結合SVM后驗概率的散料料位識別試驗研究

田明銳　胡永彪　金守峰

1.長安大學道路施工技術與裝備教育部重點實驗室，西安,7100642.西安工程大學，西安,710048

?

結合SVM后驗概率的散料料位識別試驗研究

田明銳1胡永彪1金守峰2

1.長安大學道路施工技術與裝備教育部重點實驗室，西安,7100642.西安工程大學，西安,710048

摘要：提出了一種散料裝車料位的圖像檢測方法，該方法將待處理料堆圖像分為若干不重疊的子塊，對各子塊進行了同態濾波、二值化及二值共生矩陣紋理特征提取，并根據紋理特征對各子塊進行了分類識別。在識別過程中，提出了一種基于SVM及其后驗概率的料堆識別方法，建立了位于交界位置子塊的SVM后驗概率與其中料堆目標所占比例的關系模型，并將僅采用SVM對子塊識別后的料位擬合結果與其后驗概率輸出相結合，在這些交界位置子塊內進行了進一步的圖像分割。試驗結果表明，所提出的方法與僅采用SVM子塊識別的料堆輪廓及料位擬合誤差相比，分別減小42%和56%，平均誤差分別為0.4517 pixel和0.2586 pixel，在MATLAB下每幀處理需0.2 s。

關鍵詞：機器視覺；散料裝車；料位檢測；紋理識別；SVM后驗概率

0引言

散料裝車一般是指將散料向運輸車輛轉移的過程，該作業過程廣泛存在礦區、施工工地、倉儲、鐵路、公路及港口等場所。鐵路及公路場所中的定量裝車系統已比較成熟[1-7]，有著較高的作業效率。礦區及施工工地作業環境復雜，作業對象運動軌跡無明顯規律，散料裝車大多還需依靠人工來完成。在一些不便于設置裝車站及卸料刮板機構的領域中，如瀝青混凝土攪拌站，裝車設備也需要由人工進行控制。目前，已有一些針對上述領域中散料裝車作業的自動控制研究，其中不乏機器視覺技術的應用，如文獻[8]提出了基于2D激光測距掃描的挖掘機裝車作業控制方法，文獻[9-12]基于機器視覺，對挖掘機與運輸卡車的位姿測量、作業路線識別及裝車控制等進行了研究。機器視覺技術與傳統檢測方法相比主要優點在于作業對象狀態描述準確，但總體上機器視覺在散料裝車作業控制方面的研究與實際應用仍有較大的距離。

料堆及料位識別是散料裝車作業中的一項關鍵技術，尤其是在裝車料位需通過卸料閘門開度來控制的領域中，如文獻[13-15]所提及的作業過程。在復雜的作業環境中，料堆表面的顆粒狀紋理是一種能夠顯著區分料堆與周圍其他背景物的圖像特征，因此本文選取了紋理特征來對料堆及料位進行識別。對于灰度圖像來說，紋理可認為是一定區域中周期性分布的灰度值，因而對于單個像素或過小的區域來說不存在紋理的概念，然而若對圖像中每一像素點均進行鄰域紋理特征描述與提取，計算量是巨大的，不能滿足實時性檢測要求，所以實際中通常會采用一些圖像分塊后進行識別的方法[16-18]，其中，固定矩形分塊是最簡單、實時性最好的方法，但固定矩形分塊的主要缺點是識別結果會呈現出階梯狀效果，后續料位擬合時誤差就可能比較大。

支持向量機(SVM)是一種很好的特征分類模型[19]，其輸出是二值的“硬”分類結果，因此對于固定分塊來說也會產生階梯狀的識別效果，但采用其他分塊方法會增加算法整體計算量，影響算法的實時性。針對上述問題，本文利用SVM的后驗概率輸出，提出了一種將SVM“硬”分割結果與SVM后驗概率相結合的料位“軟”識別方法，試驗對比說明本文方法在料位識別精度方面有所提高，并具有較好的實時性。

1散料裝車圖像處理

本文研究了實驗室環境下的散料裝車試驗圖像，卸料過程中的料堆情況如圖1所示，圖中選取了200×100像素的局部區域作為處理對象，并劃分為8×4個子塊來進行紋理特征描述與識別。

