丁小康 張 毅

（1.衢州學(xué)院，浙江衢州，324000；2.浙江省常山紡織有限責(zé)任公司，浙江衢州，324200）

隨著針織物對(duì)混入有色異纖數(shù)量控制越來(lái)越嚴(yán)格，近幾年，在清棉工序加裝異纖清除裝置、絡(luò)筒工序采用帶異纖切除功能的電子清紗器，降低了棉紗中異纖的數(shù)量。但原料中細(xì)小的一根或幾根有色異纖要采用放大鏡才能觀察清楚，且紡紗過(guò)程中的異纖清除裝置對(duì)其不起作用，清除難度大，李志成等提出對(duì)其盡量提前采取措施［1］。佟桁等研究了目前常用的電子清紗器法和織布法這兩種檢驗(yàn)棉紗異纖含量的方法，認(rèn)為電子清紗器法測(cè)試結(jié)果不具有代表性，且電子清紗器檢測(cè)速度有限，耗時(shí)耗力；企業(yè)更多采用的是織布法，更能準(zhǔn)確全面反映出紗中含有色異纖的實(shí)際狀況，具體是將棉紗織成織物小樣，由專業(yè)人員在驗(yàn)布機(jī)上通過(guò)目測(cè)進(jìn)行有色異纖檢測(cè)計(jì)數(shù)，表征指標(biāo)為單位質(zhì)量布面上的有色異纖根數(shù)［2］。

由于分散性有色異纖體積小，紡紗生產(chǎn)中的異纖清除裝置對(duì)其不起作用，清除難度大，在布面上表現(xiàn)為一根或幾根纖維形成肉眼較難發(fā)現(xiàn)的有色異纖。本研究選用數(shù)碼顯微鏡，對(duì)原料、半成品、紗線和織物進(jìn)行定量檢測(cè)，用于分析控制原料進(jìn)廠和生產(chǎn)過(guò)程中的有色異纖數(shù)量，以提高針織用紗檔次。

1 有色異纖放大圖像檢測(cè)方法

1.1 樣品抽取方法

圖像處理檢測(cè)有色異纖主要根據(jù)投料數(shù)量隨機(jī)抽樣，對(duì)于隨機(jī)樣品，在一次檢測(cè)中是否有有色異纖，雖然不能預(yù)先知道，但是在一次檢測(cè)中出現(xiàn)的可能性是有大小之分的，所取樣本越多越能反映被檢實(shí)物實(shí)際情況，但人力、物力消耗都很大，因此只能在整批實(shí)物中取一小部分有代表性的樣品進(jìn)行檢測(cè)。

原料取樣。根據(jù)紡織原料檢驗(yàn)取樣規(guī)定，100 包以下取10%，100 包以上超過(guò)100 包部分取5%，500 包以上每增加50 包取1 包，每包取500 g，取樣時(shí)必須在棉包深處15 cm 大塊挖取，準(zhǔn)確反映樣品實(shí)際情況。將每個(gè)500 g 試樣經(jīng)梳棉機(jī)梳理，去掉常見(jiàn)的較大異纖和雜質(zhì)，使呈束、塊狀的纖維分離為單纖維狀的生條，取0.5 g 為一個(gè)試樣。

生條、熟條。為了掌握生產(chǎn)過(guò)程中有色異纖的變化規(guī)律和突發(fā)狀況，根據(jù)生產(chǎn)量大小，分投產(chǎn)時(shí)、中期和掃尾時(shí)取樣檢測(cè)，生條和熟條每個(gè)試樣取0.5 g。

細(xì)紗、絡(luò)筒。每個(gè)產(chǎn)品每批紗檢驗(yàn)一次，試樣應(yīng)對(duì)全體具有代表性，隨機(jī)取樣，每份試樣取10 個(gè)卷裝，用搖黑板機(jī)搖10塊紗板，檢測(cè)紗線長(zhǎng)度5 m。

