基于图像识别的管材计数系统方案研究大学本科毕业设计Word文档格式.docx

基于图像识别的管材计数系统方案研究大学本科毕业设计Word文档格式.docx

《基于图像识别的管材计数系统方案研究大学本科毕业设计Word文档格式.docx》由会员分享，可在线阅读，更多相关《基于图像识别的管材计数系统方案研究大学本科毕业设计Word文档格式.docx（32页珍藏版）》请在冰豆网上搜索。

Major:

MeasureandControlTechnologyandInstrument

Abstract:

InChina,themethodforpipescountingmainlyusedmanualcounting.Toalleviatethelaborintensityandimprovetheaccuracy,thepapermakesaresearchonpipescountingbasedonimagerecognition.Thesystemcountspipesthroughrecognisingthefeatureofthepipescross-section.Thesoftwarepartmainlyincludetheimagepreprocessing,theimagesegmentationandpipescounting.Andthepapermainlyincludesthefollowingcontent:

Ifthepipecross-sectionimageincludetoomuchcontent,clippingtheregionofinterestintheimage.Thenpreprocesstheimage,includingconvertingtheimageformat,theimageenhancement,removingnoiseandsoon,andthentherewillbeagrayscaleimagewithsmoothedges.Next,useOtsumethodtoobtainthresholdautomatically,andgettheimageisolatedtargetcircleorellipseandbackground.Sincetherearesomegapsbetweenthepipes,useclosedoperationofmorphologymathematicaltoremovepartofthenoiseandsmallgaps.Thencounttheedgeofthecircleorellipse.Becausetheremaybesomelargeareanoisethathasnotbeeneliminatedintheprocessofclosedoperation,settheratiooftheareaoftheminimumcircumscribedcircletotheedgeanditsareatoremovepartofnoise.Iftheresulthasobviouserrors，itcanbemanuallymodifiedinordertoimprovetheaccuracy.Thesourceimageandtheresultcanbesavedforverificationinthefuture.Finallydesignsoftwaretocompletethepipescountingsystem.

Keywords:

Imagerecognition;

Pipes;

Counting;

Imagesegmentation

第一章绪论

1.1研究目的

本设计通过识别管材的截面图像实现管材的计数，并结合硬件和软件的设计实现系统的开发。

1.2选题背景及意义

1.2.1选题背景

在当今社会信息化发展迅速，而计算机在信息处理过程中发挥着重要作用，用计算机处理数字图像的计数发展很快，且越来越普及，在日常生活中几乎随处可见，例如公司的指纹识别系统、自动售货机自动识别纸币和硬币的系、电影电视中的特效等等。

基于图像识别的数字图像的处理技术已经广泛应用在了工厂制造检测方面，例如自动检测有缺陷的产品的系统、金属板表面控伤系统等，图像处理可以进行简单快速的识别处理，在测控系统中应用越来越广泛。

1.2.2选题意义

人工计数法是目前钢铁厂普遍采用的计数方法。

现场工人给每一根管材放置或印刷一个标记物，以区分己计数和未计数的管子，然后统计标记物的数量即为管材的数目。

整个计数过程耗时长、效率低下，同时劳动强度也非常大，而且容易出错，计数精度和速度都比较低。

采用人工计数的方法，当需要计数的管材数目较多时，不仅耗费的时间比较长，无法在短时间内数出需要出库的管材，而且有可能存在较大的误差，较大的计数误差给企业造成经济损失和信誉损失；

如今，大部分管材的交易都是安装管材的数目来进行的，若单纯按照钢材实重计量，每根管材都存在着或多或少的重量误差，当管材数目较多时，由于误差的累计可能会出现较大的重量和数目上的误差，无法满足销售市场上按理论重量交货的顾客要求；

若要引进全自动的生产线，则大大提高了生产成本。

从20实际90年代开始，我国已经开始研究基于机器视觉的管材自动计数系统，取得了一定的成果，但是，若要应用在实际钢管生产中，还需要进一步研究和完善。

因此，解决管材计数问题对国内外钢铁企业意义重大。

开发自动计数系统不仅可以减轻计数工人的劳动强度，提高计数的效率和精度，还可以提高经济效益，加快生产节奏，对提高企业信息化和自动化程度具有重要意义。

1.3国内外研究现状

1.3.1国外研究现状

20世纪80年代国外就开始对棒材自动计数系统进行研究。

Kajiisada[1]等人使用机械手段对钢铁厂的生产成品进行自动分离并实现计数。

ReIlZo[2,3]等人在设计出棒材自动分离机械装置的基础上利用光电管进行自动计数。

KojimaKatsuhiro[4]等人提出利用数字图像处理技术对棒材图像进行处理与识别，从而达到自动计数的目的。

从国外的研究现状看来，研究人员先是使用机械装置对钢铁厂的各类生产成品进行分离后计数，然后将光电管与机械装置相结合实现自动计数，最后发展到采用数字图像处理方法进行自动计数。

