巫瑩柱， 單穎法， 黃伯熹， 林廣茂， 梁家豪， 張曉利

(1. 五邑大學 紡織材料與工程學院， 廣東 江門 529020； 2. 廣東檢驗檢疫技術中心， 廣東 廣州 510623)

未來新型紡織檢測技術的發(fā)展趨勢是數字智能化，采用先進的圖像處理技術，并根據各纖維的特征參數進行鑒別分類。由于新型聚酯纖維聚對苯二甲酸丙二醇酯(PTT)和聚對苯二甲酸丁二醇酯(PBT)的化學結構極其相似，物化性能接近，其含量測定是檢測行業(yè)的難題。目前最有效的檢測方法是熔融顯微投影法[1]，該方法只需測定各組分纖維的等效直徑、密度和根數即可計算出各纖維組分的含量。

但熔融顯微投影法無法實現纖維的智能識別和根數自動統(tǒng)計，SN/T 4752—2017《進出口紡織品 聚酯纖維定量分析方法 熔融/纖維投影法》規(guī)定需要統(tǒng)計、測定1 000根纖維以上的規(guī)格參數，導致檢驗工作量大，效率低、人工分類判斷錯誤率較高，使得這些檢驗方法實際應用比較困難。為解決該難題，本文首先對混合均勻的纖維進行顯微拍照并進行圖像處理，實現交叉纖維交點的識別，再提取纖維等效直徑、色度以及伸直度作為纖維種類識別的3個特征值，采用BP神經網絡智能識別技術以及熔融顯微投影法，對PTT纖維和PBT纖維進行定性和定量分析。

1 實驗材料及儀器

儀器：Y172型哈氏切片器(太倉紡織儀器廠)，AL204型電子天平(梅特勒-托利多)，SHZ-D(Ⅲ)型循環(huán)水式真空泵(上海東璽制冷儀器設備有限公司)，LeicaDM2700P型偏光顯微鏡(卡爾蔡司)。

2 圖像采集

2.1 纖維樣品的制備

采用哈氏切片器分別將PTT和PBT 2種纖維長絲紗切成長度為0.10～0.25 mm的纖維碎片，按質量比為4∶6或3∶7配制成混合樣品。為了使PTT纖維和PBT纖維分散成均勻的單根纖維狀態(tài)，將混合纖維樣品放入質量分數為5%的氫氧化鈉溶液中表面去油，并作超聲波分散處理；最后經抽濾、烘干[2]。

2.2 圖像提取

隨機夾取少量混合均勻的纖維樣品，均勻分散到蓋玻片上，再加蓋一塊蓋玻片，將蓋玻片移至偏光顯微鏡的樣品臺上，拍照獲得PTT纖維和PBT纖維的混合圖像。

3 圖像處理過程

計算機在進行視覺識別中使用的是二值圖像，而數字攝像機拍攝得到的圖像為RGB彩色圖像。為了將其轉化為二值圖像，首先需要把彩色圖像轉化為灰度圖像，再采用Otsu算法[3]對圖像進行處理，Otsu算法是一種自適應的閾值確定的，按圖像灰度特性，將圖像分成背景和目標二部分的方法，如圖1所示。

圖1 PTT/PBT混紡二值化圖Fig.1 PTT/PBT fiber blended binarization image

在圖像二值化后，為填充輪廓內部的空洞并且使輪廓平滑，本文使用閉運算處理解決輪廓外圍凹凸的現象，種子填充算法[4]解決輪廓內部的空洞。

中值濾波、均值濾波、高斯濾波都是常用的濾波器。經過分析和對比，本文采用高斯濾波器對圖像進行處理，去除高斯噪聲、椒鹽噪聲，得到較好的圖像邊緣[5]。

在上述處理的基礎上，二值化圖像中依舊存在許多面積較大的噪聲。其噪聲主要來源有2個，纖維在切片操作中產生的纖維碎片和顯微鏡物鏡不干凈。

三是抓好帶頭人隊伍建設，增強黨組織凝聚力。首要的是按照“政治素質高、黨務工作熟、經濟工作通、協調能力強”的標準，配好配強非公有制經濟組織黨組書記或黨務干部，把黨組織帶頭人隊伍建設起來。然后提高他們與經濟組織出資人聯絡溝通、謀劃黨建工作、組織開展黨建活動、做思想政治工作和協調處理矛盾問題等方面的能力，讓黨組織帶頭人隊伍強大起來，把黨組織建設成為團結帶領非公有制經濟組織貫徹黨的理論、路線方針政策和落實黨的任務的戰(zhàn)斗堡壘。

