師紅宇，任小玲

（西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710048）

0 引言

棉花是紡織企業(yè)加工處理的原材料，在原棉加工過(guò)程中由于很多原因混入了多種異性纖維，這些混入原棉中的異性纖維，容易被打碎成散落單纖維，在紡織加工中難以清除。它會(huì)對(duì)紡織企業(yè)產(chǎn)品的質(zhì)量造成不良影響,從而影響企業(yè)的經(jīng)濟(jì)效益。因此，在紡織企業(yè)中異性纖維檢測(cè)和剔除是必備的工序內(nèi)容之一[1-4]。大部分棉紡織企業(yè)普遍采用人工分揀方式來(lái)分離異性纖維，但是這些操作非常耗時(shí)，勞動(dòng)強(qiáng)度大，可靠性又低。為了解決棉花異性纖維的困擾，國(guó)內(nèi)外科學(xué)家已經(jīng)對(duì)異性纖維檢測(cè)進(jìn)行了多年研究，并已經(jīng)取得了很多成果，采用的主要技術(shù)包括超聲波技術(shù)、光電感應(yīng)技術(shù)、機(jī)器視覺(jué)技術(shù)等[5-8]。超聲波技術(shù)只能檢測(cè)面積較大的異性纖維且速度較慢；光電感應(yīng)技術(shù)只能檢測(cè)有色異性纖維；常規(guī)的機(jī)器視覺(jué)技術(shù)對(duì)細(xì)小的異性纖維以及與棉纖維顏色相近的異性纖維的檢測(cè)效果還不夠理想。

隨著計(jì)算機(jī)技術(shù)和光電檢測(cè)技術(shù)的發(fā)展，基于自動(dòng)視覺(jué)檢測(cè)（Automated Visual Inspection，簡(jiǎn)稱(chēng)AVI）已經(jīng)廣泛地應(yīng)用于棉花異性纖維的識(shí)別。其中，獲取高質(zhì)量圖像、快速圖像處理、提取有效特征、正確識(shí)別目標(biāo)以及測(cè)量結(jié)果的精確性等都是目標(biāo)檢測(cè)的關(guān)鍵因素[9-10]。

圖像分割[11-12]是圖像處理和AVI 系統(tǒng)的核心，也是圖像分析和模式識(shí)別的前提。圖像分割的目的就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過(guò)程。在AVI 系統(tǒng)方面已經(jīng)有很多學(xué)者作了大量深入的研究，取得了一些成果。然而這些方法識(shí)別效率越高，其復(fù)雜度也越高。在線檢測(cè)中，快速而精確的圖像分割方法是圖像處理的重要環(huán)節(jié)。圖像分割和處理的精確性經(jīng)常會(huì)受到光源變化的影響，為了提高圖像處理的準(zhǔn)確性和精確性，需要研究新圖像分割方法。

本文提出了一種基于機(jī)器視覺(jué)的棉花異性纖維識(shí)別新方法，可以避免光源影響。

1 原理和方法

1.1 基本原理

彩色圖像的分割必須選擇合適的顏色模型和有效的分割方法。顏色模型的選擇是棉花圖像處理的第一步；合適的顏色模型不僅可以節(jié)省計(jì)算量，而且可以增強(qiáng)圖像處理能力[13]。

RGB顏色模型是圖像處理中最基本、最常用的顏色模型。RGB模型可以采用笛卡爾空間坐標(biāo)來(lái)表示，如圖1所示。在RGB彩色空間坐標(biāo)內(nèi)可以計(jì)算出任一顏色。

圖1 RGB顏色模型Fig.1 RGB color model

1.2 圖像采集

圖像采集系統(tǒng)是整個(gè)實(shí)驗(yàn)系統(tǒng)中最重要的一部分，如圖2所示。該系統(tǒng)包括一個(gè)攝像頭，三個(gè)光源，和一臺(tái)計(jì)算機(jī)。為了提高檢測(cè)精度，由專(zhuān)業(yè)技術(shù)人員布置含異性纖維的原棉樣品，大小為550 mm寬，5 mm厚。采用CCD彩色攝像機(jī)（TELEDYNE DALSA）采集圖像，通過(guò)USB將圖像傳輸?shù)接?jì)算機(jī)。

