牟新剛， 蔡逸超， 周 曉， 陳國良

(武漢理工大學(xué) 機電工程學(xué)院， 湖北 武漢 430070)

筒子紗是紡紗廠絡(luò)筒工序的產(chǎn)出品，其質(zhì)量直接影響后道工序的生產(chǎn)，并最終影響紡織品的質(zhì)量。受生產(chǎn)工藝的設(shè)定、設(shè)備清潔維護不到位、原材料質(zhì)量等因素限制，筒子紗可能會存在缺陷[1]。其中，比較常見且影響較大的筒子紗缺陷有菊花芯、多層臺、網(wǎng)紗、多源紗等。多源紗缺陷主要由原材料質(zhì)量不均勻造成的[2]；多層臺缺陷主要成因是工藝設(shè)定不恰當而造成筒子紗大幅度滑移；網(wǎng)紗缺陷主要是由于設(shè)備清潔維護不到位造成的，如槽筒回頭點損傷、不光滑或溝槽內(nèi)有銹點[3]；生產(chǎn)工藝設(shè)定不恰當(如紗線卷繞張力偏小、接觸壓力不合適)和原材料質(zhì)量不合格(如紗線回潮嚴重、紙管偏心嚴重)都可能形成菊花芯缺陷。

針對筒子紗各種缺陷，目前主要的檢測辦法有人工檢測、自動化設(shè)備檢測以及檢測儀器和人工相結(jié)合。人工檢測效率低，準確率依賴于工人受訓(xùn)練程度，難以保證；而自動化檢測設(shè)備主要依賴進口，不利于添加新的缺陷識別功能。為提高筒子紗缺陷的檢測效率和準確率，自主研發(fā)一套筒子紗缺陷自動化檢測系統(tǒng)具有重要意義。自動化檢測系統(tǒng)不僅可提高檢測效率，而且能降低人工檢測的成本。

目前，針對筒子紗的檢測儀器采用的原理主要分為機械方法、傳感器的方法和機器視覺[4]方法。設(shè)計設(shè)備時，根據(jù)所檢測筒子紗缺陷的表現(xiàn)形式的先驗知識來選取適合的檢驗方法。例如：筒子紗密度計、筒子紗硬度計設(shè)計基于機械方法；斷紗檢測器基于光電傳感器[5]；筒子紗回潮率測試儀基于濕敏傳感器實現(xiàn)。多層臺、菊花芯、網(wǎng)紗和多源紗等筒子紗缺陷在視覺上表現(xiàn)明顯，宜采用機器視覺的方法。本文針對筒子紗的上述幾種常見缺陷，提出了相應(yīng)的缺陷檢測算法，并且設(shè)計了一種基于機器視覺的筒子紗缺陷在線檢測系統(tǒng)。

1 系統(tǒng)的組成和工作原理

筒子紗缺陷檢測系統(tǒng)基于機器視覺技術(shù)和圖像處理方法實現(xiàn)，其組成如圖1所示。系統(tǒng)自動采集筒子紗的圖像，并通過圖像處理和針對筒子紗紋理的目標識別來判斷筒子紗是否具有某種缺陷。系統(tǒng)由傳送帶、筒子紗、相機組、對照式光電開關(guān)、光源組、工控機組成。

圖1 檢測系統(tǒng)的組成Fig.1 Composition of detection system

光源組選取集成LED條形光源，確保光源相應(yīng)速度以縮短圖像采集流程的時間。光線經(jīng)過一層磨砂玻璃散射，使光線以接近相同的亮度和方向照射，確保光源均勻。

當待檢筒子紗到達系統(tǒng)工作位置后，遮蔽對照光電開關(guān)的投光光束，進入受光器的光量減少到標準以下，光電開關(guān)發(fā)出開關(guān)信號量[6]。系統(tǒng)收到開關(guān)量后，各組相機與光源按照設(shè)置好的時序配合完成圖像采集的過程。圖像采集完成后，采用相應(yīng)的算法對圖像進行處理，判斷筒子紗是否存在缺陷并輸出結(jié)果。

