基于图像分割的筷子瑕疵检测研究

胡小慧, 江虹， 郭秋梅

（西南科技大学 信息工程学院,四川 绵阳， 621010）

摘要：针对筷子瑕疵人工检测存在效率低、成本高、工作环境恶劣等缺点,提出了一种基于图像分割的筷子瑕疵检测研究分析方法。该方法采用图像采集设备获取筷子图像，利用图像处理技术对筷子图像进行增强、边缘检测及图像分割,获取筷子图像的RGB数据;对RGB三通道所占百分比及百分比方差进行统计分析。实验结果表明，该方法能有效地将目标筷子的彩色图像与筷子的背景图像分离，得到准确的筷子RGB数据，数据分析结果对筷子瑕疵检测有很大的参考价值。

0引言

目前，我国筷子生产行业仍应用人工目检的方法挑选筷子，而人工检测效率低、成本高且环境比较恶劣，随着生产速度的提高以及越来越严格的质量要求，传统人工瑕疵检测的方法已不能保质保量地完成生产任务。近年来，采用图像处理技术对产品进行瑕疵检测已有相关的研究，如陈文达［1］利用图像处理及模式识别等技术对金属表面瑕疵进行了分析研究；王明景［2］实现了图案布匹瑕疵的在线实时检测；林如意［3］利用图像纹理等分析方法检测纺织品瑕疵；KUO C F J等人［4］在织物图像中利用灰度共生矩阵提取相异性、能量、对比度等特征向量，使用图像分析技术对织物瑕疵进行检测和分类。基于图像处理技术的瑕疵检测研究历经多年，得到了飞速的发展，一些成熟的机器视觉系统已应用在现代化生产线上。有关筷子瑕疵检测类的国内外文献，目前尚鲜见报道。

对此本文提出基于图像分割的筷子瑕疵分析检测方法。实验结果表明，该方法能有效地对筷子图像进行预处理，分割得到可靠的彩色筷子图像，实现对筷子图像RGB值的统计分析。

1筷子瑕疵分类

由于原材料以及加工过程中的问题，筷子的瑕疵类型主要包括：青皮、色斑、烧焦。本文主要针对这三种瑕疵进行处理分析。

2边缘检测及图像分割

小波变换具有良好的局部性与多尺度性，可满足在大尺度上排除噪声的干扰，在小尺度上准确定位边缘，从而为图像边缘检测提供高质量的边缘信息［56］。本文将小波变换与模糊C均值算法相结合，通过小波变换完成对筷子图像边缘的提取，利用边缘信息对目标筷子图像进行定位标号实现初步分割，再使用模糊C均值（FCM）方法完成对筷子图像的分割。

利用小波变换算法对筷子边缘检测步骤如下：

（1）对图像进行尺度为j的小波变换，得到垂直方向和水平方向的高频细节分量，分别用W12f(x,y)和W22f(x,y)表示；

（2）求出小波变换系数的模值：

（4）求出局部极大值；

（5）依次检验每个像素点，确认其在对应的幅角最接近的方向上是否是极大值，如果是，记录该梯度，否则将梯度值置0；

（6）对获得的可能的边缘图像进行阈值分割，选取阈值μ，所有模极大值小于μ的像素的模值都置为0；

（7）输出边缘检测图像。

FCM算法的核心思想是找到使得模糊聚类的目标函数最小的隶属度和聚类中心，表达式为：

J(U,V)=∑nk=1∑ci=1umikdik(xk,vi)(3)

X={x1,x2,...,xn}为图像像素的特征值，V={v1,v2,...,vn}为区域的聚类中心，u={uik}cn是隶属度矩阵。uik表示xi隶属于第k类区域的隶属度，m为权重指数，它决定分类结果的模糊程度。利用拉格朗日乘子求得隶属度和聚类中心的迭代更新公式如下：

使用小波变换对筷子进行边缘检测，检测结果如图1所示。其中图1(a)为筷子原图；图 (b)为使用小波边缘检测的结果；图 (c)为利用筷子边缘信息对图像中的筷子进行定位标号粗分割结果。

利用FCM算法即式(3)实现对目标筷子与背景图像的完整分割，其中取m权重指数为2。对多双筷子进行分割，其结果如图2所示。其中图2(a)为使用传统的基于边缘图像分割方法的分割结果；图2(b)为本文图像分割方法的最终分割结果。

从图2（a）中可以看出：基于边缘的图像分割方法对目标筷子图像进行分割得到的筷子图像中，筷子顶部尖端、筷子中间及边缘有残余的背景存在，且部分筷子存在过分割情况，整体分割效果不理想；本文将小波变换与FCM算法相结合，对筷子图像进行分割如图2(b)所示，实现了对目标筷子与背景的有效分割，分割效果优于传统的基于边缘的图像分割方法。

3实验数据分析结果

RGB色彩模式是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，这个标准几乎包括了人类视力所能感知的所有颜色。由于每个像素点由R、G、B三个值组成，本文通过对筷子图像的RGB值进行统计分析来观测筷子颜色波动情况。首先通过对筷子图像进行分割，去除背景图像，得到单双筷子图像；然后提取彩色筷子RGB值，将筷子的R、G、B数据分成35段，统计分析每段每个通道所占百分比(即XR+G+B，其中X为R、G、B值)及百分比方差分布情况。

