CN103927544A - 皮棉轧工质量的机器视觉分级方法 - Google Patents

Abstract

本发明涉及一种皮棉轧工质量的机器视觉分级方法，是先用图像摄取装置获取样本的图像，再对图像进行处理，获取各类检测数据，与标准数据比较进行皮棉轧工质量的分级，采集待检测皮棉样本的图像信息，并将其转化为灰度图像；检测图像中的纹理特征数值、检测图像中的疵点类数据、检测图像中的僵片类数据、检测图像中的棉结索丝类数据、将测得的纹理特征数值、疵点类数据、僵片类数据和棉结索丝类数据与各等级标准数据匹配，确定待检测皮棉样本的轧工质量等级。本发明充分利用机器视觉的优势，将其应用于皮棉轧工质量分级领域，取代人工进行皮棉轧工质量分级操作，解决了人工分级人员水平不齐、尺度不统一的问题。

Description

皮棉轧工质量的机器视觉分级方法

(一)技术领域

本发明属于图像识别应用技术领域，尤其涉及应用图像识别技术进行皮棉轧工质量分级的机器视觉分级方法。

(二)背景技术

棉花锯齿细绒棉标准规定轧工质量根据棉花的外观形态和所含疵点的程度,分为好、中、差三档。轧工质量分级由人工完成，为满足检验的实际需求，制作了国家实物标准。分级时，检验人员手持样本，在实物标准旁进行对照，确定轧工质量档次。这样检验的缺点很明显：全国各地的检验人员水平本身就参差不齐；疵点种类多，形态复杂，经验丰富的人员在实际检验时也经常做出不一致的结论；标准样本人为制作，随着时间的推移，样本的本身表面外观形态会发生改变。

机器视觉具有尺度统一，速度快，杜绝人为影响因素等特点，对实现皮棉轧工质量分级公平公正、准确高效，并且对实现分级的信息化智能化具有重要意义。

纹理是一种重要的视觉手段，是图像中普遍存在而又难以描述的特征。纹理特征是图像的三大底层特征之一，本身包含好几个特征，能量、熵、惯性矩是比较常用的三个纹理特征，能量反映了图像灰度分布均匀程度和纹理粗细度，熵表示了图像中纹理的非均匀程度或复杂程度，惯性矩反映了图像清晰度。疵点类是本发明中对皮棉疵点中破籽、带纤维籽屑、不孕籽、软籽表皮这四种疵点的统称，因为这四类疵点与本身有相似的外观形态，并且与其他疵点以及皮棉的共同的区别是绝大部分这四类疵点颜色是黑色的，故而在图像识别中将这四种疵点归为一类进行检测。因此，可利用图像摄取装置获取皮棉的图像，并对图像分析检测，获得以上几类数据作为判断皮棉轧工质量等级的依据。

(三)发明内容

为解决上述问题，本发明提供了一种基于机器视觉的皮棉轧工质量分级方法，可实现皮棉轧工质量分级的公平公正、准确高效及信息化智能化。

本发明采用的技术方案如下：

一种皮棉轧工质量的机器视觉分级方法，先用图像摄取装置获取样本的图像，再对图像进行处理，获取各类检测数据，与标准数据比较进行皮棉轧工质量的分级，具体包括如下步骤：

(1)采集待检测皮棉样本的图像信息，并将其转化为灰度图像；

(2)检测图像中的纹理特征数值；

(3)检测图像中的疵点类数据；

(4)检测图像中的僵片类数据；

(5)检测图像中的棉结索丝类数据；

(6)将测得的纹理特征数值、疵点类数据、僵片类数据和棉结索丝类数据与各等级标准数据匹配，确定待检测皮棉样本的轧工质量等级。

采集样本图像后，对图像进行分析处理，依据上述步骤分别检测四类数据，根据这四类数据判断样本的轧工质量等级。四类数据的获取方法可以是多种方式，只要是以这四类数据为依据判断皮棉等级，均在该方法的保护范围之内。下面对于步骤(2)-(5)分别优选一种检测方法，进行详细描述：

