杜玉紅， 楊程午， 蔣秀明， 劉仁杰， 蔡文超

(1. 天津工業(yè)大學(xué)， 天津 300387； 2. 天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300387； 3. 北京大恒圖像視覺有限公司， 北京 100085)

應(yīng)用聚類神經(jīng)網(wǎng)絡(luò)的異纖檢測(cè)多類光源優(yōu)化設(shè)計(jì)

杜玉紅1,2， 楊程午1,2， 蔣秀明1,2， 劉仁杰1,2， 蔡文超3

(1. 天津工業(yè)大學(xué)， 天津 300387； 2. 天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300387； 3. 北京大恒圖像視覺有限公司， 北京 100085)

為使電荷耦合元件(CCD)精確采集處理異纖圖像并對(duì)多類異纖進(jìn)行檢測(cè)，提出了一種基于模糊聚類神經(jīng)網(wǎng)絡(luò)的異纖檢測(cè)多類光源優(yōu)化設(shè)計(jì)方法。通過分析CCD成像與入射光能量的關(guān)系，推導(dǎo)出多類異纖檢測(cè)的光源量，建立了CCD靶面曝光量函數(shù)，確定光源的最佳檢測(cè)位置，通過圖像參數(shù)方程，分析CCD背景板圖像的光線分布及平均灰度，通過模糊聚類分析，綜合考慮輸入值的全部信息建立了多類光源的模糊聚類神經(jīng)網(wǎng)絡(luò)，對(duì)光源進(jìn)行優(yōu)化設(shè)計(jì)。設(shè)計(jì)結(jié)果表明，最佳檢測(cè)位置是異纖處于中心位置，在光源數(shù)量為10，兩側(cè)距離為3 mm，神經(jīng)網(wǎng)絡(luò)的收斂誤差均達(dá)到預(yù)期值，異纖檢出率達(dá)到94.79%，符合企業(yè)異纖檢測(cè)實(shí)際生產(chǎn)的要求。

異纖檢測(cè)； 光源優(yōu)化設(shè)計(jì)； 電荷耦合元件； 模糊聚類分析

異性纖維是指嚴(yán)重影響棉紡織品質(zhì)量的非棉纖維，異纖檢測(cè)裝置主要采用機(jī)器視覺技術(shù)實(shí)現(xiàn)異纖在線檢測(cè)。由于異纖的種類較多，物理化學(xué)性質(zhì)不相同，所以針對(duì)不同種類的異纖，檢測(cè)裝置需要配備不同類型光源進(jìn)行檢測(cè)，主要包括白色光、激光、紫外光、紅外光等。

1998年，Church等[1]發(fā)現(xiàn)在2 250～2 400 nm紅外波段下的光譜峰值差別較大，提出在紅外光譜范圍內(nèi)區(qū)分白色異性纖維和棉花；通過分析紅外光譜，提出白色異性纖維的最佳檢測(cè)波段[2]；一種白光和熒光交替成像檢測(cè)方法，能有效檢測(cè)出皮棉中的有色和白色異纖[3]；華才健等[4]提出一種基于線激光的檢測(cè)方法，有效地識(shí)別了大部分白色異纖；羅德坡等[5]提出一種結(jié)合紫外線熒光效應(yīng)的機(jī)器視覺方法，可有效地清除棉花中白色異性纖維。Thomasson[6]提出利用雜質(zhì)顏色來識(shí)別，通過光學(xué)濾色片獲得異纖圖像，獲得了良好的效果；We等[7]提出并應(yīng)用基于最小噪聲分離超光譜圖像的識(shí)別方法(MNF)來提取降低多光譜圖像的維數(shù)特征；通過小波多層分解實(shí)現(xiàn)檢測(cè)圖像中的不同頻率信息成分的分離，實(shí)現(xiàn)了對(duì)異性纖維的檢測(cè)[8]。運(yùn)用聚類統(tǒng)計(jì)分類的方法獲取的異纖圖像信息，判斷異性纖維[9]。將含有異纖的織物灰度圖像進(jìn)行預(yù)處理，輸入神經(jīng)網(wǎng)絡(luò)后檢測(cè)二元織物圖像的形態(tài)重建后的缺陷[10]。

