CN111563536B - 一种基于机器学习的竹条颜色自适应分类方法 - Google Patents

Abstract

本发明涉及一种基于机器学习的竹条颜色自适应分类方法，可以根据竹条颜色变化自动调整颜色分类标准。所述方法包括采集竹条图像、竹条区域分割、竹条颜色特征提取、竹条颜色特征聚类以及竹条颜色分类。针对竹子颜色的特性，本发明提出了一种改进的颜色直方图特征，该特征能更准确的表征竹条颜色。本发明无需人工分类竹条颜色数据的先验知识，具有强适应性、及高准确率的特点。

Description

一种基于机器学习的竹条颜色自适应分类方法

技术领域

本发明涉及机器学习技术领域，特别是一种基于机器学习的竹条颜色自适应分类方法。

背景技术

随着近几年环保压力越来越大，竹制品加工行业迎来新的机遇和挑战，尤其是在竹材产量大的国家和地区加快开拓竹制品加工行业的发展。但是，国内的竹木行业普遍受限于自动化程度低，专业人员少等情况，严重阻碍着竹木行业的快速发展。

我国生产的毛竹，竹木半成品的加工过程主要分为切段，裂片，粗刨，精刨，压板等工序。竹子容易受到生产环境，生长年限，炭化工艺等影响，竹子表面颜色会有明显的深浅变化，从而导致压板后颜色不均匀的问题。因此，为了提高竹制品的生产质量，需要进行颜色的分类。

目前，根据竹条表面的颜色深浅程度，大部分竹木加工厂主要依靠人工分拣竹子颜色分类，其分类标准根据工厂的实际情况分为特深、深、中、浅、特浅等几个类别。但是，人工分选的缺点在于专业人员需求大、运营成本高、工作效率低和分类质量不稳定等问题。

为了解决以上行业痛点，已经展开竹条颜色分类的相关研究。目前已有采用竹片平均颜色和纹理特征，其后利用bayes分类器进行颜色分类、先在HSV颜色空间上提取颜色特征，其后采用SVM进行竹条颜色分类、使用L*a*b*颜色空间特征，使用BP神经网络对竹片进行颜色分类。

虽然已经有很多相关研究，但是都需要人工预先对一定数量的竹条进行颜色筛选，然后采集竹条数据训练模型。由于竹条表面颜色会受到气候等环境的影响，所以这些方法无法满足对不同竹条原料供应商，不同季度生产竹条颜色分类。因此，这种情况下，竹条表面颜色分类需要先人工重新筛选竹条颜色，其后重新训练颜色分类模型。同时，这种方式容易引入人工筛选误差，降低颜色分类稳定性和实用性。而手动设置竹条灰度信息的竹条颜色分类方法，这种方法只考虑了灰度信息，容易受到光源环境变化的影响。

发明内容

有鉴于此，本发明的目的是提供一种基于机器学习的竹条颜色自适应分类方法，可以自动学习竹条颜色等级，具有良好的鲁棒性和准确率。

本发明采用以下方案实现：一种基于机器学习的竹条颜色自适应分类方法，包括以下步骤：

步骤S1：采集提取单根竹条的颜色信息，并对单根竹条的颜色信息进行预处理；

步骤S2：将预处理后得到的图像提取颜色直方图特征；

步骤S3：使用k-means算法聚类颜色中心；

步骤S4：对新竹条进行颜色分类；

步骤S5：更新颜色特征库NF^{1,2,...,}，更新颜色聚类中心。

进一步地，所述步骤S1具体包括以下步骤：

步骤S11：图像采集：使用彩色面阵相机拍摄竹条部分表面的图像作为图片I₁；

步骤S12：将彩图转成灰度图：将相机得到的彩色图片I₁的RGB通道转成灰度通道，转换公式为Gray＝R*0.299+G*0.587+B*0.114，其中Gray表示灰度值，得到灰度图像I₂；

步骤S13：图像二值化：利用OTSU算法对灰度图像I₂二值化得到二值化后的图像I₃；

步骤S14：提取竹片掩膜：利用图像形态学操作去掉二值化后的图像I₃中小粒子，提取最大的粒子区域作为竹片的掩膜区域I₄；

步骤S15：提取竹片色块：提取竹片掩膜区域I₄的最大内接矩形，按照该矩形裁切图片I₁，得到竹片颜色块I₅；

步骤S16：判断是否采集完整根竹条，如果是则执行步骤S17，否则执行步骤S11；

步骤S17：拼接色块：将上述步骤得到的图像序列I₅ ^{1,2,...}拼接成一张图像I₆，此图像I₆即为预处理后的图像。

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：将拼接色块得到的图像I₆RGB颜色空间转换为HSV颜色空间，得到图像I₇；

