CN105447514A - 一种基于信息熵的金属识别方法 - Google Patents

Abstract

本发明公开了一种基于信息熵的金属识别方法，属于图像识别技术领域。该方法首先对样本图像进行多级小波变换，然后采用K均值算法进行一次识别，对于尚未识别的样本，对变换后的多级小波变换熵值进行分析，利用决策树算法进行二次识别。该方法通过多层次识别，在提高识别速度的同时保证了算法的准确度。算法速度快，准确程度高，识别效率高，能够满足实时性的要求。所述方法支持并行处理，识别所需设备简单环保，适用性广，不仅适用于铜、铝合金及不锈钢的识别，在拥有充足样本的情况下，由于不同金属及其合金的硬度和颜色都有一定程度上的差别，因此本发明所述方法可以区分更多种类的有色金属。

Description

一种基于信息熵的金属识别方法

技术领域

本发明属于图像识别技术领域，具体是指一种基于信息熵的快速金属识别方法，适用于金属分选流水线的识别。

技术背景

随着经济发展，中国市场已越来越不满足于原生金属的产量和高耗能，与此同时，再生金属则得到了愈加广泛的关注。近些年我国废旧金属保有量的日益庞大，回收有色金属的需求快速增长，回收拆解行业也将迎来快速发展期。以有色金属的主要回收对象汽车为例，规范报废汽车回收拆解行业的发展对我国汽车产业和循环经济的发展至关重要，但目前国内报废汽车回收率不足20％。

汽车，包括车身、发动机组件等一系列物料，这些输入物料经过磁选后通常含有大量的铁金属(如不锈钢)、有色金属(如铝、铜、黄铜)、塑料、玻璃及其它复合物。经过磁选等已经成熟的技术手段，从复杂的报废汽车混合物中可以获得非铁金属组成的混合物料，需要进一步处理以获取纯净单一的产品组份。回收报废汽车中的大量珍贵资源不仅节约自然资源，也可大幅降低生产成本，如相比原生铝的生产，使用报废汽车的再生铝可以节省大约90％能耗。针对报废物件产生的铝合金、铜合金以及不锈钢等可回收材料，需要产生一种快速且环保的分选回收方法。

国内外金属的筛选成果主要以工业界设备为主，以从废料中分离金属为例，常用的方法有物理分选、湿法冶金(包括生物浸出)和火法处理。火法处理将电子废弃物焚烧去除塑料和其他有机成分而富集金属。该法存在以下问题：(1)有毒气体易逸出、挥发，某些金属熔于炉渣造成损失；(2)不能回收大量非金属成分如塑料等。湿法冶金包括浸出和提取工序，是将粉碎后的废弃物在酸性或碱性条件下浸出金属。缺点是部分金属的浸出率低，特别是金属被覆盖时，贵金属更是很难浸出，产生的含强酸和有剧毒的氰化物等废液，对环境危害较大。生物浸出的主要缺陷在于浸出时间过长，而且苛刻的运行条件使其应用受到限制。

物理分选的优点较多，除了二次污染较小外，发展潜力较大，只要充分利用各种物理、化学性质的差异，借鉴矿物加工微细粒分选技术的成果，就能克服现行的传统物理分选得到产品纯度不高的问题。近年来，随着对环境保护的重视，废弃物的物理分选成为废弃物资源化的研究和正规的工业处理的主要方法。

传统的物理方法以涡电流筛选为主，涡电流分选设备特别适用于高电导率低密度物质与低电导率高密度物质及导体与非导体之间的分离，因设备装有永久磁体，在分选之前原料须磁选除铁，避免铁磁性物质因涡电流而产生高热损害设备。根据不同金属对涡电流产生的不同的排斥力，从而使其跳离生产线，实现筛选。

浮选是微细粒物料分选的有效手段。有机高分子表面疏水性强，而金属亲水性强，浮选法很容易分离细粒级金属与塑料。

实时的基于光学的识别快速环保，但相对其他方法难度较大，是目前的重点研究方向。目前利用金属表面对光的反应的研究仍处在起步阶段。学术研究方面，金属表面外光学研究主要集中在金相组织这种微观级别，或利用化学方法，如利用金属离子蒸汽的光学特性等进行判断。光学的相关研究如：纹理分割、缺陷检测等。红外线、可见光的缺陷检测、X光测定元素种类及比例的研究较为成熟。

