CN107346429A - 一种多晶电池片图像的颜色自动识别与分类方法 - Google Patents
一种多晶电池片图像的颜色自动识别与分类方法 Download PDFInfo
- Publication number
- CN107346429A CN107346429A CN201710371542.3A CN201710371542A CN107346429A CN 107346429 A CN107346429 A CN 107346429A CN 201710371542 A CN201710371542 A CN 201710371542A CN 107346429 A CN107346429 A CN 107346429A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- mtr
- color
- image
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based 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
- G06V10/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种多晶电池片图像的颜色自动识别与分类方法,包括步骤:对获得的图像进行旋转、提取、滤波和校正预处理;对获得的图像进行图像分割,将颜色、亮度特征相似的若干相邻像素分割在一个子区域,整幅图像包含至少一个子区域,并计算每个子区域的权重W;计算每个子区域的RGB的平均值并将其转换到CIELAB均匀颜色空间,根据子区域的权重W和每个子区域相互之间的色差值,确定图像的视觉主导颜色及其在CIELAB近似均匀颜色空间中(L*,a*,b*);在CIELAB近似均匀颜色空间中,计算(L*,a*,b*)对应的颜色三属性:色相Hab*、明度L*和彩度Cab*。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种多晶电池片图像的颜色自动识别与分类方法。
背景技术
多晶硅电池片的制造工艺决定了其片内颜色的复杂性,每个多晶硅电池片的颜色都互不完全相同。多晶硅电池片的表面颜色一般呈现渐变性,尽管其颜色的主基调是蓝色,但也是千变万化的。光伏组件上若含有不同颜色的电池片,必然影响到组件外观的一致性。随着分布式光伏电站的快速推广应用,应用市场对光伏建筑一体化的整体外观颜色也提出了更高要求。目前,太阳电池片生产商的常规做法是根据光电转换率和表面颜色等指标对电池片进行人工分类。操作人员利用人眼视觉对太阳电池片颜色分类,存在劳动强度大、误判率高、一致性差、生产效率低等问题。随着劳动力成本的日益提高,迫切需要利用计算机视觉系统对图像颜色的自动识别与分类。
现有的颜色识别技术是基于RGB颜色空间模型对图像中的每个像素进行颜色处理的,处理大幅图像耗时时间长。专利CN201010615001.9公开了一种颜色识别方法,通过分析识别目标的图像数据,获取一个或一个以上像素的RGB参数,得到一个或一个以上像素的颜色标识,最终输出颜色信息。RGB颜色空间模型是一种与设备相关的、不均匀的颜色空间模型,按照空间距离得到的色差不完全符合人的视觉效果,不能满足颜色精确识别和分类的技术要求。
发明内容
本发明的目的在于提供一种多晶电池片图像的颜色自动识别与分类方法。本发明的技术方案是,一种多晶电池片图像的颜色自动识别与分类方法,包括以下步骤:
(1)获取多晶电池片表面真实颜色的图像;
(2)对步骤(1)获得的图像进行旋转、提取、滤波和校正预处理;
(3)对步骤(2)获得的图像进行图像分割,将颜色、亮度特征相似的若干相邻像素分割在一个子区域,整幅图像包含至少一个子区域,并计算每个子区域的权重W;
(4)计算步骤(3)中的每个子区域的RGB的平均值并将其转换到CIELAB均匀颜色空间,得到相应的每个子区域平均值的(L,a,b);
(5)根据子区域的权重W和每个子区域相互之间的色差值,确定图像的视觉主导颜色及其在CIELAB近似均匀颜色空间中(L*,a*,b*);
(6)在CIELAB近似均匀颜色空间中,计算(L*,a*,b*)对应的颜色三属性:色相Hab*、明度L*和彩度Cab*,进而定义该子区域的7位颜色代码:□□□-□□-□□,自左向右依次表示:色相值-明度值-彩度值;
(7)根据实际需求,设定颜色种类的数量及其对应的颜色代码上限值和下限值,实现颜色的自动识别与分类。
所述步骤(1)中的获取多晶电池片表面真实颜色的图像是指图像采集系统在照明体D65或照明体D50的均匀光照条件下获得的图像,具体特征是对红、黄、绿、蓝和白色至少五种颜色的陶瓷标准色板的色品坐标(x,y)与标准值的误差Δx和Δy均小于0.005。
所述步骤(2)中的对图像进行旋转的步骤是:首先,提取多晶电池片的图像轮廓P;然后,计算多晶电池片的图像轮廓P的中心点坐标,并在多晶电池片图像轮廓P的边缘内拟合出多晶电池片的理想矩形轮廓P*,计算得到矩形轮廓P*的一条边的斜率和倾斜角度Q;最后,将整幅图像旋转角度Q,使得多晶电池片的理想矩形轮廓P*的4条边分别与显示界面的X轴和Y轴保持平行。
