基于机器视觉的六价铬检测系统的研究

孙超 张明杨 杨飘 刘睿凡 齐卉 丁建军

摘  要： 文中依据重金属残留现场快速检测的要求，利用二苯碳酰二肼分光光度法显色原理而制成的六价铬检测试纸，对溶液中的六价铬离子发生紫红色的显色反应，建立基于机器视觉的六价铬检测系统的研究。在空间域上对试纸图像进行中值滤波去噪，利用RGB彩色空间模型，将试纸的R，G，B三个颜色分量作为特征值提取出来，拟合出R，G，B的值与被测溶液浓度之间的回归模型，实现基于机器视觉的六价铬检测系统的研究。

关键词： 机器视觉; 六价铬检测; 回归模型; 特征值提取; 中值滤波; 图像处理

中图分类号： TN911.23?34                           文献标识码： A                    文章編号： 1004?373X（2020）10?0054?05

Research on hexavalent chromium detection system based on machine vision

SUN Chao， ZHANG Mingyang， YANG Piao， LIU Ruifan， QI Hui， DING Jianjun

（School of Physics and Information Engineering， Jianghan University， Wuhan 430056， China）

Abstract： On the basis of the requirement of rapid spot detection of heavy metal residues， the hexavalent chromium testing paper is made by means of the color reaction principle of diphenylcarbazide spectrophotometry. The hexavalent chromium detection system based on machine vision is established for the amaranthine color reaction of the hexavalent chromium ion in the solution. The median filtering de?noising for the testing paper image is performed in the spatial domain， and then the RGB color space model is used to extract the R， G and B color components of the test paper as the characteristic values. The regression model between the R， G and B values and the measured solution concentration is fitted to realize the research on the hexavalent chromium detection system based on machine vision.

Keywords： machine vision; hexavalent chromium detection; regression model;feature value extraction;median filtering;image processing

0  引  言

六价铬化合物是电镀等工业工艺产生的常见重金属污染物，它是可吞入性毒物，极易被人体组织和器官的细胞吸收，通过消化道侵入时易引起呕吐和腹痛。传统的六价铬检测方式大多数是应用分光光度法的原理进行测量作业的。其测量原理是在被测水样中添入磷酸、硫酸，然后向水样添加二苯碳酰二肼使之与六价铬反应，用紫外线将生成的紫红色化合物按照分光光度法进行测量，从而得到受检样品中六价铬化合物具体的含量信息[1?2]。但是这些方法使用的试剂量大且无法现场检测，检测时反应时间过长。

本文在试纸检测法的基础上，利用机器视觉系统来获得图像并处理数据，从而达到在现场快速实时监测的效果。这种方法依靠机器视觉系统获得目标图像信号，得到目标像素、亮度和颜色等形态信息进行各种运算来提取的目标特征，并进行自动识别或根据判定结果来控制现场设备，从而达到高灵活度和高度自动化的生产效果。被应用于电镀行业的六价铬是一种常见的重金属污染来源。而随着科技的进步，机器视觉逐渐被应用到各个领域中，由于其具有快速、稳定、精确的优良特性成为了代替人眼工作的方式。本文依据重金属残留现场快速检测的要求，制定了一套基于机器视觉的六价铬检测系统。本文展开的具体工作如下：

当含有六价铬离子的溶液与检测试纸发生反应后，试纸的前端方形区域会呈现紫红色。由于只有前端部分能够代表六价铬离子的浓度，因此在提取试纸图像的颜色特征前，需要先对该部分进行图像分割获取目标区域。传统的图像分割方法[3?5]主要有基于边缘分割、基于阈值分割和基于区域分割三种。依据灰度值的不同对图像进行分割。不同的区域会有不同的灰度值，区域之间的边界处，会有明显的灰度变化。如果将彩色图像转换为灰度图像后再使用基于阈值的分割方法，彩色图像特征信息会丢失，从而造成分割不准确[6?8]。

