CN115115893B - 用于废金属回收的智能分选方法 - Google Patents
用于废金属回收的智能分选方法 Download PDFInfo
- Publication number
- CN115115893B CN115115893B CN202210880927.3A CN202210880927A CN115115893B CN 115115893 B CN115115893 B CN 115115893B CN 202210880927 A CN202210880927 A CN 202210880927A CN 115115893 B CN115115893 B CN 115115893B
- Authority
- CN
- China
- Prior art keywords
- color
- image
- metal
- pixel point
- color difference
- 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
Links
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 223
- 239000002184 metal Substances 0.000 title claims abstract description 223
- 239000002699 waste material Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011084 recovery Methods 0.000 title claims abstract description 23
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 claims abstract description 88
- 239000003923 scrap metal Substances 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 32
- 150000002739 metals Chemical class 0.000 claims description 17
- 230000000903 blocking effect Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004064 recycling Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 230000000877 morphologic effect Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- -1 ferrous metals Chemical class 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 239000007769 metal material Substances 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000010814 metallic waste Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009417 prefabrication Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Images
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及废金属回收智能分选技术领域,具体涉及用于废金属回收的智能分选方法。该方法是一种应用电子设备进行识别的方法,利用人工智能系统完成对废金属回收的智能分类。该方法首先通过相机识别废金属图像,预处理废金属图像得到目标图像和对应的LAB图像,对LAB图像进行数据处理得到各像素点的有色金属概率和所属第二类别;基于有色金属概率和所属第二类别,目标图像进行数据处理得到增强图像;通过增强图像对废金属进行分类。本发明通过对废金属图像进行数据处理,结合有色金属的颜色特征和形态特征识别出废金属中的有色区域,根据有色区域对废金属进行分类,实现了废金属回收的智能分选。
Description
技术领域
本发明涉及废金属回收智能分选技术领域,具体涉及用于废金属回收的智能分选方法。
背景技术
随着中国经济的快速发展和人民生活水平的不断提高,人们对金属材料和金属制品的需求日益增加,导致金属资源的消费量越来越大。同时,有色金属的回收量也越来越大。废金属物料的回收利用具有重大的经济效益、社会效益和环境效益。但是在废物料中金属往往以元素或合金的形式存在,通常采用熔炼等方式进行二次资源回收。在熔炼前对废金属物料进行相应的分选处理,能够降低再生金属提纯工艺的难度、提高回收效率和利润。在废金属回收中,为了提高回收效果,通常会添加图像采集模块,以进行有色金属的精确分选,提高回收效率和回收质量。