所述步骤(2)中的对图像进行提取是指仅保留所述旋转后图像中的多晶电池片的理想矩形轮廓P*及其内部的图像,去除位于多晶电池片图像中边缘的背景图像。
所述步骤(2)中的对图像进行滤波和校正是指在所述旋转和提取后的多晶电池片图像中滤除白色栅线区域,并采用线性插值法根据白色栅线区域之外的左右或上下相邻像素的RGB值对滤除的白色栅线区域相应的像素点进行填充。
所述步骤(3)中的每个子区域权重W的计算方法为:
式中,i=1,2,…,k,k为子区域的个数。不失一般性,规定W1≥W2≥…≥Wk。
所述步骤(4)中转换为CIELAB近似均匀颜色空间的(L,a,b)的计算步骤如下:
第一步,转换为三刺激值(X,Y,Z),的取值范围为[0,255],转换公式如下:
式中,在D65光源和D50光源的照明下的M值分别为:
第二步,三刺激值(X,Y,Z)转换为CIELAB近似均匀颜色空间的(L,a,b),
式中,
所述步骤(5)中色差值是指两个子区域在CIELAB近似均匀颜色空间中的(L,a,b)的距离,具体计算方法如下:
ΔEij=[(Li-Lj)2+(ai-aj)2+(bi-bj)2]1/2 (7)
式中,i,j分别表示第i、第j个子区域,i,j=1,2,…,k,i≠j。
所述步骤(5)中确定图像的视觉主导颜色是指图像中颜色无明显色差情况下附加权重最大的子区域颜色,该颜色在RGB空间中的数值为(R*,G*,B*)。
所述步骤(5)中无明显色差是指图像中权重W超过权重阀值m的任意两个子区域的色差均小于色差阀值e,整幅图像颜色基本均匀,仅呈现一种主导颜色,进而便于实现颜色自动识别与分类,反之,当图像中权重W超过权重阀值m的至少两个子区域的色差出现大于或等于色差阀值e时,整幅图像颜色呈现至少两种及以上的颜色,图像存在较大的色差,称之为色差片。
所述步骤(5)中附加权重最大的子区域的确定方法如下:
当图像中子区域的权重W1明显大于其他子区域的权重Wi(i=2,3,…,k)时,将权重为W1的子区域作为附加权重最大的子区域,当图像中出现至少两种或两种以上子区域的权重均较大且数值接近时,分别计算它们与其他子区域的色差总和,取权重较大且色差总和最小的子区域作为附加权重最大的子区域。
所述步骤(5)中所述第i个权重较大的子区域与其他子区域的色差总和的计算方法如下:
∑ΔEij=ΔEi1+ΔEi2+…+ΔEik (8)
式中,i,j=1,2,…,k,ΔEii=0。
所述步骤(5)中图像的视觉主导颜色在CIELAB近似均匀颜色空间中(L*,a*,b*)的计算方法是指图像的视觉主导颜色(R*,G*,B*)转换为CIELAB近似均匀颜色空间的(L*,a*,b*)的方法,具体步骤与步骤(4)中的方法相同。
所述步骤(6)中明度L*、彩度Cab*和色相Hab*的计算方法如下:
式中,明度L*的取值范围为[0,99],彩度Cab*的取值范围为[0,99],色相Hab*的取值范围为[0,360)。
本发明提供了图像采集系统的照明条件和校正条件,获取多晶电池片表面真实颜色的图像,为后续的颜色识别与分类奠定了基础。通过对图像进行旋转、提取、滤波和校正等预处理,基本消除插值算法带来的误差,提高插值后的颜色连续性和稳定性。按照图像特征进行图像区域分割,将具有相似特征的一个区域的颜色属性用RGB平均值表示,极大地缩短了数据在颜色空间转换的计算时间。
本发明提出将无明显色差且附加权重最大子区域的颜色作为多晶电池片的主导颜色,符合人眼视觉。本发明方法具有颜色识别准确度高、误判率低、识别速度快等有益效果,便于在生产流水线中实现快速分选,适于规模化推广应用。
附图说明
图1是本发明的方法流程框图;
图2是本发明实施例中图像预处理中旋转、提取的示意图;
图3是本发明实施例中图像中不同权重子区域的示意图。
具体实施方式
下面结合附图与具体实施例,进一步阐述本发明。
如图1~图3所示,本发明的多晶电池片图像的颜色自动识别与分类方法,
其步骤如下:
(1)获取多晶电池片表面真实颜色的图像;
(2)对步骤(1)获得的图像进行旋转、提取、滤波和校正等预处理;
(3)对步骤(2)获得的图像进行图像分割,将颜色、亮度等特征相似的若干相邻像素分割在一个子区域,整幅图像包含至少一个子区域,并计算每个子区域的权重W;
(4)计算步骤(3)中的每个子区域的RGB的平均值并将其转换到CIELAB均匀颜色空间,得到相应的每个子区域平均值 的(L,a,b);
(5)根据子区域的权重W和每个子区域相互之间的色差值,确定图像的视觉主导颜色及其在CIELAB近似均匀颜色空间中(L*,a*,b*)。
(6)在CIELAB近似均匀颜色空间中,计算(L*,a*,b*)对应的颜色三属性:色相Hab*、明度L*和彩度Cab*,进而定义该子区域的7位颜色代码:□□□-□□-□□,自左向右依次表示:色相值-明度值-彩度值;
(7)根据实际需求,设定颜色种类的数量及其对应的颜色代码上限值和下限值,实现颜色的自动识别与分类。
进一步的方案,所述步骤(1)中的获取多晶电池片表面真实颜色的图像是指图像采集系统在照明体D65或照明体D50的均匀光照条件下获得的图像,具体特征是对红、黄、绿、蓝、白等至少五种颜色的陶瓷标准色板的色品坐标(x,y)与标准值的误差Δx和Δy均小于0.005。
