CN107220673B - 一种基于knn算法的竹条颜色分类方法 - Google Patents

一种基于knn算法的竹条颜色分类方法 Download PDF

Info

Publication number
CN107220673B
CN107220673B CN201710416688.5A CN201710416688A CN107220673B CN 107220673 B CN107220673 B CN 107220673B CN 201710416688 A CN201710416688 A CN 201710416688A CN 107220673 B CN107220673 B CN 107220673B
Authority
CN
China
Prior art keywords
bamboo
bamboo strips
classified
bamboo strip
sample
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.)
Active
Application number
CN201710416688.5A
Other languages
English (en)
Other versions
CN107220673A (zh
Inventor
张殿甫
何志勇
裴永林
鲍小曼
钱森
林嵩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Tianda Automobile Manufacturing Co ltd
Original Assignee
Anhui Tianda Automobile Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Tianda Automobile Manufacturing Co ltd filed Critical Anhui Tianda Automobile Manufacturing Co ltd
Priority to CN201710416688.5A priority Critical patent/CN107220673B/zh
Publication of CN107220673A publication Critical patent/CN107220673A/zh
Application granted granted Critical
Publication of CN107220673B publication Critical patent/CN107220673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Sorting Of Articles (AREA)

Abstract

本发明公开一种基于KNN算法竹条颜色分类的方法，涉及竹条加工方法技术领域，本发明提出的一种基于KNN算法的竹条颜色分类方法，通过提取图像的色调，色饱和度，以大津分割法依据图像的色调特征进行分割，计算出色调对比度，再通过分析比较待分类竹条与已分类的竹条颜色之间的特征距离的大小进行竹条分类。本发明该方法实现方便、支持增量学习、对竹条表面的噪声有较强的抗干扰能力,达到了很高的分类准确率；能够提高生产效率、减少劳动力，同时也是降低人工劳动强度和保证竹条分类质量的重要措施。

