一种量入式玻璃量器的液面自动 调定方法。该方法将液面上方 ROI 区域划分为若干相邻 的小区域， 通过比较当前时刻采集的图像与上一时刻的 图像中各小区域的灰度变化， 其中变化最大且超过阈值 的小区域被认为是液面所在位置。显然， 该方法识别液面的精准度与 ROI 的细分程度有关。当小区域的高度等于 1 个像素时，该方法的准确度达到最高。张笑源[15]采用相 机对容器以俯侧视角进行拍摄的方式，获得表面反光的液 面，通过图像处理得其边缘信息，利用椭圆拟合算法得到 液面和容器顶部椭圆模型参数，计算两个椭圆在同短轴方 向上的高度差，即可得出液面和容器顶部之间的距离。上 述方法当中，前者是利用液面灰度特征进行检测，后者是 利用液面边缘特征进行检测，二者均以液面成像质量为前 提条件，检测效率和识别准确性受此影响较大。为了提高 检测的稳定性，人们提出了基于外部参考成像的液面检测 方法。徐亚顺[16]利用单晶炉中特殊结构在硅熔液上的倒影 图像为检测目标，通过图像处理，实现高温硅熔体液面变 化的非接触式检测。黄玲[17]设计了一种带标杆的透明瓶装 液体液位检测系统，基于液体折射原理，图像中瓶身后的 标杆在液面处会出现虚拟的分离现象——上下段分离开， 通过图像处理确定标杆断开的位置从而得到液位高度。

　　本文在液面成像分析的基础上， 提出基于液面特征 和参考特征检测透明容器液面的方法之问题， 提出一种 改进的液面检测方法。

　　1 液面成像分析

　　对于透明容器， 容器内的液体和容器外的背景是能 够透过容器而被机器视觉系统所成像的。当装入容器内 的是一种无色透明液体时， 液体将无法成像， 但液面却 可能因反射强光而被相机捕获成像， 形成高亮图形， 为 图像目标识别提供了显著特征。因此， 利用布光增强目 标特征， 使液面边界清晰而明亮， 是利用液面成像特征 检测透明容器液面的基础。

　　然而，根据测量规范， 液面观察应采用平视的姿态， 即相机应与液面几乎水平。这时， 液面形态就成为了成 像的关键。根据液体对容器浸润作用及表面张力的大小， 液面形态一般有下凹、上凸和无明显凹凸 3 种情形。由 于凹凸曲面具有连续角度的反射面， 总能将入射光线以 水平方向反射出去， 确保相机成像。图 1 所示是相机位 于某容量瓶(250 mL) 标线水平面上拍摄的， 水液面刚 好调定(与标线上边缘相切) 时的图像。显然， 液面高 亮灰度的特征十分明显， 液面容易图像识别。然而， 对 于液面无明显凹凸、静如平面的情形， 当相机同样处于 平视条件下拍摄时， 液面的反射光是无法进入相机而成 像的，这时液面将在图像中“消失”，不仅观察不到液面 的灰度特征， 而且如文献[17]所述的由液体折射产生的 参照物“分离带”也难以形成。于是，在目标特征无法有 效建立的情形下，机器视觉就难以进行正确的图像识别。

　　图 2 所示是某 500 mL 容量瓶在图 1 视觉系统下调定 时的图像， 可以看到， 液面与容量瓶标线几乎重合， 而 且灰度特征十分不明显， 邻域梯度小而难以有效检测到 边缘， 导致液面识别失败。

　　图 3 所示是某 1 000 mL 容量瓶在图 1 视觉系统下调定 时的图像，图中呈竖直方向的白色带是外部参照物所成的 像。同样地， 图 3 的液面灰度特征也十分不明显，这时若 采用灰度检测的方法亦容易导致液面识别失败。但若采用 如文献[17]所述的参照物折射成像出现“分离带”的检测 方法——逐行扫描参照物(一段连续的高灰阶像素)直到 某行检测不到参照物时即确定该行是液面位置，观察图中 参照物的上下两段分开处发现，在工业相机平视液面的情形下参照物并没有明显的空 白分离带，这为液面识别带 来困难。而且，该方法采用 自上而下的方向搜索， 以最 先出现的分离带上边缘作为 液面位置，这与一般取液面 最低点为测量参考点的要求 不相一致，产生较大误差。

