一種基于圖像處理的打捆鋼筋計數方法*

李　篪

(沈陽理工大學 現代教育技術中心， 沈陽 110159)

?

一種基于圖像處理的打捆鋼筋計數方法*

李篪

(沈陽理工大學 現代教育技術中心， 沈陽 110159)

針對打捆鋼筋的計數問題，提出了一種基于圖像連通區域面積的打捆鋼筋計數方法.通過對打捆鋼筋端部圖像進行灰度化、濾波和圖像分割處理，使分割后圖像中的連通區域分類為噪聲、一根鋼筋和多根鋼筋，并將所有連通區域的鋼筋求和，就可以得到圖像中全部鋼筋的數目.結果表明，新算法不僅縮短了運算時間，還能夠較好地去除非均勻光照和噪聲等因素的干擾，突出了圖像內部的細節，有利于后續鋼筋的識別和計數.

鋼筋端面圖像； 圖像增強； 閾值； 濾波； 腐蝕； 連通區域； 圖像分割； 運算時間

國內大部分鋼廠對鋼筋進行打捆定支銷售，而對其計數是一項重要環節，目前大部分廠家使用人工計數，這種方法效率低且勞動強度大，已經無法滿足現代化鋼鐵企業快速生產的需求.隨著科技的迅速發展，計算機的運算速度越來越快，采集圖像的設備價格越來越低，而且圖像的質量越來越高，各種新型高效率算法層出不窮，數字圖像識別技術在棒材計數中的應用越來越廣泛[1-2].圖像識別過程利用計算機對采集到的圖像信息進行智能處理，可以在一定程度上代替圖像分析和分類等人工處理操作.通過對鋼筋端部圖像識別可以達到計數的目的，因此，對鋼筋自動計數的研究已經成為鋼材企業亟待解決的問題，對減輕工人的勞動強度，提高打捆鋼筋計數的精度具有重要的現實意義[3].

1　基于圖像處理的鋼筋計數系統

系統總體結構可以分為硬件、圖像處理和鋼筋識別的軟件過程[4].計數系統硬件組成如圖1所示，主要通過數碼采集設備對成堆鋼筋采集圖像數據，進而將采集到的圖像數據輸入計算機進行軟件處理.圖像處理與鋼筋識別流程如圖2所示，包括圖像灰度化、細化腐蝕和分割后識別計數等幾個重要的功能.

圖1　鋼筋計數系統的硬件組成Fig.1　Hardware structure of counting system for steel bars

圖2　鋼筋計數的流程Fig.2　Flow chart of counting for steel bars

2　圖像識別算法

采集鋼筋圖像時，由于現場的工業條件復雜，采集到的圖像效果都不太理想.不均勻光照導致圖像的灰度分布不均勻；拍攝角度過大導致有一些鋼筋的端面被遮擋；鋼筋上的油污或者閃光燈的映射導致鋼筋截面之間的空隙不是很明顯；拍攝背景比較復雜，從而增加了圖像的噪聲.這些因素都影響鋼筋計數的準確性，要完成打捆鋼筋端面圖像的識別計數，必須盡量消除圖像中噪聲等干擾因素[5].

2.1圖像灰度化

將彩色圖像轉換為灰度圖像，后續處理工作十分重要[6].利用加權平均的方法對圖3所示的鋼筋端部彩色圖像進行灰度化，取得了良好的效果，結果如圖4所示.

圖3　鋼筋端部彩色圖像Fig.3　Color image for terminal of steel bars

圖4　灰度化圖像Fig.4　Graying image

2.2圖像增強

圖像增強是強調圖像中感興趣的特征，抑制或消除一些無用的信息，以便于計算機識別的圖像處理方法.常用的圖像增強方法有頻率域法和空間域法兩大類.其中，中值濾波能夠消除椒鹽噪聲等一系列脈沖噪聲，而且不會對圖像邊緣造成過多的模糊.它是一種非線性濾波方法，主要通過對一個規定尺寸的滑動窗口內的各像素灰度進行排序，并用中值代替窗口中心的原像素實現.圖5為中值濾波平滑后的二值圖像，該方法能夠較好地抑制脈沖干擾和椒鹽噪聲，并使圖像邊緣更加清晰.

圖5　中值濾波后的圖像Fig.5　Image after median filtering

2.3圖像分割

在鋼筋計數系統中，其關鍵步驟之一就是把鋼筋截面從復雜的圖像背景中分離出來，主要通過圖像分割完成.傳統的大津閾值分割方法只是考慮背景類和目標類之間的類間方差，而忽略了背景與目標的類內方差.實際上，類內方差直接影響背景和目標灰度值的分散程度，類內方差越大，分散性越強，達到的分類效果就會越差.經典的大津閾值算法沒有考慮類別之間差異導致錯分以及帶來的后續影響，這也是產生分割后圖像對比度較低的原因.現場采集的打捆鋼筋圖像受生產環境影響噪聲大和對比度低等因素的影響，背景和目標內部之間的灰度值起伏也因為采集設備等因素不穩定，進而造成背景與目標的類內灰度直方圖的交疊現象，并且雙峰不明顯.因此，不能忽略類內方差在鋼筋端面圖像分割時的影響[7-8].

