摘  要： 針對地板生產過程中依賴人工判斷地板正反面的現狀，提出了以TI公司浮點DSP芯片TMS320DM6437為控制核心的地板正反面檢測系統。通過提取具有顯著特征的紅色分量的平均值和灰度分布的最大值，同時借助最小平方誤差判別法區分地板的正反面。測試結果表明，該地板正反面判斷系統具有很高的識別率，可以緩解工人的勞動強度同時提高生產效率。

　　關鍵詞： TMS320DM6437；地板正反面檢測系統；最小平方誤差判別法；系統設計；工業應用

0 引言

　　檢測地板的正反面是木地板生產線上必需的一道工序，當前，需要工人24小時值守在生產線旁。近年來，隨著計算機視覺技術的快速發展，目前針對木材的計算機視覺研究更多地側重于木材表面缺陷的檢測，如楊麗麗等人[1]借助基于遺傳算法的圖像分割技術對強化木地板表面進行瑕疵檢測；吳東洋等人[2]提出了一種新的基于無監督聚類木材缺陷識別方法。除此之外，吳長慶等人[3]提出過一種使用色差計的木板顏色分等檢測方法。

　　當前，DSP在檢測系統中的應用越來越廣泛。Li Xinchun等人[4]以DM6437為核心實現了人體異常行為檢測系統的設計；苑瑋琦等人[5]設計了基于DM6437的駕駛員疲勞檢測系統，用于幫助駕駛員提高駕駛的安全系數；沈道寧等人[6]對DM6437平臺下的H.264濾波器進行了優化，有效提高了H.264編解碼的效率；余涵等人[7]設計了基于DM6467T的音視頻采集模塊。

　　本文以TMS320DM6437最小系統為核心，配合視頻數據采集、通信、顯示、人機交互接口等構成地板正反面檢測系統。軟件部分的設計涉及基于數字圖像處理與模式識別相關知識。

1 地板正反面檢測原理

　　系統的結構示意圖如圖1所示。其中：1為DSP核心板及相關電路；2為CCD攝像頭；3為模式選擇開關；4為指示燈用于地板正反面的指示；5是顯示器；6和7分別代表待檢測的地板以及生產過程中運動的皮帶。

　　該檢測系統的主要原理是：攝像機采集地板的圖像，對采集到的地板圖像進行分塊，之后提取地板的紅色分量的平均值和灰度分布的最大值，最后，利用監督學習算法識別地板的正反面信息。

　　1.1 特征提取

　　記采集到的正面圖像為f0（x，y），反面圖像為f1（x，y）。將地板的正面圖像等分成N幅子圖像，本例中取N=9即等分成9塊，子圖像記為f0i（x，y），i=1，2，…，N，其中（x，y）為像素點的坐標。從子圖像中提取灰度分量（Y分量）值，得到N幅灰度子圖像g0i（x，y），i=1，2，…，N。將YUV格式的圖像轉換為RGB格式的圖像，從而可以得到N幅紅色分量子圖像r0i（x，y），i=1，2，…，N。采用同樣的方法，可以得到地板反面圖像f1（x，y）的N幅灰度子圖像g1i（x，y），i=1，2，…，N，以及N幅紅色分量子圖像r1i（x，y），i=1，2，…，N。

　　根據式（1）、（2）計算灰度圖像g0i（x，y），i=1，2，…，N的灰度分布[8]概率及其最大值：

　　其中，p0i（k）為灰度值為k的像素點的分布概率，k代表灰度圖像g0i（x，y）的灰度值，hi（m，n）為灰度圖像g0i（x，y）在坐標（m，n）處的值，W為子圖像的寬度，H為子圖像的高度，。

　　P0i=max{p0i（k），k=0，1，…，255}，i=1，2，…，N（2）

　　同樣地，可以計算灰度圖像g1i（x，y），i=1，2，…，N的灰度分布概率p1i（k）及最大值P1i，i=1，2，…，N。根據式（3）計算紅色分量圖像r0i（x，y），i=1，2，…，N的平均值：

　　其中，li（m，n）為紅色分量圖像ri（x，y）在坐標（m，n）處的值。

　　同樣地，可以計算紅色分量圖像r1i（x，y），i=1，2，…，N的平均值R1i。

　　1.2 分類方法

　　提取了地板圖像的灰度分布概率和紅色分量特征之后，借助最小平方誤差判別法[9-10]判別地板正反面。

　　由最小平方誤差判別法知，問題的關鍵在于求解線性方程組Ya=b，通常情況下方程沒有精確解，定義誤差向量為：

　　e=Ya-b（4）

　　借助最小化誤差平方和的準則函數，得：

　　1.3 判別步驟

　　具體判別步驟如下：

　?。?）通過圖像獲取地板正反面圖像的各N組特征向量：

　　（1 P0i R0i），i=1，2，…，N

　　（1 P1i R1i），i=1，2，…，N

　　（2）構建矩陣Y=Y0Y1，其中矩陣Y0和矩陣Y1的構成方法是：矩陣Y0為N行3列的矩陣，其中Y0的每一行為：Y0i=（1 P0i R0i），i=1，2，…，N。