X光对不同密度的物质的穿透能力各不相同，原子序数越高的重金属对X光的阻隔越大，因此接收装置根据接收到的X光图像对目标材质的金属进行分类。目前国内外便携式及X光机以及X光安检设备已经普及，相关的X光检测技术已经成熟。

近红外适用于有机物的检测，在遥感领域应用较为广泛。如对重金属铜对小麦的污染，其近红外光谱受铜浓度升高而体现出近红外光区反射率降低。红外光谱同样可以用于矿物检测。在工业生产中，近红外逐渐被开发，用作汽车回收中对塑料及部分有机物的剔除或者回收。

从上述技术中可以看出，传统的湿法冶金及火法处理对环境有较大的损害，且效率较低，无法满足流水线作业的实时性需求。涡电流的分选效果受到金属物块大小、种类等影响，涡流磁场强度的大小难以根据快速移动的生产线上的金属碎片做出及时调整，普遍仅用于笼统地区分塑料和有色金属。加之产生磁场带来的巨大能耗和噪声，涡流筛选法并不适合新时期的废旧金属回收。浮选剂的使用同样形成了资源的消耗，且实时性要求难以满足。X光识别中，常用的便携式X光机与安检通道分别无法满足实时性以及精度需求，在处理速度要求较高的传送带上无法应用。

发明内容

针对现有技术存在的缺陷和不足，本发明提出了一种基于信息熵的快速金属识别方法。该方法首先对样本图像进行多级小波变换，然后采用K均值算法进行一次识别，对于尚未识别的样本，对变换后的多级图像熵值进行分析，利用决策树算法进行二次识别。该方法通过多层次识别，在提高识别速度的同时保证了算法的准确度。算法速度快，准确程度高，能够满足实时性的要求。

所述的基于信息熵的金属识别方法，具体包括如下步骤：

第一步，采集待识别金属的图像，得到RGB图像，称为待识别的图像，在待识别的图像上划分出待识别物体的范围，称为待识别区域S。

第二步，对待识别的图像做HSV颜色空间转换，并将Hue分量数值标准化为0至255，得到色相灰度图。

第三步，对色相灰度图进行四级小波变换。

第四步，利用K均值算法对四级小波变换的LL4低频子带色相进行识别。

第五步，在待识别区域S里随机选择一个大小固定的矩形区域R，分别得到矩形区域R在LH1、HL1、HH1中对应的区域的熵值之和E1，LH2、HL2、HH2中对应的区域的熵值之和E2，LH3、HL3、HH3中对应的区域的熵值之和E3，以及LH4、HL4、HH4中对应的区域的熵值之和E4。

第六步，计算E1/E2和一元线性拟合斜率绝对值slope。所述的一元线性拟合斜率由全部四级小波变换的熵值之和E1、E2、E3、E4线性拟合得到。

第七步，根据E1、E1/E2和一元线性拟合斜率绝对值slope三个属性值，进行决策树处理。

本发明的优点和积极效果在于：

(1)识别效率高。相比起传统的物理识别方法，本发明所述方法能够在无需停顿的情况下实现流水线金属分选，传送带的速度无需保持恒定，可以随时调整。对于整个金属分选流程，在识别算法启动前，需要对传送带图像进行金属前景提取及追踪，其效率直接影响到后续识别及抓取的结果。小波变换的第二级及以上级别对应的图像面积远远小于原图像，可进一步提升金属前景的提取及跟踪速度。此外，由于变换结果可直接作为识别算法的初始图像，并未造成多余的时间和空间复杂度消耗。HSV是根据颜色的直观特性创建的一种颜色空间，相对于RGB颜色模型能够更直观地反应纯粹的颜色信息，本发明中仅选用Hue分量色相的灰度图作为K均值分类的维度。在工业废旧金属回收生产线上，利用单一Hue分量能够迅速将金属从运动中的传送带背景里区分出来，为识别过程节约更多时间，因此，采用HSV模型有利于简化图像分析和处理的工作量。

(2)支持并行处理。该方法对每个前景区域分别进行识别，由于识别区域不同，因此可以很容易地支持并行处理。小波变换对不同层次的熵值计算也可以并行进行，无需等待所有级数全部变换完毕再进行计算。

(3)识别所需设备简单环保。相比精度较高的X光机，本发明不仅在速度上拥有优势，在设备需求上也较为简易。可见光相机以及合适的光源即可满足识别需求。相对于浮选法、振动筛选、电磁筛选等传统分选方式，机器视觉的运用避免了浮选液对环境的损耗，并减少电能的消耗。

