王 非，邱 杰

(云南工商學院建筑工程學院，云南昆明651700)

0 引言

在實際生產(chǎn)中，由于種種人為因素造成原材料中混入相似異物，其原因是原材料與混入的異物存在及其相似的特征［1］，比如，在棉花中混入羊毛或者白發(fā)等，由于難以進行檢測而導致加工質(zhì)量嚴重下降［2］。

目前，基于計算機技術的圖像處理在異物檢測領域中有著廣泛的應用，但是在某些方面的應用效果還不太理想。例如α，β，γ射線成像、X光成像、PET(positron emission tomography)成像系統(tǒng)［3-5］，由于其成本較高且識別效果不佳，因此在實際生產(chǎn)中無法得到廣泛應用。隨著光譜學在實際生產(chǎn)中的應用，有的學者將其應用于相似異物的檢測領域，通過將光譜成像特性差別轉(zhuǎn)化為異物與背景圖像的差別來實現(xiàn)對異物的檢測［6-8］。但是，由于相似異物與背景圖像的差別很小，對于其提取顯得尤為困難。

針對上述問題，通過對反射光譜成像理論模型的詳細分析，提出一種基于優(yōu)選波長的反射光譜成像技術檢測相似異物的新方法。本文建立了波長優(yōu)選函數(shù)，分析了近紫外一可見一近紅外離散波段中異物與背景灰度差隨波長變化規(guī)律，篩選了區(qū)分多個異物與背景的最佳光照波長，同時引入特定波長的反射光源，建立異物與背景圖像特征差別，從而根據(jù)該差別將異物圖像提取出來。實驗結果表明，該方法能夠有效地檢測出異物。

1 基于優(yōu)選波長的反射光譜成像檢測相似異物方法

物質(zhì)對光的吸收、反射、透射均與入射光波長λ有關［9-10］。一束光線照射在物質(zhì)上，會發(fā)生吸收、反射及透射，其中反射比定義為

(1)式中:Er(λ)為反射光能量;Ea(λ)為吸收光能量;Et(λ)為透射光能量;Ei(λ)為入射光總能量。

在光譜成像系統(tǒng)中，反射光能量的一部分被CCD(charge-coupled device)接受，信號強度值為

(2)式中:K為CCD吸收比例系數(shù)，反應其吸收能力;η為CCD感應系數(shù)，反映其對波的感應能力;Δs為單位探測面積;Δt為實驗曝光時間。

CCD成像系統(tǒng)將輻射光信號S被轉(zhuǎn)換為象素灰度值g，設成像系統(tǒng)中輻射光與圖像灰度的轉(zhuǎn)換關系滿足函數(shù)h(x)，即

而入射光能、反射光能、透射光能及吸收光能4者之間的關系滿足

將(4)式代入(3)式，求出h(x)的反函數(shù)后，可得到象素灰度值為

在參數(shù)K，Ei(λ)，η，Δs和 Δt一定的條件下，(5)式可表示為

圖像中象素灰度值與異物對特定波長的光譜反射強度有關。根據(jù)(6)式，異物灰度值gf及背景灰度值gb分別表示為

光譜成像系統(tǒng)具有疊加特性和平移不變特性［9-10］，這對于解決系統(tǒng)中存在的相似異物的檢測問題有法可循。具體做法為:將相似異物和背景對光譜反射存在的差別，進一步轉(zhuǎn)化為象素灰度值的不同，用Δg表示為

由此，已將檢測對象反射特性的差別變?yōu)橄袼鼗叶戎档牟顒e。截獲的灰度圖像中，相似異物和背景感光后的灰度差越大，檢測操作越容易，因此，找出讓異物與背景差別最明顯、最有效的實際波長勢在必行。

系統(tǒng)中若存在一個異物，找到理想波長很簡單。系統(tǒng)中若存在多個或多元性異物，則需綜合權衡和合理對比，找到最佳、最合適的理想波長。所以在操作中，要以確保使每一種相似異物與背景的差別都比較顯著為原則，來擇斷最佳理想波長。

選定λ波長，為準確量化2者的差別，定義為

(9)式中:gb(λ)為背景灰度值;gi(λ)為n個異物灰度值，i=1，2，…，n。

從上述的操作原理中可知，理想光照波長需權衡n種異物與背景的灰度差別，綜合評定理想波長，需考慮以下3個方面:

