田明銳　胡永彪　金守峰

1.長(zhǎng)安大學(xué)道路施工技術(shù)與裝備教育部重點(diǎn)實(shí)驗(yàn)室，西安,7100642.西安工程大學(xué)，西安,710048

?

結(jié)合SVM后驗(yàn)概率的散料料位識(shí)別試驗(yàn)研究

田明銳1胡永彪1金守峰2

1.長(zhǎng)安大學(xué)道路施工技術(shù)與裝備教育部重點(diǎn)實(shí)驗(yàn)室，西安,7100642.西安工程大學(xué)，西安,710048

摘要：提出了一種散料裝車料位的圖像檢測(cè)方法，該方法將待處理料堆圖像分為若干不重疊的子塊，對(duì)各子塊進(jìn)行了同態(tài)濾波、二值化及二值共生矩陣紋理特征提取，并根據(jù)紋理特征對(duì)各子塊進(jìn)行了分類識(shí)別。在識(shí)別過(guò)程中，提出了一種基于SVM及其后驗(yàn)概率的料堆識(shí)別方法，建立了位于交界位置子塊的SVM后驗(yàn)概率與其中料堆目標(biāo)所占比例的關(guān)系模型，并將僅采用SVM對(duì)子塊識(shí)別后的料位擬合結(jié)果與其后驗(yàn)概率輸出相結(jié)合，在這些交界位置子塊內(nèi)進(jìn)行了進(jìn)一步的圖像分割。試驗(yàn)結(jié)果表明，所提出的方法與僅采用SVM子塊識(shí)別的料堆輪廓及料位擬合誤差相比，分別減小42%和56%，平均誤差分別為0.4517 pixel和0.2586 pixel，在MATLAB下每幀處理需0.2 s。

關(guān)鍵詞：機(jī)器視覺(jué)；散料裝車；料位檢測(cè)；紋理識(shí)別；SVM后驗(yàn)概率

0引言

散料裝車一般是指將散料向運(yùn)輸車輛轉(zhuǎn)移的過(guò)程，該作業(yè)過(guò)程廣泛存在礦區(qū)、施工工地、倉(cāng)儲(chǔ)、鐵路、公路及港口等場(chǎng)所。鐵路及公路場(chǎng)所中的定量裝車系統(tǒng)已比較成熟[1-7]，有著較高的作業(yè)效率。礦區(qū)及施工工地作業(yè)環(huán)境復(fù)雜，作業(yè)對(duì)象運(yùn)動(dòng)軌跡無(wú)明顯規(guī)律，散料裝車大多還需依靠人工來(lái)完成。在一些不便于設(shè)置裝車站及卸料刮板機(jī)構(gòu)的領(lǐng)域中，如瀝青混凝土攪拌站，裝車設(shè)備也需要由人工進(jìn)行控制。目前，已有一些針對(duì)上述領(lǐng)域中散料裝車作業(yè)的自動(dòng)控制研究，其中不乏機(jī)器視覺(jué)技術(shù)的應(yīng)用，如文獻(xiàn)[8]提出了基于2D激光測(cè)距掃描的挖掘機(jī)裝車作業(yè)控制方法，文獻(xiàn)[9-12]基于機(jī)器視覺(jué)，對(duì)挖掘機(jī)與運(yùn)輸卡車的位姿測(cè)量、作業(yè)路線識(shí)別及裝車控制等進(jìn)行了研究。機(jī)器視覺(jué)技術(shù)與傳統(tǒng)檢測(cè)方法相比主要優(yōu)點(diǎn)在于作業(yè)對(duì)象狀態(tài)描述準(zhǔn)確，但總體上機(jī)器視覺(jué)在散料裝車作業(yè)控制方面的研究與實(shí)際應(yīng)用仍有較大的距離。