通過國(guó)內(nèi)外研究發(fā)現(xiàn)，目前異纖檢測(cè)系統(tǒng)研究和檢測(cè)裝置主要采用單一類型光源，不能對(duì)全部異纖進(jìn)行檢測(cè)剔除。在優(yōu)化設(shè)備時(shí)對(duì)異纖檢測(cè)光源優(yōu)化理論研究極少，為此本文研究了異纖檢測(cè)多類光源，分析CCD相機(jī)入射能量與光照能量的關(guān)系，設(shè)計(jì)模糊聚類BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析異纖檢測(cè)照明系統(tǒng)最佳光源數(shù)量和光源距離，并利用實(shí)驗(yàn)平臺(tái)進(jìn)行了驗(yàn)證，以期為異纖檢測(cè)提供理論和實(shí)踐支持。

1 異纖檢測(cè)光源設(shè)計(jì)

1.1 異纖檢測(cè)光源種類

對(duì)不同類異纖，檢測(cè)有不同種光源，如白色光、紫外光、紅外光等。白色光主要對(duì)普通彩色異纖進(jìn)行檢測(cè)；與棉花顏色相近的白色異纖中主要是紙張和白色丙綸絲，含有增白劑，在紫外線的照射下激可發(fā)出波長(zhǎng)為400～500 nm明亮熒光，而棉纖維在紫外線的照射下不變色，所以可采用紫外光進(jìn)行檢測(cè)；由于紅外線對(duì)棉花、錦綸、塑料等都有一定的穿透能力，這些異纖會(huì)出現(xiàn)吸收峰，經(jīng)圖像處理后會(huì)出現(xiàn)灰度較低的區(qū)域，可確定異纖位置[11-12]。

1.2 異纖檢測(cè)光源選型

設(shè)計(jì)的異纖檢測(cè)實(shí)驗(yàn)平臺(tái)結(jié)構(gòu)示意圖如圖1所示。異纖檢測(cè)工作原理是含有異性纖維的原棉在鋪放系統(tǒng)8提供的持續(xù)氣流下進(jìn)入透明的棉流檢測(cè)通道1，在通道兩側(cè)紅外線4、紫外線3、白色光2源的照射下，彩色CCD相機(jī)6對(duì)原棉流進(jìn)行掃描，采集含有異纖的原棉圖像并進(jìn)行分析處理，隨后工控機(jī)7驅(qū)動(dòng)異纖剔除系統(tǒng)的高速電磁閥，釋放氣流將異纖剔除。

注：1—檢測(cè)通道；2—白色熒光燈；3—紫外線燈管；4—紅外線燈管； 5—背景板；6—CCD相機(jī)；7—工控機(jī)；8—鋪放系統(tǒng)。圖1 異纖檢測(cè)實(shí)驗(yàn)平臺(tái)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of experimental platform for different fiber detection

異纖檢測(cè)實(shí)驗(yàn)平臺(tái)配置的2臺(tái)工業(yè)相機(jī)為JAI公司生產(chǎn)的3-CCD相機(jī)，在光波長(zhǎng)為365～850 nm范圍內(nèi)的響應(yīng)度R為64 V·μJ/cm2。采用8-bit數(shù)據(jù)深度采集，輸出的灰度值最暗值0對(duì)應(yīng)0 V，最亮值255對(duì)應(yīng)1.84 V。

異纖檢測(cè)實(shí)驗(yàn)平臺(tái)白色熒光燈管型號(hào)為Philips life max 系列中的TL-D18W/840，冷白色，色溫 4 000 K，光通量1 350 lm。紫外燈管型號(hào)為Philips的18 W/BLB，紅外線燈管為朗普公司的LPS，光源功率為70 W，有效光照范圍0.005～3.000 m。查閱相關(guān)文獻(xiàn)得到最佳照明波長(zhǎng)，白色熒光燈為550 nm，紫外光燈管為365 nm，紅外燈管為850 nm,故實(shí)驗(yàn)平臺(tái)測(cè)試研究采用的波長(zhǎng)范圍為365～850 nm。

棉花中所夾雜的大部分的異纖如羊毛、麻繩、羽毛、頭發(fā)等屬于吸光體，所以異纖檢測(cè)實(shí)驗(yàn)平臺(tái)光源采用前向照明，照射為直射方式。前向照明能增強(qiáng)采集圖像中被測(cè)物不同部分的灰度差別,有利于分辨被測(cè)物內(nèi)部不同部分結(jié)構(gòu)。直射光方向性強(qiáng),光能量相對(duì)集中,光源亮度高,有較強(qiáng)的明暗對(duì)比度。本照明系統(tǒng)有利于異纖與棉花形成鮮明的明暗對(duì)比度，便于在CCD相機(jī)上形成清晰圖像，有利于異纖快速準(zhǔn)確的檢出[13-14]。