目前，国外相关企业主要利用一系列设备先将一组棒材平行排好分开间隔或一端分开，然后通过光电管进行自动计数。

1.3.2国内研究现状

国内对自动计数的研究起步较晚，20世纪80年代末期才开始从事使用计算机图像处理的方法进行棒材的在线自动计数研究，结合图像处理方法在医学细胞图像分割中的应用，取得了一定的成果，但还处于理论研究阶段，没有出现成熟的产品。

从1991年开始，上海第三钢铁厂与电子工业部五十研究所共同对计算机图像处理钢筋计数进行研究，采用模板覆盖技术在自动计数上取得重大突破，实现了对直径为12—40mm钢筋的在线计数。

1994年这项计数方法通过技术鉴定，但计数精度不够理想[5]。

1999年周群等人提出了基于模板覆盖的计数方法，该方法能有效克服图像粘连问题，但其结果在很大程度上依赖于预处理时所得到的二值图像的质量，对断面普遍发蓝的钢筋难以识别，所以存在一定的局限性[6]。

为了提高计数的准确性，2003年王培珍等人提出了融合计数的方法对成捆的棒材断面图像进行分割及计数，使得对定支数棒材识别的准确性得到进一步的提高[7]。

该方法针对灰度图像进行去除噪声运算和边缘提取运算，并运用遗传算法进行数据关联与融合，以达到去除粘连的目的。

这类方法不可避免会产生一些问题，例如去除粘连的结果有时不够准确，就会导致计数结果产生很大误差。

针对同一批次棒材横截面形状大致是圆形、相差不大的特点，2004年李强、陈遵德在模板匹配中引入几何和模糊数学的思想，提出了基于模糊圆周模板匹配的方法[8]。

该方法中的模糊圆周模板是由一个隶属函数确定的具有一定半径和线宽的圆周数据，匹配时要判断待匹配位图中的物体与模板中的模糊圆周的相似程度。

2004年路长厚、孙伟以DSP为控制和处理核心，完成钢管计数[9]。

该设计采取的算法有待于进一步改进，以提高计数精度。

2006年黄华贵、王巍、杜凤山、张芳提出基于数字图像处理技术的钢管自动识别计数系统，并结合面向对象的可视化集成编程系统VisualC++6.0编制了钢管自动识别计数应用软件系统,实现了模式识别与数字图像处理技术在工业企业中的应用,具有较强实用性[10]。

