基于机器视觉技术的棉花含杂率检测方法

基于机器视觉技术的棉花含杂率检测方法

0原棉杂质检测棉花是中国的重要作物。棉纺行业对经济和人民生活也有很大的影响。在棉花的采摘、运输、收购和加工的过程中,非常容易混进杂质。这些杂质如果不进行处理,会影响到原棉品质,不仅对棉纺织生产过程不利,而且会降低棉纺织物的质量。因此,原棉杂质含量的快速检测对于原棉质量等级判定至关重要。随着计算机技术及光电检测技术的发展,出现了各种原棉异物检测和剔除的方法。国内外学者从棉花杂质物理和成分官能团光谱特征入手,应用可见光机器视觉、红外波段光谱图像和断层X光摄影等检测技术,采用数字图像处理和化学计量学分析方法,识别分类原棉杂质。在棉花杂质检测系统中,基于生产成本的考虑一般采用高频荧光灯作为光源,这种光源的特点是具有一定范围的波动性,同时其光照强度随工作时间增长而逐渐衰减。由于光源的波动特性以及工业条件下成像过程中存在的阴影、光线反射和吸收等各种干扰,即使是纯白色的棉花其成像结果也可能出现明暗不均匀。在这种光照条件下单纯使用图像灰度特征不能保证对所有检测样本的精确检测。本文提出一种在工业实际应用中切实可行的棉花杂质检测方法。采用机器视觉技术,通过分析原棉彩色图像信息,获取RGB图像各个通道灰度图像,采用Gamma校正方法使图像光照均匀,利用3个通道图像融合后高对比度的杂质图像,最后实现原棉杂质快速准确检测。此方法与其它方法相比,具有识别速度快、操作简便、识别效果好、对光照条件更具有鲁棒性等特点。1生成条件cuRGB颜色模型是基于笛卡尔坐标系统,3个轴分别为R、G、B三基色,如图1所示。原点对应黑色,离原点最远的顶点对应白色。从黑到白的灰度值分别在从原点到离原点最远的顶点的连线上,而立方体内其余各点对应不同的颜色。因RGB颜色模型容易在硬件上实现,是一种面向硬件设备的模型,因此也称为机器颜色模型。对于任何颜色C都可通过改变三基色的数量混合得出。其表达式为:棉花杂质检测算法具体处理步骤为:(1)分析原棉彩色图像信息,获取RGB图像各个通道灰度图像;(2)对3个通道图像进行直方图调整、Gamma校正及去噪声等预处理;(3)在图像灰度均值领域内使用Otsu法得到图像背景的初始分割结果,对分割的图像采用形态学滤波算法进行滤波;(4)把3个通道处理的图像进行融合,提取图像的灰度特征和纹理特征从而检测出杂质。2原棉彩色图像预处理随机抽取一定质量的原棉样品,经机器拉扯成厚度5mm左右的原棉薄层。图2为数码相机(GCI-070103大恒新纪元科技股份有限公司)采集的含有杂质的原棉样品的彩色图像,从图中可以看出原棉中含有棉梗、树叶、棉籽等杂质。由于光电转换过程中CMOS灵敏度的不均匀性、数字化过程的量化噪声以及传输过程的信道误差等原因,原始图像存在一定程度的噪声干扰。噪声恶化了图像质量,给后期分析带来困难,因此需要对原始图像进行灰度校正、噪声过滤等图像预处理。本文的彩色图像预处理方式如图3所示。为了充分利用原棉彩色图像中的信息,首先提取出图像3个通道的信息,得到3个通道的灰度图像再分别进行处理。3个通道图像提取显示结果如图4所示。从原棉彩色图像各通道提取结果可以看出,R通道图像中树叶与背景灰度差别很大,而棉籽差别较小,G通道和B通道图像中棉梗和棉籽与背景灰度差异很大。通过在不同通道图像中设置阈值可以很方便地识别出树叶、棉梗、棉籽这些杂质。3个通道的图像预处理过程大体相同,本文只以其中B通道为例说明图像预处理过程。图5为原棉B通道直方图,图中有两个峰值,灰度级50附近的峰值是图像较暗区域的杂质的灰度级,为后期的图像分割阈值设定提供依据。在现场检测中,图像采集系统中的光源一般采用白炽灯或荧光灯。由于电压频率等因素经常出现光源不稳定的现象,从而导致原棉的图像出现光照不匀,因此必需对光照进行矫正。本系统采用Gamma校正函数来减小图像光照不均匀。经过实验对比,Gamma校正参数为0.8,光照校正及滤波后的图像如图6所示。3最大类间方差法t棉花待检测图像由3个区域构成:图像背景、以棉花为主的图像前景、前景与背景的交界区域。本文采用最大类间方差法(Otsu)对图像区域进行精确分割。把直方图在某一阈值处分割成两组,当被分成的两组间方差为最大时决定阈值。设一幅图像的灰度值为1~m级,灰度值i的像素数为ni,得到:像素总数为:各灰度值的概率为:然后用T将其分成两组C0={1~T}和C1={T+1~m},各组产生的概率如下:C0产生的概率为:C1产生的概率为:C0的平均值为:C1的平均值为:两组间的方差可用下式求出:从1~m改变T,求式(9)为最大值时的T,T*为阈值。δ2(T)为阈值选择函数。图7为采用最大类间方差法处理的结果。原棉中的树叶、棉梗、棉籽这些杂质被基于灰度特征使用阈值检测的算法检测出来了。形态学滤波算法包括形态开运算滤波和形态闭运算滤波。形态开运算滤波用于消除与结构元素相比尺寸较小的亮细节,而保持图像整体灰度值和大的亮区域基本不受影响;图8为B通道图像经过形态学处理的结果,去除了大部分噪声,图片质量得到很大的提高,为接下来的信息提取做好准备。4测试系统的改进为了验证杂质检测算法的效果,针对现场拍摄的棉花图片做了验证试验。图9为3个通道融合信息图像。图像中树叶、棉梗、棉籽这些杂质能够正确检出,同时棉籽也能有效识别,可以看出本文算法可以有效检出多种类型杂质。误检率和漏检率可以衡量检测系统检测的精度和准确性,误检率越低意味着被剔除的正常棉花越少,漏检率越低意味着杂质不能被成功检出的概率越小。本实验采集多个品种棉花样品,测试图片中包含了常见的树叶、棉梗、棉籽这些杂质。本次试验的误检率为5%。5原棉彩色图像信息本文提出一种在工业实际应用中切实可行的棉花杂质检测方法。采用机器视觉技术,通过分析