針對經典大津閾值分割方法的不足，本文提出一種改進的大津閾值選擇函數，目的是兼顧類內方差和類間方差對最佳分割閾值的影響.

對像素點按灰度值用閾值t劃分為兩類，即c0=(0，1，2，…，t)，c1=(t+1，t+2，…，L-1)，c0和c1的概率分別為

(1)

式中，pi表示灰度值為i的像素點概率.

c0和c1的均值分別為

(2)

對于任意t值，式(3)均成立，即

(3)

類間方差為

σ2=w0(w0-u)2+w1(w1-u)2=

w0w1(u0-u1)2

(4)

改進的閾值選擇函數表達式為

(5)

式中，分子為類間方差，分母為類內方差.當H(t)取最大值時，t就是取得的最佳閾值T.將類內方差因素引入到最佳閾值計算的考慮因素內，使得到的閾值更加接近理想閾值.對于鋼筋端面圖像，類內方差越小，類間方差越大，所得到的閾值就越接近理想中的最佳閾值，圖像的分割效果就越有效.改進后的大津閾值分割如圖6所示.

圖6　改進后的大津閾值分割圖Fig.6　Segmentation image of improved Otsu threshold

利用改進后的大津閾值分割方法對打捆鋼筋端部圖像進行分割后，只有小部分鋼筋端面存在黑色的孔洞并且不存在鋼筋端面缺失的現象，總體分割效果較好.

3　鋼筋端面識別計數

3.1形態學處理

數學形態學的基礎運算主要有膨脹、腐蝕、開運算和閉運算等幾種算法，通過這些基礎算法還可以構造出許多實用算法來分析處理圖像結構以及形狀，例如過濾噪聲、目標檢測、分離邊界、空洞填充、分離區域枝干和特征抽取等[9].

分割后的圖像存在嚴重的粘連現象，腐蝕可以消除鋼筋之間的粘連現象，當結構元素選取較小時，效果不理想；當結構元素選取較大時，雖然可以分開目標區域之間細小的連通，但是也會腐蝕掉圖像中有用的信息.因此，單純采用腐蝕消除鋼筋之間的粘連是不可取的.針對這一問題，本文采用一種腐蝕-細化-腐蝕的方法消除鋼筋間大部分的粘連，其結果如圖7所示.

圖7　細化腐蝕圖Fig.7　Image after refining and corrosion

3.2目標識別計數

本文采用的算法是利用8鄰域連通準則按照從左到右、從上到下的方式掃描二值圖像，標記處理后的鋼筋端面圖像中各個連通區域為不同的標值，按照從左到右、從下到上的掃描順序對圖像進行重新掃描，按像素點的灰度值分類統計每個連通區域包含的像素點個數.根據像素點個數，就可以計算出每個連通區域的面積以及相關參數.分割后圖像中的鋼筋端面為類圓區域，本文采用面積率法對鋼筋的端面進行判斷識別.

假設在一幅鋼筋圖像中，有m個連通區域，標記連通區域的值依次為1，2，…，m，標記值為i的連通域面積為Si，標記值為i的連通域像素個數為Ni(i=1，2，…，254)，假設圖像中每個像素點的面積為B，則有

Si=BNi(i=1，2，…，254)

(6)

假設面積為Si的連通域個數為Ki，面積頻度為fi，圖像連通域面積的最大頻度為fmax，則有

(7)

fmax=max(f1，f2，…，fm)

(8)

面積的最大頻度所對應的連通域面積定義為標準面積S標.對鋼筋端部二值圖像進行識別計數時，需要將每個連通區域的面積Si和標準面積S標進行對比研究，系統中稱Si/S標為連通區域i的面積比例因數，用μi表示，即

μi=Si/S標(i=1，2，…，254)

(9)

鋼筋圖像經過多重預處理操作后，粘連的鋼筋在4個之內，進而采用如下處理方法處理鋼筋端面之間的粘連現象和背景噪聲的影響，從而實現較為準確的計數.

1) 當0<μi<0.5時，視連通區域為噪音，不計數；

2) 當0.5≤μi≤1.5時，視連通區域為一根鋼筋端面，計數為1；

3) 當1.5<μi≤3時，視連通區域為兩根粘連的鋼筋端面，計數為2；

4) 當3<μi≤4.5時，視連通區域為粘連在一起的3根鋼筋端面，計數為3；

5) 當μi>4.5時，視連通區域為面積較大的背景，不計數.

利用本文方法對打捆鋼筋進行識別計數，其計數結果如圖8所示.圖8中鋼筋實際數量為115，則計數準確率為96.52%.

