一种色选机的物料增强特征识别剔选方法技术

本发明专利技术公开了一种色选机的物料增强特征识别剔选方法。本发明专利技术方法使用色选机获取物料图像，去掉图像中的背景，并从物料图像中逐一提取单个物料的整体灰度特征和局部灰度特征；将物料的内圆的各个区域转换为加权无向图节点和边，构建物料局部区域灰度特征加权无向图，获得每个物料的图特征分量以及特征向量；利用特征向量计算出物料的整体HSI分量和图特征分量的分布区间；色选机工作时采集到待选物料的图像数据经处理后与确定的物料整体HSI分量和局部图特征分量分布区间相比较，把超出对应分量的该分布区间的待选物料标记为不合格物料，启动喷气阀实现物料分离。本发明专利技术将单个物料的整体和局部特征相结合，更好地描述了物料属性，提高色选精度。

【技术实现步骤摘要】
一种色选机的物料增强特征识别剔选方法
本专利技术涉及到色选机的
的一种物料图像处理筛选方法，特别是一种色选机的物料增强特征识别剔选方法。
技术介绍
色选机是一种结合了机械、软件开发、图像采集和处理等领域的产品。因为其具有分类精度高、剔选速度快和分选算法适应性强等特点，色选机被广泛应用于谷物、茶叶、矿石等物料的分选处理。为了提高谷物、茶叶等产品的质量，传统的方法是通过人工肉眼鉴别待选物料的好坏，不仅耗费较大的人力，而且分类精度较差、效率低。色选机使用传送机构将大量待选物料送至图像采集和剔选装置，通过图像采集装置如CCD获取物料的实时传送信息，经图像处理和剔选规则分类后把不合格物料位置输出到剔选装置如喷气阀，开启气阀实现物料分离。RGB颜色空间通常用于显示器系统，它利用物理学中的三原色叠加原理产生各种颜色。在RGB颜色空间中，R、G、B各颜色分量彼此独立。HSI颜色空间中，H表示Hue(色度)，S表示Saturation(饱和度)，I表示Intensity(强度)。色度用来区分某一种颜色，如白、黄、青、绿、品红、红、黑等；饱和度指的是颜色的纯度，颜色越鲜艳，饱和度越高，反之饱和度越低；亮度指的是颜色的明暗程度，亮度越高，颜色越亮。RGB颜色空间的缺点在于不符合人眼的视觉特性，HSI颜色空间不适合显示器系统，但是更符合人眼的视觉特性，因此在色选时可以转换为HSI颜色空间。当前色选机技术仍然为提高色选精度、减少带出比而不断改进，待选物料的图像处理和剔选算法在色选过程中发挥重要作用。现有的色选算法如人工提取待选物料整体特征作出划分，以及与神经网络相结合进行分类等，前者受限于提取特征的好坏而后者耗时和成本开销较大，均不能很好地满足物料分选质量提高的需求。
技术实现思路
为了解决
技术介绍
所述问题，本专利技术提出了一种色选机的物料增强特征识别剔选方法。本专利技术的技术方案如下：步骤一：使用色选机获取N个物料在实时运动的图像作为物料图像，使用运动糢糊图像复原、中值滤波去噪和阈值法去除物料图像中的背景；步骤二：从物料图像中逐一提取单个物料的整体灰度特征和局部灰度特征，整体灰度特征即为物料的整体HSI分量，局部灰度特征即为物料内圆的各个区域的R、G、B通道的灰度平均值；所述步骤二具体步骤如下：S2.1、将去掉背景的每一个第i个物料Ai作为一个样本例，i＝1，2，...，N，i表示物料的序号，置于一个m×m个像素的空白图片中，得到样本例图片；S2.2、根据样本例图片中物料Ai的外轮廓点ei，1，ei，2，...，ei，n的坐标计算几何中心Fi：其中，ei，1，ei，2，...，ei，n分别表示物料Ai对应的第1个到第n个外轮廓点；S2.3、计算物料Ai外轮廓内的所有像素点pi，1，pi，2，...