李　篪

(沈陽(yáng)理工大學(xué) 現(xiàn)代教育技術(shù)中心， 沈陽(yáng) 110159)

?

一種基于圖像處理的打捆鋼筋計(jì)數(shù)方法*

李篪

(沈陽(yáng)理工大學(xué) 現(xiàn)代教育技術(shù)中心， 沈陽(yáng) 110159)

針對(duì)打捆鋼筋的計(jì)數(shù)問題，提出了一種基于圖像連通區(qū)域面積的打捆鋼筋計(jì)數(shù)方法.通過對(duì)打捆鋼筋端部圖像進(jìn)行灰度化、濾波和圖像分割處理，使分割后圖像中的連通區(qū)域分類為噪聲、一根鋼筋和多根鋼筋，并將所有連通區(qū)域的鋼筋求和，就可以得到圖像中全部鋼筋的數(shù)目.結(jié)果表明，新算法不僅縮短了運(yùn)算時(shí)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(nèi)部的細(xì)節(jié)，有利于后續(xù)鋼筋的識(shí)別和計(jì)數(shù).

鋼筋端面圖像； 圖像增強(qiáng)； 閾值； 濾波； 腐蝕； 連通區(qū)域； 圖像分割； 運(yùn)算時(shí)間

國(guó)內(nèi)大部分鋼廠對(duì)鋼筋進(jìn)行打捆定支銷售，而對(duì)其計(jì)數(shù)是一項(xiàng)重要環(huán)節(jié)，目前大部分廠家使用人工計(jì)數(shù)，這種方法效率低且勞動(dòng)強(qiáng)度大，已經(jīng)無(wú)法滿足現(xiàn)代化鋼鐵企業(yè)快速生產(chǎn)的需求.隨著科技的迅速發(fā)展，計(jì)算機(jī)的運(yùn)算速度越來越快，采集圖像的設(shè)備價(jià)格越來越低，而且圖像的質(zhì)量越來越高，各種新型高效率算法層出不窮，數(shù)字圖像識(shí)別技術(shù)在棒材計(jì)數(shù)中的應(yīng)用越來越廣泛[1-2].圖像識(shí)別過程利用計(jì)算機(jī)對(duì)采集到的圖像信息進(jìn)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(duì)鋼筋端部圖像識(shí)別可以達(dá)到計(jì)數(shù)的目的，因此，對(duì)鋼筋自動(dòng)計(jì)數(shù)的研究已經(jīng)成為鋼材企業(yè)亟待解決的問題，對(duì)減輕工人的勞動(dòng)強(qiáng)度，提高打捆鋼筋計(jì)數(shù)的精度具有重要的現(xiàn)實(shí)意義[3].

1　基于圖像處理的鋼筋計(jì)數(shù)系統(tǒng)

系統(tǒng)總體結(jié)構(gòu)可以分為硬件、圖像處理和鋼筋識(shí)別的軟件過程[4].計(jì)數(shù)系統(tǒng)硬件組成如圖1所示，主要通過數(shù)碼采集設(shè)備對(duì)成堆鋼筋采集圖像數(shù)據(jù)，進(jìn)而將采集到的圖像數(shù)據(jù)輸入計(jì)算機(jī)進(jìn)行軟件處理.圖像處理與鋼筋識(shí)別流程如圖2所示，包括圖像灰度化、細(xì)化腐蝕和分割后識(shí)別計(jì)數(shù)等幾個(gè)重要的功能.

圖1　鋼筋計(jì)數(shù)系統(tǒng)的硬件組成Fig.1　Hardware structure of counting system for steel bars

圖2　鋼筋計(jì)數(shù)的流程Fig.2　Flow chart of counting for steel bars

2　圖像識(shí)別算法

采集鋼筋圖像時(shí)，由于現(xiàn)場(chǎng)的工業(yè)條件復(fù)雜，采集到的圖像效果都不太理想.不均勻光照導(dǎo)致圖像的灰度分布不均勻；拍攝角度過大導(dǎo)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(dǎo)致鋼筋截面之間的空隙不是很明顯；拍攝背景比較復(fù)雜，從而增加了圖像的噪聲.這些因素都影響鋼筋計(jì)數(shù)的準(zhǔn)確性，要完成打捆鋼筋端面圖像的識(shí)別計(jì)數(shù)，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(zhuǎn)換為灰度圖像，后續(xù)處理工作十分重要[6].利用加權(quán)平均的方法對(duì)圖3所示的鋼筋端部彩色圖像進(jìn)行灰度化，取得了良好的效果，結(jié)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(qiáng)

