物流分揀中破損快件的智能識別技術

陳 默

（華北科技學院，河北 廊坊 065201）

1 引言

物流配送中心按照顧客的訂單要求獲取配送計劃，快速、準確地將商品從某儲位或其它區域采集出來，并依據一定的方式進行分類、集中的作業過程。物流快件的分揀方式主要有訂單揀取、批量揀取以及復合揀取三種途徑。隨著社會的發展，人們對物料的供給量和需求量大幅度增加，傳統的人工或半自動物流快件分揀方法，無法滿足不斷發展的社會需求，而基于機器視覺的自動化分揀方法[1-3]能夠增強物流出、入庫的效率，降低成本，提高分揀的準確性和及時性，減少分揀時間，具有重要的應用意義。

2 基于閥值特征表和主元相似模型的破損快件識別方法

2.1 分揀前的破損特征構建過程

物流快遞公司事先設置的合格快件中，不可避免地存在少量的破損快件，在計算機視覺采集中，合格快件圖像中也含有一定的缺失圖像，在快件分揀過程中，為了分析待揀圖像特征是否是破損特征，應在分揀前，構建無破損特征的快件特征表作為相應分析規范，過濾破損干擾特征。通過對大量合格的快件圖像進行分析后可得，合格快件的圖像像素灰度級直方圖呈現多峰值，如圖1所示。合格快件破損特征比率低于10%，可以采用基于差值的圖像分割和破損百分比的方法構建破損特征表。

圖1 多峰值破損灰度直方圖

2.1.1 基于差值的圖像分割。破損快件圖像色彩一旦模糊缺失，會造成變換成灰度圖像后灰度值分布峰值不明顯，使得圖像內部顏色和背景圖像容易混淆，因此本文采用基于差值的圖像分割法，對快件圖像進行分割，獲取破損區域，圖像差分關注兩幅圖像的差異，能夠對快件圖像的質量進行準確檢測。對待識別分揀物體圖像和模板圖像像素對應進行相減運算，能夠獲取待識別圖像和模板圖像間對應像素的差別，進而對比分析差影圖像和閥值，以確定待識別快件圖像是否存在破損現象。

設T(x,y)用于描述模板圖像，S(x,y)用于描述待識別圖像，D(x,y)用于描述兩圖像的對應像素差值圖像。差分運算有如下三種方式：

（1）正差。用待識別分揀物品圖像減去設定的模板圖像，則當S(x,y)>T(x,y)時有：

否則D(x,y)=0，此時差分結果被調整到0，過濾差值為負值的信息。

（2）負差。運算方式同正差相同，只是交換模板圖像和待識別圖像。

（3）絕對值差：

D(x,y)值越小，表明待識別圖像同模板圖像間的差別越小，兩幅圖像的相似度越高。快件破損主要有明破損和暗破損兩種類型，明破損的灰度值高于鄰域破損，暗破損的灰度值低于鄰域破損。若只通過正差或負差進行操作，能夠獲取明破損和暗破損中的一種。獲取差值圖后應對其進行二值化處理，設差影圖像D(x,y)的灰度分布在區間[0,255]中，二值化的閥值是T，二值化后的差影圖像是B(x,y)，則有：

通過對大量的標準模板圖像和待識別分揀物品圖像的絕對值差影圖的灰度分別進行分析可得，大部分像素灰度值小于20，少部分像素灰度值在[20,255]灰度值區域，并且該區域中的像素值大都是破損信息和差影圖像中的噪聲信息。因此通常將灰度閥值設置成20。對快件差值圖像進行二值化后，能夠較好的保留破損信息，獲取分揀物品圖像破損面積信息，為后續構建破損特征表提供可靠的依據。

2.1.2 明確合格快件圖像的灰度量值。通過閥值法分割合格快件圖像，閥值的選取同圖像分割效果具有較強的關聯性。如果閥值過高，則大量的破損像素會被劃分成正常像素，或者大量的正常像素被劃分成破損像素。合格快件圖像灰度級直方圖具有多峰值性，相鄰兩峰谷中的面積最大者是合格快件特征區，用圖1陰影描述。將兩峰谷(Gl，G2)當成灰度閾值區間，并將閥值范圍中的特征和其在圖像中出現的頻率保存在顏色表中。特征不同，相應的灰度也不同，因此由灰度閥值區間構建的特征表會出現一種同快件灰度相近的破損特征。因而應對特征表進行優化，通過特征百分比方法刪除表中的破損特征。

2.1.3 明確特征閥值并構建特征表。快件的破損區域具有局部性，破損特征在合格快件圖像中出現的頻率也較小，可采用人機交互的方法明確一個特征百分比，低于該閥值的特征認為是破損特征，并將其從特征表中過濾。特征閥值具有重要作用，其影響了快件破損識別的效率，并且同剔除率和誤剔率具有正比例關系。特征閥值越大，分揀后的快件完整性越大，然而剔除率偏大。因此應綜合分析快件的特征閥值和剔除率間的關系。按照現場情況和物流對快件質量檔次的規范要求設置合理的特征閥值。

