侯維巖　侯兆陽

(鄭州大學(xué)信息工程學(xué)院，河南 鄭州　450001)

扎捆棒材的圖像識(shí)別計(jì)數(shù)算法

侯維巖侯兆陽

(鄭州大學(xué)信息工程學(xué)院，河南 鄭州450001)

摘要：為了快速獲得扎捆棒材的數(shù)量，在大量觀測(cè)和實(shí)驗(yàn)的基礎(chǔ)上，提出一種動(dòng)態(tài)獲取棒材形態(tài)學(xué)直徑的方法；根據(jù)扎捆棒材的形態(tài)學(xué)分布，提出“米”字形搜索算法(RSS算法)和一種覆蓋原則。先對(duì)棒材截面圖像進(jìn)行灰度化處理，然后根據(jù)灰度圖片的灰度直方圖兩峰一谷的特點(diǎn)得到圖片的全局閾值，將灰度棒材圖片二值化；再對(duì)二值圖片進(jìn)行膨脹、腐蝕操作削弱粘連；最后基于二值圖片，利用RSS算法進(jìn)行計(jì)數(shù)?，F(xiàn)場(chǎng)采集扎捆棒材的計(jì)數(shù)實(shí)驗(yàn)驗(yàn)證了該算法的有效性、可靠性和準(zhǔn)確性。在加入人工矯正環(huán)節(jié)后，棒材計(jì)數(shù)準(zhǔn)確度達(dá)到100%。試驗(yàn)結(jié)果表明，在計(jì)數(shù)對(duì)象滿足兩個(gè)分布特征的情況下，該算法都可以實(shí)現(xiàn)高準(zhǔn)確度的計(jì)數(shù)。

關(guān)鍵詞：扎捆棒材形態(tài)學(xué)“米”字形搜索(RSS)智能分割人工矯正圖像處理圖像識(shí)別

0引言

在扎捆棒材的流通過程中，傳統(tǒng)稱重方法人力消耗大，且不容易操作，人工計(jì)數(shù)往往效率低下。目前，還沒有一種方法能實(shí)現(xiàn)對(duì)棒材數(shù)量的快速準(zhǔn)確計(jì)量，這給物流和用戶帶來許多不便。因此，對(duì)扎捆棒材的精確計(jì)數(shù)成為一個(gè)亟待解決的問題。

隨著數(shù)字圖像處理技術(shù)和CCD技術(shù)的發(fā)展，從扎捆棒材截面的圖像中計(jì)算獲取棒材的數(shù)量成為目前常見的方法，但這些方法都有不同的缺點(diǎn)。極限腐蝕法[1]雖然解決了棒材的粘連問題，但是腐蝕導(dǎo)致了棒材的形變，更嚴(yán)重的是過腐蝕可能腐蝕一部分棒材，從而導(dǎo)致漏計(jì)數(shù)。模板匹配法[2]和十字模板搜索法[3]的搜索間隔大小的選取嚴(yán)重影響算法的性能。較大的間隔可能導(dǎo)致漏計(jì)數(shù)；較小的間隔可能導(dǎo)致搜索太慢，并降低算法的有效性，而且匹配模板的大小無法確定。文獻(xiàn)[3]提出的手動(dòng)指定的模板大小往往也不精確。常見的棒材類圓識(shí)別、圓形度檢測(cè)[4]、凹度檢測(cè)[5]，由于計(jì)算量過大、算法復(fù)雜度高，將導(dǎo)致整個(gè)識(shí)別計(jì)數(shù)過程緩慢。

本文在大量觀測(cè)和實(shí)驗(yàn)的基礎(chǔ)上，提出一種動(dòng)態(tài)獲取棒材形態(tài)直徑的方法和一種基于扎捆棒材形態(tài)學(xué)分布的快速計(jì)數(shù)米字形搜索(rice shape searching,RSS)算法。

1算法的概述

根據(jù)觀察，扎捆棒材具有以下兩個(gè)形態(tài)分布特征。

(1)每根棒材的形態(tài)學(xué)參數(shù)相似，例如形態(tài)學(xué)直徑φ相近，截面近似圓形。

(2)每根棒材和周圍棒材緊密堆疊，每根棒材周圍有4～8根棒材，且中心棒材和周圍棒材的距離都為棒材的形態(tài)直徑。如果以直徑搜索將大大節(jié)省搜索時(shí)間。

由以上兩個(gè)分布特征，可獲取棒材的形態(tài)學(xué)直徑φ；再以φ為半徑，用RSS算法搜索棒材并用正八邊形模板覆蓋和計(jì)數(shù)。算法核心步驟如下。