2 圖像采集

在圖像采集過程中，筒子紗作為一個運動目標隨傳送帶一起運動。為采集到清晰的圖像且避免運動模糊，選取相機時需要綜合考慮分辨率和相機的采樣速度[7]。本文系統(tǒng)選用的相機型號均為MER-125-30UM，分辨率為1 292像素×964像素，傳感器像元為3.75 μm×3.75 μm。相機支持多級采集速度可調(diào)，高速模式下最小曝光時間可達19.875 μs。鏡頭選用C125-0618-5 M型6 mm和FL-CC0 814 A-2M型12 mm。其中12 mm鏡頭用于采集筒子紗頂面圖像，6 mm鏡頭用于采集筒子紗側(cè)面圖像。

試驗樣品標準筒子紗的高度為20 cm，最大直徑為24 cm。在采集到的筒子紗圖像中，選取使筒子紗所成像占圖像的3/4高度。依據(jù)中心成像原理，分別計算并確定頂面和側(cè)面2個相機與筒子紗的標準工作距離，計算公式為

(1)

式中：u為像元大??；N為物體成像在單個方向所占的像素數(shù)目；f為相機焦距；l為物體在對應(yīng)方向上的實際尺寸；d為待求的相機鏡頭與被測物體的距離。

根據(jù)以上參數(shù)確定相機的安裝位置：頂面相機與筒子紗頂面的距離為110 cm，鏡頭光心與筒子紗中心同軸；側(cè)面相機與筒子紗的距離為50 cm，鏡頭光心對準筒子紗側(cè)面中心。按照系統(tǒng)的設(shè)置，筒子紗位置偏離標準位置4 cm之內(nèi)，不同機器生產(chǎn)的筒子最大直徑不超過32 cm，系統(tǒng)均能采集完整的筒子紗圖像，不影響缺陷識別的準確度。

通過調(diào)節(jié)光源的亮度等級，設(shè)置正常模式和過曝光模式。將2種圖像采集模式分別用于采集筒子紗的輪廓和紋理圖像。由于曝光時間太長會降低相機的采樣速率，圖像會產(chǎn)生拖影，曝光時間太短容易使圖像產(chǎn)生超出容許范圍的大量噪聲，采集到清晰的圖像；因此，需要對相機的曝光時間進行設(shè)計。根據(jù)中心成像原理，曝光時長應(yīng)綜合鏡頭焦距、待測物體距離及物體運動速度等多個因素考慮，其計算公式為

(2)

式中：t為曝光時長；u為像元大?。籲為容許的最大拖影像素寬度；d為待測物距；f為鏡頭焦距；v為物體運動速度。

在該系統(tǒng)中，傳送帶的速度v為0.15 m/s，為保證紗線紋理清晰，取n為2個像素。計算曝光時間應(yīng)少于4.1 ms。最終，設(shè)定相機在2種拍照模式下的曝光時間均為3 ms，通過調(diào)節(jié)LED光源亮度實現(xiàn)過曝和正常圖像采集。系統(tǒng)采集到的原始圖像如圖2所示。

圖2 原始圖像Fig.2 Original image. (a) Overexposure image of side surface; (b) Normal image of top surface; (c) Overexposure image of top surface

3 圖像處理

筒子紗常見的幾種缺陷都有其鮮明的特征：多層臺缺陷表現(xiàn)為側(cè)面輪廓不連續(xù)；菊花芯、網(wǎng)紗、多源紗等缺陷表現(xiàn)為其頂面的紋理特征模式異于正常筒子紗，并各有其特點。根據(jù)這些先驗知識，分別處理側(cè)面圖像與頂面圖像以識別不同缺陷。圖像處理過程的整體流程如圖3所示。

3.1 側(cè)面圖像處理

多層臺缺陷表現(xiàn)為筒子紗側(cè)面輪廓的間斷不連續(xù)。首先，對側(cè)面過曝圖像進行輪廓提取。然后分析提取的輪廓特征，判斷筒子紗是否有多層臺缺陷。

3.1.1側(cè)面輪廓提取

為提取筒子紗輪廓，首先需要對圖像進行分割。圖像閾值化分割是一種常用的圖像分割方法，實現(xiàn)簡單，計算量小，性能穩(wěn)定。為提取目標，首先采用閾值分割確定筒子紗的像素區(qū)域?？紤]到保證低的時間復(fù)雜度以及不均勻光照下分割的魯棒性，經(jīng)過測試，最大類間方差法(OTSU)是最合適的閾值分割方法。原始圖像經(jīng)過閾值分割后的二值圖如圖4(a)所示。