1  機器视觉平台的搭建

在本研究中对机器视觉系统主要元件的分析，机器视觉系统需要拍摄六价铬检测试纸的详细彩色图像，对于图像的成像要求较高，在满足最小分辨率的基础上，需要尽可能地提高图片的质量。由于CCD相机在彩色成像方面，产生的噪声更少，更适应研究所需。因而本系统采用500万像素、最高帧速率为210 f/s、成像品质一流，具有高性能和高可靠性的Basler pilot CCD工业相机。由于六价铬检测试纸的反应区域尺寸为35 mm×35 mm，工作距离为200～300 mm，故本文选用焦距为16 mm的Ricoh工业镜头。LED光源的光能源结构设计灵活多变，它由多颗小型轻量的强亮度LED颗粒组成，可以灵活设计满足各种形状要求以及不同的照射角度和照射范围，其光源颜色可选范围极大，在机器视觉系统的补光状态对图像的获取阶段有关键作用，因此在本文中选择LED白色环形光源作为六价铬离子检测的补光手段。整个机器视觉系统对硬件的选择和搭建工程如图1所示。

为搭建符合实验要求的机器视觉系统而选取的各硬件设备机器视觉硬件平台如表1所示。

在良好的光源环境下，利用Basler工业相机对试纸图像进行拍照并保存。在本课题中，为了对六价铬检测试纸图像进行上述操作，选取的相机可采用的最大尺寸为2 454 px×2 056 px，在不超过此范围的情况下，可以任意调节图像的宽和高。

2  RGB彩色空间转换分析

RGB彩色空间在图像实现方法上，将红、绿、蓝每个通道都分成8 bit或256个色彩等级，图像上，每个彩色像素的（R，G，B）数值为一组，构成了一幅24 bit深度的图像。在24 bit RGB图像中，颜色总数是[（28）3]=16 777 216。使用R，G，B三种基色进行叠加，可以得到约1 677万种色彩。

从Matlab中，建立基于笛卡尔坐标系的三维RGB彩色空间模型，如图2、图3所示。从模型中可以看出，所有的颜色都是由红、绿、蓝三种原色光谱分量组成。在图2所示的立方体中，将三个通道的颜色分量值除以255做归一化处理，将R，G，B数值的取值范围固定在[0，1]中。以坐标轴原点（0，0，0）作为黑色的数值，原点的对角顶点（1，1，1）作为白色的数值，R轴、G轴、B轴分别表示三个颜色通道，其中，原点与对角顶点的连线代表这灰度等级的分布。

3  噪声分析与滤波

许多图像识别系统广泛地将图像的颜色特征设定为颜色直方图的数据信息，这种直方图所描述的是各种色彩在彩色图像中的占比，颜色直方图反映的是图像颜色数据信息分布的统计特性，对于那些很难自动分割的图像，颜色直方图非常适用。特别是不需要考虑物体空间位置的图像。在研究六价铬检测试纸的图像噪声类型时，首先需要对试纸彩色图像的R，G，B三通道在图像中所占的比例进行统计。

将颜色分量直方图与噪声概率密度函数分布直方图进行对比，根据对比的结果来确定检测试纸图像所携带的噪声类型。对试纸图像添加均匀分布噪声、高斯分布噪声、指数分布噪声、瑞丽分布噪声、伽马分布噪声、泊松分布噪声和椒盐噪声后，用Matlab分析对应的像素直方图并与原始图像的颜色分量的直方图进行对比，可以看出试纸图像所携带的噪声为椒盐噪声。脉冲椒盐噪声是由信号脉冲强度引起的图像噪声。椒盐噪声模型示意图如图4所示。加入椒盐噪声的试纸图像如图5所示。

脉冲噪声服从下列概率密度函数分布：

[pz=Pa，z=aPb，z=b0，其他] （1）

当[b>a]时，灰度值b会在图像显示为一个亮点;当[b

对于因信号脉冲而产生的噪声，中值滤波器具有十分良好的去噪能力。中值滤波是一种非线性滤波技术，相较于线性平滑滤波器，中值滤波器能在去噪的同时引起更少的模糊，使得图像的边缘保持清晰[10]。

作为一种非线性算子，中值滤波根据灰度等级对一个局部窗口中的像素进行排列，当排列的模板窗口为奇数时，取数列的中间值作为像素值;当排列的模板窗口为偶数时，则取整个数列的平均值作为像素值[11]。一维中值滤波的定义式为：

