■ 封小云邱龍剛

陜西眾森電能科技有限公司

基于高斯混合模型的太陽(yáng)電池片顏色分類(lèi)設(shè)想與驗(yàn)證

■ 封小云*邱龍剛

陜西眾森電能科技有限公司

詳細(xì)介紹了高斯模型思想以及相關(guān)算法，將不同顏色的太陽(yáng)電池片分選到不同檔位中，方便將同類(lèi)電池片進(jìn)行歸類(lèi)。

太陽(yáng)電池；高斯混合模型；RGB、HSI顏色分量；樣本訓(xùn)練；分塊模型

0　引言

眾所周知，太陽(yáng)電池片的生產(chǎn)工藝過(guò)程復(fù)雜，生產(chǎn)出來(lái)的電池片顏色各異，導(dǎo)致光電轉(zhuǎn)換效率不一，輸出電流能力存在差異。不同顏色的太陽(yáng)電池片串聯(lián)使用時(shí)，最大輸出電流由該串聯(lián)電路中輸出電流能力最小的電池片決定，從而降低了整體轉(zhuǎn)換效率。由此可知，將不同顏色的電池片分選到不同檔位顯得非常重要。

長(zhǎng)期以來(lái)，關(guān)于太陽(yáng)電池片的顏色分選主要靠人的眼睛，但是由于人眼存在很強(qiáng)的主觀意識(shí)，并且長(zhǎng)時(shí)間的人眼分選勢(shì)必會(huì)造成人眼的疲勞，進(jìn)而導(dǎo)致工作效率下降或誤檢率增加。使用機(jī)器視覺(jué)的方法對(duì)太陽(yáng)電池片進(jìn)行分選，不僅重復(fù)精度高，而且增加檢測(cè)的客觀性和標(biāo)準(zhǔn)性。文中通過(guò)創(chuàng)建高斯混合模型，將采集的樣本（事先知道樣本的歸類(lèi)）特征加入高斯混合模型中進(jìn)行訓(xùn)練，然后根據(jù)訓(xùn)練好的分類(lèi)器進(jìn)行待測(cè)太陽(yáng)電池片的分類(lèi)，從而實(shí)現(xiàn)顏色分類(lèi)的自動(dòng)化。

1　理論知識(shí)

實(shí)驗(yàn)中主要用的知識(shí)有顏色模型、圖像特征的提取和高斯混合模型對(duì)特征的訓(xùn)練，其中顏色模型的選擇和圖像特征的選擇直接影響高斯混合模型的訓(xùn)練結(jié)果。本節(jié)主要描述實(shí)驗(yàn)中選擇的顏色模型和高斯混合模型的思想。

1.1顏色模型

通常采集到的彩色圖像都是以RGB顏色空間呈現(xiàn)的［1］，主要原因是該顏色模型是與設(shè)備相關(guān)的顏色模型，采用三維直角坐標(biāo)系。紅、綠、藍(lán)原色是加性原色，各個(gè)原色混合在一起可以產(chǎn)生復(fù)合色，如圖1所示。RGB顏色模型通常采用圖1所示的單位立方體來(lái)表示。在正方體的主對(duì)角線上，各原色的強(qiáng)度相等，產(chǎn)生由暗到明的白色，即不同的灰度值，（0，0，0）為黑色，（1，1，1）為白色。正方體的其他6個(gè)角點(diǎn)分別為紅、黃、綠、青、藍(lán)和品紅。

圖1　RGB顏色空間模型

由于RGB顏色空間并不接近人眼的顏色空間，因此有必要將顏色空間從RGB轉(zhuǎn)換到其他顏色空間。

HSI色彩空間［2］是從人的視覺(jué)系統(tǒng)出發(fā)，用色調(diào)（Hue）、飽和度（Saturation或Chroma）和亮度（Intensity或Brightness）來(lái)描述色彩。HSI色彩空間可以用一個(gè)圓錐空間模型來(lái)描述，雖然這種圓錐模型相當(dāng)復(fù)雜，但能把色調(diào)、亮度和飽和度的變化情形表現(xiàn)得很清楚。通常把色調(diào)和飽和度統(tǒng)稱(chēng)為色度，用來(lái)表示顏色的類(lèi)別與深淺程度。由于人的視覺(jué)對(duì)亮度的敏感程度遠(yuǎn)強(qiáng)于對(duì)顏色濃淡的敏感程度，為了便于色彩處理和識(shí)別［3］，人的視覺(jué)系統(tǒng)經(jīng)常采用HSI色彩空間，比RGB色彩空間更符合人的視覺(jué)特性，故而將顏色空間從RGB轉(zhuǎn)換到HSI，如圖2所示。在圖像處理和計(jì)算機(jī)視覺(jué)中，大量算法都可在HSI色彩空間中方便地使用，它們可分開(kāi)處理且相互獨(dú)立。因此，HSI色彩空間可大幅簡(jiǎn)化圖像分析和處理的工作量。

圖2　HSI顏色空間模型

HSI色彩空間和RGB色彩空間只是同一物理量的不同表示方法，因而它們之間存在轉(zhuǎn)換關(guān)系。RGB轉(zhuǎn)換到HSI的相關(guān)公式如下：

其中，

1.2高斯混合模型

高斯混合模型（Gaussian Mixture Model）的本質(zhì)是聚類(lèi)算法［4］，該方法有很多種，k-means是最簡(jiǎn)單的一種聚類(lèi)方法［5］。其大致思想就是把數(shù)據(jù)分為多個(gè)堆，每個(gè)堆為一類(lèi)，且都有一個(gè)聚類(lèi)中心（學(xué)習(xí)的結(jié)果就是獲得這k個(gè)聚類(lèi)中心），這個(gè)中心就是這個(gè)類(lèi)中所有數(shù)據(jù)的均值，而這個(gè)堆中所有的點(diǎn)到該類(lèi)的聚類(lèi)中心都小于到其他類(lèi)的聚類(lèi)中心（分類(lèi)的過(guò)程就是將未知數(shù)據(jù)對(duì)這k個(gè)聚類(lèi)中心進(jìn)行比較的過(guò)程，離哪個(gè)聚類(lèi)中心近就將其歸為哪一類(lèi)）。k-means是最直觀、最方便理解的一種聚類(lèi)方式，原則就是把最像的數(shù)據(jù)分在一起，而“像”可自定義，比如說(shuō)歐式距離的最小等。

GMM和k-means十分相似，區(qū)別僅是GMM將概率引入了分類(lèi)過(guò)程中。統(tǒng)計(jì)學(xué)習(xí)的模型有兩種，一種是概率模型，一種是非概率模型。概率模型是指要學(xué)習(xí)的模型的形式是P（Y |X ），在分類(lèi)的過(guò)程中，通過(guò)未知數(shù)據(jù)X可以獲得Y取值的一個(gè)概率分布；也就是訓(xùn)練后模型得到的輸出不是一個(gè)具體的值，而是一系列值的概率（對(duì)應(yīng)于分類(lèi)問(wèn)題來(lái)說(shuō)，就是對(duì)應(yīng)于各個(gè)不同的類(lèi)的概率），然后可以選取概率最大的那個(gè)類(lèi)作為判決對(duì)象（軟分類(lèi)，soft assignment）。而非概率模型是指學(xué)習(xí)的模型是一個(gè)決策函數(shù)Y=f（X），輸入數(shù)據(jù)X就可以投影得到唯一的一個(gè)Y，是判決結(jié)果（硬分類(lèi)，hard assignment）。在GMM中，學(xué)習(xí)的過(guò)程就是訓(xùn)練出幾個(gè)概率分布。

所謂高斯混合模型就是指對(duì)樣本的概率密度分布進(jìn)行估計(jì)，而估計(jì)的模型是幾個(gè)高斯模型加權(quán)之和（具體個(gè)數(shù)要在模型訓(xùn)練前建立好）；每個(gè)高斯模型代表一個(gè)類(lèi)（一個(gè)Cluster）；對(duì)樣本中的數(shù)據(jù)分別在幾個(gè)高斯模型上投影，會(huì)分別得到在各個(gè)類(lèi)上的概率；最后可以選取概率最大的類(lèi)做為判決結(jié)果。

從中心極限定理的角度上看，把混合模型假設(shè)為高斯混合模型較為合理，當(dāng)然也可以根據(jù)實(shí)際數(shù)據(jù)定義成任何分布的混合模型，不過(guò)定義為高斯混合模型在計(jì)算上有一些方便之處。另外，理論上可以通過(guò)增加模型的個(gè)數(shù)，用GMM近似任何概率分布。

高斯混合模型的定義為：

式中，K為模型的個(gè)數(shù)；πk為第k個(gè)高斯的概率密度函數(shù)，其均值為μk，方差為σk。對(duì)此概率密度的估計(jì)即求πk、μk和σk各個(gè)變量，當(dāng)求出這些變量的值后，求和式的各項(xiàng)結(jié)果就分別代表樣本x屬于各個(gè)類(lèi)的概率。

2　算法描述

為了實(shí)現(xiàn)太陽(yáng)電池片顏色的分選，文中主要使用的算法有顏色空間轉(zhuǎn)換、特征提取和高斯混合模型訓(xùn)練。以下主要分析通過(guò)提取不同的特征，將這些特征通過(guò)高斯混合模型訓(xùn)練進(jìn)行分類(lèi)。

2.1特征提取

太陽(yáng)電池片特征提取主要有兩種實(shí)驗(yàn)方式，根據(jù)提取的兩種特征派生出太陽(yáng)電池片檢測(cè)的兩種方法。

2.1.1第一種特征提取方式

1）將原始圖像進(jìn)行RGB顏色空間分解。

2）在B空間的圖像上根據(jù)圖像的寬度和高度選取16個(gè)圓，并確保16個(gè)圓在前景太陽(yáng)電池片上，如圖3所示。根據(jù)圖像的大小進(jìn)行設(shè)定，文中實(shí)驗(yàn)圖像像素大小為204×204，圓數(shù)量越多可能代表性越強(qiáng)，但隨著圓個(gè)數(shù)的增加，算法的執(zhí)行時(shí)間變長(zhǎng)。為提高算法的執(zhí)行效率，當(dāng)圖像很大時(shí)，可將圖像進(jìn)行分塊處理。

3）計(jì)算該圓上像素值的中值作為特征。之所以選擇中值，目的是在一定程度上避免太陽(yáng)電池片圖像上柵線對(duì)特征的影響。實(shí)驗(yàn)證明，在光照條件相對(duì)穩(wěn)定的情況下，204×204像素大小的圖像選擇16個(gè)圓可以滿足太陽(yáng)電池片分選的要求。

圖3　16個(gè)圓的選擇

2.1.2第二種特征提取方式

1）將原始圖像進(jìn)行不同類(lèi)別分類(lèi)后，將其組合為一幅大圖，大圖中包含不同的種類(lèi)，如圖4所示。

圖4　不同顏色太陽(yáng)電池片圖像

2）將組合的大圖進(jìn)行RGB顏色空間分解。

3）將圖像由RGB顏色空間轉(zhuǎn)換到HSI顏色空間。

4）由于太陽(yáng)電池片基本都是藍(lán)色，如果將色調(diào)H作為特征，其可區(qū)分性太差，不能作為太陽(yáng)電池片的代表，所以將HSI三通道圖像轉(zhuǎn)換SI二通道圖像，將SI作為圖像唯一性的表征。

2.2算法流程

首先對(duì)類(lèi)別已知的樣本進(jìn)行訓(xùn)練，然后根據(jù)訓(xùn)練好的分類(lèi)器對(duì)待檢測(cè)圖像進(jìn)行歸類(lèi)。其中，訓(xùn)練過(guò)程如圖5所示，可以將訓(xùn)練過(guò)程理解為一種在輸入X和輸出Y均已知的情況下確定函數(shù)Y=f（X）具體形式的函數(shù)擬合過(guò)程。識(shí)別過(guò)程如圖6所示，可以將其理解為將類(lèi)別未知的模式X作為函數(shù)f的輸入，從而計(jì)算出Y值的過(guò)程。

圖6　識(shí)別過(guò)程

本文從兩個(gè)不同的方向給出特征提取的方式，特征提取應(yīng)遵循類(lèi)內(nèi)相似性和類(lèi)間可區(qū)分性；然后將提取到的樣本特征加入到創(chuàng)建的高斯混合模型中進(jìn)行訓(xùn)練；通過(guò)對(duì)大量已知樣本的訓(xùn)練，便可生成具有針對(duì)該類(lèi)事物的分類(lèi)器。可利用訓(xùn)練好的分類(lèi)器將待檢測(cè)太陽(yáng)電池片歸到合適的分類(lèi)中。

3　實(shí)驗(yàn)驗(yàn)證與分析

3.1實(shí)驗(yàn)驗(yàn)證

3.1.1實(shí)驗(yàn)一

將不同類(lèi)別的圖像分為7類(lèi)，將原始空間轉(zhuǎn)換到SI空間，然后對(duì)圖像進(jìn)行訓(xùn)練，最后對(duì)待檢測(cè)圖像進(jìn)行分類(lèi)。

由表1可知，有些分類(lèi)結(jié)果很接近。主要原因?yàn)椋?）雖然圖像的大小一致，但圖像中太陽(yáng)電池片的大小不一致，如圖7所示，太陽(yáng)電池片自身大小的不同導(dǎo)致最終面積的匹配大小可能存在偏差；2）采集到的圖像打光方案不是很理想，導(dǎo)致圖像自身都比較接近。注意：面積從左到右為39059、37601、37006、37990、38411、38939、37600，單位為像素。

圖7　圖像中太陽(yáng)電池片的定位

3.1.2實(shí)驗(yàn)二

該方法是將拍攝到的圖像進(jìn)行RGB顏色分解，在B通道中，在前景圖像（太陽(yáng)電池片圖像）上根據(jù)圖像的高度和寬度畫(huà)指定半徑的圓，然后計(jì)算圓上像素點(diǎn)的中值作為特征進(jìn)行高斯混合模型訓(xùn)練，選擇中值的原因是防止太陽(yáng)電池片柵線對(duì)顏色的影響。

實(shí)驗(yàn)中使用的圖像大小為204×204像素，圓的選擇如圖3所示。每次從16個(gè)圓中將8個(gè)圓作為一組，如圖8所示。其中，粉色部分是第一組的8個(gè)圓，黃色部分是第二組的8個(gè)圓，白色部分是第三組的8個(gè)圓。這里圓組的選擇方式是橫向選擇，當(dāng)然也可以縱向選擇三組8個(gè)圓。

圖8　16個(gè)圓中8個(gè)圓的選擇方式

根據(jù)不同的組合，模擬不同的樣本進(jìn)行訓(xùn)練。檢測(cè)階段，選擇16個(gè)圓中8個(gè)圓不同組成，選擇方式如上所述。為了進(jìn)一步確保分類(lèi)的準(zhǔn)確性，對(duì)3組（4行3組）8個(gè)圓使用少數(shù)服從多數(shù)的原則進(jìn)行顏色歸類(lèi)，即保證3組中有兩組以上分類(lèi)成功。

實(shí)驗(yàn)結(jié)果表明，如果單純使用一組8個(gè)圓可能會(huì)導(dǎo)致分類(lèi)結(jié)果出錯(cuò)。但加上對(duì)3組8個(gè)圓使用少數(shù)服從多數(shù)的原則，誤檢率明顯降低。

在圖像增大時(shí)，需要選擇更多的圓進(jìn)行訓(xùn)練，或?qū)D像分割為不同的小塊，在不同的小塊中使用上述方法，并增加進(jìn)行識(shí)別的組進(jìn)行檢測(cè)。

3.2實(shí)驗(yàn)環(huán)境要求

實(shí)驗(yàn)中對(duì)檢測(cè)圖像在同一環(huán)境中進(jìn)行拍攝，位置要求：

1）檢測(cè)過(guò)程中需要將太陽(yáng)電池片的圖像相對(duì)固定，不能存在較大角度，如圖9所示，其中圖像以白色作為背景，太陽(yáng)電池片為藍(lán)色區(qū)域。

圖9　太陽(yáng)電池片在圖像中的位置

2）由于分類(lèi)器是事先訓(xùn)練好的，對(duì)環(huán)境的要求比較嚴(yán)格，最好是在暗室中，光照條件基本穩(wěn)定。如果環(huán)境不穩(wěn)定的話就要重新訓(xùn)練分類(lèi)器。

3.3實(shí)驗(yàn)結(jié)論

通過(guò)實(shí)驗(yàn)一和實(shí)驗(yàn)二，并對(duì)其檢測(cè)結(jié)果進(jìn)行分析，同一相機(jī)下拍攝到的像素大小為204×204不同顏色的太陽(yáng)電池片圖像，兩個(gè)實(shí)驗(yàn)都是通過(guò)對(duì)大量樣本進(jìn)行學(xué)習(xí)、訓(xùn)練，可將太陽(yáng)電池片很好的歸類(lèi)，與預(yù)期分類(lèi)結(jié)果一致。如圖10所示，將下面的圖像準(zhǔn)確的分類(lèi)為淺淺藍(lán)、淺藍(lán)、藍(lán)、深藍(lán)、深深藍(lán)、亮片和跳色。

圖10　太陽(yáng)電池片分類(lèi)結(jié)果

4　結(jié)論

實(shí)驗(yàn)中給出太陽(yáng)電池片分選的指導(dǎo)思想和方向，暫時(shí)將太陽(yáng)電池片顏色分為7檔，可以根據(jù)要求訓(xùn)練已知類(lèi)別的樣本，實(shí)現(xiàn)更多不同檔位太陽(yáng)電池片的分選。即針對(duì)不同大小的圖像，在實(shí)驗(yàn)二的方法中可以選擇不同個(gè)數(shù)的圓，選擇不同個(gè)數(shù)的組進(jìn)行分類(lèi)，具體的個(gè)數(shù)可以對(duì)已知樣本的大量訓(xùn)練和分類(lèi)得到。另外，實(shí)驗(yàn)中選擇HSI顏色空間和圓上像素值的中值作為特征進(jìn)行分類(lèi)器的訓(xùn)練，只有能夠很好地區(qū)分不同顏色的太陽(yáng)電池片，可以選擇其他太陽(yáng)電池片的特征作為高斯混合模型的訓(xùn)練特征。

［1］顧明， 鄭林濤， 尤鄭. 基于顏色空間轉(zhuǎn)換的交通圖像增強(qiáng)算法［J］. 儀器儀表學(xué)報(bào)， 2015， （8）: 1901-1902.

［2］邢岳，陳華秀，李偉越，等. 基于HSI顏色空間的交通標(biāo)志圖像分割算法研究［J］. 中國(guó)高新技術(shù)企業(yè)， 2014， （8）: 93-94.

［3］ 鄭小東， 高潔， 張曉煜. 基于顏色空間轉(zhuǎn)換的混合豆類(lèi)分類(lèi)識(shí)別［J］. 中國(guó)糧油學(xué)報(bào)， 2015， （4）: 103-104.

［4］朱峰， 羅立民， 宋余慶， 等. 基于自適應(yīng)空間鄰域信息高斯混合模型的圖像分割［J］. 計(jì)算機(jī)研究與發(fā)展， 2011， （11）: 2001-2003.

［5］宋余慶， 謝月華， 朱玉全， 等. 基于近似密度函數(shù)的醫(yī)學(xué)圖像聚類(lèi)分析研究［J］. 計(jì)算機(jī)研究與發(fā)展， 2006， （11）: 1947-1952.

2016-01-13

封小云（1987—），男，碩士、軟件工程師，主要從事圖像處理和機(jī)器視覺(jué)方面的研究。fxy@gsola.cn