基于数字图像处理技术的白麻花岗岩含水率检测

王心雨，毕文波，张进生，张 恒

(1.山东大学 机械工程学院，济南 250100；2.山东省石材工程技术研究中心，济南 250013；3.高效洁净机械制造教育部重点实验室，济南 250013)

花岗岩石材的含水量直接影响其表面颜色，是花岗岩板材品相提升的主要指标。当前主要通过花岗岩板材干燥、封胶工艺来控制其含水率，保证花岗岩板材表面颜色的一致性。花岗岩含水率的检测对花岗岩的干燥工序至关重要。目前，大多数石材企业依旧按照标准GB/T 18601—2009 《天然花岗石建筑板材标准》进行含水率检测，检测周期约为3 min，生产效率低。

近年来，图像处理技术已被广泛应用于农业、医学、食品等领域，但石材行业的相关应用鲜有报道。ZAKALUK等[1]以马铃薯植株为研究对象，利用主成分分析法，发现土壤氮与叶片反射率呈显著的线性负相关；HENTEN等[2]利用图像处理技术研究图像特征与植物干质量之间的关系，结果表明两者之间存在较好的线性关系；段史江等[3]利用图像处理技术提取鲜烟叶及烘烤过程中烟叶图像的颜色特征,分别建立烘烤过程中烟叶含水量的BP神经网络模型和基于遗传算法的最小二乘支持向量机预测模型，实现了对烟叶含水量的精确估测；江朝晖等[4]采用同态滤波与多尺度Retinex相结合的光照增强算法,基于图像特征对越冬期冬小麦冠层含水率进行检测，研究表明该方法具有较高的检测精度和良好的适应性。图像获取设备和数字图像处理技术的发展为花岗岩含水率检测方法提供了新的途径。

针对现有花岗岩含水率检测方法的不足，文章以白麻花岗岩为研究对象，基于花岗岩灰度直方图的均值、方差、歪斜度、峰态，采用最小二乘法进行线性回归分析，建立白麻花岗岩含水率检测模型，实现了含水率检测。

1 试验制备

试验对象为同一批次相同规格的28块白麻花岗岩，具体规格为200 mm×200 mm×10 mm(长×宽×高)。试验前将白麻花岗岩完全浸泡至水中，至水饱和后取出，静置于空气中。由于白麻花岗岩表面水分不断蒸发，含水率会逐渐减小，静置不同时间可获得不同含水率的试样。图像获取装置结构如图1所示，试验时，将花岗岩样本水平放置于白色背景板上，采用2 000万像素的海康威视MV-CE200-10GC型工业相机，放置于图像获取装置的顶部固定垂直拍摄样本图像，拍摄时采用自然光源和色彩平衡进行实况拍摄。

图1 图像获取装置结构示意

使用精度为0.01 g的电子天平称取白麻花岗岩的鲜重，并放入型号为LW-20HMV-4X的微波干燥设备进行干燥，干燥功率为4 kW，每15 s取出称重，若两次称取的重量差小于0.02 g，则默认花岗岩烘干至恒重，白麻花岗岩的含水率可表示为

(1)

式中：Mt为白麻花岗岩干燥至t时刻的含水率；mt为白麻花岗岩干燥至t时刻的质量；mg为白麻花岗岩干燥至恒重时的质量。

经计算，白麻花岗岩各样本的含水率如表1所示。白麻花岗岩各样本图像如图2所示。

图2 白麻花岗岩各样本图像

表1 白麻花岗岩样本含水率

2 检测方法

2.1 图像预处理

受设备硬件等因素影响，所拍摄的花岗岩图像存在亮度不同、边界等问题，需对其进行预处理，以去除无关信息，增强相关信息的可检测性，提高图像特征的精度[5]。花岗岩图像预处理流程图如图3所示。

图3 花岗岩图像预处理流程图

为减少花岗岩图像信息大小不同对图像信息提取的影响，对图像进行分割处理。确定图像的中心点，以中心点为形心，每幅图像截取4032像素×3024像素的面积，尽量截取花岗岩整个表面的图像。分割处理前后的花岗岩图像如图4所示。

图4 图像分割处理前后的花岗岩图像

由于花岗岩试验样本的拍摄时间不同，故各个图像间的亮度存在着细微的差别，会对提取的图像信息产生影响。为减小或消除亮度的影响，选取一张亮度最适宜的照片作为基准照片，进行图像的亮度归一化处理。亮度归一化处理前后的花岗岩图像如图5所示。