目前,常见的对废金属进行分类是直接对废金属图像中的有色金属采用阈值分割,分割出有色金属区域,但是阈值分割算法受环境影响较大,当光线稍微过暗时,会导致前后背景区分不大,从而使得在采用阈值分割算法进行分割定位时效果不良,可能会导致对有色金属定位出现偏差,进而影响对废金属的分选效果。
发明内容
为了解决上述技术问题,本发明的目的在于提供用于废金属回收的智能分选方法,所采用的技术方案具体如下:
采集废金属图像,预处理所述废金属图像得到目标图像;
将所述目标图像转换至LAB颜色空间得到LAB图像,基于所述LAB图像中各像素点对应的颜色通道的颜色通道分量的差异,对所述像素点进行分类,得到多个第一类别;
获取各第一类别的类别中心的中心颜色通道分量,计算所述中心颜色通道分量和多个标准有色金属对应的多个标准颜色通道分量之间的最小颜色差值;
选取任意像素点作为目标像素点,获取所述目标像素点与其对应的邻域像素点之间的颜色分量向量的最大邻域颜色差值,根据所述最大邻域颜色差值和所述最小颜色差值计算有色金属概率;
由所述像素点的横坐标、纵坐标和所属的第一类别构建三维向量,基于所述三维向量和所述有色金属概率对像素点进行二次分类,得到第二类别;根据各像素点对应的邻域像素点所属的第二类别的分布情况对所述目标图像进行分块,得到多个分块区域;基于所述有色金属概率对所述分块区域进行图像增强,得到增强图像;分割所述增强图像,得到多个有色金属区域,基于所述有色金属区域对废金属进行分类。
优选的,所述预处理所述废金属图像得到目标图像,包括:
利用维纳滤波对所述废金属图像进行运动模糊消除,得到初始图像;利用中值滤波对所述初始图像进行滤波,得到目标图像。
优选的,所述基于所述LAB图像中各像素点对应的颜色通道的颜色通道分量的差异,对所述像素点进行分类,得到多个第一类别,包括:
获取所述LAB图像中各像素点对应的a通道的通道分量,作为第一颜色通道分量;获取所述LAB图像中各像素点对应的b通道的通道分量,作为第二颜色通道分量;由所述第一颜色通道分量和所述第二颜色通道分量构建颜色分量向量;
以所述第一颜色通道分量作为纵坐标,以所述第二颜色通道分量作为横坐标,建立颜色坐标轴;基于所述LAB图像中各像素点对应的颜色分量向量在所述颜色坐标轴中的分布,将所述颜色分量向量对应的像素点进行分类,得到多个第一类别。
优选的,所述计算所述中心颜色通道分量和多个标准有色金属对应的多个标准颜色通道分量之间的最小颜色差值,包括:
将LAB颜色空间中a通道的颜色通道分量作为第一颜色通道分量,将b通道的颜色通道分量作为第二颜色通道分量;
所述中心颜色通道分量中的第一颜色通道分量和所述标准颜色通道分量中的第一颜色通道分量作差,得到第一颜色差值;所述中心颜色通道分量中的第二颜色通道分量和所述标准颜色通道分量中的第二颜色通道分量作差,得到第二颜色差值;所述第一颜色差值的平方和所述第二颜色差值的平方的和,作为颜色差值;
对于任意第一类别的类别中心,计算所述类别中心和所有标准有色金属对应的多个标准颜色通道分量之间的颜色差值,得到多个颜色差值;选取所述颜色差值中最小值作为所述类别中心的最小颜色差值。
优选的,所述获取所述目标像素点与其对应的邻域像素点之间的颜色分量向量的最大邻域颜色差值,包括:
将LAB颜色空间中a通道的颜色通道分量作为第一颜色通道分量,将b通道的颜色通道分量作为第二颜色通道分量;
所述目标像素点对应的第一颜色通道分量和所述邻域像素点对应的第一颜色通道分量作差,得到第三颜色差值;所述目标像素点对应的第二颜色通道分量和所述邻域像素点对应的第二颜色通道分量作差,得到第四颜色差值;所述第三颜色差值的平方和所述第四颜色差值的平方的和,作为邻域颜色差值;
对于目标像素点,计算所述目标像素点和其对应的多个邻域像素点的邻域颜色差值,得到多个邻域颜色差值;选取所述邻域颜色差值中最大值作为所述目标像素点的最大邻域颜色差值。
优选的,所述根据所述最大邻域颜色差值和所述最小颜色差值计算有色金属概率,包括:
所述最大邻域颜色差值和所述最小颜色差值相乘,得到有色金属概率参数;以自然常数为底数,以负的所述有色金属概率参数为指数的指数函数,作为有色金属概率。
优选的,所述基于所述三维向量和所述有色金属概率对像素点进行二次分类,得到第二类别,包括:
基于所述三维向量,利用DBSCAN算法对像素点进行二次分类,得到第二类别;其中,所述DBSCAN算法的度量依据为所述有色金属概率。
优选的,所述根据各像素点对应的邻域像素点所属的第二类别的分布情况对所述目标图像进行分块,得到多个分块区域,包括:
获取每个像素点对应的窗口内的像素点所属的第二类别;基于窗口内各像素点所属的所述第二类别的占比,计算窗口的信息熵;