圖2 圖像采集系統(tǒng)Fig.2 Image acquisition system

圖3 為該實(shí)驗(yàn)系統(tǒng)所采集的彩色示例圖像。其中包含棉花莖、葉子和種子。由于CMOS感光度的差異性，原始圖像往往含有大量噪聲。這些原始圖像必須要進(jìn)行灰度校正、濾波等預(yù)處理。

由于不同異性纖維的閾值不同，棉花的三通道彩色圖像可以用來(lái)檢測(cè)異性纖維。首先將采集的原始圖像在RGB顏色模型中分解，獲得棉花異性纖維的三通道彩色圖像，再將其轉(zhuǎn)化為灰度圖像。如圖4所示，R通道圖像中葉子顯示明顯，G和B通道圖像棉花莖和種子顯示明顯。這些異性纖維的檢測(cè)可以通過(guò)在通道圖像設(shè)置不同的閾值來(lái)實(shí)現(xiàn)。在本文中，三通道灰度圖像的預(yù)處理是相同的。下面僅以B通道的灰度圖像作為樣本來(lái)介紹。

圖3 原棉異纖RGB圖像Fig.3 Cotton foreign fibers RGB image

圖4 R、G和B通道的灰度圖像Fig.4 Gray images of R, G and B channels

圖像采集系統(tǒng)的光源通常采用白熾燈。由于光源驅(qū)動(dòng)電壓的不穩(wěn)定，導(dǎo)致采集的棉花圖像光照不均勻。為了提高識(shí)別的正確性和精度性，圖像的光照度需要進(jìn)行校正。因此，本文利用二維伽馬函數(shù)[14]，解決圖像光場(chǎng)照度不均勻的校正問(wèn)題。圖5為校正后的B通道圖像。

1.3 圖像分割及效果

棉花圖像由背景圖像、前景圖像和邊界區(qū)域三部分組成。本文采用大律法進(jìn)行圖像分割。按照閾值把直方圖分為兩類(lèi)。圖6為大律法分割后的B通道圖像。棉花樣本中的棉葉，棉莖和棉籽都可以被檢測(cè)出來(lái)。

圖5 校正后B通道圖像Fig.5 B channel image after correction

圖6 分割后B通道圖像Fig.6 B channel image after segmentation

在此基礎(chǔ)上，采用形態(tài)學(xué)開(kāi)運(yùn)算濾波[15]，消除結(jié)構(gòu)元素較小的明亮細(xì)節(jié)，保持整個(gè)圖像的灰度值和較大的明亮區(qū)域。濾波后的B通道圖像如圖7所示。圖像經(jīng)過(guò)預(yù)處理，去除了大部分噪聲。

最后，再對(duì)三通道圖像進(jìn)行融合操作，融合結(jié)果如圖8所示。原棉樣品中的異性纖維，包括葉子、棉莖和棉籽都能被正確地檢測(cè)出來(lái)，同時(shí)還可以有效地識(shí)別出棉籽。本文提出的算法和模型可以在線識(shí)別原棉中的異性纖維。其檢出率大于95%。

