基于Python的木板条纹与颜色检测系统

宋钰青

（三峡大学 机械与动力学院,湖北 宜昌443002）

0 引 言

木板条纹间距和颜色的色度色差会影响其美观和商用价值。工厂在加工过程中需要将相近的木板归为一类来进行拼接，这一过程靠人工来分拣效率低、成本高，而在木板检测中最常见的缺陷检测[1-3]，主要针对木板上存在的死结、活结、虫蛀、裂缝等，对木板的条纹研究较少。故实现木板条纹间距与颜色分类的自动化具有重大的意义。

工厂中的木板都是切割成形的木材，常见的都是方形，具有不同的长度和宽度。而木板中的纹理在切割后会呈线性分布，形成条纹。目前最常见的算法是图像增强、边缘检测、图像分割算法。文献[4]提出了一种基于TV滤波与FRC模型的木材年轮纹理检测算法，采用V分量、TV滤波、FRC分割和形状识别等方法实现纹理的提取。文献[5]采用双边滤波增强图像和改进Canny算法提取纹理特征，克服传统Canny算子对噪声的敏感性。文献[6]提出一种基于伯恩斯坦多项式一致逼近的多阈值图像分割算法，克服图像直方图中毛刺的干扰带来的算法不稳定。木板条纹的检测也可以通过Hough直线检测和兴趣点提取[7-8]，不过这仅适用于条纹清晰的木板。

木板颜色检测的算法常用神经网络、支持向量机等分类器对提取之后的颜色进行分类[9-12]。文献[13]通过提取木材的分布特征和相关关系，根据这些参数进行聚类来实现木材的分类。这些提取众多特征再进行分类的算法比较复杂，运行时间长。

为了提高木板检测的效率和速度，降低成本，本文在如何减少运算量方面提供思路。

1 木板条纹和色度检测方案设计

1.1 木板条纹和色度检测分析

木板按条纹可分为：无条纹、有条纹。其中若无条纹或条纹间距中的绝大多数小于4 mm归为条纹A（其中绝大多数指不小于总间距数的80%）；条纹间距中的绝大多数不小于4 mm，小于7 mm归为条纹B；条纹间距中的绝大多数不小于7 mm则为条纹C。

木板按色度可分为：色度不均匀的、色度均匀偏深的、色度均匀偏浅的、色度均匀中色的。其中色度均匀偏浅的归为色度a；色度不均匀的或色度均匀中色的归为色度b；色度均匀偏深的归为色度c。

条纹和色度分别有3类，将其组合排列共有9种类别，分别为Aa，Ab，Ac，Ba，Bb，Bc，Ca，Cb，Cc。

本系统分类依据的参数与人工分类依据的参数相同，而人眼在色度分类上需要通过比对另一块木板才能判断，极大影响了准确度及效率，容易误判。而对于同一块木板运行多次出现不同结果的概率，本系统较人工小。

1.2 系统检测流程

该系统由红外线传感装置、工业CCD摄像头、计算机、光源、外罩、单片机、打标机、传送带组成。该装置运行时，开启传送带，一旦红外线检测木板的进入，图像开始识别处理，直到红外线检测木板退出，此时计算机通过串口将信号传输给单片机，单片机发出电流，打标机打标。流程图如图1所示。

图1 过程流程图

2 木板间距识别

本文采用主机CPU为Inter(R)Core(TM) i3-4130 3.40Ghz，内存4.00 GB，操作系统为Windows 10旗舰版。开发语言采用Python，结合OpenCV库，实现图像的检测识别。

2.1 图像分段和直方图运算

将读入图像的色彩空间转为灰度图，进行均衡化来提高图像对比度，再进行高斯滤波来消减干扰的噪声，最后对其每一列的灰度值进行叠加，形成直方图。该运算是对灰度值进行线性叠加，叠加效果如图3所示，其原图如图2所示。

图2 木板

图3 灰度叠加直方图

从图2、图3中可以看出，灰度值中越白其值越大，木板中条纹的纹路是较深的，所以在该直方图中波谷代表条纹所在的位置。因此我们要找出波谷的具体位置。同时为了提高条纹检测的准确度，该算法需要对图片进行分段，以每70个像素点为一段。

2.2 确定图像条纹位置

波谷即数学中的极小值。在这些极小值中存在噪声，会干扰条纹位置的判断，因此要通过设定阈值消减噪声。

通过对比可以发现，这些噪声的波动幅度远远小于条纹波动幅度，只要将这些波动幅度小的噪声点剔除掉，就可以得到条纹位置。因此，本文将阈值定为条纹间距中由小到大的80%位置上的间距的1/3。效果图如图4所示。