料堆及料位識(shí)別是散料裝車作業(yè)中的一項(xiàng)關(guān)鍵技術(shù)，尤其是在裝車料位需通過(guò)卸料閘門開(kāi)度來(lái)控制的領(lǐng)域中，如文獻(xiàn)[13-15]所提及的作業(yè)過(guò)程。在復(fù)雜的作業(yè)環(huán)境中，料堆表面的顆粒狀紋理是一種能夠顯著區(qū)分料堆與周圍其他背景物的圖像特征，因此本文選取了紋理特征來(lái)對(duì)料堆及料位進(jìn)行識(shí)別。對(duì)于灰度圖像來(lái)說(shuō)，紋理可認(rèn)為是一定區(qū)域中周期性分布的灰度值，因而對(duì)于單個(gè)像素或過(guò)小的區(qū)域來(lái)說(shuō)不存在紋理的概念，然而若對(duì)圖像中每一像素點(diǎn)均進(jìn)行鄰域紋理特征描述與提取，計(jì)算量是巨大的，不能滿足實(shí)時(shí)性檢測(cè)要求，所以實(shí)際中通常會(huì)采用一些圖像分塊后進(jìn)行識(shí)別的方法[16-18]，其中，固定矩形分塊是最簡(jiǎn)單、實(shí)時(shí)性最好的方法，但固定矩形分塊的主要缺點(diǎn)是識(shí)別結(jié)果會(huì)呈現(xiàn)出階梯狀效果，后續(xù)料位擬合時(shí)誤差就可能比較大。

支持向量機(jī)(SVM)是一種很好的特征分類模型[19]，其輸出是二值的“硬”分類結(jié)果，因此對(duì)于固定分塊來(lái)說(shuō)也會(huì)產(chǎn)生階梯狀的識(shí)別效果，但采用其他分塊方法會(huì)增加算法整體計(jì)算量，影響算法的實(shí)時(shí)性。針對(duì)上述問(wèn)題，本文利用SVM的后驗(yàn)概率輸出，提出了一種將SVM“硬”分割結(jié)果與SVM后驗(yàn)概率相結(jié)合的料位“軟”識(shí)別方法，試驗(yàn)對(duì)比說(shuō)明本文方法在料位識(shí)別精度方面有所提高，并具有較好的實(shí)時(shí)性。

1散料裝車圖像處理

本文研究了實(shí)驗(yàn)室環(huán)境下的散料裝車試驗(yàn)圖像，卸料過(guò)程中的料堆情況如圖1所示，圖中選取了200×100像素的局部區(qū)域作為處理對(duì)象，并劃分為8×4個(gè)子塊來(lái)進(jìn)行紋理特征描述與識(shí)別。

紋理特征提取大多需要遍歷待描述區(qū)域，假設(shè)待描述區(qū)域包含N個(gè)像素，整幅圖像包含M個(gè)像素，則逐點(diǎn)鄰域提取方式的時(shí)間復(fù)雜度為O(MN)，而不重疊分塊及逐子塊提取的時(shí)間復(fù)雜度將減小為O(M)，其主要原因是避免了像素點(diǎn)的多次重復(fù)遍歷。文獻(xiàn)[20]對(duì)紋理特征描述方法進(jìn)行了研究，結(jié)論表明灰度共生矩陣具有較好的區(qū)分能力，但計(jì)算量過(guò)大，其主要原因是灰度級(jí)數(shù)過(guò)多使得共生矩陣規(guī)模較大，假設(shè)圖像灰度級(jí)為L(zhǎng)，則對(duì)應(yīng)的共生矩陣為L(zhǎng)階方陣，由共生矩陣計(jì)算出某一特征的時(shí)間復(fù)雜度為O(L2)。對(duì)此，本文考慮對(duì)圖像進(jìn)行二值化處理，這樣共生矩陣可減小至2階方陣，則特征計(jì)算的時(shí)間復(fù)雜度減小為O(4)。另外，根據(jù)文獻(xiàn)[21]對(duì)共生矩陣紋理特征計(jì)算時(shí)步距選取的研究，本文在圖像中提取了4個(gè)方向上1、3、5、7這4個(gè)步距的共生矩陣及其對(duì)比度紋理特征，所得紋理特征為一個(gè)16維向量，由于包含了4個(gè)步距下的共生矩陣，特征計(jì)算復(fù)雜度變?yōu)镺(16)。

