任維佳， 杜玉紅， 左恒力， 袁汝旺

(1. 天津工業(yè)大學 機械工程學院， 天津 300387； 2. 天津工業(yè)大學 天津市現(xiàn)代機電裝備技術重點實驗室， 天津 300387)

棉花中的異性纖維是影響棉花質量及棉紡織品質量的主要因素之一[1]，世界棉花貿(mào)易組織稱其為纖維性外來雜質，常見的有人類頭發(fā)、動物毛發(fā)、絲線、布塊、丙綸絲、黃麻纖維、塑料繩、樹皮、野草、羽毛等[2]。異性纖維來源廣泛且種類繁多，若不及時剔除，則會造成紗線斷裂或出現(xiàn)疵點的現(xiàn)象，降低紗線和紡織質量，影響企業(yè)效益[3]。如何高效、準確地檢測剔除棉花中異性纖維已經(jīng)成為當今紡織行業(yè)的重要研究課題。

目前，國內外主要采用圖像處理的方法[4-6]實現(xiàn)棉花中異性纖維的檢測和剔除，將CCD相機采集到的圖像進行圖像增強、邊緣檢測、圖像分割等算法處理[7]，找出異性纖維與棉纖維的差異，實現(xiàn)棉花中異性纖維的識別和剔除。本文主要針對國內外異性纖維圖像處理算法中的邊緣檢測和圖像分割進行總結，分析各邊緣檢測算子的優(yōu)缺點，研究不同分割方法的分割效果，為棉花中異性纖維的在線檢測及其系統(tǒng)提供技術理論基礎。

1 基于圖像處理異性纖維檢測系統(tǒng)

異性纖維檢測技術主要由圖像采集系統(tǒng)、圖像處理系統(tǒng)、控制單元以及異性纖維剔除系統(tǒng)組成。其檢測原理是在棉花通道上配備工業(yè)級圖像采集系統(tǒng)，利用CCD相機對輸送設備上移動的棉花進行掃描，將采集到的圖片信息送到計算機，反饋棉花中是否存在異性纖維及其位置等信息，利用工控機驅動對應位置電磁閥，控制噴嘴開通，實現(xiàn)棉花異性纖維的剔除。異性纖維圖像處理檢測方法示意圖如圖1所示。

圖1 異性纖維檢測方法示意圖Fig.1 Diagram of foreign fiber detection method

由圖1可知，在異性纖維圖像處理過程中，欲取得優(yōu)質的圖像，除提升硬件設備性能以外，選擇合適的圖像色彩修正和圖像處理方法至關重要。適合的圖像彩色修正方法可極大限度地提高圖像質量，而針對不同異性纖維的物理特性選擇恰當?shù)膱D像處理算法并進行優(yōu)化，有利于提高異性纖維的檢出率。算法是否恰當直接影響異性纖維檢測結果的準確性與可靠性[8]。

2 異性纖維圖像邊緣檢測方法

圖像的邊緣是圖像的基本特征，圖像中具有不同灰度等級的2個區(qū)域邊界分割位，其目的是標識圖像中亮度差異性較大的像素點。異性纖維邊緣檢測是實現(xiàn)異性纖維圖像分割、特征提取和圖像分析的前提，是圖像處理算法的重要組成部分。圖像的邊緣位于區(qū)域屬性發(fā)生突變的地方，在圖像中具有最大的不確定性，也是圖像信息最集中處，所以總結異性纖維圖像邊緣檢測的相關研究非常重要。

圖像邊緣檢測方法有一階微分算子Roberts、Prewitt、Sobel、Canny、Kirsch等和二階微分算子Laplacian、LOG等，利用導數(shù)極值點或零點進行目標圖像的邊緣檢測[9-10]。

2.1 基于Roberts邊緣檢測方法

Roberts算子是一種利用局部差分算子尋找異性纖維邊緣的算法，Roberts算子為2×2算子模板。王飛等[11]為快速識別帶有異性纖維原棉圖像的邊緣，利用Roberts算子直接通過局部差分法尋找圖像邊緣，較好地實現(xiàn)了對水平和垂直方向邊緣的檢測，但由于缺少對圖像的平滑處理，Roberts算子對噪聲敏感，因此，其適合噪聲少且邊緣明顯的圖像檢測。Roberts算子是一種一階微分算子，提出較早且算子較為簡單，該算子對目標與背景差異性大，且噪聲較少的圖像處理效果較好，但邊緣定位效果不理想。異性纖維大都比較細小，對圖像細節(jié)要求比較高，Roberts算子大都用于檢測噪點少，與棉花有鮮明對比的異性纖維。