檢測多層臺缺陷所需要的特征是筒子紗側(cè)面的輪廓線特征，由于筒子紗與背景之間相較于筒子紗表面紋理的灰度值差異較大，因此，采用梯度邊緣來進行分割目標。分割筒子紗側(cè)面圖像需要強化垂直方向邊緣，采用水平方向的索貝爾(Sobel)梯度算子[8]，邊緣檢測結(jié)果如圖4(b)所示。截取投影曲線正負峰值之間的寬度區(qū)域，原圖高度的一半得到側(cè)面的感興趣區(qū)域，見圖4(c)。

圖3 圖像處理流程Fig.3 Image processing flow chart

圖4 側(cè)面目標的提取結(jié)果Fig.4 Extraction results of sides. (a) Segmentation by OTSU; (b) Gradient image of side image and its horizontal projection; (c) Side contour of yarn cone

3.1.2多層臺缺陷識別

多層臺缺陷表現(xiàn)在側(cè)面輪廓出現(xiàn)斷層，以分割出的側(cè)面輪廓區(qū)域為目標，分析其側(cè)面輪廓是否連續(xù)。在側(cè)面圖像的分割結(jié)果中，找到輪廓曲線的左右兩邊曲率最大的位置作為筒子紗側(cè)邊線的起止點，如圖5(a)所示，AB為側(cè)面輪廓區(qū)域。以AB為起點，AB中點為初始的終點(記為C)，使用最小二乘法擬合。設(shè)A,B,C點的x方向坐標分別為xA,xB,xC，考慮選取常數(shù)a、b，擬合直線的形式為y=ax+b，有：

(3)

(4)

Ei=|ax+b-yi|

(5)

式中：xA和xC分別為輪廓線的起點和終點；i為投影的橫坐標值；yi為曲線對應(yīng)的高度；Ei為擬合直線在i處的差值。

圖5 輪廓線擬合Fig.5 Outline fitting. (a) Starting and ending points of outline; (b) Fitting result

若i處差值大于給定的門限值視該點為偏差點，偏差點過多則將樣本區(qū)間縮短，直至找到最優(yōu)擬合直線，BC段的直線擬合方法與AC段完全類似。擬合完成后，若2段擬合直線的累積誤差之和超出門限，則認為有多層臺缺陷，圖5(b)示出擬合結(jié)果。

3.2 頂面圖像處理

在頂面分別采集了過曝模式和正常模式的圖像，其中過曝模式圖像用于確定筒子紗中心位置及半徑大小。然后，通過筒子紗位置參數(shù)將頂面正常模式圖像展開為極坐標圖，并提取目標區(qū)域用于缺陷識別。

3.2.1頂面目標區(qū)域提取

頂部相機采集的圖像中，筒子紗呈圓環(huán)狀，不利于后續(xù)對筒子紗紋理的分析，為此，利用相位相關(guān)和極坐標變換相結(jié)合的方法[9]，將筒子紗頂面圖像從笛卡爾坐標系轉(zhuǎn)換到極坐標系。

首先，使用OTSU方法對頂面過曝圖像進行閾值化處理，之后可大致分割出筒子紗的區(qū)域。通過計算筒子紗的零階和一階幾何矩初步確定筒子紗中心，將頂面過曝圖進行極坐標展開以確定筒子紗的筒芯半徑和筒子紗整體半徑。然后，將頂面正常圖進行極坐標展開。最后，頂面正常圖像的展開圖中，按照筒芯半徑和筒子紗整體半徑確定筒子紗的頂面區(qū)域。

3.2.2頂面缺陷識別

菊花芯缺陷識別過程中，將展開圖在垂直方向進行投影。然后將投影曲線多次低通濾波，得到平滑的曲線，再用投影曲線與平滑曲線做差得到局部峰值圖，將局部峰值低通平滑后，刪除間隔過短與峰值過低的尖峰，如圖6(a)所示。

圖6 頂面缺陷識別Fig.6 Top surface defects recognition. (a) Recognition of core yarn defects; (b) Recognition of net yarn defects; (c) Recognition of multi-source defects