但是对噪声过大的低质量源图像可能会导致系统误判,影响计数精度。

因此,可以通过保证源图像的质量或引入神经网络、遗传算法等相关技术对程序算法进行二次开发,以提高系统的适应性与实用性。

2010年刘景波、金炜东，提出了基于模糊C均值（FCM）聚类和亮度均衡的钢管自适应计数方法[11]。

用亮度均衡等方法对钢管图像进行预处理，降低图像中高光和阴影等的不良影响；

利用FCM聚类方法自适应分割图像；

对二值图像进行连通区域标记，获取区域几何特征；

利用计学方法和FCM聚类方法剔除非钢管截面区域，统计计数。

实验表明，新方法不仅计数速度快，而且计数精度高，同时具有对不同环境条件的自适应性。

2012年支林仙提出了基于椭圆拟合的快速钢管计数方法[12]。

该方法直接通过边缘跟踪对椭圆进行拟合，通过其它边缘像素对拟合结果进行校验和对比，对概率超过阈值的无包含椭圆进行计数。

在边缘检测过程中对Robert算子进行了改进，并在阈值分割前对边缘进行了增强，在阈值分割后对边缘进行了保持连通性的细化。

根据需要还可以在计数过程中加入人工指导。

实验结果表明，该方法能快速准确地检测出图像中所有椭圆。

总之，在钢材计数方面，数字图像处理技术在国内已有相对研究，并取得了很大的进展。

但距离能够广泛应用于生产工业的成熟系统尚有差距，还需要进一步提高系统图像处理能力和计数精度。

1.4主要研究内容

利用数字图像处理技术，对由图像采集设备采集获得管材截面的图像进行感兴趣区域（ROI）区域截取，使图片的主要内容为管材截面，然后进行图像灰度转换、图像增强、去噪、阈值分割、闭运算等处理，将管材截面特征从图像背景中分离出来，画出各个连通区域的轮廓，首先剔除面积很大明显不是需要计数的管材的边缘，然后通过比较轮廓最小外接圆的面积和轮廓实际的面积，当该比率大于规定的某个大于1的参数时，该部分明显不是圆形，需要剔除此时的轮廓，之后对符合要求的管材轮廓进行筛选统计，并将符合要求的轮廓显示在图片上，以便让操作者能够辨别出计数结果中包含了哪些轮廓，通过人工对不准确的计数结果进行修改，从而实现较高精度管材计数的功能。

最后构建硬件，并且利用C++语言开发管材自动计数软件系统。

第二章图像处理相关技术

大部分获取到的源图像都是彩色图像，会含有很多杂质，例如除管材之外的不必要的外界环境等，而且目标和背景没有分离，多个目标之间存在相互粘连的现象，因此需要对源图像进行一系列的处理分割，最终得到较为清晰的多个目标相互分离的二值图像。

处理流程大致可分为图像预处理、图像二值化、图像分割等步骤。

2.1图像预处理

图像的预处理主要包括图像灰度转换和图像增强滤波处理。

图像预处理主要是为了在一定程度上提高图像质量，降低图像噪声，改善图像视觉效果，为后续图像处理做准备。

2.1.1灰度转换

彩色图像不仅包含强度信息还有大量的颜色信息，直接对彩色图像进行处理会使系统的执行速度降低，而且大部分处理方法都是针对于灰度图像来进行识别处理的，因此系统首先需要将采集到的源图像转换成灰度图像。

2.1.1.1灰度转换原理

现场拍摄的彩色图片的格式类型有PNG格式、JPEG格式、BMP格式、GIF格式等。

PNG格式有8位、24位、32位三种形式，可支持256种颜色，使用无损压缩，每个像素为48位的真彩色图像或16位的灰度图像；

JPEG格式也称JPG格式，采用有损压缩，可以去除冗余的彩色图像和数据，可以使用最小的磁盘空间而保持图像的质量最好，而且它可以压缩来自不同色彩空间的数据；

BMP格式文件是一种像素文件，它可以保存单色位图、16色或256色索引模式像素图、24位真彩色图象，目前最常见的是256色BMP和24位色BMP，大多数BMP文件是不压缩的；

GIF格式只支持256色以内的图像，采用无损压缩，在压缩过程中，图像的色彩被丢失，而图像的像素数据不被丢失，所以这种格式通常用来显示比较简单的图片和字体。

彩色位图都是由R、G、B三个分量组成，如果是24位真彩图，则每个点都是由三个字节组成的，三个字节分别代表R、G、B的分量，后面直接跟着图像的色彩信息；

如果是8位（256色），4位（16色），1位（单色）图，则紧跟后面的是调色板数据，一个RGBQUAD类型的数组，其长度由BITMAPINFOHEADER.biClrUsed来决定，然后后面紧跟的才是图像数据（24位图是真实的图像数据，其他的则是调色板的索引数据。

灰度图是指只含亮度信息，不含色彩信息的图象。

因此，要表示灰度图，就需要把亮度值进行量化，通常划分成0到255共256个级别，其中0最暗（全黑），255最亮（全白）。

2.1.1.2灰度转换过程

首先需要确定灰度图中调色板的具体颜色取值，且灰度图的三个分量相等，当转换为8位的时候，调色板中有256个颜色，每个正好从0到255，三个分量都相等；

当转换为4位的时候，调色板中16个颜色，等间隔平分255个颜色值，三个分量都相等；

当转换为2位的时候，调色板中4个颜色，等间隔平分255个颜色，三个分量相等；

当转换为1位的时候，调色板中两个颜色，是0和255，表示黑和白。

要转化成灰度图，并且存储成一幅可以看到的图像，需要做如下转换：

16位以上的图像不带调色板，只需要把图像数据按每个点的位数都转换成相同的灰度值即可；

16位以下的图像，则需要修改调色板的数值，并且按照每个点所占位数修改灰度值索引即可。

2.1.1.3灰度转换结果

利用OpenCV中的函数cvCvtColor函数可直接将加载的JPEG格式和BMP等格式的RGB彩色图片转换成灰度图片，转换结果如图2.1所示。

源图像灰度图像

图2.1灰度转换

2.1.2图像滤波

图像滤波，即在尽量保留图像细节特征的条件下对目标像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性[15]。

