基于图像处理的橡胶中炭黑分散度评价方法研究

龚良文

摘要：研究基于图像处理分散度评价方法。使用区域生长法对图像分割，弥补了使用Otsu法识别炭黑时在分散度较好情况下识别效果不佳的不足；在精简炭黑分散性特征信息的同时，考虑了分布性对炭黑分散度的影响，丰富和优化了炭黑图像的特征体系；采用BP-RBF混合网络神经网络作为图像识别的分类器，建立炭黑分散度评价模型，其评价的准确度更高，评价过程更智能化，其准确率高达95%。

关键词：炭黑分散度 图像分割 BP-RBF 混合神经网络

中图分类号：TQ330.381 文献标识码：A 文章编号：1007-9416（2016）07-0065-03

炭黑作为橡胶混炼过程中份额最大同时也是最为重要的补强性填料，其与生胶的混合均匀性直接影响到胶料的物理机械性能。在工业生产中以1-10十个等级标定混合均匀的程度，即炭黑分散度，并以分散度作为一个重要尺度去衡量胶料和其胶制品质量的好坏。

国内在炭黑分散度评价方面已做了大量研究，创立的分散度评价方法仍以显微照相法为基础，使用数字图像处理技术进行实现。其主要步骤为胶料图像采集与处理、图像特征信息提取、分散度等级评价。

由于目前的显微摄像技术已经能够支持足够清晰胶料图像的获取，对于分散度检测的研究重心已偏向评价这一方向，即对于采集到的胶料图像的处理与评价工作。主要包括如何选择合适的图像分割算法甄别炭黑与背景，如何选择合适的图像信息表征炭黑分散情况，如何选择合适的评价方法对分散度进行等级评定，使得评价的结果更加准确、可靠。

本工作针对胶料图像确定合适的图像分割算法，选择完整的图像信息建立炭黑分散度特征体系，并建立更健壮的分散度评价模型，以期更准确的对炭黑分散度等级进行评级。

1 图像采集与处理

基本流程包括胶料图像的采集、图像有效性判断、图像去噪与图像分割。

对于待测胶料切取试样，使用CCD摄像机获取胶料图像，示例如图1所示，统一格式为480×640×8 bits，其中白点为炭黑。

对于一些过于模糊图像，因其不具备一定的清晰度，即使对图像进行增强也很难准确的对其进行分析。对这些图片进行评价没有意义。因此采用TenenGrad评价函数对图像进行模糊度评价，以评价函数值F对图像有效性进行判断。对大量过度模糊图像与清晰图像的评价值F进行统计，分析统计所得数据易发现，模糊图像与清晰图像的界限位于40左右，F值超过40的图像就可认为其适合进行分散等级的评价。

使用3×3大小的中点滤波器对胶料图像进行滤波，中点滤波结合了求均值和统计排序，对于随机分布噪声效果最好，如高斯噪声和均匀噪声。

在经过前期的筛选、去噪获得较好的胶料灰度图像后，需要将其中的炭黑识别出来，这是典型的图像分割问题。对于胶料图像分割方法的研究并不多，其中使用最多的是一种基于全局阈值的Otsu法。但在目标与背景的灰度相差不大且目标所占像素比例太低的情况下，计算出的Otsu阈值会偏向背景灰度，使得有些背景被误识为目标。所以对于大部分胶料图像，Otsu法的分割效果不错，而对于分散度较好的胶料图像，其分割效果不佳，将许多胶料误分为炭黑粒子。

因此使用一种基于区域分割的区域生长法，其基本思想是根据自定义的生长规则将像素或者子区域组合为大区域达到分割的目的。基本方法是选取一组种子点作为生长的起点，把与种子性质相似（如特定范围的灰度值或颜色）的领域像素点添加到每个种子点上作为新的种子，种子不断添加形成区域的生长，直至不再有像素点满足相似性准则完成分割。如图2图3所示分别为使用Otsu法和区域生长法分割结果，后者分割效果明显好于前者。

