吳婷榮， 陳亞軍， 楊舒涵， 史書偉， 李夢(mèng)輝， 夏 彬

(1.西安理工大學(xué) 印刷包裝與數(shù)字媒體學(xué)院， 陜西 西安 710054；2.中華全國(guó)供銷合作總社 鄭州棉麻工程技術(shù)設(shè)計(jì)研究所， 河南 鄭州 450004)

棉花是紡織業(yè)的主要原材料之一，而雜質(zhì)的存在卻一直是一個(gè)不可避免的難題。其中，籽棉中的雜質(zhì)含量尤為突出，若不對(duì)籽棉中的雜質(zhì)進(jìn)行去除處理，會(huì)使皮棉的含雜量增加，品級(jí)降低，也會(huì)影響到后續(xù)的加工質(zhì)量。粗大的雜質(zhì)更是容易堵塞機(jī)器，從而加快機(jī)器的磨損[1]。在棉花的加工過程中，主要有籽棉清理、軋花、皮棉清理、打包等工藝環(huán)節(jié)，含雜率的檢測(cè)，可以明確籽棉中雜質(zhì)的含量，為清除工序的安排提供依據(jù)，同時(shí)也可用于判定籽棉的質(zhì)量是否符合標(biāo)準(zhǔn)。因此，籽棉含雜率的檢測(cè)對(duì)于棉紡織業(yè)來說，具有重要意義。

依據(jù)國(guó)家標(biāo)準(zhǔn)，籽棉含雜率的檢測(cè)是通過將雜質(zhì)與籽棉分離，然后分別稱重、計(jì)算，得出雜質(zhì)的質(zhì)量百分比。然而這種方法效率較低，需消耗一定時(shí)間，在快速、自動(dòng)化的生產(chǎn)線環(huán)節(jié)中運(yùn)用存在一定難度。圖像處理技術(shù)的真實(shí)性、便捷性和準(zhǔn)確性，使其在紡織行業(yè)中的應(yīng)用越來越多。近年來，國(guó)內(nèi)外研究人員將其應(yīng)用到了棉花檢測(cè)領(lǐng)域中，并取得了較好的成果。其中，Wang、王飛等[2-6]運(yùn)用閾值分割法和邊緣檢測(cè)對(duì)棉花圖像進(jìn)行分割，檢測(cè)其中存在的異物。王欣、楊程午等[7-11]根據(jù)特征的不同，進(jìn)行棉花圖像中異性纖維和雜質(zhì)的檢測(cè)識(shí)別。Yang等[12]針對(duì)彩色圖像，提取出顏色和亮度顯著性圖，進(jìn)而分割出異性纖維。Jiang[13]、Mustafic[14]等利用高光譜成像系統(tǒng)，依據(jù)棉花與異物光譜圖像的差異，實(shí)現(xiàn)異物的檢測(cè)分類。Jiang[15]、Zhang[16]等運(yùn)用mRMR特征選擇方法，從高光譜成像數(shù)據(jù)中選擇出最佳波長(zhǎng)、波段，用于棉花異物的分類。Cai[17]、何曉昀[18]和杜玉紅[19]等利用深度神經(jīng)網(wǎng)絡(luò)對(duì)棉花中存在的異物進(jìn)行分類和定位。

目前，基于圖像的棉花檢測(cè)更多傾向于異性纖維的檢測(cè)與剔除，而針對(duì)含雜率的運(yùn)用相對(duì)較少。因此，本文基于圖像分析，對(duì)籽棉圖像的含雜率進(jìn)行了研究，以便估計(jì)、了解棉花加工過程中的含雜情況，為后續(xù)清花工藝提供一定的依據(jù)。本文分別運(yùn)用最大類間方差法和多種算子結(jié)合的邊緣檢測(cè)分割籽棉圖像，并利用連通區(qū)域分析得出基于像素面積的含雜率。此外，為了對(duì)比，也進(jìn)行了質(zhì)量法檢測(cè)籽棉含雜率的實(shí)驗(yàn)，手工分離雜質(zhì)后，借助電子天平稱重，得出質(zhì)量比。