與實(shí)際工況類似，試驗(yàn)料堆圖像也存在光照不均的問(wèn)題，即使光源均布，卸料過(guò)程中灰塵對(duì)光線的遮擋及料堆自身曲面也會(huì)使料堆表面不同部分所受的光照強(qiáng)度不均勻，該情況下不同圖像區(qū)域中的物料顆粒紋理特征就會(huì)存在灰度分布差異，在二值化前還需對(duì)圖像進(jìn)行光照不均去除處理。本文采用了文獻(xiàn)[22]中所提基于Kronecker積的空域同態(tài)濾波算法來(lái)消除光照不均勻現(xiàn)象，該算法時(shí)間復(fù)雜度大致為O(M(W+h))，其中，W、h為濾波窗口尺寸。此外，二值化采用圖像均值作為自動(dòng)閾值，則整幅圖像二值化處理的時(shí)間復(fù)雜度為O(2M)。

散料裝車圖像二值化處理效果如圖2所示，圖2a為直接二值化結(jié)果，圖2b為同態(tài)濾波后二值化結(jié)果?？梢钥吹?，經(jīng)過(guò)同態(tài)濾波處理后，二值化結(jié)果中的顆粒紋理特點(diǎn)更加顯著與均勻，能夠較好地反映料堆與周圍背景的差異，料堆與卸料料流之間的分界輪廓雖不很清晰但仍可辨別。

(a)直接二值化結(jié)果

(b)同態(tài)濾波后二值化結(jié)果圖2　同態(tài)濾波前后的二值化處理效果

2SVM后驗(yàn)概率的輸出

SVM是基于統(tǒng)計(jì)學(xué)習(xí)理論的分類算法，通過(guò)尋找最優(yōu)分類超平面，使距分類超平面較近的樣本點(diǎn)盡量遠(yuǎn)離該分類面，而不是在所有樣本點(diǎn)上達(dá)到最優(yōu)。這部分樣本點(diǎn)即為支持向量，最優(yōu)分類面參數(shù)由支持向量確定。對(duì)于訓(xùn)練特征線性不可分的情況，SVM通過(guò)核函數(shù)將樣本特征映射到高維空間，在高維空間中實(shí)現(xiàn)線性可分，通過(guò)計(jì)算新樣本到超平面的距離來(lái)判斷其屬性。SVM分類的輸出函數(shù)為

f(x)=+b

(1)

其中，w和b為超平面參數(shù)，φ(x)為向高維空間的映射函數(shù)，表示w與φ(x)的內(nèi)積。以標(biāo)準(zhǔn)“軟”間隔SVM為例，分類器的建立可通過(guò)以下優(yōu)化問(wèn)題來(lái)實(shí)現(xiàn)：

(2)

其中，ζi是松弛變量，即允許某些樣本點(diǎn)分布在對(duì)方的區(qū)域，C為離群點(diǎn)的權(quán)重，表示離群點(diǎn)對(duì)目標(biāo)函數(shù)的影響，yi、xi分別為第i個(gè)樣本的類別標(biāo)簽及特征。式(2)一般通過(guò)其對(duì)偶問(wèn)題進(jìn)行求解：

(3)

k(xi,xj)=<φ(xi),φ(xj)>

其中，W(α)為由拉格朗日算子決定的分類超平面參數(shù)，αi是拉格朗日乘子，k(xi,xj)為核函數(shù)，解決了高維空間內(nèi)積運(yùn)算及非線性映射問(wèn)題，是樣本空間上滿足Mercer條件的函數(shù)。因此式(3)是一個(gè)凸二次規(guī)劃問(wèn)題，具有全局最優(yōu)解。則對(duì)于任意輸入樣本x，其類別標(biāo)簽為

(4)

然而對(duì)于某些問(wèn)題，不僅需要樣本的分類結(jié)果，并且需要得知該樣本隸屬于各類別的概率，這就要求SVM具有“軟”輸出，即非確定性分類能力，這種非確定性用分類器的概率輸出來(lái)表示，目前SVM概率輸出獲取大多采用了Platt提出的方法[23]，使用sigmoid函數(shù)作為連接函數(shù)，將SVM的樣本距離輸出映射到區(qū)間[0,1]，其過(guò)程如下：