網(wǎng)紗缺陷的筒子紗，其頂面分布有雜線。雜線在展開圖中表現(xiàn)為存在非切向的邊緣，可使用水平方向的高斯濾波器對展開圖進行處理并與展開圖作差，然后計算局部方向直方圖[10]。若可信度參數(shù)滿足條件，并且主梯度方向偏離垂直方向較大則判斷為網(wǎng)紗缺陷，識別過程如圖6(b)所示。

為識別多源紗缺陷，將頂面紋理展開圖水平方向進行投影。分析投影曲線中對應(yīng)筒子紗頂面紋理部分的曲線特征，計算平均偏差，根據(jù)偏差值判斷是否為多源紗,如圖6(c)所示。

4 實驗結(jié)果分析

本文實驗選取Win10操作系統(tǒng)的工控機為平臺，硬件配置為英特爾i7，算法運行環(huán)境為VS2015。經(jīng)多次實驗測試，單張圖像的采集時間約為4.5 ms；圖像處理分析耗時約為290 ms。其中：多層臺識別耗時48.9 ms；菊花芯識別耗時62.3 ms；網(wǎng)紗識別耗時126.7 ms；多源紗識別耗時51.3 ms；單個筒子紗的完整檢測過程用時約為320 ms。按照傳送帶0.15 m/s的運動速度，前后2個筒子紗間距為1 m，本文系統(tǒng)滿足在線檢測的要求。

為驗證本文提出的紋理缺陷檢測方法的可行性，選取正常無缺陷以及有以上待檢缺陷的多個樣品進行測試。采集樣本的頂面與側(cè)面圖像，接著對圖像進行閾值化處理，提取檢測目標區(qū)域，針對各種缺陷對目標區(qū)域進行分析。

多層臺缺陷檢測時首先采集筒子紗側(cè)面輪廓圖，圖7(a)、(d)分別為正常筒子紗和多層臺缺陷的原始圖像；然后提取檢測的目標區(qū)域，如圖7(b)、(e)所示；接著對目標區(qū)域進行分析，圖7(c)、(f)分別示出正常筒子紗和多層臺缺陷筒子紗的檢測結(jié)果。

圖7 多層臺缺陷檢測結(jié)果Fig.7 Detecting results of multilayer defects. (a) Normal yarn cone; (b) Extraction result of normal yarn cone; (c) Fitting result of normal yarn cone; (d) Multilayer yarn cone; (e) Extraction result of multilayer yarn cone; (f) Fitting result of multilayer yarn cone

菊花芯檢測實驗中，采集頂面過曝的輪廓圖和頂面的紋理圖像。輪廓圖用于確定筒子紗中心，紋理圖用于識別缺陷。圖8示出菊花芯缺陷檢測結(jié)果。

圖8 菊花芯缺陷檢測結(jié)果Fig.8 Detecting results of core yarn defects. (a) Curly core yarn cone; (b) Normal yarn cone; (c) Polar image of curly core yarn cone; (d) Polar image of normal yarn cone; (e) Local peak of curly core yarn cone; (f) Local peak of normal yarn cone

如圖8所示，分析局部峰值圖尖峰的數(shù)目，正常筒子紗的尖峰數(shù)目為4，菊花芯筒子紗尖峰數(shù)目為20，遠大于正常筒子紗，檢測結(jié)果符合實際缺陷。

網(wǎng)紗檢測時，采集的正常筒子紗和網(wǎng)紗的紋理圖像如圖9(a)、(b)所示，極坐標展開圖如圖9(c)、(d)所示。 最終檢測結(jié)果如圖9(e)、(f)所示，黑色區(qū)域標記表示雜線形成非水平方向的強邊緣。

圖9 網(wǎng)紗缺陷檢測結(jié)果Fig.9 Detecting results of net yarn defects. (a) Normal yarn cone; (b) Net yarn cone; (c) Polar image of normal yarn cone; (d) Polar image of net yarn cone; (e) Detecting result of normal yarn cone; (f) Detecting result of net yarn cone

識別單源紗與多源紗時，采集筒子紗頂面的紋理圖與輪廓圖。多源紗缺陷在灰度圖像中表現(xiàn)為筒子紗頂面紋理因棉紗原材料不純而造成紗層之間的顏色差異，如圖10(a)為單源紗紋理，圖10(b)為多源紗紋理。圖10(c)、(d)分別為對應(yīng)的展開圖;圖10(e)、(f)分別為單源紗與多源紗在水平方向上的投影，在筒芯到筒子紗外沿的半徑范圍，單源紗的平均偏差只有1.8，而多源紗的平均偏差高達8.4。

