機器視覺在生球團含水率預測中的應用

齊家棟 劉瓊 熊灣

摘 要： 為了實現對生球團含水率的無接觸式快速檢測，建立生球團含水率預測模型。以鐵精礦生球團為研究對象，利用中值濾波器去除圖像噪聲，再提取生球團圖像的灰度直方圖特征（最大概率灰度、平均灰度、標準方差、平滑度、標準偏差、峰態、偏斜度）及灰度共生矩陣紋理特征（能量、熵、對比度、相關性），分別以其為輸入指標，建立粒子群優化的支持向量機回歸預測模型對含水率進行預測，比較不同輸入特征的預測精度。結果表明：灰度直方圖特征預測結果的平均絕對誤差和平均相對誤差分別為0.037 4和0.524，灰度共生矩陣紋理特征預測結果的平均絕對誤差和平均相對誤差分別為0.020 1和0.284 5；灰度共生矩陣紋理特征預測精度高于灰度直方圖特征預測精度。

關鍵詞： 生球團； 含水率； 機器視覺； 圖像處理； 特征提取； 支持向量機回歸

中圖分類號： TN911?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2018）20?0083?05

Abstract： A water content rate prediction model of the green pellet is established to realize non?contact rapid detection for the water content rate of green pellets. Taking the green pellets of iron ore concentrate as the research object， the median filters are used to remove image noises. The gray histogram features （the maximum probability gray value， average gray value， standard variance， smoothness， standard deviation， kurtosis， and skewness） and the gray?level co?occurrence matrix （GLCM） textural features （energy， entropy， contrast， correlation） of green pellet images are extracted. Taking the extracted features as input indexes， the support vector machine regression prediction model based on particle swarm optimization is established to predict the water content rate and compare the prediction precisions of different input features. The results show that the average absolute error and average relative error for prediction results of gray histogram features are 0.037 4 and 0.524 respectively， while the average absolute error and average relative error for prediction results of gray?level co?occurrence matrix textural features are 0.020 1 and 0.284 5 respectively， which indicates that the prediction precision of gray?level co?occurrence matrix textural features is higher than that of gray histogram features.

Keywords： green pellet； water content rate； machine vision； image processing； feature extraction； support vector machine regression

0 引 言

球團礦是現代大型高爐煉鐵的重要原料之一，其質量的優劣將直接影響高爐的生產[1]。球團礦是生球團經過干燥、焙燒加工而成的。因此，提高球團礦的生產質量必須首先提高生球團的質量。目前，國內的生球團生產工藝主要采用圓盤造球法。造球的過程大部分是人工操作，熟練操作工憑借經驗控制造球過程中加入的鐵精礦混合料量和加水量，難以實現對加水量的精準控制。造球過程中加水量的多少直接影響成球性和生球團強度[2]，較多的水分也會增加干燥和焙燒的能耗。因此，在造球過程中能根據需要精確控制加水量，對提高生球團質量具有重要意義。傳統的水分測量方法為烘干失重法，缺點是測量時間長實時性差，無法用于造球過程加水量的精準控制。

近些年來，隨著機器視覺技術的不斷發展，將機器視覺技術應用于生產過程的快速非接觸式檢測，正逐漸成為研究熱點，也是工業自動化的重要發展方向[3?4]。國內外學者在應用機器視覺技術進行水分檢測方面開展了一些研究。刁萬英等研究了土壤含水率的圖像信息，建立了土壤含水率的估算模型，驗證了利用圖像估測表層土壤含水率是可行的[5]。李曉斌等以茄子為研究對象，運用圖像處理技術建立水分運移微位移場，檢驗結果表明物料干燥水分邊界微位移場變化量與含水率的關系可用該回歸模型預測[6]。Ogawa T等提出了一種基于樣品顏色亮度的測量面食在復水過程中水分分布的方法，該方法比現有方法具有較高的空間分辨率[7]。

在含水率預測模型建立方面，以人工神經網絡為代表的機器學習算法在高度非線性擬合上有非常大的優勢。郭慶春等提出了基于BP人工神經網絡的土壤含水量預測模型[8]，采用動量自適應學習速率調整算法，高了收斂速度和減少陷入局部最小的可能，并且提高了預測精度。段史江等提取鮮煙葉及烘烤過程中煙葉圖像的RGB及紋理特征[9]，建立了BP神經網絡模型和基于遺傳算法的最小二乘支持向量機模型可以實現了對煙葉含水量的精確估測。詹攀等建立支持向量機回歸的鮮煙葉含水量預測模型[10]，其擬合效果均優于ELMAN神經網絡。

