彩色机器视觉

彩色机视觉有两个主要用途。首先是要验证的正在生产的颜色产品，第二个是使用颜色属性的对象识别。在后一种情况下，感应的不是本身的颜色，而是生成识别的对象。

最近有相当多的文章和网络研讨会有覆盖颜色机器视觉的基本知识。这些通常讨论的方法非常适合用于颜色测量，以验证正在生产的正确的颜色产品。这些方法也可用于单一颜色的物体识别；然而，他们通常是不切实际的五彩对象和那些地区被检查可能包括复杂的边界。基于颜色的常用方法识别（CBR），包括那些使它容易识别的五彩对象或那些复杂的边界，是这里的重点。

 

识别应用的类型

有两种基本类型的识别应用：分类和异常检测。对于分类，系统必须决定在一个已知的一组可能的参考类，例如一个红苹果，一个绿色的苹果，一个腐烂的苹果或没有苹果。一旦对每一个类进行培训，系统必须可靠地分配给适当的参考类之前没有见过的测试项目。对于异常检测系统是训练的例子只有一个参考类，它必须决定是否每个测试项目属于该类。

为了简单起见，这将侧重于分类，但是，所涉及的方法通常覆盖这两种类型的识别。

 

传统的单色识别方法

即使当感兴趣的项目是单一的颜色，他们的图像是很少真实的。纹理，地形，定位和照明梯度都有助于扩大的范围内的颜色，图像传感器的颜色。

为了应付展宽，这是传统的颜色从RGB变换坐标，原产于摄像机和图像显示器，到HSI（色调、饱和度、亮度）、Lab色彩空间（与对手的颜色亮度和尺寸A和B尺寸颜色对手空间）或其他坐标，能够更加适合色人的知觉。改造通常使它更容易设置颜色边界阈值，因为色调往往保持相对恒定的照明细节有所不同。

在教科书和系统供应商的文献中，广泛讨论的坐标变换和阈值的方法。它是直观的吸引力和适当的区分简单的单一颜色的项目。然而，系统工程和维护成本可以很快变得势不可挡，当人们试图用它识别的五彩对象或形状复杂或不可预知的方向。

另一种方法非常适合于高速排序的项目，在有限的可接受的颜色范围是分配每一个可能的颜色到一个特定的类别的兴趣。虽然这种方法可以是耗时的训练和最好的实现在专门的硬件，它可以是非常快速和有效的检测在高吞吐量排序的缺陷。

本文将重点介绍的方法，专门设计的广义基于颜色的识别。通过放弃单一颜色的项目和需要报告的实际颜色值的假设，这些系统获得的能力，提供强大的和具有成本效益的识别。虽然不是众所周知的，所涉及的方法有一个长期的业绩在工业应用中，他们表现出了识别的精度相媲美，但人体更快、更可靠的长期。

 

彩色的世界

传统的识别方法是基于这样的假设，感兴趣的项目是在他们的图像中识别的一组独特的像素的颜色，通常是密切聚集在色调空间的颜色。如果颜色不是唯一的，使颜色分布的类要区分重叠或很难分离与定义良好的阈值，传统的方法可以体验到显着的问题。

其他因素，诸如相机的Bayer模式的影响，对项目边界或不确定性落在约边界本身可以增加不同类别的颜色分布之间的重叠的可能性，无论是单一色或多色的像素的影响。

底线是，对于涉及简单的界限，对比鲜明的色彩和精心设计的照明所有，但极少数基于颜 色的识别问题，对其中的传统方法CBR很少依据的假设成立。

 

而不是依靠简单的，单色模式，现代化的CBR系统从一开始就感兴趣的项目可以通过几乎无限的颜色组合为特征假设。他们还假定一些，如果不是全部，颜色可能出现在一个以上的类;只有颜色的比例诊断。

本文将重点介绍的方法，专门设计的广义基于颜色的识别。通过放弃单一颜色的项目和需要报告的实际颜色值的假设，这些系统获得的能力，提供强大的和具有成本效益的识别。虽然不是众所周知的，所涉及的方法有一个长期的业绩在工业应用中，他们表现出了识别的精度相媲美，但人体更快、更可靠的长期。