进一步的方案,所述步骤(2)中的对图像进行旋转的步骤是:首先,提取多晶电池片的图像轮廓P;然后,计算多晶电池片的图像轮廓P的中心点坐标O’,并在多晶电池片图像轮廓P的边缘内拟合出多晶电池片的理想矩形轮廓P*,计算得到矩形轮廓P*的一条边的斜率和倾斜角度Q;最后,将整幅图像旋转角度Q,使得多晶电池片的理想矩形轮廓P*的4条边分别与显示界面的x轴和y轴保持平行。
进一步的方案,所述步骤(2)中的对图像进行提取是指仅保留所述旋转后图像中的多晶电池片的理想矩形轮廓P*及其内部的图像,去除位于多晶电池片图像中边缘的背景图像。
进一步的方案,所述步骤(2)中的对图像进行滤波和校正是指在所述旋转和提取后的多晶电池片图像中滤除白色栅线区域,并采用线性插值法根据白色栅线区域之外的左右或上下相邻像素的RGB值对滤除的白色栅线区域相应的像素点进行填充。
进一步的方案,所述步骤(3)中的每个子区域权重W的计算方法为:
式中,i=1,2,…,8,图像分割为8个子区域。不失一般性,规定W1≥W2≥…≥W8。
进一步的方案,所述步骤(4)中转换为CIELAB近似均匀颜色空间的(L,a,b)的计算步骤如下:
第一步,转换为三刺激值(X,Y,Z)。的取值范围为[0,255],转换公式如下:
式中,在D65光源和D50光源的照明下的M值分别为:
第二步,三刺激值(X,Y,Z)转换为CIELAB近似均匀颜色空间的(L,a,b)。
式中,
进一步的方案,所述步骤(5)中色差值是指两个子区域在CIELAB近似均匀颜色空间中的(L,a,b)的距离距离ΔE,具体计算方法如下:
ΔEij=[(Li-Lj)2+(ai-aj)2+(bi-bj)2]1/2 (7)
式中,i,j分别表示第i、第j个子区域,i,j=1,2,…,8,i≠j。
进一步的方案,所述步骤(5)中确定图像的视觉主导颜色是指图像中颜色无明显色差情况下附加权重最大的子区域颜色,该颜色在RGB空间中的数值为(R*,G*,B*)。
更进一步的方案,假设子区域权重阀值m=10%,W8<10%。所述步骤(5)中无明显色差是指图像中权重W超过10%的子区域包括W1~W7,W1~W7中任意两个子区域的色差ΔE均小于色差阀值e,整幅图像颜色基本均匀,仅呈现一种主导颜色,进而便于实现颜色自动识别与分类。反之,当W1~W7中W1与W4两个子区域的色差ΔE出现大于或等于色差阀值e时,整幅图像颜色呈现两种颜色,图像存在较大的色差,称之为色差片。通常情况下,不再对色差片进行颜色细化与分类。
更进一步的方案,所述步骤(5)中附加权重最大的子区域的确定方法如下:当图像中子区域的权重W1明显大于其他子区域的权重Wi(i=2,3,…,8)且无明显色差时,将权重为W1的子区域作为附加权重最大的子区域。当图像中W1~W3数值较大且接近时,分别计算W1~W3与其他子区域的色差总和,如果W3的色差总和最小,说明整幅图像中的8个子区域颜色与W3子区域额颜色最接近,将W3子区域作为附加权重最大的子区域。
更进一步的方案,所述步骤(5)中所述第3个权重较大的子区域与其他子区域的色差总和的计算方法如下:
∑ΔE3j=ΔE31+ΔE32+…+ΔE38 (8)
式中,j=1,2,…,8,ΔE33=0。
进一步的方案,所述步骤(5)中图像的视觉主导颜色在CIELAB近似均匀颜色空间中(L*,a*,b*)的计算方法是指图像的视觉主导颜色(R*,G*,B*)转换为CIELAB近似均匀颜色空间的(L*,a*,b*)的方法,具体步骤与步骤(4)中的方法相同。
进一步的方案,所述步骤(6)中明度L*、彩度Cab*和色相Hab*的计算方法如下:
式中,明度L*的取值范围为[0,99],彩度Cab*的取值范围为[0,99],色相Hab*的取值范围为[0,360)。
更进一步的方案,对于所述步骤(5)中色差片的颜色代码是人为设定的,无需计算,例如00-00-000,便于机器视觉系统及其自动分选系统辨识。
上述实施例只是本发明的优选实施方式,并非对本发明作任何形式的限制。在阅读了本发明的内容后,本领域技术人员对本发明做出各种等同变化、修改、替换或补充,这些技术方案均落在本申请所附权利要求书所限定的范围内。
Claims (14)
1.一种多晶电池片图像的颜色自动识别与分类方法,包括以下步骤:
(1)获取多晶电池片表面真实颜色的图像;
(2)对步骤(1)获得的图像进行旋转、提取、滤波和校正预处理;
(3)对步骤(2)获得的图像进行图像分割,将颜色、亮度特征相似的若干相邻像素分割在一个子区域,整幅图像包含至少一个子区域,并计算每个子区域的权重W;
(4)计算步骤(3)中的每个子区域的RGB的平均值并将其转换到CIELAB均匀颜色空间,得到相应的每个子区域平均值的(L,a,b);
(5)根据子区域的权重W和每个子区域相互之间的色差值,确定图像的视觉主导颜色及其在CIELAB近似均匀颜色空间中(L*,a*,b*);
(6)在CIELAB近似均匀颜色空间中,计算(L*,a*,b*)对应的颜色三属性:色相Hab*、明度L*和彩度Cab*,进而定义该子区域的7位颜色代码:□□□-□□-□□,自左向右依次表示:色相值-明度值-彩度值;
(7)根据实际需求,设定颜色种类的数量及其对应的颜色代码上限值和下限值,实现颜色的自动识别与分类。