(4)适用性广。本发明所述方法不仅适用于铜、铝合金及不锈钢的识别，在拥有充足样本的情况下，由于不同金属及其合金的硬度和颜色都有一定程度上的差别，因此本发明所述方法可以区分更多种类的有色金属。

附图说明

图1是四级小波变换的子带划分示意图；

图2A是待识别的图像的色相灰度图；

图2B是图2A中色相灰度图经过四级Haar小波变换分解后的子带图；

图3是决策树示意图；

图4是本发明的金属识别方法整体流程图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明提供一种基于信息熵的金属识别方法，在传统小波变换的基础上，仅需利用金属区域的部分图像(小区域)进行处理，并利用小波变换对图像的压缩有效地减少初步识别所带来的时间复杂度消耗，提升了识别效率。图像的信息熵在小区域识别过程中不需要反映图像灰度分布的空间特征，因此利用信息熵表述图像信源的平均信息量能够有效反应某一金属的表面纹理复杂程度，对于颜色相近但表面纹理特征相差较大的废旧非黑色金属组件，如铝板和不锈钢，小波变换的高频分量能够清晰地显示纹理信息，计算得到的信息熵差异能够有效地将它们进行区分。

单一地采用一种识别算法不能够有效地区分多种金属。本发明的金属识别方法分为两部分，第一部分利用K均值算法对Hue分量(即色相灰度图中的金属部分)进行快速识别，分离出色相差距较为明显的铜。第二部分针对色相相近的铝和不锈钢，利用信息熵对多级小波变换后的金属的纹理进行计算，从而区分难以用肉眼判断的目标。K均值算法由于仅需处理不超过三维数据，速度明显高于信息熵的计算，而针对需要精细识别的第二部分，信息熵的计算和分类由于多级小波变换和决策树训练的策略能够有效地提升时间、空间复杂度。下面将以铜、铝、不锈钢样品为例对识别流程进行说明。

本发明提供一种基于信息熵的金属识别方法，待识别的图像包含铜合金、铝合金与不锈钢三种类型的金属，具体识别方法通过如下步骤实现：

第一步，采集待识别金属的图像，得到RGB图像，称为待识别的图像，在待识别的图像上手动选择待识别物体的范围，称为待识别区域S。

第二步，对待识别的图像做HSV颜色空间转换，并将Hue分量数值标准化为0至255，得到色相灰度图，如图2A所示。

第三步，对色相灰度图进行四级小波变换。

图像经过一级小波变换后将被分解为LL、HL、LH和HH四个子带，其中LL属于低频子带，HL、LH和HH分别是水平方向、垂直方向和对角线方向的高频子带。多级小波变换就是将前一级的LL子带再一次分解为四个子带，直至达到设定的变换级数。低频子带包含了图像的轮廓信息，边缘和纹理信息则分布在小波系数的高频子带中。

如图1所示，本发明中的色相灰度图经过四级小波变换后被分解成不同的多频率子带，图2B是图2A中所示色相灰度图经过四级Haar小波变换分解的子带图。

图像经过若干级小波变换后，可得到一系列不同分辨率不同方向的子带，而且这些子带具有如下特点：

(1)不同方向的子带对应的频率不同；

(2)图像的纹理特征集中在高频子带，低频子带所占有的能量很少；

(3)相同方向不同尺度子带之间具有相关性。

低频子带经过多级变换后所占图像的比例很小，在识别过程中，如果对精度要求不高，对压缩后的低频子带进行识别能够大大提升识别的速度；而高频子带反应了物体的纹理特征，由于没有了背景的干扰可以利用信息熵快速地计算出纹理的熵值。

第四步，利用K均值算法对四级小波变换的LL4低频子带色相进行识别，识别出铜合金。

根据待识别区域S，利用K均值算法对变换后的色相灰度图进行识别，区分出颜色容易分辨的非银白色金属合金，如黄铜、红铜等，它们的色相有独特的颜色信息。此处，“颜色容易分辨”指在色相值上相差超过π/6。

在第一步中，已经在待识别的图像上划定待识别区域S，而转化为HSV模型的色相图后，待识别区域S对应的区域不变。因此在进行小波变换，导致色相灰度图被压缩后，需要根据待识别区域S的坐标和大小，在LL4低频子带的色相灰度图中找到待识别区域S对应的区域S_LL，计算区域S_LL的色相平均值A，带入K均值算法进行识别。计算色相平均值A与每个训练好的聚类中心的欧氏距离，将色相平均值A划分到欧氏距离最小的聚类中，实现对铜合金和银白色金属的识别。若为铜合金，识别结束，将待识别区域S对应物体分选出去，若为银白色金属，则将待识别区域S带入第五步。

