基于圖像分割的筷子瑕疵檢測研究

胡小慧, 江 虹， 郭秋梅

(西南科技大學 信息工程學院,四川 綿陽， 621010)

基于圖像分割的筷子瑕疵檢測研究

胡小慧, 江 虹， 郭秋梅

(西南科技大學 信息工程學院,四川 綿陽， 621010)

針對筷子瑕疵人工檢測存在效率低、成本高、工作環境惡劣等缺點,提出了一種基于圖像分割的筷子瑕疵檢測研究分析方法。該方法采用圖像采集設備獲取筷子圖像，利用圖像處理技術對筷子圖像進行增強、邊緣檢測及圖像分割,獲取筷子圖像的RGB數據;對RGB三通道所占百分比及百分比方差進行統計分析。實驗結果表明，該方法能有效地將目標筷子的彩色圖像與筷子的背景圖像分離，得到準確的筷子RGB數據，數據分析結果對筷子瑕疵檢測有很大的參考價值。

筷子瑕疵；邊緣檢測；圖像增強；圖像分割

0 引言

目前，我國筷子生產行業仍應用人工目檢的方法挑選筷子，而人工檢測效率低、成本高且環境比較惡劣，隨著生產速度的提高以及越來越嚴格的質量要求，傳統人工瑕疵檢測的方法已不能保質保量地完成生產任務。近年來，采用圖像處理技術對產品進行瑕疵檢測已有相關的研究，如陳文達[1]利用圖像處理及模式識別等技術對金屬表面瑕疵進行了分析研究；王明景[2]實現了圖案布匹瑕疵的在線實時檢測；林如意[3]利用圖像紋理等分析方法檢測紡織品瑕疵；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、對比度等特征向量，使用圖像分析技術對織物瑕疵進行檢測和分類。基于圖像處理技術的瑕疵檢測研究歷經多年，得到了飛速的發展，一些成熟的機器視覺系統已應用在現代化生產線上。有關筷子瑕疵檢測類的國內外文獻，目前尚鮮見報道。

對此本文提出基于圖像分割的筷子瑕疵分析檢測方法。實驗結果表明，該方法能有效地對筷子圖像進行預處理，分割得到可靠的彩色筷子圖像，實現對筷子圖像RGB值的統計分析。

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。本文主要針對這三種瑕疵進行處理分析。

2 邊緣檢測及圖像分割

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，在小尺度上準確定位邊緣，從而為圖像邊緣檢測提供高質量的邊緣信息[5-6]。本文將小波變換與模糊C均值算法相結合，通過小波變換完成對筷子圖像邊緣的提取，利用邊緣信息對目標筷子圖像進行定位標號實現初步分割，再使用模糊C均值(FCM)方法完成對筷子圖像的分割。

利用小波變換算法對筷子邊緣檢測步驟如下：

(2)求出小波變換系數的模值：

(1)

(3)求出小波變換系數的幅角：

(2)

(4)求出局部極大值；

(5)依次檢驗每個像素點，確認其在對應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)對獲得的可能的邊緣圖像進行閾值分割，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)輸出邊緣檢測圖像。

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

(3)

X={x1,x2,...,xn}為圖像像素的特征值，V={v1,v2,...,vn}為區域的聚類中心，u={uik}cn是隸屬度矩陣。uik表示xi隸屬于第k類區域的隸屬度，m為權重指數，它決定分類結果的模糊程度。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 小波邊緣檢測結果

圖2 多雙筷子圖像分割結果

使用小波變換對筷子進行邊緣檢測，檢測結果如圖1所示。其中圖1(a)為筷子原圖；圖 (b)為使用小波邊緣檢測的結果；圖 (c)為利用筷子邊緣信息對圖像中的筷子進行定位標號粗分割結果。

利用FCM算法即式(3)實現對目標筷子與背景圖像的完整分割，其中取m權重指數為2。對多雙筷子進行分割，其結果如圖2所示。其中圖2(a)為使用傳統的基于邊緣圖像分割方法的分割結果；圖2(b)為本文圖像分割方法的最終分割結果。

從圖2(a)中可以看出：基于邊緣的圖像分割方法對目標筷子圖像進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算法相結合，對筷子圖像進行分割如圖2(b)所示，實現了對目標筷子與背景的有效分割，分割效果優于傳統的基于邊緣的圖像分割方法。

3 實驗數據分析結果

3.1 單雙筷子數據統計分析情況

實驗采用MATLAB2013編程實現，利用本文的圖像分割方法對單雙筷子圖像進行分割，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后基于邊緣圖像分割方法的分割結果；圖3(c)為使用本文分割方法的分割結果。