2.如权利要求1所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(1)中的获取多晶电池片表面真实颜色的图像是指图像采集系统在照明体D65或照明体D50的均匀光照条件下获得的图像,具体特征是对红、黄、绿、蓝和白色至少五种颜色的陶瓷标准色板的色品坐标(x,y)与标准值的误差Δx和Δy均小于0.005。
3.如权利要求1所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(2)中的对图像进行旋转的步骤是:首先,提取多晶电池片的图像轮廓P;然后,计算多晶电池片的图像轮廓P的中心点坐标,并在多晶电池片图像轮廓P的边缘内拟合出多晶电池片的理想矩形轮廓P*,计算得到矩形轮廓P*的一条边的斜率和倾斜角度Q;最后,将整幅图像旋转角度Q,使得多晶电池片的理想矩形轮廓P*的4条边分别与显示界面的X轴和Y轴保持平行。
4.如权利要求3所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(2)中的对图像进行提取是指仅保留所述旋转后图像中的多晶电池片的理想矩形轮廓P*及其内部的图像,去除位于多晶电池片图像中边缘的背景图像。
5.如权利要求4所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(2)中的对图像进行滤波和校正是指在所述旋转和提取后的多晶电池片图像中滤除白色栅线区域,并采用线性插值法根据白色栅线区域之外的左右或上下相邻像素的RGB值对滤除的白色栅线区域相应的像素点进行填充。
6.如权利要求1所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(3)中的每个子区域权重W的计算方法为:
式中,i=1,2,...,k,k为子区域的个数。不失一般性,规定W1≥W2≥…≥Wk。
7.如权利要求1所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(4)中转换为CIELAB近似均匀颜色空间的(L,a,b)的计算步骤如下:
第一步,转换为三刺激值(X,Y,Z),的取值范围为[0,255],转换公式如下:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>R</mi>
<mo>=</mo>
<mi>g</mi>
<mi>a</mi>
<mi>m</mi>
<mi>m</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mn>255</mn>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mo>=</mo>
<mi>g</mi>
<mi>a</mi>
<mi>m</mi>
<mi>m</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mn>255</mn>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>B</mi>
<mo>=</mo>
<mi>g</mi>
<mi>a</mi>
<mi>m</mi>
<mi>m</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
<mn>255</mn>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>g</mi>
<mi>a</mi>
<mi>m</mi>
<mi>m</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>0.055</mn>
</mrow>
<mn>1.055</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2.4</mn>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>></mo>
<mn>0.04045</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mi>x</mi>
<mn>12.92</mn>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>&le;</mo>
<mn>0.04045</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>X</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Y</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Z</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mi>M</mi>
