CN103559486A - 一种视频检测地板正反面的方法 - Google Patents

Abstract

本发明公开了一种视频检测地板正反面的方法，利用摄像机采集生产线上地板的图像信息，对采集到的地板图像信息进行分块，通过灰度化，颜色提取算法的处理，获取图像信息的红色分量平均值和灰度分布的最大值作为特征，利用监督学习算法识别获取图像中地板的正反面信息，之后利用摄像机持续采集生产线上地板的图像信息，并利用监督学习算法识别地板的正反面。本发明可以有效的识别生产线上地板的正反面，降低工人劳动强度，有助于提高生产效率。

Description

一种视频检测地板正反面的方法

技术领域

本发明属于数字图像处理技术和计算机技术领域，涉及一种视频检测地板正反面的方法。

背景技术

检测地板的正反面是地板生产线上必须的一道工序，直接关系到最终产品的质量。目前，常用的检测方法是人工检测，这种方法需要工人24小时值守在生产线旁对生产线上运动的地板的正反面进行判断，故而劳动单一重复，效率低下，极大的浪费了人力资源。吴长庆等提出过一种使用色差计的木板颜色分等检测方法，该方法可以对颜色差异较大的木板进行分等，但是在木板颜色较为相近时使用色差计的效果尚未可知，同时利用色差计的方法目前只用于三种不同颜色木板的分类中。

近年来计算机视觉有了很大的发展，目前针对木材的计算机视觉研究更多侧重于木材表面缺陷检测方面。结合模式识别技术，通过引入基于人工神经网络等分类算法,以颜色特征进行分类,构建板材表面缺陷的识别算法,重点论述的对缺陷分类识别的实现过程及方法。使用计算机视觉和数字图像处理技术可以取代现有的人工检测方法，大大的提高生产效率，但是，而对于地板的正反面检测的视频检测方法还少有涉及。

发明内容

技术问题：本发明提供一种检测正确率高、提高了检测效率的地板正反面的视频检测方法。

技术方案：本发明的地板正反面的视频检测方法，包括以下步骤：

1）利用摄像机分别采集地板的正面图像信息和反面图像信息；

2）将采集到的地板正面图像信息和反面图像信息分别分为N个子图像，并从每个子图像中提取出灰度图像和红色分量图像，其中N为大于等于3的奇数，且N小于图像像素点的总个数；

3）计算灰度图像的灰度分布概率并提取灰度分布概率的最大值，计算红色分量图像的平均值；

4）利用监督学习算法进行地板正反面图像信息的参数学习；

5）利用摄像机持续采集生产线上地板的图像信息，然后利用监督学习算法识别地板的正反面。

本发明方法中，步骤2）的具体流程为：将地板图像信息f(x,y)分成N幅子图像，记为f_i(x,y),i＝1,2,…,N,其中(x,y)为像素点的坐标，然后提取出每幅子图像f_i(x,y)的灰度分量值作为灰度图像g_i(x,y)，提取出f_i(x,y)的红色分量图像r_i(x,y)。上述地板图像f_i(x,y)是对地板正面图像信息和反面图像信息的统称。

本发明方法的一个优选方案中，步骤2）中将地板图像信息f(x,y)分成均等的N幅子图像；

本发明方法中，步骤3）的具体流程为：

根据下式计算灰度图像g_i(x,y)的灰度分布概率：

$p_i\left(k\right)=\frac{\underset{m=1}{\overset{H}{\mathrm{\Σ}}}\underset{n=1}{\overset{W}{\mathrm{\Σ}}}{h}_i(m,n)\·1(h_i(m,n)=k)}{W\·H},k=\mathrm{0,1},\·\·\·,255,i=\mathrm{1,2},\·\·\·,N$