目前，纹理已有许多统计方法，如统计法、结构法等，其中灰度共生矩阵是统计法的一种，步骤(2)采用基于灰度共生矩阵的纹理提取算法，包括如下步骤：

(2.1)对步骤(1)得出的灰度图像进行灰度级量化；

(2.2)求出0度、45度、90度、135度四个方向上的共生矩阵；

(2.3)求出四个共生矩阵的特征向量，选用熵、能量和惯性矩三个特征量作为待检测样本图像的纹理特征。

步骤(3)的具体步骤为：对步骤(1)得出的灰度图像进行阈值分割，使图像呈现黑白效果，图像中的黑色区域即对应疵点类，对其检测分析得到疵点类数据。疵点中的四种疵点(破籽、带纤维籽屑、不孕籽、软籽表皮)与其他疵点以及皮棉的共同的区别是绝大部分颜色是黑色的，将其归为疵点类，阈值分割后，只有这四类疵点是黑色的，其他均为白色。以此，找出图像中的疵点类数据。

步骤(3)检测出疵点类数据后，需先对图像进行像素替换处理将疵点类像素替换掉后，再进行僵片类及棉结索丝类数据的检测。即对图片遍历，获取每个像素点的R、G、B信息，求得整张或部分图像的平均R、G、B信息，将测得的疵点的像素用整张或部分图像的平均R、G、B信息填充，获得的新图像用作下一步僵片及棉结索丝的检测，避免疵点类对两者的检测造成干扰。

将完成疵点类像素替换后的图像按步骤(4)处理，具体步骤为：提取图像S通道，对S通道进行阈值分割，结合灰度提取僵片类数据。图像的HSV三通道中H通道为色值/色调，S通道为饱和度，V通道为明度/亮度，而饱和度指的是色彩的鲜艳度，也称色彩的纯度，饱和度越大，表现越鲜明，饱和度越小，表现则较黯淡。棉花中的僵片在颜色上具有黄褐色或黄色的特征，色彩相比其他部位鲜艳，因而饱和度更大，并且灰度介于黑色和白色之间，步骤(4)通过提取图像的S通道(饱和度)，并结合灰度，即可提取僵片类数据。

将完成疵点类像素替换后的图像按步骤(5)处理，具体步骤为：

(5.1)对图像分别进行梯度化处理和提取S通道处理得到两个对应的图片；梯度化处理能检测到棉结索丝与皮棉的交界处，棉结索丝相对皮棉及其他疵点更白亮，饱和度(S值)更小，因此，可通过提取S通道获取棉结索丝数据。

(5.2)将两个图片融合到一起，进行阈值分割处理，将处理后像素个数大于设定值的区域作为疑似目标区域；事先利用已经固定好的硬件系统获取大量样本，检测获取棉结索丝区域的像素数分布情况，以像素数分布情况(最小值)确定设定值。后期只需将阈值分割处理后图片各个区域的像素个数与设定值比较来寻找疑似目标。

(5.3)对疑似目标区域结合灰度、色调、亮度、饱和度四个特征量检测棉结索丝数值，即疑似目标区域中灰度、亮度、色调分别大于整张或部分图像对应特征的平均值并且饱和度小于整张或部分图像饱和度平均值的区域认定为棉结索丝。整张或部分图像四个特征平均值的求取过程是：获取完成疵点类像素替换后的部分图像或整张图像内所有像素点的灰度、色调、亮度和饱和度，求其平均值，作为各特征的平均值。

步骤(5.2)中两图片融合的方法是对两张图片遍历，将同位置像素灰度值相加，这样，利用两种方法获取的图片之间的融合，可充分发挥两种方法在检测棉结索丝方面的优势，准确地获取棉结索丝数据。

在进行步骤(6)之前需先建立各等级皮棉的标准数据库，即选取各等级皮棉进行大量的纹理特征、疵点类、僵片类及棉结索丝类数据测量，找到各等级皮棉各个检测项目的数据中心点，将各个检测项目的数据中心点数据进行归一化处理，将归一化处理的数据中心点数据作为相应等级的标准数据；然后将待检测样本的数据与各等级标准数据进行匹配，数据最相近的等级作为待检测样本的等级。所述归一化处理在此采用min-max标准化方法，min-max标准化方法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值，其公式为：新数据＝(原数据-极小值)/(极大值-极小值)。

数据匹配时，首先将待检测样本数据进行归一化处理，运用欧氏距离公式测量待检测样本经归一化处理后的数据与各等级标准数据的距离，与样本数据距离最相近的标准数据的相应等级即为待检测样本的等级；所述的欧氏距离公式为d＝sqrt(∑(xi1-xi2)^2)，i＝1,2..n，表示第i个特征，在此对应能量、熵、惯性矩、疵点类、僵片类、棉结索丝类六个特征，xi1表示待检测样本的第i维坐标,xi2表示某等级标准数据第i维坐标。利用欧氏距离公式对待检测样本中的六个检测项目与某等级标准数据的相应检测项目值的距离差的平方累加后再求平方根，得出待检测样本与该等级标准数据的距离，对应各等级分别求出一个距离，其中距离最小值对应的那个等级，判定为该检测样本的等级。