，pi，s的RGB灰度平均值得到物料的整体灰度特征：其中，pi，j(R)是物料Ai外轮廓内的第j个像素点pi，j所对应的RGB颜色空间中R通道的灰度值，Ri表示物料在RGB颜色空间中R通道的灰度特征；物料在RGB颜色空间中G通道的灰度特征Gi和B通道的灰度特征Bi按照和R通道的灰度特征Ri相同方式进行处理获得；S2.4、将物料Ai的R、G、B通道的灰度特征作为整体RGB信息并转化为HSI信息，再分别计算HSI信息的H、S、I分量作为整体HSI分量；S2.5、建立一个内圆Di，内圆Di的圆心Mi与物料Ai的几何中心Fi重合，且内圆Di的面积Ti和物料Ai的面积Si满足Ti：Si＝1∶5；其中，物料Ai的面积Si由外轮廓点ei，1，ei，2，...，ei，n所包围的区域像素点总数获得，内圆Di的面积计算方式与物料Ai的面积Si计算方式相同；S2.5.1、先将内圆Di沿半径四等分进行划分分成同心的一个内圆Qi，1和三个圆环Qi，2、Qi，3、Qi，4，同时再将内圆Di沿圆周八等分对内圆Qi，1和三个圆环Qi，2、Qi，3、Qi，4进一步划分为八个区域，共计划分为32个区域；S2.5.2、分别计算内圆Di的32个区域的R、G、B通道的灰度平均值，得到96个灰度平均值，作为局部灰度特征。步骤三：将物料Ai的内圆Di的各个区域转换为加权无向图Pi(V，E)节点和边，构建物料局部区域灰度特征加权无向图，获得每个物料Ai的图特征分量以及特征向量Ki；所述步骤三具体步骤如下：S3.1、首先将物料Ai内圆Di的面积归一化；分别求出每个区域的几何中心作为该区域在加权无向图中的节点vi，1,vi，2,...,vi，32，vi，1表示物料Ai对应的第1个区域在加权无向图中的节点，所有节点组成了加权无向图Pi(V，E)的点集Vi；S3.2、将32个区域两两组合匹配，分别计算所匹配的两个区域间的色差系数δu，v，将色差系数δu，v小于色差系数阈值Φ的两个区域关联，由两个区域的关联关系作为边Eu，v，由所有边Eu，v组成了加权无向图Pi(V，E)的边集Ei；所述的两个区域间的色差系数δu，v计算如下：其中，ru表示区域u的R通道的灰度特征，Δr表示区域u的R通道的灰度特征和区域v的R通道的灰度特征之间的差，Δg表示区域u的G通道的灰度特征和区域v的G通道的灰度特征之间的差，Δb表示区域u的B通道的灰度特征和区域v的B通道的灰度特征之间的差；S3.3、根据加权无向图Pi(V，E)内各节点间的距离du，v和色差系数δu，v，计算边Eu，v的权重ωu，v：S3.4、计算加权无向图Pi(V，E)的图特征分量：提取加权特征路径长度全局效率和加权全局聚类系数作为物料的图特征分量；加权特征路径长度是加权无向图中所有可能的节点对最短路径长度的平均值，节点对是由任意两个节点构成，路径长度为节点对中两个节点间的一条路径上各条边的权重之和，最短路径长度是节点对中两个节点间所有可能路径的路径长度的最小值；全局效率是加权无向图中所有可能的节点对最短路径长度倒数的平均值。所述S3.4中的加权全局聚类系数采用以下公式计算获得；其中，为物料Ai的包含有节点u的所有三角形的三边权重的几何平均值之和，为物料Ai的节点u所在的所有边的权重和，f表示物料Ai的节点数。S3.5、将物料Ai的内圆Di的图特征分量整体HSI分量Ai(H)、Ai(S)、Ai(S)和类别标签Yi按顺序组合，得到描述物料Ai属性特点的特征向量其中类别标签Yi取0或1，分别表示物料Ai合格或不合格。步骤四：利用步骤三获得的特征向量Ki计算出物料的整体HSI分量和图特征分量的分布区间；所述步骤四具体步骤如下：对于所有物料Ai的特征向量Ki，对特征向量Ki其中的除类别标签Yi之外的所有分量按照以下处理获得分量分布区间的上下限，以作为第一分量的加权特征路径长度为例，进行说明：S4.1、将所有物料Ai的加权特征路径长度根据数值从小到大依次排列，计算排列下的四分本文档来自技高网...

