基于機器視覺的條煙分類識別與定位研究

曹冬梅，郭 壯，李東波

(1.鐘山職業(yè)技術(shù)學(xué)院工業(yè)與信息化學(xué)院，江蘇 南京 210049) (2.南京理工大學(xué)機械工程學(xué)院，江蘇 南京 210094)

相比于傳統(tǒng)機械系統(tǒng)，智能視覺在準(zhǔn)確性、速度和精度方面具有巨大的優(yōu)勢。隨著視覺技術(shù)得到長足的發(fā)展，智能化的視覺系統(tǒng)在眾多領(lǐng)域得到了廣泛應(yīng)用[1]。目前，對于種類和數(shù)量很少的產(chǎn)品，尚可人工完成分辨和定位等工作，但是對于種類復(fù)雜、數(shù)量龐大的產(chǎn)品，就需要智能系統(tǒng)的幫助。本文所述的條煙智能視覺系統(tǒng)具有運行準(zhǔn)確性高、兼容性強等特點，是煙草生產(chǎn)系統(tǒng)未來發(fā)展的方向，因此需要進(jìn)行條煙分類識別與定位方面的技術(shù)研究。

1 圖像預(yù)處理

1.1 條煙圖像全局閾值分割

目前全閾值法、局部閾值法和適應(yīng)閾值法是圖像分割中的常用算法[2]。閾值方法具有局限性，往往只適應(yīng)一種或者一類圖像，所以方法的選擇成為條煙圖像處理的重中之重。在本文的研究對象中，條煙灰度值與背景灰度值之間有著巨大的差異，所以選擇全閾值法將優(yōu)于其他兩種方法，其可以快速地分割背景，將圖像二值化。通過合理設(shè)定閾值T的大小，對圖像閾值進(jìn)行處理，關(guān)系式如下：

(1)

式中：gx,y為分割的閾值；fx,y為圖像域。

處理完成后1表示條煙像素，0表示背景像素，然后利用Halcon灰度值工具箱，迅速得到全閾值下不同形狀的條煙的分布圖，如圖1所示。

圖1 不同品牌條煙灰度直方圖

1.2 條煙圖像連通性分析

分割完成后，將所有灰度值為1的部分連通，同時標(biāo)記相同的記號，對于灰度值為0的部分同樣聯(lián)通，也標(biāo)記相同的記號，通過目前較為成熟的像素點順序標(biāo)記和行程標(biāo)記的方法進(jìn)行圖像連通性分析。

本文采用順序標(biāo)記的方法對條煙圖像進(jìn)行連通分析，過程分為兩步：首先掃描各個像素點，進(jìn)行標(biāo)記處理；隨后通過二次掃描合并重復(fù)標(biāo)記的像素點和不同編號的像素點[3]。

對于條煙表面的缺失部分，如孔洞，采用像素填充的方法，先使用fill_up算法進(jìn)行像素填充，然后利用selet_shape_std算法將條煙所在區(qū)域選擇出來。圖2中右側(cè)的圖為圖像預(yù)處理后提取得到的條煙區(qū)域。

圖2 圖像預(yù)處理后條煙區(qū)域

2 邊緣檢測與跟蹤

所謂邊緣檢測，即是找出圖像的局部突變區(qū)域。常見的突變?yōu)榛叶戎低蛔?、顏色突變和紋理突變，通過邊緣檢測找出圖形的局部區(qū)域與其他區(qū)域之間、像素目標(biāo)之間以及條煙與背景之間的突變特征和位置[4]，突變將導(dǎo)致信號的高頻化，與噪聲信號融為一體，即邊緣追蹤的結(jié)果為邊緣特征與噪聲的混合結(jié)果[5]，所以，條煙邊緣檢測是本文的重中之重。本系統(tǒng)中的邊緣檢測方法為一階、二階導(dǎo)數(shù)法?；叶戎档那髮?dǎo)如圖3所示，通過導(dǎo)數(shù)求解找出極大值和零點的位置。本系統(tǒng)中條煙邊緣檢測通過濾波、增強、檢測、定位4個步驟完成。

