基于圖像處理的橡膠中炭黑分散度評價方法研究

龔良文

摘要：研究基于圖像處理分散度評價方法。使用區域生長法對圖像分割，彌補了使用Otsu法識別炭黑時在分散度較好情況下識別效果不佳的不足；在精簡炭黑分散性特征信息的同時，考慮了分布性對炭黑分散度的影響，豐富和優化了炭黑圖像的特征體系；采用BP-RBF混合網絡神經網絡作為圖像識別的分類器，建立炭黑分散度評價模型，其評價的準確度更高，評價過程更智能化，其準確率高達95%。

關鍵詞：炭黑分散度 圖像分割 BP-RBF 混合神經網絡

中圖分類號：TQ330.381 文獻標識碼：A 文章編號：1007-9416（2016）07-0065-03

炭黑作為橡膠混煉過程中份額最大同時也是最為重要的補強性填料，其與生膠的混合均勻性直接影響到膠料的物理機械性能。在工業生產中以1-10十個等級標定混合均勻的程度，即炭黑分散度，并以分散度作為一個重要尺度去衡量膠料和其膠制品質量的好壞。

國內在炭黑分散度評價方面已做了大量研究，創立的分散度評價方法仍以顯微照相法為基礎，使用數字圖像處理技術進行實現。其主要步驟為膠料圖像采集與處理、圖像特征信息提取、分散度等級評價。

由于目前的顯微攝像技術已經能夠支持足夠清晰膠料圖像的獲取，對于分散度檢測的研究重心已偏向評價這一方向，即對于采集到的膠料圖像的處理與評價工作。主要包括如何選擇合適的圖像分割算法甄別炭黑與背景，如何選擇合適的圖像信息表征炭黑分散情況，如何選擇合適的評價方法對分散度進行等級評定，使得評價的結果更加準確、可靠。

本工作針對膠料圖像確定合適的圖像分割算法，選擇完整的圖像信息建立炭黑分散度特征體系，并建立更健壯的分散度評價模型，以期更準確的對炭黑分散度等級進行評級。

1 圖像采集與處理

基本流程包括膠料圖像的采集、圖像有效性判斷、圖像去噪與圖像分割。

對于待測膠料切取試樣，使用CCD攝像機獲取膠料圖像，示例如圖1所示，統一格式為480×640×8 bits，其中白點為炭黑。

對于一些過于模糊圖像，因其不具備一定的清晰度，即使對圖像進行增強也很難準確的對其進行分析。對這些圖片進行評價沒有意義。因此采用TenenGrad評價函數對圖像進行模糊度評價，以評價函數值F對圖像有效性進行判斷。對大量過度模糊圖像與清晰圖像的評價值F進行統計，分析統計所得數據易發現，模糊圖像與清晰圖像的界限位于40左右，F值超過40的圖像就可認為其適合進行分散等級的評價。

使用3×3大小的中點濾波器對膠料圖像進行濾波，中點濾波結合了求均值和統計排序，對于隨機分布噪聲效果最好，如高斯噪聲和均勻噪聲。

在經過前期的篩選、去噪獲得較好的膠料灰度圖像后，需要將其中的炭黑識別出來，這是典型的圖像分割問題。對于膠料圖像分割方法的研究并不多，其中使用最多的是一種基于全局閾值的Otsu法。但在目標與背景的灰度相差不大且目標所占像素比例太低的情況下，計算出的Otsu閾值會偏向背景灰度，使得有些背景被誤識為目標。所以對于大部分膠料圖像，Otsu法的分割效果不錯，而對于分散度較好的膠料圖像，其分割效果不佳，將許多膠料誤分為炭黑粒子。

因此使用一種基于區域分割的區域生長法，其基本思想是根據自定義的生長規則將像素或者子區域組合為大區域達到分割的目的。基本方法是選取一組種子點作為生長的起點，把與種子性質相似（如特定范圍的灰度值或顏色）的領域像素點添加到每個種子點上作為新的種子，種子不斷添加形成區域的生長，直至不再有像素點滿足相似性準則完成分割。如圖2圖3所示分別為使用Otsu法和區域生長法分割結果，后者分割效果明顯好于前者。

