一种基于HSI颜色空间的棉花杂质高速实时检测方法

摘要

本发明一种基于色调、饱和度、灰度HSI颜色空间的棉花杂质高速实时检测方法：对采集棉花图像信息进行图像格式转换，获得HSI图像并进行操作判别学习训练过程和杂质检测过程；对棉花图像信息和背景图像信息进行联合自学习；对棉花杂质信息进行识别，输出棉花真正杂质点定位结果。采用三维查找表3D－LUT技术，快速获得HSI图像；利用自学习过程获得的参数进行杂质的识别，并且利用彩色运动补偿技术，对杂质点进行再次认证。本发明可以在10ms内完成80线棉流图像的采集、图像格式转换、杂质的检测和定位等全部过程。在棉流速度18m/s，杂质大小为2×2mm2的情况下，杂质识别正确率可达到95.4％。

说明书

技术领域

本发明属于机器视觉系统技术领域，特别是涉及棉花杂质自动分拣实时检测方法。

背景技术

棉花在采摘、运输和加工等过程中经常混入一些杂质，这些混入的杂质不但影响棉花的价格，而且严重影响棉花的后续加工质量。为了确保棉花的质量，棉纺织企业主要采用人工分拣的方法来剔除杂质。人工分拣不仅劳动力强，效率低，而且由于受人为主观因素影响较大，分拣效果不易控制。

近年来，因机器视觉系统可以快速地获取和处理大量的信息，被人们广泛地应用于工况监视、成品检测和质量控制等各个领域。国内外研究人员也将机器视觉技术应用到棉花杂质检测领域，取得了一定的进展。在工业实际应用中，棉花杂质的检测速度则是制约该种解决方案能否在工业中得以应用的首要因素。目前的检测方法中，一部分是针对面阵相机采集的图像进行识别。使用面阵相机采集图像，对于棉花本身的运动速度有严格的限制，否则就会造成严重的运动模糊，从而无法进行杂质识别。而对于另外一些针对线阵相机采集的图像进行识别的方法，由于算法本身处理速度的限制，而不得不降低线阵相机的采集速度，也将导致图像分辨率的下降，不利于杂质的检测。因此，高速实时地棉花杂质检测方法对于棉花质量的控制具有非常重要的意义。

发明内容

为了解决现有技术采集图像受算法处理速度限制，采用降低采集图像速度的技术方案，使图像分辨率下降，对棉花杂质检测的质量降低的问题，本发明旨在提高棉花杂质检测质量，为此，本发明提供一种可在实际工业应用中、基于色调、饱和度、灰度HSI颜色空间的棉花杂质高速实时检测方法。

为了实现上述目的，本发明提供基于HSI颜色空间的棉花杂质高速实时检测方法，其解决问题的技术方案包括步骤如下：

步骤S1：采集棉花图像信息；

步骤S2：对采集棉花图像信息进行图像格式转换，获得HSI图像；

步骤S3：对HSI图像进行操作判别，如果为学习训练过程，则执行步骤4，如果为杂质检测过程，则执行步骤5；

步骤S4：对棉花图像信息和背景图像信息进行联合自学习；

步骤S5：对棉花杂质信息进行识别，输出棉花真正杂质点定位结果。

根据本发明的实施例，所述图像格式转换的步骤如下所述：

步骤21：建立两个24位的三维RGB查找表；

步骤22：利用两个24位的三维RGB查找表将相机采集的RGB图像转换成HSI图像。

根据本发明的实施例，所述两个24位的三维RGB查找表是一动态存储内存，动态存储内存的地址分别对应红、绿、蓝系数分量；该地址中的数据，分别为对应红、绿、蓝系数分量的色调H和饱和度S值。

根据本发明的实施例，所述棉花图像和背景图像联合自学习步骤如下：

步骤41：选择合适的背景颜色，使得该背景图像颜色在色调H和饱和度S空间特征上与棉花图像保持相似性；

步骤42：按棉花和背景图像列进行自学习，分别获得棉花和背景图像每一列的色调H和饱和度S的均值和协方差矩阵参数。

根据本发明的实施例，所述棉花杂质识别步骤如下：

步骤51：根据背景图像的均值和协方差矩阵，计算待检测的棉花图像信息每一个像素点与背景图像在色调H-饱和度S空间的距离，如果该距离大于阈值，则认为该棉花图像信息中的像素点为候选杂质点；