将所述信息熵等于预设信息熵阈值的窗口内像素点的像素值置为零,将所述信息熵大于预设信息熵阈值的窗口内像素点的像素值置为一,得到对应的二值图;
利用图像细化算法,提取所述二值图中的分块边界,将所述分块边界映射至所述目标图像,得到目标图像中的多个分块区域。
优选的,所述基于所述有色金属概率对所述分块区域进行图像增强,得到增强图像,包括:
对每个分块区域进行直方图均衡化,并得到各像素点对应的原始灰度值拉伸系数;所述有色金属概率和所述原始灰度值拉伸系数的乘积作为调整灰度值拉伸系数;基于所述调整灰度值拉伸系数,对所述分块区域进行增强,得到对应的增强图像。
本发明实施例至少具有如下有益效果:
本发明首先通过对废金属图像的数据分析,根据像素点的颜色通道分量的差异对像素点进行分类;进一步的,根据像素点与相邻像素点的颜色通道分量的差异得到各像素点的有色金属概率;结合有色金属概率、分类情况和像素点的位置坐标再次对像素点进行二次分类,实现了结合有色金属的颜色特征和形态特征对有色金属的定位识别,根据二次分类的情况对废金属图像进行分块,得到分块区域,对分块区域进行图像增强得到增强图像,基于该增强图像对废金属进行分类。本发明通过对废金属图像进行数据处理,识别出废金属中的有色金属区域,根据有色金属区域对废金属进行分类,实现了废金属回收的智能分选,结合有色金属的颜色特征和形态特征不仅考虑了像素的颜色还考虑了像素的聚集程度和为有色金属的概率,避免因环境的影响而导致的对有色金属定位出现偏差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的用于废金属回收的智能分选方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于废金属回收的智能分选方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了用于废金属回收的智能分选方法的具体实施方法,该方法适用于废金属回收分类场景。该场景下将相机作为图像采集模块,用于采集废金属图像,且预先设定好分选平台,使得识别得到的有色金属区域和分类结果发送至分选平台,通过分选平台实现废金属分选。为了解决直接采用预制分割受环境影响较大,会导致对有色金属定位出现偏差的问题。本发明通过对废金属图像进行数据处理,识别出废金属中的有色金属区域,根据有色金属区域对废金属进行分类,实现了废金属回收的智能分选,结合有色金属的颜色特征和形态特征不仅考虑了像素的颜色还考虑了像素的聚集程度和为有色金属的概率,避免因环境的影响而导致的对有色金属定位出现偏差的问题。
下面结合附图具体的说明本发明所提供的用于废金属回收的智能分选方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于废金属回收的智能分选方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集废金属图像,预处理废金属图像得到目标图像。
通过图像采集模块采集废金属图像,需要说明的是,在采集废金属图像时已经过筛除,不存在重叠情况的出现。在采集得到的废金属图像中,由于传输带传输时会导致存在运动模糊,故需要对废金属图像进行预处理,进而得到较为清晰的目标图像,具体的:利用维纳滤波对废金属图像进行运动模糊消除,得到初始图像。由于在图像采集的过程中会伴随有图像噪声,故利用中值滤波对初始图像进行再次滤波去噪,得到去噪后的目标图像。
步骤S200,将目标图像转换至LAB颜色空间得到LAB图像,基于LAB图像中各像素点对应的颜色通道的颜色通道分量的差异,对像素点进行分类,得到多个第一类别。
在得到预处理后的目标图像之后,可以采用直方图均衡化的方法对目标图像进行增强,但是采用直方图均衡化进行增强时,仅考虑了灰度值的大小和量之间的分布,导致会出现图像过曝的情况。所以本发明通过优化直方图均衡化的过程,使得到增强效果较好的增强图像,进而完成废金属图像的增强。
为了完成对目标图像的增强,首先判断目标图像中各像素点属于有色金属的可能性,进而进行针对性增强,将目标图像中属于有色金属的部分和不属于有色金属的部分进行扩大区分,便于进行阈值分割定位。需要说明的是,废金属物料上常有铜、铝、锌等有色金属。
由于废金属图像中不同有色金属具有不同的颜色,并且有色金属所占面积不大,所以为了在区分有色金属区域和其他区域时更好的实现自动化,先将目标图像转换至LAB颜色空间得到对应的LAB图像。因为LAB颜色空间中颜色的分布,更加符合人眼的视觉。其中,由于在使用中可能存在多种有色金属,并且在不同的场景下,有色废金属分选机所回收的有色金属并不一样,为了让有色金属分选机具有更高的自适应性,对目标图像中各像素点的颜色分量进行聚类,获取目标图像中所存在的噪声图像数据部分,背景图像数据部分、各种有色金属图像数据部分和废金属中的非有色金属图像数据部分。
