多顏色模型分割自學(xué)習(xí)k-NN設(shè)備狀態(tài)識(shí)別方法

郭雪梅,劉桂雄（.廣東省自動(dòng)化研究所，廣東　廣州50070；.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東　廣州5064）

?

多顏色模型分割自學(xué)習(xí)k-NN設(shè)備狀態(tài)識(shí)別方法

郭雪梅1,劉桂雄2
（1.廣東省自動(dòng)化研究所，廣東廣州510070；2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東廣州510641）

摘要：在浪涌測(cè)試中，由于每次識(shí)別對(duì)象不同，直接采用特征匹配每次測(cè)試前需要根據(jù)受試設(shè)備重新訓(xùn)練樣本。先根據(jù)圖像中高亮度點(diǎn)、白光所占比例，決策用于圖像分割的顏色模型（L*a*b*、HSL、HSV），實(shí)現(xiàn)自適應(yīng)分割；其次，提出自學(xué)習(xí)k-NN算法，以像素?cái)?shù)n、偏心率e、密實(shí)度比r、歐拉數(shù)E為樣本S特征向量X，構(gòu)建數(shù)據(jù)集T0，以歐氏距離D實(shí)現(xiàn)樣本分類；若樣本置信度為k，加入預(yù)備數(shù)據(jù)集Tz′中，當(dāng)Tz′滿足條件，則擴(kuò)充數(shù)據(jù)集Tz形成數(shù)據(jù)集Tz+1。結(jié)果證明：算法在9組各類樣本（共21600幀圖像）識(shí)別中，準(zhǔn)確度可達(dá)98.65%；并自學(xué)習(xí)擴(kuò)充5組樣本，距離矩陣變化較小，可見(jiàn)算法學(xué)習(xí)效率、學(xué)習(xí)準(zhǔn)確度較高。

關(guān)鍵詞：多顏色模型；k近鄰算法；自學(xué)習(xí)；浪涌測(cè)試

0 引　言

浪涌測(cè)試是CE認(rèn)證的強(qiáng)制認(rèn)證項(xiàng)目之一，標(biāo)準(zhǔn)IEC 61000-4-5——2005中將受試設(shè)備認(rèn)為黑匣子，根據(jù)設(shè)備面板指示燈、顯示屏的狀態(tài)，將抗擾度測(cè)試結(jié)果分為：工作正常、功能暫時(shí)降低或喪失、功能永久性喪失等3種情況[1]。目前浪涌測(cè)試常采用人工目視判斷或圖像特征匹配識(shí)別；人工目視判斷存在工作量大、效率低、結(jié)果判定主觀性強(qiáng)、不可溯源等問(wèn)題[2]；圖像特征匹配識(shí)別簡(jiǎn)單方便，但每次測(cè)試前需要根據(jù)受試設(shè)備重新訓(xùn)練樣本[3]，在測(cè)試現(xiàn)場(chǎng)存在振動(dòng)、陰影等干擾的情況下，識(shí)別效果難以保證[4]。Amato Giuseppe[5]基于k-NN的圖像分類算法，利用標(biāo)準(zhǔn)空間特性分類，算法的效果與分類準(zhǔn)確度得到顯著提升。華才健[6]采用形狀匹配算法與亞像素邊緣輪廓測(cè)量，實(shí)現(xiàn)工件自動(dòng)判別和定量檢測(cè)。陳耿新[7]研究一種基于可信的kNN算法，提高分類算法性能。在不同顏色空間中進(jìn)行圖像處理也是一個(gè)趨勢(shì)，尤政[8]基于RGB、HSV顏色空間轉(zhuǎn)換的實(shí)現(xiàn)交通圖像增強(qiáng)；SOLEIMANIZADEH S[9]提出一種基于RGB、HSV、YCbCr 3種顏色模型直方圖的目標(biāo)識(shí)別方法，能夠有效識(shí)別出被遮擋目標(biāo)。CHERNOV V[10]提出一種RGB至HSV的快速轉(zhuǎn)換方法。若依據(jù)不同環(huán)境、識(shí)別對(duì)象，采用相應(yīng)顏色模型進(jìn)行閾值分割，可以在少量提升計(jì)算開(kāi)銷的情況下，提高識(shí)別準(zhǔn)確率。

1 多顏色模型閾值分割方法

1.1 L*a*b*、HSL、HSV顏色模型

常見(jiàn)的RGB空間將所有的顏色看作是三基色的組合，但3個(gè)分量之間存在很強(qiáng)的相關(guān)性，不適于直接用于基于3個(gè)分量獨(dú)立運(yùn)算的圖像分割。L*a*b*顏色模型中光照亮度L*線性度最好。從RGB顏色模型到CIE L*a*b*顏色模型，需要先轉(zhuǎn)換為CIE XYZ顏色模型[11]，公式為

