[论文解读] Tracing liquid level and material boundaries in transparent vessels using the graph cut computer vision approach

Sagi Eppel|arXiv (Cornell University)|Jan 31, 2016

Industrial Vision Systems and Defect Detection参考文献 50被引用 16

一句话总结

本文提出一种基于图割的计算机视觉方法，通过图像分割精确追踪透明器皿中的液面和物料边界。通过将器皿图像建模为基于强度的边权重图，并将底部和顶部10%的像素设为源点（物料）和汇点（空气），算法利用最大流/最小割算法计算最小割，从而在多种材料和器皿类型中高精度识别边界。

ABSTRACT

Detection of boundaries of materials stored in transparent vessels is essential for identifying properties such as liquid level and phase boundaries, which are vital for controlling numerous processes in the industry and chemistry laboratory. This work presents a computer vision method for identifying the boundary of materials in transparent vessels using the graph-cut algorithm. The method receives an image of a transparent vessel containing a material and the contour of the vessel in the image. The boundary of the material in the vessel is found by the graph cut method. In general the method uses the vessel region of the image to create a graph, where pixels are vertices, and the cost of an edge between two pixels is inversely correlated with their intensity difference. The bottom 10% of the vessel region in the image is assumed to correspond to the material phase and defined as the graph and source. The top 10% of the pixels in the vessels are assumed to correspond to the air phase and defined as the graph sink. The minimal cut that splits the resulting graph between the source and sink (hence, material and air) is traced using the max-flow/min-cut approach. This cut corresponds to the boundary of the material in the image. The method gave high accuracy in boundary recognition for a wide range of liquid, solid, granular and powder materials in various glass vessels from everyday life and the chemistry laboratory, such as bottles, jars, Glasses, Chromotography colums and separatory funnels.

研究动机与目标

• 开发一种鲁棒的计算机视觉方法，用于检测透明容器中的物料边界，这对工业和实验室过程控制至关重要。
• 解决在透明器皿中因透明性和折射导致视觉线索模糊时，识别相界面的挑战。
• 实现在包括液体、粉末和颗粒物质在内的多种材料中，对液面和物料边界的精确检测。
• 利用图割优化实现复杂视觉环境下的分割，且用户输入极少。
• 在真实世界的透明器皿（如瓶子、广口瓶、烧杯和分液漏斗）上验证该方法。

提出的方法

• 该方法构建一个图结构，其中器皿区域的每个像素为一个顶点，边权重与相邻像素之间的强度差成反比。
• 器皿像素区域的底部10%被定义为源节点，代表物料相。
• 器皿像素区域的顶部10%被定义为汇节点，代表空气相。
• 通过最大流/最小割算法计算最小割，以分离源和汇，对应于物料边界。
• 分割结果来自最小割，有效追踪物料与空气之间的界面。
• 该方法仅需提供器皿轮廓和图像输入，无需预先知晓物料类型或形状。

实验结果

研究问题

• RQ1 在不同光照和材料条件下，基于图割的分割能否准确识别透明玻璃器皿中的液面？
• RQ2 该方法在检测透明容器中不同物料相（如液体、固体、粉末）之间的边界时表现如何？
• RQ3 该方法在实验室和日常使用中常见的多种器皿形状和材料中具有多大程度的泛化能力？
• RQ4 在器皿底部和顶部10%处设置基于强度的边权重以及源/汇节点，是否能产生鲁棒的分割结果？
• RQ5 该方法能否仅通过最少的用户输入（如仅器皿轮廓）实现高精度？

主要发现

• 该方法在包括液体、粉末、颗粒物质和固体在内的多种材料中，均实现了高精度的物料边界检测。
• 该方法成功识别了多种透明器皿（如瓶子、广口瓶、烧杯、色谱柱和分液漏斗）中的边界。
• 将底部10%设为源点、顶部10%设为汇点，即使在存在折射和复杂光照条件下，也能实现鲁棒的分割。
• 基于强度的边权重与图割方法结合，无需针对特定材料进行校准，即可产生一致且精确的边界追踪结果。
• 该方法在多种真实世界容器和材料类型中表现出强大的泛化能力，表明其在实验室和工业环境中的实际应用潜力。
• 通过最大流/最小割算法计算的最小割能有效分离物料相与空气相，实现精确的轮廓检测。