顧學民，秦現(xiàn)生，賀 峰，蔡 勇，劉 瓊，宋 昕

GU Xue-min, QIN Xian-sheng, HE Feng, CAI Yong, LIU Qiong, SONG Xin

（西北工業(yè)大學 機電學院，西安 710072）

竹片顏色在線分揀的機器視覺化研究

An online machine-vision system in bamboo chips color sorting

顧學民，秦現(xiàn)生，賀 峰，蔡 勇，劉 瓊，宋 昕

GU Xue-min, QIN Xian-sheng, HE Feng, CAI Yong, LIU Qiong, SONG Xin

（西北工業(yè)大學 機電學院，西安 710072）

為適應竹地板加工過程中竹片顏色分揀的自動化需求，構建了基于機器視覺的竹片顏色在線分揀系統(tǒng)。研究了竹片顏色分揀過程中的圖像采集、光源照明、光學鏡頭等關鍵問題，設計了竹片顏色識別的圖像處理算法和軟件處理流程，并探討了竹片顏色分揀平臺的機械傳送裝置及分揀裝置的實現(xiàn)，實驗表明：提出的基于HIS的竹片顏色分揀算法和基于灰度均值的竹片顏色分揀算法，可實現(xiàn)4種以上竹片色差的顏色識別。

機器視覺；圖像處理；顏色識別

0 引言

這幾年我國竹地板市場發(fā)展迅速，產(chǎn)品深受國內外消費者歡迎。在竹地板的生產(chǎn)過程中，竹片的顏色分揀是竹地板選片工藝中的一道重要工序。傳統(tǒng)的顏色分揀是靠目測挑選，人工分色效率低、誤差大，每個人的辨色標準也不一致。隨著竹片自動化加工水平的提高，傳統(tǒng)的竹片顏色分揀方法已不能滿足生產(chǎn)中快速檢測和持續(xù)檢測的要求。應用機器視覺檢測技術，可有效提高竹片的在線檢測速度、保證產(chǎn)品的檢測質量，有利于進一步提高竹片的生產(chǎn)效率。

美國、芬蘭、加拿大等國從20世紀80年代開始，應用機器視覺技術針對木材的無損檢測進行了大量研究：加拿大Matrox公司與美國Venten公司合作開發(fā)的GS2000系統(tǒng)，以及芬蘭Mecano公司的VDA系統(tǒng)已在當?shù)氐哪静募澳z合板加工企業(yè)中得到應用[1～3]；國內，南京林業(yè)大學利用機器視覺技術研究了木材及單板的自動分級[4]；東北林業(yè)大學采用機器視覺檢測技術，對木材表面的色差檢測進行了分析和研究；北京林業(yè)大學將機器視覺技術應用于原木的加工等?；跈C器視覺的顏色分揀技術，可實現(xiàn)產(chǎn)品的無接觸檢測，具有可重復性好、檢測效率高效等優(yōu)點。但是，由于竹材自身具有的力學特性、外觀，及竹質地板特有的生產(chǎn)工藝的限制，目前針對竹材外觀顏色分級的研究不多，相關的機器視覺檢測設備仍屬罕見。

本文針對竹片的特點，設計了竹片顏色分揀的圖像采集方案，研究了竹片顏色識別的圖像處理算法，并構建了竹片的顏色分揀平臺，經(jīng)過實驗驗證，該系統(tǒng)可實現(xiàn)4種以上竹片色差的顏色識別，能夠達到竹片在線顏色分揀的要求。

1 竹片圖像采集單元

竹片的顏色分揀是竹地板生產(chǎn)過程中的一道重要工序。竹質地板是以自然竹材為原料，經(jīng)截斷、開條、粗刨、化學、干燥、精刨、選片、涂膠、組坯、膠合及后加工等二十多道工序加工制成的室內裝修材料。概括竹質地板的生產(chǎn)工藝，它主要由三大步驟組成：基材（竹片）的加工、選片、基材的組合后加工。本文研究的竹片顏色分揀系統(tǒng)，屬于選片工藝中的一道工序，主要完成對合格竹片進行自動顏色分揀。所需檢測的竹片，如圖1所示。

竹片長度約1000mm，寬度20mm左右，厚度4.6mm ～ 7mm；竹片的在線檢測速度約1m/s；按照竹地板生產(chǎn)廠家的要求，需對竹片的主檢測面(通常為竹片的正面或側面)進行4～6種的顏色分類。

圖1 待檢測的竹片

1.1 圖像采集方案

竹片圖像質量的好壞直接決定了圖像處理算法的難易程度，對實際的竹片在線檢測結果有很大的影響。由于系統(tǒng)需要對竹片的四個表面做在線檢測，本文采用了四部相機的圖像采集方案，如圖2和圖3所示。