图像的噪声通常为高斯噪声和椒盐噪声，是由于在拍摄或传输过程中受到随机信号的干扰而形成的。

椒盐噪声出现的位置是随机的，但其幅值基本上保持不变；

而高斯噪声出现的位置是一定的（在没一点上），但其幅值却是可随机变化的。

我们在去除噪声的同时，要尽可能的保持图片中其他有用信息不受干扰。

在实际中拍摄的管材截面照片或多或少存在光照不均匀、除管材之外的其他杂质的干扰，使图片的质量不是很高，影响后续的分割、计数等处理，因此需要对图片进行滤波处理，尽量抑制背景和目标中的噪声，同时保持目标原有的形状大小等特征。

由于线性滤波在滤除噪声的同时，也会使图像中目标的细节模糊，因而不利于后续的图像分割和目标提取；

而非线性滤波可以消除一些孤立的噪声点，在滤除噪声的同时也可以保留图像中的一些重要特征，能够在一定程度上克服线性滤波的不足之处，但与此同时会使图像的边缘点有一定程度上的失真。

论文通过对图像进行高斯滤波、均值滤波和中值滤波后的图像进行了简单比较。

2.1.2.1高斯滤波

高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器，无论是在空间域还是频率域，它都是一种有效的低通滤波器，对去除服从正态分布的噪声很有效。

对于图像我们常用二维零均值离散高斯函数作为平滑滤波器，其函数表达式为：

分别选择高斯模板为3*3,5*5,7*7对图像进行平滑处理，效果图如图2.2所示。

a）灰度图像b）3*3高斯模板滤波

c）5*5高斯模板滤波d）7*7高斯模板滤波

图2.2高斯滤波效果图

2.1.2.2均值滤波

均值滤波是指用均值代替各个像素值，即对于要处理的目标像素，选择一定大小的模板，求取包括目标像素在内的所有像素灰度值的均值作为目标像素点的灰度值，即

如图2.3a）所示，选择3*3大小的模板，用圆圈圈住的像素为待处理的目标像素点。

将图像进行均值滤波，即a）中将像素灰度值为15的目标像素进行如下式处理：

得到处理后的值为5；

同理对虚线框内的中心像素值进行处理得到处理结果值为5，如图2.3b）所示。

图2.3均值滤波

对于如图2.4a）所示有边缘的图像进行均值滤波，顺序求出用圆圈圈住的目标像素经均值滤波处理后得到的像素值，如图2.4b）所示。

由此可知均值滤波不能很好地保护图像的细节，在去除噪声的同时也会使边缘模糊，图像的细节不清晰。

图2.4有边缘图像进行均值滤波

均值滤波可以使图像平滑，运算速度快，算法计较简单，但是这种算法无法彻底去除噪声，只能在一定程度上减弱噪声。

均值滤波使整幅图片都变的模糊，原因是这种滤波方法没有区分图像中的特征和细节，对所有的像素点都进行同样的处理，在将噪声点分摊的同时，也将图像中的边缘这些细节部分分摊了。

为了处理这种情况，有时会采用加权平均的方式，即计算目标像素在区域内的加权平均值来代替原有的像素值，即使这样，改善的效果也不是很明显。

对图像分别进行模板为3*3,5*5,7*7的均值滤波，效果图如图2.5所示。

a）灰度图像b）模板为3*3均值滤波

c）模板为5*5均值滤波d）模板为7*7均值滤波

图2.5均值滤波效果图

2.2.2.3中值滤波

中值滤波是指将目标像素周围一定区域内的像素值按从小到大或从大到小的顺序排列，取出中间值替代目标像素的值。

由于噪声的出现，使该点的像素值与周围的像素值明显不同，相对于周围的像素点，噪声点明显偏亮或偏暗，在某个模板中对像素值进行从小到大的排列，噪声点的值一定被排在两端，取中间值代替噪声点的值，就可以实现滤除该点噪声的目的。

