多顏色模型分割自學習k-NN設備狀態識別方法

郭雪梅,劉桂雄（.廣東省自動化研究所，廣東　廣州50070；.華南理工大學機械與汽車工程學院，廣東　廣州5064）

?

多顏色模型分割自學習k-NN設備狀態識別方法

郭雪梅1,劉桂雄2
（1.廣東省自動化研究所，廣東廣州510070；2.華南理工大學機械與汽車工程學院，廣東廣州510641）

摘要：在浪涌測試中，由于每次識別對象不同，直接采用特征匹配每次測試前需要根據受試設備重新訓練樣本。先根據圖像中高亮度點、白光所占比例，決策用于圖像分割的顏色模型（L*a*b*、HSL、HSV），實現自適應分割；其次，提出自學習k-NN算法，以像素數n、偏心率e、密實度比r、歐拉數E為樣本S特征向量X，構建數據集T0，以歐氏距離D實現樣本分類；若樣本置信度為k，加入預備數據集Tz′中，當Tz′滿足條件，則擴充數據集Tz形成數據集Tz+1。結果證明：算法在9組各類樣本（共21600幀圖像）識別中，準確度可達98.65%；并自學習擴充5組樣本，距離矩陣變化較小，可見算法學習效率、學習準確度較高。

關鍵詞：多顏色模型；k近鄰算法；自學習；浪涌測試

0 引　言

浪涌測試是CE認證的強制認證項目之一，標準IEC 61000-4-5——2005中將受試設備認為黑匣子，根據設備面板指示燈、顯示屏的狀態，將抗擾度測試結果分為：工作正常、功能暫時降低或喪失、功能永久性喪失等3種情況[1]。目前浪涌測試常采用人工目視判斷或圖像特征匹配識別；人工目視判斷存在工作量大、效率低、結果判定主觀性強、不可溯源等問題[2]；圖像特征匹配識別簡單方便，但每次測試前需要根據受試設備重新訓練樣本[3]，在測試現場存在振動、陰影等干擾的情況下，識別效果難以保證[4]。Amato Giuseppe[5]基于k-NN的圖像分類算法，利用標準空間特性分類，算法的效果與分類準確度得到顯著提升。華才健[6]采用形狀匹配算法與亞像素邊緣輪廓測量，實現工件自動判別和定量檢測。陳耿新[7]研究一種基于可信的kNN算法，提高分類算法性能。在不同顏色空間中進行圖像處理也是一個趨勢，尤政[8]基于RGB、HSV顏色空間轉換的實現交通圖像增強；SOLEIMANIZADEH S[9]提出一種基于RGB、HSV、YCbCr 3種顏色模型直方圖的目標識別方法，能夠有效識別出被遮擋目標。CHERNOV V[10]提出一種RGB至HSV的快速轉換方法。若依據不同環境、識別對象，采用相應顏色模型進行閾值分割，可以在少量提升計算開銷的情況下，提高識別準確率。

1 多顏色模型閾值分割方法

1.1 L*a*b*、HSL、HSV顏色模型

常見的RGB空間將所有的顏色看作是三基色的組合，但3個分量之間存在很強的相關性，不適于直接用于基于3個分量獨立運算的圖像分割。L*a*b*顏色模型中光照亮度L*線性度最好。從RGB顏色模型到CIE L*a*b*顏色模型，需要先轉換為CIE XYZ顏色模型[11]，公式為

但在浪涌測試中，存在多種顏色狀態燈、燈具識別時白光占優的情況，其性能較差。設m=MAX（r，g，b）、n=MIN（r，g，b），則從RGB顏色模型到HSL顏色模型的轉換[12]為

從RGB顏色模型到HSV顏色模型的轉換為

由式（4）、式（5）可見，在HSL顏色模型，當且僅當r=g=b=255時，l=255，各種有色光的最大亮度lmax∈[128,255），適合用于白光占比多的情況；在HSV顏色模型中，各種有色光的最大明度νmax=255，適合用于分辨中低亮度下的不同色燈。

1.2 多顏色模型自適應閾值分割

以高亮度點所占比例、白光所占比例決策顏色模型，進行閾值分割，設高亮閾值Tb、高亮比例閾值Rb、白光比例閾值Rw，圖像中滿足m＞Tb、n＞Tb像素個數分別為Nm、Nn，圖像Ω0總像素值NΩ，則選用不同顏色模型進行閾值分割的規則如圖1所示。

