基于機器視覺的六價鉻檢測系統的研究

孫超 張明楊 楊飄 劉睿凡 齊卉 丁建軍

摘? 要： 文中依據重金屬殘留現場快速檢測的要求，利用二苯碳酰二肼分光光度法顯色原理而制成的六價鉻檢測試紙，對溶液中的六價鉻離子發生紫紅色的顯色反應，建立基于機器視覺的六價鉻檢測系統的研究。在空間域上對試紙圖像進行中值濾波去噪，利用RGB彩色空間模型，將試紙的R，G，B三個顏色分量作為特征值提取出來，擬合出R，G，B的值與被測溶液濃度之間的回歸模型，實現基于機器視覺的六價鉻檢測系統的研究。

關鍵詞： 機器視覺; 六價鉻檢測; 回歸模型; 特征值提取; 中值濾波; 圖像處理

中圖分類號： TN911.23?34? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）10?0054?05

Research on hexavalent chromium detection system based on machine vision

SUN Chao， ZHANG Mingyang， YANG Piao， LIU Ruifan， QI Hui， DING Jianjun

（School of Physics and Information Engineering， Jianghan University， Wuhan 430056， China）

Abstract： On the basis of the requirement of rapid spot detection of heavy metal residues， the hexavalent chromium testing paper is made by means of the color reaction principle of diphenylcarbazide spectrophotometry. The hexavalent chromium detection system based on machine vision is established for the amaranthine color reaction of the hexavalent chromium ion in the solution. The median filtering de?noising for the testing paper image is performed in the spatial domain， and then the RGB color space model is used to extract the R， G and B color components of the test paper as the characteristic values. The regression model between the R， G and B values and the measured solution concentration is fitted to realize the research on the hexavalent chromium detection system based on machine vision.

Keywords： machine vision; hexavalent chromium detection; regression model;feature value extraction;median filtering;image processing

0? 引? 言

六價鉻化合物是電鍍等工業工藝產生的常見重金屬污染物，它是可吞入性毒物，極易被人體組織和器官的細胞吸收，通過消化道侵入時易引起嘔吐和腹痛。傳統的六價鉻檢測方式大多數是應用分光光度法的原理進行測量作業的。其測量原理是在被測水樣中添入磷酸、硫酸，然后向水樣添加二苯碳酰二肼使之與六價鉻反應，用紫外線將生成的紫紅色化合物按照分光光度法進行測量，從而得到受檢樣品中六價鉻化合物具體的含量信息[1?2]。但是這些方法使用的試劑量大且無法現場檢測，檢測時反應時間過長。

本文在試紙檢測法的基礎上，利用機器視覺系統來獲得圖像并處理數據，從而達到在現場快速實時監測的效果。這種方法依靠機器視覺系統獲得目標圖像信號，得到目標像素、亮度和顏色等形態信息進行各種運算來提取的目標特征，并進行自動識別或根據判定結果來控制現場設備，從而達到高靈活度和高度自動化的生產效果。被應用于電鍍行業的六價鉻是一種常見的重金屬污染來源。而隨著科技的進步，機器視覺逐漸被應用到各個領域中，由于其具有快速、穩定、精確的優良特性成為了代替人眼工作的方式。本文依據重金屬殘留現場快速檢測的要求，制定了一套基于機器視覺的六價鉻檢測系統。本文展開的具體工作如下：

當含有六價鉻離子的溶液與檢測試紙發生反應后，試紙的前端方形區域會呈現紫紅色。由于只有前端部分能夠代表六價鉻離子的濃度，因此在提取試紙圖像的顏色特征前，需要先對該部分進行圖像分割獲取目標區域。傳統的圖像分割方法[3?5]主要有基于邊緣分割、基于閾值分割和基于區域分割三種。依據灰度值的不同對圖像進行分割。不同的區域會有不同的灰度值，區域之間的邊界處，會有明顯的灰度變化。如果將彩色圖像轉換為灰度圖像后再使用基于閾值的分割方法，彩色圖像特征信息會丟失，從而造成分割不準確[6?8]。