但在浪涌測(cè)試中，存在多種顏色狀態(tài)燈、燈具識(shí)別時(shí)白光占優(yōu)的情況，其性能較差。設(shè)m=MAX（r，g，b）、n=MIN（r，g，b），則從RGB顏色模型到HSL顏色模型的轉(zhuǎn)換[12]為

從RGB顏色模型到HSV顏色模型的轉(zhuǎn)換為

由式（4）、式（5）可見(jiàn)，在HSL顏色模型，當(dāng)且僅當(dāng)r=g=b=255時(shí)，l=255，各種有色光的最大亮度lmax∈[128,255），適合用于白光占比多的情況；在HSV顏色模型中，各種有色光的最大明度νmax=255，適合用于分辨中低亮度下的不同色燈。

1.2 多顏色模型自適應(yīng)閾值分割

以高亮度點(diǎn)所占比例、白光所占比例決策顏色模型，進(jìn)行閾值分割，設(shè)高亮閾值Tb、高亮比例閾值Rb、白光比例閾值Rw，圖像中滿足m＞Tb、n＞Tb像素個(gè)數(shù)分別為Nm、Nn，圖像Ω0總像素值NΩ，則選用不同顏色模型進(jìn)行閾值分割的規(guī)則如圖1所示。

圖1 多顏色模型閾值分割方法

設(shè)閾值切割后獲得二值圖像Ω1，點(diǎn)p（x，y）是為Ω1中坐標(biāo)（x，y，z）點(diǎn)，形態(tài)學(xué)運(yùn)算結(jié)構(gòu)為F，結(jié)構(gòu)元素F平移（x，y）后得F（x，y）[13]。則腐蝕運(yùn)算為

膨脹運(yùn)算為

先膨脹后腐蝕稱為閉運(yùn)算，即：

先腐蝕后膨脹稱為開(kāi)運(yùn)算，即：

由于浪涌測(cè)試識(shí)別對(duì)象多為光源，明暗對(duì)比大，像散現(xiàn)象嚴(yán)重，在光源邊緣會(huì)產(chǎn)生彩色邊；反射現(xiàn)象可能導(dǎo)致部分非光源位置存在高亮細(xì)長(zhǎng)區(qū)域。

故采用5階圓形結(jié)構(gòu)元素：

對(duì)Ω1先進(jìn)行1次閉運(yùn)算、1次開(kāi)運(yùn)算，連接鄰近物體、消除細(xì)長(zhǎng)或點(diǎn)狀區(qū)域，經(jīng)形態(tài)學(xué)處理后圖像Ω2為

2 自學(xué)習(xí)k-NN分類算法

在浪涌測(cè)試中，由于對(duì)象樣本與標(biāo)簽可以容易獲得，可采用k最近鄰（k-Nearest Neighbor，k-NN）分類算法進(jìn)行模式識(shí)別，算法思想為：若樣本在特征空間中的k個(gè)最相似樣本（特征值之間距離最小）中大多數(shù)屬于類別Cj，則該樣本也屬于類別Cj。設(shè)燈具、顯示屏、狀態(tài)燈、干擾（反光）分別為C1、C2、C3、C4。

設(shè)樣本S的像素?cái)?shù)n、偏心率e、密實(shí)度比r、歐拉數(shù)E，在特征空間中，S可由特征向量X與標(biāo)簽Y表示：

選擇各類別Cj均為N個(gè)的5N個(gè)樣本Si，由式（7）訓(xùn)練構(gòu)成初始數(shù)據(jù)集T0，則：

當(dāng)輸入標(biāo)簽Yr未知的樣本Sr時(shí)，其與數(shù)據(jù)集Tz（z∈N）中各樣本Si的歐幾里德距離Dri為

選取k個(gè)dri最小的樣本，構(gòu)成集合Nk（Xr），樣本Sr的標(biāo)簽Yr可由多數(shù)表決法獲得：

式中ICj（Yi）為示性函數(shù)，當(dāng)Yi=Cj時(shí)，ICj（Yi）=1；反之為0。并且，當(dāng)識(shí)別樣本Sr時(shí)，集合Nk（Xr）內(nèi)所有樣本均為類別Cj時(shí)，則將Sr加入預(yù)備數(shù)據(jù)集Tz′：

若預(yù)備數(shù)據(jù)集中Tz′有4個(gè)元素時(shí)（4個(gè)類別不同樣本），令Tz′加入數(shù)據(jù)集Tz中，形成數(shù)據(jù)集Tz+1，即：