1.3 異纖檢測(cè)實(shí)驗(yàn)平臺(tái)光源數(shù)量

異纖檢測(cè)實(shí)驗(yàn)平臺(tái)要求CCD相機(jī)的灰度值為100，光能轉(zhuǎn)換后得到的電壓值V為721.5 mV，則確定響應(yīng)度R后，得到傳感器的能量密度為

(1)

式中：V為CCD上光能轉(zhuǎn)換后的電壓值，R為CCD相機(jī)的響應(yīng)度。

曝光一定時(shí)間t后，CCD傳感器所需的入射光的輻射度為

(2)

物體表面亮度，即反光體表面反光強(qiáng)弱為

(3)

式中：Ti為鏡頭的透射率；f為鏡頭的光圈數(shù)(F數(shù))；m為成像系統(tǒng)的放大倍數(shù)。

物體表面照度E，即單位面積所接受可見光的能量為

(4)

式中：R為物體表面反射率(0

光源發(fā)射出的亮度為

(5)

式中：S為光源直徑；Ls為物體到光源的距離；φ為物體表面法線和光源所成的角度。

由式(1)～(5)推算光源亮度L2=22.610 7 cd/cm2。

實(shí)驗(yàn)平臺(tái)配置燈管的平均亮度為0.85 cd/cm2，在CCD相機(jī)增益g=6 dB時(shí)，理論上所需的照明燈管的數(shù)量為14，如圖2所示。

圖2 異纖檢測(cè)實(shí)驗(yàn)平臺(tái)光源數(shù)量Fig.2 Number of light source in the experiment platform

2 光源檢測(cè)位置數(shù)學(xué)建模與應(yīng)用

假定白色光、紫外光、紅外光燈管均為一個(gè)矩形的雙面發(fā)光體，即“朗伯輻射體”[15-16]，其長(zhǎng)度為燈管發(fā)光部全長(zhǎng)，寬度為燈管直徑，其光源在各個(gè)方向上的亮度近似一致。矩形面光源長(zhǎng)度為2b，寬為2a，檢測(cè)通道兩側(cè)光源到檢測(cè)對(duì)象的距離為di，與檢測(cè)對(duì)象法線夾角為αi。異纖檢測(cè)光源光照分析如圖3所示。O為光源外被檢測(cè)物上任意一點(diǎn)，在矩形光源所在的平面內(nèi)的投影為O′，其所在的光源面積元是dS0,O″為dS0左側(cè)一微小面積光源dS1上與其過O′垂線交點(diǎn)，OO′與檢測(cè)對(duì)象面積元的法線夾角為α，x為O1到O″的距離，X為O1到O′的距離，r為O到面積元dS1的距離，OO″與矩形光源法線夾角θ1，θ2為θ1內(nèi)錯(cuò)角。

圖3 異纖檢測(cè)光源光照分析圖Fig.3 Analysis of light illumination of different fiber detection light source

光源發(fā)光面為余弦發(fā)射面，其亮度在檢測(cè)對(duì)象面積元的亮度為

(6)

式中：Φ為光源的光通量；S為光源表面積,L為面積元的亮度。

X左右兩側(cè)面積為dS的微小面光源在O點(diǎn)處的照度為

(7)

整個(gè)光源在O點(diǎn)處的照度為

(8)

原點(diǎn)O1右側(cè)到O1的距離為x的點(diǎn)的照度為

(9)

多個(gè)非相干光源疊加的照度，是各個(gè)光源照度之和，即

(10)

本照明系統(tǒng)中的光源數(shù)量為14個(gè)，則檢測(cè)對(duì)象上一點(diǎn)x的照度為

E=7aL[Φ(α1,b,d1,x)+Φ(α2,b,d2,x)]

(11)

檢測(cè)對(duì)象異纖的表面為“全擴(kuò)散表面”[17]。亮度L″=ρE/π，其中ρ為漫反射系數(shù)。檢測(cè)對(duì)象表面經(jīng)相機(jī)鏡頭到達(dá)CCD靶面的照度為