其中p_i(k)为灰度值为k的像素点的灰度分布概率，k代表灰度图像g_i(x,y)的灰度值，h_i(m,n)为灰度图像g_i(x,y)在坐标(m,n)处的值，W为子图像的宽度，H为子图像的高度，符号1(h_i(m,n)＝k)表示：如果h_i(m,n)等于k，则1(h_i(m,n)＝k)为1，否则为0；

提取出灰度概率分布p_i(k)的最大值，记为maxP_i；

根据下式计算红色分量图像r_i(x,y)的平均值：

$\mathrm{mean}{R}_i=\underset{m=1}{\overset{H}{\mathrm{\Σ}}}\underset{n=1}{\overset{W}{\mathrm{\Σ}}}\frac{l_i(m,n)}{H\·W},i=\mathrm{1,2},\·\·\·,N$

其中，meanR_i为红色分量图像r_i(x,y)的平均值，l_i(m,n)为红色分量图像r_i(x,y)在坐标(m,n)处的值。

本发明方法中，步骤4）和5）中使用的监督学习算法为最小平方误差判别算法或高斯判别分析算法。

有益效果：本发明与现有技术对比，具有以下优点：

本发明提出的地板正反面检测方法的检测正确率可以与人工检测相媲美。此外，与人工检测相比，使用视频检测方法使得工作效率有了很大的提升。

本发明提出的将图像分成N块的方法，能够利用一幅图像提取出足够多的特征信息，保证了参数学习和识别的正确率。

本发明提出的灰度图像分布概率的最大值和红色分量图像的平均值这两个图像特征具有极佳的区分度。相比使用其他特征，使用本发明提出的特征能够显著的提高识别正确率。

本发明的视频检测地板正反面方法，使用数字图像处理技术，结合模式识别技术能够对现有所有类型的板材进行识别检测，对不同类型板材的颜色差异程度要求较小，并且都能够达到很高的识别正确率。相比使用色差计且只能识别三种颜色差异较大板材的方法，本发明提出的方法有明显的优势。

附图说明

图1是本发明方法中地板检测装置的原理图；

图2是本发明方法中地板正反面视频检测装置的工作示意图。

图中有：计算机系统1、摄像机2、工作状态转换开关3、状态指示灯4、显示装置5、地板6、生产线7。

具体实施方式

下面通过实施例对本发明做进一步具体说明。

实施例1：如图1和图2所示，本发明是一种视频检测地板6正反面的方法，包括以下步骤：

1）利用摄像机2分别采集地板6的正面图像信息和反面图像信息。

本发明提供了一种采集地板6图像信息的装置，包括摄像机2和计算机系统1。摄像机2采集的图像为YUV422编码格式的彩色图像，记摄像机2采集到的图像为f(x,y)。计算机系统1使用数字图像处理器DM6437系统，包括一个C64+数字图像处理器和一套视频处理子系统。视频处理子系统包括视频处理前端和视频处理后端。视频处理前端包括CCD控制器，H3A模块和一个缩放器。视频处理前端与摄像机2信号与控制端相连。摄像机2采集到的图像将实时的通过显示装置5进行显示。

数字信号处理器DM6437系统连接显示装置5。数字信号处理器DM6437系统有I/O接口与状态指示灯4相连。状态指示灯4包括红灯和绿灯。数字信号处理器DM6437系统有I/O接口与工作状态转换开关3相连。工作状态转换开关3包括“正面学习状态”，“反面学习状态”和“识别状态”三种不同的工作模式。

地板6的正面图像信息和反面图像信息的采集步骤为：

第一步，采集地板6的正面图像信息。首先在生产线7上放置正面朝上的地板6，然后将工作状态转换开关3切换至“正面学习状态”，等待片刻，至此地板6的正面图像信息采集完毕。记采集到的正面图像为f1(x,y)。

第二步，采集地板6的反面图像信息。首先在生产线7上放置反面朝上的地板6，然后将工作状态转换开关3切换至“反面学习状态”，等待片刻，至此地板6的反面图像信息采集完毕。记采集到的反面图像为f2(x,y)。

