物流分揀中破損快件的智能識(shí)別技術(shù)

陳 默

（華北科技學(xué)院，河北 廊坊 065201）

1 引言

物流配送中心按照顧客的訂單要求獲取配送計(jì)劃，快速、準(zhǔn)確地將商品從某儲(chǔ)位或其它區(qū)域采集出來(lái)，并依據(jù)一定的方式進(jìn)行分類、集中的作業(yè)過(guò)程。物流快件的分揀方式主要有訂單揀取、批量揀取以及復(fù)合揀取三種途徑。隨著社會(huì)的發(fā)展，人們對(duì)物料的供給量和需求量大幅度增加，傳統(tǒng)的人工或半自動(dòng)物流快件分揀方法，無(wú)法滿足不斷發(fā)展的社會(huì)需求，而基于機(jī)器視覺(jué)的自動(dòng)化分揀方法[1-3]能夠增強(qiáng)物流出、入庫(kù)的效率，降低成本，提高分揀的準(zhǔn)確性和及時(shí)性，減少分揀時(shí)間，具有重要的應(yīng)用意義。

2 基于閥值特征表和主元相似模型的破損快件識(shí)別方法

2.1 分揀前的破損特征構(gòu)建過(guò)程

物流快遞公司事先設(shè)置的合格快件中，不可避免地存在少量的破損快件，在計(jì)算機(jī)視覺(jué)采集中，合格快件圖像中也含有一定的缺失圖像，在快件分揀過(guò)程中，為了分析待揀圖像特征是否是破損特征，應(yīng)在分揀前，構(gòu)建無(wú)破損特征的快件特征表作為相應(yīng)分析規(guī)范，過(guò)濾破損干擾特征。通過(guò)對(duì)大量合格的快件圖像進(jìn)行分析后可得，合格快件的圖像像素灰度級(jí)直方圖呈現(xiàn)多峰值，如圖1所示。合格快件破損特征比率低于10%，可以采用基于差值的圖像分割和破損百分比的方法構(gòu)建破損特征表。

圖1 多峰值破損灰度直方圖

2.1.1 基于差值的圖像分割。破損快件圖像色彩一旦模糊缺失，會(huì)造成變換成灰度圖像后灰度值分布峰值不明顯，使得圖像內(nèi)部顏色和背景圖像容易混淆，因此本文采用基于差值的圖像分割法，對(duì)快件圖像進(jìn)行分割，獲取破損區(qū)域，圖像差分關(guān)注兩幅圖像的差異，能夠?qū)旒D像的質(zhì)量進(jìn)行準(zhǔn)確檢測(cè)。對(duì)待識(shí)別分揀物體圖像和模板圖像像素對(duì)應(yīng)進(jìn)行相減運(yùn)算，能夠獲取待識(shí)別圖像和模板圖像間對(duì)應(yīng)像素的差別，進(jìn)而對(duì)比分析差影圖像和閥值，以確定待識(shí)別快件圖像是否存在破損現(xiàn)象。

設(shè)T(x,y)用于描述模板圖像，S(x,y)用于描述待識(shí)別圖像，D(x,y)用于描述兩圖像的對(duì)應(yīng)像素差值圖像。差分運(yùn)算有如下三種方式：

（1）正差。用待識(shí)別分揀物品圖像減去設(shè)定的模板圖像，則當(dāng)S(x,y)>T(x,y)時(shí)有：

否則D(x,y)=0，此時(shí)差分結(jié)果被調(diào)整到0，過(guò)濾差值為負(fù)值的信息。

（2）負(fù)差。運(yùn)算方式同正差相同，只是交換模板圖像和待識(shí)別圖像。

（3）絕對(duì)值差：

D(x,y)值越小，表明待識(shí)別圖像同模板圖像間的差別越小，兩幅圖像的相似度越高。快件破損主要有明破損和暗破損兩種類型，明破損的灰度值高于鄰域破損，暗破損的灰度值低于鄰域破損。若只通過(guò)正差或負(fù)差進(jìn)行操作，能夠獲取明破損和暗破損中的一種。獲取差值圖后應(yīng)對(duì)其進(jìn)行二值化處理，設(shè)差影圖像D(x,y)的灰度分布在區(qū)間[0,255]中，二值化的閥值是T，二值化后的差影圖像是B(x,y)，則有：

通過(guò)對(duì)大量的標(biāo)準(zhǔn)模板圖像和待識(shí)別分揀物品圖像的絕對(duì)值差影圖的灰度分別進(jìn)行分析可得，大部分像素灰度值小于20，少部分像素灰度值在[20,255]灰度值區(qū)域，并且該區(qū)域中的像素值大都是破損信息和差影圖像中的噪聲信息。因此通常將灰度閥值設(shè)置成20。對(duì)快件差值圖像進(jìn)行二值化后，能夠較好的保留破損信息，獲取分揀物品圖像破損面積信息，為后續(xù)構(gòu)建破損特征表提供可靠的依據(jù)。