圖2 四部相機圖像采集方案（俯視）

圖3 四部相機圖像采集方案（A向視圖）

圖2是四部相機的檢測方案示意圖（光源未畫出），圖3是圖2的A向視圖。該方案采用四部工業(yè)相機，上下左右沿竹片的傳動方向錯位放置，相機之間錯開大于一個視場寬度的距離?？紤]到竹片上下表面與側面相比面積較大，對于竹片的上下表面分別采用LED扁平環(huán)狀光源照射，竹片的兩個側面分別采用LED條狀光源照射。竹片通過傳送機構在工作臺上沿A向運動，工業(yè)相機分別對竹片的四個表面進行連續(xù)拍攝。

該方案可實現(xiàn)對竹片四個表面單獨拍攝，能夠穩(wěn)定地完成竹片的圖像采集，且圖像采集系統(tǒng)構建靈活、能夠適應不同尺寸竹片的圖像采集。

1.2 圖像采集硬件

1.2.1 工業(yè)相機及數(shù)碼相機

高質量的竹片圖像信息是系統(tǒng)正確分色的原始依據(jù)。對于物體的顏色識別，目前可采用工業(yè)相機和數(shù)碼相機兩種圖像采集裝置，兩者之間的差異，如表1所示。

表1 工業(yè)相機與數(shù)碼相機的比較

工業(yè)相機一般適用于在線檢測，可長時間地穩(wěn)定工作，易于安裝維護；數(shù)碼相機的性能目前也達到了較高的水平：分辨率高、感光性能好、信噪比高，可用于圖像的實驗分析。因此，本文分別選用了工業(yè)相機和數(shù)碼相機進行圖像的采集。

根據(jù)竹片的尺寸特點及在線檢測的速度要求，工業(yè)相機選用了：面掃黑白CCD工業(yè)相機IK030M，CCD尺寸1/3英寸，分辨率752×480，幀頻為60幀/秒；彩色數(shù)碼相機選用佳能A610，CCD感光芯片，分辨率500萬像素。

1.2.2 光學鏡頭

對于工業(yè)相機，光學鏡頭的選配主要考慮兩個因素：焦距種類和焦距大小。

光學成像鏡頭根據(jù)焦距種類可分為定焦和變焦兩類。在檔次相同的情況下，定焦鏡頭比變焦鏡頭的像差要小[5]；此外，由于被測對象（竹片）的厚度、寬度變動量較小，故優(yōu)先選用定焦鏡頭。

鏡頭焦距：由鏡頭焦距f=拍攝距離×CCD寬度/（目標寬度+ CCD寬度）可得出鏡頭的焦距數(shù)值。為了在電荷耦合器件芯片(CCD)上完整成像，所選的鏡頭焦距值應低于計算值。本文被測竹片的拍攝距離設定為200mm，視場在38mm × 50mm左右，根據(jù)確定相機的CCD型號，最終選用的鏡頭焦距為16mm。

1.2.3 光源

為盡可能地突出竹片的有用特征，在光源照明設計中，需考慮光源的照明方式、穩(wěn)定性及光源顏色。

光源的照明方式有垂直打光、低角度打光、背光照射、同軸光照射。由于本文只做竹片表面的顏色分析，因此選用正面垂直照明方式即可。

穩(wěn)定性是指光源在長時間工作下光強和光的顏色保持穩(wěn)定的性能，這直接影響著竹片檢測中分色任務的實現(xiàn)，在選用光源產(chǎn)品時，必須認真考慮。

光源顏色種類主要有紅、綠、藍、白。由于CCD對紅色光的感光性能最好，且紅色光源照射強度的穩(wěn)定性好，在使用黑白工業(yè)相機時，課題組選用了紅色光源；另一方面，由于白色光源可以反映物體的本色特征，在使用數(shù)碼相機時，選用了白色熒光燈進行照射。

2 竹片顏色識別的圖像處理算法

竹片顏色需要分類約4～6種，經(jīng)過人工品色分選，首先確定了6種顏色類別，如圖4所示。

圖4 竹片6種顏色類別的圖塊

基于彩色圖像的顏色識別技術，可識別的顏色種類多、范圍廣，顏色識別的精度高，可用于顏色分類級別多、檢測精度要求較高的場合。而灰度圖像的顏色分揀技術則多應用于產(chǎn)品的在線檢測，可應用于顏色分類級別不多的場合。因此，針對竹片顏色分揀的特點，本文分別研究了兩種竹片顏色識別的圖像處理方法：基于彩色圖像的竹片顏色識別方法、基于灰度圖像的竹片顏色識別方法。

2.1 彩色圖像的竹片顏色識別方法

彩色圖像是對客觀對象的一種相似性的、生動性的描述，它包含了被描述對象的顏色信息，是人們最主要的信息來源。為了科學地測定、研究和使用顏色，已經(jīng)建立了十幾種顏色模型，例如，RGB、HIS、Lab等等。目前，圖像處理中常用的顏色分析模型主要有RGB顏色模型和HIS顏色模型。