<mo>&times;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>R</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>G</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>B</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,在D65光源和D50光源的照明下的M值分别为:
<mrow>
<msub>
<mi>M</mi>
<mn>65</mn>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0.4124564</mn>
</mtd>
<mtd>
<mn>0.3575761</mn>
</mtd>
<mtd>
<mn>0.1804375</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.2126729</mn>
</mtd>
<mtd>
<mn>0.7151522</mn>
</mtd>
<mtd>
<mn>0.0721750</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.0193339</mn>
</mtd>
<mtd>
<mn>0.1191920</mn>
</mtd>
<mtd>
<mn>0.9503041</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>4</mn>
<mi>a</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>M</mi>
<mn>50</mn>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0.4360747</mn>
</mtd>
<mtd>
<mn>0.3850649</mn>
</mtd>
<mtd>
<mn>0.1430804</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.2225045</mn>
</mtd>
<mtd>
<mn>0.7168786</mn>
</mtd>
<mtd>
<mn>0.0606169</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.0139322</mn>
</mtd>
<mtd>
<mn>0.0971045</mn>
</mtd>
<mtd>
<mn>0.7141733</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>4</mn>
<mi>b</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
第二步,三刺激值(X,Y,Z)转换为CIELAB近似均匀颜色空间的(L,a,b),
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mo>=</mo>
<mn>116</mn>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>Y</mi>
<msub>
<mi>Y</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>16</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>500</mn>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>X</mi>
<msub>
<mi>X</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>Y</mi>
<msub>
<mi>Y</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>b</mi>
<mo>=</mo>
<mn>200</mn>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>Y</mi>
<msub>
<mi>Y</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>Z</mi>
<msub>
<mi>Z</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>3</mn>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>></mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mn>24</mn>
<mo>/</mo>
<mn>116</mn>
</mrow>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>841</mn>
<mn>108</mn>
</mfrac>
<mi>x</mi>
<mo>+</mo>
<mfrac>
<mn>16</mn>