2.2 基于Prewitt邊緣檢測方法

Prewitt算子是將2×2模板擴大到3×3模板計算圖像的差分算子，將方向差分運算與局部平均相結合，取最大值作為像素點的輸出值，去掉圖像的部分偽邊緣，對噪聲有抑制效果。

Lu等[12]通過Prewitt算子進行邊緣檢測獲得纖維的形狀特征，驗證了數(shù)字分析方法對滌/棉混紡纖維測量的可行性，但需進行一系列灰度反演、中值濾波去噪和二值化，運算量較大。王冬等[13]利用Prewitt算子邊緣檢測法進行邊緣檢測，對12種典型白色異性纖維樣本的正確識別率達到93.7%，為異性纖維分揀機的設計提供了新途徑。Chen等[14]基于Prewitt算子提出了一種空間域圖像和S信道增強的疊加圖像檢測算法，利用2種增強方法優(yōu)勢互補的特點，有效地分離目標和背景，實現(xiàn)棉花的相關檢測。Prewitt算子的邊緣檢測結果在水平和垂直方向較明顯，適用于噪聲較多、灰度漸變的異性纖維圖像。由于檢測邊緣較粗，Prewitt算子適合于檢測異性纖維與棉花背景有較大差異的圖像。

2.3 基于Sobel邊緣檢測方法

Sobel邊緣檢測算子是離散微分算子，通過計算出某2個方梯度值Gx和Gy，梯度越大越有可能是邊緣。另外，Sobel算子在Prewitt算子基礎上加以改進，有較好的平滑效果。Chen等[15]為去除棉紗異物纖維圖像中的條紋，采用方向圖和Sobel算子計算粗糙集的粗糙度，對異性纖維圖像進行去噪，取得了較好的去噪效果。Wang等[16]基于Sobel算子提出用于檢測棉絨中異性纖維的快速圖像分割算法，對110幅含有偽異物的圖像進行測試，其算法平均速度為每幅圖像0.67 s。夏彬等[17]使用Sobel算子進行圖像平滑處理時，雖然在一定程度上可去除噪聲，但產(chǎn)生的邊緣較粗。Sobel算子對灰度漸變和噪聲較多的圖像處理效果較好，但對邊緣定位不是很準確，因此，在改進邊緣定位的情況下，Sobel算子常用于異性纖維檢測。

2.4 基于Kirsch邊緣檢測方法

類似于Sobel算子，Kirsch算子也是利用圖像中某點的梯度幅值作為像素的灰度值。Kirsch算子由8個卷積模板組成，方向依次以步長為45°為間隔(從 0°～315°)，其中0°對應的是垂直邊緣，如圖2所示。數(shù)字0～7代表8個卷積模板。對每個像素點都用8個模板進行卷積，每個卷積值取絕對值，再利用max{temp0，temp1，temp2，temp3，temp4，temp5，temp6，temp7}求出最大卷積值，并以該值作為點的灰度值。Kirsch算子需要從8個方向進行卷積運算，并進行最值比較，運算量比較大。

圖2 Kirsch算子卷積模板方向Fig.2 Kirsch operator convolution template direction

王小東等[10]利用現(xiàn)場可編程邏輯門陣列(FPGA) 器件的并行處理能力，優(yōu)化Kirsch算子的運算過程，并采用分步比較的方式節(jié)省了運算量，提高了運算速度。Huang等[18]針對圖像噪聲、邊緣不清晰等問題，提出了一種基于灰度關聯(lián)度和Kirsch算子的邊緣檢測算法，更準確地檢測出邊緣信息，并具有一定的抗噪性。Kirsch算子使用8個核進行卷積運算，使輸出最大的卷積核序號即是邊緣方向的編碼，該算子可適用于噪聲多、邊緣連續(xù)性較好的異性纖維圖像檢測。