圖1 多顏色模型閾值分割方法

設閾值切割后獲得二值圖像Ω1，點p（x，y）是為Ω1中坐標（x，y，z）點，形態學運算結構為F，結構元素F平移（x，y）后得F（x，y）[13]。則腐蝕運算為

膨脹運算為

先膨脹后腐蝕稱為閉運算，即：

先腐蝕后膨脹稱為開運算，即：

由于浪涌測試識別對象多為光源，明暗對比大，像散現象嚴重，在光源邊緣會產生彩色邊；反射現象可能導致部分非光源位置存在高亮細長區域。

故采用5階圓形結構元素：

對Ω1先進行1次閉運算、1次開運算，連接鄰近物體、消除細長或點狀區域，經形態學處理后圖像Ω2為

2 自學習k-NN分類算法

在浪涌測試中，由于對象樣本與標簽可以容易獲得，可采用k最近鄰（k-Nearest Neighbor，k-NN）分類算法進行模式識別，算法思想為：若樣本在特征空間中的k個最相似樣本（特征值之間距離最小）中大多數屬于類別Cj，則該樣本也屬于類別Cj。設燈具、顯示屏、狀態燈、干擾（反光）分別為C1、C2、C3、C4。

設樣本S的像素數n、偏心率e、密實度比r、歐拉數E，在特征空間中，S可由特征向量X與標簽Y表示：

選擇各類別Cj均為N個的5N個樣本Si，由式（7）訓練構成初始數據集T0，則：

當輸入標簽Yr未知的樣本Sr時，其與數據集Tz（z∈N）中各樣本Si的歐幾里德距離Dri為

選取k個dri最小的樣本，構成集合Nk（Xr），樣本Sr的標簽Yr可由多數表決法獲得：

式中ICj（Yi）為示性函數，當Yi=Cj時，ICj（Yi）=1；反之為0。并且，當識別樣本Sr時，集合Nk（Xr）內所有樣本均為類別Cj時，則將Sr加入預備數據集Tz′：

若預備數據集中Tz′有4個元素時（4個類別不同樣本），令Tz′加入數據集Tz中，形成數據集Tz+1，即：

式（9）～式（12）為自學習k-NN分類方法。該方法僅需由人工訓練初始數據集T0，即可在后續使用中，選擇置信度為k的樣本，擴充數據集Tz。

3 實驗與應用驗證

應用于威凱檢測技術有限公司浪涌測試中，采用TEVO-VX3-1080攝像機與上位機構建試驗平臺；圖2為浪涌測試設備狀態識別平臺機理。

圖2 浪涌測試設備狀態識別平臺機理圖

通過相機獲取燈具、顯示屏、狀態燈、反光等4種狀態樣本；令高亮閾值Tb=240、高亮比例閾值Rb=0.05、白光比例閾值Rw=0.2，由多顏色模型閾值分割經形態學處理后，獲得對應二值圖。圖3為4種狀態樣本圖像、分割與預處理后二值圖像，圖中燈具、顯示屏、狀態燈、反光分別采用紅、黃、白、藍顯示，可以準確提取各圖像中的ROI。

選擇燈具、顯示屏、狀態燈樣本每類15個，共45個，并使試驗中存在干擾情況樣本15個，以每種情況均出現1次為1組，共15組；其中6組用于分類算法學習，9組用于算法驗證。驗證用的9組樣本，均按照2幀的速率采集圖像并識別，識別時間持續5 min，則每種狀態識別圖像5 400張，并按照標準IEC 61000-4-5——2005給出評價結果。表1為9組驗證樣本的識別結果，算法對識別對象分類準確率可達98.65%。

訓練得數據集T0在9組各類樣本的識別中，自學習擴充5組樣本為數據集T5。表2為自學習前、后數據集的平均距離矩陣。由表2可見，均有較好的分類效果；在9組樣本中訓練得5組數據集，且數據集距離矩陣變化較小，可見算法學習效率、學習準確度較高。

表1 驗證樣本識別結果

表2 自學習前、后數據集平均歐氏距離矩陣

4 結束語

1）研究基于HSV、L*a*b*、HSL的多顏色模型閾值分割方法，根據圖像中高亮度點、白光所占比例，決策用于圖像分割的顏色模型，解決高亮度識別、低亮度下不同色燈分辨問題。

2）自學習k-NN分類算法，針對浪涌測試識別對象特征，以像素數n、偏心率e、密實度比r、歐拉數E為樣本S特征向量X，構建數據集T0；在樣本分類過程中，若樣本擇置信度為k，加入預備數據集Tz′中，當Tz′滿足條件，則擴充數據集Tz形成數據集Tz+1。

3）應用于浪涌測試中，對主要識別對象，最高可以達到100%準確的效果，在9組樣本中訓練得5組數據集，且新數據集距離矩陣變化較小，可見算法學習效率、學習準確度較高。

參考文獻

[1] WILLIAMS T，FLOOD J. Guidance note addresses surge test problems[J]. Compliance Engineering，2002（19）：47-49.