图5 亮度归一化处理前后的花岗岩图像

在图像采集、传输和量化等过程中，图像质量会因噪声而有所下降。在提取特征值前要对图像进行增强对比度和去除噪声等处理[6-7]。同态滤波是一种基于光照不变性的经典图像增强算法，是一种在频域中将图像动态范围进行压缩并将图像对比度进行增强的方法。采用同态滤波方法对图像进行处理可以更好地保留颜色信息，增强图像的对比度，降低自然光照对图像的不利影响[8-9]。同时利用线性滤波对图像进行降噪处理。同态滤波和线性滤波处理前后花岗岩的图像如图6所示。

图6 同态滤波和线性滤波处理前后的花岗岩图像

2.2 特征提取

花岗岩含水率不同，会导致花岗岩的颜色不同。为了获得图像中的有效特征，应用MATLAB软件，对样本图像进行预处理后，采用离散函数定义图像的灰度直方图[10]，即

(2)

式中：i为灰度级；L为灰度级种类数；ni为图像中具有灰度级i的像素个数；H(i)为图像中灰度级i的像素的出现频率。

根据式(3)提取图像灰度直方图的均值、方差、歪斜度、峰态和熵等5组图像特征值，得到的具体数值如表2所示。

表2 样本图像的5组图像特征值

(3)

式中：μ为图像灰度直方图的均值；σ2为图像灰度直方图的方差；μs为图像灰度直方图的歪斜度；μk为图像灰度直方图的峰态；μE为图像灰度直方图的熵。

2.3 特征筛选

为了筛选有效特征，对花岗岩样本数据进行Pearson相关性分析，以揭示两者间的相互作用关系，其定义可表示为[11]

(4)

通过白麻花岗岩建模样本的Pearson相关性分析，从5个初始图像特征中获得与含水率密切相关的4个显著特征，其与含水率的相关系数如表3所示，可见灰度图的均值、方差、歪斜度、峰态的相关系数绝对值均大于0.8，说明这4组图像特征与花岗岩含水率之间具有较大的相关性，而熵的相关系数绝对值小于0.4，说明其与花岗岩含水率之间呈现出弱相关。

表3 各图像特征与含水率的相关系数

2.4 模型建立

针对白麻花岗岩样本数据，分别提取上述4个显著特征作为自变量，将实测花岗岩含水率作为因变量，采用最小二乘法进行线性回归分析，建立花岗岩含水率估算模型。回归方程为

100y=116.139 3+0.193 9X1-0.003 6X2-

10.344 4X3-41.601 9X4

(5)

式中：y为花岗岩含水率；X1为灰度直方图的均值；X2为灰度直方图的方差；X3为灰度直方图的歪斜度；X4为灰度直方图的峰态。

3 模型应用与检验

采用同一批次多块花岗岩样本对上述模型进行测试，提取上述4个显著特征，代入式(5)，得到含水率估算值，按照式(6)计算相对误差。花岗岩含水率检测模型测试结果如表4所示。

表4 花岗岩含水率检测模型测试结果

(6)

式中：RE为相对误差；yp为含水率预估值；y为含水率实测值。

对白麻花岗岩检测结果进行统计，结果表明，平均检测时长为15.59 s，相对误差均小于5%，最大相对误差为4.61%，最小相对误差为0.67%，相对误差均值为2.10%，相对误差的方差为1.05，该模型具有较高的精度和较快的检测速度。

4 结论

(1) 白麻花岗岩图像直方图的均值、方差、歪斜度、峰态与白麻花岗岩含水率具有较强的相关性，相关系数的绝对值均大于0.8。

(2) 基于不同含水率白麻花岗岩图像灰度直方图的均值、方差、歪斜度、峰态等4个特征，以最小二乘法进行线性回归分析，建立白麻花岗岩含水率预测模型。通过试验验证，其最大相对误差为4.61%、最小相对误差为0.67%、相对误差均值为2.10%，方差为1.05，表明该模型具有较高的精度。

(3) 与传统花岗岩含水率检测方法相比，基于图像特征的白麻花岗岩含水率检测方法大幅缩短了检测时间，对提高实际生产效率具有指导意义。