1 籽棉圖像采集

圖像采集是圖像處理的第一個(gè)環(huán)節(jié)，采集得到的圖像質(zhì)量直接影響后續(xù)算法處理的結(jié)果。所以，在棉花加工線上采集圖像時(shí)，要充分開松籽棉形成薄棉層，并經(jīng)抓棉機(jī)構(gòu)抓棉，再用高透光玻璃壓實(shí)，方便專業(yè)相機(jī)拍照。同時(shí)，為了避免產(chǎn)生不必要的陰影和反射光，一定要選擇合適的照明光源及角度。圖1為棉花加工生產(chǎn)線上采集的含雜籽棉圖像樣本。

圖1 生產(chǎn)線上籽棉圖像樣本Fig.1 Sample of seed cotton image on production line

生產(chǎn)線上采集所得籽棉圖像主要用于基于圖像的含雜率檢測(cè)實(shí)驗(yàn)，但因本文也進(jìn)行了基于質(zhì)量的含雜率檢測(cè)對(duì)比實(shí)驗(yàn)，所以又利用實(shí)驗(yàn)室的機(jī)器視覺平臺(tái)采集了質(zhì)量法檢測(cè)時(shí)所用籽棉樣本的圖像，如圖2所示。

圖2 機(jī)器視覺平臺(tái)采集的籽棉圖像Fig.2 Seed cotton image collected by machine vision platform

籽棉中的雜質(zhì)種類多樣，如棉鈴殼、棉葉和棉桿等粗大雜質(zhì)，經(jīng)過前端風(fēng)選、纏繞等雜質(zhì)清除機(jī)構(gòu)后，還有少許顏色較淺、顏色與棉花相近或透明的其他雜質(zhì)。本文的研究主要針對(duì)籽棉加工線上的主要雜質(zhì)，即以棉鈴殼、棉葉、棉桿和僵瓣為主，而對(duì)于少量顏色較淺、顏色與棉花相近或透明的其他雜質(zhì)，可在皮棉清理環(huán)節(jié)中借助紫外、偏振等多光源成像系統(tǒng)，實(shí)現(xiàn)與棉花的區(qū)分成像，并進(jìn)行檢測(cè)剔除。

2 基于圖像分析的籽棉含雜率檢測(cè)與實(shí)驗(yàn)

含雜率是衡量棉花質(zhì)量的重要指標(biāo)，籽棉的含雜率更是決定最終棉花產(chǎn)品品質(zhì)的關(guān)鍵要素之一[20]?；趫D像分析的籽棉含雜率檢測(cè)，具體方案為：首先，對(duì)原圖像進(jìn)行預(yù)處理，提高圖像對(duì)比度，使目標(biāo)區(qū)域清晰突出；其次，運(yùn)用兩種不同的分割方法分別對(duì)圖像進(jìn)行分割，區(qū)分出雜質(zhì)和籽棉區(qū)域；然后，運(yùn)用數(shù)學(xué)形態(tài)學(xué)進(jìn)一步改善圖像，并實(shí)現(xiàn)雜質(zhì)區(qū)域的連通區(qū)域分析；最后，利用連通的雜質(zhì)區(qū)域，計(jì)算得出雜質(zhì)與整個(gè)圖像的像素面積之比，即為籽棉圖像的含雜率，具體檢測(cè)流程如圖3所示。

圖3 基于圖像的籽棉含雜率檢測(cè)流程圖Fig.3 Flow chart of seed cotton impurity ratio detection based on image

2.1 圖像預(yù)處理

棉花加工生產(chǎn)線上，相機(jī)采集的樣本圖像其目標(biāo)與背景對(duì)比不太明顯，并且籽棉圖像中部分區(qū)域的棉花顏色偏黃，與周圍的白色棉花形成明顯對(duì)比。若不進(jìn)行預(yù)處理而直接分割，會(huì)導(dǎo)致發(fā)黃的區(qū)域被誤當(dāng)作雜質(zhì)分離，進(jìn)而造成較大的誤差。因此，本文選用圖像灰度化、灰度拉伸和中值濾波等預(yù)處理方法，使圖像變得清晰，對(duì)比度得到提高，為后續(xù)處理過程提供良好的基礎(chǔ)。籽棉圖像預(yù)處理前后的效果對(duì)比，如圖4所示。