紋理特征提取大多需要遍歷待描述區域，假設待描述區域包含N個像素，整幅圖像包含M個像素，則逐點鄰域提取方式的時間復雜度為O(MN)，而不重疊分塊及逐子塊提取的時間復雜度將減小為O(M)，其主要原因是避免了像素點的多次重復遍歷。文獻[20]對紋理特征描述方法進行了研究，結論表明灰度共生矩陣具有較好的區分能力，但計算量過大，其主要原因是灰度級數過多使得共生矩陣規模較大，假設圖像灰度級為L，則對應的共生矩陣為L階方陣，由共生矩陣計算出某一特征的時間復雜度為O(L2)。對此，本文考慮對圖像進行二值化處理，這樣共生矩陣可減小至2階方陣，則特征計算的時間復雜度減小為O(4)。另外，根據文獻[21]對共生矩陣紋理特征計算時步距選取的研究，本文在圖像中提取了4個方向上1、3、5、7這4個步距的共生矩陣及其對比度紋理特征，所得紋理特征為一個16維向量，由于包含了4個步距下的共生矩陣，特征計算復雜度變為O(16)。

與實際工況類似，試驗料堆圖像也存在光照不均的問題，即使光源均布，卸料過程中灰塵對光線的遮擋及料堆自身曲面也會使料堆表面不同部分所受的光照強度不均勻，該情況下不同圖像區域中的物料顆粒紋理特征就會存在灰度分布差異，在二值化前還需對圖像進行光照不均去除處理。本文采用了文獻[22]中所提基于Kronecker積的空域同態濾波算法來消除光照不均勻現象，該算法時間復雜度大致為O(M(W+h))，其中，W、h為濾波窗口尺寸。此外，二值化采用圖像均值作為自動閾值，則整幅圖像二值化處理的時間復雜度為O(2M)。

散料裝車圖像二值化處理效果如圖2所示，圖2a為直接二值化結果，圖2b為同態濾波后二值化結果。可以看到，經過同態濾波處理后，二值化結果中的顆粒紋理特點更加顯著與均勻，能夠較好地反映料堆與周圍背景的差異，料堆與卸料料流之間的分界輪廓雖不很清晰但仍可辨別。

(a)直接二值化結果

(b)同態濾波后二值化結果圖2　同態濾波前后的二值化處理效果

2SVM后驗概率的輸出

SVM是基于統計學習理論的分類算法，通過尋找最優分類超平面，使距分類超平面較近的樣本點盡量遠離該分類面，而不是在所有樣本點上達到最優。這部分樣本點即為支持向量，最優分類面參數由支持向量確定。對于訓練特征線性不可分的情況，SVM通過核函數將樣本特征映射到高維空間，在高維空間中實現線性可分，通過計算新樣本到超平面的距離來判斷其屬性。SVM分類的輸出函數為

f(x)=+b

(1)

其中，w和b為超平面參數，φ(x)為向高維空間的映射函數，表示w與φ(x)的內積。以標準“軟”間隔SVM為例，分類器的建立可通過以下優化問題來實現：

(2)

其中，ζi是松弛變量，即允許某些樣本點分布在對方的區域，C為離群點的權重，表示離群點對目標函數的影響，yi、xi分別為第i個樣本的類別標簽及特征。式(2)一般通過其對偶問題進行求解：

(3)

k(xi,xj)=<φ(xi),φ(xj)>

其中，W(α)為由拉格朗日算子決定的分類超平面參數，αi是拉格朗日乘子，k(xi,xj)為核函數，解決了高維空間內積運算及非線性映射問題，是樣本空間上滿足Mercer條件的函數。因此式(3)是一個凸二次規劃問題，具有全局最優解。則對于任意輸入樣本x，其類別標簽為

(4)

然而對于某些問題，不僅需要樣本的分類結果，并且需要得知該樣本隸屬于各類別的概率，這就要求SVM具有“軟”輸出，即非確定性分類能力，這種非確定性用分類器的概率輸出來表示，目前SVM概率輸出獲取大多采用了Platt提出的方法[23]，使用sigmoid函數作為連接函數，將SVM的樣本距離輸出映射到區間[0,1]，其過程如下：

(5)

其中，f(x)為樣本的SVM距離輸出，p(y=1|f(x))為距離f(x)下樣本隸屬于類別“1”的概率。假設SVM概率輸出與類別“1”的對數可能性成正比，則A<0即可保證式(5)的單調性。參數A和B可通過最小化似然函數過程求解：

(6)