(12)

式中：τ為光學(xué)系統(tǒng)透過率；F=f′/D，為F制“光圈數(shù)”。

CCD靶面在單位面積在時(shí)間t內(nèi)接收的曝光量為

H=E′t

(13)

CCD靶面曝光量H為

(14)

曝光度函數(shù)H(α1，α2，d1，d2，x)中自變量取值為α1=45o,α2=60o,d1=0.1 m,d2=0.1 m，φ=1 350 lm，2b=0.66 mm，F(xiàn)max=2.8，ρ=0.8，τ=0.68，t=0.000 115 s，則有

(15)

當(dāng)x∈[0,0.33]范圍時(shí)曝光量函數(shù)H(x)所繪曲線，如圖4所示。

圖4 曝光量函數(shù)曲線Fig.4 exposure function curve

從曲線可知H(x)呈拋物線狀，曝光量最大值為0.103 5 lx·s。因所建函數(shù)模型起點(diǎn)是熒光燈的前端，所以檢測(cè)對(duì)象處于光源中間部位時(shí)，檢測(cè)位置最佳，此時(shí)相機(jī)的接受的光能最多，檢測(cè)效果最好。

3 光源檢測(cè)參數(shù)的分析和計(jì)算

3.1 圖像參數(shù)方程的建立

在不同數(shù)量和距離的光源條件下，收集棉紡織企業(yè)常見異纖如圖5所示，作為實(shí)驗(yàn)對(duì)象。根據(jù)采集到背景板的圖像變化來建立圖像參數(shù)方程，判斷分析照明效果。CCD掃描區(qū)域是一個(gè)窄長(zhǎng)的區(qū)域，寬度方向上分布有70個(gè)像素，長(zhǎng)度方向上分布有 2 048 個(gè)像素，如圖6所示。

圖5 棉紡織企業(yè)常見異纖Fig.5 Common fiber of cotton textile enterprises

圖6 CCD采集背景板的圖像Fig.6 CCD acquisition of background image of board

設(shè)光線在背景板上分布均勻，取每個(gè)像素點(diǎn)的R、G、B平均值及灰度值。其中，取R[i]、G[i]、B[i]分別為相應(yīng)像素點(diǎn)的R、G、B值，L[i]為相應(yīng)像素點(diǎn)的灰度值，則有：

L[i]=0.299R[i]+0.587G[i]+0.114B[i]

Rm=max(R[i])-min(R[i])

Gm=max(G[i])-min(G[i])

Bm=max(B[i])-min(B[i])

Lv=∑(L[i])/2 048;

(16)

式中:Rm、Gm、Bm分別為圖像中R、G、B變化最大的值，反映了CCD采集的圖像中光線分布的均勻程度，值越大說明光線越不均勻。Lv是圖像中的灰度平均值，為圖像的平均亮度，值越大越說明光線越好[18]。

3.2 不同光源數(shù)量下的數(shù)據(jù)分析

彩色試紙與大部分的異纖同屬于吸光體，屬性相近，實(shí)驗(yàn)時(shí)為減少形狀大小對(duì)實(shí)驗(yàn)的影響，故采用20 mm×2 mm彩色試紙進(jìn)行異纖檢測(cè)實(shí)驗(yàn)。將燈管進(jìn)行編號(hào)，分別為L(zhǎng)1、L2……L7，R1、R2……R7打開不同數(shù)量的燈進(jìn)行實(shí)驗(yàn)，通過圖像參數(shù)方程獲得不同數(shù)量燈管下的Rm、Gm、Bm、Lv如表1所示。

表1 不同光源數(shù)量下圖像R、G、B值和灰度值Tab.1 R、G、B value and gray value of image under different light sources

在不同光源數(shù)量下，Rm、Gm、Bm的最大值分別146、142、146，Lv的最小值為51.66。

3.3 不同光源距離的下數(shù)據(jù)分析

將異纖檢測(cè)實(shí)驗(yàn)平臺(tái)的兩側(cè)光源分別向左側(cè)、右側(cè)、兩側(cè)同時(shí)移動(dòng)不同距離，在各組試驗(yàn)中，采集CCD背景圖像，通過圖像參數(shù)方程計(jì)算各個(gè)像素點(diǎn)的Rm、Gm、Bm值和灰度值，數(shù)據(jù)如表2所示。

