CN106682693A - 一种用于塑料瓶瓶身重叠图像的识别方法 - Google Patents
一种用于塑料瓶瓶身重叠图像的识别方法 Download PDFInfo
- Publication number
- CN106682693A CN106682693A CN201611208962.1A CN201611208962A CN106682693A CN 106682693 A CN106682693 A CN 106682693A CN 201611208962 A CN201611208962 A CN 201611208962A CN 106682693 A CN106682693 A CN 106682693A
- Authority
- CN
- China
- Prior art keywords
- profile
- profile point
- plastic bottle
- image
- point set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/476—Contour-based spatial representations, e.g. vector-coding using statistical shape modelling, e.g. point distribution models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于塑料瓶瓶身重叠图像的识别方法。对传送带上塑料瓶的图像使用阈值分割获得二值化的图像,并使用Moore边界追踪算法获得塑料瓶的轮廓点集,将轮廓点集转换到极坐标系并进行归一化处理并再等间隔采样,极坐标系下用轮廓点绘制轮廓点集图,处理获得塑料瓶的轮廓形状描述子,使用图像中未重叠的塑料瓶的轮廓形状描述子作为训练样本训练SVDD分类器,最后对图像中待测塑料瓶是否重叠情况进行识别。本发明实现了识别出传送带上重叠的瓶子,能够有效地提高设备塑料瓶的颜色分类准确率。
Description
技术领域
本发明涉及了一种图像识别方法,具体是涉及了一种用于塑料瓶瓶身重叠图像的识别方法。
技术背景
塑料瓶作为食品包装在生活中被广泛使用,若这些废旧塑料瓶处理不得当,随意丢弃势必会破化环境,危害百姓健康。废弃塑料的分类再利用已经被现代化工企业普遍采用。废旧塑料瓶经过颜色筛检分类后,还要经过破碎,造粒,改性等流程,变成不同颜色的塑料颗粒,成为可以再次利用的再生料。
目前料瓶分类已经采用使用图像处理技术的设备进行分类,但由于设备技术原因,使用中的颜色分类的准确率并不高,仍然需要工人手工进行二次筛选。人工操作费时费力,且工作环境恶劣,不适合长时间工作,效率不符合生产加工要求。现有设备分类准确率较低的原因是:在使设备对塑料瓶进行分类时,常常由于传送带上塑料瓶重叠造成颜色识别准确率较低。当待分类塑料瓶从入料口加入到传送带上时,由于同时加入大量塑料瓶并且不能均匀分布在传送带上,导致有的塑料瓶重叠在一起。这些重叠在一起的塑料瓶在之后的颜色分类过程中会被识别为一个多色的塑料瓶,并且重叠区域的颜色是由两个或多个颜色混色而成,对按颜色分类带来麻烦,大大降低了颜色分类结果的正确率。
发明内容
为了克服已有的塑料瓶使用图像处理按颜色分类方法由于传送带上瓶子重叠造成的颜色分类准确率低的不足,本发明提供了一种用于塑料瓶瓶身重叠图像的识别方法。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(1)采集获得传送带上塑料瓶的图像,对图像使用阈值分割获得二值化的图像,并使用Moore追踪算法获得塑料瓶的轮廓点集;
(2)将轮廓点集转换到极坐标系并进行归一化处理,以等间隔采样方式从轮廓点集进行采样;
(3)极坐标系下用步骤(2)采样得到的轮廓点绘制轮廓点集图,对轮廓点集图划分区域,并统计每个区域内轮廓点个数获得塑料瓶的轮廓形状描述子;
(4)使用图像中未重叠的塑料瓶的轮廓形状描述子(正样本)作为训练样本,训练SVDD分类器,训练SVDD分类器用作识别单独和重叠塑料瓶,然后使用训练后的分类器对图像中待测塑料瓶是否重叠情况进行识别。
所述的极坐标系是以各自轮廓的几何中心为坐标系中心构建。
所述步骤(2)中的归一化处理是通过以最长极径的幅值为单位对每个轮廓点的极径进行归一化,幅值是极径的长度,极径指的是塑料瓶轮廓点到轮廓几何中心的线段。
所述步骤(2)具体为:
轮廓点集用P表示,P={(xi,y1),(x2,y2),…(xn,yn)},n表示轮廓点个数,用O表示轮廓的几何中心,O=(xo,yo),其中:
其中,xo,yo分别表示轮廓的几何中心O的横纵坐标,xi,yi分别表示第i个轮廓点的横纵坐标;
以轮廓的几何中心O为极点,将轮廓点集转换到极坐标下,转换后的轮廓点集P为:
P={(ρ1,θ1),(ρ2,θ2),…(ρn,θn)}
其中,ρi表示第i个轮廓点的幅值,θi表示第i个轮廓点的极角,ρi和度θi的计算公式分别为:
θi=arctan((yi-yo)/(xi-xo))。
接着再对轮廓点集做归一化处理,首先是角度归一化,遍历轮廓点寻找到具有最大幅值ρmax的轮廓点,并以该点作为起始点,旋转整个轮廓对各个轮廓点进行排序;第二步是尺度的归一化,再用ρ_scaledi表示归一化后的轮廓点集:
所述步骤(3)中,使用一个水平的最小外接矩形包围步骤(2)采样得到的所有轮廓点,将最小外接矩形在图像x轴方向上作m等分,y轴方向上作n等分,从而将最小外接矩形分成m*n个区域;
分别统计每个区域内的轮廓点个数,然后合并构成一个m*n维的向量,该向量详细描述了轮廓点的分布情况,作为轮廓形状描述子。
本发明的有益效果主要表现在:
与传统的形状上下文方法相比,本发明放弃了以逐个轮廓点为极点建立轮廓点分布描述子并对轮廓进行点到点的匹配这一计算过大的方法,而是采用以轮廓形状中心为极点,对整个完整轮廓提取一个轮廓点分布描述子,大大减少了轮廓形状描述以及匹配过程的计算量。
本发明能够对轮廓点集进行区域划分的区域个数可以自由调节,需要高精确度的轮廓形状描述时可以划分较多区域,需要高时效性的廓形状描述时可以划分较少区域;能够根据实际应用场景自由选择。
附图说明
图1是本发明方法的流程图。
图2是对传送带上获取的塑料瓶原始图像进行阈值分割处理的图示。其中:a为获取的原始图像;b是进行阈值分割的结果图。
图3是对轮廓计算形状描述子的过程图。其中:a为阈值分割后其中一个瓶子的轮廓;b是使用轮廓追踪算法获取的轮廓点集;c是将轮廓点集转换到极坐标系下并进行归一化操作的结果;d是进行均匀采样后得到的稀疏轮廓点集;e是划分区域后统计每个区域内轮廓点个数的结果。
图4是多种情况下瓶子轮廓的形状特征提取过程。
图5是对重叠瓶进行识别的结果图。重叠的瓶子的所在的区域内部用斜线标记。
具体实施方式
为了更加清楚说明本发明的目的和技术方案,以下结合附图,对本发明进行进一步详细说明。
按照本发明方法实施的实施例如下:
使用颜色单一的传送带,如图2(a)所示,在传送带上方捕捉的流水线上瓶子的图片,使用阈值分割的方法得到二值化的图像,获取瓶子的轮廓,如图2(b)所示。
将瓶子的轮廓单独分割,如图3(a)所示,是一个单独瓶子的轮廓,首先使用轮廓追踪算法获得轮廓点集,并计算轮廓的几何中心,用O表示,O=(xo,yo),其中坐标计算是:
以O为极点,将轮廓点集转换到极坐标下,转换后的点集P可以描述为P={(ρ1,θ1),(ρ2,θ2),…(ρn,θn)}。
采用如下方法对轮廓点集做归一化处理:
首先是角度归一化,寻找到最大的极径ρi,令ρmax=ρi,并使最长幅值对应的点作为起始点,旋转整个轮廓,如图3(b)所示。
第二步是尺度的归一化,用ρ_scaledi表示归一化后的点集,归一化的轮廓点集如图3(c)所示:
先对图3(c)中的轮廓点集进行均匀采样,得到如图3(d)所示稀疏轮廓点集,然后使用一个矩形区域包围轮廓点区域,将这个矩形区域x轴方向上m等分,y轴方向上n等分,继而将这个矩形区域分成小区域,并统计这些区域内的轮廓点个数,如图3(e)所示,构成一个m*n维的向量。这个m*n维的向量详细的描述了轮廓点的分布情况,可以作为轮廓的形状描述子。不同单独和重叠瓶子的特征提取过程具体如图4所示。
使用图像中未重叠的塑料瓶的轮廓形状描述子作为训练样本,训练SVDD分类器,并使用训练完的分类器对瓶子是否重叠进行识别,其结果如图5所示,重叠瓶被识别出来并以黄色标记。
由上述实施例可见,本发明能够准确地实现对塑料瓶在传送带上是否重叠的识别,能够有效地提高塑料瓶的颜色分类准确率。
Claims (5)
1.一种用于塑料瓶瓶身重叠图像的识别方法,其特征在于包括以下步骤:
(1)采集获得传送带上塑料瓶的图像,对图像使用阈值分割获得二值化的图像,并使用轮廓追踪方法获得塑料瓶的轮廓点集;
(2)将轮廓点集转换到极坐标系并进行归一化处理,以等间隔采样方式从轮廓点集进行采样;
(3)极坐标系下用步骤(2)采样得到的轮廓点绘制轮廓点集图,对轮廓点集图进行处理获得塑料瓶的轮廓形状描述子;
