基于機器視覺的紡紗管顏色分揀算法研究

張 帆, 張團善, 冀永樂, 顏亞飛,蒙春學

(西安工程大學 機電工程學院,陜西 西安 710048)

0 引 言

紡織行業(yè)在我國作為傳統(tǒng)行業(yè),高度依賴人工方式對紡織紗管的顏色進行分揀,人工方式雖然能夠保證分揀的準確性,但人工方式的效率低下,而且會增加紡織企業(yè)的勞動成本.

目前,許多學者都對紗管的分揀系統(tǒng)及算法進行了研究.在系統(tǒng)自學習方面,主要有李峰等設計的自動理管機控制系統(tǒng)[1].劉志輝等結合支持向量機建立了顏色識別預測模型[2].在智能識別方面,余海波等提出了一種基于計算機軟件提高紗管分揀精度的方法[3].黃長存等基于機器視覺實現了對紡織紗管的精確分揀[4].孫敏霞等提出基于顏色識別的嵌入式筒管分揀系統(tǒng)設計[5].劉志輝采用的色差算法及黃長存、孫敏霞采用的歐式距離法檢測紗管顏色時,雖然能提高紗管分揀的精度及效率,但該方法并沒有有效解決圖像采集過程的色偏問題,且算法相對復雜,在依據顏色分揀時，歐式距離法會導致顏色分量不同但結果卻一致的現象發(fā)生,檢測結果正確率不高.

基于機器視覺提出一種關于紡織紗管顏色分揀的算法,在保證分揀精度及效率的基礎上,采用多幀圖像平均法背景建模,利用背景差分法[6]獲取紗管目標圖像,針對圖像獲取時產生的色偏現象[7],提出一種色偏糾正算法,可有效糾正色偏,獲得顏色鮮明的彩色圖像,并依據實驗對比,采用雙邊濾波算法很好地濾除噪音[8],且得到的目標能夠很好的保留邊緣細節(jié).進而采用改進色差法進行顏色分揀[9-10].該分揀算法具有計算簡單、識別正確率高、可移植性強等優(yōu)點.

1 圖像預處理

1.1 圖像的獲取

照明方案的設置對提取到的彩色圖像質量有較大影響,在配置光源時要考慮的因素包括:使目標圖像與背景的對比度明顯,盡可能地減少反射;減少圖像噪聲,圖像盡可能不失真.針對紗管顏色單一的特征,采用前向照明,將光源與攝像頭都安裝在同側,且都安裝在被檢測目標的正上方.

圖 1 圖像采集裝置Fig.1 Image acquisition device.

在機器視覺測量系統(tǒng)中,圖像采集是圖像預處理的重要環(huán)節(jié),高質量的圖像可以簡化預處理環(huán)節(jié),提高程序的檢測效率和精確度.圖像采集設備主要包括彩色CCD攝像頭、圖像采集卡等.照明及采集裝置如圖1所示.

背景差分法主要是將拍攝過程分為背景和前景,其主要方法是利用多幀圖像平均法構建背景模型,將獲得的當前幀圖像與構建的背景模板逐像素進行差分比較.假設構建的背景模型為Bk(x,y),當前幀圖像的模型為fk+1(x,y),則當前幀圖像模型與背景模型之間的變化可以用一個二值差分圖像模型Dk(x,y)來表示,得

(1)

圖 2 紗管區(qū)域圖像Fig.2 Tube region image

式中：T為閾值,適當的設置T值可以有效區(qū)別背景像素與目標像素,經實驗得T的閾值范圍應在10～20之間.根據式(1),當那些與背景模型像素差值小于T的像素被標記為背景,用0表示;而大于T的像素被標記為前景目標,用1表示.

紗管區(qū)域提取是紗管智能識別的前提條件.首先通過攝像頭采集紗管的數字圖像,再根據背景差分法提取紗管區(qū)域.提取到的紗管區(qū)域圖像如圖2所示.

1.2 顏色模型轉換

在機器視覺中，一幅彩色圖像表示具有多種顏色模型.在以PYTHON軟件為圖像處理平臺時,PYTHON平臺中圖像默認表示方式是RGB顏色模型.且在工業(yè)行業(yè)中,圖像主要以RGB顏色模型表示,RGB顏色模型主要通過改變紅、綠、藍3種顏色以及它們之間的疊加關系來表示各種各樣的顏色.但缺點是R,G,B這3個分量是高度相關的,即如果一個顏色的某一個分量發(fā)生了一定程度的改變,那么這個顏色很可能要發(fā)生改變.對于紗管顏色分揀而言,在圖像獲取過程中,顏色會發(fā)生微小變化,因此對顏色進行調節(jié).為了避免RGB分量發(fā)生變化導致顏色結果改變,需要選擇一種既能進行色偏修正,又不改變顏色的顏色模型.