(5)

其中，f(x)為樣本的SVM距離輸出，p(y=1|f(x))為距離f(x)下樣本隸屬于類別“1”的概率。假設(shè)SVM概率輸出與類別“1”的對(duì)數(shù)可能性成正比，則A<0即可保證式(5)的單調(diào)性。參數(shù)A和B可通過(guò)最小化似然函數(shù)過(guò)程求解：

(6)

3SVM后驗(yàn)概率料位識(shí)別模型

如上所述，SVM后驗(yàn)概率能夠在一定程度上描述待分類樣本特征與標(biāo)準(zhǔn)特征之間的差異，在本文中就是對(duì)那些即包含料堆又包含背景物的子塊進(jìn)行SVM后驗(yàn)概率描述。樣本訓(xùn)練與分類過(guò)程在此不再贅述，料堆圖像在SVM分類識(shí)別后，僅包含物料像素的子圖像塊被分類為物料塊，其他子圖像塊均被分類為背景塊，而位于交界位置的背景塊中往往會(huì)包含一定比例的物料像素，這部分背景塊與標(biāo)準(zhǔn)塊具有一定的相似性。

從大量子塊的識(shí)別試驗(yàn)中可發(fā)現(xiàn)：包含料堆與背景的子塊的SVM后驗(yàn)概率主要由其中物料與背景所占像素個(gè)數(shù)的比例決定，如表1所示。因此，可通過(guò)SVM后驗(yàn)概率輸出構(gòu)造交界位置子塊的“軟”判別模型，在不進(jìn)行逐點(diǎn)鄰域紋理識(shí)別的情況下實(shí)現(xiàn)子塊內(nèi)的圖像分割，可提高整幅圖像的料位識(shí)別精度。

表1　料堆與背景所占比例及其SVM后驗(yàn)概率

表1所示為二值共生矩陣紋理特征下交界位置子塊內(nèi)目標(biāo)物比例及其SVM后驗(yàn)概率輸出關(guān)系，表中子圖像塊為人工分割結(jié)果，其中黑色部分為料堆所占區(qū)域，白色部分為背景所占區(qū)域。

由表1可以看出，子圖像塊SVM后驗(yàn)概率輸出存在一定的規(guī)律。將其假設(shè)為

r=f(p)

(7)

式中，p為由式(5)所得SVM后驗(yàn)概率輸出；r為子圖像塊內(nèi)目標(biāo)物像素所占比例；f為通過(guò)大量SVM識(shí)別結(jié)果得到的回歸函數(shù)。

得到r值后，還需確定子塊內(nèi)像素的分布形式。在SVM分塊識(shí)別結(jié)果中，位于料堆與背景交界處的子塊坐標(biāo)可用于擬合料位，通常情況下直線擬合即可反映出圖1待匹配區(qū)域的料位情況，將擬合后直線的斜率記為k。則作為一種合理的近似，在進(jìn)行SVM“軟”判別的交界子塊內(nèi)可采用斜率為k的直線按r值將該塊劃分為兩部分，可得出劃分的規(guī)則為

(8)

則子圖像塊內(nèi)像素點(diǎn)I(u,v)取值可表示為

(9)

其中，u、v坐標(biāo)系的原點(diǎn)為各子圖像塊左上角。式(8)與式(9)即構(gòu)成了交界子塊的SVM后驗(yàn)概率識(shí)別模型。

4試驗(yàn)結(jié)果及分析

本文試驗(yàn)的主要設(shè)備為方誠(chéng)FC-IE130M工業(yè)相機(jī)，計(jì)算機(jī)CPU為Inter Core i3-2310M，內(nèi)存2 GB，待處理圖像區(qū)域大小為200×100像素，分塊方式如圖1所示，算法采用MATLAB軟件實(shí)現(xiàn)。本文所提算法的處理效果如圖3所示，圖3a所示為僅采用SVM進(jìn)行分塊識(shí)別后的料位擬合結(jié)果，圖3b所示為本文算法的料位擬合結(jié)果，兩圖對(duì)比可以看出，本文算法所擬合出的料位更貼近于圖像中料堆的實(shí)際輪廓位置。