1? 機器視覺平臺的搭建

在本研究中對機器視覺系統主要元件的分析，機器視覺系統需要拍攝六價鉻檢測試紙的詳細彩色圖像，對于圖像的成像要求較高，在滿足最小分辨率的基礎上，需要盡可能地提高圖片的質量。由于CCD相機在彩色成像方面，產生的噪聲更少，更適應研究所需。因而本系統采用500萬像素、最高幀速率為210 f/s、成像品質一流，具有高性能和高可靠性的Basler pilot CCD工業相機。由于六價鉻檢測試紙的反應區域尺寸為35 mm×35 mm，工作距離為200～300 mm，故本文選用焦距為16 mm的Ricoh工業鏡頭。LED光源的光能源結構設計靈活多變，它由多顆小型輕量的強亮度LED顆粒組成，可以靈活設計滿足各種形狀要求以及不同的照射角度和照射范圍，其光源顏色可選范圍極大，在機器視覺系統的補光狀態對圖像的獲取階段有關鍵作用，因此在本文中選擇LED白色環形光源作為六價鉻離子檢測的補光手段。整個機器視覺系統對硬件的選擇和搭建工程如圖1所示。

為搭建符合實驗要求的機器視覺系統而選取的各硬件設備機器視覺硬件平臺如表1所示。

在良好的光源環境下，利用Basler工業相機對試紙圖像進行拍照并保存。在本課題中，為了對六價鉻檢測試紙圖像進行上述操作，選取的相機可采用的最大尺寸為2 454 px×2 056 px，在不超過此范圍的情況下，可以任意調節圖像的寬和高。

2? RGB彩色空間轉換分析

RGB彩色空間在圖像實現方法上，將紅、綠、藍每個通道都分成8 bit或256個色彩等級，圖像上，每個彩色像素的（R，G，B）數值為一組，構成了一幅24 bit深度的圖像。在24 bit RGB圖像中，顏色總數是[（28）3]=16 777 216。使用R，G，B三種基色進行疊加，可以得到約1 677萬種色彩。

從Matlab中，建立基于笛卡爾坐標系的三維RGB彩色空間模型，如圖2、圖3所示。從模型中可以看出，所有的顏色都是由紅、綠、藍三種原色光譜分量組成。在圖2所示的立方體中，將三個通道的顏色分量值除以255做歸一化處理，將R，G，B數值的取值范圍固定在[0，1]中。以坐標軸原點（0，0，0）作為黑色的數值，原點的對角頂點（1，1，1）作為白色的數值，R軸、G軸、B軸分別表示三個顏色通道，其中，原點與對角頂點的連線代表這灰度等級的分布。

3? 噪聲分析與濾波

許多圖像識別系統廣泛地將圖像的顏色特征設定為顏色直方圖的數據信息，這種直方圖所描述的是各種色彩在彩色圖像中的占比，顏色直方圖反映的是圖像顏色數據信息分布的統計特性，對于那些很難自動分割的圖像，顏色直方圖非常適用。特別是不需要考慮物體空間位置的圖像。在研究六價鉻檢測試紙的圖像噪聲類型時，首先需要對試紙彩色圖像的R，G，B三通道在圖像中所占的比例進行統計。

將顏色分量直方圖與噪聲概率密度函數分布直方圖進行對比，根據對比的結果來確定檢測試紙圖像所攜帶的噪聲類型。對試紙圖像添加均勻分布噪聲、高斯分布噪聲、指數分布噪聲、瑞麗分布噪聲、伽馬分布噪聲、泊松分布噪聲和椒鹽噪聲后，用Matlab分析對應的像素直方圖并與原始圖像的顏色分量的直方圖進行對比，可以看出試紙圖像所攜帶的噪聲為椒鹽噪聲。脈沖椒鹽噪聲是由信號脈沖強度引起的圖像噪聲。椒鹽噪聲模型示意圖如圖4所示。加入椒鹽噪聲的試紙圖像如圖5所示。

脈沖噪聲服從下列概率密度函數分布：

[pz=Pa，z=aPb，z=b0，其他] （1）

當[b>a]時，灰度值b會在圖像顯示為一個亮點;當[b

對于因信號脈沖而產生的噪聲，中值濾波器具有十分良好的去噪能力。中值濾波是一種非線性濾波技術，相較于線性平滑濾波器，中值濾波器能在去噪的同時引起更少的模糊，使得圖像的邊緣保持清晰[10]。

作為一種非線性算子，中值濾波根據灰度等級對一個局部窗口中的像素進行排列，當排列的模板窗口為奇數時，取數列的中間值作為像素值;當排列的模板窗口為偶數時，則取整個數列的平均值作為像素值[11]。一維中值濾波的定義式為：