神經網絡雖然有很強的非線性擬合能力，但在實際應用中需要較大的訓練樣本，抗干擾能力差、學習速率慢且易陷入局部極小點[11]。相較于神經網絡，支持向量機更適合小樣本的情況，避免了過學習、欠學習和局部極小等問題，具有良好的泛化能力。

目前，機器視覺技術在球團生產中的應用僅限于球團的粒度檢測，如何利用機器視覺技術量化不同含水率生球團外觀特征的變化，并實現生球團含水率的快速準確檢測還鮮見報道。本文探索利用機器視覺技術提取生球團外觀圖像特征，選取與生球團含水率關聯性較大的圖像特征組合，然后運用支持向量機回歸模型對生球團含水率進行預測，以期為機器視覺技術在生球團含水率檢測中的應用提供依據。

1 材料、設備與方法

1.1 材料與設備

以鐵精礦為主要造球原料，并混合一定比例的膨潤土。所用的儀器設備主要有圓盤造球機，鹵素水分測定儀，高分辨率CMOS相機，遮光箱，LED光源。圖像采集試驗所用的硬件系統示意圖如圖1所示。

1.2 圖像采集與含水率測定方法

利用圓盤造球機造出符合要求的生球團。迅速將造好的生球團放置于遮光箱中。利用CMOS相機從遮光箱上方固定位置拍照，同時利用遮光箱內的LED光源提供恒定亮度的光照，避免光照不均勻產生的誤差。在整個圖像采集過程中相機的參數保持不變。圖像采集后迅速將生球團樣本放入鹵素水分測定儀，采用烘干失重法測量樣本含水率。

2 圖像處理

2.1 圖像預處理

由于多種原因，部分采集到的生球團圖像存在大量噪點，對生球團含水率的預測產生干擾，需要利用濾波器消除圖像噪點。本文分別采用中值濾波、理想低通濾波、巴特沃斯低通濾波對采集圖像進行濾波處理如圖2所示。

比較濾波器處理后的圖像發現，圖2b）的理想低通濾波器去噪點效果較好，但圖像細節特征丟失嚴重，對提高含水率預測精度不利。圖2c）的巴特沃斯低通濾波去噪點稍差，保留部分圖像細節特征，但處理時間過長不利于快速檢測。圖2d）的9×9模板中值濾波去除噪點效果比較好，圖像部分細節特征有丟失，但處理速度快。提取圖像部分灰度特征對生球團含水率進行初步預測，比較不同濾波器處理的預測誤差（見表1），其中經9×9模板中值濾波器處理后的圖像的含水率預測各項誤差均較低。表明9×9模板中值濾波器對生球團含水率的預測精度有較大的提升，處理后的圖像能獲得更高的含水率預測精度。

2.2 灰度直方圖特征提取

通過對比不同含水率生球團灰度直方圖（見圖3），通常含水率較大的生球團灰度直方圖最高點的橫坐標偏向左側，平均灰度值也較小，生球團外觀灰度特征與其含水率的大小有非常密切的聯系。因此本文首先提取生球團灰度圖像的灰度直方圖統計特征進行含水率的預測。采用歸一化后的灰度直方圖，橫坐標為灰度級x（0≤x≤255），縱坐標為對應灰度級的概率p（0≤p<1）。

式中：[p（xi）]為歸一化直方圖灰度級分布中灰度為[xi]的概率；[xi]為第i個灰度級；L為灰度級總數256；p—為歸一化直方圖概率p的平均值。

2.3 灰度共生矩陣特征提取

為了提高含水率預測的準確性，需要選擇與含水率關聯性較大的特征值組合。灰度直方圖特征為一階統計特征，區分能力相對較弱[12]。根據相關研究[13?14]，在與含水率檢測相關的圖像特征中紋理特征也是關聯性較大的特征之一。作為一種灰度的聯合分布，灰度共生矩陣（GLCM）算法能夠較好地反映灰度空間相關性，是被廣泛應用的紋理提取算法[12，15]。本文采用歸一化后的灰度共生矩陣[Gδ]，[δ]有水平、豎直、正45°、負45°共4種空間位置關系。選取的紋理特征值為能量ene、熵ent、對比度con、相關性cor分別在4種空間位置關系上的平均值和標準偏差，計算公式為：