在不同光源距離下，Rm、Gm、Bm的最大值分別149、146、152，Lv的最小值為55.52。光源在不同數(shù)量和距離下的值處在一個(gè)變化不大的范圍內(nèi)，存在一定的相似性和規(guī)律性，符合模糊聚類神經(jīng)網(wǎng)絡(luò)原理，故采用下文運(yùn)用基于模糊聚類分析神經(jīng)網(wǎng)絡(luò)進(jìn)行光源數(shù)量和距離預(yù)測(cè)分析。

表2 不同距離圖像R、G、B值和灰度值Tab.2 R、G、B value and gray value of different distance images

注：Rmf,Gmf,Bmf,Lvf；Rmr,Gmr,Bmr,Lvr；Rm,Gm,Bm,Lv分別表示光源左側(cè)、右側(cè)、兩側(cè)同時(shí)移動(dòng)不同距離時(shí)所采集圖像的R、G、B值和灰度值。

4 基于神經(jīng)網(wǎng)絡(luò)模型的光源優(yōu)化

4.1 異纖檢測(cè)光源BP神經(jīng)網(wǎng)絡(luò)模型

以Rm、Gm、Bm、Lv為神經(jīng)網(wǎng)絡(luò)的輸入量,用歸一化函數(shù)將Rm、Gm、Bm、Lv不同的數(shù)值歸一化到[-1,1]，異纖光源BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 異纖光源神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 structure of neural network with different fiber source

ωij為反向傳播過程中異纖光源神經(jīng)網(wǎng)絡(luò)隱含層第j節(jié)點(diǎn)到輸入層第i節(jié)點(diǎn)的權(quán)值；αj隱含層的閾值。φ(x)為隱含層的激勵(lì)函數(shù)，選用tansig函數(shù)，函數(shù)返回值位于(-1，1)；ωj表示在誤差反向傳播過程中輸出層到隱含層第j個(gè)節(jié)點(diǎn)之間的權(quán)值。Φ(x)為輸出層的激勵(lì)函數(shù),選用purelin函數(shù)；β為輸出層閾值；L(M)是神經(jīng)網(wǎng)絡(luò)輸出層的輸出值，即為光源的最佳數(shù)量及距離值。

4.2 模糊聚類異纖光源對(duì)隱含層優(yōu)化

本文采用基于模糊等價(jià)關(guān)系的特征抽取方法，對(duì)異纖光源神經(jīng)網(wǎng)絡(luò)隱含層進(jìn)行優(yōu)化。在輸入中為了防止把輸入值相近而期望輸出值相差較大的樣本歸為一類，綜合考慮輸入量的全部信息[19-20]。

以不同光源數(shù)量的像素點(diǎn)Rm、Gm、Bm值和灰度值數(shù)據(jù)研究為例，隱層節(jié)點(diǎn)數(shù)確定的模糊聚類分析法的步驟如下。

4.2.1數(shù)據(jù)處理

設(shè)論域U={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}，x1為L(zhǎng)1,R1；x2為L(zhǎng)1,L3；……；x10為L(zhǎng)2,R2,L7,R7被分類的10個(gè)對(duì)象，每個(gè)對(duì)象有4性狀：x1為rm，xi2為Gm，xi3為Bm，xi4為L(zhǎng)v，則xi={xi1,xi2,xi3,xi4} (i=1,2,…,10)，得到原始數(shù)據(jù)矩陣

將模糊矩陣的數(shù)據(jù)壓縮到[0,1]上。采用平移極差變換進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，

則標(biāo)準(zhǔn)化矩陣為

4.2.2模糊相似矩陣建立

標(biāo)定運(yùn)用了歐幾里得距離法：

rij=1-c×d(xi,xj)

模糊相似矩陣為

4.2.3傳遞閉包的計(jì)算

用平方法計(jì)算模糊相似矩陣R，R2，R4，…，R2t，…，當(dāng)?shù)?次出現(xiàn)Rk*Rk=Rk時(shí)，則稱Rk為傳遞閉包。

聚類步驟：(1)令T={1,2,3…10}，取xi∈T(1),令X、Q為空集；(2)令j=0；(3)若R(xi,xj)≥λ且xj?X，則令X=X∪{j}，Q=Q∪{j}，j=j+1；(4)若j