Description

一种基于KNN算法的竹条颜色分类方法
技术领域
本发明涉及竹条加工方法技术领域，特别涉及一种颜色分类方法。
背景技术
在现代竹制品生产中，将不同颜色的竹条进行分类成为一道关键的生产程序。目前，国内竹制品企业的分类方式多以人工为主，人眼分辨速度有限，分类结果易受主观因素影响，易发生误分，错分等。以先进的自动颜色分类技术代替人工竹条颜色分类，是提高生产效率、减少劳动力、降低人工劳动强度和保证竹条分类质量的重要措施。
竹条的颜色分类目前用的最多的有以下两种算法，第一种就是将彩色的图片转换成灰度图片，然后再进行量化，选择某一通道的灰度值，根据灰度值的大小进行分类。这种算法的优点是算法简单，效率较高，运算速度快，易于实现等。其缺点是对于具有复杂背景的测试对象，它的抗干扰性较差。
第二种是采用SVM学习算法对颜色进行训练，然后对测试对象进行分类。它的优点是对特定对象的分类结果较为准确，但是其缺点也比较明显，对于不同种类的竹条，必须进行不同的前期训练，因此该方法的适应性较差，且算法速度不够快。
在自动化生产中如何将这些不同的颜色的特征具象的表征出来是一个难点。选取的特征不能过于单一，特征单一虽然在算法上易于实现，速度上也能达到应用的要求，但是不能应对种类多样的竹条制品，抗干扰性会较差；也不能过于全面，否则会大大增加实际当中的算法复杂度。
发明内容
本发明的目的在于针对现有竹条颜色分类技术的不足，本发明便是基于KNN算法，结合竹条的色调对比度以及色饱和度，提供了一种基于KNN算法竹条颜色分类的方法，提取竹条显著的颜色特征，对这些特征进行运算处理，提高了分类的性能和精确度，能够有效节省劳力，降低劳动强度，提高工作效率，且辨识精度较高。
为达到上述发明目的，本发明采用的技术方案是：一种基于KNN算法的竹条颜色分类方法，具体步骤如下：
步骤一：采用工业线阵相机对工业生产当中的竹条进行图像采集，相机下方，平行于镜头放置线型光源以保证图像采集质量。
步骤二：将竹条图像从RGB颜色空间转换至HSV颜色空间，并分别提取其色调，色饱和度两个通道的图像。
步骤三：对于竹条图像的色调通道图像，采用大津分割法将竹条花纹与图像背景区分，从而解决竹条颜色较深的花纹对分类结果的影响。结合花纹与背景的不同色调特征，计算色调对比度特征M，其定义如下：M=
Figure 142925DEST_PATH_IMAGE002
,其中A(s)和B(s)分别对色调通道图像分割后目标与背景的平均值。
步骤四：从一批待分类的竹条当中抽取一定数量作为样本，依次提取样本的色调对比度特征M与色饱和度通道图像的平均值S，并通过人工将它分为了N类，标定颜色类型。
步骤五：将样本竹条分为N类之后，取其中一根样本竹条的色调对比度特征M(j)和色饱和度特征S(j)，接着选取待分类竹条的色调对比度特征M(i)和色饱和度特征S(i)；并计算待分类竹条与每个样本之间的距离D=
Figure 997749DEST_PATH_IMAGE004
，作为衡量待分类竹条与样本竹条相似程度的量。
步骤六：对剩下的待分类竹条运用KNN算法。将待分类竹条与所有的样本竹条比较，计算距离D，将得出的所有距离D进行排序，根据竹条的实际分布情况，以及分类要求，选择K个最小的距离，并统计所对应的K个样本竹条在每个类中出现的次数。
步骤七：选择出现频率最大的类标号作为待分类竹条的类型。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明通过将竹条图像的色调对比度和色饱和度特征与KNN算法相结合有效的将不同颜色的竹条进行了分类，且达到了较高的分类准确度，与传统的颜色分类算法相比，该方法实现方便、支持增量学习、对竹条表面的噪声有较强的抗干扰能力,达到了很高的分类准确率。
将该算法用于规模的生产当中，以先进的自动颜色分类技术代替人工竹条颜色分类，能够提高生产效率、减少劳动力，同时也是降低人工劳动强度和保证竹条分类质量的重要措施。
附图说明：
图1为本发明的实施流程图。
图2为本发明的具体分类结果以及他们的特征值。
具体实施方式
如图1及图2所示，本发明提出的基于KNN算法的竹条颜色分类方法，以欧氏距离模型为基础，通过提取图像的色调，色饱和度，以大津分割法依据图像的色调特征进行分割，计算出色调对比度，再通过分析比较待分类竹条与已分类的竹条颜色之间的特征距离的大小进行竹条分类。
为详细说明本发明技术方案，参见图1，具体实施方式如下：
一：在大型竹制品加工厂中，从高速精刨机上加工完成的竹条传送到分类机上，通过工业线阵相机获取竹条的图像I，输出完整的竹条图像。
二：对于一批竹条，选取具有代表性的样本，称之为样本竹条，提取样本竹条图像的色调通道图像和色饱和度通道图像。
三：对于通过大津分割法处理图像的色调通道，将样本竹条花纹和背景提取出来，运用色调对比度算法M=
Figure 777486DEST_PATH_IMAGE002
计算出竹条的色调对比度M；如图2中所示，根据样本竹条的颜色分布情况将它们分为了5类，如图2中所示M1、S1、M2、S2、M3、S3、M4、S4、M5、S5分别是每一类中典型竹条的特征量。
四：将样本竹条分为了5类之后，取其中一根样本竹条的色调对比度M(j)和色饱和度S(j)，接着选取待分类竹条的色调对比度M(i)和色饱和度S(i)；取距离D=
Figure DEST_PATH_IMAGE005
来衡量待分类竹条与样本竹条的相似程度。
五：将待分类竹条与所有的样本竹条比较，计算距离D，将得出的所有距离D进行排序，选择K个最小的距离，并统计这K个样本中在每个类出现的次数。
六：选择出现频率最大的类标号作为待分类竹条的类型。如图2中所示，将待分类竹条进行分类，分类结束之后每一类中选取了两张图片，并且分别列出了它们的特征量M和S。

