CN109856051A - 一种图像色彩采集装置 - Google Patents

Abstract

本发明涉及图像采集领域，具体涉及一种图像色彩采集装置，包括：用于输送瓷砖的带电机的传送装置；黑箱，位于传送装置外围，设有供传送装置通过的通道，黑箱内壁上固设有防反光的幕布；光源，位于黑箱内部，用于照亮穿过通道的传送装置；摄像装置，位于黑箱内部，用于拍摄传送装置上放置的瓷砖；检测装置，用于检测瓷砖是否被传送到通道并在检测到瓷砖到达通道后发出检测信号；控制单元，用于接收检测装置的检测信号，控制传送装置、光源和摄像装置工作，控制单元接收到检测信号时，控制传送装置停止工作，控制光源和摄像装置工作。本发明能解决现有图像色彩采集装置因光线反射导致的拍摄稳定性低的问题。

Description

一种图像色彩采集装置

技术领域

本发明涉及图像采集领域，具体涉及一种图像色彩采集装置。

背景技术

瓷砖是应用非常广泛的建筑装饰品，瓷砖配方里含有大量的如钙、镁、钾、钠等多种矿物质原料，就是这些矿物质原料在特定的烧结过程中(也就是合理的烧成温度)，能够熔融合并成为既坚硬又耐冻、耐磨、耐腐蚀的瓷质砖。但是，这些矿物质在熔融合并之时，不同的温度会显示出不同的色彩，这就产生了色差。现有技术中采用人工对有颜色差别的瓷砖进行分类，分类的效果以及速度受到人的情绪的控制，导致产生很多不稳定因素。

为解决上述问题，公开号为CN2795852Y的中国专利公开了一种瓷砖表面质量自动检测装置，它由主架、光源、摄像装置、图像数据处理器和传送架、传送带、传动轮和电机组成，传送架位于主架的下部并从主架内穿过，传送带通过传动轮安装在传送架上，电机与传动轮传动连接，图像数据处理器分别与摄像装置和电机电信号相连。该方案能自动区分被测物体的质量等级和色彩，使得被分选出的物体一致性好。

为了美观会将瓷砖的表面抛光上釉，这种瓷砖的表面像镜面一样光滑，具有良好的反光性能。现有的图像采集装置包括光源和摄像装置，光源照射到瓷砖上时，瓷砖会将光源向四周反射，光线反射很容易使摄像装置变为“逆光拍摄”，“逆光拍摄”的画面效果不好，背光部分还会显示黑色，导致图像色彩采集装置的拍摄稳定性低。

发明内容

本发明的目的在于提供一种图像色彩采集装置，能避免现有的图像色彩采集装置因光线反射严重导致的拍摄稳定性低的问题。

本发明提供的基础方案为：一种图像色彩采集装置，包括用于输送瓷砖的带电机的传送装置，还包括：

黑箱，位于传送装置外围，设有供传送装置通过的通道，所述黑箱内壁上固设有防反光的幕布；

光源，位于黑箱内部，用于照亮穿过通道的传送装置；；

摄像装置，位于黑箱内部，用于拍摄传送装置上放置的瓷砖；

检测装置，用于检测瓷砖是否被传送到通道并在检测到瓷砖到达通道后发出检测信号；

控制单元，用于接收检测装置的检测信号，控制传送装置、光源和摄像装置工作，控制单元接收到检测信号时，控制传送装置停止工作，控制光源和摄像装置工作。

本发明的有益效果：1)本方案将光源和摄像装置位于黑箱内，黑箱内的幕布能防止光源的光线发生反射，能解决现有的图像色彩采集装置因光线反射导致的拍摄稳定性低的问题。2)通过检测装置和控制单元实现了图像色彩采集装置的自动采集，解决了人工采集图像时，采集效果和效率受人情绪影响的问题。