基于LAB图像中各像素点对应的颜色通道的颜色通道分量的差异,对各像素点进行分类,得到多个第一类别,具体的:获取LAB图像中各像素点对应的a通道的通道分量,作为第一颜色通道分量;获取LAB图像中各像素点对应的b通道的通道分量,作为第二颜色通道分量;由第一颜色通道分量和第二颜色通道分量构建颜色分量向量;以第一颜色通道分量作为纵坐标,以第二颜色通道分量作为横坐标,建立颜色坐标轴;基于LAB图像中各像素点对应的颜色分量向量在颜色坐标轴中的分布,将颜色分量向量对应的像素点进行分类,得到多个第一类别,也即在得到各像素点对应的颜色分量向量在颜色坐标轴上的分布后,对颜色分量向量采用均值漂移算法进行自适应分类,得到多个第一类别。
其中,每个类别中的像素点颜色特征近似,每一类第一类别中的数据可能为噪声图像数据部分,背景图像数据部分、各种有色金属图像数据部分和废金属中的非有色金属图像数据部分。需要说明的是,LAB颜色空间中有三个通道,分别为亮度通道、a通道和b通道,亮度通道也即L通道,L通道没有颜色,a通道和b通道只有颜色。
步骤S300,获取各第一类别的类别中心的中心颜色通道分量,计算中心颜色通道分量和多个标准有色金属对应的多个标准颜色通道分量之间的最小颜色差值。
预先建立一个有色金属数据库,有色金属数据库中存储了大量的标准有色金属的标准色,可以比当前场景的有色金属颜色多,但不能比当前场景下的有色金属颜色少。可以获取目标图像中各部分和多种标准有色金属的颜色差值,以区分当前各颜色类别所属的数据类型,比如是属于噪声图像数据部分,背景图像数据部分、各种有色金属图像数据部分和废金属中的非有色金属图像数据部分。
获取各第一类别的类别中心的中心颜色通道分量。
计算中心颜色通道分量和有色金属数据库中所有标准有色金属对应的多个标准颜色通道分量之间的最小颜色差值,具体的:将LAB颜色空间中的a通道的颜色通道分量作为第一颜色通道分量,将b通道的颜色通道分量作为第二颜色通道分量;中心颜色通道分量重的第一颜色通道分量和标准颜色通道分量中的第一颜色通道分量作差,得到第一颜色差值;中心颜色通道分量重的第二颜色通道分量和标准颜色通道分量重的第二颜色通道分量作差,得到第二颜色差值;该第一颜色差值的平方和第二颜色差值的平方的和,作为颜色差值;对于任意第一类别的类别中心,计算类别中心和所有标准有色金属对应的多个标准颜色通道分量之间的颜色差值,得到多个颜色差值;选取颜色差值中最小值作为类别中心对应的最小颜色差值。
该最小颜色差值越小,则与有色金属数据库中的标准有色金属的颜色越接近,该第一类别内对应的像素点属于有色金属的可能性越高。
步骤S400,选取任意像素点作为目标像素点,获取目标像素点与其对应的邻域像素点之间的颜色分量向量的最大邻域颜色差值,根据最大邻域颜色差值和最小颜色差值计算有色金属概率。
不管是属于噪声图像数据部分,背景图像数据部分还是属于废金属中的非有色金属图像数据部分噪声数据部分的类别都有各自对应的最小颜色差值,所以仅根据颜色差异难以界定为有色金属的可能性。由于有色金属一般都是块状的,即使是有色金属丝也是连续的,所以根据各像素点的同色连续分布,得到目标图像中各像素点的有色金属概率。
选取任意像素点作为目标像素点,获取目标像素点与其对应的邻域像素点之间的颜色分量向量的最大邻域颜色差值。最大邻域颜色差值的获取方式为:目标像素点对应的第一颜色通道分量和邻域像素点对应的第一颜色通道分量作差,得到第三颜色差值;目标像素点对应的第二颜色通道分量和邻域像素点对应的第二颜色通道分量作差,得到第四颜色差值;第三颜色差值的平方和第四颜色差值的平方的和,作为邻域颜色差值;对于目标像素点,计算目标像素点和其对应的多个邻域像素点的邻域颜色差值,得到多个邻域颜色差值;选取邻域颜色差值中最大值作为目标像素点的最大邻域颜色差值。最大邻域颜色差值用于度量各像素点的同色连续分布,其最大邻域颜色差值越大,则说明像素点的同色连续性越差,出现了较为突出的颜色变化,很有可能是属于噪声部分、背景部分、废金属中的非有色金属图像数据部分或者是一些边缘,属于有色金属的可能性就越低,也即对应的有色金属概率越低。
根据最大邻域颜色差值和最小颜色差值计算有色金属概率。具体的:将最大邻域颜色差值和最小颜色差值相乘,得到有色金属概率参数;以自然常数为底数,以负的有色金属概率参数为指数的指数函数,作为有色金属概率。
其中,该有色金属概率的计算公式中,指数函数是为了防止最小颜色差值和最大邻域颜色差值出现有一个为0的情况,且最小颜色差值和最大邻域颜色差值越低,则属于有色废金属的可能性越大,对应的有色金属概率也越大,所以指数函数也起到了一个负相关映射的作用,反映出第i个像素点属于有色金属的可能性就越大。
步骤S500,由像素点的横坐标、纵坐标和所属的第一类别构建三维向量,基于三维向量和有色金属概率对像素点进行二次分类,得到第二类别;根据各像素点对应的邻域像素点所属的第二类别的分布情况对目标图像进行分块,得到多个分块区域;基于有色金属概率对分块区域进行图像增强,得到增强图像;分割增强图像,得到多个有色金属区域,基于有色金属区域对废金属进行分类。