　　同樣得到矩陣Y1。

　　（3）記b為2N行1列的列向量，其前9項為1，后9項為-1。

　　利用式（6）求得最小平方誤差判別算法的權向量a。

　?。?）獲取當前檢測地板的N組特征向量：

　　Yi·=[1 Pi Ri]，i=1，2，…，N

　?。?）計算Yi·×a，i=1，2，…，N，如果有[N/2]+1或以上的結果大于或等于零，則判定地板為正面向上，否則為反面向上。

2 軟硬件設計

　　2.1 硬件設計

　　系統的硬件結構如圖2所示，主要包括電源、視頻輸入輸出和人機交互電路。視頻輸入輸出電路以DSP為核心，同時包括RS232串口、顯示接口、撥碼開關、LED指示電路以及必要的存儲器。

　　2.2 軟件設計

　　基于DSP/BIOS的軟件框架如圖3所示。

　　程序從入口地址c_int00開始執行，首先對系統相關資源進行初始化，其中包括DSP環境的初始化設置、各種存儲器接口的設定以及相關變量的初始化等。之后，程序從main（）函數返回，并進入DSP/BIOS調度執行視頻處理主線程序。為了監控以及調試的方便，將最終的結果通過視頻輸出通道顯示在液晶顯示器上。

　　視頻處理主線程中，VPFE實現視頻數據的采集，并將采集到的數據存入視頻緩沖區。之后視頻處理算法從視頻緩沖區內讀取數據進行處理。而VPBE實現視頻圖像的終端顯示。軟件設計流程圖如4所示。

3 系統測試與結果分析

　　實驗測試系統實物圖如圖5所示。

　　實驗測試的地板主要分為兩大類，一類是硬質地板，另一類是軟質地板，如圖6所示。

　　首先，地板檢測最大的問題是地板正反面的特征差異不是很明顯，這樣分類特征難以提取。經過大量實驗測試最終提取出了紅色分量的平均值與灰度分布概率的最大值兩個特征參數。其次，光照對于系統識別率也有很大的影響，在這里光照條件只要滿足均勻不出現反光造成光斑即可。最后是算法的優化問題，因為需要實時地進行識別，如果算法過于復雜會造成DSP系統負擔過重。

　　測試時選擇同一類型中的任意一塊地板進行學習，之后借助其余各80塊地板進行測試。普遍現象是硬質地板識別率相對于軟質地板稍微低一點，主要原因是硬質地板的正反兩面有著更加相似的特征，而軟質地板正反面特征區別相對明顯。表1給出了部分測試結果。

4 結論

　　本文在分析地板正反面檢測原理的同時介紹了系統硬件組成和軟件設計，并通過測試驗證了地板正反面檢測系統在檢測中的良好表現。使用型號為TMS320DM637的DSP作為控制核心，不僅滿足了系統識別率的要求，還降低了系統成本，這些將有利于系統在實際應用場合的推廣。

　　當然系統的設計還達不到盡善盡美的程度，系統軟硬件設計的合理性、算法的運行速度、識別率以及系統運行的可靠性方面仍然有待提高，這些方面也是后續工作中需要重點解決的問題。

參考文獻

　　[1] 楊麗麗，韓寧，張健，等.基于圖像處理技術的強化木地板表面瑕疵檢測算法研究[J].儀器儀表學報，2009，30（6）：174-178.

　　[2] 吳東洋，業寧，沈麗容，等.基于顏色矩的木材缺陷聚類識別[J].江南大學學報（自然科學版），2009，8（5）：520-524.

　　[3] 吳長慶，嚴永林.基子色差法的地板顏色分等檢測技術[J].林業機械與木工設備，2007，35（2）：34-35.

　　[4] Li Xinchun， Wu Qi. Research on abnormal behavior detection system based on TMS320DM6437[C]. 2010 International Conference on Computational Problem-Solving （ICCP）， IEEE， 2010：340-343.

　　[5] 范瑋琦，竇元杰.基于DSP的疲勞駕駛檢測系統的研究[J].微型機與應用，2011，30（3）：73-75.

　　[6] 沈道寧，程耀武.H.264濾波器在達芬奇平臺下的優化設計[J].計算機工程，2010，36（23）：220-222.

　　[7] 余涵，夏顯成，杜亞娟.基于DM6467T的音視頻采集模塊設計[J].計算機工程，2013，39（11）：312-316.

　　[8] MATERKAA， STRZELECKI M. Texture analysis methods-a review[J]. Technical University of Lodz， Institute of Electronics， COST B11 Report， Brussels， 1998：9-11.

　　[9] 張學工.模式識別（第三版）[M].北京：清華大學出版社，2010.

　　[10] THEODORIDIS S， KOUTROUMBAS K. 模式識別（第三版）[M].李晶皎，王愛俠，張廣淵，譯.北京：電子工業出版社，2006.