2）摄像机2采集到的地板6正面图像f1(x,y)被送入计算机系统1。在计算机系统1中将地板6的正面图像f1(x,y)分成N幅子图像，本例中取N=5，将子图像记为f1_i(x,y),i＝1,2,...,N,其中(x,y)为像素点的坐标，f1_i(x,y)为YUV422编码格式的图像，包含灰度分量（Y分量）和压缩的色差分量（U分量和V分量），三个分量的排列方式为：

V₁-Y₁-U₁-Y₂-V₂-Y₃-……

从中可以提取出f1_i(x,y)的灰度分量（Y分量）值，得到N幅灰度图像g1_i(x,y),i＝1,2,…N。

利用YUV色彩空间到RGB色彩空间的转换公式

$\left\{\begin{array}{c}R=Y+1.4075(V-128)\\ G=Y-0.3455(U-128)-0.7169(V-128)\\ B=Y+1.779(U-128)\end{array}\right.$

对N幅子图像f1_i(x,y)分别按照上式进行运算，可以得到N幅红色分量子图像r1_i(x,y),i＝1,2,…N。

同样的，摄像机2采集到的地板6反面图像f2(x,y)被送入计算机系统1，可以得到N幅灰度图像g2_i(x,y),i＝1,2,…N和N幅红色分量子图像r2_i(x,y),i＝1,2,…N。

3）根据下式计算灰度图像g1_i(x,y),i＝1,2,…N的灰度分布概率：

${\mathrm{pl}}_i\left(k\right)=\frac{\underset{m=1}{\overset{H}{\mathrm{\Σ}}}\underset{n=1}{\overset{W}{\mathrm{\Σ}}}{h}_i(m,n)\·1(h_i(m,n)=k)}{W\·H},k=\mathrm{0,1},\·\·\·,255,i=\mathrm{1,2},\·\·\·,N$

其中,N=5,p1_i(k)为灰度值为k的像素点的分布概率，k代表灰度图像g1_i(x,y)的灰度值，h_i(m,n)为灰度图像g1_i(x,y)在坐标(m,n)处的值，W为子图像的宽度，H为子图像的高度,符号1(h_i(m,n)＝k)表示：如果h_i(m,n)等于k则1(h_i(m,n)＝k)为1，否则为0；

提取出p1_i(k)的最大值，记为maxP1_i；

同样的，可以计算灰度图像g2_i(x,y),i＝1,2,…N的灰度分布概率p2_i(k)及其最大值maxP2_i。

根据下式计算红色分量图像r1_i(x,y),i＝1,2,…N的平均值：

$\mathrm{mean}{R}_i=\underset{m=1}{\overset{H}{\mathrm{\Σ}}}\underset{n=1}{\overset{W}{\mathrm{\Σ}}}\frac{l_i(m,n)}{H\·W},i=\mathrm{1,2},\·\·\·,N$

其中，meanR1_i为红色分量图像r1_i(x,y)的平均值，l_i(m,n)为红色分量图像r_i(x,y)在坐标(m,n)处的值。

同样的，可以计算红色分量图像r2_i(x,y),i＝1,2,…N的平均值meanR2_i。

4）利用最小平方误差判别算法进行地板6正反面图像信息的参数学习；

经过步骤1）、2）和3），可以得到正面图像的N组输入特征向量(1 maxP1_i meanR1_i),i＝1,2，…，N和反面图像的N输入特征向量(1 maxP2_i meanR2_i),i＝1,2，…，N。其中，N=5。

记矩阵X1为N行3列的矩阵，其中X1的各行为X1_i.＝(1 maxP1_i meanR1_i),i＝1,2,…,N。矩阵X2为N行3列的矩阵，其中X2的各行为X2_i.＝(1 maxP2_i meanR2_i),i＝1,2,…,N。然后将矩阵X1，X2按行扩展的方式扩充为矩阵A，即：