①動(dòng)態(tài)獲得棒材的形態(tài)直徑φ，給正八邊形模板覆蓋提供參考。

②隨機(jī)找到一個(gè)出現(xiàn)棒材的位置(最好在圖片的中心位置)，棒材數(shù)量加1，用正八邊形模板覆蓋此棒材出現(xiàn)的區(qū)域(此處的覆蓋只是防止重復(fù)檢測(cè))，標(biāo)記棒材位置。

③在上一步找到的棒材的周圍，以半徑φ“米”字形搜索周圍出現(xiàn)棒材的位置。如果找到出現(xiàn)棒材的位置，棒材數(shù)量加1，覆蓋出現(xiàn)棒材的位置，標(biāo)記新出現(xiàn)的棒材位置，供下一步使用。

④不斷重復(fù)步聚③，直到搜索不到新的棒材。

⑤算法退出。

找到棒材的精確幾何中心位置，實(shí)現(xiàn)對(duì)已找到棒材的準(zhǔn)確、完全覆蓋。這樣可以提高結(jié)果的正確性，且對(duì)其他棒材的準(zhǔn)確搜索和找到形態(tài)學(xué)尺寸具有重要意義。尤其是對(duì)于棒材有粘連的情況，如果把其中一個(gè)棒材準(zhǔn)確覆蓋，那么對(duì)另一根棒材來說已經(jīng)不存在粘連了,因此，完整、準(zhǔn)確地覆蓋其中一根棒材，就可以把粘連的棒材分離。

在實(shí)驗(yàn)中使用了“米”字形搜索的方式，原因如下。

①根據(jù)大量觀測(cè)知道，每根棒材周圍有4～8根棒材。

②提高算法的冗余，防止漏檢，提升算法的魯棒性。

③“米”字形搜索的鄰域相對(duì)于中心位置特殊，計(jì)算簡單。

圖1為棒材的形態(tài)學(xué)參數(shù)示意圖。

圖1　棒材的形態(tài)學(xué)參數(shù)示意圖

圖1中，MN、HG為分割線。

理想情況下，形態(tài)學(xué)參數(shù)為：棒材中心O1的坐標(biāo)位置(xcenter,ycenter)，棒材的橫向最大尺寸xLength=LAB，棒材的縱向最大尺寸yLength=LCD。對(duì)于有粘連的棒材，LEF、LPQ也包含了一定的信息量，可以據(jù)此判斷出是縱向粘連還是橫向粘連，從而加以智能分割，然后再對(duì)分割后的類圓棒材進(jìn)行判斷。

2算法流程

圖2為算法整體流程圖。先讀取圖片，選擇感興趣的區(qū)域，進(jìn)行灰度化和二值化處理，腐蝕膨脹操作可以消除一部分粘連；然后獲取棒材的形態(tài)學(xué)直徑φ，用RSS算法搜索并覆蓋已經(jīng)找到的棒材；最后加入人工矯正并顯示結(jié)果。

圖2　計(jì)數(shù)算法整體流程圖

圖3 為“米”字形搜索示意圖，0位置處是隨機(jī)找到的，或者由上一步提供的位置信息。

圖3　“米”字形搜索示意圖

“米”字形搜索就是以棒材的形態(tài)學(xué)直徑為半徑，在0位置的周圍8個(gè)位置搜索新的棒材位置。假設(shè)0處的位置為(xcenter,ycenter)，構(gòu)造矩陣：

(1)

圖3中，1～8處中心位置g(i)為:

g(i)=[xcenter+RM(i,1),ycenter+RM(i,2)]

(2)

式中:i=1～8;g(i)為第i個(gè)點(diǎn)的坐標(biāo)。

“米”字形搜索實(shí)驗(yàn)示意圖如圖4所示。

圖4　“米”字形搜索實(shí)驗(yàn)示意圖

圖4中，中心位置O是第一層隨機(jī)找到的或者上一層提供的棒材位置，然后以φ為半徑，在它的8個(gè)臨域內(nèi)搜索。如果找到新的棒材，則棒材數(shù)目加1，覆蓋此處棒材，記錄棒材位置供下一層使用。圖4中，在O周圍搜索到了5根棒材并加1覆蓋，防止重復(fù)計(jì)數(shù)。A處判斷沒有棒材，原因是A和左邊的棒材存在橫向粘連，需要分割后再判斷。

3算法的具體實(shí)現(xiàn)

3.1獲取灰度圖片

從照相機(jī)或者攝像頭得到的是一張RGB圖片，用R、G、B分別表示圖片中一個(gè)像素的紅色分量、綠色分量、藍(lán)色分量，則該像素處的灰度值可由下式得到：

f(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)

(3)

3.2灰度圖片二值化

閾值法[6]是一種簡單而且有效的二值化方法。根據(jù)圖片中前景和背景的區(qū)別，選擇適當(dāng)?shù)拈撝?，可以濾除背景，保留前景。通過灰度圖像的直方統(tǒng)計(jì)圖[3]，可以很直觀地得到圖片的二值化閾值。

灰度圖像的直方圖如圖5所示。

圖5　灰度圖像的直方圖

如圖5所示，灰度圖片的直方統(tǒng)計(jì)圖呈現(xiàn)兩峰一谷，從而可以很直觀地獲知此圖片的二值化閾值在60左右。根據(jù)全局閾值，將圖片二值化。

3.3動(dòng)態(tài)獲取棒材形態(tài)學(xué)參數(shù)φ

此處φ是動(dòng)態(tài)的、全局的、具有統(tǒng)計(jì)意義的棒材形態(tài)學(xué)直徑φ(單位為像素)。作用是為“米”字形搜索提供參考半徑、智能判斷和正八邊形模板參考。獲得φ的方法是多次測(cè)量求平均值。獲得棒材形態(tài)學(xué)參數(shù)如圖6所示。

圖6　獲得棒材形態(tài)學(xué)參數(shù)示意圖

①如圖6所示，在二值圖像上面隨機(jī)找到一個(gè)點(diǎn)M，然后上下延伸到棒材的邊緣，記錄AB的長度，找到AB的中點(diǎn)。

②在AB的中點(diǎn)處左右延伸到棒材的邊緣，記錄CD的長度為xLength和中點(diǎn)xcenter。

③在CD的中點(diǎn)處上下延伸到棒材的邊緣，記錄EF的長度為yLength和中點(diǎn)ycenter。

④對(duì)xLength、yLength求平均，得到此處棒材的形態(tài)學(xué)直徑φ，保存φ。

⑤重復(fù)以上步驟，待找到一定數(shù)量的φ后，去掉最大的和最小的，對(duì)剩下的φ求平均，得到全局的具有統(tǒng)計(jì)意義的φ。

“米”字形搜索算法實(shí)現(xiàn)如圖7所示。第一層隨機(jī)找到一個(gè)棒材位置A，進(jìn)行“米”字形搜索，搜索到4個(gè)棒材；然后在這4個(gè)棒材的位置進(jìn)行“米”字形搜索。依次類推，直到第N-1層不能再找到新的棒材位置，即第N層不能再搜索，算法退出。

圖7　“米”字形搜索算法實(shí)現(xiàn)

3.4RSS算法的具體實(shí)現(xiàn)

在具體實(shí)現(xiàn)上，定義兩個(gè)矩陣：數(shù)量矩陣NM[N]、位置矩陣LM[N][K][2]。其中，數(shù)量矩陣是1維的，存儲(chǔ)每1層的棒材數(shù)量信息；位置矩陣是3維的，存儲(chǔ)每1層找到的每一個(gè)棒材的位置信息，供下一層使用。例如LM[2][2][1]表示第2層第2個(gè)棒材的橫坐標(biāo)，NM[2]表示第2層的所有棒材數(shù)量。其中N是算法搜索的層數(shù)，K是每一層搜索到的棒材數(shù)量。通過數(shù)量矩陣，可以知道一共找到的棒材數(shù)量。這里的N、K都是無法預(yù)知的，算法運(yùn)行的層數(shù)N無法預(yù)測(cè)，并且每一層的值是不同的。具體操作流程如下。

①初始化第1層，隨機(jī)找到一個(gè)棒材位置，設(shè)置第1層的數(shù)量矩陣(第一層的棒材數(shù)量為1)和位置矩陣。

②判斷上一層提供的棒材數(shù)量是否為0，如果是0，搜索結(jié)束，進(jìn)入第⑤步；如果不是0，進(jìn)入第③步。

③進(jìn)入m層，利用m-1層提供的位置信息和數(shù)量信息，遍歷所有m-1層找到的棒材；“米”字形搜索，每找到一個(gè)棒材位置，更新本層棒材數(shù)量，設(shè)置新找到棒材的位置信息，并且覆蓋找到的棒材位置，防止重復(fù)搜索。

④返回第②步。

⑤計(jì)算棒材數(shù)量，顯示棒材數(shù)量和計(jì)數(shù)用時(shí)，退出算法。

3.5智能判斷

由于棒材的裁剪工藝、棒材之間的互相遮擋、拍照時(shí)的傾斜對(duì)圖片中棒材的拉伸變形以及棒材的腐蝕等原因，造成二值圖像中的棒材不是理想的圓形，可能是壓扁的橢圓棒材或幾個(gè)棒材粘連在一起。那么怎么知道是否找到了一個(gè)棒材，下面提出了一個(gè)理想棒材的判斷準(zhǔn)則和粘連棒材的判斷準(zhǔn)則。

準(zhǔn)則1：如果0.5φ

準(zhǔn)則2：如果xLength≥1.4φ,則判斷此處存在橫向粘連棒材;如果yLength>1.4φ，則判斷此處存在縱向粘連棒材。

如果在搜索的過程中發(fā)現(xiàn)粘連棒材，則先根據(jù)是縱向粘連或者是橫向粘連進(jìn)行分割，然后在此處搜索判斷。此方法也在仿真中得到了很好的驗(yàn)證。

4實(shí)驗(yàn)結(jié)果

為驗(yàn)證算法的正確性，現(xiàn)場(chǎng)獲取了棒材圖片，實(shí)驗(yàn)結(jié)果如圖8所示。由圖8可以看出，在存在干擾的情況下，RSS算法實(shí)現(xiàn)了準(zhǔn)確的覆蓋和計(jì)數(shù)，體現(xiàn)了“米”字形搜索算法的高效性、準(zhǔn)確性。

圖8　棒材計(jì)數(shù)結(jié)果

從圖8可以直觀地發(fā)現(xiàn)：RSS算法檢測(cè)到了所有的棒材，如果有漏檢，可以很容易地發(fā)現(xiàn)并通過人工矯正。此次仿真檢測(cè)到68根棒材，用時(shí)0.98 s，沒有對(duì)干擾進(jìn)行誤判。一些水平或豎直的分割線反映了RSS算法的智能分割功能。RSS算法實(shí)現(xiàn)了100%的棒材計(jì)數(shù)。

對(duì)其他尺寸棒材的實(shí)驗(yàn)結(jié)果及性能評(píng)價(jià)見表1。實(shí)驗(yàn)發(fā)現(xiàn)，直徑小的對(duì)象，識(shí)別時(shí)間和識(shí)別率指標(biāo)有所下降。這是所有圖像識(shí)別算法的共同問題[7-16]。針對(duì)此問題，可以加入人工矯正環(huán)節(jié)。

表1　實(shí)驗(yàn)結(jié)果及性能評(píng)價(jià)

在棒材圖片的采集過程中，采集者與棒材的角度和距離因人而異，所以棒材的真實(shí)尺寸已經(jīng)失去了原有的意義。因此，為了對(duì)比算法的性能，實(shí)驗(yàn)控制棒材的形態(tài)學(xué)直徑φ近似相等。通過改變實(shí)驗(yàn)對(duì)象中棒材的數(shù)量，探討實(shí)驗(yàn)的檢測(cè)率和實(shí)驗(yàn)用時(shí)，從而得出結(jié)論。如表1所示，實(shí)驗(yàn)控制棒材的形態(tài)直徑φ在50像素左右，此值是算法每次動(dòng)態(tài)獲取的，和真實(shí)值有一定的浮動(dòng)。表1中記錄了棒材直徑φ、檢測(cè)數(shù)量、計(jì)數(shù)用時(shí)，計(jì)算了檢測(cè)率，驗(yàn)證了算法的有效性、可靠性。

5結(jié)束語

本文根據(jù)扎捆棒材的兩個(gè)分布特征，提出了RSS搜索算法和動(dòng)態(tài)獲取棒材形態(tài)學(xué)直徑φ的方法，給出了本文中用到的形態(tài)學(xué)參數(shù)，設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證了算法的準(zhǔn)確性、可靠性和有效性，并在嵌入式設(shè)備上得到實(shí)現(xiàn)。只要計(jì)數(shù)對(duì)象滿足本文中提到的兩個(gè)分布特征，均可以用此方法實(shí)現(xiàn)其他對(duì)象的快速準(zhǔn)確計(jì)數(shù)，如醫(yī)學(xué)病理檢測(cè)中的細(xì)胞計(jì)數(shù)。

參考文獻(xiàn)

[1] 安軍鋒,任吉堂.在線棒材計(jì)數(shù)系統(tǒng)現(xiàn)狀與研究[J].中國冶金,2007,17(11):1-5.

[2] 周群,胡光銳.基于模板覆蓋法的鋼筋在線計(jì)數(shù)方法[J].上海交通大學(xué)學(xué)報(bào),1999,4(5):559-564.

[3] 侯維巖,張利偉,黨蟒,等.一種基于圖像處理的棒材計(jì)數(shù)測(cè)量系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].儀器儀表學(xué)報(bào),2013,34(5):1100-1106.

[4] 羅三定,肖飛.不規(guī)則類圓形團(tuán)塊目標(biāo)圖像識(shí)別的新方法[J].中南大學(xué)學(xué)報(bào),2004,35(4):632-637.

[5] 趙欣欣.生物組織纖維圖像中的細(xì)胞計(jì)數(shù)方法[D].武漢:華中科技大學(xué),2012.

[6] 梁華為.直接從雙峰直方圖確定二值化閾值[J].模式識(shí)別與人工智能,2002,15(2):253-255.

[7] 張達(dá),謝植,艾江山.棒材在線計(jì)數(shù)中斷面定位方法研究[J].儀器儀表學(xué)報(bào),2010,31(5):1173-1178.

[8] Wang Tingmei ,Chen Ge,Guan Hui.An improved filling algorithm for image with complicated closed edges[C]//International Conference on Information Technology for Manufacturing Systems,2010:894-897.[9] 左敏，曾廣平，涂序彥,等.基于等價(jià)對(duì)的圖像連通域標(biāo)記算法[J].計(jì)算機(jī)仿真,2011,28(1):14-16.

[10] 張久權(quán),金友仲.一種新興棒材計(jì)數(shù)裝置設(shè)計(jì)[J].制造業(yè)自動(dòng)化,2011,33(1):127-128.

[11] 段政偉.面向扎捆棒材計(jì)數(shù)系統(tǒng)的圖像預(yù)處理算法研究[D].鄭州:鄭州大學(xué),2012.

[12] Wang T N,Wan Q L,Philip O.An improved template matching method for object detection[C]//Lecture Notes in Computer Science,Asian Conference on Computer Vision,2010:193-202.

[13] 黃玲,齊保謙,胡波.基于圖像連通區(qū)域面積的成捆棒材自動(dòng)計(jì)數(shù)方法[J].工礦自動(dòng)化,2012,38(5):77-79.

[14] 陶兆勝,屠大維.基于圖像幾何靜矩陣的機(jī)器視覺基礎(chǔ)矩陣估計(jì)[J].儀器儀表學(xué)報(bào),2011,32(8):1776-1780.

[15] 陳浩,王景中,姚光明.基于類圓分割的棒材計(jì)數(shù)圖像識(shí)別[J].工程圖學(xué)學(xué)報(bào),2004,25(4):98-103.

[16] 薛彥冰.基于機(jī)器視覺的棒材計(jì)數(shù)系統(tǒng)的研究和實(shí)現(xiàn)[D].濟(jì)南：山東大學(xué)，2014.

Counting Algorithm Based on Image Recognition for Bundled Bar

Abstract：In order to quickly obtain the number of the lash bar,the method of dynamically obtaining the morphology diameter of the lash bar is put forward on the basis of a large number of observations and experiments.According to the morphological distribution of the lash bar,the rice shape searching(RSS) algorithm and coverage principle is proposed.Firstly,gradation processing is conducted for section image of rod,then,according to the global threshold of the image is obtained in accordance with the two peaks one valley characteristics of the gray histogram of the gray scale image to get the binarization image,and then the adhesions is weakened by operations of expansion and corrosion,finally based on binarized image the RSS algorithm is used for counting.The experiments on site prove the validity,reliability and accuracy of this algorithm.The accuracy of bar counting is up to 100% when manual correction is added.The result of test shows that the conclusion is highly accurate counting can be implemented if the objects satisfy the two distribution features mentioned.

Keywords:Lash barMorphologyRice shape searching(RSS)Intelligent segmentationManual correctionImage processingImage recognition

中圖分類號(hào)：TH74;TP29;TP313

文獻(xiàn)標(biāo)志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201605008

修改稿收到時(shí)間：2015-08-16。

第一作者侯維巖(1964-)，男，2004年畢業(yè)于上海大學(xué)控制理論與控制工程專業(yè),獲博士學(xué)位，教授；主要從事分布式智能控制、無線通信和數(shù)字圖像處理方向的研究。