本發(fā)明涉及竹條加工方法技術(shù)領(lǐng)域，特別涉及一種顏色分類方法。

背景技術(shù)：

在現(xiàn)代竹制品生產(chǎn)中，將不同顏色的竹條進(jìn)行分類成為一道關(guān)鍵的生產(chǎn)程序。目前，國(guó)內(nèi)竹制品企業(yè)的分類方式多以人工為主，人眼分辨速度有限，分類結(jié)果易受主觀因素影響，易發(fā)生誤分，錯(cuò)分等。以先進(jìn)的自動(dòng)顏色分類技術(shù)代替人工竹條顏色分類，是提高生產(chǎn)效率、減少勞動(dòng)力、降低人工勞動(dòng)強(qiáng)度和保證竹條分類質(zhì)量的重要措施。

竹條的顏色分類目前用的最多的有以下兩種算法，第一種就是將彩色的圖片轉(zhuǎn)換成灰度圖片，然后再進(jìn)行量化，選擇某一通道的灰度值，根據(jù)灰度值的大小進(jìn)行分類。這種算法的優(yōu)點(diǎn)是算法簡(jiǎn)單，效率較高，運(yùn)算速度快，易于實(shí)現(xiàn)等。其缺點(diǎn)是對(duì)于具有復(fù)雜背景的測(cè)試對(duì)象，它的抗干擾性較差。

第二種是采用svm學(xué)習(xí)算法對(duì)顏色進(jìn)行訓(xùn)練，然后對(duì)測(cè)試對(duì)象進(jìn)行分類。它的優(yōu)點(diǎn)是對(duì)特定對(duì)象的分類結(jié)果較為準(zhǔn)確，但是其缺點(diǎn)也比較明顯，對(duì)于不同種類的竹條，必須進(jìn)行不同的前期訓(xùn)練，因此該方法的適應(yīng)性較差，且算法速度不夠快。

在自動(dòng)化生產(chǎn)中如何將這些不同的顏色的特征具象的表征出來(lái)是一個(gè)難點(diǎn)。選取的特征不能過(guò)于單一，特征單一雖然在算法上易于實(shí)現(xiàn)，速度上也能達(dá)到應(yīng)用的要求，但是不能應(yīng)對(duì)種類多樣的竹條制品，抗干擾性會(huì)較差；也不能過(guò)于全面，否則會(huì)大大增加實(shí)際當(dāng)中的算法復(fù)雜度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)現(xiàn)有竹條顏色分類技術(shù)的不足，本發(fā)明便是基于knn算法，結(jié)合竹條的色調(diào)對(duì)比度以及色飽和度，提供了一種基于knn算法竹條顏色分類的方法，提取竹條顯著的顏色特征，對(duì)這些特征進(jìn)行運(yùn)算處理，提高了分類的性能和精確度，能夠有效節(jié)省勞力，降低勞動(dòng)強(qiáng)度，提高工作效率，且辨識(shí)精度較高。

為達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案是：一種基于knn算法的竹條顏色分類方法，具體步驟如下：

步驟一：采用工業(yè)線陣相機(jī)對(duì)工業(yè)生產(chǎn)當(dāng)中的竹條進(jìn)行圖像采集，相機(jī)下方，平行于鏡頭放置線型光源以保證圖像采集質(zhì)量。

步驟二：將竹條圖像從rgb顏色空間轉(zhuǎn)換至hsv顏色空間，并分別提取其色調(diào)，色飽和度兩個(gè)通道的圖像。

步驟三：對(duì)于竹條圖像的色調(diào)通道圖像，采用大津分割法將竹條花紋與圖像背景區(qū)分，從而解決竹條顏色較深的花紋對(duì)分類結(jié)果的影響。結(jié)合花紋與背景的不同色調(diào)特征，計(jì)算色調(diào)對(duì)比度特征m，其定義如下：m=,其中a(s)和b(s)分別對(duì)色調(diào)通道圖像分割后目標(biāo)與背景的平均值。

步驟四：從一批待分類的竹條當(dāng)中抽取一定數(shù)量作為樣本，依次提取樣本的色調(diào)對(duì)比度特征m與色飽和度通道圖像的平均值s，并通過(guò)人工將它分為了n類，標(biāo)定顏色類型。

步驟五：將樣本竹條分為n類之后，取其中一根樣本竹條的色調(diào)對(duì)比度特征m(j)和色飽和度特征s(j)，接著選取待分類竹條的色調(diào)對(duì)比度特征m(i)和色飽和度特征s(i)；并計(jì)算待分類竹條與每個(gè)樣本之間的距離d=，作為衡量待分類竹條與樣本竹條相似程度的量。

步驟六：對(duì)剩下的待分類竹條運(yùn)用knn算法。將待分類竹條與所有的樣本竹條比較，計(jì)算距離d，將得出的所有距離d進(jìn)行排序，根據(jù)竹條的實(shí)際分布情況，以及分類要求，選擇k個(gè)最小的距離，并統(tǒng)計(jì)所對(duì)應(yīng)的k個(gè)樣本竹條在每個(gè)類中出現(xiàn)的次數(shù)。