2 图像特征信息提取

为准确对炭黑分散度等级进行评价，要求选择的二值图像的特征信息能够较准确、全面地表征炭黑分散度信息。

但是大多数研究中在评价时对于分散度情况的表征不够全面，只表征了炭黑面积大小，未表征其分布情况。因此从分散性、分布性、空间布局、粒子面积等多个角度选取的5个特征信息如下：X1：图像中炭黑粒子总面积，单位为像素点；X2：炭黑粒子平均面积；X3：最大炭黑粒子面积；X4：将图像分为16个等分区域，各区域中炭黑面积的标准差；X5：以各炭黑粒子质心坐标构成一个点集限定边界作维诺图，维诺图各Dirichiet区面积的标准差。

对于以上信息的提取如下：图像经过处理后获得的二值化图像中每个炭黑粒子为一个白色区域，使用一种基于行程的区域标记方法对二值图像进行区域标记，统计区域信息即可完成特征信息的提取。

X1即为各标记区域总面积：X2为各标记区域面积均值；X3为各标记区域中面积最大值；X4为各图像区域块内标记区域的面积的标准差；对于X5，获得各标记区域质心坐标集合C后，使用MPT工具箱并限制边界为[0，480]和[0，640]绘制维诺图可获得各Dirichiet区的面积，面积标准差即为X5。以橡胶炭黑分散度的检测标准ISO 11345中的4级标准图像为例，对其所作维诺图如图4所示，提取的特征数据如表1所示。

3 分散度等级评价

对炭黑分散等级的评价的过程其实就是图像识别的过程，即对输入的图像，分析并提取其特征，然后构造分类器，根据提取的特征运算进行判别分析。图像识别其实就是图像的模式识别，把模式识别的技术具体应用在图像领域，问题的关键在于分类器的选择。

采用BP-RBF混合网络神经网络作为图像识别的分类器，建立炭黑分散度评价模型，评价模型具有较高的准确度，且可以在使用中随着样本数的增加对参数进行调整与优化，具有很强的健壮性。

网络模型如图5所示，网络输入X为提取的图像特征数据，BP网络的输出值为YBP（x），RBF网络的输出值为YRBF（x），混合网络输出Y（x）=ρ1YBP（x）+ρ2YRBF（x），均以四位二进制表示分散度等级，如1级样本的期望输出为（0，0，0，1），10级样本的期望输出为（1，0，1，0），ρ1与ρ2为常数，是网络的混合系数，直接决定了网络的评价结果。

以从工业现场获取的大量轮胎橡胶图像为基础，从中选取300张提取特征数据，其方法在上文已给出，以200组作为训练样本，100组作为测试样本对网络进行训练与仿真。网络的训练分为三个步骤：分别对BP网络、RBF网络的训练，其训练曲线和测试样本期望输出与实际输出线性回归分别如图6和图7所示。

使用自适应遗传算法寻找最优混合系数将二者的输出整合，混合网络的测试样本期望输出与实际输出线性回归以及将网络输出转换为分散度等级评价值后模型评价等级与实际等级构造混淆矩阵如图8所示，其评价准确性可达95%。

4 结语

本研究提出使用新的方法对炭黑进行识别，系统的建立了能很好表征分散度信息的特征体系，并使用新的方法建立评价模型，其评价的准确率能够满足工业生产的要求。因此，该研究应该可以应用于分散度检测仪器的研制，以进一步提高检测仪的性能。可以更好的指导混炼工艺的进行，进一步降低橡胶炼制成本，提高炼制效率，也使得对胶料质量监督更加严谨。

参考文献

[1]谢振合，张海.混炼胶炭黑分散度自动识别的特征指标体系及图像处理方法[J].橡胶工业，2006，02：99-103.

[2]魏国军.橡胶炭黑图像特征提取及评价模型研究[D].河南理工大学，2009.

[3]王晓波.橡胶中炭黑的分散度评价机理和方法研究[D].青岛科技大学，2013.