2.2 圖像分割

圖像分割是指把圖像分成各具特殊意義的區(qū)域，并提取出感興趣部分的過程[21]。其中，感興趣的部分即為目標(biāo)區(qū)域，其余部分則為背景區(qū)域，目標(biāo)區(qū)域內(nèi)的像素特性與背景區(qū)域不同，分割時(shí)可根據(jù)紋理、灰度、顏色等特征進(jìn)行劃分。本文選用的籽棉圖像分割方法為最大類間方差法和邊緣檢測(cè)。

2.2.1最大類間方差法

最大類間方差法是指在某個(gè)灰度值處把圖像分為兩個(gè)部分，當(dāng)兩部分的方差達(dá)到最大值時(shí)，則選用該灰度值為閾值進(jìn)行整個(gè)圖像的分割[22]，具體實(shí)現(xiàn)步驟如下：

1) 設(shè)一幅圖像的像素值總數(shù)為N，灰度值范圍為[0,L-1]。其中灰度級(jí)為i的像素點(diǎn)有ni個(gè)，則i出現(xiàn)的概率為：

(1)

2) 在灰度值T處將圖像內(nèi)所有的像素分為A、B兩個(gè)組，A組的灰度值范圍為[0,T]，B組灰度值范圍為[T+1,L-1]。A、B兩組的類間方差為：

σ2=ω0(u0-uT)2+ω1(u1-uT)2

(2)

3) 讓T在灰度范圍[0，L-1]內(nèi)依次取值，直到類間方差σ2的值達(dá)到最大，這時(shí)的灰度值T即為最優(yōu)閾值。

2.2.2邊緣檢測(cè)

邊緣檢測(cè)是通過檢測(cè)圖像中各區(qū)域的邊緣來分割目標(biāo)與背景的，其本質(zhì)就是利用不同區(qū)域間像素灰度不連續(xù)的特點(diǎn),借助某種特定的算子來提取出目標(biāo)區(qū)域與背景區(qū)域之間的分界線[23]。常用的邊緣提取算子有Roberts算子、Sobel算子、Prewitt算子、Log算子和Canny算子等。

利用最大類間方差法和邊緣檢測(cè)分別對(duì)預(yù)處理后的樣本圖像進(jìn)行分割。最大類間方差法實(shí)現(xiàn)簡(jiǎn)單，在一定條件下不受圖像對(duì)比度與亮度變化的影響,其依靠方差可以衡量圖像的灰度分布均勻性，方差值越大，表示目標(biāo)和背景的差別越大，分割效果越好。當(dāng)有小部分的目標(biāo)被錯(cuò)分為背景、或者是小部分的背景被錯(cuò)分為目標(biāo)時(shí)，都會(huì)使得目標(biāo)和背景的差別減小。因此，使得類間方差最大，就意味著誤分率最小。

邊緣檢測(cè)依靠邊緣提取算子得到目標(biāo)區(qū)域邊界完成分割。其中，Roberts算子定位精準(zhǔn)度高，但對(duì)噪聲較為敏感；Sobel算子和Prewitt算子可抑制噪聲，但存在較多間斷點(diǎn)；Log算子對(duì)孤立點(diǎn)和細(xì)線的檢測(cè)效果較好，卻易受噪聲影響；Canny算子檢測(cè)精度高，對(duì)虛假邊緣有抑制作用，不易受噪聲干擾，但就本文實(shí)驗(yàn)中含雜籽棉圖像而言，Canny算子的檢測(cè)過于細(xì)致，往往像素灰度存在細(xì)微差異、紋理豐富的棉花區(qū)域都會(huì)被檢出，存在一定的缺陷。因此，本文中邊緣檢測(cè)算法的實(shí)現(xiàn)是通過多種邊緣提取算子結(jié)合完成的，分別運(yùn)用Prewitt、Roberts、Sobel和Canny算子對(duì)預(yù)處理后的圖像進(jìn)行邊緣檢測(cè)，然后將各個(gè)算子所得圖像進(jìn)行融合，得到最終的分割圖像。