圖像增強(qiáng)是強(qiáng)調(diào)圖像中感興趣的特征，抑制或消除一些無(wú)用的信息，以便于計(jì)算機(jī)識(shí)別的圖像處理方法.常用的圖像增強(qiáng)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(huì)對(duì)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(duì)一個(gè)規(guī)定尺寸的滑動(dòng)窗口內(nèi)的各像素灰度進(jìn)行排序，并用中值代替窗口中心的原像素實(shí)現(xiàn).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(jì)數(shù)系統(tǒng)中，其關(guān)鍵步驟之一就是把鋼筋截面從復(fù)雜的圖像背景中分離出來，主要通過圖像分割完成.傳統(tǒng)的大津閾值分割方法只是考慮背景類和目標(biāo)類之間的類間方差，而忽略了背景與目標(biāo)的類內(nèi)方差.實(shí)際上，類內(nèi)方差直接影響背景和目標(biāo)灰度值的分散程度，類內(nèi)方差越大，分散性越強(qiáng)，達(dá)到的分類效果就會(huì)越差.經(jīng)典的大津閾值算法沒有考慮類別之間差異導(dǎo)致錯(cuò)分以及帶來的后續(xù)影響，這也是產(chǎn)生分割后圖像對(duì)比度較低的原因.現(xiàn)場(chǎng)采集的打捆鋼筋圖像受生產(chǎn)環(huán)境影響噪聲大和對(duì)比度低等因素的影響，背景和目標(biāo)內(nèi)部之間的灰度值起伏也因?yàn)椴杉O(shè)備等因素不穩(wěn)定，進(jìn)而造成背景與目標(biāo)的類內(nèi)灰度直方圖的交疊現(xiàn)象，并且雙峰不明顯.因此，不能忽略類內(nèi)方差在鋼筋端面圖像分割時(shí)的影響[7-8].

針對(duì)經(jīng)典大津閾值分割方法的不足，本文提出一種改進(jìn)的大津閾值選擇函數(shù)，目的是兼顧類內(nèi)方差和類間方差對(duì)最佳分割閾值的影響.

對(duì)像素點(diǎn)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(diǎn)概率.

c0和c1的均值分別為

(2)

對(duì)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(jìn)的閾值選擇函數(shù)表達(dá)式為

(5)

式中，分子為類間方差，分母為類內(nèi)方差.當(dāng)H(t)取最大值時(shí)，t就是取得的最佳閾值T.將類內(nèi)方差因素引入到最佳閾值計(jì)算的考慮因素內(nèi)，使得到的閾值更加接近理想閾值.對(duì)于鋼筋端面圖像，類內(nèi)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(jìn)后的大津閾值分割如圖6所示.

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

利用改進(jìn)后的大津閾值分割方法對(duì)打捆鋼筋端部圖像進(jìn)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(xiàn)象，總體分割效果較好.

3　鋼筋端面識(shí)別計(jì)數(shù)

3.1形態(tài)學(xué)處理

數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)運(yùn)算主要有膨脹、腐蝕、開運(yùn)算和閉運(yùn)算等幾種算法，通過這些基礎(chǔ)算法還可以構(gòu)造出許多實(shí)用算法來分析處理圖像結(jié)構(gòu)以及形狀，例如過濾噪聲、目標(biāo)檢測(cè)、分離邊界、空洞填充、分離區(qū)域枝干和特征抽取等[9].

分割后的圖像存在嚴(yán)重的粘連現(xiàn)象，腐蝕可以消除鋼筋之間的粘連現(xiàn)象，當(dāng)結(jié)構(gòu)元素選取較小時(shí)，效果不理想；當(dāng)結(jié)構(gòu)元素選取較大時(shí)，雖然可以分開目標(biāo)區(qū)域之間細(xì)小的連通，但是也會(huì)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(duì)這一問題，本文采用一種腐蝕-細(xì)化-腐蝕的方法消除鋼筋間大部分的粘連，其結(jié)果如圖7所示.

圖7　細(xì)化腐蝕圖Fig.7　Image after refining and corrosion

3.2目標(biāo)識(shí)別計(jì)數(shù)

本文采用的算法是利用8鄰域連通準(zhǔn)則按照從左到右、從上到下的方式掃描二值圖像，標(biāo)記處理后的鋼筋端面圖像中各個(gè)連通區(qū)域?yàn)椴煌臉?biāo)值，按照從左到右、從下到上的掃描順序?qū)D像進(jìn)行重新掃描，按像素點(diǎn)的灰度值分類統(tǒng)計(jì)每個(gè)連通區(qū)域包含的像素點(diǎn)個(gè)數(shù).根據(jù)像素點(diǎn)個(gè)數(shù)，就可以計(jì)算出每個(gè)連通區(qū)域的面積以及相關(guān)參數(shù).分割后圖像中的鋼筋端面為類圓區(qū)域，本文采用面積率法對(duì)鋼筋的端面進(jìn)行判斷識(shí)別.