　　2 改进的液面检测方法

　　鉴于液面灰度特征检测方法和参照物折射分离带检测 方法的局限性，本文提出一种基于外部参考成像的液面检 测新方法。该方法利用容器对引入的标记物成像影响的规 律来达到液面识别的目的。具体方法是，使用一条细带作 为标记物，竖直安装在圆形透明容器的后方，安装位置应 以工业相机拍摄到的细带位于圆瓶范围内并且适当偏离圆 瓶中轴线一定距离为宜，如图4所示。当容器尚未注入液体时，相机透过圆瓶拍摄到的 细带图像将是一条连续的丝 带图形。当圆瓶内注入透明 液体后，相机拍摄到的细带 图像将是截断为上下两段的 丝带，两段平行错开。错开 处斜率突变，梯度特征明显。

　　实际上， 圆截面的透明容器因充实液体介质而具有 了凸透镜的成像性质。因此， 根据凸透镜成像原理， 细 带经圆瓶容器充液部分在相机处将形成“倒立”的实像。 所谓倒立，是指物与像关于光轴成“反对称”关系。由于 相机正对容器，光轴就是容器的中轴线。当细带位于中轴 线左(右)侧时，成像就在右(左)侧; 细带在左(右) 侧偏离越大，成像就在右(左)侧偏离越大。然而， 中空容器却不具有凸透镜成像性质，细带经透明容器中空部分 在相机处形成“正立”的实像(这里忽略相机内部成像系 统的处理)， 即物与像在中轴线同侧。由此可见，对于充液 未满的圆瓶容器，细带将在液面以上成正像，在液面以下 成倒像，液面成为两个像的分界面。成像特征如图5 所示。 当细带偏离光轴时，正像和倒像将以相反方向偏离光轴， 平行错开， 分列于容器中轴线的两侧， 成“台阶”状。 基于此， 在机器视觉图像处理时， 当检测到图像中丝带 在容器径向上出现“台阶”时， 即判断可能遇到液面了。

　　另外， 为了减小背景干扰， 宜使用黑色吸光背景和 白色细带(以下称白带)， 并在工业相机的上方安装照明 光源。为了减小运算量， 可将图像转为灰度图， 并选取 一矩形区域为 ROI(感兴趣区域)， 如图 6 所示。由于容 器壁高亮可能会对检测造成干扰，故 ROI 应避开瓶壁。

　　3 程序实现

　　在机器视觉检测算法实现上， 基于外部参考成像的 液面检测新方法采用以下步骤和算法。

　　( 1) 检测白带：利用白带具有显著高灰度的特征，对 ROI 自上而下、逐行检测高亮(灰度255)连通域，找到长 度最大的连通域，并用它的中点标记白带，记作(xi ，i)， i为行序号，i=0.1.2.…。最终，白带简化为一组坐标点。

　　(2 )检测台阶： 计算白带各点在 x 方向的梯度， 即 Δxi=|xi+1 -xi |，利用台阶梯度大的特征， 当检测到 Δxi>δ时 (δ为阈值)， 则判断此处有台阶。

　　(3) 判定液面： 由于液面凹陷会对强光形成曲面反 射，图像中的液面呈现为一个高亮的弯月面。液面凹陷越 大，弯月面也越大。弯月面会导致在检测台阶时可能出现 多处梯度大于阈值，即台阶不止一个。根据真实液面应取 自弯月面最低点处的规定，从梯度数组[Δxi]中顺序找出最 后一个或者倒序找出第一个大于阈值 δ的台阶， 对应的 坐标点( xi ，i) 即为真实液面所在的位置， 如图 7 所示。