2.5 基于Canny邊緣檢測方法

Canny邊緣檢測算子是John F. Canny于1986年開發(fā)出來的多級邊緣檢測算法，是邊緣檢測的一種標準算法，目標是找到最優(yōu)的圖像邊緣。

Chen等[19]為有效地將棉花中的異性纖維檢測出來，開發(fā)了一種改進的Canny檢測器來分割原棉中的絲狀異物纖維，可檢測出棉花中丙綸絲等白色透明異性纖維。向軍等[20]為提取出高精度的印花圖案邊緣信息，利用Canny算子檢測圖案邊緣，并比較了其他邊緣檢測算子分割印花織物圖案的效果發(fā)現(xiàn)，Canny算子分割效果最好。Canny算子不易受噪聲干擾，能夠檢測到真正的弱邊緣。該算子有利于檢測細小的異性纖維，較廣泛用于異性纖維檢測。

2.6 基于Laplacian邊緣檢測方法

Laplacian算子是一種二階微分算子，其物理意義可理解為梯度的散度，該算子隨坐標軸的旋轉其梯度結果保持不變，根據(jù)產(chǎn)生的陡峭交叉點來識別目標圖像邊緣。

王欣[21]使用Laplacian算子進行邊緣增強，有助于減少一些線狀的偽異性纖維(草葉等)分割后產(chǎn)生斷裂的現(xiàn)象，提出Laplacian邊緣銳化和改進中值濾波結合的圖像增強算法。陳銘明[22]研究了基于一階差分與二階差分的Sobel算子與Laplacian算子對棉花異性纖維提取的效果發(fā)現(xiàn)，Laplacian算子并未擴大棉花與背景之間的邊緣，且異性纖維更為突出。Zheng等[23]設計了一種基于拉普拉斯特征映射算法的迭代缺陷檢測方法，其以碳纖維增強塑料(CFRP)為研究對象進行迭代分割，實現(xiàn)了圖像無損傷自動識別。當關注邊緣點的位置而忽略其周圍實際灰度差時，一般選用Laplacian算子提取圖像的邊緣。

2.7 基于LOG邊緣檢測方法

Laplacian算子對圖像進行操作實現(xiàn)邊緣檢測時，對離散點和噪聲比較敏感。LOG算子的原理是對圖像進行高斯卷積濾波降噪處理，再采用Laplacian算子進行邊緣檢測，提高算子對噪聲和離散點的魯棒性，典型的為5×5模板。

王飛等[11]針對高效識別原棉圖像與含雜分析的問題，利用LOG算子進行適用性分析，記錄檢測效果、檢測耗時、檢測概率3個方面的變化發(fā)現(xiàn)，當圖像分辨率達到1 642像素× 1 800像素時耗時增幅達到1 s左右。李曉慧等[24]采用LOG算子對棉纖維圖像進行分割，得到差值的標準差為1.173 787， 差值的整體離散性小，驗證了LOG算子在棉纖維圖像分割中的有效性。馬永杰等[25]利用改進的LOG算子提取檢測目標的輪廓邊緣和前景目標邊緣，有效地消除了圖像陰影，提高了算法的魯棒性。LOG算子綜合考慮了邊緣的檢測以及噪聲的抑制，對包含陰影部分的異性纖維圖像處理效果較好。

邊緣檢測后的圖像為二值圖像，需對二值圖像運用形態(tài)學操作來分割目標，所以可將邊緣檢測看作是圖像分割的一個前提，但圖像分割不一定非要用邊緣檢測。本文對所列各邊緣檢測方法的優(yōu)缺點進行歸納總結如表1所示。

表1 各邊緣檢測算子的優(yōu)缺點Tab.1 Advantages and disadvantages of edge detectionalgorithms

3 異性纖維圖像檢測分割方法

異性纖維圖像分割是根據(jù)異性纖維圖像的灰度、顏色、紋理和形狀等特征，將圖像劃分為若干特定的差異性區(qū)域，要求同一區(qū)域內特征的相似性較高，不同區(qū)域間的差異性明顯[26]。每種圖像特征的提取方法都有多種，例如提取形狀特征的一系列邊緣檢測方法和提取顏色特征的直方圖法等。常見的有基于閾值、基于邊緣和基于區(qū)域的分割方法。

