基于計(jì)算機(jī)視覺的PET瓶回收識別算法

羅美辰 于艷杰 羅 濤 秦順畢 宿 艷

（哈爾濱學(xué)院，黑龍江 哈爾濱 150000）

PET瓶是飲料、礦泉水等食用液體外包裝的重要形式，在食品市場有非常廣泛的應(yīng)用。不同食品企業(yè)為了體現(xiàn)自身產(chǎn)品與其他企業(yè)產(chǎn)品的差異，往往采用不同形狀、不同體積的設(shè)計(jì)，從而形成形式各異的PET瓶[1]。如果使用完畢后直接丟棄PET瓶，就會污染環(huán)境[2]。因此，如果能夠?qū)ET瓶進(jìn)行回收，不僅可以避免環(huán)境污染，還可以重復(fù)利用聚對苯二甲酸材料，產(chǎn)生相應(yīng)的經(jīng)濟(jì)價(jià)值。考慮以廢品回收形式的回收PET瓶需要大量的人工并且會增加回收成本，因此設(shè)計(jì)PET瓶智能回收裝置具有較高的現(xiàn)實(shí)意義[3]。智能回收的關(guān)鍵在于區(qū)分PET瓶的形狀和體積，從而將其放置到合理的回收容納倉。因?yàn)榛厥者^程是在完全無人值守的情況下進(jìn)行的，所以就需要將這種辨識區(qū)分工作交給計(jì)算機(jī)。該文在計(jì)算機(jī)視覺技術(shù)的基礎(chǔ)上構(gòu)建PET瓶智能回收識別算法，并通過試驗(yàn)對算法進(jìn)行驗(yàn)證。

1 基于濾波技術(shù)的PET瓶圖像去噪處理

運(yùn)用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)智能回收識別PET瓶的功能主要分為3個(gè)步驟：1） 對PET瓶圖像進(jìn)行去噪處理。2） 對PET瓶圖像進(jìn)行輪廓提取。3） 根據(jù)視覺算法計(jì)算出的PET形狀、體積等指標(biāo)并運(yùn)用分類算法進(jìn)行分類。

PET瓶智能回收裝置上的攝像機(jī)拍攝PET瓶圖像，但是在自然光條件和常規(guī)背景下，PET瓶圖像會含有大量的噪聲，例如椒鹽噪聲、隨機(jī)噪聲和高斯噪聲等。因此，需要采取計(jì)算機(jī)視覺技術(shù)中的濾波算法去除噪聲，主要的濾波算法有均值濾波算法、中值濾波算法以及高斯濾波算法。

均值濾波算法需要采用1個(gè)濾波窗口，然后用窗口內(nèi)所有像素的灰度數(shù)值的平均值代替要處理的像素。該方法可以較好地處理隨機(jī)噪聲和椒鹽噪聲，如果窗口尺寸選取得不合理，就會導(dǎo)致圖像模糊。因此，均值濾波除了要注意選擇合理的窗口尺寸外，還要配合銳化技術(shù)消除模糊效應(yīng)。

以1個(gè)3×3像素的平滑窗口為例，其進(jìn)行均值處理的模板如圖1所示，其數(shù)學(xué)處理模型如公式（1）所示。

圖1 均值濾波中的3×3模板

式中：h（m，n）為濾波后的像素灰度；f（m，n）為原始像素灰度。

由圖1可知，（m，n）就是待處理像素，這是一個(gè)以（m，n）為中心的3×3模板。可以根據(jù)均值濾波的原理計(jì)算（m，n）點(diǎn)的像素灰度（中值濾波就是用濾波窗口在圖像平面內(nèi)選取1個(gè)包括待處理像素的濾波區(qū)域，將區(qū)域內(nèi)的所有像素值都按灰度的大小進(jìn)行排列，然后用中間值代替待處理像素的灰度值），如公式（2）所示。

在數(shù)字圖像的各類噪聲中，大部分噪聲都服從高斯分布，因此濾波處理中出現(xiàn)了專門的高斯濾波技術(shù)，這類去噪技術(shù)的數(shù)學(xué)模型如公式（3）所示。