布樣。取筒子樣紗，采用針織小樣機(jī)進(jìn)行織造，織物組織為緯平針組織，布樣長(zhǎng)度不低于1 m。

1.2 檢測(cè)儀器及設(shè)備

1.2.1 數(shù)碼顯微鏡

選用USB 5.0 MP VIDEO 500X 型和USB 2.0 MP VIDEO 200X 型數(shù)碼顯微鏡。后者放大倍數(shù)達(dá)200 倍，可以清晰分辨出織物組織上的有色異纖；前者放大倍數(shù)達(dá)500 倍，則用于進(jìn)一步放大分析纖維截面形狀，來(lái)判別纖維材料。

1.2.2 搖黑板機(jī)

YG381 型搖黑板機(jī)（常州紡織儀器廠），繞紗密度20 根/45 mm。

1.2.3 有色異纖檢驗(yàn)器

有色異纖檢驗(yàn)器見(jiàn)圖1。檢驗(yàn)器木框內(nèi)裝有一塊固定磨砂玻璃，其上放有一塊面積略小的透明玻璃，用于壓平樣布、纖維，便于數(shù)碼顯微鏡焦距恒定。檢驗(yàn)器內(nèi)裝有一盞15 W 的熒光燈。

圖1 異纖檢驗(yàn)器

1.3 檢測(cè)方法

檢測(cè)時(shí)，生條或熟條稱取0.5 g，放在異纖檢驗(yàn)器磨砂玻璃上，沿垂直方向引伸，兩手將棉條從左右撕開(kāi)呈棉網(wǎng)狀，均勻平攤在磨砂玻璃上；筒紗和管紗用搖黑板機(jī)將紗繞在黑板上，平放在磨砂玻璃上；布樣放在磨砂玻璃上鋪平，然后放上透明玻璃，放上數(shù)碼顯微鏡調(diào)焦后，從左向右，從上到下檢測(cè)，發(fā)現(xiàn)異纖時(shí)計(jì)數(shù)并拍照。

2 圖像處理

本研究主要采用邊緣檢測(cè)算法對(duì)織物圖像中的有色異纖進(jìn)行檢測(cè)，檢測(cè)流程見(jiàn)圖2。

圖2 有色異纖圖像處理流程圖

由圖2 可知，針對(duì)數(shù)碼顯微鏡獲取的有色異纖圖，通過(guò)圖像灰度化和圖像增強(qiáng)等預(yù)處理手段，消除圖像中的無(wú)用信息，突出有效信息，提高目標(biāo)識(shí)別的效率和可靠性；再利用3 種不同的算子對(duì)有色異纖進(jìn)行邊緣檢測(cè)，并對(duì)3 種算子的檢測(cè)結(jié)果進(jìn)行對(duì)比；同時(shí)對(duì)最好的檢測(cè)結(jié)果進(jìn)行有色異纖的定量計(jì)算，將結(jié)果保存，便于操作人員分類處理。

2.1 圖像灰度化

為了達(dá)到提高整個(gè)應(yīng)用系統(tǒng)處理速度的目的，需要減少所需處理的數(shù)據(jù)量。根據(jù)重要性及其他指標(biāo)，將R、G、B 3 個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對(duì)綠色的敏感性最高，對(duì)藍(lán)色敏感性最低，因此，按式（1）對(duì)R、G、B 進(jìn)行加權(quán)平均能得到較合理的灰度圖像［3］。

f (i，j)為灰度化處理后每個(gè)像素的灰度值，經(jīng)過(guò)灰度處理后每個(gè)像素值由R、G、B 3 個(gè)通道變?yōu)? 個(gè)灰度數(shù)值，三維圖像數(shù)據(jù)轉(zhuǎn)化成二維，大大降低了系統(tǒng)的計(jì)算量。

2.2 圖像增強(qiáng)