3.1 基于閾值分割的檢測方法

閾值法是基于異性纖維圖像的灰度特征來計算閾值，根據(jù)圖像中像素灰度值與域值的差值大小將目標像素分到相應的類別中。選擇合適的準則函數(shù)求解最佳灰度閾值是基于閾值分割檢測方法的關鍵步驟。閾值的選取通常有經(jīng)驗閾值和自適應閾值。在實際應用中，經(jīng)驗閾值較為常用；自適應閾值在自動化過程中常用，自適應算法需要選擇自適應閾值。

3.1.1 基于Otsu閾值分割的檢測方法

Otsu方法是一種常用的全局自適應閾值處理方法，針對灰度圖像進行運算，首先為圖像選擇1個初始閾值將圖像中灰度等級分為2類，計算2類灰度值的類間方差，通過不斷調整分割閾值使其類間方差達到最大，此時得到最佳全局分割閾值。

若直接使用Otsu方法，在棉花背景雜亂和光照不均的情況下，分割效果會受到影響。Zhang等[27]基于新型貝葉斯加權K-Means方法，在光亮度降低或棉花顏色變化的情況下依然能夠準確識別棉花中的異性纖維。Peker等[28]采用混合高斯模型和基于像素概率分布的閾值轉換模擬棉花顏色的分布，避免了棉層厚度和棉花顏色對異性纖維檢測的影響。Guo等[29]對采集的彩色圖像進行三通道分解，通過伽馬平差函數(shù)對圖像的非均勻光照進行校正，再采用Otsu方法對三通道圖像做分割處理，并進行信息融合實現(xiàn)棉花中異性纖維的檢測，但需要預先解決由于電壓波動而造成的棉花照明強度不穩(wěn)定問題。Wang等[30]分解出G通道圖像將其分割成小塊，分析直方圖信息得到包含異性纖維的塊，使用Otsu方法對每塊進行分割，利用形態(tài)學運算消除小噪聲并連接斷開的部分，發(fā)現(xiàn)無論是塊狀異性纖維還是細長狀異性纖維，都能被清晰地分割出來。Fang等[31]首先利用貝葉斯分類器檢測潛在目標，然后利用Otsu方法識別區(qū)域，區(qū)域增強后選取得分最高的區(qū)域實現(xiàn)對棉花中透明薄膜的檢測。

在Otsu的基礎上，劉健莊等[32]在1993年提出了二維Otsu算法，其同時考慮像素的灰度值分布和鄰域像素的平均灰度值分布，得到1個二維矢量的域值，并根據(jù)二維測度準則確定最佳域值，提升了算法的抗噪聲能力，但該算法計算時間較長，不適合在線檢測要求。圖3示出Otsu與二維Otsu方法分割對比圖。

圖3 圖像分割效果對比Fig.3 Image segmentation effect comparison. (a) Original image; (b) Grayscale image; (c) Otsu method image; (d) Two-dimensional Otsu method

王昊鵬等[33]對白色異性纖維和皮棉灰度直方圖進行分析改進了二維Otsu算法，在計算目標和背景的概率和時，考慮了二維灰度直方圖副對角線區(qū)域的概率和，縮小了二維Otsu算法閾值對的取值范圍，檢測效果與二維Otsu算法幾乎相同，但運算時間大大減少，滿足在線檢測的精確性與實時性要求。

3.1.2 其他閾值分割檢測方法

一些其他的閾值分割方法也有較好的檢測效果。Sahdra等[34]通過將RGB圖像轉換為YDbDR顏色空間圖像，識別RGB圖像中的亮度和色相信息，并采用迭代閾值分割方法對亮度和色相圖像進行二值化，實現(xiàn)圖像亮度和色度信息的融合。Gulati等[35]將棉花中異性纖維的RGB圖像轉換成HIS、YDbDR、YCbCR等相應的顏色空間形式，根據(jù)圖像的閾值進行分析和融合，并給出一個基于平均值、方差和時間等參數(shù)的效果。Kaur等[36]通過將RGB圖像轉換為YDbDR顏色空間圖像，對圖像閾值分析后使用主成分分析法進行圖像融合，有利于檢測棉花中的白色異性纖維。Kan等[37]提出一種基于背景估計閾值的圖像分割方法來檢測異性纖維及其數(shù)量，針對灰度值分布均勻的目標圖像，域值法分割效果較好，但對目標與背景相對復雜的圖像分割效果不佳，該方法未考慮目標的空間信息。王昊鵬等[38]將圖像的像素點按灰度值分類，把所有相鄰類間方差看做一個粒子種群，基于改進的混沌粒子群算法，對白色異性纖維的識別準確率達到98.6%。師紅宇等[39]通過小波多層分解實現(xiàn)圖像中不同頻率信息成分的分離，采用最大類間方差法對多分辨率差分子圖進行二值化以分割出異性纖維的信息，最后將分割后的子圖進行信息融合，實現(xiàn)異性纖維的檢測，如圖4所示。