[Yk=med{xK-N，xK-N+1，…，xK，…，xK+N-1，xK+N}] （2）

将中值滤波的概念扩展到彩色图像处理中不是一个简单的过程[12]，如果同时考虑三个彩色分量，那么需要对彩色矢量确定一个顺序序列，用以定义两个矢量之间谁大谁小。在调整滤波模板后，选取3[×]3模板的中值滤波器对六价铬检测试纸图像进行处理，处理的结果如图6所示。

4  基于机器视觉的六价铬检测系统的数据分析

由基于分光光度法测量六价铬含量的原理可知，检测试纸与含六价铬溶液反应后，试纸的图像信息就代表着六价铬浓度。为了进一步探究图像所显示的信息与六价铬溶液浓度的具体关系，采用RGB彩色空间模型，将试纸的R，G，B三个颜色分量数值提取出来，利用Mean2（）函数计算出R，G，B三个颜色分量的具体数值。

Mean2（）函数的功能是对一整个矩阵求像素平均值。在[M·N]的目标区域图像中，每一个颜色分量通道都形成了一个单独的矩阵，利用Mean2（）可以求得整个矩阵的像素平均值，R，G，B分量的计算公式如下：

[R=i=1Mj=1NfRi，jM·N] （3）

[G=i=1Mj=1NfGi，jM·N] （4）

[B=i=1Mj=1NfBi，jM·N] （5）

本文选取22种浓度的六价铬标准液与检测试纸进行反应，将得到的反应区域图像作为颜色特征提取的对象。标准液浓度分别为100 mg/l，90 mg/l，80 mg/l，70 mg/l，60 mg/l，50 mg/l，40 mg/l，30 mg/l，20 mg/l，10 mg/l，9 mg/l，8 mg/l，7 mg/l，6 mg/l，5 mg/l，4 mg/l，3 mg/l，2 mg/l，1 mg/l，0.5 mg/l，0.25 mg/l，0.125 mg/l，在相同温度、光照等条件下进行图像采集，对图像进行滤波去噪并使用K?means聚类算法提取出目标区域图像，结果如图7所示。

使用Mean2（）函數将提取到的R，G，B的平均值导出，得到三种颜色特征分量数值。然后将检测后检测卡纸颜色通过三原色分解为X1，X2和X3作为向量，卡纸检测颜色的改变分别映射六价铬离子浓度的差异变化，从而检测浓度的卡纸色度的相关关系，随着浓度减少，卡纸色度分解出的R，G，B的数值呈现负相关变化。观察到这种线性关系后，本文选用最小二乘法来拟合试纸颜色与浓度的关系。从六价铬检测试纸的彩色图像中，提取到的R，G，B颜色特征分量数值与水样中六价铬离子浓度Y之间，存在明显的线性关系，因此可以利用最小二乘法拟合出一条在空间内与所有的浓度对应的点之间，距离平方和最小的曲线。残差图如图8所示。在Matlab中，使用regress（）命令可以进行一元或多元的线性回归分析，该命令本质上使用的就是最小二乘法。使用regress（）函数得出的结果如下：

[Y=0.157 6x21-0.013 3x22+0.178 2x23-0.016 8x1x2-       0.341 4x1x3+0.044 6x2x3+0.923 2x1-0.102 1x2-       3.544 2x3+278.488] （6）

对该回归模型检验中，判定系数R2为0.995 9，非常接近于标准值1，说明回归方程显著。而P值检验为[5.990 2×10-13]，可以判定该模型拟合度较好，通过了模型回归检验。运用此模型，观察到如图9所示。

实验测得变量之间的22个数据，在空间内，可以得到这22个点，绘制出来后，得到六价铬试纸图像特征的散点图。从图中可以大致看出，这些点随机散落在某直线附近，可以认为R，G，B的值与被测溶液中六价铬离子的浓度之间近似为一线性函数。

显然，从图中可以发现随着浓度的减少，三原色向量呈线性增长，颜色特征R分量和颜色特征B分量与六价铬离子浓度呈凹曲线状，如图10、图11所示。

而颜色特征G分量对于浓度变化有更为灵敏的反应，如图12所示，浓度区间在0～40 mg/l时，该曲线斜率陡增。

从图7中可以看到，22组含有不同浓度的六价铬离子标准液与检测试纸反应后，反应区域的颜色呈现从深紫到浅紫到粉红的转变。设计算法程序，在Matlab中得到了对应的R分量、G分量以及B分量的具体数值并列成表格。