进一步，光源为柔光灯。

有益效果：柔光灯与普通白炽灯等光源相比，柔光灯能避免在瓷砖表面产生反光的问题。

进一步，还包括用于对图像进行分类的图像色彩处理系统，包括：

还包括用于对图像进行分类的图像色彩处理系统，所述图像色彩处理系统包括：

图像采集模块，用于采集瓷砖表面的图像数据；

图像处理模块，用于获取图像采集模块采集的瓷砖表面图像数据并提取图像数据的颜色特征，根据颜色特征计算图像的颜色特征值；

图像分类模块，用于将颜色特征值与预设的分类阈值比较，根据比较的结果判断图像的类别并得出图像的分类结果。

进一步，图像分类模块对图像进行分类时采用以下步骤：BP神经网络模型训练步骤，首先将颜色特征值作为训练特征值，根据训练特征值对图像的特征进行归一化，然后确定BP神经网络模型的结构和网络初始权值，利用遗传算法优化BP神经网络初始权值，采用归一化的特征数据训练BP神经网络，最后得到训练完成的BP神经网络模型；分类阈值优化步骤，获取已知分类结果的样本图像并计算颜色特征值，输入样本图像的颜色特征值到BP神经网络模型得到初始值，将初始值与样本图像的实际值进行计算得到误差值，利用误差值逆向对BP神经网络模型的分类阈值进行优化，直到误差值小于预设的最小值；比较分类步骤，将图像的颜色特征值输入到经过预先训练的BP神经网络模型中，首先得到当前值，然后将当前值与分类阈值进行比较，最后输出图像的分类结果。

有益效果：1)结合新特征和融合算法进行分类，通过梯度算法进行迭代运算求解权值的过程，通过训练不断地调整网络的权值和阈值，以使得输出的当前值与实际值的误差小，从而使网络实现给定的输入输出映射关系，使分类精度显著提高；2)通过误差值对BP神经网络模型的分类阈值进行实时优化，能解决现有分类器采用固定分类阈值导致的通用性低和分类不准确的问题。

进一步，图像处理模块计算图像的颜色特征值采用以下步骤：预处理步骤，对图像进行边缘检测，得到边缘像素点，根据边缘像素点确定第一区域；计算步骤，将图像RGB空间的所有颜色值转换为LAB空间的颜色值，然后在第一区域内任意两种颜色值的欧氏距离。

有益效果：对于人眼察觉不到的颜色，大部分都存在于图像的边缘部分，因此需要检测出图像的边缘像素点以进行后续处理，将RGB转换为LAB的优点是，可以降低计算机识别色彩的难度，使算法可以在色彩较少的空间里识别颜色。

进一步，图像处理模块提取的颜色特征包括灰度级数、颜色相似度、颜色渐变和饱和度。

附图说明

图1为本发明实施例一中图像色彩采集装置的结构示意图；

图2为本发明实施例二中图像分类方法的流程框图；

图3为本发明实施例三中瓷砖裁剪系统的逻辑框图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

说明书附图中的附图标记包括：传送带1、黑箱2、柔光灯3、摄像装置4、光电传感器5、瓷砖6。

如图1所示：一种图像色彩采集装置，包括带电机的传送带1和固定安装于传送带1上方的黑箱2，电机能带动传送带1转动，传送带1用于输送瓷砖6。

黑箱2为正方体的箱体，包括前挡板、后挡板、左挡板、右挡板和上挡板。黑箱2的前挡板、后挡板、左挡板、右挡板和上挡板的内侧均粘接固定有黑色幕布。黑箱2位于传送装置外围，设有供传送带通过的通道。

黑箱2的上挡板上固定安装有用于采集黑箱2底部图像信号的摄像装置；黑箱2上端的四个角上均固定安装有柔光灯3，柔光灯的灯光的方向统一对着黑箱2底部中央位置。

黑箱2内部还安装有用于检测瓷砖6到达黑箱2底部位置时，发出遮光信号的光电传感器5。

图像色彩采集装置还包括：控制单元，控制单元与光电传感器5信号连接，能接收光电传感器5的光电信号；控制单元与柔光灯3、摄像装置4和传送带1的电机电连接，能分别控制柔光灯3、摄像装置4和电机的工作。

本实施例中，控制单元为现有的PC机中的CPU芯片，采用奔腾四处理器；摄像装置选用恒大的DH-HV300型彩色工业级摄像装置拍摄瓷砖6表面的图像来完成图像的采集，该款摄像装置内部集成了A/D转换模块能直接通过USB2.0接口与PC机进行处理。柔光灯采用南冠的LED摄像灯；光电传感器5选用TAYB的E3Z-LS61-TB型光电传感器5；传送带1的电机选用JIEBA的Y2-1型三相异步电机。