1)Δgi(λ)二次方之和盡可能大，確保能夠存在的相似異物檢測出來。

2)最小的不應太小，確保難分辨的單一異物的檢測。

3)Δgi(λ)的方差盡可能小，使灰度差穩(wěn)定性強。

根據(jù)要求1)，設定2者灰度差值的平方和均值為

根據(jù)要求2)，設定灰度差最小值為

根據(jù)要求3)，設定2者灰度差的數(shù)理標準差為

(12)式中，

考慮上述3個因素，最佳波長優(yōu)選函數(shù)為

(14)式中，λ不同時對應不同的Δg(λ))，其數(shù)值設定為綜合灰度差。

2 光譜反射成像相似異物檢測實驗

以棉花為背景，對其中的白色異物進行測定。光譜反射成像裝置如圖1所示。實現(xiàn)過程:首先，根據(jù)CCD相機和多個λ值光源來建立成像系統(tǒng);然后，在多個不同波長的情況下，詳細對比分析相似異物和背景在光譜圖像中的實際可視性差別。

圖1 光譜反射成像裝置Fig.1 Spectral reflection imaging device

在圖1成像系統(tǒng)中，選取以下不同的離散主波長(370，1 100，390，940，400，850，470，630，520，580 nm)的二極管(20×20)光源，安排布置于其兩端，并與軸向夾角45°。依據(jù)光源的直線性，光線的均勻性，真正保證光照分布的勻稱和平衡，這是試驗效果良好的必要保證。多光譜CCD相機應選響應在300－1 200 nm的(范圍更大亦可)，確保截取到全部的不同光照條件下的所需圖像，這是實驗成功的關鍵。

將白色丙綸絲、白麻絲、白頭發(fā)絲3種與棉花極其相似的異物混在棉花里面，根據(jù)光譜成像來提取異物圖像特征。在370－1 100 nm近紫外一可見一近紅外離散波段范圍內(nèi)，獲取每種異物與棉花的10個灰度差別值，同時，獲取不同波長情況下的綜合灰度差，結果如圖2所示。

圖2 綜合灰度差與波長的關系Fig.2 Relation between comprehensive gray scale difference and wavelength

由圖2可知，棉花與3種異物的綜合灰度差最高時對應的波長為390 nm，該λ擬取為理想波長。然后接著進行進一步檢測，把全部相似異物散放在背景(棉花)表面，并在暗箱中通過系列操作，獲得該波長條件下的光譜圖像，以可見光圖像作參照，棉花異物圖像如圖3所示。由圖3可見，此時在可見光照射下，試驗中的異物灰度特征不顯著。圖4對應為390 nm波長圖像，二者灰度差別較顯著。

圖3 可見光圖像Fig.3 Visible light image

接下來，對上述過程中截獲的390 nm圖像進一步處理，操作為使用中值濾波進行噪聲衰減，然后對棉花光照度進行均勻修正，此操作為接下來的進一步對比做準備，十分關鍵。進行背景校正時，第一步要使用低通濾波器，進行背景的緩變提取，獲得相應的圖像(見圖5);接下來，對反色和原始圖像進行相應相加，從而加強灰度差值;最后，根據(jù)自適應閾值對目標圖像作二值化處理(見圖6)，同時，使用種子填充法對清晰的實驗目標進行全面截獲和提取。

圖4 波長390 nm圖像Fig.4 Wavelength of 390 nm image

圖5 背景校正后圖像Fig.5 Image after background correction

圖6 二值化圖像Fig.6 Two value image

從圖6可以很容易看出，二值化處理后的目標圖像與原始圖像相比，在特征上發(fā)生了明顯的變化，異物與背景的灰度差大大增加，從而根據(jù)該灰度差別將異物圖像提取出來，灰度值遠大于周圍背景的區(qū)域即為異物。

光譜的光照強度對檢測效果有很大的影響［11-12］。為便于下文的分析，對光照強度與效果影響程度建立對應關系。實現(xiàn)過程:確定一光照系數(shù)，接著，用一個光源照射到普通白紙上，同時獲取圖像，定義圖像平均灰度為對應的光照強度度量，即

(15)式中:g表示灰度平均值;光照系數(shù)e∈［0，1］。

另外，還需進一步考慮:為構建對樣機檢測性能的準確評價機制，需聯(lián)系有關的規(guī)范，構建準確的檢測模型，確保做出的評價科學規(guī)范。

下面考慮其他影響，針對第i種相似異物，在背景中若放入Ni個異物，在進行檢測操作中，實際檢驗出Mi個，那么說明誤檢出(多檢出)Pi個，則檢測率用η表示為

對于n種異物來說，總檢測率為

將3種相似異物隨機無意地散落在棉花(背景)上表面，取棉花厚度為20 mm，異物平均寬度為2 mm。具體操作:采用波長390 nm的LED面陣光源照射異物，同時逐漸增強光照強度，計算并描繪相應的變化，檢測率與光照系數(shù)的關系如圖7所示。

圖7 檢測率與光照系數(shù)的關系Fig.7 Relation between detection rate and illumination coefficient