具體的，兩種圖像分割方法的分割效果如圖5所示。其中，為了可以清楚地對(duì)比兩種方法的分割效果，所給邊緣檢測(cè)的效果圖為進(jìn)行區(qū)域填充后的圖像。

圖5 兩種方法分割效果圖Fig.5 Segmentation effect drawing by two methods

2.3 數(shù)學(xué)形態(tài)學(xué)操作

數(shù)學(xué)形態(tài)學(xué)是指通過集合論語言的描述，利用具有一定形態(tài)的結(jié)構(gòu)元素，對(duì)圖像中的目標(biāo)形狀進(jìn)行度量和提取。其有四種基本運(yùn)算，分別是膨脹、腐蝕、開運(yùn)算和閉運(yùn)算。數(shù)學(xué)形態(tài)學(xué)的操作可以除去圖像中無關(guān)的結(jié)構(gòu)，同時(shí)還可以保持圖像的基本特征不發(fā)生改變[24]。

圖像經(jīng)過分割后，變成了只有黑白兩種顏色的二值圖像，可以清楚地看到目標(biāo)的大致輪廓。為了使目標(biāo)的輪廓更加真實(shí)，方便后續(xù)操作，可以運(yùn)用數(shù)學(xué)形態(tài)學(xué)進(jìn)一步優(yōu)化。本文運(yùn)用的形態(tài)學(xué)操作為區(qū)域填充、閉運(yùn)算和刪除小面積。其中，籽棉的含雜率是通過雜質(zhì)區(qū)域與整體區(qū)域的像素面積比得出的，所以要對(duì)雜質(zhì)區(qū)域進(jìn)行填充，方便面積的計(jì)算；閉運(yùn)算可以連接圖像中細(xì)小的間斷點(diǎn)，填充區(qū)域內(nèi)比較小的孔洞，同時(shí)也可以平滑區(qū)域輪廓。形態(tài)學(xué)處理效果如圖6所示。

圖6 形態(tài)學(xué)處理Fig.6 Morphological treatment

2.4 連通區(qū)域分析

圖像可以看作是一個(gè)由多個(gè)像素點(diǎn)組合而成的集合。連通區(qū)域是指對(duì)二值圖像中值為0或1的區(qū)域進(jìn)行檢測(cè)，確定像素的區(qū)域，并將擁有相同像素值的相鄰像素點(diǎn)整合成為一個(gè)區(qū)域。

形態(tài)學(xué)處理后，在籽棉圖像中按照8鄰域的方式，從目標(biāo)像素點(diǎn)(即像素值為1的點(diǎn))開始向八個(gè)方向進(jìn)行連通區(qū)域并標(biāo)記。標(biāo)記后的二值圖像內(nèi)，各個(gè)連通區(qū)域標(biāo)有不同的像素?cái)?shù)。然后再從上到下、從左到右依次進(jìn)行掃描，記錄每個(gè)連通區(qū)域內(nèi)的像素個(gè)數(shù)，并計(jì)算得出總的像素個(gè)數(shù)，即為雜質(zhì)總像素面積。最后，運(yùn)用雜質(zhì)總像素面積和整個(gè)圖像總像素面積的比值，得出最終的含雜率，具體計(jì)算公式定義如下：

(3)

式中：IR表示籽棉圖像含雜率；s表示圖像內(nèi)雜質(zhì)區(qū)域總像素面積；S表示整個(gè)圖像總像素面積。

本文提出的基于圖像分析的籽棉含雜率檢測(cè)方法目前已在棉花加工線上得到了應(yīng)用，該方法在實(shí)時(shí)了解加工線上籽棉的含雜情況以及后續(xù)工序的調(diào)整中發(fā)揮了重要作用。