本实施例的工作过程：

1)瓷砖的输送

将瓷砖6放置到传送带1上，控制单元控制传送带1的电机工作，传送带1转动进行瓷砖6的输送。

2)图像采集

瓷砖6在传送带1的输送下从黑箱2的入口进入到黑箱2内部，当瓷砖6到达光电传感器5位置时，光电传感器5能检测到遮光信号并发送给控制单元，控制单元控制柔光灯3和摄像装置工作，由柔光灯照亮瓷砖6，由摄像装置完成拍摄，实现图像的采集。

实施例二：

本实施例与实施例一相比，不同之处仅在于本实施例中的图像色彩采集装置还包括图像色彩处理系统，用于对采集的图像进行分类。

图像色彩处理系统包括服务器和采集终端，服务器和采集终端通过现有的无线连接模块网络连接。

采集终端，包括：

图像采集模块，用于采集目标物的图像数据。

采用现有的摄像装置和光学镜头实现图像的采集。本实施中，采用恒大的DH-HV300型彩色工业级摄像装置拍摄瓷砖表面的图像来完成图像的采集，该款摄像装置内部集成了A/D转换模块能直接通过USB2.0接口与PC机进行处理。此型号的摄像装置分辨率高，最高分辨率可达2048x1536，其采用五伏供电，连线简单。光学镜头采用日本的computer镜头。

服务器，包括：

图像处理模块，用于获取图像采集模块采集的目标物图像数据并提取图像数据的颜色特征，根据颜色特征计算图像的颜色特征值；

图像分类模块，用于图像处理模块计算的颜色特征值并将颜色特征值与分类阈值比较，根据比较的结果判断图像的类别并得出图像的分类结果；

分类器训练模块，用于以已知分类结果的瓷砖图像作为训练样本训练分类模型。

本实施例中，服务器为现有PC机，其中图像处理模块和图像分析模块的功能均由PC机的硬件和软件结合现有程序来实现。其中PC机的配置如下：CPU：奔腾四处理器；主板：威星MSI865PE；内存：金士顿Kingston512DDE400；硬盘：希捷ST80G/7200；显卡：七彩虹FX5200/128M；光驱：LG16CxDVD。

图像色彩处理系统的图像分类方法如图2所示，包括：

S1：图像获取步骤，获取目标物的图像。

S2：特征值计算步骤，从采集的图像中提取图像的颜色特征，计算图像颜色特征中的颜色特征值。

采用直接图法进行图像颜色特征的提取：在确定空间的基础上，统计每种颜色分量的像素占图像总像素的比例，得到图像各种颜色的比例分布(直方图)，最后把直方图作为图像的颜色特征进行图像检索。

S201：降噪步骤，对图像进行降噪处理。通过降噪能减少数字图像中噪声的过程称为图像降噪,有时候又称为图像去噪，防止外部环境噪声的干扰。

S202：预处理步骤，对图像进行边缘检测，得到边缘像素点，根据边缘像素点确定第一区域。采用现有的图像边缘检测技术实现边缘检测，对于人眼察觉不到的颜色，大部分都存在于图像的边缘部分，因此需要检测出图像的边缘像素点以进行后续处理。

S203：计算步骤，将图像RGB空间的所有颜色值转换为LAB空间的颜色值，然后在第一区域内任意两种颜色值的欧氏距离。

提取得到图像颜色特征后，通过现有的PC软件计算图像的颜色特征值：将图像RGB空间的所有颜色的颜色值转换为LAB空间的颜色值，转换之后每种颜色的像素数不变。LAB色彩空间比RGB色彩空间更接近人类视觉。在RGB色彩空间上进行计算，可以最大限度的满足颜色识别的前提，即识别出符合人眼识别的颜色数。

在非边缘像素点区域内，按照颜色值由多到少的顺序计算LAB空间的任意两种颜色的颜色值的距离。根据公式按照颜色值由多到少的顺序计算第一区域内任意两种颜色的LAB值(L1*，a1*，b1*)和(L2*，a2*，b2*)的距离，其中，L1*，a1*，b1*和L1*，a1*，b1*分别为两种颜色的LAB色彩空间的三个通道的值。

S3：图像分类步骤，将图像的颜色特征值输入到经过预先训练的BP神经网络模型中，首先得到当前值，然后将当前值与预设的分类阈值进行比较，最后输出图像的分类结果。

S301：训练BP神经网络模型步骤，输入样本颜色特征值对BP神经网络模型进行训练。

训练BP神经网络模型：首先将颜色特征值作为训练特征值，根据训练特征值对图像的特征进行归一化，然后确定BP神经网络模型的结构和网络初始权值，利用遗传算法优化BP神经网络初始权值，采用归一化的特征数据训练网络，得到训练好的BP神经网络模型。