步驟七：選擇出現(xiàn)頻率最大的類標(biāo)號(hào)作為待分類竹條的類型。

由于上述技術(shù)方案運(yùn)用，本發(fā)明與現(xiàn)有技術(shù)相比具有下列優(yōu)點(diǎn)：本發(fā)明通過(guò)將竹條圖像的色調(diào)對(duì)比度和色飽和度特征與knn算法相結(jié)合有效的將不同顏色的竹條進(jìn)行了分類，且達(dá)到了較高的分類準(zhǔn)確度，與傳統(tǒng)的顏色分類算法相比，該方法實(shí)現(xiàn)方便、支持增量學(xué)習(xí)、對(duì)竹條表面的噪聲有較強(qiáng)的抗干擾能力,達(dá)到了很高的分類準(zhǔn)確率。

將該算法用于規(guī)模的生產(chǎn)當(dāng)中，以先進(jìn)的自動(dòng)顏色分類技術(shù)代替人工竹條顏色分類，能夠提高生產(chǎn)效率、減少勞動(dòng)力，同時(shí)也是降低人工勞動(dòng)強(qiáng)度和保證竹條分類質(zhì)量的重要措施。

附圖說(shuō)明：

圖1為本發(fā)明的實(shí)施流程圖。

圖2為本發(fā)明的具體分類結(jié)果以及他們的特征值。

具體實(shí)施方式

如圖1及圖2所示，本發(fā)明提出的基于knn算法的竹條顏色分類方法，以歐氏距離模型為基礎(chǔ)，通過(guò)提取圖像的色調(diào)，色飽和度，以大津分割法依據(jù)圖像的色調(diào)特征進(jìn)行分割，計(jì)算出色調(diào)對(duì)比度，再通過(guò)分析比較待分類竹條與已分類的竹條顏色之間的特征距離的大小進(jìn)行竹條分類。

為詳細(xì)說(shuō)明本發(fā)明技術(shù)方案，參見(jiàn)圖1，具體實(shí)施方式如下：

一：在大型竹制品加工廠中，從高速精刨機(jī)上加工完成的竹條傳送到分類機(jī)上，通過(guò)工業(yè)線陣相機(jī)獲取竹條的圖像i，輸出完整的竹條圖像。

二：對(duì)于一批竹條，選取具有代表性的樣本，稱之為樣本竹條，提取樣本竹條圖像的色調(diào)通道圖像和色飽和度通道圖像。

三：對(duì)于通過(guò)大津分割法處理圖像的色調(diào)通道，將樣本竹條花紋和背景提取出來(lái)，運(yùn)用色調(diào)對(duì)比度算法m=計(jì)算出竹條的色調(diào)對(duì)比度m；如圖2中所示，根據(jù)樣本竹條的顏色分布情況將它們分為了5類，如圖2中所示m1、s1、m2、s2、m3、s3、m4、s4、m5、s5分別是每一類中典型竹條的特征量。

四：將樣本竹條分為了5類之后，取其中一根樣本竹條的色調(diào)對(duì)比度m(j)和色飽和度s(j)，接著選取待分類竹條的色調(diào)對(duì)比度m(i)和色飽和度s(i)；取距離d=來(lái)衡量待分類竹條與樣本竹條的相似程度。

五：將待分類竹條與所有的樣本竹條比較，計(jì)算距離d，將得出的所有距離d進(jìn)行排序，選擇k個(gè)最小的距離，并統(tǒng)計(jì)這k個(gè)樣本中在每個(gè)類出現(xiàn)的次數(shù)。

六：選擇出現(xiàn)頻率最大的類標(biāo)號(hào)作為待分類竹條的類型。如圖2中所示，將待分類竹條進(jìn)行分類，分類結(jié)束之后每一類中選取了兩張圖片，并且分別列出了它們的特征量m和s。

技術(shù)特征：

技術(shù)總結(jié)
本發(fā)明公開(kāi)一種基于KNN算法竹條顏色分類的方法，涉及竹條加工方法技術(shù)領(lǐng)域，本發(fā)明提出的一種基于KNN算法的竹條顏色分類方法，通過(guò)提取圖像的色調(diào)，色飽和度，以大津分割法依據(jù)圖像的色調(diào)特征進(jìn)行分割，計(jì)算出色調(diào)對(duì)比度，再通過(guò)分析比較待分類竹條與已分類的竹條顏色之間的特征距離的大小進(jìn)行竹條分類。本發(fā)明該方法實(shí)現(xiàn)方便、支持增量學(xué)習(xí)、對(duì)竹條表面的噪聲有較強(qiáng)的抗干擾能力,達(dá)到了很高的分類準(zhǔn)確率；能夠提高生產(chǎn)效率、減少勞動(dòng)力，同時(shí)也是降低人工勞動(dòng)強(qiáng)度和保證竹條分類質(zhì)量的重要措施。

技術(shù)研發(fā)人員：張殿甫;何志勇;裴永林;鮑小曼;錢(qián)森;林嵩
受保護(hù)的技術(shù)使用者：滁州市天達(dá)汽車(chē)部件有限公司
技術(shù)研發(fā)日：2017.06.06
技術(shù)公布日：2017.09.29