　　4 结束语

　　综上所述， 常用的容器液面机器视觉检测方法有液 面灰度检测法和外部参考成像分析法。其中，液面灰度检 测法仅适用于液面成像表现出显著高亮特征的情形，受液面形态影响的局限性较大。基于外部参考成像特征的图形 分析法则不受液面形态影响。本文提出的方法使用高亮度 细带作为标记物，安装在透明圆瓶容器后方偏离中轴线一 侧， 图像中细带被液面截断为上下两段， 彼此错开， 形 如“台阶”，径向梯度特征显著。该方法具有以下特点。

　　( 1) 通过添加标记物达到目标特征增强的目的， 提 高了图像处理目标识别的成功率。

　　(2)利用透明圆瓶容器充液前后成像性质发生转变的 客观规律作为目标检测原理，提高了机器视觉的鲁棒性。

　　(3) 考虑了图像中的液面是一个具有一定大小的弯 月面， 满足梯度条件的台阶可能不止一处的情形， 提出 采用梯度数组[Δxi]中顺序最后一个或者倒序第一个满足 条件的台阶来确定真实液面所在位置的办法， 提高了机 器视觉的准确性。

　参考文献：

　　[1] 施畅 . 机器之眼:从操作图像到智能视觉[J].南京社会科学 , 2022(12): 135-144.

　　[2] 乔平 , 乔有田 . 基于机器视觉的智能小车设计[J]. 电子技术 , 2022. 51(12): 6-8.

　　[3] 田学军, 彭雪敏, 谭文渊 . 基于嵌入式机器视觉的机器人抓取 系统[J]. 机电工程技术, 2019.48(12): 26-29.

　　[4] 王艳 . 机器视觉测量技术研究与应用[D].武汉: 华中师范大 学, 2018.

　　[5] 王贺迎, 张明志,郭京,等 . 大场景深度范围下的角度校验立体 匹配算法[J]. 宇航计测技术,2019.39(6): 7-13.

　　[6] 王一博,韩巧丽, 张曦文,等 . 基于机器视觉的风力机叶片损伤 检测系统[J]. 科学技术与工程,2022.22(12): 4879-4886.

　　[7] 彭诚,丁蔚,侯旭玮,等 . 基于机器视觉的万用表数字识别技术 研究[J]. 宇航计测技术, 2020.40(1): 61-66.

　　[8] 赵辉,姜立锋,王红君,等 . 基于机器视觉的指针式仪表检测[J]. 科学技术与工程, 2021.21(34): 14665-14672.

　　[9] 杜兵 . 基于机器视觉的高精度小尺寸测量方法[J].机电工程 技术, 2021.50(4): 68-70.

　　[10] 张宁 . 基于图像识别的玻璃量器自动检定装置控制系统的 开发[D].太原:太原理工大学,2019.

　　[11] 徐志凯,颜黄苹,王金珍 . 基于机器视觉的水银血压计自动读 数系统[J]. 计量与测试技术, 2020.47(2):1-5.

　　[12] 陆秦江 . 基于图像处理的试管识别系统的设计与实现[D]. 苏 州:苏州大学, 2017.

　　[13] 蔡永洪,李维明 . 量入式玻璃量器的液面自动调定方法及装 置、设备: CN202210646107.8[P]. 2022-06-08.

　　[14] 张晓凤,蔡永洪,赵书显, 等 . 一种机器视觉调定玻璃量器液 面的方法[J]. 机电工程技术,2022.51(11):138-141.

　　[15] 张笑源,刘堂友, 于符婷 . 基于椭圆检测的液面距容器顶部高 度差预测[J]. 电脑与信息技术,2022.30(3): 19-23.

　　[16] 徐亚顺,李轩,王晓杰,等 . 单晶硅熔液面位置检测的图像处理 方法研究[J]. 光学技术, 2020. 46(5): 562-567.

　　[17] 黄玲,张叶林,胡波,等 . 基于机器视觉的透明瓶装液体液位自 动检测[J]. 自动化与仪表, 2012(2): 57-60.