2.1.2 明確合格快件圖像的灰度量值。通過(guò)閥值法分割合格快件圖像，閥值的選取同圖像分割效果具有較強(qiáng)的關(guān)聯(lián)性。如果閥值過(guò)高，則大量的破損像素會(huì)被劃分成正常像素，或者大量的正常像素被劃分成破損像素。合格快件圖像灰度級(jí)直方圖具有多峰值性，相鄰兩峰谷中的面積最大者是合格快件特征區(qū)，用圖1陰影描述。將兩峰谷(Gl，G2)當(dāng)成灰度閾值區(qū)間，并將閥值范圍中的特征和其在圖像中出現(xiàn)的頻率保存在顏色表中。特征不同，相應(yīng)的灰度也不同，因此由灰度閥值區(qū)間構(gòu)建的特征表會(huì)出現(xiàn)一種同快件灰度相近的破損特征。因而應(yīng)對(duì)特征表進(jìn)行優(yōu)化，通過(guò)特征百分比方法刪除表中的破損特征。

2.1.3 明確特征閥值并構(gòu)建特征表。快件的破損區(qū)域具有局部性，破損特征在合格快件圖像中出現(xiàn)的頻率也較小，可采用人機(jī)交互的方法明確一個(gè)特征百分比，低于該閥值的特征認(rèn)為是破損特征，并將其從特征表中過(guò)濾。特征閥值具有重要作用，其影響了快件破損識(shí)別的效率，并且同剔除率和誤剔率具有正比例關(guān)系。特征閥值越大，分揀后的快件完整性越大，然而剔除率偏大。因此應(yīng)綜合分析快件的特征閥值和剔除率間的關(guān)系。按照現(xiàn)場(chǎng)情況和物流對(duì)快件質(zhì)量檔次的規(guī)范要求設(shè)置合理的特征閥值。

2.2 分揀過(guò)程

對(duì)快件進(jìn)行分揀時(shí)，應(yīng)對(duì)采集的待分揀快件的圖像進(jìn)行二值化操作，遍歷圖像像素并在特征表中進(jìn)行搜索，若獲取破損特征，則將對(duì)應(yīng)的像素灰度設(shè)置成0，否則設(shè)置成255（用1表示），標(biāo)識(shí)破損特征并運(yùn)算其面積，如果高于面積閥值（根據(jù)經(jīng)驗(yàn)設(shè)置的開(kāi)閥規(guī)范），則認(rèn)為相應(yīng)的快件是破損快件，應(yīng)將其過(guò)濾。通過(guò)上述分析可獲取破損快件分析模型，為了提高破損快件的分揀效率，本文采用主元相似分析方法對(duì)不同類型的快件進(jìn)行分析，快速識(shí)別出破損快件。先對(duì)不同類型的快件樣本的破損特征參數(shù)構(gòu)成的數(shù)據(jù)矩陣進(jìn)行主成分分析，構(gòu)建主成分回歸類模型，再采用該模型對(duì)未知快件樣本進(jìn)行識(shí)別，也就是分別將未知樣本與不同類型的模型進(jìn)行擬合，最終分析待識(shí)別快件樣本是否存在破損現(xiàn)象。構(gòu)建的模型精度用該類模型對(duì)已知類型樣本的識(shí)別率和對(duì)未知類型樣本的拒絕率進(jìn)行描述，詳細(xì)的分析過(guò)程為：

（1）構(gòu)建類的主成分回歸模型，對(duì)于第q類樣本中的第k個(gè)樣本矢量可用下式描述：

其中，nq表示第q類模型的樣本數(shù)量，m表示變量數(shù)，εip表示擬合偏差。

（3）運(yùn)算F值和臨界值F0，有：

3 實(shí)驗(yàn)結(jié)果與分析

3.1 不同算法的識(shí)別結(jié)果

實(shí)驗(yàn)分別采用本文識(shí)別方法和傳統(tǒng)識(shí)別方法對(duì)某存在破損快件以及合格快件的物流分揀過(guò)程進(jìn)行分析，分別選擇存在嚴(yán)重破損快件1、中度破損快件2、輕度破損快件3以及合格快件4進(jìn)行實(shí)驗(yàn)測(cè)試分析，快件原圖如圖2所示。本文實(shí)驗(yàn)在VC++6.0平臺(tái)上運(yùn)行，分別采用四種類型的快件測(cè)試圖各一張，實(shí)驗(yàn)分別采用本文方法和傳統(tǒng)方法對(duì)四種類型的實(shí)驗(yàn)快件的破損區(qū)域進(jìn)行識(shí)別，結(jié)果分別用圖3和圖4描述。分析圖3和圖4可得，傳統(tǒng)方法識(shí)別出的快件破損區(qū)域存在較多的噪聲因素，不能對(duì)快件破損區(qū)域進(jìn)行準(zhǔn)確的識(shí)別，而本文方法能夠準(zhǔn)確識(shí)別出相應(yīng)的快件破損區(qū)域。