2.1.1 RGB顏色模型特征參數(shù)分析

圖5 竹片樣本顏色的RGB分布曲線

在同一光照條件下，使用數(shù)碼相機對每種樣本顏色的竹片采集80幅靜態(tài)圖像，運用Matlab 7.0圖像分析軟件獲取圖像中像素點的RGB顏色信息值（其中，RGB三種顏色量化值的變化范圍均為[0,255]），6種竹片樣本顏色R、G、B值的分布曲線，如圖5所示。

木雕藝術家要將傳統(tǒng)符號“消化、吸收”，并重新將其生命注入新穎的形式構造里去，令傳統(tǒng)雕琢技藝與新穎塑造觀念并存，突出個人的內心愿望，從而引發(fā)觀者的共鳴。在探索的過程中，他們盡管會面對很多困難與問題，但也會不斷開啟更新的空間，看到更美的風景。

2.1.2 HIS顏色模型特征參數(shù)分析

HIS模型包括三個分量：色調H(hue)、亮度I(intensity)、飽和度S(saturation)。在處理圖像的過程中，通常我們獲取的圖像是由相機和圖像采集卡采集到的，得到的圖像是基于RGB模型的，進行HIS模型的圖像分析，需要將圖像的R、G、B成分轉換為H、I、S值。從RGB轉換到HIS的計算公式如下：

圖6 竹片樣本顏色的HIS分布曲線

其中，0≤R≤255，0≤G≤255，0≤B≤255，0°≤H≤360° ，0≤I≤255，0≤S≤1。

在本文的實驗中，對采集的竹片樣本圖像進行H、I、S特征值的計算分析，每個特征值的分布曲線如圖6所示。

2.1.3 算法實現(xiàn)

對于竹片的彩色圖像，通過使用RGB和HIS兩種顏色模型對竹片的6種顏色樣本進行分析：RGB顏色模型難以將6種顏色的竹片區(qū)分開來，而根據(jù)竹片顏色的H和S的特征值分布特點，可實現(xiàn)對竹片6種顏色樣本的圖像分類，具體取值范圍如表4-6所示。此外，由于H和S受光照強度的影響較小。因此，對于彩色圖像本文選用了基于HIS模型的竹片顏色識別算法，具體步驟如下：

1）對于沒有缺陷的竹片圖像，去除竹片圖像中的背景。

2）統(tǒng)計竹片區(qū)域R、G、B三個分量各自的平均值。

3）依據(jù)公式(1)和(3)計算竹片區(qū)域所有像素的色調H和飽和度S的平均值。

4）根據(jù)表2進行竹片顏色種類的判斷。

表2 基于HIS模型的竹片顏色分類

2.2 灰度圖像的的竹片顏色識別方法

每種顏色樣本的竹片采集80幅靜態(tài)圖像，運用Matlab 7.0圖像分析工具獲取圖像中竹片區(qū)域的灰度值（灰度變化范圍[0,255]）。對于每種顏色樣本的竹片圖像，計算每幅圖像的灰度均值GM以及所有圖像灰度均值GM的平均值，每種顏色的灰度均值分布曲線，如圖7所示。

圖7 竹片樣本顏色的灰度均值分布曲線

由圖7可知，基于灰度均值的竹片顏色識別方法，能夠將6種竹片顏色分為4類，具體每類“顏色”的灰度值分布范圍，如表4所示?；诨叶染档闹衿伾R別算法，具體步驟如下：

1）對于沒有缺陷的竹片圖像，去除竹片圖像中的背景。

2）統(tǒng)計竹片區(qū)域所有像素點的灰度平均值。

3）根據(jù)表3進行竹片顏色種類的判斷。

表3 基于灰度均值的竹片顏色分類

2.3 竹片顏色識別的檢測流程

由于竹片長度的變化范圍約1m，必須對竹片進行連續(xù)拍攝，才能進行整跟竹片的顏色判別。整根竹片的顏色識別檢測流程，如圖8所示，具體步驟如下：

1）獲取竹片圖像數(shù)據(jù)。

2）使用竹片顏色識別算法進行該幅圖像的顏色識別。

3）如果整根竹片掃描結束，則進行竹片顏色的判別；否則返回Step1。

4）根據(jù)整根竹片所有圖像的顏色識別結果，選擇判定結果次數(shù)最多的顏色種類作為最終的竹片顏色檢測結果。

3 竹片顏色分揀平臺的設計

根據(jù)竹片特點及竹片在線顏色分揀的要求，構建了滿足生產(chǎn)線要求的竹片顏色分揀平臺，主要由竹片傳送裝置和竹片分揀裝置兩部分構成。

3.1 傳送裝置

如圖9所示，竹片的傳送采用凸板和上下滾輪裝置實現(xiàn)。凸板作為各組上下滾輪裝置之間的過渡；帶有彈簧滑塊機構的上滾輪裝置作為壓輪，壓平竹片的撓度并配合主動輪的傳動，可適應多種厚度的竹片傳送；下滾輪作為主動輪，置于被測竹片的下方配合上滾輪實現(xiàn)竹片的傳輸；各下滾輪的傳動方式采用同步齒形帶實現(xiàn)。兩側限位擋塊用于限制竹片的左右位移，并在其上加設了斜面裝置，可防止竹片側彎時在相機視場口引起的止動卡死。