本发明充分利用机器视觉的优势，将其应用于皮棉轧工质量分级领域，取代人工进行皮棉轧工质量分级操作，解决了人工分级人员水平不齐、尺度不统一的问题，避免了样本本身形态不稳定对分级造成的不良影响，实现了棉花分级操作的公平公正和准确高效，并实现了棉花分级的智能化和信息化。

(四)附图说明

图1是本发明所用装置的结构示意图；

图2是本发明的工作流程图；

图3是本发明的疵点类提取流程图；

图4是本发明的疵点部分填充流程图；

图5是本发明的僵片提取流程图；

图6是本发明的棉结索丝提取流程图；

图中，1、待检测样本，2、透光板，3、LED光源，4、摄像头，5、计算机主机，6、显示器。

(五)具体实施方式

下面结合附图具体说明本发明的实施方式，但不用来限制本发明的保护范围。

一种皮棉轧工质量的机器视觉分级方法，如图1所示，该方法所用的设备包括一装有可开关门的箱体，箱体顶部设有透光板2，箱体两相对的侧壁中部分别设有一水平布置的条形LED光源3，LED光源3下方设有一摄像头4，摄像头4对准透光板2，箱体底部设有一与摄像头电连接的计算机主机5，计算机主机5与箱体外的显示器6电连接。检测时，在箱体外面将待检测样本置于透光板上，两个条形LED光源对称分布，将光均压的照射在透光板上，摄像头摄取待检测样本的图像，并传输给计算机主机处理，将处理获得的样本等级在显示器上显示，显示器同时显示摄取的图像。

如图2-6所示，该方法的具体步骤如下：

(1)采集待检测皮棉样本的图像信息，并将其转化为灰度图像A。

(2)检测图像A中的纹理特征数值：

(2.1)对图像A进行灰度级量化；

(2.2)求出0度、45度、90度、135度四个方向上的共生矩阵；

(2.3)求出四个共生矩阵的特征向量，选用熵、能量和惯性矩三个特征量作为待检测样本图像的纹理特征。

(3)检测图像A中的疵点类数据：对图像A进行阈值分割，使图像呈现黑白效果，图像中的黑色区域即对应疵点类，对其检测分析得到疵点类数据。经该步处理后的图像称为图像B。

检测到图像中的黑颜色疵点类之后，对图像B遍历，获取每个像素点的R、G、B信息，求得整张或部分图像的平均R、G、B信息，将测得的疵点类的像素用整张或部分图像的平均R、G、B信息填充，获得的新图像C用作下一步僵片及棉结索丝的检测。

(4)检测新图像C中的僵片类数据：提取图像S通道，对S通道进行阈值分割，结合灰度提取僵片类数据。S通道即饱和度，饱和度最大且灰度介于黑色和白色之间的为僵片类数据。

(5)检测新图像C中的棉结索丝类数据；

(5.1)选取图像C的一部分，获取所选部分所有像素点的灰度、色调、亮度和饱和度值，并求其平均值，作为图像C各特征的平均值；

(5.2)对图像C分别进行梯度化处理和提取S通道处理得到两个对应的图片；

(5.3)对两张图片遍历，将同位置像素灰度值相加，将两个图片融合到一起，进行阈值分割处理，将处理后像素个数大于设定值的区域作为疑似目标区域；

(5.4)对疑似目标区域结合灰度、色调、亮度、饱和度四个特征量检测棉结索丝，即疑似目标区域中灰度、亮度、色调分别大于图像C对应特征的平均值并且饱和度小于图像饱和度平均值的区域认定为棉结索丝。

(6)事先建立各等级皮棉的标准数据库，即选取各等级皮棉进行大量的纹理特征、疵点类、僵片类及棉结索丝类数据测量，找到各等级皮棉各个检测项目的数据中心点，将各个检测项目的数据中心点数据进行归一化处理，将归一化处理的数据中心点数据作为相应等级的标准数据；将待检测样本的数据进行归一化处理，运用欧氏距离公式测量待检测样本经归一化处理后的数据与各等级标准数据的距离，与样本数据距离最相近的标准数据的相应等级即为待检测样本的等级；所述的欧氏距离公式为d＝sqrt(∑(xi1-xi2)^2)，i＝1,2..n，表示第i个特征，在此对应能量、熵、惯性矩、疵点类、僵片类、棉结索丝类六个特征，xi1表示待检测样本的第i维坐标,xi2表示某等级标准数据第i维坐标。利用欧氏距离公式对待检测样本中的六个检测项目与某等级标准数据的相应检测项目值的距离差的平方累加后再求平方根，得出待检测样本与该等级标准数据的距离，对应各等级分别求出一个距离，其中距离最小值对应的那个等级，判定为该检测样本的等级。