例如图2.3a）中实线框中用圆圈圈住的值为15的像素点作为目标像素，取模板为3*3区域，则将实线框中的像素值按从小到大的顺序排列得到：

3,3,3,3,4,4,5,5,15，则用中间值4代替目标像素15；

同理虚线框中的目标像素4经排列后恰好为中间值，因此像素的值不变，仍为4。

对于有边缘的图像，如图2.4所示的图像，经中值滤波后从左到右依次求出用圆圈圈住的目标像素，结果为：

2,2,11,11。

从而中值滤波在去除噪声的同时也保护了图像的边缘和细节部分。

对比上一小节中介绍的均值滤波可以发现，对于椒盐噪声，噪声幅值相差不大，噪声随机分布在图像中，采用中值滤波的方法可以采用噪声以外的像素点来代替噪声点的像素值，从而能够很好的消除椒盐噪声；

而采用均值滤波的方法噪声点的均值不为0，从而噪声无法消除，只能将噪声点的像素值分摊给噪声点周围的像素，使噪声点尽量模糊，所以对于椒盐噪声，中值滤波比均值滤波有更好的滤波效果。

对于高斯噪声，噪声幅值基本上呈正态分布，存在于整幅图片中，对其进行中值滤波时，无法找到合适的像素点来代替噪声的值；

采用均值滤波时，由于正态分布的均值为0，从而可以消除噪声的中心值，对于其他的像素点，也能减弱其影响，从而对于高斯噪声，均值滤波比中值滤波有更好的处理效果。

对图像分别进行模板为3*3,5*5,7*7的均值滤波，得到的效果图如图2.6所示。

a）灰度图像b）模板为3*3中值滤波

c）模板为5*5中值滤波d）模板为7*7中值滤波

图2.6中值滤波效果图

2.2图像分割

灰度图像有256个灰度级，为了简化计算并使目标和北京能够更好的分离，需要将灰度图像转化为二值图像，二值图像只含有两个灰度级0和1，表现在图片中为黑和白。

为了实现图像从灰度图转变成二值图像，通常采取的方法是对图像进行分割，将目标图像取值为1（或0），将其余部分全部记为背景，取值为0（或1）。

二值图像的计算速度快，需要的存储容量小，最重要的是可以计算出目标的几何尺寸和位置，便于后续的图像处理、特征提取和计算结果。

图像分割是将图像分成一些有意义的区域，然后对这些区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标[13]。

我们对图像进行分割的基础是图像中各像素点之间的“相似性”和“跳变性”，所谓“相似性”是指像素之间具有某些相似的特性，而“跳变性”是指像素之间具有不同的特性。

应用较为广泛的图像分割方法有阈值分割法、基于边缘的分割方法、基于区域的分割方法、基于特定理论工具的分割方法等[14]，这些方法各有优劣，适合不同质量的源图像，因此在选取分割方法时要根据待处理的源图像的特征进行选取。

经分割后的图像有可能还存在着一些没有被滤除的噪声，因此还应对分割后的图像进行进一步的去噪处理，才能得到较好质量的包含目标的图像。

2.2.1阈值分割法

阈值分割法的原理是先确定一个灰度值作为该幅图片的分割阈值，将图片中的所有像素与该阈值进行比较，大于阈值的像素值变为255（白色），小于该阈值的像素值变为0（黑色），从而对灰度图像进行了分割，因而可以看出，阈值分割法的关键在于如何确定一个最佳的阈值，阈值的选取直接决定着图像分割效果的好坏，随着选定的阈值的不同，二值图像提取出来的内容也大不相同，当阈值过大时，将目标以外多余的内容也提取出来了，而当阈值过小时，又会丢失一些关键的目标内容，使提取出来的内容不完整，所以，图像在进行阈值分割时要根据图片的特性来选择合适的方法确定阈值。

阈值的选取可以根据灰度直方图的分布将直方图的不同的山谷选为阈值[16]；

对于一些简单的图片，目标和背景的直方图各自形成一个波峰，这两个波峰之间存在着一个最低的波谷值，双峰法就是将灰度直方图中表示前景和背景的两个山峰之间的山谷作为阈值来对图像进行分割的；

迭代法先计算图像中最大灰度值和最小灰度值的平均值T来作为初始阈值对图像进行分割，求出背景和前景的平均值后在进行平均作为新的阈值对图像进行分割，以此类推，按照上述步骤循环计算，进行迭代运算，直至阈值不再变化，这时的阈值就是我们需要的最佳阈值；

大津法（Otsu）将t记为图像的分割阈值，前景的像素点个数占图像总的像素点的个数的比例为

，平均灰度为

，背景的像素点的个数占图像总的像素点的个数的比例为

，根据下式计算出图像的总的平均灰