【技术保护点】
1.一种色选机的物料增强特征识别剔选方法，其特征在于，包括以下步骤：/n步骤一：使用色选机获取N个物料在实时运动的图像作为物料图像，并去掉图像中的背景；/n步骤二：从物料图像中逐一提取单个物料的整体灰度特征和局部灰度特征，整体灰度特征即为物料的整体HSI分量，局部灰度特征即为物料内圆的各个区域的R、G、B通道的灰度平均值；/n步骤三：将物料A

【技术特征摘要】
1.一种色选机的物料增强特征识别剔选方法，其特征在于，包括以下步骤：
步骤一：使用色选机获取N个物料在实时运动的图像作为物料图像，并去掉图像中的背景；
步骤二：从物料图像中逐一提取单个物料的整体灰度特征和局部灰度特征，整体灰度特征即为物料的整体HSI分量，局部灰度特征即为物料内圆的各个区域的R、G、B通道的灰度平均值；
步骤三：将物料Ai的内圆Di的各个区域转换为加权无向图Pi(V，E)节点和边，构建物料局部区域灰度特征加权无向图，获得每个物料Ai的图特征分量以及特征向量Ki；
步骤四：利用步骤三获得的特征向量Ki计算出物料的整体HSI分量和图特征分量的分布区间；
步骤五：色选机工作时采集到待选物料的图像数据经处理后与步骤四确定的物料整体HSI分量和局部图特征分量分布区间相比较，把超出对应分量的该分布区间的待选物料标记为不合格物料，启动喷气阀实现物料分离。


2.根据权利要求1所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述步骤二具体步骤如下：
S2.1、将去掉背景的每一个第i个物料Ai作为一个样本例，i＝1，2，...，N，i表示物料的序号，置于一个m×m个像素的空白图片中，得到样本例图片；
S2.2、根据样本例图片中物料Ai的外轮廓点ei，1，ei，2，...，ei，n的坐标计算几何中心Fi：



其中，ei，1，ei，2，...，ei，n分别表示物料Ai对应的第1个到第n个外轮廓点；
S2.3、计算物料Ai外轮廓内的所有像素点pi，1，pi，2，...，pi，s的RGB灰度平均值得到物料的整体灰度特征：



其中，pi，j(R)是物料Ai外轮廓内的第j个像素点pi，j所对应的RGB颜色空间中R通道的灰度值，Ri表示物料在RGB颜色空间中R通道的灰度特征；
物料在RGB颜色空间中G通道的灰度特征Gi和B通道的灰度特征Bi按照和R通道的灰度特征Ri相同方式进行处理获得；
S2.4、将物料Ai的R、G、B通道的灰度特征作为整体RGB信息并转化为HSI信息，再分别计算HSI信息的H、S、I分量作为整体HSI分量；
S2.5、建立一个内圆Di，内圆Di的圆心Mi与物料Ai的几何中心Fi重合，且内圆Di的面积Ti和物料Ai的面积Si满足Ti∶Si＝1∶5；
S2.5.1、先将内圆Di沿半径四等分进行划分分成同心的一个内圆Qi，1和三个圆环Qi，2、Qi，3、Qi，4，同时再将内圆Di沿圆周八等分对内圆Qi，1和三个圆环Qi，2、Qi，3、Qi，4进一步划分为八个区域，共计划分为32个区域；
S2.5.2、分别计算内圆Di的32个区域的R、G、B通道的灰度平均值，得到96个灰度平均值，作为局部灰度特征。


3.根据权利要求1所述的一种色选机的物料增强特征识别剔选方法，其特征在于：所述步骤三具体步骤如下：
S3.1、首先将物料Ai内圆Di的面积归一化；分别求出每个区域的几何中心作为该区域在加权无向图中的节点vi，1,vi，2,...,vi，32，vi，1表示物料Ai对应的第1个区域在加权无向图中的节点，所有节点组成了加权无向图Pi(V，E)的点集Vi；
S3.2、将32个区域两两组合匹配，分别计算所匹配的两个区域间的色差系数δu，v，将色差系数δu，v小于色差系数阈值Φ的两个区域关联，由两个区域的关联关系作为边Eu，v，由所有边Eu，v组成了加权无向图Pi(V，E)的边集Ei；
S3.3、根据加权无向图Pi(V，E)内各节点间的距离du，v和色差系数δu，v，计算边Eu，v的权重ωu，v：



S3.4、计算加权无向图Pi(V...

【专利技术属性】
技术研发人员：冯毅雄，岑鸿晋，洪兆溪，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33