[2] DASILVA D A，DACOSTA E C M，DEFRANCO J L，et al. Reliability of directly-molded polymer surge arresters：Degradation by immersion test versus electrical performance[J]. International Journal of Electrical Power and Energy Systems，2013（53）：488-498.

[3] XU Y，MAENO K，NAGAHARA H，et al. Camera array calibration for light field acquisition[J]. Front Comput Sci，2015，9（5）：691-702.

[4] WANG X D，WU X J，ZHANG X R. Multi-resolution texture synthesis from turntable image sequences[J]. Front Mech Eng，2012，7（1）：72-80.

[5] AMATO G，FALCHI F，GENNARO C. Geometric consistency checks for kNN based image classification relying on local features [J]. 4th International Conference on SImilarity Search and APplications，SISAP 2011，June 30，2011-July 1，2011：81-88.

[6]華才健，蹇紅梅，張燕.基于機器視覺的火花塞間隙檢測技術[J].中國測試，2014，40（5）：108-110.

[7]陳耿新，黃堅，劉桂雄.基于可信k-NN的面向EMC浪涌測試多狀態燈模式識別[J].電子測量與儀器學報，2015（11）：1718-1724.

[8]顧明，鄭林濤，尤政.基于顏色空間轉換的交通圖像增強算法[J].儀器儀表學報，2015（8）：1901-1907.

[9] SOLEIMANIZADEH S，MOHAMAD D，SABA T，et al. Recognition ofpartially occluded objects based on the three different color spaces（RGB，YCbCr，HSV）[J]. 3D Research，2015，6（3）：1-10.

[10] CHERNOV V，ALANDER J，BOCHKO V. Integer-based accurate conversion between RGB and HSV color spaces[J]. Computers & Electrical Engineering，2015，46（8）：328-337.

[11] PENG Z Y，CHANG F L，DONG W H. Color harmony system based on lab perceptual uniform color space[C]∥Communications in Computer and Information Science，2015（525）：45-54.

[12] KAARNA A，LIU W，KLVIINEN H. Development of color density concept with color difference formulas in respect to human vision system[J]. Front Elect Electr Eng Chin，2011，6（2）：381-387.

[13]黃堅，劉桂雄，王小輝.濾光片表面缺陷視覺檢測系統多處理器調度優化[J].中國測試，2015，41（10）：90-93.

（編輯：李剛）

Multi-color space threshold segmentation and self-learning k-NN algorithm for surge test EUT status identification

GUO Xuemei1，LIU Guixiong2
（1. Guangzhou Institute of Automation，Guangzhou 510070，China；2. School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510641，China）

Abstract:As the identification objects vary in different surge tests，new samples need to be trained for equipment under test each time when feature matching is used to identify equipment status. Therefore，multi-color space threshold segmentation and self-learning k-NN algorithm were proposed. First，color models（L*a*b*，HSL，HSV）for image segmentation were selected to realize self-adaptive division according to the proportions of high luminance points and white luminance points in the image. Second，k-NN algorithm was proposed to construct a data set T0via a feature vector X of the sample S formed by pixel n，eccentricitye，compactness r and Euler’s numbers E，and the sample S was classified through Euclidean distance D. Third，sample confidence coefficient k was added into a preliminary data set Tz′. When Tz′met the conditions，the data set Tzwas expanded to form data set Tz+1. The results show that the accuracy is up to 98.65% after the k-NN algorithm is used to identify nine groups of different samples（totally 21 600 frames of images），and learns to expand to five additional samples. Moreover，the changes in distance matrix are small. It is thus evident that this algorithm is high in learning efficiency and accuracy.

Keywords:multi-color space；k-nearest neighbor algorithm（k-NN）；self-learning；surge test

文獻標志碼：A

文章編號：1674-5124（2016）04-0107-04

doi：10.11857/j.issn.1674-5124.2016.04.023

收稿日期：2015-12-21；收到修改稿日期：2016-01-13

基金項目：廣東省前沿與關鍵技術創新專項（509164744030）

作者簡介：郭雪梅（1975-），女，遼寧沈陽市人，碩士，研究方向為自動化與信息工程。

通訊作者：劉桂雄（1968-），男，廣東揭陽市人，教授，博導，主要從事先進傳感與網絡化控制研究。