圖4 文獻[39]檢測效果Fig.4 Reference [39] method detection effect. (a) Original image; (b) Approximate difference molecular map; (c) Vertical difference molecular map; (d) Level difference molecular map; (e) Approximate difference molecular map segmentation; (f) Vertical difference molecular map segmentation; (g) Level difference molecular map segmentation; (h) Fusion image

3.2 基于邊緣特征分割的檢測方法

邊緣像素是圖像中灰度突變的一類像素，而邊緣是相連邊緣像素的集合，邊緣兩側的背景灰度與邊緣差異明顯?；谶吘壧卣鞣指畹臋z測方法首先檢測邊緣像素，再將邊緣像素連接起來構成邊界形成分割，從而實現(xiàn)棉花中異性纖維的檢測。

Agrawal等[40]使用高度改進的Chan-vese算法對棉花圖像進行分割，提取棉桿的輪廓特征并確定其位置，實現(xiàn)了棉花中棉桿的檢測，若初始迭代輪廓定位出現(xiàn)誤差，則最終檢測結果無法保證。李國輝等[41]通過提取多個方向的特征向量融合成特征圖進行二值分割，再應用形態(tài)特征分離目標與背景，該方法對棉花中的白色異性纖維分割效果較好。張馨等[42]通過改進數(shù)學形態(tài)學的邊緣檢測方法得到灰度梯度圖，選取最佳分割閾值實現(xiàn)灰度圖的分割，該方法可直接對高分辨率棉花異性纖維彩色圖像進行分割，分割效果較好，且計算速度提高2倍。由于異性纖維在圖像中的目標小，對細小異性纖維描述不足，基于邊緣特征分割的檢測方法需要使用高速、高分辨率相機采集的圖像進行邊緣分割處理，對于顏色和背景相近的異性纖維需結合特征圖進行形態(tài)特征分割。

3.3 基于紋理特征分割的檢測方法

紋理是一種圖像中同質現(xiàn)象的視覺特征，反映的是一個區(qū)域中像素灰度級的空間分布屬性，體現(xiàn)了物體表面具有緩慢變化或周期性變化的表面結構組織排列屬性。紋理特征的提取方法分為統(tǒng)計方法、模型法、信號處理法和結構方法等。統(tǒng)計方法中的灰度共生矩陣(GLCM)方法是分析圖像紋理特征的重要方法，其通過獲取角二階矩、相關性、熵等紋理描述進行圖像分析。

Wang等[43]利用灰度共生矩陣對白色異性纖維的紋理特征進行分析，采用熵閾值法對棉花中的白色異性纖維進行分割，同時對灰度級進行不等距分段壓縮，在保證檢測精度的同時縮短了計算時間。李麗[44]針對棉花中異性纖維檢測識別不準確的問題，基于圖像分割算法以及灰度共生矩陣等，提出了改進的二維Otsu算法和基于灰度共生矩陣的二維Otsu算法，實現(xiàn)了皮棉中異性纖維的檢測，同時分別提高了異性纖維識別技術的實時性和精確度。劉加嶺[45]通過改進二維Otsu算法，采用紋理特征圖像并以紋理參數(shù)為閾值，識別閾值與棉花相近的異性纖維，實現(xiàn)棉花中異性纖維的檢測。汪峰等[46]通過對棉亞麻纖維紋理特征進行預處理，提取灰度共生矩陣能量、慣性矩、相關性、熵等4個特征向量，利用形態(tài)特征和紋理特征相結合的方式進行識別，準確率達到94.4%，發(fā)現(xiàn)利用形態(tài)特征和紋理特征相結合的方式比使用單一方法的識別準確率高。灰度共生矩陣結合閾值法可實現(xiàn)棉花中白色異性纖維的分割，另外灰度共生矩陣的熵可用來有效判別皮棉中是否含有白色異性纖維。

