基于Python的流水線計數(shù)計量應(yīng)用

呂暉，徐佳琪

（福建工程學(xué)院電子電氣與物理學(xué)院，福建福州，350118）

0 引言

隨著我國科學(xué)技術(shù)的不斷發(fā)展，以往人工進行檢測計數(shù)，可能因為主觀原因?qū)е洛e記或漏記，這也導(dǎo)致了工廠效率低下，因此工廠流水線設(shè)計也需要逐步趨于自動化。由此，計數(shù)計量技術(shù)應(yīng)用而生，通過智能化的機器或簡潔的程序語言，可以輕松實現(xiàn)計數(shù)，在自動化程度高的工廠，可以利用多個攝像頭，進行多條生產(chǎn)線出入口的計數(shù)，減少人工勞動，提高效益。

為了使目標與背景最大程度分離，文獻[1]中為了準確識別煙草害蟲圖像，將目標圖像從背景圖像中分割出來，利用粒子群算法對常用于圖像分割的大津法，仿真結(jié)果表明，該方法能夠更快速；文獻[2]中，傳統(tǒng)的聚焦評價函數(shù)在實際使用時，會出現(xiàn)不穩(wěn)定，精確度低，而且很容易被噪聲等因素干擾，針對這么問題，文章設(shè)計了一種在大津閾值分割法并在局部梯度最大時，可以自動聚焦的算法，該算法在靈敏度，穩(wěn)定性等方面明顯有了提升，而且具有較好的抗噪聲能力；文獻[3]中，針對傳統(tǒng)二維大津分割算法的不足，例如：計算量大等，提出了將改進后的的二維Otsu算法與人工魚群（隨機搜索優(yōu)化算法）算法相結(jié)合，使圖片分割效果明顯提高，并具有一定的實時性，提高了二維閾值查找速度和泡罩藥品缺陷檢測效率。該算法在泡罩藥品包裝缺陷檢測和圖像分割領(lǐng)域得到了應(yīng)用。

文獻[4]，文獻[5]介紹單片機為核心的流水線自動計數(shù)系統(tǒng)設(shè)計和實現(xiàn)。

本文基于Python軟件工作環(huán)境，和單片機相比，編程語言更加簡潔。為了使背景和前景（目標）有效分離，利用大津法閾值分割原理，創(chuàng)建了可用于流水線的計數(shù)計量應(yīng)用的設(shè)計，可對視頻固定位置進行目標物體的計數(shù)計量，實現(xiàn)對均勻移動物體的檢測計數(shù)計量，減少人工操作。并且通過檢測素材中目標物體的數(shù)量，檢測本文設(shè)計的準確性。

1 大津法閾值原理

該算法的主體思路是，將灰度后的直方圖，該直方圖包含圖像的灰度信息，在兩峰之間找一個閾值，可以將灰度像素分為兩類，然后再通過計算這兩類灰度像素的類間方差，多次迭代，使得類間方差達到極小值，最終可以得到一個最佳閾值。

在計算機視覺和圖像處理中，大津二值化法用來自動對基于聚類的圖像進行二值化，或者說，將一個灰度圖像退化為二值圖像。算法假定該圖像根據(jù)雙模直方圖（前景像素和背景像素）包含兩類像素，于是它要計算能將兩類分開的最佳閾值，使得它們的類內(nèi)方差最小；由于兩兩平方距離恒定，所以即它們的類間方差最大。

將圖像灰度化之后，根據(jù)灰度的特征，會將背景和目標物體分開。兩者之間的類間方差越大，說明構(gòu)成背景和目標的區(qū)別也越大。使用軟件進行灰度，很容易將目標物體當成背景，將背景當作目標物體，這種情況也會導(dǎo)致兩者的區(qū)別縮小。而類間方差最大的分割意義就在于將使背景和目標物體錯分概率達到最小。對于圖像I(x,y)，用T來表示物體目標和背景的分割閾值，在整個圖像中，將目標物體的像素點數(shù)占整個圖像的像素點數(shù)的的比值記為 0ω，其平均灰度0μ；背景像素點數(shù)占整幅圖像的比例為 1ω，其平均灰度為1μ。圖像的總平均灰度記為μ，類間方差記為g。假設(shè)圖像的背景較暗,并且圖像的大小為MN× ，圖像中像素的灰度值小于閾值T的像素個數(shù)記作N0，像素灰度大于閾值T的像素個數(shù)記作N1，則有：