3SVM后驗概率料位識別模型

如上所述，SVM后驗概率能夠在一定程度上描述待分類樣本特征與標準特征之間的差異，在本文中就是對那些即包含料堆又包含背景物的子塊進行SVM后驗概率描述。樣本訓練與分類過程在此不再贅述，料堆圖像在SVM分類識別后，僅包含物料像素的子圖像塊被分類為物料塊，其他子圖像塊均被分類為背景塊，而位于交界位置的背景塊中往往會包含一定比例的物料像素，這部分背景塊與標準塊具有一定的相似性。

從大量子塊的識別試驗中可發現：包含料堆與背景的子塊的SVM后驗概率主要由其中物料與背景所占像素個數的比例決定，如表1所示。因此，可通過SVM后驗概率輸出構造交界位置子塊的“軟”判別模型，在不進行逐點鄰域紋理識別的情況下實現子塊內的圖像分割，可提高整幅圖像的料位識別精度。

表1　料堆與背景所占比例及其SVM后驗概率

表1所示為二值共生矩陣紋理特征下交界位置子塊內目標物比例及其SVM后驗概率輸出關系，表中子圖像塊為人工分割結果，其中黑色部分為料堆所占區域，白色部分為背景所占區域。

由表1可以看出，子圖像塊SVM后驗概率輸出存在一定的規律。將其假設為

r=f(p)

(7)

式中，p為由式(5)所得SVM后驗概率輸出；r為子圖像塊內目標物像素所占比例；f為通過大量SVM識別結果得到的回歸函數。

得到r值后，還需確定子塊內像素的分布形式。在SVM分塊識別結果中，位于料堆與背景交界處的子塊坐標可用于擬合料位，通常情況下直線擬合即可反映出圖1待匹配區域的料位情況，將擬合后直線的斜率記為k。則作為一種合理的近似，在進行SVM“軟”判別的交界子塊內可采用斜率為k的直線按r值將該塊劃分為兩部分，可得出劃分的規則為

(8)

則子圖像塊內像素點I(u,v)取值可表示為

(9)

其中，u、v坐標系的原點為各子圖像塊左上角。式(8)與式(9)即構成了交界子塊的SVM后驗概率識別模型。

4試驗結果及分析

本文試驗的主要設備為方誠FC-IE130M工業相機，計算機CPU為Inter Core i3-2310M，內存2 GB，待處理圖像區域大小為200×100像素，分塊方式如圖1所示，算法采用MATLAB軟件實現。本文所提算法的處理效果如圖3所示，圖3a所示為僅采用SVM進行分塊識別后的料位擬合結果，圖3b所示為本文算法的料位擬合結果，兩圖對比可以看出，本文算法所擬合出的料位更貼近于圖像中料堆的實際輪廓位置。

(a)SVM粒位識別結果

(b)SVM“軟”判決料位識別結果圖3　料位識別結果及對比

圖4所示為對應圖3兩種算法的實際圖像分割效果。由圖4可看出，通過對分類器的訓練，SVM分類器能夠對各個子塊做出較為準確的識別，但由于識別的最小分辨率為25×25像素，因此其分割邊界呈明顯的階梯狀，始終與實際料位輪廓相差較大。而SVM軟識別算法對交界背景塊內料堆與背景的比例做出較合理的估計，并利用了SVM分塊識別料位斜率在各塊內做進一步分割，對階梯狀邊界產生了類似于濾波的效果，因此改進算法的分割邊界與實際料位輪廓更為接近，料位擬合精度也相對較高。

(a)SVM分割結果

(b)SVM“軟”判決分割結果圖4　料堆輪廓分割結果

pixel

由表2統計可得，本文改進的料位識別方法與SVM分塊料位識別方法的料位平均誤差分別為0.2586和0.5937，料堆輪廓平均誤差分別為0.4517和0.7768，試驗結果表明，本文算法在料位輪廓識別及料位直線擬合精度方面均優于僅采用SVM的分塊識別算法，并且“軟”識別過程中未引入過多的計算，僅利用了后驗概率值及料位擬合結果。由算法原理及計算過程分析可知，分塊及二值化處理使得本文算法計算量得到大幅減小，200×100像素大小的圖像每幀平均處理速度約為0.2 s。同時，算法也存在一定的局限性，當待處理區域較大時，料堆輪廓則不能采用直線來擬合，各子圖像塊內的分割準則就需要有所變化，如可對料堆輪廓采用分段直線擬合的方法，然后在各段中利用本文的軟識別模型得到完整的料堆輪廓。另外，較大待處理區域的處理速度會有所降低，算法實時性會受到影響，因此后續仍需要對算法及程序進行綜合的優化研究。

