陳 默

（華北科技學(xué)院，河北 廊坊 065201）

1 引言

物流配送中心按照顧客的訂單要求獲取配送計劃，快速、準(zhǔn)確地將商品從某儲位或其它區(qū)域采集出來，并依據(jù)一定的方式進(jìn)行分類、集中的作業(yè)過程。物流快件的分揀方式主要有訂單揀取、批量揀取以及復(fù)合揀取三種途徑。隨著社會的發(fā)展，人們對物料的供給量和需求量大幅度增加，傳統(tǒng)的人工或半自動物流快件分揀方法，無法滿足不斷發(fā)展的社會需求，而基于機(jī)器視覺的自動化分揀方法[1-3]能夠增強(qiáng)物流出、入庫的效率，降低成本，提高分揀的準(zhǔn)確性和及時性，減少分揀時間，具有重要的應(yīng)用意義。

2 基于閥值特征表和主元相似模型的破損快件識別方法

2.1 分揀前的破損特征構(gòu)建過程

物流快遞公司事先設(shè)置的合格快件中，不可避免地存在少量的破損快件，在計算機(jī)視覺采集中，合格快件圖像中也含有一定的缺失圖像，在快件分揀過程中，為了分析待揀圖像特征是否是破損特征，應(yīng)在分揀前，構(gòu)建無破損特征的快件特征表作為相應(yīng)分析規(guī)范，過濾破損干擾特征。通過對大量合格的快件圖像進(jìn)行分析后可得，合格快件的圖像像素灰度級直方圖呈現(xiàn)多峰值，如圖1所示。合格快件破損特征比率低于10%，可以采用基于差值的圖像分割和破損百分比的方法構(gòu)建破損特征表。

圖1 多峰值破損灰度直方圖

2.1.1 基于差值的圖像分割。破損快件圖像色彩一旦模糊缺失，會造成變換成灰度圖像后灰度值分布峰值不明顯，使得圖像內(nèi)部顏色和背景圖像容易混淆，因此本文采用基于差值的圖像分割法，對快件圖像進(jìn)行分割，獲取破損區(qū)域，圖像差分關(guān)注兩幅圖像的差異，能夠?qū)旒D像的質(zhì)量進(jìn)行準(zhǔn)確檢測。對待識別分揀物體圖像和模板圖像像素對應(yīng)進(jìn)行相減運(yùn)算，能夠獲取待識別圖像和模板圖像間對應(yīng)像素的差別，進(jìn)而對比分析差影圖像和閥值，以確定待識別快件圖像是否存在破損現(xiàn)象。

設(shè)T(x,y)用于描述模板圖像，S(x,y)用于描述待識別圖像，D(x,y)用于描述兩圖像的對應(yīng)像素差值圖像。差分運(yùn)算有如下三種方式：

（1）正差。用待識別分揀物品圖像減去設(shè)定的模板圖像，則當(dāng)S(x,y)>T(x,y)時有：

否則D(x,y)=0，此時差分結(jié)果被調(diào)整到0，過濾差值為負(fù)值的信息。

（2）負(fù)差。運(yùn)算方式同正差相同，只是交換模板圖像和待識別圖像。

（3）絕對值差：

D(x,y)值越小，表明待識別圖像同模板圖像間的差別越小，兩幅圖像的相似度越高?？旒茡p主要有明破損和暗破損兩種類型，明破損的灰度值高于鄰域破損，暗破損的灰度值低于鄰域破損。若只通過正差或負(fù)差進(jìn)行操作，能夠獲取明破損和暗破損中的一種。獲取差值圖后應(yīng)對其進(jìn)行二值化處理，設(shè)差影圖像D(x,y)的灰度分布在區(qū)間[0,255]中，二值化的閥值是T，二值化后的差影圖像是B(x,y)，則有：

通過對大量的標(biāo)準(zhǔn)模板圖像和待識別分揀物品圖像的絕對值差影圖的灰度分別進(jìn)行分析可得，大部分像素灰度值小于20，少部分像素灰度值在[20,255]灰度值區(qū)域，并且該區(qū)域中的像素值大都是破損信息和差影圖像中的噪聲信息。因此通常將灰度閥值設(shè)置成20。對快件差值圖像進(jìn)行二值化后，能夠較好的保留破損信息，獲取分揀物品圖像破損面積信息，為后續(xù)構(gòu)建破損特征表提供可靠的依據(jù)。