式中：[Gδ（i，j）]為灰度i和j的兩個像素出現的概率；m為減少后的灰度總級數；m1，s1為[Gδ（i）]的均值和方差；m2，s2為[Gδ（j）]的均值和方差。

3 支持向量機回歸預測

以部分生球團樣本為例，將其中的20組作為訓練樣本，其他20組作為預測樣本。采用支持向量機回歸模型對生球團含水率進行預測，分別將灰度直方圖特征和灰度共生矩陣特征歸一化后輸入預測模型。輸入的灰度直方圖特征向量共7維，灰度共生矩陣特征向量共8維，輸出為對應組的生球團含水率預測值。

3.1 預測模型的建立

3.2 預測結果與分析

將機器視覺非接觸式檢測和支持向量機回歸用于生球團含水率測定。分別采用基于灰度直方圖的統計特征和基于灰度共生矩陣的紋理特征對生球團的含水率進行預測。預測結果與實際測量結果對比如圖4所示。兩種圖像特征預測精度的比較結果如表3所示。由圖4可知，兩種圖像特征的預測結果與實際測量結果的符合程度均較高。由表3可知，基于灰度直方圖統計特征的預測結果的平均絕對誤差和平均相對誤差分別為0.037 4和0.524 0；基于灰度共生矩陣紋理特征的預測結果的平均絕對誤差和平均相對誤差分別為0.020 1和0.284 5。相比之下，基于灰度共生矩陣的紋理特征的預測精度高于基于灰度直方圖的統計特征的預測精度。表明在生球團含水量預測方面基于灰度直方圖統計特征和基于灰度共生矩陣的紋理特征均為有效的圖像特征，而基于灰度共生矩陣的紋理特征在生球團含水率預測上的效果更好。

4 結 語

本文以圓盤造球機生產的鐵精礦生球團為對象，研究基于機器視覺的含水率非接觸檢測方法。為了降低生球團圖像噪點的干擾，采用9×9模板中值濾波器去除圖像噪點，對含水率預測精度有較大的提升，獲得了良好的預處理效果；在總結大量相關研究的基礎上，提取基于灰度直方圖和灰度共生矩陣的兩類共15個與含水率關聯性較大的特征；運用支持向量機回歸算法分別對兩類特征進行全面分析和綜合表達，建立生球團含水率預測模型。對以鐵精礦為原料的生球團樣本的測試結果顯示，基于灰度共生矩陣的紋理特征的各項預測誤差更低，表明本文方法具有更高的預測精度。本文中生球團圖像的采集是在遮閉自然光照和靜止狀態下完成的，與實際工業現場條件差別較大。下一步將在造球現場對圓盤造球機內高速運動狀態下的生球團采集圖像，并對目前采用的算法進行改進，實現對生產現場生球團實時含水率的準確預測。

參考文獻

[1] 王紀元，閻麗娟.球團礦質量分層綜合評價方法研究[J].燒結球團，2015，40（3）：17?21.

WANG Jiyuan， YAN Lijuan. Study on stratified comprehensive evaluation method of pellet quality [J]. Sintering and pelletizing， 2015， 40（3）： 17?21.

[2] 亢立明，劉曙光，馬明鑫，等.水分對冀東磁鐵礦成球性能的影響[J].河北理工學院學報，2006，28（3）：18?20.

KANG Liming， LIU Shuguang， MA Mingxin， et al. Influence of moisture on pelletizing properties of Jidong magnetite concentrates fines [J]. Journal of Hebei Institute of Technology， 2006， 28（3）： 18?20.

[3] KITA Y， ISHIKAWA H， MASUDA T. Guest editorial： machine vision applications [J]. International journal of computer vision， 2017， 122（2）： 191?192.

[4] JAHEDSARAVANI A， MASSINAEI M， MARHABAN M. Development of a machine vision system for real?time monitoring and control of batch flotation process [J]. International journal of mineral processing， 2017， 167： 16?26.

[5] 刁萬英，劉剛.基于數字圖像估算不同密度表層土壤含水率[J].灌溉排水學報，2017，36（4）：26?30.

DIAO Wanying， LIU Gang. Estimating water content in soils of different bulk densities using digital image [J]. Journal of irrigation and drainage， 2017， 36（4）： 26?30.