2 圖像特征信息提取

為準確對炭黑分散度等級進行評價，要求選擇的二值圖像的特征信息能夠較準確、全面地表征炭黑分散度信息。

但是大多數研究中在評價時對于分散度情況的表征不夠全面，只表征了炭黑面積大小，未表征其分布情況。因此從分散性、分布性、空間布局、粒子面積等多個角度選取的5個特征信息如下：X1：圖像中炭黑粒子總面積，單位為像素點；X2：炭黑粒子平均面積；X3：最大炭黑粒子面積；X4：將圖像分為16個等分區域，各區域中炭黑面積的標準差；X5：以各炭黑粒子質心坐標構成一個點集限定邊界作維諾圖，維諾圖各Dirichiet區面積的標準差。

對于以上信息的提取如下：圖像經過處理后獲得的二值化圖像中每個炭黑粒子為一個白色區域，使用一種基于行程的區域標記方法對二值圖像進行區域標記，統計區域信息即可完成特征信息的提取。

X1即為各標記區域總面積：X2為各標記區域面積均值；X3為各標記區域中面積最大值；X4為各圖像區域塊內標記區域的面積的標準差；對于X5，獲得各標記區域質心坐標集合C后，使用MPT工具箱并限制邊界為[0，480]和[0，640]繪制維諾圖可獲得各Dirichiet區的面積，面積標準差即為X5。以橡膠炭黑分散度的檢測標準ISO 11345中的4級標準圖像為例，對其所作維諾圖如圖4所示，提取的特征數據如表1所示。

3 分散度等級評價

對炭黑分散等級的評價的過程其實就是圖像識別的過程，即對輸入的圖像，分析并提取其特征，然后構造分類器，根據提取的特征運算進行判別分析。圖像識別其實就是圖像的模式識別，把模式識別的技術具體應用在圖像領域，問題的關鍵在于分類器的選擇。

采用BP-RBF混合網絡神經網絡作為圖像識別的分類器，建立炭黑分散度評價模型，評價模型具有較高的準確度，且可以在使用中隨著樣本數的增加對參數進行調整與優化，具有很強的健壯性。

網絡模型如圖5所示，網絡輸入X為提取的圖像特征數據，BP網絡的輸出值為YBP（x），RBF網絡的輸出值為YRBF（x），混合網絡輸出Y（x）=ρ1YBP（x）+ρ2YRBF（x），均以四位二進制表示分散度等級，如1級樣本的期望輸出為（0，0，0，1），10級樣本的期望輸出為（1，0，1，0），ρ1與ρ2為常數，是網絡的混合系數，直接決定了網絡的評價結果。

以從工業現場獲取的大量輪胎橡膠圖像為基礎，從中選取300張提取特征數據，其方法在上文已給出，以200組作為訓練樣本，100組作為測試樣本對網絡進行訓練與仿真。網絡的訓練分為三個步驟：分別對BP網絡、RBF網絡的訓練，其訓練曲線和測試樣本期望輸出與實際輸出線性回歸分別如圖6和圖7所示。

使用自適應遺傳算法尋找最優混合系數將二者的輸出整合，混合網絡的測試樣本期望輸出與實際輸出線性回歸以及將網絡輸出轉換為分散度等級評價值后模型評價等級與實際等級構造混淆矩陣如圖8所示，其評價準確性可達95%。

4 結語

本研究提出使用新的方法對炭黑進行識別，系統的建立了能很好表征分散度信息的特征體系，并使用新的方法建立評價模型，其評價的準確率能夠滿足工業生產的要求。因此，該研究應該可以應用于分散度檢測儀器的研制，以進一步提高檢測儀的性能。可以更好的指導混煉工藝的進行，進一步降低橡膠煉制成本，提高煉制效率，也使得對膠料質量監督更加嚴謹。

參考文獻

[1]謝振合，張海.混煉膠炭黑分散度自動識別的特征指標體系及圖像處理方法[J].橡膠工業，2006，02：99-103.

[2]魏國軍.橡膠炭黑圖像特征提取及評價模型研究[D].河南理工大學，2009.

[3]王曉波.橡膠中炭黑的分散度評價機理和方法研究[D].青島科技大學，2013.