經(jīng)過(guò)對(duì)有色異纖顯微圖像的分析，發(fā)現(xiàn)大部分圖像經(jīng)過(guò)灰度化處理后，像素值主要集中在［50，160］這個(gè)范圍內(nèi)。為了進(jìn)一步突出圖像中的細(xì)節(jié)信息，便于下一步的邊緣檢測(cè)，本研究采用了圖像灰度值線性變換的方法對(duì)圖像進(jìn)行增強(qiáng)處理。采用線性變換就是把圖像的像素相對(duì)集中的范圍拉寬到某一個(gè)較寬的范圍之內(nèi)，以解決因像素值集中造成的對(duì)比度不足、細(xì)節(jié)分辨不清等問(wèn)題。 本研究將原圖像素值的范圍［50，160］擴(kuò)展到［0，255］，使得原圖中大量相同的像素降低，而細(xì)節(jié)得到了提亮。

2.3 邊緣檢測(cè)

圖像的邊緣檢測(cè)可以提取感興趣目標(biāo)的輪廓，獲取目標(biāo)特征。常用的邊緣檢測(cè)算子有Rob?erts、Sobel、Canny 等［4］。本研究將以上3 種算子分別應(yīng)用在有色異纖的檢測(cè)中，通過(guò)試驗(yàn)分析得到最適用于有色異纖檢測(cè)的方法。

2.3.1 Roberts 算子

Roberts 算子是一種利用局部差分算子尋找邊緣的算子。該方法將對(duì)角線方向相鄰兩像素之差近似等于梯度幅值。對(duì)每一個(gè)像素計(jì)算其梯度幅值，并設(shè)置閾值，將每個(gè)像素點(diǎn)的梯度幅值與閾值進(jìn)行比較來(lái)獲取目標(biāo)邊緣。Roberts 算子模板見(jiàn)式（2）。

2.3.2 Sobel 算子

Sobel 算子采用3×3 模板對(duì)區(qū)域內(nèi)的像素值進(jìn)行計(jì)算，通過(guò)計(jì)算圖像中每個(gè)像素的上下左右四領(lǐng)域的灰度值加權(quán)差，在邊緣處達(dá)到極值從而檢測(cè)邊緣［5］。其卷積模板見(jiàn)式（3）。

2.3.3 Canny 算子

Canny 算子是目前圖像邊緣檢測(cè)中表現(xiàn)較為優(yōu)秀的算子，除了對(duì)圖像目標(biāo)邊緣具有較好的敏感性之外，在抑制和消除噪聲方面也具有不錯(cuò)的效 果［6］。Canny 算 子 進(jìn) 行 邊 緣 檢 測(cè) 主 要 分4 個(gè)步驟。

步驟1：使用高斯濾波器濾除噪聲。高斯濾波器是一種平滑空間濾波器，用于模糊處理和降低噪聲。高斯濾波器通過(guò)式（4）得到。一般設(shè)置5×5 的高斯卷積核跟灰度圖像卷積來(lái)抑制噪聲。

步驟2：計(jì)算圖像中每個(gè)像素點(diǎn)的梯度強(qiáng)度和方向。將一個(gè)像素點(diǎn)的方向分為在x 方向以及在y 方向的分量，通過(guò)使用Sobel 算子計(jì)算該像素點(diǎn)在水平方向梯度Gx和垂直方向梯度Gy，由此得到像素點(diǎn)的梯度G 以及該像素點(diǎn)的方向θ，見(jiàn)式（5）和式（6）。

步驟3：對(duì)梯度幅值進(jìn)行非極大值抑制。將當(dāng)前像素的梯度強(qiáng)度與沿正負(fù)梯度方向上的兩個(gè)像素進(jìn)行比較，如果當(dāng)前像素的梯度強(qiáng)度與另外兩個(gè)像素相比最大，則該像素點(diǎn)保留為邊緣點(diǎn)，否則該像素點(diǎn)將被抑制。從而實(shí)現(xiàn)在一個(gè)梯度方向上有且僅有一個(gè)局部最大值的梯度響應(yīng)，而將其余的梯度抑制為0，消除多余梯度響應(yīng)，提高邊緣檢測(cè)精度。