[6] 李曉斌，郭玉明，崔清亮，等.用圖像法分析茄子在凍干過程中的水分動態運移規律[J].農業工程學報，2016，32（1）：304?311.

LI Xiaobin， GUO Yuming， CUI Qingliang， et al. Moisture diffusion and transfer dynamic analysis of eggplant during vacuum freeze?drying based on image processing technique [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（1）： 304?311.

[7] OGAWA T， ADACHI S. Measurement of moisture profiles in pasta during rehydration based on image processing [J]. Food & bioprocess technology， 2014， 7（5）： 1465?1471.

[8] 郭慶春，王素娟，何振芳.基于BP人工神經網絡的土壤含水量預測模型的研究[J].山東農業科學，2012，44（12）：11?15.

GUO Qingchun， WANG Sujuan， HE Zhenfang. Study on forecasting model of soil water content based on BP artificial neural network [J]. Shandong agricultural sciences， 2012， 44（12）： 11?15.

[9] 段史江，宋朝鵬，馬力，等.基于圖像處理的烘烤過程中煙葉含水量檢測[J].西北農林科技大學學報（自然科學版），2012，40（5）：74?80.

DUAN Shijiang， SONG Zhaopeng， MA Li， et al. Prediction of tobacco leaf′s water contents during bulk curing process based on image processing technique [J]. Journal of Northwest A & F University （Natural science edition）， 2012， 40（5）： 74?80.

[10] 詹攀，謝守勇，劉軍，等.基于支持向量機回歸的鮮煙葉含水量預測模型[J].西南大學學報（自然科學版），2016，38（4）：165?170.

ZHAN Pan， XIE Shouyong， LIU Jun， et al. A prediction model of water content of fresh tobacco leaves based on support vector machine regression [J]. Journal of Southwest University （Natural science）， 2016， 38（4）： 165?170.

[11] 張國翊，胡錚.改進BP神經網絡模型及其穩定性分析[J].中南大學學報（自然科學版），2011，42（1）：115?124.

ZHANG Guoyi， HU Zheng. Improved BP neural network model and its stability analysis [J]. Journal of Central South University （Science and technology）， 2011， 42（1）： 115?124.

[12] 張錚，徐超，任淑霞.數字圖像處理與機器視覺[M].北京：人民郵電出版社，2014.

ZHANG Zheng， XU Chao， REN Shuxia. Digital image processing and machine vision [M]. Beijing： Posts & Telecom Press， 2014.

[13] 周鴻達，張玉榮，王偉宇，等.基于圖像處理玉米水分檢測方法研究[J].河南工業大學學報（自然科學版），2016，37（3）：96?100.

ZHOU Hongda， ZHANG Yurong， WANG Weiyu， et al. Water content detection method of corn grain based on image analysis [J]. Journal of Henan University of Technology （Natural science edition）， 2016， 37（3）： 96?100.

[14] 江朝暉，楊春合，周瓊，等.基于圖像特征的越冬期冬小麥冠層含水率檢測[J].農業機械學報，2015，46（12）：260?267.

JIANG Zhaohui， YANG Chunhe， ZHOU Qiong， et al. Detection of canopy water content of winter wheat during wintering period based on image features [J]. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（12）： 260?267.

[15] HENDRAWAN Y， MURASE H. Sunagoke moss water content sensing using machine vision： texture analysis and bio?inspired algorithms [C]. IFAC proceedings volumes， 2010， 43（26）： 268?273.

[16] 杜樹新，吳鐵軍.用于回歸估計的支持向量機方法[J].系統仿真學報，2003，15（11）：1580?1585.

DU Shuxin， WU Tiejun. Support vector machines for regression [J]. Journal of system simulation， 2003， 15（11）： 1580?1585.

[17] DHAS J E R， KUMANAN S. Evolutionary fuzzy SVR modeling of weld residual stress [J]. Applied soft computing， 2016， 42（2）： 423?430.

[18] 安愛民，祁麗春，丑永新，等.基于粒子群優化的溶解氧質量濃度支持向量回歸機[J].北京工業大學學報，2016，42（9）：1318?1323.

AN Aimin， QI Lichun， CHOU Yongxin， et al. Support vector regression using particle swarm optimization for dissolved oxygen concentration [J]. Journal of Beijing University of Technology， 2016， 42（9）： 1318?1323.