接著，對[0,255]個灰度級k進行遍歷，得到使類間方差最大的閾值T，也就是求得最大灰度級k。

2 流水線計數(shù)計量

現(xiàn)以本文使用的其中一個素材為例，介紹設(shè)計的計數(shù)流程。計數(shù)的核心思想為：二值化后的視頻，視頻中只有黑白兩種顏色，其中被計數(shù)物體為黑色，白色為背景。當提取的區(qū)域由全白到全黑再到全白時，計數(shù)一次。并在視頻中設(shè)置一條相對較窄的區(qū)域，在計數(shù)時，更加直觀，不會因為主觀原因影響檢測數(shù)量。

對于每一個流水線素材，被檢測的物體所處的位置不同，這個時候，可以分析觀察二值化的圖變化規(guī)律，提取部分區(qū)域，然后進行經(jīng)驗的觀察，最終確定物體的大致位置。

計數(shù)流程如圖1所示。

圖1

選取流水線素材，在視頻的第一幀時截取一張原圖，從原圖中確定物體所在位置，如圖2所示。

圖2 第一幀圖像

以物體為中心點，提取物體所在的區(qū)域，如圖3所示。

圖3 提取目標物體位置

接著，將提取的區(qū)域進行灰度化。平時生活中的照片基本都是彩色照片，彩色照片中有R，G，B三個通道信息，也就是說有三個分量，而灰度化的作用就是對這三個通道的信息進行處理，使得三個分量達到相同的效果，R=G=B。圖4是將區(qū)域灰度化后的圖像。

圖4 區(qū)域灰度化

最后對灰度后的視頻使用大津閾值法進行二值化，根據(jù)直方圖，如圖5所示。

圖5 直方圖

通過不斷迭代，找出雙峰之間的最低值，將背景與前景進行分割，達到二者可以分開的最佳效果。圖像效果如圖6所示。

圖6 二值化圖像

通過設(shè)置的區(qū)域，觀察物體是否通過，然后進行計數(shù)，如圖7所示。藍色區(qū)域為本次設(shè)置的區(qū)域，方便觀察物體的數(shù)量，直到視頻結(jié)束。

圖7 計數(shù)結(jié)果演示

為了驗證本次設(shè)計的準確性，對素材進行多次計數(shù)，每次計數(shù)結(jié)果包含九組數(shù)據(jù)，并進行多次驗證，其中一次計數(shù)結(jié)果如圖8所示。

圖8

由折線圖可以看出，本文設(shè)計對目標物體的計數(shù)比人工計數(shù)準確性要高，人工由于主觀原因，導(dǎo)致計數(shù)容易出現(xiàn)失誤，且結(jié)果不穩(wěn)定，誤差較大；本文設(shè)計計數(shù)結(jié)果較為穩(wěn)定，波動較小，計數(shù)結(jié)果接近準確值，誤差小。根據(jù)實驗結(jié)果，本次設(shè)計基本可以應(yīng)用于工廠流水線計數(shù)。

3 結(jié)語

大津法的優(yōu)點很明顯，與其他圖像分割算法相比之下，這種算法可以快速并且高效得找到類間分割閾值，對圖片分割有較好的效果。但該算法的不足也很突出，與局部分割算法相比，只能針對圖像中的某一目標進行分割，或者說，當感興趣的物體有相似的灰度時，可以進行分割。除此之外，如要分割的區(qū)域，灰度范圍分布較大時，會將某一部分圖像信息丟失。

本文設(shè)計只能對特定視頻素材中的流水線進行計數(shù)計量，不能應(yīng)用于其他素材， 如要應(yīng)用于其他素材，可以按本文設(shè)計的步驟，找到物體所在的位置，在代碼中進行修改即可。

本文設(shè)計的基于Python的流水線計數(shù)，考慮到目標物體可能不在同一條線上，所以是以目標物體的中心點提取適當區(qū)域，以提高計數(shù)的準確性。實驗結(jié)果表明，本次設(shè)計計數(shù)平均準確率為99.91%，人工平均準確率為98.46%，可以明顯看出本次設(shè)計可以更好得實現(xiàn)流水線計數(shù)。