3.2 分揀裝置

圖10 竹片分揀裝置

圖11 竹片分揀裝置

竹片分揀裝置采用擺桿機構與上下滾輪裝置配合實現(xiàn)，如圖10和圖11所示。分揀過程中使用擺桿機構控制竹片的傳送方向，用寬幅的上下滾輪裝置將竹片末端傳送入擺桿分揀平臺，同時適應由擺桿機構擺動帶來的竹片末端的傾斜。擺桿機構由步進電機驅動。帶有分揀信息的竹片運送入分揀平臺，由其前方檢測段的上下滾輪裝置傳送使其穿過擺桿上的分叉；當竹片的末端到達寬幅的上下滾輪裝置時，擺桿機構轉動到該分揀信息對應的料盒方向；由于擺桿分揀平臺設計較短，竹片由其自身重力滑落于對應的分揀料盒中；然后擺桿機構復位（與傳送方向共線）。

擺桿只需要旋轉很小的角度便可實現(xiàn)竹片的分類，分揀動作時間短，結構簡單，節(jié)省資源且分揀裝置長度較小，可實現(xiàn)竹片的開放式收料。

4 實驗驗證

4.1 實驗環(huán)境

灰度圖像的竹片顏色識別：工業(yè)相機選用方程科技IK系列的面掃黑白CCD工業(yè)相機IK030M，分辨率調至640×480時，幀頻可達60幀/秒以上，具有外觸發(fā)功能。鏡頭選用16mm的Computar鏡頭，經(jīng)過實驗，該鏡頭景深可達20mm左右。照明系統(tǒng)采用紅色LED扁平環(huán)狀光源。利用此圖像采集系統(tǒng)，對大于1m/s運動速度的竹片進行抓拍，獲取的竹片圖像進行顏色識別分析。

彩色圖像的竹片顏色識別：由于實驗條件限制，未采用彩色工業(yè)相機，本文選用了數(shù)碼相機進行竹片靜態(tài)的彩色圖像分析。選用的相機為佳能A610，光學尺寸1/1.8英寸，圖像分辨率2592×1944。

4.2 顏色識別算法實驗

對于每種顏色的竹片，通過人工分揀，各選出20根進行實驗測試。使用工業(yè)相機及數(shù)碼相機分別攝取竹片圖像，每種顏色的竹片各獲取50幅彩色圖像和灰度圖像。在Matlab7.0環(huán)境下，采用本文提出的兩種竹片顏色識別算法對每幅圖像進行檢測，結果如表5和表6所示。

表4 基于HIS模型的竹片顏色識別

表5 基于灰度均值的竹片顏色識別

由以上實驗數(shù)據(jù)可知：基于HIS模型的竹片顏色識別算法檢測效果較好，該方法可檢測6種竹片顏色，準確率達到了88.2%以上；基于灰度均值的竹片顏色識別算法檢測精度較低，可識別4類竹片顏色，準確率在80%左右。

[1] Sarigul E,Abbott AL,Schmoldt DL Nondestructive rulebased defect detection and identification system in CT images of hardwood logs [C].Review of Progress in Nondestructive Evaluation,2001(20)：1936-1943.

[2] Bhandarkar SM.A system for detection and rendering of internal log defects using computer tomography [J].Machine Vision and Applications,1999,11(4) ：171-190.

[3] Bhandarkar S M,Faust T D,Tang M.A computer vision system for lumber production planning[C].Proc IEEE Intl Wkshp Appl Computer Vision, Princeton,NJ,Oct 19-21,1998, 134-139.

[4] 程偉,朱典想.基于計算機視覺的單板自動分級系統(tǒng)設計[J].木材工業(yè),2007,21(3)：24-26.

[5] 章煒,等.機器視覺技術發(fā)展及其工業(yè)應用[J].紅外,2007,27(2).

TP274+.3

A

1009-0134(2010)10(下)-0001-03

10.3969/j.issn.1009-0134.2010.10(下).01

2009-11-06

顧學民（1972 -），男，河北圍場人，講師，博士，研究方向為計算機集成制造、人工智能、作業(yè)調度。