經對比分析，噪聲的輪廓面積與纖維的輪廓面積的差異區(qū)分明顯，因此，本文采用以輪廓面積4 000為閾值，對二值化圖像中的每個外輪廓都進行檢測，計算每個外輪廓的面積，當外輪廓面積低于4 000時，則認為該輪廓為噪聲[6]，處理結果如圖2所示。

圖2 高斯及面積濾波處理后圖像Fig.2 Gaussian and area filter processing image

4 交叉纖維的分離及自動統(tǒng)計

4.1 交叉纖維的細化

本文利用Zhang-suen算法[7]對預處理后的圖像進行細化處理，將纖維圖像轉化成線寬僅為單像素圖像，以圖2選中纖維為例進行細化，結果如圖3所示。細化后纖維會出現骨架開叉，產生偽骨架，如圖3(a)所示。為了解決這個問題，本文采用以纖維直徑所占像素的數量為標準，統(tǒng)一圖像尺寸的方法，具體以纖維直徑占像素點數量15為標準，定制圖像的縮放比例。在對圖像進行縮放后，再進行閉運算處理，使輪廓光滑，其中閉運算采用3像素×3像素的矩形模板[6,8]，如圖3(b)所示。

圖3 纖維細化與偽骨架處理效果Fig.3 Fiber refinement and pseudo-skeleton treatment effect.

4.2 交叉纖維骨架的提取

要實現對細化后的纖維進行骨架分段提取，首先需要實現對纖維的端點及交點進行判斷。本文采用細化后圖像八鄰域[9]的像素階躍數來進行判斷，提取到的纖維交點與端點，如圖4所示。其中點1、2和4為端點，點3為交點，其他黑色為普通連通點。

圖4 提取的端點與交點Fig.4 Extracted endpoints and intersection point

提取到端點和交點后，為有序地提取出纖維的骨架段，明確輪廓跟蹤的起點與終點，且不重復跟蹤，本文采用包含骨架輪廓跟蹤算法[10]與纖維骨架分段提取算法的改進型的八臨域輪廓跟蹤算法[6,11]進行處理。同時為了滿足取到正確的分段纖維，本文采用閾值為10，對纖維骨架進行取舍，對閾值小于10的纖維段進行濾波處理。最后纖維骨架提取效果如圖5所示，短的纖維段被裁減，不同的顏色深淺程度代表了不同的纖維段。

圖5 提取出來的纖維分段圖Fig.5 Extracted fiber section

4.3 分段骨架的配對與擬合

在配對過程中，本文首先建立了結構體信息庫，對每段分段骨架進行基本信息的保存，其中基本信息包含有骨架起點與終點的坐標、起點與終點的點類型、起點與終點的斜率；然后，再以某一纖維信息與其他纖維信息進行匹配，對匹配成功后的纖維信息組進行保存；最后，運用最小二乘法對纖維的骨架進行擬合求出分段的纖維的傾斜度[6,11]，本文以分段纖維兩端擬合的方法代替整個分段纖維進行直線型的擬合，交叉纖維匹配擬合效果如圖6所示，配對成功率為100%。

圖6 纖維擬合與配對Fig.6 Fitting and pairing of fiber

5 纖維種類智能識別的特征值提取

5.1 纖維等效直徑

在參考歐拉距離[12]的基礎上，本文首先將分離成功的纖維進行二值化預處理，接著統(tǒng)計二值化后纖維的所有的像素點總數并將其保存，作為纖維的總面積；然后再采用Zhang-suen算法[7]對其細化，再統(tǒng)計細化后纖維骨架的像素點總數并保存下來，作為纖維的長度；最后將纖維總面積除以纖維長度，即為所需獲得纖維等效直徑。