在得到各像素点对应的有色金属概率之后,可对各像素点的灰度值进行不同程度拉伸,实现图像的增强。其中,灰度值拉伸也即直方图均衡化。由于图像中各有色金属的灰度值并不一样,所以当基于有色金属概率对整个图像进行拉伸时,可以起到一定的图像增强作用,但是提升有限。且由于金属表面光滑的属性,在直方图均衡化时很容易出现部分区域过曝情况。常规方法处理直方图均衡化过曝现象都是采用分块处理,但是均匀分块处理,并不能起到很好的凸显作用。故本发明在分块时,选择将按有色金属中各像素点的有色金属概率进行分块处理,使得在进行块内的直方图均衡化操作时,能够更好的将废金属中的有色金属凸显出来,并弱化背景,即一个分块区域内只有一种有色金属,其余区域为背景数据部分、噪声数据部分或废金属中的非有色金属部分。
在分类时不应直接基于有色金属概率进行分类,因为直接基于有色金属概率进行分类使得背景数据部分、噪声数据部分和废金属中的非有色金属部分也被为了一块,而在进行局部直方图均衡化时,导致背景数据、噪声数据部分和废金属中的非有色金属部分反而被凸显出来。
故进一步的,以像素点的横坐标、纵坐标和像素点所属的第二类别构建三维向量,基于三维向量,利用DBSCAN算法对像素点进行二次分类,得到第二类别;其中,DBSCAN算法的度量依据为有色金属概率。不同的第一类别表示废金属中不同的有色金属,但也有可能是背景、噪声和非有色金属数据类别。所以将像素点所属的第一类别作为分类依据,区分不同像素点所属的第一类别。
将有色金属概率作为DBSCAN算法的度量依据,也即作为DBSCAN算法在聚类时的搜索依据。需要说明的是,即常规的DBSCAN算法在聚类时,是通过欧式距离作为度量依据,在本发明将有色金属概率作为度量依据,且将有色金属概率作为度量依据时不采用两个像素点之间的有色金属概率的差值,而是采用两个像素点所对应的有色金属概率的最小值作为依据。实现基于各像素点对应的三维向量,利用DBSCAN算法对像素点进行分类,将位置坐标相近,大概率属于同一种有色金属的像素点聚为一类,得到多个第二类别。第二类别反映了有色金属的划分。
在对像素点进行二次分类得到第二类别之后,由于第二类别的边界之间都是相对混乱的。故进一步的,根据各像素点对应的邻域像素点所属的第二类别的分布情况对目标图像进行分块,得到多个分块区域。具体的:
步骤一,获取每个像素点对应的3*3窗口内的像素点所属的第二类别;基于窗口内各像素点的所属第二类别的占比,计算窗口的信息熵。当窗口内各像素点所属的第二类别越多,则对应的窗口的信息熵越大,当窗口内各像素点所属的第二类别越单一,则对应的窗口的信息熵越小。
步骤二,当窗口的信息熵等于预设信息熵阈值时,则表示当前局部区域的分类结果统一,将信息熵等于预设信息熵阈值的窗口内的像素点的像素值置于0;当窗口的信息熵大于预设信息熵阈值时,则表示当前局部区域中出现了多个类别,将信息熵大于预设信息熵阈值的窗口内像素点的像素值置为1,得到对应的二值图。在本发明实施例中预设信息熵阈值的取值为0,实施者可根据实际情况调整该取值。
步骤三,利用图像细化算法,也即骨架化算法,提取得到的二值图中的分块边界,将在二值图中通过骨架化算法得到的分块边界映射至目标图像中,完成分块操作,得到目标图像中的多个分块区域。
在完成分块操作后,基于有色金属概率对分块区域进行图像增强,得到增强图像。具体的:对于每个分块区域进行直方图均衡化,并在进行直方图均衡化时,对各像素点的灰度值拉伸系数进行调整。各像素点对应的调整后的调整灰度值拉伸系数为原始灰度值拉伸系数和其对应的有色金属概率的乘积;基于调整灰度值拉伸系数,对分块区域进行增强,得到对应的增强图像,也即在基于调整灰度值拉伸系数对每个分块区域内的灰度值进行调整后,将每个分块区域内调整后的灰度值进行归一化,再将灰度值归一化后的图像乘以255,得到最大灰度级为255的图像,就是增强后的增强图像。需要说明的是原始灰度值拉伸系数可由直方图均衡化算法获得。其中,有色金属概率越大,则说明当前像素点属于有色废金属的可能性越高,则其对应的灰度值调整后应当越大。
得到增强图像后,采用大津阈值法对该增强图像进行自适应分割,得到有色金属的分割结果,采用形态学操作对有色金属的分割结果进行填充,然后采用连通域算法得到多个有色金属区域,实现对废金属内的有色金属进行定位。再基于有色金属区域对废金属进行分类,进而将有色金属区域和分类结果发送至分选平台,由分选平台完成分选。需要说明的是,该分类结果第二类别。