5 結(jié) 論

本文設(shè)計了一種基于機器視覺的筒子紗缺陷在線檢測系統(tǒng)。該系統(tǒng)利用對照式光電開關(guān)判斷筒子紗到達指定位置，程控條形光源配合工業(yè)相機組對筒子紗各方向進行采集。針對筒子紗常見且影響較大的多層臺、菊花芯、網(wǎng)紗、多源紗等缺陷，本文提出了相應(yīng)的檢測算法。實驗檢測結(jié)果與實際缺陷特征具有良好的一致性。在實際在線檢測過程中，本文系統(tǒng)能有效地針對筒子紗的多層臺、菊花芯、網(wǎng)紗、多源紗缺陷進行實時識別檢測，具有其工程實際意義。

[1] 郁崇文. 紡紗工藝設(shè)計與質(zhì)量控制[M]. 北京：中國紡織品出版社，2005：3-20.

YU Chongwen. Spinning Process Design and Quality Control[M]. Beijing: China Textile & Apparel Press, 2005：3-20.

[2] 蔡杰. 基于小浴比筒子紗染色過程的pH值控制方法研究[D]. 廣州：華南理工大學(xué)，2012：1-30.

CAI Jie. Research on pH control method based on small bath ratio dyeing process[D]. Guangzhou: South China University of Technology, 2012：1-30.

[3] 陳航，楊緒美. 筒子紗常見疵點成因及預(yù)防[J]. 棉紡織技術(shù), 2012, 40(7):53-55.

CHEN Hang, YANG Xumei. Prevention and reasons of cheese yarn frequent defects[J]. Cotton Textile Technology, 2012, 40(7):53-55.

[4] 劉曙光，屈萍鴿，費佩燕. 機器視覺在紡織檢測中的應(yīng)用[J]. 紡織學(xué)報, 2003, 24(6):89-91.

LIU Shuguang, QU Pingge, FEI Peiyan. Applications of machine vision in textile inspection[J]. Journal of Textile Research, 2003, 24(6):89-91.

[5] 宋曉亮，劉建立，徐陽. 光電式環(huán)錠斷紗在線檢測系統(tǒng)[J]. 紡織學(xué)報, 2014, 35(8):94-98.

SONG Xiaoliang, LIU Jianli, XU Yang. On-line detecting system based on optoelectronic technology for ring spun-yarn breakage[J]. Journal of Textile Research, 2014, 35(8):94-98.

[6] 吳金鴻，張連中，劉麗娜. 光電開關(guān)及其應(yīng)用[J]. 電子設(shè)計工程, 2001, 1(5):14-18.

WU Jinhong, ZHANG Lianzhong, LIU Lina. Photoelectricity switch and its application[J]. Electronic Design Engineering, 2001, 1(5):14-18.

[7] 劉煥軍，王耀南，段峰. 機器視覺中的圖像采集技術(shù)[J]. 電腦與信息技術(shù), 2003(1):18-21.

LIU Huanjun, WANG Yaonan, DUAN Feng. Image acquisition technology in machine vision[J]. Computer and Information Technology, 2003(1):18-21.

[8] HUANG Longjun, LIU Qinghua, TANG Jie. Scratch line detection and restoration based on Sobel oper-ator[J]. International Journal of Grid and Utility Computing, 2015, 6(2): 67-73.

[9] 曉衛(wèi)，李登輝，楊鑫. 面積-極坐標變換在光學(xué)相關(guān)目標識別中的應(yīng)用[J]. 光學(xué)與光電技術(shù)，2016，14(5):78-83.

XIAO Wei, LI Denghui, YANG Xin. Application of area polar coordinate transform in optical correlation target recognition[J]. Optics & Optoelectronic Technology, 2016, 14(5):78-83.

[10] 李春雷，高廣帥，劉洲峰. 應(yīng)用方向梯度直方圖和低秩分解的織物疵點檢測算法[J]. 紡織學(xué)報，2017，38(3):149-154.

LI Chunlei, GAO Guangshuai, LIU Zhoufeng. Fabric defect detection algorithm based on low rank decomposition using directional gradient histogram[J]. Journal of Textile Research, 2017, 38(3):149-154.