图4 木板条纹位置

2.3 图像条纹间距的判断

在上一步得到条纹位置后，只需将相邻条纹的位置相减，即可得到条纹间距，该间距值为像素值。其中，条纹间距（mm）= 间距像素值×带刻度的钢尺在图像的距离（mm）/图像像素。

由于存在无条纹木板及噪声的存在，该算法加一个界定条件，对应60 mm的木板（400个像素点）少于10条间距，则为无条纹。以下参数单位为像素。

If 木板宽度*10/400＜10:

条纹A

elif 条纹间距＜12:

条纹A

elif 条纹间距＜16:

条纹B

else:

条纹C

该算法由于存在多次循环，若图像太大，会极大降低运算速度，因此在不影响识别准确的情况下，本系统将图片的大小降为（640,480）。

3 木板颜色识别

木板的色度受光照影响极大，本系统需要在摄像头周围放置遮光罩，并在内部均匀地放置灯作为光源。

3.1 图像分割

图像颜色检测中，背景的颜色会对其产生较大影响，需要先去除背景。因为传送带是绿色的，R值远小于140，而木板R值大于140，故取阈值为140。

木板的边界是直线型的，只需把左右两端的边界点求出来，左端取较大值，右端取较小值，以减少运算量。分割前后的图像如图5、图6所示。

3.2 图像色差判断

将木板划分为纵向三部分，将图像的颜色BGR三通道分离出来，每个部分求R通道的均值，若变化大于4，则判断色差大，色度为b，否则为色度均匀。

图5 拍摄原图

图6 分割图

3.3 图像色度检测

木板图像中偏深的区域的BGR值在一定范围内且有规律性，找到这个范围，利用OpenCV中的cv2.inrange函数实现图像的二值化，再利用cv2.calcHist计算二值化图像中的比率，最后得到偏深色度的比值，二值化前后图像如图7、图8所示。如果大于35%，则判断该木板为深色。同理可以判断浅色，其余的则为中色。最后结合上一步的结果，得到最终判断结果。

图7 深色木板

图8 二值化

4 系统测试

4.1 测试装置

系统实验装置整体参数如下：红外线；摄像头分辨率为2560×1440，传输方式为USB3.0；支架为铝合金材料，长×宽×高为200 mm×150 mm×200 mm；STC51单片机；打标机（电磁阀加印章）；可多级调速传送带。整体实验设备如图9所示，为拍摄红外线位置，遮光罩和光源没有拍出来。单片机如图10所示。

图9 实验设备

图10 单片机

在测试过程中，每个木板放置间隔的距离不小于单片机延迟的时间乘以传送带速度。实验步骤为：1)开启传送带，速率为4级，开启系统，放置木板；2)红外线检测到有木板进入，开始图像处理；3)红外线检测到木板退出，停止图像处理并发送最终结果给单片机；4) 单片机发送指令给打标机，打标机打标；5)进入下一个循环。

将系统检测的结果与人工检测结果对比，并对同一木板进行多次检测，计算系统的准确率和稳定性。

4.2 测试结果

将编好的程序打包为.exe文件，对300个木板进行检测。其中，每个木板具有不同的长度、宽度、条纹间距、颜色、缺陷等。其中的9个样本如图11所示，条纹间距如图12所示，结果如表1所示。

图11 样本

图12 样本条纹

表1 测试结果

从图11、图12中可以看出，条纹检测对条纹清晰的木板的准确率高达99%，如样板2、4、9。表面粗糙，条纹颜色与条纹间颜色相近，表面有应力线的木板虽然存在噪声干扰，但准确率也有97%，如样板3、6。对于整体条纹非常细密，颜色又均匀的样本，条纹虽然没有100%检测出来，但可以检测出80%，对结果影响不大，如样本1、5。

在颜色检测当中，算法检测的是整块木板，如果条纹线也在划分的深色区间内，会加大样本是深色的概率，但可以通过测得条纹的位置将该位置的颜色剔除掉，削减影响。对于存在色差的样板（如样板6）检测的准确率为98%；对于在色差小的样板中区分中、浅，若样板在划分的临界区间附近，会存在多次检测结果不同的问题。

5 结 论

本文设计了木板颜色和条纹间距检测系统，利用改进直方图算法和分类区间，检测速度为8 cm/s，识别准确率达92.3%。检测效率和准确率高于人工检测，为工厂的自动化加工提供了简单实用的可行方案。