假設(shè)在一幅鋼筋圖像中，有m個(gè)連通區(qū)域，標(biāo)記連通區(qū)域的值依次為1，2，…，m，標(biāo)記值為i的連通域面積為Si，標(biāo)記值為i的連通域像素個(gè)數(shù)為Ni(i=1，2，…，254)，假設(shè)圖像中每個(gè)像素點(diǎn)的面積為B，則有

Si=BNi(i=1，2，…，254)

(6)

假設(shè)面積為Si的連通域個(gè)數(shù)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(duì)應(yīng)的連通域面積定義為標(biāo)準(zhǔn)面積S標(biāo).對(duì)鋼筋端部二值圖像進(jìn)行識(shí)別計(jì)數(shù)時(shí)，需要將每個(gè)連通區(qū)域的面積Si和標(biāo)準(zhǔn)面積S標(biāo)進(jìn)行對(duì)比研究，系統(tǒng)中稱Si/S標(biāo)為連通區(qū)域i的面積比例因數(shù)，用μi表示，即

μi=Si/S標(biāo)(i=1，2，…，254)

(9)

鋼筋圖像經(jīng)過多重預(yù)處理操作后，粘連的鋼筋在4個(gè)之內(nèi)，進(jìn)而采用如下處理方法處理鋼筋端面之間的粘連現(xiàn)象和背景噪聲的影響，從而實(shí)現(xiàn)較為準(zhǔn)確的計(jì)數(shù).

1) 當(dāng)0<μi<0.5時(shí)，視連通區(qū)域?yàn)樵胍簦挥?jì)數(shù)；

2) 當(dāng)0.5≤μi≤1.5時(shí)，視連通區(qū)域?yàn)橐桓摻疃嗣?，?jì)數(shù)為1；

3) 當(dāng)1.5<μi≤3時(shí)，視連通區(qū)域?yàn)閮筛尺B的鋼筋端面，計(jì)數(shù)為2；

4) 當(dāng)3<μi≤4.5時(shí)，視連通區(qū)域?yàn)檎尺B在一起的3根鋼筋端面，計(jì)數(shù)為3；

5) 當(dāng)μi>4.5時(shí)，視連通區(qū)域?yàn)槊娣e較大的背景，不計(jì)數(shù).

利用本文方法對(duì)打捆鋼筋進(jìn)行識(shí)別計(jì)數(shù)，其計(jì)數(shù)結(jié)果如圖8所示.圖8中鋼筋實(shí)際數(shù)量為115，則計(jì)數(shù)準(zhǔn)確率為96.52%.

圖8　鋼筋識(shí)別計(jì)數(shù)顯示Fig.8　Counting illustration for identification of steel bars

4　結(jié)　論

本文介紹了鋼筋計(jì)數(shù)系統(tǒng)的框架結(jié)構(gòu)，以及系統(tǒng)中所用到的相關(guān)算法.該軟件具有較強(qiáng)的實(shí)用價(jià)值，所采用改進(jìn)算法可在其他圖像處理領(lǐng)域使用，對(duì)企業(yè)生產(chǎn)信息化具有重要意義.本文算法實(shí)現(xiàn)簡(jiǎn)單，處理效果好，提高了企業(yè)在鋼筋計(jì)數(shù)工作中的效率，但是對(duì)噪聲大的、采集圖像質(zhì)量差的圖像可能會(huì)產(chǎn)生誤判、錯(cuò)判，影響計(jì)數(shù)精度.通過保證原圖像的質(zhì)量或者引入其他新算法進(jìn)行二次開發(fā)，以實(shí)現(xiàn)系統(tǒng)具有更高的適應(yīng)性與更廣泛的實(shí)用性.

[1]房新亮，陳樹環(huán).基于機(jī)器視覺技術(shù)的棒材自動(dòng)計(jì)數(shù)系統(tǒng)的研究與應(yīng)用 [J].工業(yè)控制計(jì)算機(jī)，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(dòng)棒材打捆機(jī)關(guān)鍵技術(shù)的研究 [D].唐山：華北理工大學(xué)，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(qiáng)，徐科，徐金梧，等.基于圖象處理的棒材自動(dòng)計(jì)數(shù)技術(shù) [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(guó)營(yíng).數(shù)字圖像技術(shù)在棒材自動(dòng)計(jì)數(shù)裝置中的研究 [J].冶金設(shè)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(shù)字圖像處理的棒材計(jì)數(shù)方法研究 [D].濟(jì)南：山東大學(xué)，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(qiáng)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(jìn)的最大類間方差圖像分割法 [J].南京理工大學(xué)學(xué)報(bào)，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(jì)俐.基于局部模糊增強(qiáng)的順序形態(tài)學(xué)邊緣檢測(cè)算法 [J].儀器儀表學(xué)報(bào)，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(zé)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(xué)技術(shù)計(jì)劃項(xiàng)目(2012217005)； 沈陽(yáng)理工大學(xué)實(shí)驗(yàn)技術(shù)基金資助項(xiàng)目(2015syjs16).

李篪(1986-)，女，遼寧沈陽(yáng)人，工程師，碩士，主要從事計(jì)算機(jī)視覺、智能檢測(cè)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(guó)知網(wǎng)優(yōu)先數(shù)字出版. 網(wǎng)絡(luò)出版地址：http：∥www.cnki.net/kcms/detail/21.1189.T.20160512.1402.044.html