步驟4：用雙閾值算法檢測(cè)和連接邊緣。為了進(jìn)一步消除噪聲的影響，Canny 算子采用雙閾值法進(jìn)行判斷。如果邊緣像素的梯度值高于高閾值，則將其標(biāo)記為強(qiáng)邊緣像素；如果邊緣像素的梯度值小于高閾值并且大于低閾值，則將其標(biāo)記為弱邊緣像素；如果邊緣像素的梯度值小于低閾值，則會(huì)被抑制。閾值的選擇取決于輸入圖像的內(nèi)容信息。

2.4 有色異纖參數(shù)計(jì)算

由于本研究中圖像背景較為復(fù)雜，提取出的邊緣不連續(xù)，不能形成連通區(qū)域，因此選取檢測(cè)邊緣像素點(diǎn)數(shù)作為纖維的定量信息。采用MAT?LAB 中的regionprops 函數(shù)，對(duì)圖像中的邊緣區(qū)域進(jìn)行計(jì)算，包括提取到的區(qū)域數(shù)量和像素?cái)?shù)量，這些參數(shù)一定程度上反映了有色異纖的大小和形態(tài)，可幫助操作人員進(jìn)行分類處理。下面分別對(duì)計(jì)算的參數(shù)進(jìn)行說(shuō)明。

（1）連通區(qū)域個(gè)數(shù)。連通區(qū)域指的是圖像中提取到的有色異纖邊緣像素點(diǎn)中，所有相連在一起的像素屬于同一個(gè)區(qū)域。但由于有色異纖是穿插在織物纖維中的，在圖像中呈現(xiàn)出斷斷續(xù)續(xù)的形態(tài)，再加上背景的干擾，使得提取到的纖維邊緣也呈現(xiàn)出不連續(xù)的多個(gè)區(qū)域，見(jiàn)圖3。因此在這里進(jìn)行了連通區(qū)域個(gè)數(shù)的計(jì)算，一方面可以反映出有色異纖的大小，另一方面也可以體現(xiàn)其在織物中的鑲嵌狀態(tài)。計(jì)算連通區(qū)域時(shí)主要是通過(guò)每個(gè)像素點(diǎn)周圍8 個(gè)鄰接點(diǎn)的值來(lái)判斷，如果存在與該點(diǎn)相同值的鄰接點(diǎn)則認(rèn)為該鄰接點(diǎn)與像素點(diǎn)連通，否則為不連通。依次判斷后可以得到不同連通區(qū)域的個(gè)數(shù)。連通區(qū)域個(gè)數(shù)可以體現(xiàn)一幅圖像中檢測(cè)到的有色異纖數(shù)量。

圖3 提取到的有色異纖呈現(xiàn)不連續(xù)的多個(gè)區(qū)域

（2）總邊緣像素?cái)?shù)。對(duì)經(jīng)過(guò)圖像分割算子提取到有色異纖的邊緣像素進(jìn)行計(jì)算，由于圖像經(jīng)過(guò)二值化處理，圖中白色像素點(diǎn)的值為1，黑色像素點(diǎn)的值為0。計(jì)算所有值為1 的像素點(diǎn)個(gè)數(shù)即得到有色異纖邊緣像素總數(shù)。該參數(shù)可以反映出有色異纖的長(zhǎng)度大小。

（3）有色異纖占比。將上述提取的總邊緣像素?cái)?shù)與圖像總像素?cái)?shù)的比值作為異纖占比參數(shù)。可以衡量單位輪廓面積內(nèi)有色異纖的存在比例，反映出織物中的有色異纖數(shù)量和存在概率。