步骤S22：提取I₇的颜色特征：对于色相通道H，H的范围为0～180，设置直方图bin的宽度为5，得到36个H通道bin；对于饱和度通道S，不单独统计它的特征；对于亮度通道V，V的范围为0～255，设置直方图bin的宽度为4，得到64个V通道bin，设置饱和度阈值S_thresh，阈值的范围为0～255，用该阈值对V通道bin进行分割，得到128个V通道bin；最后一共有164个颜色bin，统计I₆图像像素在bin范围内的直方图，得到直方图颜色特征F，该特征是1x164的特征向量；

步骤S23：特征归一化：将特征向量F进行归一化，归一化公式为：

其中i表示特征向量的下标，W，H分别表示图像I₆的宽度和高度；最后得到归一化后的特征NF。

进一步地，步骤S22中所述统计bin的直方图的具体内容为：

在统计bin的直方图时，采用线性投票法，令像素值为p，距离这个p最近的两个bin为bin_i，bin_j，对应的中心为C_i，C_j，则这两个bin的投票为：

这种投票方式能避免强行将连续的颜色特征强行分割，能够得到更加精准的颜色统计图，这种颜色提取方式能够提高颜色分类的准确度和鲁棒性。

进一步地，所述步骤S3具体包括以下步骤：

步骤S31：准备N根竹条，重复步骤S1、步骤S2,得到N个特征序列NF^{1,2,...}；

步骤S32：根据工厂颜色分类需求，设置颜色分类个数k，k的取值范围为3～5，计算步骤S2得到的N张拼接图像I₆的平均亮度值；根据亮度值大小分布，等距离取k个亮度值，选取k个亮度值对应的图片的颜色特征做为初始质心；

步骤S33：根据k-means聚类算法聚类出k个中心点C^{1,2,...,k}；

步骤S34：确定k个中心点与颜色深浅的对应关系：对聚类中心点C^{1,2,...,k}进行度量，度量公式为：

n表示聚类中心下标，i表示颜色特征下标，这里只选用V通道进行度量；m_n的大小表示聚类中心对应的颜色深浅，m_n越大，表示颜色越浅，m_n越小，表示颜色越深；将对应得到的m^{1,2,..,k}进行排序，即得到对应的颜色深浅关系。

进一步地，所述步骤S4具体包括以下步骤：

步骤S41：对新的竹条数据，重复步骤S1和步骤S2，得到新的特征序列NFnew；

步骤S42：计算特征序列NFnew与步骤S33中得到的k个中心点的距离，度量公式为：

其中S_n表示NFnew与第n个中心点Cn的相似度,Sn取值范围[0,1]，越接近1，表示越相似；与所有中心点计算得到度量结果序列S^{0,1,...k}，计算颜色分类结果：

G就是颜色分类的结果。

进一步地，所述步骤S5具体包括以下步骤：

步骤S51：对于步骤S41中得到的特征序列NF_new，添加到特征库NF^{1,2,...,}中，统计当前加入的新的特征序列NF_new的数量X，更新后的特征库NF^{1,2,...,}总个数Y；

步骤S52：设置迭代训练阈值P，P的范围为500～1000，特征库最大数量阈值Q，Q的范围为5000～10000，P<Q；如果X等于P执行步骤S53，否则执行步骤S51；

步骤S53：执行步骤S3，更新颜色聚类中心点；

步骤S54：如果Y>Q，按步骤S42计算更新后的特征库NF^{1,2,...}和聚类中心的度量值，选取最小的Y-Q个值作为离群特征值，从特征库中剔除；否则继续执行步骤S51；

与现有技术相比，本发明具有以下有益效果：

本发明无需人工预先筛选竹条颜色进行训练，同时在使用过程中自动更新迭代颜色特征库，训练新的模型。具有适应性强，准确率高，可实施性好的优点。

附图说明

图1为本发明实施例的相机采集原始图。

图2为本发明实施例的拼接色块图；其中图2(a)为浅色竹条拼接图，图2(b)为中等色竹条拼接图，图2(c)为深色竹条拼接图。

图3为本发明实施例的总体流程图。

图4为本发明实施例的颜色特征说明图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图3所示，本实施例提供一种基于机器学习的竹条颜色自适应分类方法，包括以下步骤：