[Yk=med{xK-N，xK-N+1，…，xK，…，xK+N-1，xK+N}] （2）

將中值濾波的概念擴展到彩色圖像處理中不是一個簡單的過程[12]，如果同時考慮三個彩色分量，那么需要對彩色矢量確定一個順序序列，用以定義兩個矢量之間誰大誰小。在調整濾波模板后，選取3[×]3模板的中值濾波器對六價鉻檢測試紙圖像進行處理，處理的結果如圖6所示。

4? 基于機器視覺的六價鉻檢測系統的數據分析

由基于分光光度法測量六價鉻含量的原理可知，檢測試紙與含六價鉻溶液反應后，試紙的圖像信息就代表著六價鉻濃度。為了進一步探究圖像所顯示的信息與六價鉻溶液濃度的具體關系，采用RGB彩色空間模型，將試紙的R，G，B三個顏色分量數值提取出來，利用Mean2（）函數計算出R，G，B三個顏色分量的具體數值。

Mean2（）函數的功能是對一整個矩陣求像素平均值。在[M·N]的目標區域圖像中，每一個顏色分量通道都形成了一個單獨的矩陣，利用Mean2（）可以求得整個矩陣的像素平均值，R，G，B分量的計算公式如下：

[R=i=1Mj=1NfRi，jM·N] （3）

[G=i=1Mj=1NfGi，jM·N] （4）

[B=i=1Mj=1NfBi，jM·N] （5）

本文選取22種濃度的六價鉻標準液與檢測試紙進行反應，將得到的反應區域圖像作為顏色特征提取的對象。標準液濃度分別為100 mg/l，90 mg/l，80 mg/l，70 mg/l，60 mg/l，50 mg/l，40 mg/l，30 mg/l，20 mg/l，10 mg/l，9 mg/l，8 mg/l，7 mg/l，6 mg/l，5 mg/l，4 mg/l，3 mg/l，2 mg/l，1 mg/l，0.5 mg/l，0.25 mg/l，0.125 mg/l，在相同溫度、光照等條件下進行圖像采集，對圖像進行濾波去噪并使用K?means聚類算法提取出目標區域圖像，結果如圖7所示。

使用Mean2（）函數將提取到的R，G，B的平均值導出，得到三種顏色特征分量數值。然后將檢測后檢測卡紙顏色通過三原色分解為X1，X2和X3作為向量，卡紙檢測顏色的改變分別映射六價鉻離子濃度的差異變化，從而檢測濃度的卡紙色度的相關關系，隨著濃度減少，卡紙色度分解出的R，G，B的數值呈現負相關變化。觀察到這種線性關系后，本文選用最小二乘法來擬合試紙顏色與濃度的關系。從六價鉻檢測試紙的彩色圖像中，提取到的R，G，B顏色特征分量數值與水樣中六價鉻離子濃度Y之間，存在明顯的線性關系，因此可以利用最小二乘法擬合出一條在空間內與所有的濃度對應的點之間，距離平方和最小的曲線。殘差圖如圖8所示。在Matlab中，使用regress（）命令可以進行一元或多元的線性回歸分析，該命令本質上使用的就是最小二乘法。使用regress（）函數得出的結果如下：

[Y=0.157 6x21-0.013 3x22+0.178 2x23-0.016 8x1x2-? ? ? ?0.341 4x1x3+0.044 6x2x3+0.923 2x1-0.102 1x2-? ? ? ?3.544 2x3+278.488] （6）

對該回歸模型檢驗中，判定系數R2為0.995 9，非常接近于標準值1，說明回歸方程顯著。而P值檢驗為[5.990 2×10-13]，可以判定該模型擬合度較好，通過了模型回歸檢驗。運用此模型，觀察到如圖9所示。

實驗測得變量之間的22個數據，在空間內，可以得到這22個點，繪制出來后，得到六價鉻試紙圖像特征的散點圖。從圖中可以大致看出，這些點隨機散落在某直線附近，可以認為R，G，B的值與被測溶液中六價鉻離子的濃度之間近似為一線性函數。

顯然，從圖中可以發現隨著濃度的減少，三原色向量呈線性增長，顏色特征R分量和顏色特征B分量與六價鉻離子濃度呈凹曲線狀，如圖10、圖11所示。

而顏色特征G分量對于濃度變化有更為靈敏的反應，如圖12所示，濃度區間在0～40 mg/l時，該曲線斜率陡增。

從圖7中可以看到，22組含有不同濃度的六價鉻離子標準液與檢測試紙反應后，反應區域的顏色呈現從深紫到淺紫到粉紅的轉變。設計算法程序，在Matlab中得到了對應的R分量、G分量以及B分量的具體數值并列成表格。