上述内容仅是本发明的优选实施方式，任何基于本发明的构思所作出的变化和变形，均落入本发明的保护范围内。

Claims (9)

1.一种皮棉轧工质量的机器视觉分级方法，其特征在于包括如下步骤：

(1)采集待检测皮棉样本的图像信息，并将其转化为灰度图像；

(2)检测图像中的纹理特征数值；

(3)检测图像中的疵点类数据；

(4)检测图像中的僵片类数据；

(5)检测图像中的棉结索丝类数据；

(6)将测得的纹理特征数值、疵点类数据、僵片类数据和棉结索丝类数据与各等级标准数据匹配，确定待检测皮棉样本的轧工质量等级。

2.根据权利要求1所述的皮棉轧工质量的机器视觉分级方法，其特征在于：步骤(2)采用基于灰度共生矩阵的纹理提取算法，包括如下步骤：

(2.1)对步骤(1)得出的灰度图像进行灰度级量化；

(2.2)求出0度、45度、90度、135度四个方向上的共生矩阵；

(2.3)求出四个共生矩阵的特征向量，选用熵、能量和惯性矩三个特征量作为待检测样本图像的纹理特征。

3.根据权利要求1所述的皮棉轧工质量的机器视觉分级方法，其特征在于：步骤(3)的具体步骤为：对步骤(1)得出的灰度图像进行阈值分割，使图像呈现黑白效果，图像中的黑色区域即对应疵点类，对其检测分析得到疵点类数据。

4.根据权利要求3所述的皮棉轧工质量的机器视觉分级方法，其特征在于：步骤(3)检测出疵点类数据后，需先对图像进行像素替换处理将疵点类像素替换掉后，再进行僵片类及棉结索丝类数据的检测。

5.根据权利要求4所述的皮棉轧工质量的机器视觉分级方法，其特征在于：步骤(4)的具体步骤为：对疵点类像素替换后的图像提取S通道，对S通道进行阈值分割，结合灰度提取僵片类数据。

6.根据权利要求4所述的皮棉轧工质量的机器视觉分级方法，其特征在于：步骤(5)的具体步骤为：

(5.1)对疵点类像素替换后的图像分别进行梯度化处理和提取S通道处理得到两个对应的图片；

(5.2)将两个图片融合到一起，进行阈值分割处理，将处理后像素个数大于设定值的区域作为疑似目标区域；

(5.3)对疑似目标区域结合灰度、色调、亮度、饱和度四个特征量检测棉结索丝，即疑似目标区域中灰度、亮度、色调分别大于整个图像对应特征的平均值并且饱和度小于整个图像饱和度平均值的区域认定为棉结索丝。

7.根据权利要求6所述的皮棉轧工质量的机器视觉分级方法，其特征在于：步骤(5.2)中两图片融合的方法是对两张图片遍历，将同位置像素灰度值相加。

8.根据权利要求1所述的皮棉轧工质量的机器视觉分级方法，其特征在于：在进行步骤(6)之前需先建立各等级皮棉的标准数据库，即选取各等级皮棉进行大量的纹理特征、疵点类、僵片类及棉结索丝类数据测量，找到各等级皮棉各个检测项目的数据中心点，将各个检测项目的数据中心点数据进行归一化处理，将归一化处理的数据中心点数据作为相应等级的标准数据；然后将待检测样本的数据与各等级标准数据进行匹配，数据最相近的等级作为待检测样本的等级。

9.根据权利要求8所述的皮棉轧工质量的机器视觉分级方法，其特征在于：数据匹配时，首先将待检测的样本数据进行归一化处理，运用欧氏距离公式测量待检测样本经归一化处理后的数据与各等级标准数据的距离，与样本数据距离最相近的标准数据的相应等级即为待检测样本的等级；所述的欧氏距离公式为d＝sqrt(∑(xi1-xi2)^2)，i＝1,2..n，表示第i个特征，在此对应能量、熵、惯性矩、疵点类、僵片类、棉结索丝类六个特征，xi1表示待检测样本的第i维坐标,xi2表示某等级标准数据第i维坐标。