步骤S1：采集提取单根竹条的颜色信息，并对单根竹条的颜色信息进行预处理；

步骤S2：将预处理后得到的图像提取颜色直方图特征；

步骤S3：使用k-means算法聚类颜色中心；

步骤S4：对新竹条进行颜色分类；

步骤S5：更新颜色特征库NF^{1,2,...,}，更新颜色聚类中心。。

在本实施例中，所述步骤S1具体包括以下步骤：

步骤S11：图像采集：使用彩色面阵相机拍摄竹条部分表面的图像作为图片I₁；如图1所示；

步骤S12：将彩图转成灰度图：将相机得到的彩色图片I₁的RGB通道转成灰度通道，转换公式为Gray＝R*0.299+G*0.587+B*0.114，其中Gray表示灰度值，得到灰度图像I₂；

步骤S13：图像二值化：利用OTSU算法对灰度图像I₂二值化得到二值化后的图像I₃；

步骤S14：提取竹片掩膜：利用图像形态学操作去掉二值化后的图像I₃中小粒子，提取最大的粒子区域作为竹片的掩膜区域I₄；

步骤S15：提取竹片色块：：提取竹片掩膜区域I₄的最大内接矩形，按照该矩形裁切图片I₁，得到竹片颜色块I₅；

步骤S16：判断是否采集完整根竹条，如果是则执行步骤S17，否则执行步骤S11；

步骤S17：拼接色块：将上述步骤得到的图像序列I₅ ^{1,2,...}拼接成一张图像I₆，此图像I₆即为预处理后的图像。

在本实施例中，所述步骤S2具体包括以下步骤：

步骤S21：将拼接色块得到的图像I₆RGB颜色空间转换为HSV颜色空间，得到图像I₇；

步骤S22：提取I₇的颜色特征：对于色相通道H，H的范围为0～180，设置直方图bin的宽度为5，得到36个H通道bin；对于饱和度通道S，不单独统计它的特征；对于亮度通道V，V的范围为0～255，设置直方图bin的宽度为4，得到64个V通道bin，设置饱和度阈值S_thresh＝30，阈值的范围为0～255，用该阈值对V通道bin进行分割，得到128个V通道bin；最后一共有164个颜色bin，统计I₆图像像素在bin范围内的直方图，得到直方图颜色特征F，该特征是1x164的特征向量；

步骤S23：特征归一化：将特征向量F进行归一化，归一化公式为：

其中i表示特征向量的下标，W，H分别表示图像I₆的宽度和高度；最后得到归一化后的特征NF。

在本实施例中，步骤S22中所述统计bin的直方图的具体内容为：

在统计bin的直方图时，一般的做法，如果像素值在两个bin的边缘附近，其中一个得票1，另外一个得票0，显然不太合理。因此本实施例提出采用线性投票法，令像素值为p，距离这个p最近的两个bin为bin_i，bin_j，对应的中心为C_i，C_j，则这两个bin的投票为：

这种投票方式能避免强行将连续的颜色特征强行分割，能够得到更加精准的颜色统计图，这种颜色提取方式能够提高颜色分类的准确度和鲁棒性。

在本实施例中，所述步骤S3具体包括以下步骤：

步骤S31：准备N根竹条，重复步骤S1、步骤S2,得到N个特征序列NF^{1,2,...}；

步骤S32：设置k＝3，计算步骤S2得到的N张拼接图像I₆的平均亮度值；根据亮度值大小分布，等距离取k个亮度值，选取k个亮度值对应的图片的颜色特征做为初始质心；对于k-means算法如果随机的选择初始化质心位置，会影响最终的收敛结果。本实施例中质心的选取方式，利用了亮度特征平均值，作为初始化质心的依据，保证每次训练得到的收敛结果稳定。

步骤S33：根据k-means聚类算法聚类出k个中心点C^{1,2,...,k}；

步骤S34：确定k个中心点与颜色深浅的对应关系：对聚类中心点C^{1,2,...,k}进行度量，度量公式为：

n表示聚类中心下标，i表示颜色特征下标，这里只选用V通道进行度量；m_n的大小表示聚类中心对应的颜色深浅，m_n越大，表示颜色越浅，m_n越小，表示颜色越深；将对应得到的m^{1,2,..,k}进行排序，即得到对应的颜色深浅关系。

在本实施例中，所述步骤S4具体包括以下步骤：

步骤S41：对新的竹条数据，重复步骤S1和步骤S2，得到新的特征序列NFnew；

步骤S42：计算特征序列NFnew与步骤S33中得到的k个中心点的距离，度量公式为：

其中S_n表示NFnew与第n个中心点Cn的相似度,Sn取值范围[0,1]，越接近1，表示越相似；与所有中心点计算得到度量结果序列

S^{0,1,...k}，计算颜色分类结果：

G就是颜色分类的结果。

在本实施例中，所述步骤S5具体包括以下步骤：

步骤S51：对于步骤S41中得到的特征序列NF_new，添加到特征库NF^{1,2,...,}中，统计当前加入的新的特征序列NF_new的数量X，更新后的特征库NF^{1,2,...,}总个数Y；