相對于RGB顏色模型,HSV顏色模型能夠非常直觀地表達色彩的明暗、色調,以及鮮艷程度.當分別對HSV中的單通道進行色偏糾正時,能有效避免目標顏色發(fā)生變化.因此采用HSV顏色模型[12-14].假設所有的顏色值都已經歸一化到范圍[0,1].在RBG 3個分量中,假定最大的為MAX,最小的為MIN.則RGB模型轉換到HSV模型的轉換公式為

(2)

(3)

V=MAX.

(4)

1.3 紗管圖像的色偏修正

在圖像采集過程中,由于各種各樣的原因會使圖像中的(R,G,B)值產生不同程度的改變,從而導致圖像顏色發(fā)生變化,使圖像出現色偏現象.而色偏現象的發(fā)生可能會造成錯誤的顏色檢測結果.為保證顏色分揀的正確率,就需要對圖像進行色偏修正,從而得到真實的圖像顏色,同時實現還原圖像真實色彩的目的. 由于專業(yè)的圖像采集設備能夠保證圖像的曝光和色溫,因此對于圖像的色偏修正主要考慮修正色調和飽和度.

1.3.1 色調(H)的修正 HSV顏色模型采用的是一個倒立的六棱錐,在H平面沿逆時針表示色相的變化,從0°到360°是可見光的全部色譜.六邊形的六個角分別表示紅、黃、綠、青、藍、品紅6個顏色的位置.將這6個顏色歸一化到[0,255]范圍后，它們對應的值分別為0/255，85，170，43，128，213.在H平面以這6個值為中心,將中心附近的其他數值按照一定的步距向這6個值靠攏,最終達到每個色調值都與它最近的中心色調相接近的結果.經過多次實驗測試,步長選為[0,5]時調節(jié)效果最佳,效果如圖3所示.經對比分析,原圖像色調偏暗,修正后的圖像色調感更強、視覺效果更加鮮艷．

(a) 原圖像 (b) 修正色調后圖像圖 3 原圖像與修正色調后圖像Fig.3 Original image and image with modified tone

1.3.2 圖像飽和度(S)的修正 在HSV顏色模型的六棱錐中,頂面的正六邊形平面即為S平面.S的值在0到1之間變化,為了使處理方便,需要將S的值分散到[0,255]范圍內,在此范圍內的飽和度有256種取值,對于各種取值在目標圖像中出現的概率,計算其數學期望N∈[0,255].將原圖像中每一個像素的飽和度的取值范圍[0,255]線性變換到[0,N]范圍內,以便修正圖像的飽和度,線性變換公式為

(5)

式中:S為原像素飽和度,S′為調節(jié)后的飽和度.

如果N比較大時,目標圖像的飽和度過高,可降低其飽和度,得到較柔和的彩色圖像,所用變換公式為

(6)

飽和度調節(jié)后的圖像結果如圖4所示.經對比分析,原圖像在經過飽和度修正后,圖像顏色更加鮮明.

(a) 原圖像 (b) 修正飽和度后圖像圖 4 原圖像與修正飽和度后圖像Fig.4 Original image and image with modified saturation

通過以上2個步驟,完成了圖像色調和飽和度的修正,即完成了色偏的修正.經過色偏修正后的圖像顯示如圖5所示.經對比分析,原圖像在經過色調及飽和度修正后,圖像顏色更加具有真實感,更加鮮明,實現了還原圖像顏色的目的.

(a) 原圖像 (b) 修正色偏后圖像圖 5 原圖像與修正色偏后圖像Fig.5 Original image and image with modified color deviation

1.4 圖像去噪

目標圖像區(qū)域由于受到噪聲、光照不均以及攝像頭等電子設備精度及其他問題的影響而產生圖像噪聲,因此需要采用合適的濾波方法去除這些噪聲.常用的濾波算法有均值濾波、高斯濾波和中值濾波及雙邊濾波等.

按照HSV顏色模型將彩色圖像進行H,S,V分量分解,分別提取顏色平面內的灰度分量,采用合適的濾波器對灰度圖像去除噪聲,再將各分量通道合并為彩色圖像.在HSV模型中,針對H通道、S通道、V通道分別采用均值濾波、中值濾波、高斯濾波及雙邊濾波進行濾波去噪處理.將濾波后的各通道的灰度圖像進行合并,并將HSV模型轉換為RGB模型顯示,得到去噪后的效果圖如圖6所示.