所述的K均值算法是一种常用的模式识别算法。K均值算法分为训练阶段和识别阶段，训练阶段，首先训练数据为各类金属的色相值，随机选取色相值数据中K个数据点作为种子点，计算其余每个数据点到这些种子点的欧氏距离，并把它们标记为距离最近的种子点所属的聚类。标记完成后，每个聚类的所有数据点将被重新计算它们的聚类中心，得到新的K个种子点。这一过程持续进行，直到迭代超过一定次数、聚类评价函数达标或者聚类划分不再改变。本实施例中，以铜合金、铝合金和不锈钢为例，训练阶段，可设定聚类中心数量为2，即银白色金属与铜合金，经过对Hue值的多轮迭代训练，K均值算法得到两个聚类中心的Hue值。

在识别阶段，当新数据进入时，新数据跟训练数据里的每个聚类中心求欧氏距离，然后选择欧氏距离最小的数据点所在的聚类作为新数据所划分的聚类，即得到新数据所属金属的色相值即金属类别。

K均值算法依据的是HSV颜色模型中的色相(Hue)分量。Hue是色彩的首要特征，从光学意义上讲，色相差别是由光波波长的长短产生的，相比RGB颜色模型，Hue能够在光线产生变化的情况下较好地表达纯粹的颜色信息。

颜色相近的银白色金属及其合金，如铝和不锈钢等，表面的加工痕迹和硬度都存在差异。铝合金表面通常布满明显的沟壑，但细节纹理较少；而不锈钢表面硬度较高，加工光滑，布满人眼难以察觉的细微划痕。这些纹理特征反映在信息熵中体现为熵值的大小差异。利用小波变换得到多级高频子带的纹理特征，可以有效地将颜色相近的金属区分开。

图像的信息熵反映了图像中平均信息量的多少，或图像的复杂程度。图像的一维信息熵表示图像中灰度分布的聚集特征所包含的信息量，令p_i表示色相灰度图中灰度值为i的像素所占的比例，则定义色相灰度图的信息熵E为：

E＝-Σp_i*log₂p_i

其中0≤i≤255，p_i可由灰度直方图获得。

以Harr小波为例，其高频子带的图像(如图2B)反应了像素与某一方向邻接像素的差值，差值越大，纹理和轮廓越明显。高一级小波变换的高频是针对于前一级别低频进行的变换，因此低频图像越小，对应的高频能够体现的尺度越大，所反映纹理的尺度也就越大。相对于更高级别，低级别高频子带的信息熵能够体现细节尺度上金属纹理的复杂程度，而高级别的信息熵则能够体现较大尺度的纹理特征，针对于不同的金属，该特性能够有效地将它们分别出来。

第五步，在待识别区域S里随机选择一个大小固定(如50*50像素)的矩形区域R，作为信息熵的计算范围。在总共四级小波变换的12个高频子带中找到矩形区域R对应的位置。以图1中的四级小波变换为例，分别得到矩形区域R在LH1、HL1、HH1中对应的区域的熵值之和E1，LH2、HL2、HH2中对应的区域的熵值之和E2，LH3、HL3、HH3中对应的区域的熵值之和E3，以及LH4、HL4、HH4中对应的区域的熵值之和E4。这四个熵值之和反应了不同尺度、各个方向上纹理的复杂程度之和。

通过对训练数据的分析，第一级小波变换熵值之和E1，第一级与第二级小波变换熵值和的比值E1/E2，以及全部四级小波变换的熵值和E1、E2、E3、E4线性拟合出来的斜率绝对值slope能够有效地区分铝合金与不锈钢。

第六步，计算E1/E2和四级熵值之和的一元线性拟合斜率绝对值slope，E1～E4计算结果示例如下表1所示：

表1各金属经四级小波变换的各级熵值之和

	E1	E2	E3	E4	E1/E2	slope
							不锈钢	9.99	8.3	6.23	5.26	1.20	1.63
铝合金	12.74	7.46	5.83	4.54	1.71	2.62

第七步，根据E1、E1/E2和slope三个属性值，进行决策树处理。

读取训练得到的决策树，如图3所示；根据训练得到的决策树，对E1、E1/E2和斜率绝对值slope进行分类，得到最终的结果，根据结果进行分选。

决策树算法是对一组数据记录应用分类规则进行划分的图形描述，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。树形结构的划分清晰且易于理解。决策树的构建方法包括扩散阶段和剪枝阶段。扩散阶段根据划分属性对父节点进行扩散；剪枝阶段根据剪枝条件剪除不符合要求的叶节点。构建方法在每个节点上递归执行。