式（9）～式（12）為自學(xué)習(xí)k-NN分類方法。該方法僅需由人工訓(xùn)練初始數(shù)據(jù)集T0，即可在后續(xù)使用中，選擇置信度為k的樣本，擴(kuò)充數(shù)據(jù)集Tz。

3 實(shí)驗(yàn)與應(yīng)用驗(yàn)證

應(yīng)用于威凱檢測(cè)技術(shù)有限公司浪涌測(cè)試中，采用TEVO-VX3-1080攝像機(jī)與上位機(jī)構(gòu)建試驗(yàn)平臺(tái)；圖2為浪涌測(cè)試設(shè)備狀態(tài)識(shí)別平臺(tái)機(jī)理。

圖2 浪涌測(cè)試設(shè)備狀態(tài)識(shí)別平臺(tái)機(jī)理圖

通過(guò)相機(jī)獲取燈具、顯示屏、狀態(tài)燈、反光等4種狀態(tài)樣本；令高亮閾值Tb=240、高亮比例閾值Rb=0.05、白光比例閾值Rw=0.2，由多顏色模型閾值分割經(jīng)形態(tài)學(xué)處理后，獲得對(duì)應(yīng)二值圖。圖3為4種狀態(tài)樣本圖像、分割與預(yù)處理后二值圖像，圖中燈具、顯示屏、狀態(tài)燈、反光分別采用紅、黃、白、藍(lán)顯示，可以準(zhǔn)確提取各圖像中的ROI。

選擇燈具、顯示屏、狀態(tài)燈樣本每類15個(gè)，共45個(gè)，并使試驗(yàn)中存在干擾情況樣本15個(gè)，以每種情況均出現(xiàn)1次為1組，共15組；其中6組用于分類算法學(xué)習(xí)，9組用于算法驗(yàn)證。驗(yàn)證用的9組樣本，均按照2幀的速率采集圖像并識(shí)別，識(shí)別時(shí)間持續(xù)5 min，則每種狀態(tài)識(shí)別圖像5 400張，并按照標(biāo)準(zhǔn)IEC 61000-4-5——2005給出評(píng)價(jià)結(jié)果。表1為9組驗(yàn)證樣本的識(shí)別結(jié)果，算法對(duì)識(shí)別對(duì)象分類準(zhǔn)確率可達(dá)98.65%。

訓(xùn)練得數(shù)據(jù)集T0在9組各類樣本的識(shí)別中，自學(xué)習(xí)擴(kuò)充5組樣本為數(shù)據(jù)集T5。表2為自學(xué)習(xí)前、后數(shù)據(jù)集的平均距離矩陣。由表2可見(jiàn)，均有較好的分類效果；在9組樣本中訓(xùn)練得5組數(shù)據(jù)集，且數(shù)據(jù)集距離矩陣變化較小，可見(jiàn)算法學(xué)習(xí)效率、學(xué)習(xí)準(zhǔn)確度較高。

表1 驗(yàn)證樣本識(shí)別結(jié)果

表2 自學(xué)習(xí)前、后數(shù)據(jù)集平均歐氏距離矩陣

4 結(jié)束語(yǔ)

1）研究基于HSV、L*a*b*、HSL的多顏色模型閾值分割方法，根據(jù)圖像中高亮度點(diǎn)、白光所占比例，決策用于圖像分割的顏色模型，解決高亮度識(shí)別、低亮度下不同色燈分辨問(wèn)題。

2）自學(xué)習(xí)k-NN分類算法，針對(duì)浪涌測(cè)試識(shí)別對(duì)象特征，以像素?cái)?shù)n、偏心率e、密實(shí)度比r、歐拉數(shù)E為樣本S特征向量X，構(gòu)建數(shù)據(jù)集T0；在樣本分類過(guò)程中，若樣本擇置信度為k，加入預(yù)備數(shù)據(jù)集Tz′中，當(dāng)Tz′滿足條件，則擴(kuò)充數(shù)據(jù)集Tz形成數(shù)據(jù)集Tz+1。

3）應(yīng)用于浪涌測(cè)試中，對(duì)主要識(shí)別對(duì)象，最高可以達(dá)到100%準(zhǔn)確的效果，在9組樣本中訓(xùn)練得5組數(shù)據(jù)集，且新數(shù)據(jù)集距離矩陣變化較小，可見(jiàn)算法學(xué)習(xí)效率、學(xué)習(xí)準(zhǔn)確度較高。

參考文獻(xiàn)

[1] WILLIAMS T，F(xiàn)LOOD J. Guidance note addresses surge test problems[J]. Compliance Engineering，2002（19）：47-49.