5.2 纖維色度

HSV即一種由色調(H)、飽和度(S)、明度(V)3個參數組合而成顏色模型，是人們從顏色輪或調色板中挑選顏色時常用的彩色系統(tǒng)，HSV的表述方式可近似地模仿人眼的感知，接近人眼感知顏色的方式。在HSV顏色空間中，H值分量對顏色差異比較敏感，能很好地表現PTT纖維和PBT纖維的顏色特性的差異，實現PTT纖維和PBT纖維的識別[13-15]。

在提取H分量時，首先將導入RGB格式的圖片通過MatLab的HSV轉化函數將其轉化為HSV格式[16]。為提高纖維的H值的準確性，以歸一化后的H值為0.6作為分界點，將H值在0.6以下的點進行歸零處理，同時將H值大于或等于0.6的點進行統(tǒng)計和保存，最后把所有大于或等于0.6的點的H值取平均值，即為該纖維色度的H值。

5.3 纖維伸直度

纖維伸直度η，即纖維在纖維主軸的投影長度L′與伸直長度L之比，其可綜合反映纖維長度方向上的彎曲程度[17]。本文對分離成功的纖維先后進行二值化和細化處理，并將細化后的纖維骨架的每點的位置都進行保存，并在二維坐標軸上將纖維呈現出來，如圖7所示。然后將纖維兩端點的直線距離保存下來，即投影長度L′，同時統(tǒng)計纖維所有的像素點總數，即伸直長度L。并由上述定義計算，即可求出纖維伸直度η。

圖7 纖維的彎曲程度Fig.7 Fiber bending degree

6 BP神經元預測網絡的構建與驗證

6.1 BP神經元預測網絡參數設定

目前常用的神經網絡主要有BP網絡、Hopfield網絡、Khoonen網絡等，本文中選用BP網絡模型。BP神經網絡基本拓撲結構如圖8所示，該神經網絡的設計主要有輸入層、輸出層、隱藏層的設計以及傳遞函數的選擇[18]，其中X1、X2、…，Xk為輸入向量，j為隱含層輸入向量，i為隱含層輸出向量，n為隱含層層數，k為輸出層輸入向量，p為輸出層輸出向量，數值0和1分別表示PTT纖維和PBT纖維，為期望輸出向量。

圖8 神經網絡拓撲結構Fig.8 Neural network topology

6.1.1輸入和輸出層的設計

輸入層主要是接收外部的輸入數據，起緩沖儲存器的作用，其節(jié)點數取決于輸入矢量的維數，因此，本文以纖維等效直徑、色度以及伸直度等3個特征值構建了一個節(jié)點數為3的輸入層[19]。

輸出層的節(jié)點數取決于2個方面，輸出數據類型和表示該類型所需的數據大小。在本文中需要鑒別的纖維主要是PBT纖維和PTT纖維，而且在神經網絡訓練時，分別用數值0和1表示PBT纖維和PTT纖維，因此，輸出層的節(jié)點數為1，數值范圍在0～1附近。

6.1.2隱含層的設計

在圖像處理領域中，隱含層神經元數目的選擇是非常復雜的問題，使用過少的神經元數量不能準確地擬合數據的規(guī)律，但使用隱含層的神經元過多，就會產生過擬合的情況，目前沒有理想的解釋模型，常是根據經驗和實驗結果來試湊出隱含層神經元的數量[19-20]。

在參考實驗和經驗的基礎上，當隱含層神經元數設定為19時，MSE值(均方誤差)相對較小，R值(相關系數)相對比較接近于1，效果較理想。綜合上述參數設定結果的神經網絡結構，如圖9所示，其中W為權值，b為閾值。