圖7 濾波后的B通道圖像Fig.7 B channel image after filtration

圖8 三通道融合圖像Fig.8 Fusion image of three channel images

2 結(jié)論

原棉加工過(guò)程中由于很多原因混入了多種異性纖維，這些混入原棉中的異性纖維，容易被打碎成散落單纖維，在紡織品加工中難以清除。它會(huì)對(duì)紡織企業(yè)產(chǎn)品的質(zhì)量造成不良影響,從而影響企業(yè)的經(jīng)濟(jì)效益。為此，本文提出了一種基于機(jī)器視覺(jué)識(shí)別原棉異性纖維的新方法。由于光源驅(qū)動(dòng)電壓的不穩(wěn)定性，導(dǎo)致采集的棉花圖像光照不均勻，嚴(yán)重影響異性纖維識(shí)別效果。為了保證識(shí)別的準(zhǔn)確性和精確性，需要對(duì)圖像的光照度進(jìn)行校正處理。本文首先采用二維伽馬函數(shù)解決圖像光場(chǎng)照度不均勻問(wèn)題；再采用大律法對(duì)圖像進(jìn)行分割；最后對(duì)三通道圖像信息進(jìn)行融合操作，原棉樣品中的異性纖維能被正確地檢測(cè)出來(lái)，同時(shí)棉籽也能被有效地識(shí)別出來(lái)。整個(gè)測(cè)量系統(tǒng)的檢出率大于95%。實(shí)驗(yàn)結(jié)果表明：檢測(cè)系統(tǒng)能夠滿足原棉工業(yè)應(yīng)用的需求。

[1] 姚穆. 關(guān)于中國(guó)“紡織質(zhì)量”之淺見(jiàn)[J]. 中國(guó)紡織, 2016(2):33.

[2] 汪雪野, 謝標(biāo). 全球有機(jī)棉發(fā)展現(xiàn)狀及展望[J]. 江蘇農(nóng)業(yè)科學(xué), 2016, 44(1): 21-25.

[3] Strolz H M. ITMF cotton contamination survey 1999 [A].Cotton Conf in Texas USA. Los Angeles, USA: WorldTextile Publications Ltd, 2000: 63-67.

[4] 魏守軍, 唐淑榮, 匡猛, 等. 棉花產(chǎn)品質(zhì)量安全與風(fēng)險(xiǎn)評(píng)估研究進(jìn)展[J]. 棉花學(xué)報(bào), 2017, 29(增刊): 89-99.

[5] 陳亞軍, 張二虎, 牟永強(qiáng). 基于空間模型及連通域分析的異纖維在線檢測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用, 2013, 49(19):162-166.

[6] 張志強(qiáng), 張?zhí)t, 刁琦, 等. 一種改進(jìn)GA神經(jīng)網(wǎng)絡(luò)棉花雜質(zhì)檢測(cè)算法[J]. 電子設(shè)計(jì)工程, 2017, (01): 22-26.

[7] 杜玉紅, 王加富, 蔣秀明, 等. 應(yīng)用聚類(lèi)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.

[8] 劉建橋, 葉俊勇. 基于機(jī)器視覺(jué)的輕軌軌道梁晃動(dòng)檢測(cè)[J].新型工業(yè)化, 2011, 1(5): 37-41.

[9] 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.

[10] 師紅宇, 管聲啟. 基于視覺(jué)注意計(jì)算模型的棉花異性纖維檢測(cè)[J]. 東華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 42(3): 400-405.

[11] 楊玚, 謝華成. 基于馬爾科夫隨機(jī)場(chǎng)與模擬退火算法的圖像分割[J]. 軟件, 2015, 36(4): 40-43.

[12] 楊達(dá), 王孝通, 徐冠雷, 等. 一種基于圖像分割和圖像拼接技術(shù)的全天空云量估計(jì)方法[J]. 新型工業(yè)化, 2014, 4(8):15-21.

[13] 楊康葉, 鄔春學(xué). 基于RGB模型顏色相似性的彩色圖像分割[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2013, 22(3): 128-131.

[14] 劉志成, 王殿偉, 劉穎, 等. 基于二維伽馬函數(shù)的光照不均勻圖像自適應(yīng)校正算法[J]. 北京理工大學(xué)學(xué)報(bào), 2016,36(2): 91-96.

[15] 王躍勇, 于海業(yè), 劉媛媛, 等. 基于形態(tài)學(xué)圖像檢測(cè)的機(jī)械手移栽穴苗識(shí)別技術(shù)[J]. 光學(xué)精密工程, 2016, 24(3):651-658.