$A=\left[\begin{array}{c}X1\\ X2\end{array}\right]$

其中A为2N行3列的矩阵。记矩阵b为2N行1列的列向量，其前N行为1后九行为-1。

利用下式求得最小平方误差判别算法的权向量：

θ＝(A^TA)^-1A^Tb，

其中，θ为3行1列的权向量；矩阵b为2N行1列的列向量，其前N项为1后N项为-1；A^T表示矩阵A的转置，A^-1表示矩阵A的逆矩阵。

5）利用最小平方误差判别算法对生产线7上的地板6进行正反面识别。将工作状态转换开关3切换至“识别状态”，利用摄像机2持续采集生产线7上地板6的图像信息并执行下述的过程。对于摄像机2获取的运动地板6的每一帧视频图像f(x,y)，按照步骤2）的方法可以得到灰度图像g_i(x,y),i＝1,2,…,N和红色分量图像r_i(x,y),i＝1,2,…,N，按照步骤3）的方法，可以得到灰度分布概率的最大值maxP_i,i＝1,2,…,N和红色分量图像的平均值meanR_i,i＝1,2,…,N。由此可以得到N组特征向量X_i＝[1 maxP_i meanR_i],i＝1,2,...,N。分别判断X_iθ,i＝1,2,…,N是否大于或等于零，如果有[N/2]+1或以上的结果大于或等于零，则判定当前视频中的地板6为正面向上，否则为反面向上。其中，[N/2]表示不大于N/2的最大整数。

如果当前图像中地板6被识别为正面向上，计算机系统1将点亮状态指示灯4中的红灯，如果当前图像中地板6被识别为反面向上，则点亮状态指示灯4中的绿灯。

实施例2：本发明方法的另一种实施方案，包括以下步骤：

1）利用摄像机2分别采集地板6的正面图像信息和反面图像信息。

本发明提供了一种采集地板6图像信息的装置，包括摄像机2和计算机系统1。摄像机2采集的图像为RGB编码格式的彩色图像，记摄像机2采集到的图像为f(x,y)。计算机系统1有I/O接口与工作状态转换开关3和状态指示灯4相连。工作状态转换开关3包括“正面学习状态”，“反面学习状态”和“识别状态”三种不同的工作模式。状态指示灯4有红灯和绿灯两种指示灯。摄像机2采集到的图像将实时的通过显示装置5进行显示。

地板6的正面图像信息和反面图像信息的采集步骤为：

第一步，采集地板6的正面图像信息。首先在生产线7上放置正面朝上的地板6，然后将工作状态转换开关3切换至“正面学习状态”，等待片刻，至此地板6的正面图像信息采集完毕。记采集到的正面图像为f1(x,y)。

第二步，采集地板6的反面图像信息。首先在生产线7上放置反面朝上的地板6，然后将工作状态转换开关3切换至“反面学习状态”，等待片刻，至此地板6的反面图像信息采集完毕。记采集到的反面图像为f2(x,y)。

2）摄像机2采集到的地板6正面图像f1(x,y)被送入计算机系统1。在计算机系统1中将地板6的正面图像f1(x,y)按3×3分成九幅均等的子图像，将子图像记为f1_i(x,y),i＝1,2,...,9,其中(x,y)为像素点的坐标，f1_i(x,y)为RGB编码格式的图像，包含红色分量（Y分量），绿色分量（G分量）和蓝色分量（B分量），三个分量的排列方式为：

R₁-G₁-B₁-R₂-G₂-B₂-……

从中可以提取出f1_i(x,y)的红色分量（R分量）值，得到9幅红色分量图像r1_i(x,y),i＝1,2,…9。。

利用RGB色彩空间到灰度图像的转换公式

Gray＝0.299R+0.587G+0.114B

其中Gray为灰度图像的灰度值。对9幅子图像f1_i(x,y)分别按照上式进行运算，可以得到9幅灰度图像g1_i(x,y),i＝1,2,…9。

同样的，摄像机2采集到的地板6反面图像f2(x,y)被送入计算机系统1，可以得到9幅红色分量子图像r2_i(x,y),i＝1,2,…9和9幅灰度图像g2_i(x,y),i＝1,2,…9。