圖 6 濾波圖像Fig.6 Filtered image

通過圖像對比分析得出，均值濾波無法較好地去除噪聲,并且會產生邊緣模糊的負面效應;高斯濾波雖能很好地去除噪聲,但依然會將紗管輪廓模糊掉;中值濾波對高斯噪聲的抑制效果不明顯,對除噪聲有較好的去除效果,但相比于雙邊濾波,輪廓依然模糊;雙邊濾波相比于以上3種濾波方法而言不但能很好地去除圖像中的噪聲,而且能夠有效保持邊界的清晰度.因此選擇用雙邊濾波進行去噪處理.通過大量實驗驗證,采用雙邊濾波對其他顏色紗管進行濾波處理,能夠有效去除噪聲,并且在去噪的基礎上可以很好地保持紗管邊界．

圖 7 顏色檢測流程圖Fig.7 Flow chart of color detection

2 紗管顏色識別

在經過了前面對彩色圖像的預處理操作之后,獲得了無噪聲影響且顏色鮮明的紗管目標圖像,這時就可以開始對紗管顏色進行檢測.在進行顏色分揀前,需要將顏色模型從HSV轉換到RGB模型.顏色檢測流程如圖7所示.

2.1 改進色差法

圖像的RGB顏色模型可以看成是以R,G,B為3個坐標的三維笛卡爾空間,在這個空間內,一個像素點的坐標可以表示成(r1,g1,b1),另一個像素點的坐標即為(r2,g2,b2),定義2個像素點之間的直線距離即為色差Cv,即:

(7)

顏色特征識別是把采集到的圖像信號的顏色信息與事先定義的模板顏色信息進行匹配,并設定閾值,如果二者的色差在閾值范圍內,則說明兩種顏色匹配[15].但也會出現顏色分量不同,而色差一致現象發(fā)生.

針對紗管圖像中紗管顏色比較單一的特點,將式(7)進行改進,采用顏色矩形式對單個顏色分量進行比較計算,其公式為

(8)

式中：r1,g1,b1分別表示待識別紗管顏色R,G,B分量值;rm,gm,bm分別表示模板圖像紗管顏色R,G,B分量值;Cr,Cg,Cb分別表示待測紗管顏色R,G,B各分量值在模板圖像紗管顏色R,G,B分量中的差值百分比.

首先提取紗管圖像的像素大小,對紗管目標區(qū)域遍歷每個像素,將每個像素點的R，G，B值作為特征量,統(tǒng)計各分量值的單個總量,并計算單位像素各分量的分量值,將此分量的平均值與系統(tǒng)中所保存的模板圖像分量根據式(8)進行比較,若Cr,Cg,Cb均小于或等于閾值C,就將模板圖像的顏色指定為所要識別的紗管的顏色.

2.2 顏色檢測結果與分析

針對不同顏色的紗管,采用色偏糾正算法、雙邊濾波算法處理并經過顏色檢測后得到的實驗結果圖像如圖8所示.對比分析可知:目標圖像經過色偏糾正后圖像顏色更加鮮明,且采用雙邊濾波可以有效濾除圖像中的噪聲,使得紗管輪廓更加清晰,有效地保留了圖像細節(jié);在基于SVM分類器進行聚類方式實現顏色檢測的過程中,參數的選擇包括核函數K和損失函數E以及參數C和P的調整,而采用基于模板匹配的改進色差法,只需比較3個參數Cr,Cg,Cb,相比較而言該方法參數少,運算過程簡單;在正確率方面,傳統(tǒng)的采用歐式距離的色差檢測方法中會出現(R,G,B)值不同而結果卻一致的現象,而采用改進色差法分別針對(R,G,B)值采用顏色矩得到Cr,Cg,Cb,通過分析目標顏色的(R,G,B)值和模板顏色(R,G,B)值之間的色差,得出誤差(Cr,Cg,Cb)可有效的控制在5%以內,且平均誤差控制在2%～3%之間,有效地保證了目標識別的正確率.

圖 8 部分紗管樣本顏色檢測結果Fig.8 Color detection results of partial yarn tube samples

3 結束語

以紗管顏色為對象提出了一種基于機器視覺的紡織紗管顏色分揀算法,通過對紡織紗管目標區(qū)域提取,采用色偏校正方法有效得到了彩色圖像,并采用雙邊濾波法對目標圖像進行濾波處理,經過改進色差法實現了紗管按照顏色進行分揀.通過實驗驗證,經過改進色差法得到的目標顏色與模板顏色誤差控制在5%內,并且從理論上有效消除了采用歐式距離法檢測顏色時出現顏色分量不同、結果卻一致的現象.此算法具有計算簡單，識別正確率高,可移植性強的優(yōu)點,可用于不同顏色紡織紗管的分揀,對于紡織企業(yè)具有一定的應用價值.