(4)使用图像中未重叠的塑料瓶的轮廓形状描述子作为训练样本,训练SVDD分类器,然后使用训练后的分类器对图像中待测塑料瓶是否重叠情况进行识别。
2.如权利要求1所述的一种用于塑料瓶瓶身重叠图像的识别方法,其特征在于:所述的极坐标系是以各自轮廓的几何中心为坐标系中心构建。
3.如权利要求1所述的一种用于塑料瓶瓶身重叠图像的识别方法,其特征在于:所述步骤(2)中的归一化处理是通过以最长幅值为单位对每个轮廓点的幅值进行归一化,幅值是极径的长度,极径指的是塑料瓶轮廓点到轮廓几何中心的线段。
4.如权利要求1所述的一种用于塑料瓶瓶身重叠图像的识别方法,其特征在于:所述步骤(2)具体为:
轮廓点集用P表示,P={(x1,y1),(x2,y2),…(xN,yN)},N表示轮廓点个数,用O表示轮廓的几何中心,O=(xo,yo),其中:
其中,xo,yo分别表示轮廓的几何中心O的横纵坐标,xi,yi分别表示第i个轮廓点的横纵坐标;
以轮廓的几何中心O为极点,将轮廓点集转换到极坐标下,转换后的轮廓点集P为:
P={(ρ1,θ1),(ρ2,θ2),…(ρn,θn)}
其中,ρi表示第i个轮廓点的幅值,θi表示第i个轮廓点的极角,ρi和θi的计算公式分别为:
θi=arctan((yi-yo)/(xi-xo))。
接着再对轮廓点集做归一化处理,轮廓点寻找到具有最大幅值ρmax的轮廓点,并以该点作为起始点,旋转整个轮廓对各个轮廓点进行排序,再用ρ_scaledi表示归一化后的轮廓点集:
其中,i表示轮廓点的序数,n表示轮廓点的总数。
5.如权利要求1所述的一种用于塑料瓶瓶身重叠图像的识别方法,其特征在于:所述步骤(3)中,使用一个水平的最小外接矩形包围步骤(2)采样得到的所有轮廓点,将最小外接矩形在图像x轴方向上作m等分,图像y轴方向上作n等分,从而将最小外接矩形分成m*n个区域;然后分别统计每个区域内的轮廓点个数,然后合并构成一个m*n维的向量,该向量作为轮廓形状描述子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208962.1A CN106682693A (zh) | 2016-12-23 | 2016-12-23 | 一种用于塑料瓶瓶身重叠图像的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208962.1A CN106682693A (zh) | 2016-12-23 | 2016-12-23 | 一种用于塑料瓶瓶身重叠图像的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106682693A true CN106682693A (zh) | 2017-05-17 |
Family
ID=58871317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611208962.1A Pending CN106682693A (zh) | 2016-12-23 | 2016-12-23 | 一种用于塑料瓶瓶身重叠图像的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682693A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070548A (zh) * | 2019-04-22 | 2019-07-30 | 杨勇 | 一种深度学习训练样本优化方法 |
CN115953399A (zh) * | 2023-03-13 | 2023-04-11 | 常州微亿智造科技有限公司 | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140623A (zh) * | 2007-09-29 | 2008-03-12 | 华为技术有限公司 | 一种基于支持向量机的视频对象识别方法及系统 |
CN102200999A (zh) * | 2011-04-27 | 2011-09-28 | 华中科技大学 | 一种检索相似性形状的方法 |
CN103988069A (zh) * | 2012-01-05 | 2014-08-13 | 欧姆龙株式会社 | 图像检查装置的检查区域设定方法 |
-
2016