圖2 四種類型快件原圖

圖3 本文方法的識(shí)別結(jié)果

圖4 傳統(tǒng)方法的識(shí)別結(jié)果

3.2 不同算法的性能分析

采集三種破損類型快件各30張以及合格快件20張，共計(jì)110張快件圖片，本文算法識(shí)別破損快件的實(shí)驗(yàn)結(jié)果見(jiàn)表1。分析表1可得，本文識(shí)別方法對(duì)不同類型的破損快件的識(shí)別準(zhǔn)確率高于93%，識(shí)別誤差率低于6%，并且能夠準(zhǔn)確識(shí)別出合格快件，說(shuō)明本文方法具有較高的破損快件識(shí)別精度，具有一定的優(yōu)勢(shì)。

表1 本文算法識(shí)別破損快件實(shí)驗(yàn)結(jié)果

為了比較本算法的性能，在VC++6.0平臺(tái)上對(duì)比分析本文方法和傳統(tǒng)方法的識(shí)別性能，實(shí)驗(yàn)中分別采用兩種方法對(duì)某物流快件分揀過(guò)程進(jìn)行檢測(cè)，持續(xù)時(shí)間為6h，統(tǒng)計(jì)兩種算法的平均識(shí)別率和識(shí)別時(shí)間，見(jiàn)表2。

表2 不同算法破損快件識(shí)別率和識(shí)別時(shí)間

分析表2可得，本文方法對(duì)物流分揀中破損快件的識(shí)別率和處理時(shí)間都優(yōu)于傳統(tǒng)方法，主要是因?yàn)楸疚姆椒ㄍㄟ^(guò)構(gòu)建合理的快件特征表、目標(biāo)破損特征區(qū)域表，并明確破損區(qū)域閥值，能夠獲取準(zhǔn)確的破損特征，本文方法因采用主元相似識(shí)別模型對(duì)待識(shí)別快件進(jìn)行識(shí)別，極大地提高了破損快件的識(shí)別效率和精度，取得了令人滿意的效果。

4 結(jié)論

本文提出了一種基于閥值特征表和主元相似識(shí)別模型的破損快件識(shí)別方法，采用基于差值的圖像分割法獲取破損區(qū)域圖像，構(gòu)建合理的快件特征表、目標(biāo)破損特征區(qū)域表，并明確破損區(qū)域閥值，通過(guò)主元相似識(shí)別模型對(duì)不同類型的待識(shí)別快件進(jìn)行識(shí)別，進(jìn)而準(zhǔn)確識(shí)別出破損快件。實(shí)驗(yàn)結(jié)果表明該方法具有較高的實(shí)時(shí)性和可靠性，能夠及時(shí)準(zhǔn)確地識(shí)別出不同類型的破損快件，并且具有較高的精度，極大地提高了物流分揀去除破損快件的自動(dòng)化以及智能化。

[1]袁阿勇.新型智能化貨物分揀系統(tǒng)的研究與開(kāi)發(fā)[D].武漢:武漢理工大學(xué),2006.

[2]韓玉民,汪冬,魏洪河,譚春琴.郵包自動(dòng)分揀系統(tǒng)的設(shè)計(jì)[J].機(jī)電工程,2004,(8).

[3]王耿芳.推塊式分揀機(jī)系統(tǒng)高度與控制的研究及應(yīng)用[D].重慶:重慶大學(xué),2002.

[4]艾海舟.機(jī)器視覺(jué)及其應(yīng)用[J].科學(xué)中國(guó)人,1997,(9).

[5]王峰,徐金強(qiáng),等.基于動(dòng)態(tài)閾值和分層檢測(cè)的圖像缺陷識(shí)別算法的研究與應(yīng)用[J].北方交通大學(xué)學(xué)報(bào),2002,26(1):19-22.

[6]謝勇,彭濤.機(jī)器視覺(jué)及其在包裝行業(yè)中的應(yīng)用[J].株洲工學(xué)院學(xué)報(bào),2002,(7).

[7]孫宇清,馬軍.在線檢測(cè)實(shí)時(shí)處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與應(yīng)用,2000,(12):171-172.