导入数据后，可以从图9中看出，六价铬检测试纸的颜色与浓度呈现出较为明显的线性关系。接下来使用最小二乘法获得了六价铬离子浓度Y与R，G，B分量所代表的变量[x1]，[x2]，[x3]之间的线性关系，该函数的判定系数[R2=0.995 9]，F检验[F=327.045 2]，[P=5.990 2×10-13]趋近于0，误差方差[σ2=7.662 5]。

5  结  论

本文针对传统试纸法使用的试剂量大、无法现场检测且检测时反应时间过长等问题。在试纸检测法的基础上，利用根据二苯碳酰二肼分光光度法显色原理而制成的六价铬检测试纸，对给定含不同浓度的六价铬离子溶液进行检测，试纸对溶液中的六价铬离子发生反应，产生了紫红色的显色反应。基于试纸图像本身的特点，搭建了机器视觉图像采集设备，获取了反应后的检测试纸图像。

通过对图像RGB彩色空间转换分析与噪声分析以及滤波处理、切割，最后拟合R，G，B与浓度之间的关系，完成了基于机器视觉的六价铬检测系统的研究，对低浓度的六价铬检测效果稳定且精度高。

注：本文通讯作者为丁建军。

参考文献

[1] KUMAR S. Electrochemical detection and photochemical detoxification of hexavalent chromium （Cr（VI）） by Ag doped TiO2 nanoparticles [J]. Analytical methods， 2015， 7（8）： 3493?3499.

[2] MOSIER?BOSS P A， PUTNAM M D. Detection of hexavalent chromium using gold/4?（2?mercaptoethyl） pyridinium surface enhanced Raman scattering?active capture matrices [J]. Analytica chimica acta， 2013， 801： 70?77.

[3] ANEJA K， LAGUZET F， LACASSAGNE L， et al. Video?rate image segmentation by means of region splitting and merging [C]// Video?Rate Image Segmentation by Means of Region Splitting and Merging. Kuala Lumpur： IEEE， 2009： 113?117.

[4] ZAILA Yisleidy Linares， BAGUER D?AZROMA?ACH Marta L， GONZ?LEZHIDALGO Manuel. A graph based segmentation strategy for baggage scanner images [M]// PERALES Francisco José， SANTOS?VICTOR José. Articulated motion and deformable objects. Palma de Mallorca： Springer， 2014： 81?93.

[5] MALERBA D， ESPOSITO F， LISI F A， et al. Automated discovery of dependencies between logical components in document image understanding [C]// Proceedings of Sixth International Conference on Document Analysis and Recognition. Seattle： IEEE， 2001： 16?27.

[6] PAPARI G， PETKOV N. Edge and line oriented contour detection： State of the art [J]. Image and vision computing， 2011， 29（2/3）： 79?103.

[7] SINGH V， MISRA A K. Detection of plant leaf diseases using image segmentation and soft computing techniques [J]. Information processing in agriculture， 2017， 4（1）： 41?49.

[8] GOMEZ?MORENO H， MALDONADO?BASCON S， GIL?JIMENEZ P， et al. Goal evaluation of segmentation algorithms for traffic sign recognition [J]. IEEE transactions on intelligent transportation systems， 2010， 11（4）： 917?930.

[9] GREGGIO N， BERNARDINO A， LASCHI C， et al. Self?adaptive Gaussian mixture models for real?time video segmentation and background subtraction [C]// International Conference on Intelligent Systems Design and Engineering Applications. Changsha： IEEE， 2011： 172?176.

[10] NGUYEN T M， WU Q M J， MUKHERJEE D. An online adaptive fuzzy clustering and its application for background suppression [C]// International Conference on Computer Vision Systems. Copenhagen： Springer， 2015： 36?42.

[11] GHANEKAR U， SINGH A K， PANDEY R. A contrast enhancement?based filter for removal of random valued impulse noise [J]. IEEE signal processing letters， 2009， 17（1）： 47?50.

[12] MALINSKI L， SMOLKA B. Fast averaging peer group filter for the impulsive noise removal in color images [J]. Journal of real?time image processing， 2016， 11（3）： 427?444.