(a)SVM粒位識(shí)別結(jié)果

(b)SVM“軟”判決料位識(shí)別結(jié)果圖3　料位識(shí)別結(jié)果及對(duì)比

圖4所示為對(duì)應(yīng)圖3兩種算法的實(shí)際圖像分割效果。由圖4可看出，通過(guò)對(duì)分類器的訓(xùn)練，SVM分類器能夠?qū)Ω鱾€(gè)子塊做出較為準(zhǔn)確的識(shí)別，但由于識(shí)別的最小分辨率為25×25像素，因此其分割邊界呈明顯的階梯狀，始終與實(shí)際料位輪廓相差較大。而SVM軟識(shí)別算法對(duì)交界背景塊內(nèi)料堆與背景的比例做出較合理的估計(jì)，并利用了SVM分塊識(shí)別料位斜率在各塊內(nèi)做進(jìn)一步分割，對(duì)階梯狀邊界產(chǎn)生了類似于濾波的效果，因此改進(jìn)算法的分割邊界與實(shí)際料位輪廓更為接近，料位擬合精度也相對(duì)較高。

(a)SVM分割結(jié)果

(b)SVM“軟”判決分割結(jié)果圖4　料堆輪廓分割結(jié)果

pixel

由表2統(tǒng)計(jì)可得，本文改進(jìn)的料位識(shí)別方法與SVM分塊料位識(shí)別方法的料位平均誤差分別為0.2586和0.5937，料堆輪廓平均誤差分別為0.4517和0.7768，試驗(yàn)結(jié)果表明，本文算法在料位輪廓識(shí)別及料位直線擬合精度方面均優(yōu)于僅采用SVM的分塊識(shí)別算法，并且“軟”識(shí)別過(guò)程中未引入過(guò)多的計(jì)算，僅利用了后驗(yàn)概率值及料位擬合結(jié)果。由算法原理及計(jì)算過(guò)程分析可知，分塊及二值化處理使得本文算法計(jì)算量得到大幅減小，200×100像素大小的圖像每幀平均處理速度約為0.2 s。同時(shí)，算法也存在一定的局限性，當(dāng)待處理區(qū)域較大時(shí)，料堆輪廓?jiǎng)t不能采用直線來(lái)擬合，各子圖像塊內(nèi)的分割準(zhǔn)則就需要有所變化，如可對(duì)料堆輪廓采用分段直線擬合的方法，然后在各段中利用本文的軟識(shí)別模型得到完整的料堆輪廓。另外，較大待處理區(qū)域的處理速度會(huì)有所降低，算法實(shí)時(shí)性會(huì)受到影響，因此后續(xù)仍需要對(duì)算法及程序進(jìn)行綜合的優(yōu)化研究。

5結(jié)語(yǔ)

結(jié)合SVM后驗(yàn)概率的分塊紋理識(shí)別方法能夠在料堆與背景交界位置的子圖像塊內(nèi)對(duì)目標(biāo)及背景作進(jìn)一步的分割，在分割過(guò)程中利用了SVM分類模型對(duì)子塊的準(zhǔn)確分類識(shí)別及其料位擬合結(jié)果，并且與僅采用SVM進(jìn)行識(shí)別的結(jié)果相比，輪廓識(shí)別與料位擬合誤差都有所減小。算法中采用二值共生矩陣紋理特征，使得算法具有較好的實(shí)時(shí)性，在本文試驗(yàn)條件下每幀處理時(shí)間約為0.2 s。

參考文獻(xiàn)：

[1]Fletcher E. Rapid Load out Systems Past Present and Future[EB/OL].[2008-02-26]. http://www.ckit.co.za/right-index/ tech-focus/rapid-load/rapid-load.html.

[2]Sexton A, Bennett D. Discuss Automation Trends in TruckLoading[J]. World Coal, 2012,6(1): 96-100.

[3]劉朝榮. 裝車系統(tǒng)礦石料位控制方法的研究[J]. 電氣自動(dòng)化, 2012(4): 16-17.