这些系统使用强大的概念，从信息理论，涉及数百个参数，来描述每个参考类的颜色分布。的概念包括定义良好的分类和异常检测的方法。通过比较一个未知对象的颜色分布统计与每个参考类的统计，系统可以找到最有可能已被相机捕获的颜色模式的源。

在异常检测的情况下，该理论提供了一个全面的衡量异常相关的程度，测试分布落参考分布的内部或外部。

在商业软件包中的实现需要大量的专业知识和投资的原始开发人员。然而，在精心设计的包中，所有的底层的复杂性是隐藏的。举例来说，就像一个人会训练一个人的检查员，意味着很少有特殊的用户知识是必需的。它变得没有更难训练，并承认，最复杂的颜色分布的项目比做相同的最简单的单一颜色的项目。

 

现代的CBR特征

现代的CBR系统既可以用于PC和智能相机。虽然他们可能提供的能力，返回平均数值的像素或区域的颜色坐标，这种能力是很少有用的。相反，他们通过直观的例子和鉴定培训往往密切匹配的人权监察员区分。该组合可以导致在减少工程，设备和运营成本的优势，以及改进的性能。

工程成本降低主要来自系统简化。所使用的方法的一般性质，几乎消除了对颜色空间转换的需要，特殊的算法开发，颜色选择和阈值设置。照明均匀性的要求往往大大减少，和闪闪发光的阴影可不是在某些应用中阻碍援助。      

基于现代信息理论的CBR在家中一样的基础上对比大的颜色或颜色区分微妙接近人类感知的范围分类。功能强大的“看起来最喜欢”的匹配可以大大减少或消除设备的需要，以准确地确定待识别的项目。

减少安装和系统的培训时间可以显着降低运营成本。即使是手动的，训练的显示训练是快速的，自动化的培训或再培训一个单一的一类对象可能只需要一小部分的第二个；检查速度更快。即使是含有30个或更多不同的样本织物样品卡等复杂的检查，一次安装可能需要小于离线助理一个小时的时间，检查前的在线训练不到三分钟的操作时间。实际检查率可以高达几卡每秒，通常由必要的时间移动到位置的样本。

 

考虑CBR：

任何识别应用中的颜色或项目的形式的差异，创造统计上显着的颜色差异，在他们的图像。

任何常规的分类、包装或检查任务，在一个最低限度的技术工人可以单独使用颜色信息作出有效的决定。

当一个或多个图像中的一个或多个位置的简单类信息都是需要的，特别是当该项目可能会出现在一个以上的方向。

 

彩色图像的要求

到这一点上的讨论集中在可用的方法，以确定对象从他们的彩色图像。然而，无论是一个关注的颜色验证或基于颜色的识别，重要的是要注意，这两个需要一致的稳定的成像系统。更稳定的形象，不经常再培训是必要的。微妙的对象之间的差异加以区分，对图像采集系统的稳定性要求更严格。

新来的机器视觉将做得很好，以咨询这样的整合，至少对照明和成像的意见。通过听取建议和投入必要的资源来创造和维持适当的检验环境，人们可以期待一个高水平的成功。

要求每一个潜在的供应商，以展示他们的方法将满足要求，使用一组有代表性的样本或样本图像已被选择。

如果可能的话，选择这些样本，以便他们可以作为系统验收测试的基础。对于简单的应用程序可能很少或不收取费用的示范，特别是如果他们可以在供应商的网站。对于更复杂的应用程序，或者如果演示必须在客户的设施进行，一个温和的费用可能会涉及。

基于颜色的识别很容易辨认出五彩的对象和那些复杂的边界。对于那些以前没有和它一起工作过的人来说，它是一个值得研究的选项。

 

 

技术提示

经验丰富的集成的彩色视觉系统是熟悉的需要稳定，广谱照明和处理的荧光粉和其他照明组件的降解的影响。

适当的屏蔽，从环境照明变化的影响。

严格的环境控制，以尽量减少照明，相机和其他电子产品的温度依赖性漂移。