圖7為棉花加工生產(chǎn)線中進(jìn)行籽棉含雜率檢測(cè)的“棉花加工質(zhì)量水雜一體在線檢測(cè)裝置”。具體檢測(cè)時(shí)，每隔1分鐘在流速為15～18 m/s的輸棉管道里通過抓棉機(jī)構(gòu)抓取一次樣本籽棉，然后將樣棉壓實(shí)到高透光玻璃板上，另一側(cè)用相機(jī)采集大小為1 800×1 642像素的圖像，最后運(yùn)用本文提出的方法經(jīng)過20 ms的處理計(jì)算，得出基于像素面積的含雜率。

圖7 籽棉含雜率在線檢測(cè)裝置Fig.7 Online detection device for impurity ratio of seed cotton

3 基于質(zhì)量法的籽棉含雜率檢測(cè)實(shí)驗(yàn)

基于圖像分析的籽棉含雜率檢測(cè)主要利用的是像素面積，也就是用雜質(zhì)區(qū)域占整個(gè)籽棉區(qū)域的像素面積比作為含雜率。然而籽棉中的雜質(zhì)是多樣的，即使在圖像中擁有相同的面積，在現(xiàn)實(shí)中不同雜質(zhì)的質(zhì)量也有一定差別，比如，棉鈴殼、僵瓣的質(zhì)量明顯高于棉葉的質(zhì)量，然而在圖像中它們有時(shí)會(huì)出現(xiàn)面積相等的情況。因此，在基于圖像分析檢測(cè)籽棉含雜率之外，本文還進(jìn)行了質(zhì)量法檢測(cè)含雜率的實(shí)驗(yàn)。依據(jù)國(guó)家標(biāo)準(zhǔn)，質(zhì)量法是檢測(cè)含雜率的主要方法。所謂質(zhì)量法，指的就是用樣本中雜質(zhì)質(zhì)量占含雜籽棉總質(zhì)量的百分比作為含雜率，具體計(jì)算公式如下：

(4)

式中：P表示含雜率；m表示雜質(zhì)質(zhì)量；M表示含雜籽棉總質(zhì)量。

具體實(shí)驗(yàn)操作中，手工對(duì)樣本籽棉中的雜質(zhì)進(jìn)行挑揀，如圖8所示，然后運(yùn)用精度為0.000 1 g的電子天平分別稱出雜質(zhì)與籽棉的質(zhì)量，再計(jì)算出質(zhì)量比作為樣本籽棉的含雜率。

圖8 手工挑揀籽棉雜質(zhì)Fig.8 Hand picking of seed cotton impurities

4 實(shí)驗(yàn)結(jié)果與分析

基于圖像分析的籽棉含雜率檢測(cè)，所用籽棉圖像采集于棉花加工生產(chǎn)線，在圖像分割部分，本文選用了最大類間方差法和多種算子結(jié)合的邊緣檢測(cè)。分別運(yùn)用兩種圖像分割方法分離籽棉圖像中的雜質(zhì)與棉花，再經(jīng)過處理計(jì)算，得到基于像素面積的含雜率，具體實(shí)驗(yàn)結(jié)果如表1所示。

表1 兩種圖像分割方法對(duì)應(yīng)的籽棉圖像含雜率Tab.1 Impurity ratio of seed cotton image corresponding to the two image segmentation methods

由表1的實(shí)驗(yàn)結(jié)果可以看出，多種算子結(jié)合的邊緣檢測(cè)分割圖像后得出的含雜率稍高于最大類間方差法，這主要是因?yàn)檫吘墮z測(cè)是利用像素值突變的原理來分割圖像，所以會(huì)有小部分籽棉亮光區(qū)或陰影區(qū)被誤當(dāng)作雜質(zhì)分離，導(dǎo)致最終的雜質(zhì)面積增加，含雜率升高。

質(zhì)量法檢測(cè)籽棉含雜率，手工挑揀樣本籽棉的雜質(zhì)后，稱重、計(jì)算，具體實(shí)驗(yàn)結(jié)果如表2所示。此外，本文還利用實(shí)驗(yàn)室現(xiàn)有的機(jī)器視覺檢測(cè)平臺(tái)，采集了質(zhì)量法檢測(cè)時(shí)所用籽棉樣本的圖像，并分別運(yùn)用最大類間方差法和多種算子結(jié)合的邊緣檢測(cè)對(duì)圖像進(jìn)行分割，分割后得出對(duì)應(yīng)的面積含雜率。圖9為各含雜籽棉樣本的具體檢測(cè)效果圖。

