摘 要： 针对地板生产过程中依赖人工判断地板正反面的现状，提出了以TI公司浮点DSP芯片TMS320DM6437为控制核心的地板正反面检测系统。通过提取具有显著特征的红色分量的平均值和灰度分布的最大值，同时借助最小平方误差判别法区分地板的正反面。测试结果表明，该地板正反面判断系统具有很高的识别率，可以缓解工人的劳动强度同时提高生产效率。

关键词： TMS320DM6437；地板正反面检测系统；最小平方误差判别法；系统设计；工业应用

0 引言

　　检测地板的正反面是木地板生产线上必需的一道工序，当前，需要工人24小时值守在生产线旁。近年来，随着计算机视觉技术的快速发展，目前针对木材的计算机视觉研究更多地侧重于木材表面缺陷的检测，如杨丽丽等人[1]借助基于遗传算法的图像分割技术对强化木地板表面进行瑕疵检测；吴东洋等人[2]提出了一种新的基于无监督聚类木材缺陷识别方法。除此之外，吴长庆等人[3]提出过一种使用色差计的木板颜色分等检测方法。

　　当前，DSP在检测系统中的应用越来越广泛。Li Xinchun等人[4]以DM6437为核心实现了人体异常行为检测系统的设计；苑玮琦等人[5]设计了基于DM6437的驾驶员疲劳检测系统，用于帮助驾驶员提高驾驶的安全系数；沈道宁等人[6]对DM6437平台下的H.264滤波器进行了优化，有效提高了H.264编解码的效率；余涵等人[7]设计了基于DM6467T的音视频采集模块。

　　本文以TMS320DM6437最小系统为核心，配合视频数据采集、通信、显示、人机交互接口等构成地板正反面检测系统。软件部分的设计涉及基于数字图像处理与模式识别相关知识。

1 地板正反面检测原理

　　系统的结构示意图如图1所示。其中：1为DSP核心板及相关电路；2为CCD摄像头；3为模式选择开关；4为指示灯用于地板正反面的指示；5是显示器；6和7分别代表待检测的地板以及生产过程中运动的皮带。

　　该检测系统的主要原理是：摄像机采集地板的图像，对采集到的地板图像进行分块，之后提取地板的红色分量的平均值和灰度分布的最大值，最后，利用监督学习算法识别地板的正反面信息。

　1.1 特征提取

　　记采集到的正面图像为f0（x，y），反面图像为f1（x，y）。将地板的正面图像等分成N幅子图像，本例中取N=9即等分成9块，子图像记为f0i（x，y），i=1，2，…，N，其中（x，y）为像素点的坐标。从子图像中提取灰度分量（Y分量）值，得到N幅灰度子图像g0i（x，y），i=1，2，…，N。将YUV格式的图像转换为RGB格式的图像，从而可以得到N幅红色分量子图像r0i（x，y），i=1，2，…，N。采用同样的方法，可以得到地板反面图像f1（x，y）的N幅灰度子图像g1i（x，y），i=1，2，…，N，以及N幅红色分量子图像r1i（x，y），i=1，2，…，N。

　　根据式（1）、（2）计算灰度图像g0i（x，y），i=1，2，…，N的灰度分布[8]概率及其最大值：

　　其中，p0i（k）为灰度值为k的像素点的分布概率，k代表灰度图像g0i（x，y）的灰度值，hi（m，n）为灰度图像g0i（x，y）在坐标（m，n）处的值，W为子图像的宽度，H为子图像的高度，。

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

　　同样地，可以计算灰度图像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。根据式（3）计算红色分量图像r0i（x，y），i=1，2，…，N的平均值：

　　其中，li（m，n）为红色分量图像ri（x，y）在坐标（m，n）处的值。

　　同样地，可以计算红色分量图像r1i（x，y），i=1，2，…，N的平均值R1i。

　1.2 分类方法

　　提取了地板图像的灰度分布概率和红色分量特征之后，借助最小平方误差判别法[9-10]判别地板正反面。

　　由最小平方误差判别法知，问题的关键在于求解线性方程组Ya=b，通常情况下方程没有精确解，定义误差向量为：

　　e=Ya-b（4）

　　借助最小化误差平方和的准则函数，得：

1.3 判别步骤

　　具体判别步骤如下：

　　（1）通过图像获取地板正反面图像的各N组特征向量：

　　（1 P0i R0i），i=1，2，…，N

　　（1 P1i R1i），i=1，2，…，N

　　（2）构建矩阵Y=Y0Y1，其中矩阵Y0和矩阵Y1的构成方法是：矩阵Y0为N行3列的矩阵，其中Y0的每一行为：Y0i=（1 P0i R0i），i=1，2，…，N。