Liu Chaorong. Research on Control Method for Ore material Level of the Ore-loading System[J]. Intelligent Control Techniques, 2012(4): 16-17.

[4]張廣軍，孫海，張新，等. 一種帶有自動(dòng)布料平車裝置的汽車快速定量裝車站: 中國(guó),201010126967.6[P]. 2010-08-04.

[5]閆玉剛，孟凡英.自動(dòng)輸送汽車衡: 中國(guó),200910209808.X[P]. 2010-12-22.

[6]王建, 姚振強(qiáng), 包起帆，等. 新型全自動(dòng)抓斗卸船系統(tǒng)[J]. 解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2010, 11(3): 284-289.

Wang Jian, Yao Zhenqiang, Bao Qifan, et al. Novel Full-automatic Grab Ship Unloader System[J]. Journal of PLA University of Science and Technology(Nature Science Edition), 2010, 11(3): 284-289.

[7]包起帆. 港口散貨全自動(dòng)裝卸設(shè)備的研究與開(kāi)發(fā)[J]. 中國(guó)機(jī)械工程, 2008, 19(23):2797-2803.

Bao Qifan. Research and Development of Automatic Bulk Cargo Equipment in Modern Ports[J]. China Mechanical Engineering, 2008, 19(23):2797-2803.

[8]Tentz A, Bares J, Singha S. Robotic Excavator for Autonomous Truck Loading[J]. Autonomous Robots, 1999,7:175-186.

[9]Riku P. Method and Apparatus for Automatic Loading of Dumper:United States,7751927[P]. 2010-07-06.

[10]黃國(guó)鵬,黃國(guó)坤. 一種基于圖像的露天礦挖掘機(jī)裝車過(guò)程的監(jiān)控方法和裝置:中國(guó),201110095634.6[P]. 2011-11-16.

[11]王福斌, 劉杰, 代沅興，等. 履帶式挖掘機(jī)器人CCD道路識(shí)別[J]. 中國(guó)工程機(jī)械學(xué)報(bào), 2010,8(2): 230-233.

Wang Fubin, Liu Jie, Dai Ruanxing, et al. CCD-enabled Road Recognition for Caterpillar Excavator Robots[J]. Chinese Journal of Construction Machinery, 2010, 8(2): 230-233.

[12]肖婷, 文懷興, 夏田. 基于雙目識(shí)別技術(shù)的挖掘機(jī)智能化控制系統(tǒng)[J]. 工程機(jī)械, 2007, 38(3): 4-7.

Xiao Ting, Wen Huaixing, Xia Tian. Intelligent Control System of Excavator Based on Binocular Stereo-vision[J].Construction Machinery and Equipment,2007,38(3):4-7.

[13]田明銳, 胡永彪, 金守峰,等. 基于圖像紋理的散料裝車料位識(shí)別試驗(yàn)研究[J]. 中國(guó)機(jī)械工程, 2013, 24(7): 910-914.

Tian Mingrui, Hu Yongbiao, Jin Shoufeng,et al. Experimental Study on Level Detection of Bulk Materials Entrucking Based on Image Texture[J]. China Mechanical Engineering, 2013, 24(7): 910-914.

[14]王芳,江劍,石秀東,等.瀝青混凝土成品裝車指揮儀的研制[J].微計(jì)算機(jī)信息,2009,25(29):14-15.

Wang Fang, Jiang Jian, Shi Xiudong, et al. Development of the Director in the Load of Finished Asphalt Concrete[J]. Microcomputer Information, 2009,25(29):14-15.

[15]吳延明,郝曉弘.平硐礦車智能裝車系統(tǒng)的研究與實(shí)現(xiàn)[J].工礦自動(dòng)化,2008(4):106-107.

Wu Yanming, Hao Xiaohong. Research and Implementation of the Intelligence Adit Harvester Loading System[J].Industry and Mine Automation, 2008(4):106-107.

[16]Achanta R, Shaji A, Smith K, et al. SLIC Superpixels Compared to State of the art Superpixel Methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11):2274-2281.