S302：图像分类步骤，将目标物图像的颜色特征值输入到BP神经网络模型中得到图像的当前值，将当前值与分类阈值进行比较，完成对目标图像的分类。

本实施例中，将图像的色差情况分为无色差、轻微色差、明显色差和严重色差，其中无色差的分类阈值范围为0-0.5，轻微色差的分类阈值范围为0.5-1.0，明显色差的分类阈值范围为1.0-1.5，严重色差的分类阈值范围为1.5-2.0。

根据目标图像的当前值与分类阈值进行比较，例如，某目标图像的当前值为0.72，那么该目标图像分为轻微色差一类。

S303：分类阈值优化步骤，获取已知分类结果的样本图像并计算颜色特征值，输入样本图像的颜色特征值到BP神经网络模型得到初始值，将初始值与样本图像的实际值进行计算得到误差值，利用误差值逆向对BP神经网络模型的分类阈值进行优化，直到误差值小于预设的最小值。

优化BP神经网络模型：将样本颜色特征值提供给输入神经元，BP神经网络模型内部逐层将信号向前传播，最后产生输出层的初始值，将初始值与实际值进行计算得到误差值，若误差值大于最小值，则将误差值逆向传播到隐层神经元，根据误差值来调整优化神经元的连接权值、与偏置以及分类阈值，然后输入图像的颜色特征继续训练，直到初始值与实际值间的误差值小于预设的最小值。本实施例中，最小值为0.02。

例如：第一样本的颜色特征值为R＝25，G＝56，B＝48，将颜色特征值输入到BP神经网络模型中输出的初始值为0.52，但第一样本的实际值为0.75，那么误差值就是0.23，将误差值逆向传播到隐层神经元中，对BP神经网络模型的进行调整和优化，直到输入第一样本的颜色特征至后输出的初始值为0.5。

第二样本的颜色特征值为R＝82，G＝109，B＝115，将该颜色特征值输入到BP神经网络模型中输出的初始值为0.93，但第二样本的实际值为1.00，那么误差值为0.07，将误差值逆向传播到隐层神经元中，对BP神经网络模型的进行调整和优化，直到输入第二样本的颜色特征值输出的初始值为1.00。

第三样本的颜色特征值为R＝154，G＝188，B＝210，将该颜色特征值输入到BP神经网络模型中输出的初始值为1.81，第三样本的实际值为1.80，误差值为0.01，小于最小,0.01，完成对BP神经网络模型的训练。

实施例三：

本实施例与实施例一相比，不同之处仅在于，本实施例中的服务器还包括瓷砖裁剪系统。

瓷砖的色差分为整体色差和局部色差，出现整体色差的瓷砖，除进行颜色匹配(与相近颜色的瓷砖进行匹配)外，只能当做废品处理；对于局部色差的瓷砖，可将色差部分切除，将瓷砖裁剪为整体尺寸更小的瓷砖。如何实现最优的裁剪(切除的部分最少)或将有色差部分进行合理利用是急需解决的问题。

如图3所示：瓷砖裁剪系统，包括：

图像色差分区模块，用于接收图像分类模块分选出的有色差的图像，并根据图像的颜色特征值计算得图像的色差点，将色差点坐标化并对色差点的边界坐标进行识别，根据色差点的边界对图像进行分区得到色差块和无色差块。

采用现有的图像识别方法对图像的颜色特征值进行识别，其中图像色差点边界的识别方式可采用华东理工大学信息工程学院公开的《一种基于色差的彩色图像的边缘检测方法》中的图像的边缘检测方法进行识别，完成边界识别后将产生色差的部分定义为色差块，将无色差的部分定义为无色差块。

图像裁剪模块，用于获取图像色差分区模块分区后的图像，首先，根据色差点的边界计算非色差块的形状和面积，获取小瓷砖的尺寸，根据多个相同或不同小瓷砖的尺寸的拼接对非色差块进行裁剪得到小瓷块和剩余块，然后，计算剩余块的形状和面积并将剩余块切割成面积最大的矩形补块，最后，根据色差点的边界计算色差块的形状和面积，获取模型数据库中的裁剪模型的形状和面积并根据色差块的形状和面积选择最大面积的裁剪模型进行裁剪，得到饰品块。