5結語

結合SVM后驗概率的分塊紋理識別方法能夠在料堆與背景交界位置的子圖像塊內對目標及背景作進一步的分割，在分割過程中利用了SVM分類模型對子塊的準確分類識別及其料位擬合結果，并且與僅采用SVM進行識別的結果相比，輪廓識別與料位擬合誤差都有所減小。算法中采用二值共生矩陣紋理特征，使得算法具有較好的實時性，在本文試驗條件下每幀處理時間約為0.2 s。

參考文獻：

[1]Fletcher E. Rapid Load out Systems Past Present and Future[EB/OL].[2008-02-26]. http://www.ckit.co.za/right-index/ tech-focus/rapid-load/rapid-load.html.

[2]Sexton A, Bennett D. Discuss Automation Trends in TruckLoading[J]. World Coal, 2012,6(1): 96-100.

[3]劉朝榮. 裝車系統礦石料位控制方法的研究[J]. 電氣自動化, 2012(4): 16-17.

Liu Chaorong. Research on Control Method for Ore material Level of the Ore-loading System[J]. Intelligent Control Techniques, 2012(4): 16-17.

[4]張廣軍，孫海，張新，等. 一種帶有自動布料平車裝置的汽車快速定量裝車站: 中國,201010126967.6[P]. 2010-08-04.

[5]閆玉剛，孟凡英.自動輸送汽車衡: 中國,200910209808.X[P]. 2010-12-22.

[6]王建, 姚振強, 包起帆，等. 新型全自動抓斗卸船系統[J]. 解放軍理工大學學報(自然科學版), 2010, 11(3): 284-289.

Wang Jian, Yao Zhenqiang, Bao Qifan, et al. Novel Full-automatic Grab Ship Unloader System[J]. Journal of PLA University of Science and Technology(Nature Science Edition), 2010, 11(3): 284-289.

[7]包起帆. 港口散貨全自動裝卸設備的研究與開發[J]. 中國機械工程, 2008, 19(23):2797-2803.

Bao Qifan. Research and Development of Automatic Bulk Cargo Equipment in Modern Ports[J]. China Mechanical Engineering, 2008, 19(23):2797-2803.

[8]Tentz A, Bares J, Singha S. Robotic Excavator for Autonomous Truck Loading[J]. Autonomous Robots, 1999,7:175-186.

[9]Riku P. Method and Apparatus for Automatic Loading of Dumper:United States,7751927[P]. 2010-07-06.

[10]黃國鵬,黃國坤. 一種基于圖像的露天礦挖掘機裝車過程的監控方法和裝置:中國,201110095634.6[P]. 2011-11-16.

[11]王福斌, 劉杰, 代沅興，等. 履帶式挖掘機器人CCD道路識別[J]. 中國工程機械學報, 2010,8(2): 230-233.

Wang Fubin, Liu Jie, Dai Ruanxing, et al. CCD-enabled Road Recognition for Caterpillar Excavator Robots[J]. Chinese Journal of Construction Machinery, 2010, 8(2): 230-233.

[12]肖婷, 文懷興, 夏田. 基于雙目識別技術的挖掘機智能化控制系統[J]. 工程機械, 2007, 38(3): 4-7.

Xiao Ting, Wen Huaixing, Xia Tian. Intelligent Control System of Excavator Based on Binocular Stereo-vision[J].Construction Machinery and Equipment,2007,38(3):4-7.

[13]田明銳, 胡永彪, 金守峰,等. 基于圖像紋理的散料裝車料位識別試驗研究[J]. 中國機械工程, 2013, 24(7): 910-914.

Tian Mingrui, Hu Yongbiao, Jin Shoufeng,et al. Experimental Study on Level Detection of Bulk Materials Entrucking Based on Image Texture[J]. China Mechanical Engineering, 2013, 24(7): 910-914.

[14]王芳,江劍,石秀東,等.瀝青混凝土成品裝車指揮儀的研制[J].微計算機信息,2009,25(29):14-15.