2.1.2 明確合格快件圖像的灰度量值。通過閥值法分割合格快件圖像，閥值的選取同圖像分割效果具有較強(qiáng)的關(guān)聯(lián)性。如果閥值過高，則大量的破損像素會被劃分成正常像素，或者大量的正常像素被劃分成破損像素。合格快件圖像灰度級直方圖具有多峰值性，相鄰兩峰谷中的面積最大者是合格快件特征區(qū)，用圖1陰影描述。將兩峰谷(Gl，G2)當(dāng)成灰度閾值區(qū)間，并將閥值范圍中的特征和其在圖像中出現(xiàn)的頻率保存在顏色表中。特征不同，相應(yīng)的灰度也不同，因此由灰度閥值區(qū)間構(gòu)建的特征表會出現(xiàn)一種同快件灰度相近的破損特征。因而應(yīng)對特征表進(jìn)行優(yōu)化，通過特征百分比方法刪除表中的破損特征。

2.1.3 明確特征閥值并構(gòu)建特征表?？旒钠茡p區(qū)域具有局部性，破損特征在合格快件圖像中出現(xiàn)的頻率也較小，可采用人機(jī)交互的方法明確一個特征百分比，低于該閥值的特征認(rèn)為是破損特征，并將其從特征表中過濾。特征閥值具有重要作用，其影響了快件破損識別的效率，并且同剔除率和誤剔率具有正比例關(guān)系。特征閥值越大，分揀后的快件完整性越大，然而剔除率偏大。因此應(yīng)綜合分析快件的特征閥值和剔除率間的關(guān)系。按照現(xiàn)場情況和物流對快件質(zhì)量檔次的規(guī)范要求設(shè)置合理的特征閥值。

2.2 分揀過程

對快件進(jìn)行分揀時，應(yīng)對采集的待分揀快件的圖像進(jìn)行二值化操作，遍歷圖像像素并在特征表中進(jìn)行搜索，若獲取破損特征，則將對應(yīng)的像素灰度設(shè)置成0，否則設(shè)置成255（用1表示），標(biāo)識破損特征并運(yùn)算其面積，如果高于面積閥值（根據(jù)經(jīng)驗(yàn)設(shè)置的開閥規(guī)范），則認(rèn)為相應(yīng)的快件是破損快件，應(yīng)將其過濾。通過上述分析可獲取破損快件分析模型，為了提高破損快件的分揀效率，本文采用主元相似分析方法對不同類型的快件進(jìn)行分析，快速識別出破損快件。先對不同類型的快件樣本的破損特征參數(shù)構(gòu)成的數(shù)據(jù)矩陣進(jìn)行主成分分析，構(gòu)建主成分回歸類模型，再采用該模型對未知快件樣本進(jìn)行識別，也就是分別將未知樣本與不同類型的模型進(jìn)行擬合，最終分析待識別快件樣本是否存在破損現(xiàn)象。構(gòu)建的模型精度用該類模型對已知類型樣本的識別率和對未知類型樣本的拒絕率進(jìn)行描述，詳細(xì)的分析過程為：

（1）構(gòu)建類的主成分回歸模型，對于第q類樣本中的第k個樣本矢量可用下式描述：

其中，nq表示第q類模型的樣本數(shù)量，m表示變量數(shù)，εip表示擬合偏差。

（3）運(yùn)算F值和臨界值F0，有：

3 實(shí)驗(yàn)結(jié)果與分析

3.1 不同算法的識別結(jié)果

實(shí)驗(yàn)分別采用本文識別方法和傳統(tǒng)識別方法對某存在破損快件以及合格快件的物流分揀過程進(jìn)行分析，分別選擇存在嚴(yán)重破損快件1、中度破損快件2、輕度破損快件3以及合格快件4進(jìn)行實(shí)驗(yàn)測試分析，快件原圖如圖2所示。本文實(shí)驗(yàn)在VC++6.0平臺上運(yùn)行，分別采用四種類型的快件測試圖各一張，實(shí)驗(yàn)分別采用本文方法和傳統(tǒng)方法對四種類型的實(shí)驗(yàn)快件的破損區(qū)域進(jìn)行識別，結(jié)果分別用圖3和圖4描述。分析圖3和圖4可得，傳統(tǒng)方法識別出的快件破損區(qū)域存在較多的噪聲因素，不能對快件破損區(qū)域進(jìn)行準(zhǔn)確的識別，而本文方法能夠準(zhǔn)確識別出相應(yīng)的快件破損區(qū)域。

