杨子萱 金守峰 刘新颖 肖福礼 严 楠 陈 罡

（1.西安工程大学机电工程学院 西安 710600）（2.陕西省计量科学研究院 西安 710100）（3.宁波职业技术学院机电工程学院 宁波 315800）（4.浙江机电职业技术学院自动化学院 杭州 310053）

1 引言

利用机器视觉进行珍珠形状参数检测过程中，由于珍珠之间存在相互接触，导致形状参数的检测误差较大，不能客观表征珍珠形状。

对于相互接触目标之间的分离问题，国内外学者进行了深入研究。汤一平等［1］提出基于单目多视角机器视觉的珍珠在线分类系统，能够实时性完成珍珠的颜色、光泽度及均匀度等分类；王鑫等［2］提出了基于先验条件的分水岭算法，提取目标细胞边界对粘连细胞进行分离，由于算法的计算量大，实时性不高；王粤等［3］提出了基于内外轮廓线曲率方向的粘连米粒分离算法，通过检测米粒的粘连点获取粘连点间的距离及曲率方向判断分离点，该算法提高了粘连米粒分离的准确率，但是会受到粘连密度和方向的干扰；闫磊等［4］基于分水岭算法［5～6］对粘连颗粒进行分割，提取颗粒的形态特征和颜色特征，通过计算马氏距离识别混杂在谷物中的杂质；王品等［2］基于多特征Mean-shift 聚类算法实现胰腺细胞抹片显微图像细胞核的自动分割，采用CA⁃GA 结合SVM［7～8］选择最优特征子集实现细胞核的分类识别；张文飞等［9］针对多目标图像分离时粘连分布不均影响图像分离精度的问题，采用形态学运算和距离变换的分水岭算法将粘连目标进行精确分离；张建华等［10］提出融合H-minima 分水岭方法和最小二乘圆法解决棉花叶部病斑之间粘连问题，实现粘连病斑的自动分割；陈树越等［9～10］提出一种改进的凹点检测和精确分离点定位的粘连害虫分离算法，能够准确地计算粘连害虫的分离线；李冰等［11］提出一种基于背景骨架特征的粘连米粒图像自动分割算法，解决了粘连米粒的分割与识别；赵晓晴等［12］提出一种基于深度学习的粘连白细胞分离算法，强化模型对细胞边界特征的学习；古亭等［13］采用距离变换的粘连蚕茧分割方法，采用结合归一化及形态学算法提高了粘连蚕茧的分割效果；李文勇等［14］针对害虫识别过程中出现的粘连等情况，基于形状因子和分割点定位的方法提高了识别准确率，在目标过大时算法会导致过分割现象；陈名等［15］利用像素块扫描的种子点替代算法实现粘连细胞图像的分离，该方法仅适用于细胞面积相差不大粘连细胞；张新伟等［16］提出一种遗传算法与改进脉冲耦合神经网络相融合的分割方法，解决玉米籽粒粘连导致穗粒数统计准确率低的问题；权龙哲等［17］为实现玉米粒群图像的自动分离和形态校正，提出了改进的分水岭算法，利用多尺度小波分析法对玉米籽粒图像检测。

在现有的粘连分割方法的基础上，针对大量珍珠形状检测中相互接触的分离问题，本文提出一种基于凹点检测的接触珍珠分离方法。采用背光成像获取大量珍珠图像信息，以连通域标记的面积比提取接触珍珠区域，建立接触区域边缘轮廓点夹角数学模型提取凹点信息，通过凹点匹配消除干扰点，以欧氏距离作为距离度量函数完成接触珍珠的分离。

2 多颗接触珍珠区域提取

2.1 珍珠图像的预处理

珍珠表面存在纹理及光泽［18］，为了降低这些因素对珍珠形状检测的干扰，本文采用背光成像法采集的多颗珍珠图像如图1（a）所示，通过同态滤波、均值滤波等预处理算法提高了图像的对比度、减少了噪声等影响，预处理后的结果如图1（b）所示。

图1 珍珠图像预处理

2.2 珍珠图像的二值化处理

按图像的灰度特性，采用最大类间方差法［19］将图像分成背景和珍珠目标两个部分，如图2（a）所示，图中珍珠既有单颗独立存在，也有多颗珍珠接触在一起，各区域的轮廓特征明显。

图2 图像二值化与连通域标记

2.3 基于连通域标记的接触珍珠区域提取

对二值化后的珍珠图像进行连通域标记如图2（b）所示，统计各连通域的像素面积为S1,S2,…,Sn，如表1 所示，对面积序列进行排序得到其中的最大面积为Smax和最小面积为Smin，其表达式为

式中，n为连通域个数。

由表1 可知，最大面积为41467，最小面积为13211。

表1 连通域面积及面积比

由图2（b）可知，最小连通域的像素面积对应为单颗独立的珍珠，为了获取相互接触的珍珠区域，通过各连通域的像素面积与最小连通域面积Smin的比值来确定是否为接触区域，其表达式为