2.2 分揀過程

對快件進行分揀時，應對采集的待分揀快件的圖像進行二值化操作，遍歷圖像像素并在特征表中進行搜索，若獲取破損特征，則將對應的像素灰度設置成0，否則設置成255（用1表示），標識破損特征并運算其面積，如果高于面積閥值（根據經驗設置的開閥規范），則認為相應的快件是破損快件，應將其過濾。通過上述分析可獲取破損快件分析模型，為了提高破損快件的分揀效率，本文采用主元相似分析方法對不同類型的快件進行分析，快速識別出破損快件。先對不同類型的快件樣本的破損特征參數構成的數據矩陣進行主成分分析，構建主成分回歸類模型，再采用該模型對未知快件樣本進行識別，也就是分別將未知樣本與不同類型的模型進行擬合，最終分析待識別快件樣本是否存在破損現象。構建的模型精度用該類模型對已知類型樣本的識別率和對未知類型樣本的拒絕率進行描述，詳細的分析過程為：

（1）構建類的主成分回歸模型，對于第q類樣本中的第k個樣本矢量可用下式描述：

其中，nq表示第q類模型的樣本數量，m表示變量數，εip表示擬合偏差。

（3）運算F值和臨界值F0，有：

3 實驗結果與分析

3.1 不同算法的識別結果

實驗分別采用本文識別方法和傳統識別方法對某存在破損快件以及合格快件的物流分揀過程進行分析，分別選擇存在嚴重破損快件1、中度破損快件2、輕度破損快件3以及合格快件4進行實驗測試分析，快件原圖如圖2所示。本文實驗在VC++6.0平臺上運行，分別采用四種類型的快件測試圖各一張，實驗分別采用本文方法和傳統方法對四種類型的實驗快件的破損區域進行識別，結果分別用圖3和圖4描述。分析圖3和圖4可得，傳統方法識別出的快件破損區域存在較多的噪聲因素，不能對快件破損區域進行準確的識別，而本文方法能夠準確識別出相應的快件破損區域。

圖2 四種類型快件原圖

圖3 本文方法的識別結果

圖4 傳統方法的識別結果

3.2 不同算法的性能分析

采集三種破損類型快件各30張以及合格快件20張，共計110張快件圖片，本文算法識別破損快件的實驗結果見表1。分析表1可得，本文識別方法對不同類型的破損快件的識別準確率高于93%，識別誤差率低于6%，并且能夠準確識別出合格快件，說明本文方法具有較高的破損快件識別精度，具有一定的優勢。

表1 本文算法識別破損快件實驗結果

為了比較本算法的性能，在VC++6.0平臺上對比分析本文方法和傳統方法的識別性能，實驗中分別采用兩種方法對某物流快件分揀過程進行檢測，持續時間為6h，統計兩種算法的平均識別率和識別時間，見表2。

表2 不同算法破損快件識別率和識別時間

分析表2可得，本文方法對物流分揀中破損快件的識別率和處理時間都優于傳統方法，主要是因為本文方法通過構建合理的快件特征表、目標破損特征區域表，并明確破損區域閥值，能夠獲取準確的破損特征，本文方法因采用主元相似識別模型對待識別快件進行識別，極大地提高了破損快件的識別效率和精度，取得了令人滿意的效果。

4 結論

本文提出了一種基于閥值特征表和主元相似識別模型的破損快件識別方法，采用基于差值的圖像分割法獲取破損區域圖像，構建合理的快件特征表、目標破損特征區域表，并明確破損區域閥值，通過主元相似識別模型對不同類型的待識別快件進行識別，進而準確識別出破損快件。實驗結果表明該方法具有較高的實時性和可靠性，能夠及時準確地識別出不同類型的破損快件，并且具有較高的精度，極大地提高了物流分揀去除破損快件的自動化以及智能化。

[1]袁阿勇.新型智能化貨物分揀系統的研究與開發[D].武漢:武漢理工大學,2006.

[2]韓玉民,汪冬,魏洪河,譚春琴.郵包自動分揀系統的設計[J].機電工程,2004,(8).

[3]王耿芳.推塊式分揀機系統高度與控制的研究及應用[D].重慶:重慶大學,2002.

[4]艾海舟.機器視覺及其應用[J].科學中國人,1997,(9).

[5]王峰,徐金強,等.基于動態閾值和分層檢測的圖像缺陷識別算法的研究與應用[J].北方交通大學學報,2002,26(1):19-22.

[6]謝勇,彭濤.機器視覺及其在包裝行業中的應用[J].株洲工學院學報,2002,(7).

[7]孫宇清,馬軍.在線檢測實時處理系統的設計與實現[J].計算機工程與應用,2000,(12):171-172.