综上所述,本发明实施例利用废金属回收智能分选技术领域。该方法采集废金属图像,预处理废金属图像得到目标图像和对应的LAB图像,基于LAB图像中各像素点对应的颜色通道的颜色通道分量的差异,对像素点进行分类得到多个第一类别;获取各第一类别的类别中心的中心颜色通道分量和多个标准有色金属对应的多个标准颜色通道分量之间的最小颜色差值;选取任意像素点作为目标像素点,获取目标像素点与其对应的邻域像素点之间的颜色分量向量的最大邻域颜色差值,根据最大邻域颜色差值和最小颜色差值计算有色金属概率;由像素点的横坐标、纵坐标和所属的第一类别构建三维向量,基于三维向量和有色金属概率对像素点进行二次分类,得到第二类别;根据各像素点对应的邻域像素点所属的第二类别的分布情况对目标图像进行分块,得到多个分块区域;基于有色金属概率对分块区域进行图像增强,得到增强图像;分割增强图像得到多个有色金属区域,基于有色金属区域对废金属进行分类。本发明通过对废金属图像进行数据处理,结合有色金属的颜色特征和形态特征识别出废金属中的有色金属区域,根据有色金属区域对废金属进行分类,实现了废金属回收的智能分选,不仅考虑了像素的颜色还考虑了像素的聚集程度和为有色金属的概率,避免因环境的影响而导致的对有色金属定位出现偏差的问题。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.用于废金属回收的智能分选方法,其特征在于,该方法包括以下步骤:
采集废金属图像,预处理所述废金属图像得到目标图像;
将所述目标图像转换至LAB颜色空间得到LAB图像,基于所述LAB图像中各像素点对应的颜色通道的颜色通道分量的差异,对所述像素点进行分类,得到多个第一类别;
获取各第一类别的类别中心的中心颜色通道分量,计算所述中心颜色通道分量和多个标准有色金属对应的多个标准颜色通道分量之间的最小颜色差值;
选取任意像素点作为目标像素点,获取所述目标像素点与其对应的邻域像素点之间的颜色分量向量的最大邻域颜色差值,根据所述最大邻域颜色差值和所述最小颜色差值计算有色金属概率;
由所述像素点的横坐标、纵坐标和所属的第一类别构建三维向量,基于所述三维向量和所述有色金属概率对像素点进行二次分类,得到第二类别;根据各像素点对应的邻域像素点所属的第二类别的分布情况对所述目标图像进行分块,得到多个分块区域;基于所述有色金属概率对所述分块区域进行图像增强,得到增强图像;分割所述增强图像,得到多个有色金属区域,基于所述有色金属区域对废金属进行分类;
其中,第一类别的获取方法为:获取所述LAB图像中各像素点对应的a通道的通道分量,作为第一颜色通道分量;获取所述LAB图像中各像素点对应的b通道的通道分量,作为第二颜色通道分量;由所述第一颜色通道分量和所述第二颜色通道分量构建颜色分量向量;以所述第一颜色通道分量作为纵坐标,以所述第二颜色通道分量作为横坐标,建立颜色坐标轴;基于所述LAB图像中各像素点对应的颜色分量向量在所述颜色坐标轴中的分布,将所述颜色分量向量对应的像素点进行分类,得到多个第一类别;
其中,第二类别的获取方法为:基于所述三维向量,利用DBSCAN算法对像素点进行二次分类,得到第二类别;其中,所述DBSCAN算法的度量依据为所述有色金属概率;
其中,最小颜色差值的获取方法为:将LAB颜色空间中a通道的颜色通道分量作为第一颜色通道分量,将b通道的颜色通道分量作为第二颜色通道分量;所述中心颜色通道分量中的第一颜色通道分量和所述标准颜色通道分量中的第一颜色通道分量作差,得到第一颜色差值;所述中心颜色通道分量中的第二颜色通道分量和所述标准颜色通道分量中的第二颜色通道分量作差,得到第二颜色差值;所述第一颜色差值的平方和所述第二颜色差值的平方的和,作为颜色差值;对于任意第一类别的类别中心,计算所述类别中心和所有标准有色金属对应的多个标准颜色通道分量之间的颜色差值,得到多个颜色差值;选取所述颜色差值中最小值作为所述类别中心的最小颜色差值。
2.根据权利要求1所述的用于废金属回收的智能分选方法,其特征在于,所述预处理所述废金属图像得到目标图像,包括:
利用维纳滤波对所述废金属图像进行运动模糊消除,得到初始图像;利用中值滤波对所述初始图像进行滤波,得到目标图像。
3.根据权利要求1所述的用于废金属回收的智能分选方法,其特征在于,所述获取所述目标像素点与其对应的邻域像素点之间的颜色分量向量的最大邻域颜色差值,包括:
将LAB颜色空间中a通道的颜色通道分量作为第一颜色通道分量,将b通道的颜色通道分量作为第二颜色通道分量;
所述目标像素点对应的第一颜色通道分量和所述邻域像素点对应的第一颜色通道分量作差,得到第三颜色差值;所述目标像素点对应的第二颜色通道分量和所述邻域像素点对应的第二颜色通道分量作差,得到第四颜色差值;所述第三颜色差值的平方和所述第四颜色差值的平方的和,作为邻域颜色差值;
对于目标像素点,计算所述目标像素点和其对应的多个邻域像素点的邻域颜色差值,得到多个邻域颜色差值;选取所述邻域颜色差值中最大值作为所述目标像素点的最大邻域颜色差值。
4.根据权利要求1所述的用于废金属回收的智能分选方法,其特征在于,所述根据所述最大邻域颜色差值和所述最小颜色差值计算有色金属概率,包括:
所述最大邻域颜色差值和所述最小颜色差值相乘,得到有色金属概率参数;以自然常数为底数,以负的所述有色金属概率参数为指数的指数函数,作为有色金属概率。