經(jīng)過預(yù)處理之后的條煙圖像為條煙的位置區(qū)域(包含方向)，通過gen_contour_region_xld算法將圖像區(qū)域轉(zhuǎn)化為條煙的輪廓線，如圖4中的白色線條即為轉(zhuǎn)化之后的條煙輪廓。

圖3 圖像灰度變化及導(dǎo)數(shù)

圖4 條煙區(qū)域及其XLD輪廓

3 基于圖像邊緣的模板匹配

本系統(tǒng)采用匹配模板的定位功能來確定條煙在圖像坐標(biāo)系中的位置，其中包括坐標(biāo)、旋轉(zhuǎn)角度、縮放比等參數(shù)。為了提高圖像處理算法的效率，本文采用圖像金字塔法，通過縮小圖像尺寸達(dá)到快速運行的目的，其原理如圖5所示。

圖5 圖像金字塔原理

首先提取經(jīng)過預(yù)處理的條煙圖像的特征區(qū)域，為選擇模板做準(zhǔn)備，或者以此來創(chuàng)建模板，此外還可以利用CAD軟件提前繪制模板，模板的參數(shù)主要為層數(shù)、角度、角度最小值、極性對比度等；其次根據(jù)所獲取的條煙圖像的定位以及與其相匹配的模板找出最佳模板，參數(shù)設(shè)置包含匹配系數(shù)、數(shù)目、重疊度、比例和分度值等；最后將模板去除，釋放內(nèi)存。表1是對模板匹配主要算法的介紹。

表1 模板匹配主要算法

條煙定位與匹配情況如圖6所示，其中條煙的位置坐標(biāo)和偏置角度可以動態(tài)顯示。

圖6 條煙定位結(jié)果

4 基于支持向量機的條煙分類

機器學(xué)習(xí)可以理解為應(yīng)用計算機對數(shù)據(jù)進(jìn)行建模，其本質(zhì)是一種統(tǒng)計方法，主要應(yīng)用在模式識別、聚類分析、回歸分析、密度函數(shù)估計、人工神經(jīng)網(wǎng)絡(luò)等方面[6-7]。

根據(jù)圖像的特征將圖像處理結(jié)果分類，可以分為灰度值、直方圖、紋理等，其中特征包括面積、長度、圓度、緊密度等。

灰度共生矩陣表示圖片像素的概率密度的聯(lián)合分布，不僅反映相鄰區(qū)域的灰度值變化，也反映方向和幅度的變化以及像素點之間的位置分布[7]。本系統(tǒng)采用能量、相關(guān)性、對比度、熵、均值、方差、各向異性等紋理特征對條煙分類，流程如圖7所示。

對20種不同品牌條煙進(jìn)行分類識別的主要流程如下：

1)創(chuàng)建分類器，從均值、相關(guān)性、對比度等特征入手，對樣本進(jìn)行訓(xùn)練，其維度設(shè)置為7維，對不同種類品牌的條煙設(shè)置樣本，分類個數(shù)為20；

2)提取上述20種不同品牌條煙的分類特征，將訓(xùn)練樣本構(gòu)成不同的類；

圖7 分類識別流程

3)讀取其他位置條煙的圖像特征，分類器自動識別不同條煙。

圖8為經(jīng)訓(xùn)練樣本學(xué)習(xí)之后，對圖像的分類識別結(jié)果。

圖8 條煙分類結(jié)果

經(jīng)過支持向量機訓(xùn)練模型測試，識別率達(dá)到99.8%，誤差小于0.2%，識別速度達(dá)到9條/min，檢測結(jié)果較好。

在煙草行業(yè)的實際測試中，通過增加樣本數(shù)量，對條煙的分類識別率可達(dá)99.97%以上，誤檢率小于0.03%，檢測速度可達(dá)8～10條/min，圖案偏移量為1mm，檢測效果良好，檢測精度見表2。

表2 檢測精度

5 結(jié)束語

本文主要研究條煙的分類識別與定位，測試結(jié)果表明對煙草行業(yè)效果良好，但是在實際應(yīng)用中，某些場合的檢測速度仍然達(dá)不到生產(chǎn)的要求，還需要對各個算法進(jìn)行優(yōu)化，以滿足生產(chǎn)需求。