圖9 神經網絡結構Fig.9 Neural network structure

6.1.3傳遞函數的選擇

選擇激勵函數是構建BP神經網絡的必由之路,本文選擇了TANSIG型[21]，即正切S型傳遞函數，該函數的特點是把神經元的輸入范圍(-∞，+∞)映射到(-1,1)。而且正切Sigmoid函數是可微函數，因此很適合于利用BP算法訓練神經網絡。

6.2 BP神經元預測網絡的訓練

BP神經網絡的訓練過程分為2個階段。

第1個階段是輸入已知訓練樣本，通過設置的網絡結構和前一次迭代的權值和閾值，從網絡的第1層向后計算各神經元的輸出。

第2個階段是對權值和閾值進行修改，從最后1層向前計算各權值和閾值對總誤差的影響(梯度)，據此對各權值和閾值進行修改。

以上2個過程反復交替，直到達到收斂為止。在本文中，采用MatLab神經網絡工具箱Neural Net Fitting進行神經網絡的訓練[22]，以200組具有三維特征值的樣本數據作為輸入數據，其中100組為PTT纖維，100組為PBT纖維。接著將目標數據設定PBT纖維為0，PPT纖維為1，通過LM算法進行訓練神經網絡，最后將訓練好的神經網絡通過MatLab Function輸出，并以“.m”格式進行保存。

通過對樣本輸出數據與人工識別結果分析，本文采用以0.5為分界點對輸出數值進行PBT纖維和PTT纖維的識別，輸出數據大于或等于0.5的識別為PTT纖維，0.5以下的識別為PBT纖維。

6.3 BP神經元預測網絡的驗證

為了驗證已構建好的神經網絡的準確性，本文隨機采用了20個具有三維特征值的樣本數據進行驗證，發(fā)現20個樣本都準確識別，結果如表1所示?？芍捎帽痉椒▽TT纖維以及PBT纖維的識別率高于99%。

表1 BP神經網絡識別效果Tab.1 BP neural network recognition effect

6.4 BP神經網絡的質量百分比計算

本文以均勻混合的PTT纖維與PTB纖維圖像為例，在神經網絡的智能識別及自動統(tǒng)計下，對SN/T 4752—2017規(guī)定需要統(tǒng)計、測定的1 000根纖維進行了測試。統(tǒng)計結果顯示，PTT纖維根數為446，PBT纖維根數為554，接著將已識別的PTT纖維和PBT纖維的等效直徑取平均值，得到d1=19.81 μm，d2=22.88 μm。參考標準資料可知，PTT纖維的密度為1.33 g/cm3，PBT纖維的密度為1.31 g/cm3，最后根據顯微投影法中的公式：

X2=100%-X1

式中：X1、X2分別為組分纖維1、2的質量百分比，%；d1、d2分別為組分纖維1、2的平均等效直徑，μm；ρ1、ρ2分別為組分纖維1、2的密度， g/cm3，纖維密度根據纖維種類可查知；n1、n2分別為組分纖維1、2的根數。

經計算得出，X1≈38%，X2=100%-X1≈62%。與實際已知的PTT纖維和PBT纖維混紡比40%及60%相比，誤差在±3%之內，測試結果比較理想。為提高方法的對比性，采用這種方法對實際已知的PTT纖維和PBT纖維混紡比為30%及70%進行同樣的測試，結果為X1≈32%，X2=100-X1≈68%。符合誤差范圍之內。

7 結束語

本文基于圖像處理及BP神經網絡方法對PTT纖維與PBT纖維混紡樣品進行智能化定性及定量分析，在各根纖維分離后，提取每根配對擬合后纖維的等效直徑、色度和伸直度等3個特征值。構建大量的三維特征值數據為基礎的BP神經網絡，準確地識別出2種纖維，同時分別對2種纖維的根數進行自動統(tǒng)計。根據熔融顯微投影法，成功對混紡纖維混紡比進行計算驗證，與對應不同的實際混紡比比較，誤差在±3%之內，測試結果比較準確。本文方法操作簡便、無溶劑、綠色環(huán)保，符合行業(yè)發(fā)展的趨勢。