<mn>116</mn>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&le;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>24</mn>
<mo>/</mo>
<mn>116</mn>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
8.如权利要求1所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(5)中色差值是指两个子区域在CIELAB近似均匀颜色空间中的(L,a,b)的距离,具体计算方法如下:
ΔEij=[(Li-Lj)2+(ai-aj)2+(bi-bj)2]1/2 (7)
式中,i,j分别表示第i、第j个子区域,i,j=1,2,...,k,i≠j。
9.如权利要求8所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(5)中确定图像的视觉主导颜色是指图像中颜色无明显色差情况下附加权重最大的子区域颜色,该颜色在RGB空间中的数值为(R*,G*,B*)。
10.如权利要求9所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(5)中无明显色差是指图像中权重W超过权重阀值m的任意两个子区域的色差均小于色差阀值e,整幅图像颜色基本均匀,仅呈现一种主导颜色,进而便于实现颜色自动识别与分类,反之,当图像中权重W超过权重阀值m的至少两个子区域的色差出现大于或等于色差阀值e时,整幅图像颜色呈现至少两种及以上的颜色,图像存在较大的色差,称之为色差片。
11.如权利要求10所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(5)中附加权重最大的子区域的确定方法如下:
当图像中子区域的权重W1明显大于其他子区域的权重Wi(i=2,3,…,k)时,将权重为W1的子区域作为附加权重最大的子区域,当图像中出现至少两种或两种以上子区域的权重均较大且数值接近时,分别计算它们与其他子区域的色差总和,取权重较大且色差总和最小的子区域作为附加权重最大的子区域。
12.如权利要求11所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,
所述步骤(5)中所述第i个权重较大的子区域与其他子区域的色差总和的计算方法如下:
∑ΔEij=ΔEi1+ΔEi2+…+ΔEik (8)
式中,i,j=1,2,…,k,ΔEii=0。
13.如权利要求12所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,所述步骤(5)中图像的视觉主导颜色在CIELAB近似均匀颜色空间中(L*,a*,b*)的计算方法是指图像的视觉主导颜色(R*,G*,B*)转换为CIELAB近似均匀颜色空间的(L*,a*,b*)的方法,具体步骤与步骤(4)中的方法相同。
14.如权利要求1所述的多晶电池片图像的颜色自动识别与分类方法,其特征在于,
所述步骤(6)中明度L*、彩度Cab*和色相Hab*的计算方法如下:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mo>*</mo>
<mo>=</mo>
<mi>L</mi>
<mo>*</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>C</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>*</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>*</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>H</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mi>arctan</mi>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>*</mo>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>*</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,明度L*的取值范围为[0,99],彩度Cab*的取值范围为[0,99],色相Hab*的取值范围为[0,360)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710371542.3A CN107346429A (zh) | 2017-05-24 | 2017-05-24 | 一种多晶电池片图像的颜色自动识别与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710371542.3A CN107346429A (zh) | 2017-05-24 | 2017-05-24 | 一种多晶电池片图像的颜色自动识别与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107346429A true CN107346429A (zh) | 2017-11-14 |