式中：σ為表征高斯噪聲的高斯系數(shù)，需要在使用過程中進(jìn)行明確；x為橫坐標(biāo)；y為縱坐標(biāo)。

將該濾波器作用于圖像就可以完成高斯濾波，如公式（4）所示。

1幅帶有椒鹽噪聲、隨機(jī)噪聲和高斯噪聲的PET瓶圖像如圖2所示。

圖2 帶有椒鹽噪聲、隨機(jī)噪聲和高斯噪聲的PET瓶圖像

采用計(jì)算機(jī)視覺技術(shù)中的3種濾波算法對圖2中的PET瓶圖像進(jìn)行處理后，得到的去噪圖像如圖3所示。

圖3 計(jì)算機(jī)視覺技術(shù)濾波后的PET瓶圖像

由圖3可知，經(jīng)過3種濾波處理后，有效去除了PET瓶圖像上的椒鹽噪聲、隨機(jī)噪聲和高斯噪聲。

2 基于邊緣檢測技術(shù)的PET瓶輪廓提取

在濾波去噪的PET瓶圖像上，為了提取PET瓶的輪廓，需要采用計(jì)算機(jī)視覺技術(shù)中的邊緣檢測算法。常見的有Robert邊緣檢測算法、Sobel邊緣檢測算法以及邊緣檢測算法等。

Robert邊緣檢測算子是典型的梯度檢測算子。梯度算子就是求一階導(dǎo)數(shù)的數(shù)學(xué)模型。以連續(xù)的數(shù)學(xué)函數(shù)f（x，y）為例，它在（x，y）這一點(diǎn)的梯度如公式（5）所示。

式中：f為像素灰度函數(shù)；x為像素橫坐標(biāo)；y為像素縱坐標(biāo)；Gx為像素水平梯度；Gy為像素垂直梯度。

梯度的方向角度一般都指向f在（x，y）的最大變化處。因此，在求取梯度的過程中，每個(gè)像素點(diǎn)都成為偏導(dǎo)數(shù)求取的執(zhí)行位置。為了便于實(shí)現(xiàn)這種計(jì)算，經(jīng)常采用不同的卷積模版，使用模版可以簡化偏導(dǎo)數(shù)的計(jì)算過程，因此也產(chǎn)生了不同形式的邊緣檢測方法。

Sobel邊緣檢測方法的基礎(chǔ)也是梯度算子。其實(shí)施的過程中融合了濾波去噪處理，而且Sobel模板分別從水平方向和垂直方向執(zhí)行邊緣檢測。也就是說，這個(gè)邊緣檢測的梯度算子是分成了2個(gè)方向的梯度算子。在這2個(gè)算子中，X方向的算子對垂直邊緣的檢測效果更好，Y方向的算子對水平邊緣的檢測效果更好。Sobel模版2個(gè)方向的邊緣檢測模板如圖4所示。

圖4 Sobel邊緣檢測算法使用的模板

與基于梯度算子的邊緣檢測方法相比，Canny邊緣檢測方法是一種全新的方法。Canny邊緣檢測方法的依據(jù)如下：首先，抑制圖像中的噪聲，以便為邊緣特征的精確定位奠定基礎(chǔ)。其次，構(gòu)建最優(yōu)定位測度算子，實(shí)現(xiàn)對圖像信噪比進(jìn)行檢測和定位操作的目標(biāo)。最后，采用拉普拉斯算子，先進(jìn)行平滑處理，再進(jìn)行求導(dǎo)數(shù)運(yùn)算，從而提取邊緣。

Canny邊緣檢測的一般執(zhí)行步驟如下：1） 使用高斯濾波器及其對應(yīng)的模板執(zhí)行卷積操作，消除圖像中的固有噪聲。2） 使用偏導(dǎo)數(shù)求取算子來搜索原始圖像中沿X方向和Y方向的2個(gè)偏導(dǎo)（Gx，Gy），從而計(jì)算各點(diǎn)的梯度數(shù)值。3） 在第二步得出的梯度數(shù)值的基礎(chǔ)上，進(jìn)一步求取各個(gè)梯度的方向。4） 在第三步計(jì)算出的梯度方向的基礎(chǔ)上，對各個(gè)梯度進(jìn)行大致分類，即水平方向、垂直方向、45°方向以及135°方向。經(jīng)過這一步的處理，所有的梯度方向都可以獲得其隸屬的方向區(qū)域。5） 在整幅圖像中去除偽邊緣特征，也就是那些在梯度方向上灰度差距并不大的邊緣特征。6） 通過2個(gè)閾值來判斷真正邊緣特征的位置。2個(gè)閾值的大小有差別，當(dāng)被判斷處的灰度差異大于較大的閾值時(shí)，這一點(diǎn)是明確的邊緣特征；當(dāng)被判斷處的灰度差異小于較小的閾值時(shí)，這一點(diǎn)一定不是邊緣特征；當(dāng)被判斷處的灰度差異介于高、低閾值之間時(shí)，還不能明確這一點(diǎn)是否為邊緣特征，需要進(jìn)一步判斷，即判斷該點(diǎn)像素的鄰域像素中是否存在大于高閾值的點(diǎn)，如果存在，那么該點(diǎn)為邊緣，如果不存在，那么該點(diǎn)不是邊緣。