步骤52：利用彩色运动补偿技术，确认棉花图像信息中的候选杂质点是否为棉花图像信息的真正的杂质点，如果是棉花图像信息真正的杂质点，则执行步骤53，如果不是棉花图像信息真正的杂质点，则放弃执行步骤；

步骤53：将识别棉花图像信息的真正杂质点结果输出。

根据本发明的实施例，所述彩色运动补偿技术是将棉花图像信息的候选杂质点的红、绿、蓝三个系数与其列方向上的相邻像素的红、绿、蓝三个系数重新计算组合，生成新像素点；对新像素点与背景图像在色调H-饱和度S空间的距离进行计算，如果该距离大于阈值，则认为该像素点为真正杂质点，如果该距离小于阈值，则认为该像素点为候选杂质点。

根据本发明的实施例，所述候选杂质点系数与其列方向上的相邻像素的系数重新计算组合步骤如下：设当前像素点的红、绿、蓝颜色分量为：R0，G0，B0；在列方向上，当前像素的前一个像素点的红、绿蓝、颜色分量为：R1，G1，B1，前两个像素点的红、绿、蓝颜色分量为：R2，G2，B2，后一个像素的红绿蓝颜色分量为：R3，G3，B3，后两个像素点的红绿蓝颜色分量为：R4，G4，B4；则重新组合后的像素点的红绿蓝颜色分量分别为：R2，G1，B0和R4，G3，B0，即用前两个像素点的红色分量，前一个像素点蓝色分量和当前像素点的蓝色分量重新组合成一个新的像素点的颜色值；用后两个像素点的红色分量，后一个像素点蓝色分量和当前像素点的蓝色分量重新组合成一个新的像素点的颜色值。

本发明的积极效果：本发明与现有技术的主要区别在于：现有技术主要基于RGB(红、蓝、绿)颜色空间进行棉花杂质检测；本发明则是基于HSI(色调、饱和度、灰度)颜色空间进行棉花杂质检测。现有技术主要基于边缘检测、区域检测等全局信息进行棉花杂质检测；本发明则是基于图像列信息等局部信息进行棉花杂质检测。

本发明提出方法的最大特点就是采用了三维查找表即3D-LUT技术，快速获得HSI图像的技术方案，解决图像采集分辨率下降，对棉花杂质检测的质量降低的问题；采用按图像列学习的局部信息，有效提高棉花杂质检测的精度；针对彩色相机机制，采用彩色运动补偿算法，有效降低棉花杂质检测的错误判别率。本发明算法的识别速度快，识别效果好，有效地解决了工业应用中，速度和识别率无法统一的难题。本发明可以在10ms内完成80线棉流图像的采集、图像格式转换、杂质的检测和定位等全部过程。在棉流速度18m/s，杂质大小为2×2mm²的情况下，杂质识别正确率可达到95.4％。

附图说明

图1基于HSI颜色空间的棉花杂质高速实时检测方法流程图

图2利用LUT技术图像格式转换示意图

具体实施方式

下面将结合附图对本发明加以详细说明，应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

利用高速CCD线扫描相机采集图像，采用3D-LUT技术，快速获得HSI图像；对棉花和背景图像进行自学习过程；利用自学习过程获得的参数进行杂质的识别，并且利用彩色运动补偿技术，对杂质点进行再次认证。

如图1，本发明基于HSI色调、饱和、灰度颜色空间的棉花杂质高速实时检测方法所示，该方法包括三大步骤：

第一步S1，采集棉花图像信息；

第二步S2，图像格式转换；

第三步S3，训练或检测的判别；

第四步S4，棉花图像和背景图像自学习；

第五步S5，棉花杂质识别。

下面对各个步骤进行具体的说明如下：

步骤S1，利用高速CCD线扫描相机采集棉花图像信息；本发明中采用的相机型号为BaslerL301kc，设定线扫描频率为8000线/秒，曝光时间为0.125毫秒。棉花在输棉通道内的飞行速度平均为18米/秒。