Wang Fang, Jiang Jian, Shi Xiudong, et al. Development of the Director in the Load of Finished Asphalt Concrete[J]. Microcomputer Information, 2009,25(29):14-15.

[15]吳延明,郝曉弘.平硐礦車智能裝車系統的研究與實現[J].工礦自動化,2008(4):106-107.

Wu Yanming, Hao Xiaohong. Research and Implementation of the Intelligence Adit Harvester Loading System[J].Industry and Mine Automation, 2008(4):106-107.

[16]Achanta R, Shaji A, Smith K, et al. SLIC Superpixels Compared to State of the art Superpixel Methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11):2274-2281.

[17]Levinshtein A, Stere A, Kiriakos N. TurboPixels: Fast Superpixels Using Geometric Flows[C]//IEEE Trans Pattern Anal. Mach. Intell..Toronto, 2009:2290-7.

[18]He X, Zemel R, Ray D. Learning and Incorporating Top-down Cues in Image Segmentation[C]//ECCV.Graz,2006：338-351.

[19]賀曉輝,鄢萍,劉飛,等. 基于支持向量機和功率信息的工件在線識別方法[J]. 中國機械工程, 2011, 22(7): 818-824.

He Xiaohui, Yan Ping, Liu Fei, et al. Workpiece Online Identification Method Based on SVM and Power Information[J]. China Mechanical Engineering, 2011, 22(7): 818-824.

[20]劉麗,匡綱要. 圖像紋理特征提取方法綜述[J]. 中國圖像圖形學報, 2009, 14(4): 622-635.

Liu Li, Kuang Gangyao. Overview of Image Textural Feature Extraction Methods[J]. Journal of Image and Graphics, 2009, 14(4): 622-635.

[21]薄華, 馬縛龍, 焦李成，等. 圖像紋理的灰度共生矩陣計算問題的分析[J]. 電子學報, 2006, 34(1): 155-158, 134.

Bo Hua, Ma Fulong, Jiao Licheng. Research on Computation of GLCM of Image Texture[J]. Acta Electronic Sinica,2006,34(1):155-158,134.

[22]肖俊,宋壽鵬,丁麗娟. 空域同態濾波算法研究[J]. 中國圖像圖形學報, 2008,13(12): 2302-2306.

Xiao Jun, Song Soupeng, Ding Lijuan. Research on the Fast Algorithm of Spatial Homomorphic Filtering[J]. Journal of Image and Graphics, 2008,23(12): 2302-2306.

[23]Platt J C. Probabilistic Output for Support Vector Machine and Comparisons to Regularized LikelihoodMethods[M]. Pennsylvania: MIT Press, 1999.

(編輯袁興玲)

Experimental Study on Recognation of Bulk Materials Level by SVM Posterior Probability

Tian Mingrui1Hu Yongbiao1Jin Shoufeng2

1.Key Laboratory of Highway Construction Technology & Equipment, Ministry of Education,Chang’an University,Xi’an,710064

2.Xi'an Polytechnic University,Xi’an,710048

Abstract:A image-based method for bulk level detection in bulk loading operations was proposed herein. The method first divided the image to several non-overlapping sub-blocks, then each blocks were filtered by a homomorphic filter, converted to binary image, abstracted the binary co-occurrence matrix, and recognized by SVM according to their texture features. In recognition process, a target-proportion model of the blocks which located between the boundary of bulk and the background was found based on SVM posterior probability. The model combined the SVM bulk level fitting results and the SVM posterior probability values was used to segmentation process in these boundary-blocks. Experimental results indicate that the recognition errors of the contour and the bulk level are reduced by 42% and 56% compared to the SVM recognition algorithm, average errors are as 0.4517 pixel and 0.2586 pixel respectively. The running times of the proposed method is as 0.2 s under MATLAB.

Key words:machine vision; bulk loading;; level detection; texture recognition; support vector machine(SVM) posterior probability

作者簡介：田明銳，男，1984年生。長安大學工程機械學院博士研究生。研究方向為圖像處理、工程機械機器視覺。胡永彪，男，1964年生。長安大學工程機械學院教授、博士研究生導師。金守峰，男，1979年生。西安工程大學機電工程學院副教授。

中圖分類號：TP391.4

DOI：10.3969/j.issn.1004-132X.2016.05.013

基金項目：中央高校基本科研業務費專項資金資助項目(CHD2011TD016)

收稿日期：2015-05-12