4.2.4聚類分析

采用直接聚類法，取水平值λ∈[0,1]，根據(jù)文獻(xiàn)λ取值范圍為0.989～0.991。當(dāng)λ取不同分類系數(shù)時(shí)，進(jìn)行模糊聚類分析結(jié)果如表3所示。

4.3 神經(jīng)網(wǎng)絡(luò)的仿真

選用神經(jīng)網(wǎng)絡(luò)中Levenberg-Marquardt算法，運(yùn)用相似方法計(jì)算矩陣，公式如下：

xk+1=xk-[JTJ+μI]-1JTe

(17)

式中：J為訓(xùn)練神經(jīng)網(wǎng)絡(luò)，如果μ=0，即變成近似Hessian矩陣的擬牛頓法；如果μ較大的話，則成為小步長(zhǎng)的梯度下降法，因牛頓法在誤差極小點(diǎn)附近能夠快速準(zhǔn)確收斂，所以算法的目標(biāo)即是盡快轉(zhuǎn)換為牛頓法。如果訓(xùn)練成功，誤差性能函數(shù)減小，則減小μ值；如果訓(xùn)練失敗，則增加μ值。該方法使誤差性能函數(shù)隨著迭代的進(jìn)行而下降到極小值。

表3 聚類分析結(jié)果Tab.3 Results of cluster analysis

異纖光源優(yōu)化根據(jù)樣本數(shù)據(jù)的特點(diǎn)選取網(wǎng)絡(luò)學(xué)習(xí)率為0.01，訓(xùn)練次數(shù)為200，訓(xùn)練精度為10-5，完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。網(wǎng)絡(luò)誤差收斂圖如圖8所示。

圖8 網(wǎng)絡(luò)誤差斂圖Fig.8 Convergence of network error. (a) Left side of light source; (b) Right side of light source; (c) Both sides of light source; (d) Under different light source

4組網(wǎng)絡(luò)訓(xùn)練后，誤差曲線均逐漸收斂到最佳值，收斂誤差為10-5至10-8，滿足精度要求。

4.4 結(jié)果分析

在相機(jī)理論拍攝圖像最佳條件下，采集所拍攝背景板的圖像，提取Rm、Gm、Bm、Lv，作為神經(jīng)網(wǎng)絡(luò)的輸入值，根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)光源的最佳距離及最佳數(shù)量。通過異纖檢出率實(shí)驗(yàn)進(jìn)行驗(yàn)證。最終結(jié)果為光源左側(cè)移動(dòng)6 mm，異纖檢出率為89.69%；光源右側(cè)移動(dòng)6 mm，異纖檢出率為91.22%；光源兩側(cè)移動(dòng)3 mm，異纖檢出率為91.38%；光源數(shù)量為10的條件下，檢出率為92.79%。在光源數(shù)量為10的條件下，光源兩側(cè)移動(dòng)的距離為3 mm的最優(yōu)照明光源模型下，異纖的檢出率為94.79%，滿足實(shí)際生產(chǎn)要求，則說明聚類神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)理論分析在光源優(yōu)化上的應(yīng)用的可行性。

5 結(jié) 論

本文根據(jù)多類異纖特點(diǎn)選擇了白色光、紫外光、紅外光源進(jìn)行異性纖維圖像處理檢測(cè)，提出了一種基于聚類神經(jīng)網(wǎng)絡(luò)多類異纖檢測(cè)的光源優(yōu)化設(shè)計(jì)方法。

1)通過分析CCD傳感器成像與入射光光能之間的轉(zhuǎn)換關(guān)系，在至少保證紫外光燈管1對(duì)，紅外光燈管1對(duì)前提下，確定了白色熒光燈3對(duì)能滿足異纖檢出要求。

2)通過建立光源檢測(cè)質(zhì)量模型和CCD靶面曝光函數(shù)，分析得知檢測(cè)對(duì)象處于光源中間部位時(shí)為最佳檢測(cè)位置，相機(jī)所接受的光照強(qiáng)度最大，檢測(cè)效果最佳。

3)提取CCD背景板圖像像素點(diǎn)的R、G、B平均值及灰度值，建立圖像參數(shù)方程，通過模糊聚類分析優(yōu)化神經(jīng)網(wǎng)絡(luò)的隱含層，優(yōu)化設(shè)計(jì)多類光源的數(shù)量和距離。通過實(shí)驗(yàn)驗(yàn)證，異纖檢出率達(dá)到94.79%，滿足實(shí)際生產(chǎn)要求，對(duì)機(jī)器視覺中的光源選擇和照明優(yōu)化具有一定的指導(dǎo)作用。

[1] CHURCH J S, O′NEILL JA, WOODHEAD A L. Detection of fibrillated polymeric contaminants in wool and cotton yarns[J]. Applied Spectroscopy, 1998, 56(8): 1039-1046.