本发明采用ID3决策树算法，利用信息增益来衡量给定的属性区分训练样例的能力。在信息论中，期望信息越小，则信息增益就越大，分类的纯度就越高。ID3算法的核心思想就是以信息增益来度量属性的选择，选择分裂后信息增益最大的属性进行分裂。决策树算法采用自顶向下的贪婪搜索遍历可能的决策结果。在分类问题中，信息增益就是决策树在进行属性选择划分前后的信息差值，在决策树的非叶子节点划分之前，先计算每一个属性所带来的信息增益，选择最大信息增益的属性作为划分依据，因为信息增益越大，区分样本的能力就越强，信息纯度越高，在使用过程中可能经历的步数越少。很显然这是一种自顶向下的贪心策略。

本发明中决策树所采用的分支判断条件以E1、E1/E2、slope三个属性为准。

训练阶段，首先将这三个属性的训练数据通过各自的值分布划分为多个部分，使其符合决策树属性取值离散化的特点。图3中决策树判断阈值的设定依据：选取各金属训练数据均值的平均值作为分类依据。以E1/E2为例，铝合金E1/E2的训练数据均值为1.5，不锈钢训练数据均值为1.1，因此取1.5与1.1的中间值1.3作为阈值，也可以根据需要做适当调整，以便能够区分出不同的金属。

随后计算各属性的信息增益，并得到决策树。决策树判断流程如图3所示，当E1/E2大于等于1.3、E1大于等于8.9且拟合斜率绝对值大于等于1.1时，样品被识别为铝合金，其余情况为不锈钢。

Claims (6)

1.一种基于信息熵的金属识别方法，其特征在于：包括如下步骤，

第一步，采集待识别金属的图像，得到RGB图像，称为待识别的图像，在待识别的图像上划分出待识别物体的范围，称为待识别区域S；

第二步，对待识别的图像做HSV颜色空间转换，并将Hue分量数值标准化为0至255，得到色相灰度图；

第三步，对色相灰度图进行四级小波变换，得到LL4低频子带，以及LH1、HL1、HH1、LH2、HL2、HH2、LH3、HL3、HH3、LH4、HL4、HH4高频子带；

第四步，利用K均值算法对四级小波变换的LL4低频子带色相进行识别；

第五步，在待识别区域S里随机选择一个大小固定的矩形区域R，分别得到矩形区域R在LH1、HL1、HH1中对应的区域的熵值之和E1，LH2、HL2、HH2中对应的区域的熵值之和E2，LH3、HL3、HH3中对应的区域的熵值之和E3，以及LH4、HL4、HH4中对应的区域的熵值之和E4；

第六步，计算E1/E2和一元线性拟合斜率绝对值slope；所述的一元线性拟合斜率由全部四级小波变换的熵值之和E1、E2、E3、E4线性拟合得到；

第七步，根据E1、E1/E2和一元线性拟合斜率绝对值slope三个属性值，进行决策树处理。

2.根据权利要求1所述的一种基于信息熵的金属识别方法，其特征在于：第四步具体为，根据待识别区域S的坐标和大小，在LL4低频子带的色相灰度图中找到待识别区域S对应的区域S_LL，计算区域S_LL的色相平均值A，计算色相平均值A与K均值算法中每个训练好的聚类中心的欧氏距离，将色相平均值A划分到欧氏距离最小的聚类中，实现对色相值相差超过π/6的两类金属的识别。

3.根据权利要求1所述的一种基于信息熵的金属识别方法，其特征在于：第五步中所述的熵值为信息熵，令p_i表示图像中灰度值为i的像素所占的比例，则定义色相灰度图的信息熵E为：

E＝-Σp_i*log₂p_i

其中0≤i≤255，p_i由灰度直方图获得。

4.根据权利要求1所述的一种基于信息熵的金属识别方法，其特征在于：所述的小波变换采用Harr小波变换。

5.根据权利要求1所述的一种基于信息熵的金属识别方法，其特征在于：第七步具体为，

根据训练得到的决策树，对E1、E1/E2和斜率绝对值slope进行分类，决策树判断阈值选取各金属训练数据均值的平均值作为分类依据。

6.根据权利要求1所述的一种基于信息熵的金属识别方法，其特征在于：所述的决策树采用ID3决策树算法。