圖8　鋼筋識別計數顯示Fig.8　Counting illustration for identification of steel bars

4　結　論

本文介紹了鋼筋計數系統的框架結構，以及系統中所用到的相關算法.該軟件具有較強的實用價值，所采用改進算法可在其他圖像處理領域使用，對企業生產信息化具有重要意義.本文算法實現簡單，處理效果好，提高了企業在鋼筋計數工作中的效率，但是對噪聲大的、采集圖像質量差的圖像可能會產生誤判、錯判，影響計數精度.通過保證原圖像的質量或者引入其他新算法進行二次開發，以實現系統具有更高的適應性與更廣泛的實用性.

[1]房新亮，陳樹環.基于機器視覺技術的棒材自動計數系統的研究與應用 [J].工業控制計算機，2011，24(7)：44-46.

(FANG Xin-liang，CHEN Shu-huan.Study and application of automatic counting system of steel bars based on machine vision technique [J].Industrial Control Computer，2011，24(7)：44-46.)

[2]孫常偉.雙軌道全自動棒材打捆機關鍵技術的研究 [D].唐山：華北理工大學，2015.

(SUN Chang-wei.The key technology research on double-track automatic bundling machine [D].Tang-shan：North China University of Science and Technology，2015.)

[3]宋強，徐科，徐金梧，等.基于圖象處理的棒材自動計數技術 [J].鋼鐵，2004，39(5)：34-37.

(SONG Qiang，XU Ke，XU Jin-wu，et al.Automatic counting technique for steel bars based on image processing [J].Iron and Steel，2004，39(5)：34-37.)

[4]郭國營.數字圖像技術在棒材自動計數裝置中的研究 [J].冶金設備，2006(3)：63-65.

(GUO Guo-ying.Application research of the digital image processing technology on the equipment of bar steel automatic counting [J].Metallurgical Equipment，2006(3)：63-65.)

[5]陳基偉.基于數字圖像處理的棒材計數方法研究 [D].濟南：山東大學，2012.

(CHEN Ji-wei.Research of counting method for steel bars based on digital image processing [D].Jinan：Shandong University，2012.)

[6]欒麗華，郭連軍.基于線性變換與多種平滑去噪的爆堆圖像增強方法 [J].爆破，2011，28(1)：75-77.

(LUAN Li-hua，GUO Lian-jun.A blasting lumps image enhancement method based on linear transformation and some of smoothness [J].Blasting，2011，28(1)：75-77.)

[7]李敏，羅紅艷，鄭小林，等.一種改進的最大類間方差圖像分割法 [J].南京理工大學學報，2012，36(2)：332-337.

(LI Min，LUO Hong-yan，ZHENG Xiao-lin，et al.Image segmentation based on improved Otsu algorithm [J].Journal of Nanjing University of Science and Technology，2012，36(2)：332-337.)

[8]Song K，Yang D，Nie X.Research of snow-degraded image clearness methods [J].Applied Mechanics and Materials，2013，423：2452-2455.

[9]黃海龍，王宏，紀俐.基于局部模糊增強的順序形態學邊緣檢測算法 [J].儀器儀表學報，2012，33(11)：2608-2614.

(HUANG Hai-long，WANG Hong，JI Li.Order mor-phology edge detection algorithm based on partial fuzzy enhancement [J].Chinese Journal of Scientific In-strument，2012，33(11)：2608-2614.)

(責任編輯：鐘媛英文審校：尹淑英)

A counting method for bundled steel bars based on image processing

LI Chi

(Modern Education Technology Center, Shenyang Ligong University, Shenyang 110159, China)

In order to solve the counting question for the bundled steel bars, a counting method based on the connection region area of image was proposed. Through performing the graying, filtering and image segmentation for the end image of bundled steel bars, the connected region in the image after segmentation was divided into the noise, one steel bar and a plurality of steel bars. In addition, all steel bars in the connected regions were summed, and the number of all steel bars in the images could be obtained. The results show that new algorithm not only shortens the operation time, but also effectively reduces the interference of uniform illumination and noise. Moreover, the details inside the image can be highlighted, which is beneficial to the identification and counting of subsequent steel bars.

end image of steel bar; image enhancement; threshold; filtering; corrosion; connected region; image segmentation; operation time

2015-12-29.

遼寧省科學技術計劃項目(2012217005)； 沈陽理工大學實驗技術基金資助項目(2015syjs16).

李篪(1986-)，女，遼寧沈陽人，工程師，碩士，主要從事計算機視覺、智能檢測與控制等方面的研究.

10.7688/j.issn.1000-1646.2016.05.13

TP 317

A

1000-1646(2016)05-0551-04

*本文已于2016-05-12 14∶02在中國知網優先數字出版. 網絡出版地址：http：∥www.cnki.net/kcms/detail/21.1189.T.20160512.1402.044.html