[2] 楊文柱, 李道亮, 魏新華, 等. 基于光譜分析的棉花異性纖維最佳波段選擇方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(10): 186-192.

YANG Wenzhu, LI Daoliang, WEI Xinhua, et al. Optimal band selection method for cotton foreign fibers based on spectral analysis[J]. Journal of Agricultural Engineering, 2009, 25(10): 186-192.

[3] 周飛, 丁天懷, 瞿鑫. 皮棉異性雜質(zhì)的白光/熒光交替成像檢測(cè)法[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010, 50(8): 1234-1238.

ZHOU Fei, DING Tianhuai, QU Xin. Lint anisotropic impurity of white light / fluorescence alternating imaging detection method[J]. Tsinghua University Jour-nal(Science and Technology),2010, 50(8): 1234-1238.

[4] 華才健, 蘇真?zhèn)? 喬麗, 等. 基于線激光的棉花中白色異性纖維檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(2): 181-185.

HUAI Caijian, SU Zhenwei, QIAO Li, et al. White foreign fibers detection in cotton using line laser[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(2):181-185.

[5] 羅德坡, 朱邦太, 李勛. 紫外線熒光效應(yīng)及其在棉花異性纖維分揀系統(tǒng)中的應(yīng)用[J]. 河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007, 28(2): 63-66.

LUO Depo, ZHU Bangtai, LI Xun. Ultraviolet fluorescent effect and in cotton isomerism fibre sorting system application[J]. Journal of Henan University of Science and Technology (Natural Science Edition), 2007, 28 (2): 63-66.

[6] THOMASSON J A. Image processing solution to cotton color measurement problems in gin process control[D]. Lexington: University of Entucky, 1997, 67(4): 156-162.

[7] WE Xinhua, WU Shu, XU Laiqi, et al. Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2014, 30(9): 243-248.

[8] 師紅宇, 管聲啟, 吳寧. 棉花中異性纖維的圖像多分辨率差分檢測(cè)方法[J]. 紡織學(xué)報(bào), 2014, 35(5):13-18.

SHI Hongyu, GUAN Shengqi, WU Ning. Detection of foreign fibers among cotton based on imagemulti-resolution difference method[J]. Journal of Textile Research, 2014, 35(5):13-18.

[9] 杜玉紅, 王加富, 蔣秀明, 等. 應(yīng)用聚類統(tǒng)計(jì)分析的棉花異纖圖形檢測(cè)算法[J]. 紡織學(xué)報(bào), 2015,36(3):135-139.

DU Yuhong, WANG Jiafu, JIANG Xiuming, et al. Algorithm for pattern detection of cotton foreign fibers based on cluster statistic analysis[J]. Journal of Textile Research, 2015,36(3):135-139.

[10] CHANDRA A, JAYANTA K, PRADIPTA K, et al.Neural network trained morphological processing for the detection of defects in woven fabric[J]. Journal of the Textile Institute, 2010, 101(8): 699-706.

[11] KANG T J, KIM S C. Objective evaluation of the trash and color of raw cotton by image processing and neural network[J]. Textile Research Journal, 2002, 72(9): 776-782.

[12] 郟東耀, 丁天懷. 棉花中異性纖維的多光譜檢測(cè)[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2005,45(2): 193-196.

JIA Dongyao, DING Tianhuai. Detecting foreign fibers in cotton using amulti-spectral, technique[J]. Journal of Tsinghua University(Science and Technology), 2005, 45(2): 193-196.

[13] 唐向陽, 張勇, 李江有, 等. 機(jī)器視覺關(guān)鍵技術(shù)的現(xiàn)狀及應(yīng)用展望[J]. 昆明理工大學(xué)學(xué)報(bào), 2004, 29(2): 26-31.