Claims (1)

1.一种基于KNN算法的竹条颜色分类方法，其特征在于：按如下步骤进行：
步骤一：采用工业线阵相机对工业生产当中的竹条进行图像采集，相机下方，平行于镜头放置线型光源以保证图像采集质量；
步骤二：将竹条图像从RGB颜色空间转换至HSV颜色空间，并分别提取其色调，色饱和度两个通道的图像；
步骤三：对于竹条的色调通道图像，计算色调对比度特征M；
步骤四：从一批待分类的竹条当中抽取一定数量作为样本，依次提取样本的色调对比度特征M与色饱和度通道图像的平均值S，并通过人工将它分为了N类，标定颜色类型；
步骤五：将样本竹条分为N类之后，取其中一根样本竹条的色调对比度特征M(j)和色饱和度特征S(j)，接着选取待分类竹条的色调对比度特征M(i)和色饱和度特征S(i)；并计算待分类竹条与每个样本之间的距离D=
Figure 497158DEST_PATH_IMAGE002
，作为衡量待分类竹条与样本竹条相似程度的量；
步骤六：对剩下的待分类竹条运用KNN算法；将待分类竹条与所有的样本竹条比较，计算距离D，将得出的所有距离D进行排序，根据竹条的实际分布情况，以及分类要求，选择K个最小的距离，并统计所对应的K个样本竹条在每个类中出现的次数；
步骤七：选择出现频率最大的类标号作为待分类竹条的类型；
在步骤三中，色调对比度作为KNN算法中的一个特征值，它是通过对色调通道图像中竹条花纹与竹条背景以大津分割法分割之后算出的，其定义如下：M=
Figure 414299DEST_PATH_IMAGE004
，其中A(s)和B(s)分别表示色调通道图像被分割后目标与背景的灰度平均值。
CN201710416688.5A 2017-06-06 2017-06-06 一种基于knn算法的竹条颜色分类方法 Active CN107220673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710416688.5A CN107220673B (zh) 2017-06-06 2017-06-06 一种基于knn算法的竹条颜色分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710416688.5A CN107220673B (zh) 2017-06-06 2017-06-06 一种基于knn算法的竹条颜色分类方法

Publications (2)

Publication Number Publication Date
CN107220673A CN107220673A (zh) 2017-09-29
CN107220673B true CN107220673B (zh) 2020-05-01

Family

ID=59947420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710416688.5A Active CN107220673B (zh) 2017-06-06 2017-06-06 一种基于knn算法的竹条颜色分类方法

Country Status (1)