步骤S52：设置迭代训练阈值P＝1000，P的范围为500～1000，特征库最大数量阈值Q＝10000，Q的范围为5000～10000，P<Q；如果X等于P执行步骤S53，否则执行步骤S51；

步骤S53：执行步骤S3，更新颜色聚类中心点；

步骤S54：如果Y>Q，按步骤S42计算更新后的特征库NF^{1,2,...}和聚类中心的度量值，选取最小的Y-Q个值作为离群特征值，从特征库中剔除；否则继续执行步骤S51；

较佳的，在本实施例中，如图2、4所示，

(1)准备N＝500根竹条，重复步骤S1，步骤S2。得到500个特征序列NF^{1,2,...}；

(2)根据工厂颜色分类需求，设置k＝3，或者k＝5。计算步骤S2得到的500张拼接图像I₆的平均亮度值。根据亮度值大小分布，等距离取k个亮度值，选取k个亮度值对应的图片的颜色特征做为初始质心。对于k-means算法如果随机的选择初始化质心位置，会影响最终的收敛结果。本发明中质心的选取方式，利用了亮度特征平均值，作为初始化质心的依据，保证每次训练得到的收敛结果稳定。

(3)根据传统k-means聚类算法步骤聚类出k个中心点C^{1,2,...,k}。

(4)确定k个中心点与颜色深浅的对应关系：对聚类中心点C^{1,2,...,k}进行度量，度量公式为：

n表示聚类中心下标，i表示颜色特征下标，这里我们只选用V通道进行度量。m_n的大小表示聚类中心对应的颜色深浅，m_n越大，表示颜色越浅，m_n越小，表示颜色越深。将对应得到的m^{1,2,..,k}进行排序，即得到对应的颜色深浅关系。

(4)对新竹条进行颜色分类；

所述(4)具体包括以下步骤：

(4-1)对新的竹条数据，重复步骤S1，步骤S2，得到特征序列NF_new；

(4-2)计算特征序列NF_new与步骤3中得到的k个中心点的距离，度量公式为：

其中S_n表示NF_new与第n个中心点C_n的相似度。S_n取值范围[0,1]，越接近1，表示越相似。与所有中心点计算得到度量结果序列S^{0,1,...k}，计算颜色分类结果：

G就是颜色分类的结果。

(5)更新颜色特征库NF^{1,2,...,}，迭代训练颜色模型；

所述(5)具体包括以下步骤：

(5-1)对于(4-1)中得到的特征序列NF_new，添加到特征库NF^{1,2,...,}中，统计当前加入的新的特征序列NF_new的数量X，特征库NF^{1,2,...,}总个数Y；

(5-2)设置迭代训练阈值P＝500，特征库最大数量阈值Q＝5000。如果X等于P执行步骤(5-3)，否则执行步骤(5-1)；

(5-3)，执行步骤(4)，重新训练模型；

(5-4)，如果Y>T，按步骤(4-2)计算特征库NF^{1,2,...}和聚类中心的度量值，选取最小的Y-T个值作为离群特征值，从特征库中剔除。否则继续执行步骤(5-1)；

(5-5)，使用步骤(5-3)中得到的聚类中心点，作为初始点，重新聚类。

较佳的，本实施例只需要提供一定数量的竹条，根据自适应分析和判断颜色变化，自动学习竹条的颜色分布和分类模型。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (2)

1.一种基于机器学习的竹条颜色自适应分类方法，其特征在于：包括以下步骤：

步骤S1：采集提取单根竹条的颜色信息，并对单根竹条的颜色信息进行预处理；

步骤S2：将预处理后得到的图像提取颜色直方图特征；

步骤S3：使用k-means算法聚类颜色中心；

步骤S4：对新竹条进行颜色分类；

步骤S5：更新颜色特征库NF^{1,2,...,}，更新颜色聚类中心；

所述步骤S1具体包括以下步骤：

步骤S11：图像采集：使用彩色面阵相机拍摄竹条部分表面的图像作为图片I₁；

步骤S12：将彩图转成灰度图：将相机得到的彩色图片I₁的RGB通道转成灰度通道，转换公式为Gray＝R*0.299+G*0.587+B*0.114，其中Gray表示灰度值，得到灰度图像I₂；