5.根据权利要求1所述的用于废金属回收的智能分选方法,其特征在于,所述根据各像素点对应的邻域像素点所属的第二类别的分布情况对所述目标图像进行分块,得到多个分块区域,包括:
获取每个像素点对应的窗口内的像素点所属的第二类别;基于窗口内各像素点所属的第二类别的占比,计算窗口的信息熵;
将所述信息熵等于预设信息熵阈值的窗口内像素点的像素值置为零,将所述信息熵大于预设信息熵阈值的窗口内像素点的像素值置为一,得到对应的二值图;其中,预设信息熵阈值的取值为0;
利用图像细化算法,提取所述二值图中的分块边界,将所述分块边界映射至所述目标图像,得到目标图像中的多个分块区域。
6.根据权利要求1所述的用于废金属回收的智能分选方法,其特征在于,所述基于所述有色金属概率对所述分块区域进行图像增强,得到增强图像,包括:
对每个分块区域进行直方图均衡化,并得到各像素点对应的原始灰度值拉伸系数;所述有色金属概率和所述原始灰度值拉伸系数的乘积作为调整灰度值拉伸系数;基于所述调整灰度值拉伸系数,对所述分块区域进行增强,得到对应的增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210880927.3A CN115115893B (zh) | 2022-07-26 | 2022-07-26 | 用于废金属回收的智能分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210880927.3A CN115115893B (zh) | 2022-07-26 | 2022-07-26 | 用于废金属回收的智能分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115893A CN115115893A (zh) | 2022-09-27 |
CN115115893B true CN115115893B (zh) | 2023-01-31 |
Family
ID=83334906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210880927.3A Active CN115115893B (zh) | 2022-07-26 | 2022-07-26 | 用于废金属回收的智能分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115893B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115672789B (zh) * | 2022-12-21 | 2024-04-30 | 西安海联石化科技有限公司 | 一种钛及钛合金回收氧化屑料分选方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989594A (zh) * | 2015-02-12 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN114549522A (zh) * | 2022-04-24 | 2022-05-27 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4343362C2 (de) * | 1993-04-08 | 1996-08-14 | Linotype Hell Ag Werk Kiel | Verfahren zur Erzeugung harmonischer Farbkorrekturen |
AU728856B2 (en) * | 1995-12-21 | 2001-01-18 | Canon Kabushiki Kaisha | Zone segmentation for image display |
CN106056155B (zh) * | 2016-05-30 | 2019-04-23 | 西安电子科技大学 | 基于边界信息融合的超像素分割方法 |
CN108114909B (zh) * | 2016-11-29 | 2019-10-11 | 中国科学院沈阳自动化研究所 | 一种基于Libs系统的废金属智能拣选设备及方法 |
KR20190050145A (ko) * | 2017-11-02 | 2019-05-10 | 주식회사 씨티아이랩 | 딥러닝 기반 폐금속 스크랩 분류 방법 및 장치 |
CN108921820B (zh) * | 2018-05-30 | 2021-10-29 | 咸阳师范学院 | 一种基于颜色特征和聚类算法的显著性目标检测方法 |
CN111784703B (zh) * | 2020-06-17 | 2023-07-14 | 泰康保险集团股份有限公司 | 一种图像分割方法、装置、电子设备和存储介质 |