3 應(yīng)用效果分析

3.1 有色異纖提取結(jié)果

以放大200 倍的色紡圖像為研究對(duì)象，將3種邊緣檢測(cè)算子用于有色異纖輪廓檢測(cè)，見(jiàn)圖4。

圖4 有色異纖圖像處理結(jié)果

由圖4 可以看出，經(jīng)過(guò)圖像灰度化和圖像增強(qiáng)處理后的圖像，其有色異纖與圖像背景的對(duì)比增強(qiáng)了，細(xì)節(jié)更加明顯。在此基礎(chǔ)上進(jìn)行了邊緣檢 測(cè)［7?8］，圖4（d）～圖4（f）是3 種 算 子 檢 測(cè) 的 結(jié)果，視 覺(jué) 上 圖4（f）的 提 取 效 果 最 好，圖4（d）和圖4（e）中噪聲較多，許多非目標(biāo)的背景邊緣也被檢測(cè)出來(lái)，因此在抑制噪聲方面，Canny 算子的效果最好。為進(jìn)一步對(duì)比邊緣提取效果，將目標(biāo)提取的局部圖像進(jìn)行放大。由放大圖像可以看出，Sobel 算子的邊緣檢測(cè)效果優(yōu)于Roberts 算子，這是由于Sobel 算子采用3×3 模板對(duì)區(qū)域內(nèi)的像素值進(jìn)行計(jì)算，而Robert 算子的模板為2×2，因此Sobel 算子在水平方向和垂直方向均比Roberts算子更加明顯；Canny 算子提取到的邊緣最光滑清晰，這是由于Canny 算子中采取了非極大值抑制以及雙閾值的方法，大大消除了多余的梯度響應(yīng)和噪聲的影響。因此本研究選取Canny 算子的檢測(cè)結(jié)果進(jìn)行有色異纖的參數(shù)計(jì)算。

3.2 有色異纖參數(shù)計(jì)算結(jié)果

為了對(duì)檢測(cè)結(jié)果進(jìn)行分類處理，需要對(duì)檢測(cè)出的有色異纖進(jìn)行定量計(jì)算。選取10 個(gè)織物樣本，經(jīng)過(guò)Canny 算子處理后進(jìn)行了參數(shù)計(jì)算，結(jié)果見(jiàn)表1。為了更直觀對(duì)比參數(shù)計(jì)算結(jié)果，將有色異纖占比最小的樣本9 和樣本6 與占比最大的樣本8 和樣本3 的原圖進(jìn)行了對(duì)比，見(jiàn)圖5。

表1 有色異纖參數(shù)計(jì)算結(jié)果

圖5 4 種樣本原圖對(duì)比

由表1 和圖5 可以看出原圖中樣本9 和樣本6中的有色異纖確實(shí)很小，而樣本8 和樣本3 中有色異纖較多較長(zhǎng)且明顯。說(shuō)明本試驗(yàn)中得到的參數(shù)可以有效反映實(shí)際有色異纖的大小和數(shù)量，為相關(guān)操作人員提供了可靠的分類依據(jù)。

4 結(jié)語(yǔ)

為了提高織物中有色異纖的檢測(cè)效率，本研究采用圖像處理的方法對(duì)織物有色異纖進(jìn)行快速檢測(cè)。針對(duì)織物的數(shù)碼顯微鏡放大圖像，首先通過(guò)圖像灰度化和圖像增強(qiáng)等預(yù)處理方法，消除冗余信息，提升細(xì)節(jié)信息；并利用了常用的3 種邊緣檢測(cè)算子對(duì)圖像中纖維進(jìn)行邊緣提取，選擇效果最好的提取結(jié)果進(jìn)行纖維的定量參數(shù)計(jì)算。試驗(yàn)結(jié)果表明：經(jīng)過(guò)Canny 算子檢測(cè)的纖維具有最清晰光滑的邊緣，效果最好，可以有效準(zhǔn)確地計(jì)算出纖維的參數(shù)信息。該方法在實(shí)現(xiàn)織物有色異纖快速檢測(cè)的同時(shí)，也為纖維的判別和分類提供了數(shù)據(jù)支撐。