圖9 基于圖像分析檢測(cè)籽棉含雜率的效果圖Fig.9 Effect drawing of seed cotton impurity ratio detect based on image analysis

表2 籽棉含雜率Tab.2 Impurity ratio of seed cotton

由表2中6個(gè)籽棉樣本的含雜率檢測(cè)結(jié)果可以看出：基于圖像分析的含雜率檢測(cè)，兩種圖像分割方法的檢測(cè)結(jié)果比較接近，相差并不是很大；基于質(zhì)量法的含雜率檢測(cè)，不同雜質(zhì)所占比重不同，含有質(zhì)量較大的雜質(zhì)時(shí)，含雜率會(huì)明顯增大。同時(shí)由表2也可看出，基于圖像像素面積的含雜率和基于質(zhì)量的含雜率之間并沒有明顯的相關(guān)性，主要原因是各雜質(zhì)的密度不一樣。實(shí)際上，在棉花生產(chǎn)加工過程中，由于非接觸、易實(shí)施，基于圖像的含雜率檢測(cè)可發(fā)揮巨大作用。然而在實(shí)際的離線棉花質(zhì)量抽檢中，質(zhì)量法檢測(cè)的含雜率才是重要指標(biāo)。

5 結(jié) 論

籽棉的含雜率是衡量籽棉質(zhì)量的重要指標(biāo)，也是評(píng)價(jià)籽棉品質(zhì)不可缺少的數(shù)據(jù)之一。含雜率的大小影響著棉花加工流程的設(shè)置，決定著最終棉制品的品質(zhì)，是不容忽視的關(guān)鍵信息。本文利用圖像處理技術(shù)，基于像素面積，對(duì)籽棉含雜率進(jìn)行了檢測(cè)；同時(shí)也實(shí)施了質(zhì)量法檢測(cè)。

1) 基于圖像分析的籽棉含雜率檢測(cè)，其兩種圖像分割方法的檢測(cè)結(jié)果表明，運(yùn)用多種算子結(jié)合的邊緣檢測(cè)所得含雜率稍高于最大類間方差法，但又比較接近。這主要是因?yàn)檫吘墮z測(cè)對(duì)灰度突變的區(qū)域較為敏感，小部分亮度較高或較低的籽棉區(qū)域會(huì)被誤分割為雜質(zhì)，導(dǎo)致雜質(zhì)面積增大，最終含雜率升高。此外，又考慮到最大類間方差法耗時(shí)相對(duì)較少，且不易受圖像亮度和對(duì)比度的影響，所以最終決定選用最大類間方差法為籽棉圖像的主要分割方法，進(jìn)而實(shí)現(xiàn)含雜率的檢測(cè)。

2) 本文提出的基于圖像分析的籽棉含雜率檢測(cè)方法，雖然算法簡(jiǎn)單，但相對(duì)于質(zhì)量法檢測(cè)，其可以應(yīng)用于生產(chǎn)線上，檢測(cè)速度快，可實(shí)時(shí)了解生產(chǎn)線上籽棉各加工工位的含雜狀況，解決了棉花行業(yè)含雜率實(shí)時(shí)檢測(cè)的問題。質(zhì)量法的檢測(cè)需經(jīng)歷挑揀、稱重和計(jì)算等工序，效率低下、實(shí)時(shí)性差。

今后的研究將著眼于籽棉圖像中各類雜質(zhì)的智能識(shí)別，并基于各雜質(zhì)的密度值，確定雜質(zhì)像素面積與質(zhì)量的關(guān)系，建立智能識(shí)別與預(yù)測(cè)模型，實(shí)現(xiàn)由面積到質(zhì)量的預(yù)測(cè)，進(jìn)而估算出籽棉圖像基于質(zhì)量的含雜率。同時(shí)，不斷優(yōu)化方案，反復(fù)試驗(yàn)，提升模型精度，從而得到與質(zhì)量法接近的棉花含雜率精確檢測(cè)值。