Country Link
CN (1) CN107220673B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460380A (zh) * 2018-03-13 2018-08-28 广西师范大学 一种基于主颜色的竹条颜色分类方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010080611A8 (en) * 2008-12-19 2010-09-30 The Trustees Of Dartmouth College Apparatus and method for surgical instrument with integral automated tissue classifier
CN102637298A (zh) * 2011-12-31 2012-08-15 辽宁师范大学 基于高斯混合模型与支持向量机的彩色图像分割方法
KR101324792B1 (ko) * 2010-05-31 2013-10-31 태성전장주식회사 지능형 운송 시스템을 위한 칼라 영역의 분할 시스템
JP2014205338A (ja) * 2013-09-18 2014-10-30 橋本電機工業株式会社 単板の選別堆積装置及び単板選別方法
CN104392240A (zh) * 2014-10-28 2015-03-04 中国疾病预防控制中心寄生虫病预防控制所 一种基于多特征融合的寄生虫虫卵识别方法
CN104951794A (zh) * 2015-05-15 2015-09-30 江南大学 基于颜色与纹理的竹条自动识别方法与系统开发
CN106570881A (zh) * 2016-10-25 2017-04-19 重庆金山医疗器械有限公司 基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法
CN106651831A (zh) * 2016-09-30 2017-05-10 广西师范大学 一种竹块缺陷检测方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010080611A8 (en) * 2008-12-19 2010-09-30 The Trustees Of Dartmouth College Apparatus and method for surgical instrument with integral automated tissue classifier
KR101324792B1 (ko) * 2010-05-31 2013-10-31 태성전장주식회사 지능형 운송 시스템을 위한 칼라 영역의 분할 시스템
CN102637298A (zh) * 2011-12-31 2012-08-15 辽宁师范大学 基于高斯混合模型与支持向量机的彩色图像分割方法
JP2014205338A (ja) * 2013-09-18 2014-10-30 橋本電機工業株式会社 単板の選別堆積装置及び単板選別方法
CN104392240A (zh) * 2014-10-28 2015-03-04 中国疾病预防控制中心寄生虫病预防控制所 一种基于多特征融合的寄生虫虫卵识别方法
CN104951794A (zh) * 2015-05-15 2015-09-30 江南大学 基于颜色与纹理的竹条自动识别方法与系统开发
CN106651831A (zh) * 2016-09-30 2017-05-10 广西师范大学 一种竹块缺陷检测方法和系统
CN106570881A (zh) * 2016-10-25 2017-04-19 重庆金山医疗器械有限公司 基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《基于改进分水岭算法及Hopfield神经网络的牛肉大理石纹等级评级方法》;孟祥艳;《食品科学》;20131231;全文 *
Research on Color Image Classification Based on HSV Color Space;Junhua C 等;《International Conference on Instrumentation》;20121231;全文 *
Surface grading of bamboo strips using multi-scale color texture features in eigenspace;Wang X 等;《Computers and Electronics in Agriculture》;20101231;全文 *
基于SVM和颜色矩的竹条颜色分级方法;曾传华 等;《湖北农业科学》;20100228;全文 *
基于数据挖掘算法的竹块颜色分级研究;张昭 等;《中国农机化学报》;20130331;论文摘要，第1-4节 *

Also Published As

Publication number Publication date
CN107220673A (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
CN109269951B (zh) 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法
CN115170572B (zh) 一种bopp复合薄膜表面涂胶质量监测方法
CN106250896B (zh) 基于图像采集装置的在线烟叶的正反面的识别方法
CN111242896A (zh) 一种彩色印刷标签缺陷检测与质量评级方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN103914708A (zh) 基于机器视觉的食品品种检测方法及系统
CN110687121B (zh) 一种陶瓦智能在线检测与自动分级方法和系统
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN110929787B (zh) 一种基于图像的苹果客观定级系统
CN107220673B (zh) 一种基于knn算法的竹条颜色分类方法
CN108460380A (zh) 一种基于主颜色的竹条颜色分类方法及系统
CN108830908A (zh) 一种基于人工神经网络的魔方颜色识别方法
CN110935646A (zh) 基于图像识别的全自动螃蟹分级系统
CN111932639B (zh) 一种基于卷积神经网络的不均衡缺陷样本的检测方法
CN110009609A (zh) 一种快速检测黄粒米的方法
CN113724339A (zh) 一种基于颜色空间特征的少样本瓷砖分色方法
Bremananth et al. Wood species recognition using GLCM and correlation
CN116843615B (zh) 一种基于柔性光路的引线框架智能全检方法
CN108765426A (zh) 自动图像分割方法及装置
Kanade et al. Development of machine vision based system for classification of Guava fruits on the basis of CIE1931 chromaticity coordinates
CN108182439B (zh) 一种基于多分类增量学习的分窗口计数方法及装置
CN111563536B (zh) 一种基于机器学习的竹条颜色自适应分类方法
CN103927544A (zh) 皮棉轧工质量的机器视觉分级方法
CN113724238A (zh) 基于特征点邻域颜色分析的陶瓷砖色差检测与分级方法
CN108230285A (zh) 基于机器视觉的挡圈质量检测方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 239000 No. 155 Anning Road, Nanzhaoxin District, Chuzhou City, Anhui Province

Applicant after: Anhui Tianda Automobile Manufacturing Co., Ltd.

Address before: 239001 No. 155 Anning Road, Nanzhao District, Chuzhou City, Anhui Province

Applicant before: CHUZHOU TIANDA AUTO PARTS CO., LTD.

GR01 Patent grant
GR01 Patent grant