步骤S2，图像格式转换

首先，计算所有红、绿、蓝RGB分量所对应的色调H和饱和度S值。每一个红绿蓝RGB像素和对应的色调H分量可用下面的公式得到：

这里

$\theta =\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\}.$

饱和度S分量由下式计算得到：

$S=1-\frac{3}{R+G+B}\left[\min (R,G,B)\right].$

其次，建立两个24位的三维红、绿、蓝R、G、B查找表，三维查找表3D-LUT是一动态存储内存，动态存储内存的地址分别对应红、绿、蓝系数分量；该地址中的数据，分别为对应红、绿、蓝系数分量的色调H和饱和度S值。红、绿、蓝RGB分量作为该动态存储内存的输入地址，输出的色调H和饱和度S值分别为该地址所对应的数据。在VC.NET的编程环境下，可以用三维数组，如LUT[255][255][255]来建立三维查找表，该数组的每一维分别代表红、绿、蓝分量，三维数组内的数值则分别为红、绿、蓝分量对应的色调和饱和度值。

然后，利用这两个24位的三维红、绿、蓝查找表，将相机采集的棉花图像的红、绿、蓝分量作为地址分别输入查找表，从而获得该地址分别对应的色调和饱和度值。如图2，利用查找表LUT技术图像格式转换示意图所示。在VC.NET的编程环境下，用三维数组来建立三维查找表，则根据输入的红、绿、蓝分量即可定位三维数组的位置，该位置对应的数据即为色调和饱和度值。

步骤S3，对色调、饱和度、灰度HSI图像训练或检测过程的判别；

如果进行训练学习过程，执行步骤4；如果进行杂质判别过程，执行步骤5；

步骤S4：棉花和背景图像联合自学习过程

首先，利用相机拍摄棉花图像，计算棉花的色调和饱和度的均值。利用获得的棉花的色调和饱和度值制作背景，本发明使用的背景色调值为40，饱和度值为56。

然后，对棉花和背景图像进行联合自学习过程，按棉花和背景图像列进行自学习，分别计算获得棉花和背景图像每一列的色调H和饱和度S的均值μ和协方差矩阵∑参数。这里以第一列的计算值为例，计算出的色调均值为42，饱和度均值为52，协方差矩阵按行顺序的值依次为[3.9530，-4.61421，-4.6121，9.2993]；

步骤S5，棉花杂质识别

首先，利用自学习过程获得的参数进行杂质的识别，即根据步骤S4中得到的背景图像的均值μ和协方差矩阵∑，计算待检测的棉花图像信息中每一个像素点z与背景图像在H-S空间的距离，距离计算公式如下：

D(z)＝[(z-μ)^T∑^-1(z-μ)]^1/2。

如果该距离D大于阈值，这里为10，则认为该棉花像素点为棉花候选杂质点。需要说明的是，如果需要较高的杂质检测精度，则将该阈值调整为7，当然这样会使误检率有一些提高；

然后，利用彩色运动补偿技术对棉花候选杂质点进行再次认证，即确认棉花候选杂质点是否为真正的棉花杂质点；彩色运动补偿技术，将棉花候选杂质点的红、绿、蓝三系数与其列方向上的相邻像素的红、绿、蓝三系数重新组合后，再次计算新产生的像素点与背景图像在H-S空间的距离，如果该距离大于某个阈值(这里取阈值为10)，则认为该棉花像素点为棉花真正的杂质点。所述候选杂质点系数与其列方向上的相邻像素的系数重新计算组合步骤如下：

设当前像素点的红、绿、蓝颜色分量为：R0，G0，B0；在列方向上，当前像素的前一个像素点的红、绿蓝、颜色分量为：R1，G1，B1，前两个像素点的红、绿、蓝颜色分量为：R2，G2，B2，后一个像素的红绿蓝颜色分量为：R3，G3，B3，后两个像素点的红绿蓝颜色分量为：R4，G4，B4；则重新组合后的像素点的红绿蓝颜色分量分别为：R2，G1，B0和R4，G3，B0，即用前两个像素点的红色分量，前一个像素点蓝色分量和当前像素点的蓝色分量重新组合成一个新的像素点的颜色值；用后两个像素点的红色分量，后一个像素点蓝色分量和当前像素点的蓝色分量重新组合成一个新的像素点的颜色值。

最后，将识别的棉花真正杂质点定位结果输出。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。