　　同样得到矩阵Y1。

　　（3）记b为2N行1列的列向量，其前9项为1，后9项为-1。

　　利用式（6）求得最小平方误差判别算法的权向量a。

　　（4）获取当前检测地板的N组特征向量：

　　Yi·=[1 Pi Ri]，i=1，2，…，N

　　（5）计算Yi·×a，i=1，2，…，N，如果有[N/2]+1或以上的结果大于或等于零，则判定地板为正面向上，否则为反面向上。

2 软硬件设计

　　2.1 硬件设计

　　系统的硬件结构如图2所示，主要包括电源、视频输入输出和人机交互电路。视频输入输出电路以DSP为核心，同时包括RS232串口、显示接口、拨码开关、LED指示电路以及必要的存储器。

　　2.2 软件设计

　　基于DSP/BIOS的软件框架如图3所示。

　　程序从入口地址c_int00开始执行，首先对系统相关资源进行初始化，其中包括DSP环境的初始化设置、各种存储器接口的设定以及相关变量的初始化等。之后，程序从main（）函数返回，并进入DSP/BIOS调度执行视频处理主线程序。为了监控以及调试的方便，将最终的结果通过视频输出通道显示在液晶显示器上。

　　视频处理主线程中，VPFE实现视频数据的采集，并将采集到的数据存入视频缓冲区。之后视频处理算法从视频缓冲区内读取数据进行处理。而VPBE实现视频图像的终端显示。软件设计流程图如4所示。

3 系统测试与结果分析

　　实验测试系统实物图如图5所示。

　　实验测试的地板主要分为两大类，一类是硬质地板，另一类是软质地板，如图6所示。

　　首先，地板检测最大的问题是地板正反面的特征差异不是很明显，这样分类特征难以提取。经过大量实验测试最终提取出了红色分量的平均值与灰度分布概率的最大值两个特征参数。其次，光照对于系统识别率也有很大的影响，在这里光照条件只要满足均匀不出现反光造成光斑即可。最后是算法的优化问题，因为需要实时地进行识别，如果算法过于复杂会造成DSP系统负担过重。

　　测试时选择同一类型中的任意一块地板进行学习，之后借助其余各80块地板进行测试。普遍现象是硬质地板识别率相对于软质地板稍微低一点，主要原因是硬质地板的正反两面有着更加相似的特征，而软质地板正反面特征区别相对明显。表1给出了部分测试结果。

4 结论

　　本文在分析地板正反面检测原理的同时介绍了系统硬件组成和软件设计，并通过测试验证了地板正反面检测系统在检测中的良好表现。使用型号为TMS320DM637的DSP作为控制核心，不仅满足了系统识别率的要求，还降低了系统成本，这些将有利于系统在实际应用场合的推广。

　　当然系统的设计还达不到尽善尽美的程度，系统软硬件设计的合理性、算法的运行速度、识别率以及系统运行的可靠性方面仍然有待提高，这些方面也是后续工作中需要重点解决的问题。

参考文献

　　[1] 杨丽丽，韩宁，张健，等.基于图像处理技术的强化木地板表面瑕疵检测算法研究[J].仪器仪表学报，2009，30（6）：174-178.

　　[2] 吴东洋，业宁，沈丽容，等.基于颜色矩的木材缺陷聚类识别[J].江南大学学报（自然科学版），2009，8（5）：520-524.

　　[3] 吴长庆，严永林.基子色差法的地板颜色分等检测技术[J].林业机械与木工设备，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] 范玮琦，窦元杰.基于DSP的疲劳驾驶检测系统的研究[J].微型机与应用，2011，30（3）：73-75.

　　[6] 沈道宁，程耀武.H.264滤波器在达芬奇平台下的优化设计[J].计算机工程，2010，36（23）：220-222.

　　[7] 余涵，夏显成，杜亚娟.基于DM6467T的音视频采集模块设计[J].计算机工程，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] 张学工.模式识别（第三版）[M].北京：清华大学出版社，2010.

　　[10] THEODORIDIS S， KOUTROUMBAS K. 模式识别（第三版）[M].李晶皎，王爱侠，张广渊，译.北京：电子工业出版社，2006.