導入數據后，可以從圖9中看出，六價鉻檢測試紙的顏色與濃度呈現出較為明顯的線性關系。接下來使用最小二乘法獲得了六價鉻離子濃度Y與R，G，B分量所代表的變量[x1]，[x2]，[x3]之間的線性關系，該函數的判定系數[R2=0.995 9]，F檢驗[F=327.045 2]，[P=5.990 2×10-13]趨近于0，誤差方差[σ2=7.662 5]。

5? 結? 論

本文針對傳統試紙法使用的試劑量大、無法現場檢測且檢測時反應時間過長等問題。在試紙檢測法的基礎上，利用根據二苯碳酰二肼分光光度法顯色原理而制成的六價鉻檢測試紙，對給定含不同濃度的六價鉻離子溶液進行檢測，試紙對溶液中的六價鉻離子發生反應，產生了紫紅色的顯色反應。基于試紙圖像本身的特點，搭建了機器視覺圖像采集設備，獲取了反應后的檢測試紙圖像。

通過對圖像RGB彩色空間轉換分析與噪聲分析以及濾波處理、切割，最后擬合R，G，B與濃度之間的關系，完成了基于機器視覺的六價鉻檢測系統的研究，對低濃度的六價鉻檢測效果穩定且精度高。

注：本文通訊作者為丁建軍。

參考文獻

[1] KUMAR S. Electrochemical detection and photochemical detoxification of hexavalent chromium （Cr（VI）） by Ag doped TiO2 nanoparticles [J]. Analytical methods， 2015， 7（8）： 3493?3499.

[2] MOSIER?BOSS P A， PUTNAM M D. Detection of hexavalent chromium using gold/4?（2?mercaptoethyl） pyridinium surface enhanced Raman scattering?active capture matrices [J]. Analytica chimica acta， 2013， 801： 70?77.

[3] ANEJA K， LAGUZET F， LACASSAGNE L， et al. Video?rate image segmentation by means of region splitting and merging [C]// Video?Rate Image Segmentation by Means of Region Splitting and Merging. Kuala Lumpur： IEEE， 2009： 113?117.

[4] ZAILA Yisleidy Linares， BAGUER D?AZROMA?ACH Marta L， GONZ?LEZHIDALGO Manuel. A graph based segmentation strategy for baggage scanner images [M]// PERALES Francisco José， SANTOS?VICTOR José. Articulated motion and deformable objects. Palma de Mallorca： Springer， 2014： 81?93.

[5] MALERBA D， ESPOSITO F， LISI F A， et al. Automated discovery of dependencies between logical components in document image understanding [C]// Proceedings of Sixth International Conference on Document Analysis and Recognition. Seattle： IEEE， 2001： 16?27.

[6] PAPARI G， PETKOV N. Edge and line oriented contour detection： State of the art [J]. Image and vision computing， 2011， 29（2/3）： 79?103.

[7] SINGH V， MISRA A K. Detection of plant leaf diseases using image segmentation and soft computing techniques [J]. Information processing in agriculture， 2017， 4（1）： 41?49.

[8] GOMEZ?MORENO H， MALDONADO?BASCON S， GIL?JIMENEZ P， et al. Goal evaluation of segmentation algorithms for traffic sign recognition [J]. IEEE transactions on intelligent transportation systems， 2010， 11（4）： 917?930.

[9] GREGGIO N， BERNARDINO A， LASCHI C， et al. Self?adaptive Gaussian mixture models for real?time video segmentation and background subtraction [C]// International Conference on Intelligent Systems Design and Engineering Applications. Changsha： IEEE， 2011： 172?176.

[10] NGUYEN T M， WU Q M J， MUKHERJEE D. An online adaptive fuzzy clustering and its application for background suppression [C]// International Conference on Computer Vision Systems. Copenhagen： Springer， 2015： 36?42.

[11] GHANEKAR U， SINGH A K， PANDEY R. A contrast enhancement?based filter for removal of random valued impulse noise [J]. IEEE signal processing letters， 2009， 17（1）： 47?50.

[12] MALINSKI L， SMOLKA B. Fast averaging peer group filter for the impulsive noise removal in color images [J]. Journal of real?time image processing， 2016， 11（3）： 427?444.