- 2016-12-23 CN CN201611208962.1A patent/CN106682693A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140623A (zh) * | 2007-09-29 | 2008-03-12 | 华为技术有限公司 | 一种基于支持向量机的视频对象识别方法及系统 |
CN102200999A (zh) * | 2011-04-27 | 2011-09-28 | 华中科技大学 | 一种检索相似性形状的方法 |
CN103988069A (zh) * | 2012-01-05 | 2014-08-13 | 欧姆龙株式会社 | 图像检查装置的检查区域设定方法 |
Non-Patent Citations (4)
Title |
---|
XIANGYU HE 等: "A novel vision-based PET bottle recycling facility", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 * |
张国敏 等: "基于极坐标区间运算的2D形状匹配", 《计算机研究与发展》 * |
束鑫 等: "一种新的基于形状轮廓点分布的图像检索", 《光电子.激光》 * |
梁晨辉: "基于轮廓端点的一维快速傅里叶变换图形识别", 《福建电脑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070548A (zh) * | 2019-04-22 | 2019-07-30 | 杨勇 | 一种深度学习训练样本优化方法 |
CN115953399A (zh) * | 2023-03-13 | 2023-04-11 | 常州微亿智造科技有限公司 | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gibert et al. | Deep multitask learning for railway track inspection | |
CN110070090B (zh) | 一种基于手写文字识别的物流标签信息检测方法及系统 | |
CN103413145B (zh) | 基于深度图像的关节点定位方法 | |
CN109359603A (zh) | 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN105868691A (zh) | 基于快速区域卷积神经网络的城市车辆追踪方法 | |
CN104680187B (zh) | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 | |
CN108090429A (zh) | 一种分级前脸卡口车型识别方法 | |
CN106934813A (zh) | 一种基于视觉定位的工业机器人工件抓取实现方法 | |
CN103839279A (zh) | 一种目标检测中基于vibe的粘连目标分割方法 | |
CN108388871B (zh) | 一种基于车身回归的车辆检测方法 | |
CN106682693A (zh) | 一种用于塑料瓶瓶身重叠图像的识别方法 | |
CN107301406A (zh) | 基于深度学习的快速人脸角度识别方法 | |
CN110414329A (zh) | 一种基于图像的车辆行驶方向判断方法 | |
CN101567046A (zh) | 一种基于最小覆盖圆匹配的无人机目标识别方法 | |
CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
CN104952073A (zh) | 基于深度学习的镜头边缘检测方法 | |
CN107610138A (zh) | 一种票据印章区域序列分割方法 | |
CN105590116A (zh) | 一种基于头部部件对齐的鸟类图像识别方法 | |
CN106886757B (zh) | 一种基于先验概率图的多类交通灯检测方法及系统 | |
CN106845482A (zh) | 一种车牌定位方法 | |
CN104182728A (zh) | 一种基于模式识别的车标自动定位与识别方法 | |
CN107766886A (zh) | 高速铁路钢轨扣件弹条疲劳断口自动识别方法 | |
CN104391966A (zh) | 基于深度学习的典型车标搜索方法 | |
CN110569819A (zh) | 一种公交车乘客再识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170517 |