Family
ID=60254574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710371542.3A Pending CN107346429A (zh) | 2017-05-24 | 2017-05-24 | 一种多晶电池片图像的颜色自动识别与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107346429A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035235A (zh) * | 2018-07-27 | 2018-12-18 | 郑州工程技术学院 | 一种车灯光导色差检测方法 |
CN110136214A (zh) * | 2019-05-15 | 2019-08-16 | 天津科技大学 | 一种彩色图像颜色一致性描述方法 |
CN111046899A (zh) * | 2019-10-09 | 2020-04-21 | 京东数字科技控股有限公司 | 身份证真伪识别方法、装置、设备及存储介质 |
CN112611460A (zh) * | 2020-11-11 | 2021-04-06 | 西安隆基绿能建筑科技有限公司 | 一种光伏制品的颜色品质确定方法及系统、终端 |
CN116008848A (zh) * | 2023-02-03 | 2023-04-25 | 济南大学 | 一种色差技术在检测锂离子电池电极材料以及电极片状态上的应用 |
CN116977329A (zh) * | 2023-09-21 | 2023-10-31 | 江苏惠汕新能源集团有限公司 | 一种基于机器视觉的光伏板栅线检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592272A (zh) * | 2011-01-12 | 2012-07-18 | 腾讯科技(深圳)有限公司 | 一种图片主色调提取方法及装置 |
CN102879101A (zh) * | 2012-08-22 | 2013-01-16 | 范迪 | 一种色差感知仪 |
WO2015021307A2 (en) * | 2013-08-08 | 2015-02-12 | Datacolor Holding Ag | Method and apparatus for evaluating color in an image |
CN106327463A (zh) * | 2015-06-17 | 2017-01-11 | 上海太阳能工程技术研究中心有限公司 | 太阳电池片的颜色识别方法 |
WO2017017685A1 (en) * | 2015-07-30 | 2017-02-02 | Emerald Medical Applications Ltd. | Image processing system and method |
CN106504241A (zh) * | 2016-10-25 | 2017-03-15 | 西安交通大学 | 一种自动对色装置和方法 |
-
2017
- 2017-05-24 CN CN201710371542.3A patent/CN107346429A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592272A (zh) * | 2011-01-12 | 2012-07-18 | 腾讯科技(深圳)有限公司 | 一种图片主色调提取方法及装置 |
CN102879101A (zh) * | 2012-08-22 | 2013-01-16 | 范迪 | 一种色差感知仪 |
WO2015021307A2 (en) * | 2013-08-08 | 2015-02-12 | Datacolor Holding Ag | Method and apparatus for evaluating color in an image |
CN106327463A (zh) * | 2015-06-17 | 2017-01-11 | 上海太阳能工程技术研究中心有限公司 | 太阳电池片的颜色识别方法 |
WO2017017685A1 (en) * | 2015-07-30 | 2017-02-02 | Emerald Medical Applications Ltd. | Image processing system and method |
CN106504241A (zh) * | 2016-10-25 | 2017-03-15 | 西安交通大学 | 一种自动对色装置和方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035235A (zh) * | 2018-07-27 | 2018-12-18 | 郑州工程技术学院 | 一种车灯光导色差检测方法 |