該文采用Canny邊緣檢測算法對PET瓶圖像進(jìn)行輪廓提取，根據(jù)圖3得到的濾波去噪后的PET瓶圖像執(zhí)行Canny邊緣檢測，得到的PET瓶輪廓如圖5所示。

由圖5可知，經(jīng)過Canny邊緣檢測算法的處理可以獲得PET瓶清晰、完整的輪廓，并且這種輪廓是單像素的，不存在偽邊緣特征，可以計(jì)算PET瓶的體積和形狀，從而進(jìn)行分類識別。

圖5 計(jì)算機(jī)視覺技術(shù)Canny邊緣檢測后的PET瓶圖像

3 基于Bayes算法的PET瓶分類識別及試驗(yàn)

在通過計(jì)算機(jī)視覺技術(shù)獲得PET瓶的準(zhǔn)確輪廓后，可以根據(jù)邊界像素位置計(jì)算得到PET瓶的形狀和體積信息。

從實(shí)現(xiàn)原理來看，Bayes算法屬于一種歸納推理方法，它根據(jù)一定的先驗(yàn)知識和后驗(yàn)知識，再結(jié)合統(tǒng)計(jì)學(xué)的原理完成分類推斷。因此，在Bayes算法中，基于先驗(yàn)知識的先驗(yàn)分布概率和基于后驗(yàn)知識的后驗(yàn)分布概率是非常重要的。先驗(yàn)概率分布函數(shù)是在總體分布基礎(chǔ)上建立的概率分布，因此歷史數(shù)據(jù)信息的積累和分析對Bayes算法的執(zhí)行、準(zhǔn)確的推理和判斷具有重要價(jià)值。后驗(yàn)概率分布函數(shù)依賴后引入的數(shù)據(jù)信息、未知特征的提取和分析，這也是Bayes算法能夠獲得準(zhǔn)確分類結(jié)果的保障。

基于計(jì)算機(jī)視覺算法和Bayes分類算法對不同形狀體積的PET瓶進(jìn)行分類識別試驗(yàn)，結(jié)果見表1。

由表1可知，該分類識別試驗(yàn)一共選擇了9種（50 mL、100 mL、125 mL、330 mL、500 mL、600 mL、1.0 L、2.0 L以及2.5 L）不同體積形狀的PET瓶，每種PET瓶的數(shù)量均為1000個(gè)。500 mL、2.5 L PET瓶的識別準(zhǔn)確率全部為100%，100 mL PET瓶的識別率最低，但是也達(dá)到了99%。這充分表明該文采用的計(jì)算機(jī)視覺技術(shù)和Bayes分類技術(shù)的有效性，也為PET瓶的智能回收提供了一種具有實(shí)用價(jià)值的方法和途徑。

表1 不同形狀體積PET瓶的Bayes分類識別結(jié)果

4 結(jié)語

作為一種塑料制品，PET瓶在飲料和礦泉水等液體包裝中占有十分重要的地位。但是，不及時(shí)回收使用后的PET瓶就會造成環(huán)境污染。為了提高PET瓶的回收和二次重塑使用率，該文提出了一種基于計(jì)算機(jī)視覺技術(shù)的PET瓶回收識別方法。首先，采用計(jì)算機(jī)視覺技術(shù)中的3種濾波技術(shù)對PET瓶圖像進(jìn)行去噪處理。其次，采用Canny邊緣檢測算法獲得PET瓶的準(zhǔn)確輪廓。最后，根據(jù)Bayes算法對已經(jīng)計(jì)算出體積的PET瓶進(jìn)行分類識別。