[2] DASILVA D A，DACOSTA E C M，DEFRANCO J L，et al. Reliability of directly-molded polymer surge arresters：Degradation by immersion test versus electrical performance[J]. International Journal of Electrical Power and Energy Systems，2013（53）：488-498.

[3] XU Y，MAENO K，NAGAHARA H，et al. Camera array calibration for light field acquisition[J]. Front Comput Sci，2015，9（5）：691-702.

[4] WANG X D，WU X J，ZHANG X R. Multi-resolution texture synthesis from turntable image sequences[J]. Front Mech Eng，2012，7（1）：72-80.

[5] AMATO G，F(xiàn)ALCHI F，GENNARO C. Geometric consistency checks for kNN based image classification relying on local features [J]. 4th International Conference on SImilarity Search and APplications，SISAP 2011，June 30，2011-July 1，2011：81-88.

[6]華才健，蹇紅梅，張燕.基于機(jī)器視覺(jué)的火花塞間隙檢測(cè)技術(shù)[J].中國(guó)測(cè)試，2014，40（5）：108-110.

[7]陳耿新，黃堅(jiān)，劉桂雄.基于可信k-NN的面向EMC浪涌測(cè)試多狀態(tài)燈模式識(shí)別[J].電子測(cè)量與儀器學(xué)報(bào)，2015（11）：1718-1724.

[8]顧明，鄭林濤，尤政.基于顏色空間轉(zhuǎn)換的交通圖像增強(qiáng)算法[J].儀器儀表學(xué)報(bào)，2015（8）：1901-1907.

[9] SOLEIMANIZADEH S，MOHAMAD D，SABA T，et al. Recognition ofpartially occluded objects based on the three different color spaces（RGB，YCbCr，HSV）[J]. 3D Research，2015，6（3）：1-10.

[10] CHERNOV V，ALANDER J，BOCHKO V. Integer-based accurate conversion between RGB and HSV color spaces[J]. Computers & Electrical Engineering，2015，46（8）：328-337.

[11] PENG Z Y，CHANG F L，DONG W H. Color harmony system based on lab perceptual uniform color space[C]∥Communications in Computer and Information Science，2015（525）：45-54.

[12] KAARNA A，LIU W，KLVIINEN H. Development of color density concept with color difference formulas in respect to human vision system[J]. Front Elect Electr Eng Chin，2011，6（2）：381-387.

[13]黃堅(jiān)，劉桂雄，王小輝.濾光片表面缺陷視覺(jué)檢測(cè)系統(tǒng)多處理器調(diào)度優(yōu)化[J].中國(guó)測(cè)試，2015，41（10）：90-93.

（編輯：李剛）

Multi-color space threshold segmentation and self-learning k-NN algorithm for surge test EUT status identification

GUO Xuemei1，LIU Guixiong2
（1. Guangzhou Institute of Automation，Guangzhou 510070，China；2. School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510641，China）

Abstract:As the identification objects vary in different surge tests，new samples need to be trained for equipment under test each time when feature matching is used to identify equipment status. Therefore，multi-color space threshold segmentation and self-learning k-NN algorithm were proposed. First，color models（L*a*b*，HSL，HSV）for image segmentation were selected to realize self-adaptive division according to the proportions of high luminance points and white luminance points in the image. Second，k-NN algorithm was proposed to construct a data set T0via a feature vector X of the sample S formed by pixel n，eccentricitye，compactness r and Euler’s numbers E，and the sample S was classified through Euclidean distance D. Third，sample confidence coefficient k was added into a preliminary data set Tz′. When Tz′met the conditions，the data set Tzwas expanded to form data set Tz+1. The results show that the accuracy is up to 98.65% after the k-NN algorithm is used to identify nine groups of different samples（totally 21 600 frames of images），and learns to expand to five additional samples. Moreover，the changes in distance matrix are small. It is thus evident that this algorithm is high in learning efficiency and accuracy.

Keywords:multi-color space；k-nearest neighbor algorithm（k-NN）；self-learning；surge test

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-5124（2016）04-0107-04

doi：10.11857/j.issn.1674-5124.2016.04.023

收稿日期：2015-12-21；收到修改稿日期：2016-01-13

基金項(xiàng)目：廣東省前沿與關(guān)鍵技術(shù)創(chuàng)新專項(xiàng)（509164744030）

作者簡(jiǎn)介：郭雪梅（1975-），女，遼寧沈陽(yáng)市人，碩士，研究方向?yàn)樽詣?dòng)化與信息工程。

通訊作者：劉桂雄（1968-），男，廣東揭陽(yáng)市人，教授，博導(dǎo)，主要從事先進(jìn)傳感與網(wǎng)絡(luò)化控制研究。