CN112365418B (zh) * | 2020-11-11 | 2024-05-03 | 抖音视界有限公司 | 一种图像失真评测的方法、装置及计算机设备 |
CN113177592B (zh) * | 2021-04-28 | 2022-07-08 | 上海硕恩网络科技股份有限公司 | 一种图像分割方法、装置、计算机设备及存储介质 |
CN112990148B (zh) * | 2021-05-07 | 2021-08-03 | 武汉理工大学 | 智能搬运机器人目标识别方法及系统 |
-
2022
- 2022-07-26 CN CN202210880927.3A patent/CN115115893B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989594A (zh) * | 2015-02-12 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN114549522A (zh) * | 2022-04-24 | 2022-05-27 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115115893A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bora | Importance of image enhancement techniques in color image segmentation: A comprehensive and comparative study | |
CN107452010B (zh) | 一种自动抠图算法和装置 | |
US10088600B2 (en) | Weather recognition method and device based on image information detection | |
Kulkarni | Color thresholding method for image segmentation of natural images | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
Chen et al. | A novel color edge detection algorithm in RGB color space | |
EP1359543A2 (en) | Method for detecting subject matter regions in images | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
JP2007235951A (ja) | 車両画像認識装置およびその方法 | |
CN110598560A (zh) | 基于神经网络增强的夜间监控识别方法和系统 | |
CN115661669B (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
CN115115893B (zh) | 用于废金属回收的智能分选方法 | |
CN111507391A (zh) | 一种基于机器视觉的有色金属破碎料智能识别方法 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
US20040240733A1 (en) | Image transmission system, image transmission unit and method for describing texture or a texture-like region | |
CN117392733B (zh) | 一种痤疮分级检测方法、装置、电子设备及存储介质 | |
CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
CN114004834A (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
CN109800693A (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 | |
CN111950409B (zh) | 一种道路标记线智能识别方法及系统 | |
CN111767939B (zh) | 一种水下声呐系统目标提取方法 | |
US20160187637A1 (en) | Image processing apparatus, storage medium, and image processing method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |