胡小慧, 江 虹， 郭秋梅

(西南科技大學(xué) 信息工程學(xué)院,四川 綿陽， 621010)

基于圖像分割的筷子瑕疵檢測(cè)研究

胡小慧, 江 虹， 郭秋梅

(西南科技大學(xué) 信息工程學(xué)院,四川 綿陽， 621010)

針對(duì)筷子瑕疵人工檢測(cè)存在效率低、成本高、工作環(huán)境惡劣等缺點(diǎn),提出了一種基于圖像分割的筷子瑕疵檢測(cè)研究分析方法。該方法采用圖像采集設(shè)備獲取筷子圖像，利用圖像處理技術(shù)對(duì)筷子圖像進(jìn)行增強(qiáng)、邊緣檢測(cè)及圖像分割,獲取筷子圖像的RGB數(shù)據(jù);對(duì)RGB三通道所占百分比及百分比方差進(jìn)行統(tǒng)計(jì)分析。實(shí)驗(yàn)結(jié)果表明，該方法能有效地將目標(biāo)筷子的彩色圖像與筷子的背景圖像分離，得到準(zhǔn)確的筷子RGB數(shù)據(jù)，數(shù)據(jù)分析結(jié)果對(duì)筷子瑕疵檢測(cè)有很大的參考價(jià)值。

筷子瑕疵；邊緣檢測(cè)；圖像增強(qiáng)；圖像分割

0 引言

目前，我國筷子生產(chǎn)行業(yè)仍應(yīng)用人工目檢的方法挑選筷子，而人工檢測(cè)效率低、成本高且環(huán)境比較惡劣，隨著生產(chǎn)速度的提高以及越來越嚴(yán)格的質(zhì)量要求，傳統(tǒng)人工瑕疵檢測(cè)的方法已不能保質(zhì)保量地完成生產(chǎn)任務(wù)。近年來，采用圖像處理技術(shù)對(duì)產(chǎn)品進(jìn)行瑕疵檢測(cè)已有相關(guān)的研究，如陳文達(dá)[1]利用圖像處理及模式識(shí)別等技術(shù)對(duì)金屬表面瑕疵進(jìn)行了分析研究；王明景[2]實(shí)現(xiàn)了圖案布匹瑕疵的在線實(shí)時(shí)檢測(cè)；林如意[3]利用圖像紋理等分析方法檢測(cè)紡織品瑕疵；KUO C F J等人[4]在織物圖像中利用灰度共生矩陣提取相異性、能量、對(duì)比度等特征向量，使用圖像分析技術(shù)對(duì)織物瑕疵進(jìn)行檢測(cè)和分類?；趫D像處理技術(shù)的瑕疵檢測(cè)研究歷經(jīng)多年，得到了飛速的發(fā)展，一些成熟的機(jī)器視覺系統(tǒng)已應(yīng)用在現(xiàn)代化生產(chǎn)線上。有關(guān)筷子瑕疵檢測(cè)類的國內(nèi)外文獻(xiàn)，目前尚鮮見報(bào)道。

對(duì)此本文提出基于圖像分割的筷子瑕疵分析檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明，該方法能有效地對(duì)筷子圖像進(jìn)行預(yù)處理，分割得到可靠的彩色筷子圖像，實(shí)現(xiàn)對(duì)筷子圖像RGB值的統(tǒng)計(jì)分析。

1 筷子瑕疵分類

由于原材料以及加工過程中的問題，筷子的瑕疵類型主要包括：青皮、色斑、燒焦。本文主要針對(duì)這三種瑕疵進(jìn)行處理分析。

2 邊緣檢測(cè)及圖像分割

小波變換具有良好的局部性與多尺度性，可滿足在大尺度上排除噪聲的干擾，在小尺度上準(zhǔn)確定位邊緣，從而為圖像邊緣檢測(cè)提供高質(zhì)量的邊緣信息[5-6]。本文將小波變換與模糊C均值算法相結(jié)合，通過小波變換完成對(duì)筷子圖像邊緣的提取，利用邊緣信息對(duì)目標(biāo)筷子圖像進(jìn)行定位標(biāo)號(hào)實(shí)現(xiàn)初步分割，再使用模糊C均值(FCM)方法完成對(duì)筷子圖像的分割。

利用小波變換算法對(duì)筷子邊緣檢測(cè)步驟如下：

(2)求出小波變換系數(shù)的模值：

(1)

(3)求出小波變換系數(shù)的幅角：

(2)

(4)求出局部極大值；

(5)依次檢驗(yàn)每個(gè)像素點(diǎn)，確認(rèn)其在對(duì)應(yīng)的幅角最接近的方向上是否是極大值，如果是，記錄該梯度，否則將梯度值置0；

(6)對(duì)獲得的可能的邊緣圖像進(jìn)行閾值分割，選取閾值μ，所有模極大值小于μ的像素的模值都置為0；

(7)輸出邊緣檢測(cè)圖像。

FCM算法的核心思想是找到使得模糊聚類的目標(biāo)函數(shù)最小的隸屬度和聚類中心，表達(dá)式為：

(3)

X={x1,x2,...,xn}為圖像像素的特征值，V={v1,v2,...,vn}為區(qū)域的聚類中心，u={uik}cn是隸屬度矩陣。uik表示xi隸屬于第k類區(qū)域的隸屬度，m為權(quán)重指數(shù)，它決定分類結(jié)果的模糊程度。利用拉格朗日乘子求得隸屬度和聚類中心的迭代更新公式如下：

(4)

(5)

圖1 小波邊緣檢測(cè)結(jié)果

圖2 多雙筷子圖像分割結(jié)果

使用小波變換對(duì)筷子進(jìn)行邊緣檢測(cè)，檢測(cè)結(jié)果如圖1所示。其中圖1(a)為筷子原圖；圖 (b)為使用小波邊緣檢測(cè)的結(jié)果；圖 (c)為利用筷子邊緣信息對(duì)圖像中的筷子進(jìn)行定位標(biāo)號(hào)粗分割結(jié)果。

利用FCM算法即式(3)實(shí)現(xiàn)對(duì)目標(biāo)筷子與背景圖像的完整分割，其中取m權(quán)重指數(shù)為2。對(duì)多雙筷子進(jìn)行分割，其結(jié)果如圖2所示。其中圖2(a)為使用傳統(tǒng)的基于邊緣圖像分割方法的分割結(jié)果；圖2(b)為本文圖像分割方法的最終分割結(jié)果。

從圖2(a)中可以看出：基于邊緣的圖像分割方法對(duì)目標(biāo)筷子圖像進(jìn)行分割得到的筷子圖像中，筷子頂部尖端、筷子中間及邊緣有殘余的背景存在，且部分筷子存在過分割情況，整體分割效果不理想；本文將小波變換與FCM算法相結(jié)合，對(duì)筷子圖像進(jìn)行分割如圖2(b)所示，實(shí)現(xiàn)了對(duì)目標(biāo)筷子與背景的有效分割，分割效果優(yōu)于傳統(tǒng)的基于邊緣的圖像分割方法。

3 實(shí)驗(yàn)數(shù)據(jù)分析結(jié)果

3.1 單雙筷子數(shù)據(jù)統(tǒng)計(jì)分析情況

實(shí)驗(yàn)采用MATLAB2013編程實(shí)現(xiàn)，利用本文的圖像分割方法對(duì)單雙筷子圖像進(jìn)行分割，如圖3所示。其中圖3(a)為原始圖像；圖3(b)為使用小波邊緣檢測(cè)后基于邊緣圖像分割方法的分割結(jié)果；圖3(c)為使用本文分割方法的分割結(jié)果。

圖3 單雙筷子圖像分割結(jié)果

分別提取圖3(b)、圖3(c)分割結(jié)果的R、G、B值，將獲取得到的R、G、B值分為35段，統(tǒng)計(jì)每段數(shù)據(jù)的R、G、B三個(gè)通道所占百分比，如圖4所示。其中圖4(a)、圖4(c)為圖3(b)、圖3(c)分割結(jié)果的R、G、B值被分為35段后每段每個(gè)通道所占百分比統(tǒng)計(jì)結(jié)果。圖4(b)、圖4(d)是根據(jù)圖4(a)、圖4(c)的R、G、B三個(gè)通道所占百分比統(tǒng)計(jì)結(jié)果曲線統(tǒng)計(jì)得到的百分比曲線的方差結(jié)果。其中4幅圖中實(shí)線為本文分割方法得到的筷子RGB數(shù)據(jù)統(tǒng)計(jì)分布結(jié)果，虛線為基于邊緣圖像分割方法得到的筷子RGB數(shù)據(jù)統(tǒng)計(jì)分布結(jié)果。

分別使用基于邊緣圖像分割方法和本文分割方法對(duì)10雙標(biāo)準(zhǔn)筷子進(jìn)行圖像分割，統(tǒng)計(jì)RGB三通道所占百分比的均值及百分比均方差，如表1所示。

實(shí)驗(yàn)結(jié)果證明：

(1)如圖3所示，基于邊緣的圖像分割方法無法將目標(biāo)筷子與背景完全分離，在筷子尖端及邊緣存在殘留背景，且存在過分割現(xiàn)象；而使用本文圖像分割方法，有效地將目標(biāo)筷子及背景分離，且能完好地分割出筷子彩色圖像。

表1 RGB所占百分比均值及均方差統(tǒng)計(jì)

圖4 統(tǒng)計(jì)結(jié)果

(2)被分割的筷子為標(biāo)準(zhǔn)筷子不含瑕疵，該類筷子正確的數(shù)據(jù)分布情況是三個(gè)通道百分比方及百分比方差平穩(wěn)分布，如圖4(a)、圖4(c)所示，使用本文分割方法得到的標(biāo)準(zhǔn)筷子RGB值的百分比平穩(wěn)分布，而使用基于邊緣分割方法得到的R、G、B值的百分比分布則波動(dòng)較大；對(duì)圖4(a)、圖4(c)的百分比曲線進(jìn)行方差統(tǒng)計(jì)如圖4(b)、圖4(d)所示，使用本文圖像分割方法得到的百分比方差數(shù)據(jù)分布情況相對(duì)于使用基于邊緣的圖像分割方法得到的數(shù)據(jù)分布更平穩(wěn)，即本文分割方法得到的數(shù)據(jù)更接近真實(shí)筷子數(shù)據(jù)分布情況。

(3)如表1所示，分別使用基于邊緣圖像分割和本文分割方法對(duì)10雙標(biāo)準(zhǔn)筷子進(jìn)行圖像分割，統(tǒng)計(jì)RGB三通道所占百分比的均值及百分比均方差，基于邊緣圖像分割方法統(tǒng)計(jì)得到的RGB三通道百分比均方差相對(duì)于本文分割方法得到的百分比均方差高出約60倍(R通道)、18倍(G通道)、30倍(B通道)，即本文分割方法得到的數(shù)據(jù)相對(duì)基于邊緣圖像分割方法統(tǒng)計(jì)得到的數(shù)據(jù)更穩(wěn)定、準(zhǔn)確。

3.2 瑕疵筷子數(shù)據(jù)統(tǒng)計(jì)分析情況

對(duì)標(biāo)準(zhǔn)筷子、青皮筷子、色斑筷子、燒焦筷子的RGB值進(jìn)行統(tǒng)計(jì)分析，統(tǒng)計(jì)結(jié)果如圖5所示，其中圖(a) 、(b)、(c) 、(d)分別是標(biāo)準(zhǔn)筷子、青皮筷子、色斑筷子、燒焦筷子的每個(gè)通道所占百分比及百分比方差統(tǒng)計(jì)結(jié)果。每幅圖由兩部分組成：(1) 每個(gè)通道所占百分比數(shù)據(jù)統(tǒng)計(jì)分布情況；(2) 根據(jù)每個(gè)通道百分比曲線統(tǒng)計(jì)得到百分比方差數(shù)據(jù)統(tǒng)計(jì)分布情況。

表2統(tǒng)計(jì)20雙標(biāo)準(zhǔn)筷子、6雙青皮筷子、7雙色斑筷子、3雙燒焦筷子的RGB三通道所占百分比分布范圍、百分比均值及百分比均方差。

表3統(tǒng)計(jì)了三類瑕疵筷子分別與標(biāo)準(zhǔn)筷子的百分比均值、百分比均方差的對(duì)比情況。

3.3 實(shí)驗(yàn)數(shù)據(jù)分析結(jié)果

表2 標(biāo)準(zhǔn)筷子與瑕疵筷子各通道所占百分比均值分布范圍

圖5 百分比方差統(tǒng)計(jì)結(jié)果

根據(jù)圖5可知，三類瑕疵筷子的RGB值的百分比方差曲線相對(duì)標(biāo)準(zhǔn)筷子的RGB數(shù)據(jù)分布曲線波動(dòng)大；根據(jù)表2可知，瑕疵筷子R通道、B通道所占百分比數(shù)據(jù)分布范圍最小值與最大值跨度值≥0.05,而標(biāo)準(zhǔn)筷子數(shù)據(jù)分布范圍最小與最大值的跨度值≤0.03，即再次證明瑕疵筷子的百分比數(shù)據(jù)波動(dòng)大；根據(jù)表3可知，在R通道、B通道，瑕疵筷子相對(duì)標(biāo)準(zhǔn)筷子百分比均值的差值均較大，且瑕疵筷子的百分比均方差遠(yuǎn)高于標(biāo)準(zhǔn)筷子的百分比方差。由以上實(shí)驗(yàn)結(jié)果可知，瑕疵類筷子的RGB三通道所占百分比、百分比方差與標(biāo)準(zhǔn)筷子存在較大差異，根據(jù)這些差異可對(duì)瑕疵筷子進(jìn)行篩選。

4 結(jié)論

本文通過對(duì)筷子圖像前期預(yù)處理，實(shí)現(xiàn)了對(duì)目標(biāo)筷子圖像的有效分割，完成了對(duì)筷子圖像RGB三通道百分比及百分比方差統(tǒng)計(jì)分析，得出以下結(jié)論：瑕疵筷子RGB三通道所占百分比及百分比方差數(shù)據(jù)分布相對(duì)于標(biāo)準(zhǔn)筷子數(shù)據(jù)分布波動(dòng)大，且瑕疵筷子RGB三通道所占百分比在有瑕疵的位置，其數(shù)據(jù)超出正常數(shù)據(jù)分布范圍。在篩選筷子時(shí)可通過檢測(cè)RGB所占百分比及百分比方差數(shù)據(jù)波動(dòng)情況及數(shù)據(jù)分布范圍來檢測(cè)瑕疵筷子。

[1] 陳文達(dá). 金屬工件表面瑕疵檢測(cè)技術(shù)的研究與開發(fā)[D]. 無錫：江南大學(xué)， 2013.

[2] 王明景,白瑞林,何薇，等.圖案布匹瑕疵的在線視

覺檢測(cè)[J].光電工程,2014(6):19-26.

表3 瑕疵筷子與標(biāo)準(zhǔn)筷子數(shù)據(jù)對(duì)比結(jié)果

[3] 林如意. 基于圖像處理技術(shù)的紡織品瑕疵檢測(cè)方法[D].杭州：杭州電子科技大學(xué)，2013.

[4] KUO C F J，LEE C J.A back-propagation neural network for recognizing fabric defects[J].Textile Research Journal,2003,73(02):147-151.

[5] 邢尚英. 基于小波變換的圖像邊緣檢測(cè)[D].成都：成都理工大學(xué)， 2013.

[6] 范艷軍, 吳曉紅, 羅代升. 一種改進(jìn)的基于小波變換的圖像邊緣檢測(cè)算法[J]. 四川大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012,49(6):1265-1267.

Detection of chopsticks defects research based on image segmentation

Hu Xiaohui, Jiang Hong，Guo Qiumei

(College of Information Engineering, Southwest University of Science and Technology, Mianyang 621010, China)

Artificial chopstick defects detection have some problems such as low efficiency, high cost, poor working conditions , etc .The method of detecting chopstick defects based on image segmentation is put forward in this paper. Firstly, using the image acquisition device to accumulate chopsticks image. Then, this paper applies the image processing technology of image enhancement ,edge detection and image segmentation to deal with the chopsticks images. With those technologies , we get the RGB data of chopsticks image and realize the statistical analysis of RGB percentage and the percentage of variance values. The experimental results show that the method of this paper can effectively separate target chopsticks and background image, and can get the exact chopsticks` RGB data, and the data analysis results for chopsticks defects detection have great reference value.

chopsticks defects; image enhancement; edge detection; image segmentation

TN06

A

1674-7720(2016)02-0039-04

胡小慧,江虹，郭秋梅. 基于圖像分割的筷子瑕疵檢測(cè)研究[J] .微型機(jī)與應(yīng)用，2016,35(2)：39-42,46.

2015-09-26)

胡小慧(1990-)，女，碩士研究生，主要研究方向：圖像處理。

江虹(1969-)，男，教授，碩士生導(dǎo)師，主要研究方向：認(rèn)知無線電智能學(xué)習(xí)技術(shù)，網(wǎng)絡(luò)化測(cè)控技術(shù)。

郭秋梅(1987-)，女，碩士，主要研究方向：圖像處理。