圖2 四種類型快件原圖

圖3 本文方法的識別結(jié)果

圖4 傳統(tǒng)方法的識別結(jié)果

3.2 不同算法的性能分析

采集三種破損類型快件各30張以及合格快件20張，共計110張快件圖片，本文算法識別破損快件的實(shí)驗(yàn)結(jié)果見表1。分析表1可得，本文識別方法對不同類型的破損快件的識別準(zhǔn)確率高于93%，識別誤差率低于6%，并且能夠準(zhǔn)確識別出合格快件，說明本文方法具有較高的破損快件識別精度，具有一定的優(yōu)勢。

表1 本文算法識別破損快件實(shí)驗(yàn)結(jié)果

為了比較本算法的性能，在VC++6.0平臺上對比分析本文方法和傳統(tǒng)方法的識別性能，實(shí)驗(yàn)中分別采用兩種方法對某物流快件分揀過程進(jìn)行檢測，持續(xù)時間為6h，統(tǒng)計兩種算法的平均識別率和識別時間，見表2。

表2 不同算法破損快件識別率和識別時間

分析表2可得，本文方法對物流分揀中破損快件的識別率和處理時間都優(yōu)于傳統(tǒng)方法，主要是因?yàn)楸疚姆椒ㄍㄟ^構(gòu)建合理的快件特征表、目標(biāo)破損特征區(qū)域表，并明確破損區(qū)域閥值，能夠獲取準(zhǔn)確的破損特征，本文方法因采用主元相似識別模型對待識別快件進(jìn)行識別，極大地提高了破損快件的識別效率和精度，取得了令人滿意的效果。

4 結(jié)論

本文提出了一種基于閥值特征表和主元相似識別模型的破損快件識別方法，采用基于差值的圖像分割法獲取破損區(qū)域圖像，構(gòu)建合理的快件特征表、目標(biāo)破損特征區(qū)域表，并明確破損區(qū)域閥值，通過主元相似識別模型對不同類型的待識別快件進(jìn)行識別，進(jìn)而準(zhǔn)確識別出破損快件。實(shí)驗(yàn)結(jié)果表明該方法具有較高的實(shí)時性和可靠性，能夠及時準(zhǔn)確地識別出不同類型的破損快件，并且具有較高的精度，極大地提高了物流分揀去除破損快件的自動化以及智能化。

[1]袁阿勇.新型智能化貨物分揀系統(tǒng)的研究與開發(fā)[D].武漢:武漢理工大學(xué),2006.

[2]韓玉民,汪冬,魏洪河,譚春琴.郵包自動分揀系統(tǒng)的設(shè)計[J].機(jī)電工程,2004,(8).

[3]王耿芳.推塊式分揀機(jī)系統(tǒng)高度與控制的研究及應(yīng)用[D].重慶:重慶大學(xué),2002.

[4]艾海舟.機(jī)器視覺及其應(yīng)用[J].科學(xué)中國人,1997,(9).

[5]王峰,徐金強(qiáng),等.基于動態(tài)閾值和分層檢測的圖像缺陷識別算法的研究與應(yīng)用[J].北方交通大學(xué)學(xué)報,2002,26(1):19-22.

[6]謝勇,彭濤.機(jī)器視覺及其在包裝行業(yè)中的應(yīng)用[J].株洲工學(xué)院學(xué)報,2002,(7).

[7]孫宇清,馬軍.在線檢測實(shí)時處理系統(tǒng)的設(shè)計與實(shí)現(xiàn)[J].計算機(jī)工程與應(yīng)用,2000,(12):171-172.