結果顯示:在對應的波長條件下，隨著光照系數(shù)的變大，檢測率曲線大致走向呈緩慢上升的態(tài)勢;在極限值(最大值)之后，檢測率隨著光照系數(shù)的逐漸增大而變小，圖像的整體起伏狀態(tài)和二次拋物線很相似。用半拋物線，分2部分對曲線進行函數(shù)擬合，檢測率f(e)表示為

(18)式描述了光照系數(shù)和檢測率兩者之間的函數(shù)關系。把e=0.74帶入檢測率與光照系數(shù)的擬合函數(shù)f(e)中，可以計算得到此時檢測率高達94%。

3 結論

本文提出了一種基于優(yōu)選波長的光譜反射成像技術的相似異物檢測新方法。利用390 nm波長光源獲取異物圖像特征。通過構建光照波長優(yōu)選函數(shù)找出單波長下多個異物與其所處背景圖像的差異。對近紫外-可見-近紅外離散波段中異物與背景灰度差隨波長變化規(guī)律進行分析，篩選出區(qū)分多個異物與背景的最佳光照波長，從而構建反射光譜成像檢測系統(tǒng)。根據(jù)最佳波長反射成像系統(tǒng)來獲取相似異物特征，同時，根據(jù)二值化自適應閾值來對異物提取圖像進行處理。以棉花為對象進行試驗，結果表明，該方法可以有效地篩選出相似異物，為相似異物檢測提供了一種新的解決思路。但是，本文所設計的系統(tǒng)在應用上仍具有局限性。本文將白色丙綸絲、白麻絲、白頭發(fā)絲3種異物與棉花混在一起進行實驗，得到了棉花與3種異物的綜合灰度差最高時對應的波長為390 nm，并驗證了本文方法的可行性，但該波長應用于其它相似異物的檢測效果尚沒有經(jīng)過實驗驗證，提高系統(tǒng)的普適性和穩(wěn)定性是本文下一步的研究重點。

［1］JI D.Study Progress of Spectral Color Science and Its Prospect of Application in the Field of Chinese Medicine［J］.Spectroscopy and Spectral Analysis，2013，33(9):2315-2320.

［2］李國輝，蘇真?zhèn)?，夏心?基于不規(guī)則成像機器視覺的棉花白色異纖檢測算法［J］.農(nóng)業(yè)機械學報，2012，41(5):164-167.

LI Guohui，SU Zhenwei，XIA Xinyi.The irregular imaging white foreign fibers in cotton machine vision detection algorithm based on［J］.Journal of agricultural machinery，2012，41(5):164-167.

［3］OK G，CHOI S W，PARK K H，et al.Foreign object detection by sub-terahertz quasi-Bessel beam imaging［J］.Sensors，2012，13(1):71-85.

［4］項安，張晗毓.X射線異物檢測的圖像屏蔽算法［J］.計算機應用，2011(10):27-31.

XIANG An，ZHANG Hanyu.The image shielding X ray foreign body detection algorithm［J］.Computer application，2011(10):27-31.

［5］薛菲菲，高武，鄭然，等.用于PET成像系統(tǒng)的流水線ADC設計［J］.微電子學與計算機，2013，30(01):61-64.

XUE Feifei，GAO Wu，ZHENG Ran，et al.PET imaging system for pipeline ADC design［J］.Microelectronics＆computer，2013，30(01):61-64.

［6］GUO J，YING Y，LI J，et al.Detection of foreign materials on surface of ginned cotton by hyper-spectral imaging［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28(21):126-134.

［7］HUANG B，WANG P，MA S L.A Detection System of Impurity in Transparent Liquid［J］.Advanced Materials Research，2014，10(03):193-197.

［8］高海龍，李小昱，徐森淼，等.透射和反射高光譜成像的馬鈴薯損傷檢測比較研究［J］.光譜學與光譜分析，2013，12(18):51-54.

GAO Hailong，LI Xiaoyu，XU Senmiao，et al.The detection of potato damage the transmission and reflection of hyperspectral imaging is a comparative study of［J］.Spectroscopy and spectral analysis，2013，12(18):51-54.

［9］周金麗，王耀南，張耀，等.口服液可見異物智能檢測系統(tǒng)［J］.計算機工程，2012，38(23):247-250，265.

ZHOU Jinli，WANG Yaonan，ZHANG Yao，et al.Oral liquid visible foreign matter intelligent detection system of［J］.Computer Engineering，2012，38(23):247-250265.

［10］FENG Yaoze，SUN Dawen.Application of hyperspectral imagi-ng in food safety inspection and control:a review［J］.Critical Re-views in Food Science and Nutrition，2012，52(11):1039-1058.