3.1单双筷子数据统计分析情况

实验采用MATLAB 2013编程实现，利用本文的图像分割方法对单双筷子图像进行分割，如图3所示。其中图3(a)为原始图像；图3(b)为使用小波边缘检测后基于边缘图像分割方法的分割结果；图3(c)为使用本文分割方法的分割结果。

分别提取图3(b)、图3(c)分割结果的R、G、B值，将获取得到的R、G、B值分为35段，统计每段数据的R、G、B三个通道所占百分比，如图4所示。其中图4(a)、图4(c)为图3(b)、图3(c)分割结果的R、G、B值被分为35段后每段每个通道所占百分比统计结果。图4(b)、图4(d)是根据图4(a)、图4(c)的R、G、B三个通道所占百分比统计结果曲线统计得到的百分比曲线的方差结果。其中4幅图中实线为本文分割方法得到的筷子RGB数据统计分布结果，虚线为基于边缘图像分割方法得到的筷子RGB数据统计分布结果。

分别使用基于边缘图像分割方法和本文分割方法对10双标准筷子进行图像分割，统计RGB三通道所占百分比的均值及百分比均方差，如表1所示。

实验结果证明：

(1)如图3所示，基于边缘的图像分割方法无法将目标筷子与背景完全分离，在筷子尖端及边缘存在残留背景，且存在过分割现象；而使用本文图像分割方法，有效地将目标筷子及背景分离，且能完好地分割出筷子彩色图像。

(2)被分割的筷子为标准筷子不含瑕疵，该类筷子正确的数据分布情况是三个通道百分比方及百分比方差

图4统计结果平稳分布，如图4(a)、图4(c)所示，使用本文分割方法得到的标准筷子RGB值的百分比平稳分布，而使用基于边缘分割方法得到的R、G、B值的百分比分布则波动较大；对图4(a)、图4(c)的百分比曲线进行方差统计如图4(b)、图4(d)所示，使用本文图像分割方法得到的百分比方差数据分布情况相对于使用基于边缘的图像分割方法得到的数据分布更平稳，即本文分割方法得到的数据更接近真实筷子数据分布情况。

(3)如表1所示，分别使用基于边缘图像分割和本文分割方法对10双标准筷子进行图像分割，统计RGB三通道所占百分比的均值及百分比均方差，基于边缘图像分割方法统计得到的RGB三通道百分比均方差相对于本文分割方法得到的百分比均方差高出约60倍(R通道）、18倍(G通道)、30倍(B通道)，即本文分割方法得到的数据相对基于边缘图像分割方法统计得到的数据更稳定、准确。

32瑕疵筷子数据统计分析情况

对标准筷子、青皮筷子、色斑筷子、烧焦筷子的RGB值进行统计分析，统计结果如图5所示，其中图(a) 、(b)、(c) 、(d)分别是标准筷子、青皮筷子、色斑筷子、烧焦筷子的每个通道所占百分比及百分比方差统计结果。每幅图由两部分组成：(1) 每个通道所占百分比数据统计分布情况；(2) 根据每个通道百分比曲线统计得到百分比方差数据统计分布情况。

表2统计20双标准筷子、6双青皮筷子、7双色斑筷子、3双烧焦筷子的RGB三通道所占百分比分布范围、百分比均值及百分比均方差。

表3统计了三类瑕疵筷子分别与标准筷子的百分比均值、百分比均方差的对比情况。

3.3实验数据分析结果

根据图5可知，三类瑕疵筷子的RGB表2标准筷子与瑕疵筷子各通道所占百分比均值分布范围筷子类型各通道所占百分比分布范围R通道G通道B通道标准筷子038~041033~035027~028青皮筷子041~046033~035020~028色斑筷子040~048032~035020~027烧焦筷子041~045031~036019~024

图5百分比方差统计结果值的百分比方差曲线相对标准筷子的RGB数据分布曲线波动大；根据表2可知，瑕疵筷子R通道、B通道所占百分比数据分布范围最小值与最大值跨度值≥005,而标准筷子数据分布范围最小与最大值的跨度值≤003，即再次证明瑕疵筷子的百分比数据波动大；根据表3可知，在R通道、B通道，瑕疵筷子相对标准筷子百分比均值的差值均较大，且瑕疵筷子的百分比均方差远高于标准筷子的百分比方差。由以上实验结果可知，瑕疵类筷子的RGB三通道所占百分比、百分比方差与标准筷子存在较大差异，根据这些差异可对瑕疵筷子进行筛选。

4结论

本文通过对筷子图像前期预处理，实现了对目标筷子图像的有效分割，完成了对筷子图像RGB三通道百分比及百分比方差统计分析，得出以下结论：瑕疵筷子RGB三通道所占百分比及百分比方差数据分布相对于标准筷子数据分布波动大，且瑕疵筷子RGB三通道所占百分比在有瑕疵的位置，其数据超出正常数据分布范围。在筛选筷子时可通过检测RGB所占百分比及百分比方差数据波动情况及数据分布范围来检测瑕疵筷子。

参考文献

［1］ 陈文达. 金属工件表面瑕疵检测技术的研究与开发［D］. 无锡：江南大学， 2013.

［2］ 王明景,白瑞林,何薇，等.图案布匹瑕疵的在线视