式中，Kn为面积比。

由于大量珍珠随机平铺放置，不存在堆叠状态，因此面积比选取经验值为1.5 作为判别珍珠是否存在接触的阈值，当Kn>1.5 时则存在接触，反之则为单颗独立的珍珠。由表1 可知，S1～S8均小于1.5，则这8 个区域不存在接触的珍珠，S9、S10均大于1.5，则这两个区域存在相互接触的珍珠。通过边缘跟踪算法提取相互接触的珍珠边缘轮廓特征如图2（b）中的白色轮廓。

3 基于凹点检测的接触珍珠的分离方法

凹点信息是图像中目标边缘轮廓上曲率极大值的点，单颗独立的珍珠形状为类圆形，表面曲率变化平稳，因此不具有凹点特征［20］。多颗相互接触的珍珠在接触点处存在较大的曲率突变，具有明显的凹点特征。在提取相互接触珍珠的边缘轮廓基础上，本文基于凹点检测对相互接触的珍珠进行分离。

3.1 边缘轮廓点夹角的建立

图3 为接触珍珠边缘轮廓局部放大图，设接触珍珠边缘轮廓上三个连续点Pk-1（xk-1，yk-1），Pk（xk，yk），Pk+1（xk+1，yk+1）。

图3 接触珍珠边缘轮廓局部放大

直线Pk-1Pk与直线PkPk+1相交，所得到的夹角θ即为珍珠边缘轮廓点夹角。

由余弦定理可知夹角θ为

由式（6）可知，边缘轮廓夹角越小则该点为凹点，反之则不是凹点。通过对图3 的边缘轮廓点进行轮廓夹角的计算，角度分布图如图4 所示，由于珍珠表面存在纹理，轮廓夹角存在波动。角度在30°-60°范围内为珍珠相互接触导致轮廓夹角变小，初步可以确定为凹点。角度在150°～180°范围内，确定不是凹点。

图4 角度分布图

3.2 基于凹点检测的分离方法

由图4 角度分布可知，轮廓夹角所确定的凹点存在干扰点，如图5 中圆圈内的各点，为了精准确定珍珠接触区域的凹点，本文对候选的凹点进行匹配算法，其步骤如下：

图5 初步凹点检测

1）根据候选凹点之间的距离，采用K 均值聚类算法将候选凹点分为A、B两类；

2）寻找A 类与B 类之间距离最短的一对候选凹点；

3）连接该对候选点，并找出连接线的中垂线；

4）计算中垂线在连接线附近某一设定范围内点的坐标；

5）根据这些点的坐标，查找在原图的灰度值；

6）点的灰度值若均为珍珠的灰度，则这对候选凹点就真正凹点；若既有珍珠的灰度又有背景的灰度则表明这6个候选凹点只包含一个真正凹点；

7）若只包含一个真正凹点，则增加候选凹点的数目，返回步骤1）。

凹点匹配的结果如图6 所示，精准确定了珍珠接触点的一对凹点（a1，b1）、（a2，b2）。

图6 凹点匹配

图7 珍珠分离

4 结果与分析

4.1 实验条件

本文构建了基于机器视觉的珍珠形状检测系统由相机、镜头、光源、计算机、载物台等组成，相机光轴垂直于载物台，镜头距离载物台距离为250mm，珍珠随机平铺在载物台上，光源采用LED阵列面光源，照度为40000Lux。相机、待检测珍珠、光源以背光成像方式获取珍珠图像。系统软件为Open CV、Python3.7 进行算法的开发。实验以淡水珍珠为样本，直径为7mm～8mm。

4.2 实验分析

4.2.1 分离评价参数

为了更客观地分析接触珍珠分离算法的有效性，本文采用面积损失率（Z）来评价接触珍珠的分离精度。假设珍珠A 的面积为Sa，珍珠B 的面积为Sb，非接触状态的面积和为（Sc=Sa+Sb），接触状态的总面积为Sd。

珍珠A 在非接触状态与接触状态下的面积占比为K1和K2：

由此得到面积损失率Z的表达式为

面积损失率Z 越小，则接触珍珠的分离精度越高，反之则越低。

4.2.2 实验分析

对2 颗、3 颗、4 颗及多颗珍珠在接触情况分别实验得到的数据如表2所示。

表2 不同方法对不同数量接触珍珠分离结果

由表2可知，随着接触珍珠的颗数增加，接触点越多，接触情况越复杂，本文方法与Harris 算法［21］的分离正确率随之降低、面积损失率随之增加，耗时也增加。本文方法相对于Harris 算法，分离成功率提高了4.45%，面积损失率减小了1.921%，分离速度提高了0.052s。

5 结语

1）针对相互接触珍珠珍珠之间的分离问题，提出了一种基于凹点检测的分离方法，实验结果表明，该方法的分离正确率为97.825%，平均运行时间为0.322s，提高了算法效率及分离精度。

2）为了判断相互接触的珍珠区域，统计各连通域的像素面积，计算了各连通域的像素面积与最小连通域面积的比值，根据面积比设置阈值，判断出了接触珍珠和独立珍珠。

3）针对大量珍珠存在的相互接触影响珍珠轮廓提取的问题，对接触珍珠进行凹点检测，然后通过凹点匹配算法确定了真正凹点，基于欧氏距离实现了接触珍珠的分离；通过单独、接触两种状态下同一颗珍珠的面积占比，利用分离误差面积变化率模型实现了面积损失率的计算。