CN109035235B (zh) * | 2018-07-27 | 2021-09-07 | 郑州工程技术学院 | 一种车灯光导色差检测方法 |
CN110136214A (zh) * | 2019-05-15 | 2019-08-16 | 天津科技大学 | 一种彩色图像颜色一致性描述方法 |
CN110136214B (zh) * | 2019-05-15 | 2023-05-23 | 天津科技大学 | 一种彩色图像颜色一致性描述方法 |
CN111046899A (zh) * | 2019-10-09 | 2020-04-21 | 京东数字科技控股有限公司 | 身份证真伪识别方法、装置、设备及存储介质 |
CN111046899B (zh) * | 2019-10-09 | 2023-12-08 | 京东科技控股股份有限公司 | 身份证真伪识别方法、装置、设备及存储介质 |
CN112611460A (zh) * | 2020-11-11 | 2021-04-06 | 西安隆基绿能建筑科技有限公司 | 一种光伏制品的颜色品质确定方法及系统、终端 |
CN112611460B (zh) * | 2020-11-11 | 2024-04-05 | 隆基乐叶光伏科技有限公司 | 一种光伏制品的颜色品质确定方法及系统、终端 |
CN116008848A (zh) * | 2023-02-03 | 2023-04-25 | 济南大学 | 一种色差技术在检测锂离子电池电极材料以及电极片状态上的应用 |
CN116008848B (zh) * | 2023-02-03 | 2024-02-13 | 济南大学 | 色差技术在检测锂离子电池电极材料以及电极片上的应用 |
CN116977329A (zh) * | 2023-09-21 | 2023-10-31 | 江苏惠汕新能源集团有限公司 | 一种基于机器视觉的光伏板栅线检测方法 |
CN116977329B (zh) * | 2023-09-21 | 2023-12-08 | 江苏惠汕新能源集团有限公司 | 一种基于机器视觉的光伏板栅线检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346429A (zh) | 一种多晶电池片图像的颜色自动识别与分类方法 | |
CN106548165B (zh) | 一种基于图像分块加权的卷积神经网络的人脸识别方法 | |
WO2021248915A1 (zh) | 一种清水混凝土色差分析/检测方法及系统 | |
Liu et al. | A method of segmenting apples at night based on color and position information | |
CN106238350B (zh) | 一种基于机器视觉的太阳能电池片分选方法与系统 | |
CN107185854B (zh) | 基于rgb通道的光伏电池片色差检测及颜色分类的算法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN106295655A (zh) | 一种用于无人机巡检图像的输电线路部件自动提取方法 | |
CN103402117A (zh) | 基于Lab色度空间的视频图像偏色检测方法 | |
CN104618700B (zh) | 一种彩色高动态范围图像增强显示的方法 | |
CN106997584A (zh) | 一种雾霾天气图像增强方法 | |
CN106057700B (zh) | 一种太阳能电池片的边红片的检测方法 | |
CN102300100B (zh) | 一种白平衡控制装置及方法 | |
CN109191520B (zh) | 一种基于色彩标定的植物叶面积测量方法及系统 | |
CN110070526A (zh) | 基于深度神经网络热度图预测的缺陷检测方法 | |
EP3249618A1 (en) | Banknote classification and identification method and device based on lab color space | |
CN104952066A (zh) | 基于hsv色彩空间的输电线路相位标志牌识别方法 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN103942555B (zh) | 一种植物氮素含量丰缺图像检测方法 | |
CN105678752A (zh) | 一种基于固定参数分割微柱小管的血型识别方法 | |
CN204831751U (zh) | 一种工业彩色相机颜色响应测试与校正装置 | |
CN103268472B (zh) | 基于双色彩空间的嘴唇检测方法 | |
CN104504722A (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 | |
CN104637425A (zh) | 流水线式led显示单元均匀性检测方法、系统及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171114 |