步骤S13：图像二值化：利用OTSU算法对灰度图像I₂二值化得到二值化后的图像I₃；

步骤S14：提取竹片掩膜：利用图像形态学操作去掉二值化后的图像I₃中小粒子，提取最大的粒子区域作为竹片的掩膜区域I₄；

步骤S15：提取竹片色块：提取竹片掩膜区域I₄的最大内接矩形，按照该矩形裁切图片I₁，得到竹片颜色块I₅；

步骤S16：判断是否采集完整根竹条，如果是则执行步骤S17，否则执行步骤S11；

步骤S17：拼接色块：将上述步骤得到的图像序列I₅ ^{1,2,...}拼接成一张图像I₆，此图像I₆即为预处理后的图像；

所述步骤S2具体包括以下步骤：

步骤S21：将拼接色块得到的图像I₆RGB颜色空间转换为HSV颜色空间，得到图像I₇；

步骤S22：提取I₇的颜色特征：对于色相通道H，H的范围为0～180，设置直方图bin的宽度为5，得到36个H通道bin；对于饱和度通道S，不单独统计它的特征；对于亮度通道V，V的范围为0～255，设置直方图bin的宽度为4，得到64个V通道bin，设置饱和度阈值S_thresh，阈值的范围为0～255，用该阈值对V通道bin进行分割，得到128个V通道bin；最后一共有164个颜色bin，统计I₆图像像素在bin范围内的直方图，得到直方图颜色特征F，该特征是1x164的特征向量；

步骤S23：特征归一化：将特征向量F进行归一化，归一化公式为：

其中i表示特征向量的下标，W，H分别表示图像I₆的宽度和高度；最后得到归一化后的特征NF；

所述步骤S3具体包括以下步骤：

步骤S31：准备N根竹条，重复步骤S1、步骤S2,得到N个特征序列NF^{1,2,...}；

步骤S32：根据工厂颜色分类需求，设置颜色分类个数k，k的取值范围为3～5，计算步骤S2得到的N张拼接图像I₆的平均亮度值；根据亮度值大小分布，等距离取k个亮度值，选取k个亮度值对应的图片的颜色特征做为初始质心；

步骤S33：根据k-means聚类算法聚类出k个中心点C^{1,2,...,k}；

步骤S34：确定k个中心点与颜色深浅的对应关系：对聚类中心点C^{1,2,...,k}进行度量，度量公式为：

n表示聚类中心下标，i表示颜色特征下标，这里只选用V通道进行度量；m_n的大小表示聚类中心对应的颜色深浅，m_n越大，表示颜色越浅，m_n越小，表示颜色越深；将对应得到的m^{{1 ,2,..,k}}进行排序，即得到对应的颜色深浅关系；

所述步骤S4具体包括以下步骤：

步骤S41：对新的竹条数据，重复步骤S1和步骤S2，得到新的特征序列NFnew；

步骤S42：计算特征序列NFnew与步骤S33中得到的k个中心点的距离，度量公式为：

其中S_n表示NFnew与第n个中心点Cn的相似度,Sn取值范围[0,1]，越接近1，表示越相似；与所有中心点计算得到度量结果序列S^{0,1,...k}，计算颜色分类结果：

G就是颜色分类的结果；

所述步骤S5具体包括以下步骤：

步骤S51：对于步骤S41中得到的特征序列NF_new，添加到特征库NF^{1,2,...,}中，统计当前加入的新的特征序列NF_new的数量X，更新后的特征库NF^{1,2,...,}总个数Y；

步骤S52：设置迭代训练阈值P，P的范围为500～1000，特征库最大数量阈值Q，Q的范围为5000～10000，P<Q；如果X等于P执行步骤S53，否则执行步骤S51；

步骤S53：执行步骤S3，更新颜色聚类中心点；

步骤S54：如果Y>Q，按步骤S42计算更新后的特征库NF^{1,2,...}和聚类中心的度量值，选取最小的Y-Q个值作为离群特征值，从特征库中剔除；否则继续执行步骤S51。

2.根据权利要求1 所述的一种基于机器学习的竹条颜色自适应分类方法，其特征在于：步骤S22中所述统计bin的直方图的具体内容为：

在统计bin的直方图时，采用线性投票法，令像素值为p，距离这个p最近的两个bin为bin_i，bin_j，对应的中心为C_i，C_j，则这两个bin的投票为：

这种投票方式能避免强行将连续的颜色特征强行分割，能够得到更加精准的颜色统计图，这种颜色提取方式能够提高颜色分类的准确度和鲁棒性。

Images