通过现有的图像识别技术扫描色差块和非色差块的边界可以计算得到色差块和非色差块的形状，通过Auto CAD可计算色差块和非色差块的面积：输入命令AREA，选中对象，得出面积。对于目标块裁剪可通过掩膜的方式计算，本实施例中采用Build Mask工具：获取小瓷砖的尺寸信息，构建掩膜区域，然后将掩膜区域与非色差块图像相乘得到目标块。

在数据库中预先存储有艺术品裁剪模型，包括植物：鲜花、树叶、四叶草、花束等模型；动物：小狗、小猪、恐龙等模型；动漫人物：路飞、鸣人、樱木花道等模型。

小瓷块为颜色与目标物相同但规格(尺寸)不同的瓷砖，补块和饰品块可作为赠品配送给用户，其中补块用于在安装瓷砖时剩余位置不足以安装整块瓷砖时补位用的小瓷砖，饰品块可当做饰品使用。

本实施例的有益效果：1)通过计算瓷砖非色差块的形状和尺寸，能对存在色差的瓷砖进行裁剪，得到更小尺寸的瓷砖和用于补位的补块，能最大化的利用有色差的瓷砖，实现了次品瓷砖的再利用解决了直接报废处理导致的浪费材料和生产力的问题；2)对于瓷砖上出现色差的部分最大化裁剪，将其作为饰品使用，本实施例实现了最优的裁剪和将有色差部分进行合理利用的效果。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (6)

1.一种图像色彩采集装置，包括用于输送瓷砖的带电机的传送装置，其特征在于：还包括：

黑箱，位于传送装置外围，设有供传送装置通过的通道，所述黑箱内壁上固设有防反光的幕布；

光源，位于黑箱内部，用于照亮穿过通道的传送装置；

摄像装置，位于黑箱内部，用于拍摄传送装置上放置的瓷砖；

检测装置，用于检测瓷砖是否被传送到通道并在检测到瓷砖到达通道后发出检测信号；

控制单元，用于接收检测装置的检测信号，控制传送装置、光源和摄像装置工作，控制单元接收到检测信号时，控制传送装置停止工作，控制光源和摄像装置工作。

2.根据权利要求1所述的图像色彩采集装置，其特征在于：光源为柔光灯。

3.根据权利要求1所述的图像色彩采集装置，其特征在于：还包括用于对图像进行分类的图像色彩处理系统，所述图像色彩处理系统包括：

图像采集模块，用于采集瓷砖表面的图像数据；

图像处理模块，用于获取图像采集模块采集的瓷砖表面图像数据并提取图像数据的颜色特征，根据颜色特征计算图像的颜色特征值；

图像分类模块，用于将颜色特征值与预设的分类阈值比较，根据比较的结果判断图像的类别并得出图像的分类结果。

4.根据权利要求3所述的图像色彩采集装置，其特征在于：图像分类模块对图像进行分类时采用以下步骤：BP神经网络模型训练步骤，首先将颜色特征值作为训练特征值，根据训练特征值对图像的特征进行归一化，然后确定BP神经网络模型的结构和网络初始权值，利用遗传算法优化BP神经网络初始权值，采用归一化的特征数据训练BP神经网络，最后得到训练完成的BP神经网络模型；分类阈值优化步骤，获取已知分类结果的样本图像并计算颜色特征值，输入样本图像的颜色特征值到BP神经网络模型得到初始值，将初始值与样本图像的实际值进行计算得到误差值，利用误差值逆向对BP神经网络模型的分类阈值进行优化，直到误差值小于预设的最小值；比较分类步骤，将图像的颜色特征值输入到经过预先训练的BP神经网络模型中，首先得到当前值，然后将当前值与分类阈值进行比较，最后输出图像的分类结果。

5.根据权利要求4所述的图像色彩采集装置，其特征在于：图像处理模块计算图像的颜色特征值采用以下步骤：预处理步骤，对图像进行边缘检测，得到边缘像素点，根据边缘像素点确定第一区域；计算步骤，将图像RGB空间的所有颜色值转换为LAB空间的颜色值，然后在第一区域内任意两种颜色值的欧氏距离。

6.根据权利要求5所述的图像色彩采集装置，其特征在于：图像处理模块提取的颜色特征包括灰度级数、颜色相似度、颜色渐变和饱和度。