TANG Xiangyang, ZHANG Yong, LI Jiangyou, et al. The present situation and application prospect of the key technologies of machine vision [J]. Journal of Kunming University of Science and Technology, 2004,29 (2): 26-31.

[14] 韋平,張林,劉翔,王冬,等. 籽棉中異性纖維的雙光源成像檢測(cè)方法[J]. 紡織學(xué)報(bào),2017,38(4):32-38.

WEI Ping, ZHANG Lin, LIU Xiang, et al. Detecting method of foreign fibers in seed cotton using double illumination imaging[J]. Journal of Textile Research,2017,38(4):32-38.

[15] 尹中信, 王全良. 機(jī)器視覺系統(tǒng)中的照明優(yōu)化設(shè)計(jì)[J]. 傳感器與儀器儀表, 2010,26 (3): 129-131.

YIN Zhongxin, WANG Quanliang. Optimal design of illumination in a machine vision system [J]. Sensor and Instrument, 2010, 26 (3): 129-131.

[16] 凌志斌, 鄧超平, 鄭益慧等. 熒光燈光通量波動(dòng)分析[J]. 照明工程學(xué)報(bào), 2003(9): 15-18.

LING Zhibin, DENG Chaoping, ZHENG Yihui, et al. Analysis of light flux fluctuation of [J]. Lighting Engineering, 2003, 9: 15-18.

[17] 劉曙光, 劉明遠(yuǎn). 機(jī)器視覺及其應(yīng)用[J].機(jī)械制造, 2000, 38(7): 20-22.

LIU Shuguang, LIU Mingyuan. Machine vision and its application [J]. Machine Manufacturing, 2000, 38 (7): 20-22.

[18] GUO J, YING Y, CHENG F, et al. Detection of foreign materials on the surface of ginned cotton by hyper-spectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(10): 355-360.

[19] 陸系群, 余英林. 設(shè)計(jì)前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的一種新方法[J]. 華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 1998, 26(1): 112-115.

LU Xiqun, YU Yinglin. A new method for designing the structure of feedforward neural networks [J]. Journal of South China University of Technology (Natural Science Edition), 1998, 26(1): 112-115.

[20] PSICHOGIOS D C, UNGAR L H. SVD-NET: An algorithm that automatically selects network struc-ture[J]. IEEE Trans Neural Networks, 1994, 5(3): 513-515.

Optimizationdesignofmulti-lightsourceforforeignfiberdetectionbasedonclusteringneuralnetwork

DU Yuhong1,2， YANG Chengwu1,2， JIANG Xiuming1,2， LIU Renjie1,2， CAI Wenchao3

(1.TianjinPolytechnicUniversity,Tianjin300387,China; 2.TianjinKeyLaboratoryofModernMechanicalandElectricalEquipmentTechnology,Tianjin300387,China; 3.BeijingDaHengImageVisionCo.,Ltd.,Beijing100085,China)

In order to allow charge-coupled device(CCD) to accurately acquire and process foreign fiber image sand detect multiple types of foreign fibers, a new method based on fuzzy clustering neural network was proposed. By the analysis of the relationship between CCD imaging and the incident light energy, the number of light sources for detecting the multiple types of foreign fibers was determined; the exposure amount function of the CCD target surface was established, and the optimum light source position for detection was determined. Finally, the light distribution and average gray level of the background image for the CCD plate were analyzed by the parametric equation of the images, and by means of fuzzy clustering analysis, considering all the information of the input values, a fuzzy clustering neural network of the multiple type of light sources was established to perform optimization design of the light sources. The design result shows that the best detection position is that the foreign fiber is in the center position, the number of the light sources is 10, and the distance on both sides of the light source is 3 mm; and the neural network convergence error reaches the expected value, and the foreign fiber detection rate reaches 94.79%, meeting the requirements of actual production.

foreign fiber detection; optimization design of light source; charge-coupled device; fuzzy cluster analysis

TP 391.41

A

10.13475/j.fzxb.20161004909

2016-10-17

2017-05-24

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展(973)計(jì)劃項(xiàng)目(2010CB334711)；國(guó)家自然科學(xué)青年基金項(xiàng)目(51205288)；天津市科委面上基金項(xiàng)目(13jcybjc15900)

杜玉紅(1974—)，女，教授，博士。主要研究方向?yàn)閳D像處理及模式識(shí)別、異纖檢測(cè)。E-mail：dyh202@163.com。