[17]Levinshtein A, Stere A, Kiriakos N. TurboPixels: Fast Superpixels Using Geometric Flows[C]//IEEE Trans Pattern Anal. Mach. Intell..Toronto, 2009:2290-7.

[18]He X, Zemel R, Ray D. Learning and Incorporating Top-down Cues in Image Segmentation[C]//ECCV.Graz,2006：338-351.

[19]賀曉輝,鄢萍,劉飛,等. 基于支持向量機(jī)和功率信息的工件在線識(shí)別方法[J]. 中國(guó)機(jī)械工程, 2011, 22(7): 818-824.

He Xiaohui, Yan Ping, Liu Fei, et al. Workpiece Online Identification Method Based on SVM and Power Information[J]. China Mechanical Engineering, 2011, 22(7): 818-824.

[20]劉麗,匡綱要. 圖像紋理特征提取方法綜述[J]. 中國(guó)圖像圖形學(xué)報(bào), 2009, 14(4): 622-635.

Liu Li, Kuang Gangyao. Overview of Image Textural Feature Extraction Methods[J]. Journal of Image and Graphics, 2009, 14(4): 622-635.

[21]薄華, 馬縛龍, 焦李成，等. 圖像紋理的灰度共生矩陣計(jì)算問(wèn)題的分析[J]. 電子學(xué)報(bào), 2006, 34(1): 155-158, 134.

Bo Hua, Ma Fulong, Jiao Licheng. Research on Computation of GLCM of Image Texture[J]. Acta Electronic Sinica,2006,34(1):155-158,134.

[22]肖俊,宋壽鵬,丁麗娟. 空域同態(tài)濾波算法研究[J]. 中國(guó)圖像圖形學(xué)報(bào), 2008,13(12): 2302-2306.

Xiao Jun, Song Soupeng, Ding Lijuan. Research on the Fast Algorithm of Spatial Homomorphic Filtering[J]. Journal of Image and Graphics, 2008,23(12): 2302-2306.

[23]Platt J C. Probabilistic Output for Support Vector Machine and Comparisons to Regularized LikelihoodMethods[M]. Pennsylvania: MIT Press, 1999.

(編輯袁興玲)

Experimental Study on Recognation of Bulk Materials Level by SVM Posterior Probability

Tian Mingrui1Hu Yongbiao1Jin Shoufeng2

1.Key Laboratory of Highway Construction Technology & Equipment, Ministry of Education,Chang’an University,Xi’an,710064

2.Xi'an Polytechnic University,Xi’an,710048

Abstract:A image-based method for bulk level detection in bulk loading operations was proposed herein. The method first divided the image to several non-overlapping sub-blocks, then each blocks were filtered by a homomorphic filter, converted to binary image, abstracted the binary co-occurrence matrix, and recognized by SVM according to their texture features. In recognition process, a target-proportion model of the blocks which located between the boundary of bulk and the background was found based on SVM posterior probability. The model combined the SVM bulk level fitting results and the SVM posterior probability values was used to segmentation process in these boundary-blocks. Experimental results indicate that the recognition errors of the contour and the bulk level are reduced by 42% and 56% compared to the SVM recognition algorithm, average errors are as 0.4517 pixel and 0.2586 pixel respectively. The running times of the proposed method is as 0.2 s under MATLAB.

Key words:machine vision; bulk loading;; level detection; texture recognition; support vector machine(SVM) posterior probability

作者簡(jiǎn)介：田明銳，男，1984年生。長(zhǎng)安大學(xué)工程機(jī)械學(xué)院博士研究生。研究方向?yàn)閳D像處理、工程機(jī)械機(jī)器視覺(jué)。胡永彪，男，1964年生。長(zhǎng)安大學(xué)工程機(jī)械學(xué)院教授、博士研究生導(dǎo)師。金守峰，男，1979年生。西安工程大學(xué)機(jī)電工程學(xué)院副教授。

中圖分類號(hào)：TP391.4

DOI：10.3969/j.issn.1004-132X.2016.05.013

基金項(xiàng)目：中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(CHD2011TD016)

收稿日期：2015-05-12