基于机器视觉的收藏币类型识别及币面缺陷检测

罗彰，张从鹏，侯静娴

（北方工业大学机械与材料工程学院，北京 100144）

0 引言

收藏币币面图像的缺陷提取、识别、分类是收藏币价值评价的主要参考因素之一[1]。目前，收藏币币面品相质量的检测主要通过多人合作进行检测，对评价者的评价经验及专业水平要求极高，同时人工检测存在效率低，检测的强度大，受评价人员自身状况的影响很大[2]。近年来，国内外的收藏币行业迅速发展，国外的收藏币评价常用的方法描述分级法和数字分级法在2009年左右传入中国并在国外评级公司的推动下迅速发展，国内也在2014年正式确立了具有中国特色的收藏币评价标准[3]。

本文以收藏币品相检测为目标，研究收藏币类型识别、配准及缺陷提取分类[4-6]等技术，为收藏币品相评价提供重要参考，具有很高的实用及商业价值。

1 图像采集系统

收藏币币面品相质量检测系统是由高质量图像采集平台和计算机图像处理算法组成[7]。搭建的图像采集系统如图1所示，采用acA2440-20gm型号的BASLER CMOS黑白相机（最大分辨率为2448×2048），M0824-MWP2镜头，型号为CLDR-146BL-LA1蓝色低角度环形光源。

图1 图像采集平台

2 币类型识别及配准

2.1 图像采集及预处理

为了保证图像灰度质量的稳定一致，图像采集是在封闭环境下进行的，光照、焦距保持稳定。为了确保检测结果的正确性及环形光源对采集图像的影响，将收藏币放置于一个黑色的收藏币币托上，确保收藏币中心与环形光源中心的对齐。

通过原图像预处理，提取出币面区域，过滤掉非感兴趣区域及噪声的干扰，减少后续的图像类型识别及配准的难度。预处理包括灰度拉伸、强化滤波、初步阈值分割等。预处理流程如图2所示，收藏币图像预处理前后对比如图3所示。

图2 预处理流程图

图3 收藏币图像预处理前后对比

2.2 收藏币类型识别及配准

币面区域提取后，需要对收藏币的类型进行判断，并根据判断结果读取对应的参考图像，进行图像的差分计算。为避免图像采集过程中的影响及币面质量引起的干扰、保证识别的精准，根据收藏币币面的主要特征创建多个NCC模板，以模板组的最佳相关性匹配结果为参考，创建目标图像与参考图像之间的仿射变换矩阵，将目标图像变换到与参考图像相同的坐标系下，实现两幅图像之间的配准[8]。

以中华民国三年一元袁世凯银元正面图像为例，选取如图4所示的币面汉字区域及主要特征区域创建相关性模板组，再根据模板组进行匹配获取最高匹配分值的模板作为匹配的结果。

图4 创建模板所用的特征区域

在图像变换时，避免在变换过程中币面特征区域超出图像区域的范围，先将分割后图像的币面中心平移到图像区域的中心，在此基础上进行匹配及后续的仿射变换，整个配准及差分过程中图像的变化如图5所示。

图5 图像类型识别、配准及差分

3 缺陷提取识别

在完成收藏币图像的配准后，将目标图像与参考图像进行差分，获得的差分图像即为收藏币的缺陷区域，为了提高差分后图像的提取精度、效率及消除噪点的影响，需要对差分后的图像进行再次滤波处理。

根据这些区域将目标图像中对应的缺陷区域分割提取出来，再根据不同缺陷的不同特性（如灰度、圆度、细长度等参数），结合差分图像、目标图像及参考图像中的缺陷区域的灰度值，对收藏币币面的缺陷进行详细判断，完成收藏币币面缺陷类型的识别。

在实验过程中发现部分收藏币由于损坏太严重而不能进行检测识别，缺陷区域的分类及缺陷识别检测显示示意图如图6所示。

图6 差分后区域分割

4 实验

4.1 图像类型识别及配准实验

本文以中华民国三年一元袁世凯银元正面图像为例，使用同一组特征区域分别创建灰度、形状、相关性模板并进行基于灰度、形状及相关性的匹配算法对收藏币的类型进行识别，设置不同的最低匹配分值，以识别率、漏检率为指标对不同算法的匹配效果进行评估，实验数据如表1所示。

表1 不同图像配准方式的配准效果

从表1中的数据可知，由于币面氧化、磨损导致的区域的灰度值的变化，基于灰度的模板匹配方法识别率极低，无法满足实验所需。随着匹配要求的提高，基于灰度及形状的模板匹配方法所获得的匹配结果准确率都有所下降，当匹配分值设定为0.9时，这两种匹配方法的识别率均降到了50% 以下，只有基于相关性的模板匹配结果非常乐观，识别率均在95%以上，能够满足图像识别配准要求。

4.2 缺陷提取分类实验

在缺陷类型识别时，将币图像区域划分为币圈、重要特征（文字）及其余区域，针对这3个区域分别进行处理识别，最终识别出图像中的各类缺陷并统计数据，部分统计数据如表2所示。其中图像大小为2448×2048，参考币币面中心坐标（975，1263.5），以此为坐标中心，求出每个缺陷区域到币面中心的相对位置，并求取每个缺陷区域的面、周长等参数。

表2 币面品相质量检测的部分数据

为了方便对收藏币的币面品相质量作出检测并给出检测结果，根据不同区域、不同类型缺陷将收藏币缺陷类型分为如下几大类：A类为收藏币币圈的划痕、磨损及污渍；B类为币圈区域中的币齿部分的磨损、污渍、汗渍等；C类包括币面区域的污渍、汗渍、锈迹等；D类为收藏币币面上的异常凸起；E类为币面区域的轻微磨损、划痕；F类为币面主要特征区域的磨损和缺失。对于不能通过本文方法识别的缺陷，定义为O类。

从缺陷的识别检测效果来看，大部分收藏币的缺陷区域能够很好地被提取识别出来，并实现每个区域的缺陷类型及缺陷区域的相关参数的统计保存。除了部分收藏币由于过度磨损等原因无法识别外，能够识别大部分币面缺陷并统计。

5 结论

设计并搭建了一个基于机器视觉的收藏币币面品相质量检测平台。通过封闭、统一的采集环境实现了高质量收藏币图像的采集；通过图像增强、滤波、阈值、图像变换、匹配等操作完成了图像的类型识别及配准，识别准确率高达96.25%；通过图像差分、阈值分割、缺陷的形状、几何特征的不同实现收藏币币面缺陷的识别分类，并对缺陷进行编号，完成缺陷面积、位置等参数的统计保存。能够辅助评价人员对收藏币的品相进行评价打分。