圖3 單雙筷子圖像分割結果

分別提取圖3(b)、圖3(c)分割結果的R、G、B值，將獲取得到的R、G、B值分為35段，統計每段數據的R、G、B三個通道所占百分比，如圖4所示。其中圖4(a)、圖4(c)為圖3(b)、圖3(c)分割結果的R、G、B值被分為35段后每段每個通道所占百分比統計結果。圖4(b)、圖4(d)是根據圖4(a)、圖4(c)的R、G、B三個通道所占百分比統計結果曲線統計得到的百分比曲線的方差結果。其中4幅圖中實線為本文分割方法得到的筷子RGB數據統計分布結果，虛線為基于邊緣圖像分割方法得到的筷子RGB數據統計分布結果。

分別使用基于邊緣圖像分割方法和本文分割方法對10雙標準筷子進行圖像分割，統計RGB三通道所占百分比的均值及百分比均方差，如表1所示。

實驗結果證明：

(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，且存在過分割現象；而使用本文圖像分割方法，有效地將目標筷子及背景分離，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計

圖4 統計結果

(2)被分割的筷子為標準筷子不含瑕疵，該類筷子正確的數據分布情況是三個通道百分比方及百分比方差平穩分布，如圖4(a)、圖4(c)所示，使用本文分割方法得到的標準筷子RGB值的百分比平穩分布，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較大；對圖4(a)、圖4(c)的百分比曲線進行方差統計如圖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據分布情況相對于使用基于邊緣的圖像分割方法得到的數據分布更平穩，即本文分割方法得到的數據更接近真實筷子數據分布情況。

(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10雙標準筷子進行圖像分割，統計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計得到的RGB三通道百分比均方差相對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據相對基于邊緣圖像分割方法統計得到的數據更穩定、準確。

3.2 瑕疵筷子數據統計分析情況

對標準筷子、青皮筷子、色斑筷子、燒焦筷子的RGB值進行統計分析，統計結果如圖5所示，其中圖(a) 、(b)、(c) 、(d)分別是標準筷子、青皮筷子、色斑筷子、燒焦筷子的每個通道所占百分比及百分比方差統計結果。每幅圖由兩部分組成：(1) 每個通道所占百分比數據統計分布情況；(2) 根據每個通道百分比曲線統計得到百分比方差數據統計分布情況。

表2統計20雙標準筷子、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統計了三類瑕疵筷子分別與標準筷子的百分比均值、百分比均方差的對比情況。

3.3 實驗數據分析結果

表2 標準筷子與瑕疵筷子各通道所占百分比均值分布范圍

圖5 百分比方差統計結果

根據圖5可知，三類瑕疵筷子的RGB值的百分比方差曲線相對標準筷子的RGB數據分布曲線波動大；根據表2可知，瑕疵筷子R通道、B通道所占百分比數據分布范圍最小值與最大值跨度值≥0.05,而標準筷子數據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據波動大；根據表3可知，在R通道、B通道，瑕疵筷子相對標準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高于標準筷子的百分比方差。由以上實驗結果可知，瑕疵類筷子的RGB三通道所占百分比、百分比方差與標準筷子存在較大差異，根據這些差異可對瑕疵筷子進行篩選。

4 結論

本文通過對筷子圖像前期預處理，實現了對目標筷子圖像的有效分割，完成了對筷子圖像RGB三通道百分比及百分比方差統計分析，得出以下結論：瑕疵筷子RGB三通道所占百分比及百分比方差數據分布相對于標準筷子數據分布波動大，且瑕疵筷子RGB三通道所占百分比在有瑕疵的位置，其數據超出正常數據分布范圍。在篩選筷子時可通過檢測RGB所占百分比及百分比方差數據波動情況及數據分布范圍來檢測瑕疵筷子。

[1] 陳文達. 金屬工件表面瑕疵檢測技術的研究與開發[D]. 無錫：江南大學， 2013.

[2] 王明景,白瑞林,何薇，等.圖案布匹瑕疵的在線視

覺檢測[J].光電工程,2014(6):19-26.

表3 瑕疵筷子與標準筷子數據對比結果

[3] 林如意. 基于圖像處理技術的紡織品瑕疵檢測方法[D].杭州：杭州電子科技大學，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[D].成都：成都理工大學， 2013.

[6] 范艷軍, 吳曉紅, 羅代升. 一種改進的基于小波變換的圖像邊緣檢測算法[J]. 四川大學學報(自然科學版)，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研究[J] .微型機與應用，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，碩士生導師，主要研究方向：認知無線電智能學習技術，網絡化測控技術。

郭秋梅(1987-)，女，碩士，主要研究方向：圖像處理。