3）根据下式计算灰度图像g1_i(x,y),i＝1,2,…9的灰度分布概率：

${\mathrm{pl}}_i\left(k\right)=\frac{\underset{m=1}{\overset{H}{\mathrm{\Σ}}}\underset{n=1}{\overset{W}{\mathrm{\Σ}}}{h}_i(m,n)\·1(h_i(m,n)=k)}{W\·H},k=\mathrm{0,1},\·\·\·,255,i=\mathrm{1,2},\·\·\·,9$

其中p1_i(k)为灰度值为k的像素点的分布概率，k代表灰度图像g1_i(x,y)的灰度值，h_i(m,n)为灰度图像g1_i(x,y)在坐标(m,n)处的值，W为子图像的宽度，H为子图像的高度，符号1(h_i(m,n)＝k)表示：如果h_i(m,n)等于k则1(h_i(m,n)＝k)为1，否则为0；

提取出p1_i(k)的最大值，记为maxP1_i；

同样的，可以计算灰度图像g2_i(x,y),i＝1,2,…9的灰度分布概率p2_i(k)及其最大值maxP2_i。

根据下式计算红色分量图像r1_i(x,y),i＝1,2,…9的平均值：

$\mathrm{mean}{R}_i=\underset{m=1}{\overset{H}{\mathrm{\Σ}}}\underset{n=1}{\overset{W}{\mathrm{\Σ}}}\frac{l_i(m,n)}{H\·W},i=\mathrm{1,2},\·\·\·,9$

其中，meanR1_i为红色分量图像r1_i(x,y)的平均值，l_i(m,n)为红色分量图像r_i(x,y)在坐标(m,n)处的值。

同样的，可以计算红色分量图像r2_i(x,y),i＝1,2,…9的平均值meanR2_i。

4）利用高斯判别分析算法进行地板6正反面图像信息的参数学习；

经过步骤1）、2）和3），可以得到正面图像的九组特征向量X1_i＝(maxP1_i,meanR1_i),i＝1,2，…，9和反面图像的九组特征向量X2_i=(maxP2_i,meanR2_i),i＝1,2，…，9。

按下式计算高斯判别分析算法所需的参数：

${\mathrm{\μ}}_0=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{X1}_i}{N}$

${\mathrm{\μ}}_1=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{X2}_i}{N}$

${\mathrm{\μ}}_y=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{X1}_i+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{X2}_i}{N}$

$\mathrm{\Σ}=\frac{1}{2N}[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({X1}_i-{\mathrm{\μ}}_y){({X1}_i-{\mathrm{\μ}}_y)}^T+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({X2}_i-{\mathrm{\μ}}_y){({X2}_i-{\mathrm{\μ}}_y)}^T]$

其中，N=9，代表子图像的个数；μ₀为二维向量，代表正面特征向量的平均值；μ₁为二维向量，代表反面特征向量的平均值；μ_y为二维向量，代表正面特征向量与反面特征向量总的平均值；Σ代表协方差。

5）利用高斯判别分析算法对生产线7上的地板6进行正反面识别。将工作状态转换开关3切换至“识别状态”，利用摄像机2持续采集生产线7上地板6的图像信息并执行下述的过程。对于摄像机2获取的运动地板6的每一帧视频图像f(x,y)，按照步骤2）的方法可以得到灰度图像g_i(x,y),i＝1,2,…,9和红色分量图像r_i(x,y),i＝1,2,…,9，按照步骤3）的方法，可以得到灰度分布概率的最大值maxP_i,i＝1,2,…,9和红色分量图像的平均值meanR_i,i＝1,2,…,9。由此可以得到9组特征向量X_i＝(maxP_i,meanR_i),i＝1,2,...,9，按下式计算l_i,i＝1,2,…,N，其中N=9。

l_i＝(X_i-μ₁)Σ^-1(X_i-μ₁)^T-(X_i-μ₀)Σ^-1(X_i-μ₀)^T

分别判断l_i,i＝1,2,…,N是否大于或等于零，如果有[N/2]+1或以上的l_i大于或等于零，则判定当前图像中的地板6为正面向上，否则为反面向上。其中，[N/2]表示不大于N/2的最大整数。如果当前图像中地板6被识别为正面向上，计算机系统1将点亮状态指示灯4中的红灯，如果当前图像中地板6被识别为反面向上，则点亮状态指示灯4中的绿灯。

Claims (6)

1.一种视频检测地板正反面的方法，其特征在于，该方法包括以下步骤：

1）利用摄像机分别采集地板的正面图像信息和反面图像信息；

2）将采集到的地板正面图像信息和反面图像信息分别分为N个子图像，并从每个子图像中提取出灰度图像和红色分量图像，其中N为大于等于3的奇数，且N小于图像像素点的总个数；

3）计算灰度图像的灰度分布概率并提取所述灰度分布概率的最大值，计算红色分量图像的平均值；

4）利用监督学习算法进行地板正反面图像信息的参数学习；

5）利用摄像机持续采集生产线上地板的图像信息，然后利用监督学习算法识别地板的正反面。

2.根据权利要求1所述的视频检测地板正反面的方法，其特征在于，所述步骤2）的具体流程为：

将地板图像信息f(x,y)分成N幅子图像，记为f_i(x,y),i＝1,2,…,N,其中(x,y)为像素点的坐标，然后提取出每幅子图像f_i(x,y)的灰度分量值作为灰度图像g_i(x,y)，提取出f_i(x,y)的红色分量图像r_i(x,y)。

3.根据权利要求2所述的视频检测地板正反面的方法，其特征在于，所述步骤2）中，将地板图像信息f(x,y)分成均等的N幅子图像。

4.根据权利要求1、2或3所述的视频检测地板正反面的方法，其特征在于，所述步骤4）和5）中使用的监督学习算法为最小平方误差判别算法或高斯判别分析算法。

5.根据权利要求1、2或3所述的视频检测地板正反面的方法，其特征在于，所述步骤3）的具体流程为：

根据下式计算灰度图像g_i(x,y)的灰度分布概率：

$p_i\left(k\right)=\frac{\underset{m=1}{\overset{H}{\mathrm{\Σ}}}\underset{n=1}{\overset{W}{\mathrm{\Σ}}}{h}_i(m,n)\·1(h_i(m,n)=k)}{W\·H},k=\mathrm{0,1},\·\·\·,255,i=\mathrm{1,2},\·\·\·,N$

其中p_i(k)为灰度值为k的像素点的灰度分布概率，k代表灰度图像g_i(x,y)的灰度值，h_i(m,n)为灰度图像g_i(x,y)在坐标(m,n)处的值，W为子图像的宽度，H为子图像的高度，符号1(h_i(m,n)＝k)表示：如果h_i(m,n)等于k，则1(h_i(m,n)＝k)为1，否则为0；

提取出灰度分布概率p_i(k)的最大值，记为maxP_i；

根据下式计算红色分量图像r_i(x,y)的平均值：

$\mathrm{mean}{R}_i=\underset{m=1}{\overset{H}{\mathrm{\Σ}}}\underset{n=1}{\overset{W}{\mathrm{\Σ}}}\frac{l_i(m,n)}{H\·W},i=\mathrm{1,2},\·\·\·,N$

其中，meanR_i为红色分量图像r_i(x,y)的平均值，l_i(m,n)为红色分量图像r_i(x,y)在坐标(m,n)处的值。

6.根据权利要求5所述的视频检测地板正反面的方法，其特征在于，所述步骤4）和5）中使用的监督学习算法为最小平方误差判别算法或高斯判别分析算法。

Images