研究表明，分割效果越好或特征差異越明顯，檢出率也越高。為提高圖像分割效果，單一特征的提取由單一向著多算法融合的趨勢發(fā)展。對異性纖維圖像分割算子進行歸納：基于閾值圖像分割包括全局閾值T=T[p(x,y)]，局部閾值T=T[f(x,y),p(x,y)]， 動態(tài)閾值T=T[x,y,f(x,y),p(x,y)]，該方法計算簡單、效率高且抗噪能力強，對目標和背景差異性顯著的異性纖維圖像處理效果較好，但域值選取是首要考慮的問題；基于邊緣特征分割方法是最早的一類分割方法之一，基于邊緣的分割依賴于由邊緣檢測算子找到的圖像邊緣，對邊緣不連續(xù)的圖像必須采用后續(xù)處理將邊緣合并為邊緣鏈，該方法的重點就是盡可能地獲取邊緣信息；基于紋理特征分割方法是將一幅紋理類別不同的圖像分為幾個區(qū)域，其中每一區(qū)域具有一致性或相似性，根據(jù)紋理特征的不同可以辨別不同物體目標。

4 不同檢測方法研究現(xiàn)狀分析

隨著異性纖維圖像處理技術的不斷發(fā)展，棉花中異性纖維的檢出率和檢測精度均有明顯提升。本文對國內外棉花異性纖維邊緣檢測方法與圖像分割方法進行分析，研究現(xiàn)狀歸納如下。

1) 大多文獻結論都是在實驗條件下得出的，采集靜止或低速狀態(tài)下的棉花圖像，進行特定地異性纖維圖像檢測。而在實際生產(chǎn)中棉花異性纖維的分布沒有規(guī)律，且不同批次的棉花顏色存在差別。需要根據(jù)實踐中具體異性纖維的種類、含量、物理特性等選擇適合的檢測算法和參數(shù)設置，并搭建合理檢測平臺以滿足實際生產(chǎn)需要。

2) 邊緣檢測是數(shù)字圖像處理中的重要內容之一，也是實現(xiàn)圖像分割和特征提取的基礎。Roberts算子是最古老的一種，也是最簡單的一種，因為在部分功能上的限制，該算子的使用明顯少于其他幾種算子。Laplacian算子定位精度高，適合用于檢測彩色和細小的異性纖維，而Roberts算子對目標與背景差異性大且噪聲較少的異性纖維圖像處理效果較好。其中LOG算子是對Laplacian算子的一種升級，經(jīng)高斯處理降低了噪聲對算子的影響，對包含陰影部分的異性纖維圖像處理效果較好。Prewitt算子、Sobel算子都具有較好的平滑效果，對白色、近棉色和透明薄膜類異性纖維的檢測效果較好。Canny算子不易受噪聲干擾，能夠檢測到真正的弱邊緣，對檢測白色且邊緣模糊的異性纖維效果較好。Kirsch算子雖然抑制噪聲效果良好，但得到的異性纖維檢測邊緣較粗，在棉花與異性纖維有明顯差異的情況下常用該算法。

3) 圖像分割是圖像分析的重要組成部分。基于閾值的分割方法計算簡單、效率高，不考慮空間特征，對噪聲比較敏感，其中Otsu閾值分割方法在棉花異性纖維圖像處理上得到了廣泛的應用，對彩色異性纖維分割效果較好，另外對隱藏的異性纖維的邊緣也有較好的分割效果。基于邊緣檢測的分割方法是最早一類分割方法之一，該方法需要盡可能地獲取圖像的邊緣信息，對邊緣不連續(xù)的圖像需采取邊緣合并等處理，對邊緣明顯且連續(xù)的異性纖維圖像分割效果較好。與異性纖維的形態(tài)特征不同，紋理特征反映的是一個區(qū)域中像素灰度級的空間分布，基于紋理特征分割是根據(jù)紋理特征的不同，辨別不同物體目標，對白色異性纖維有較好的分割效果，且形態(tài)特征和紋理特征相結合的方法可提高異性纖維識別的準確率。

4) 為提高棉花中異性纖維的檢出率，文獻中多采用邊緣檢測算子和分割算子相結合的方法，改進單一算子的缺陷，從圖像細節(jié)信息、邊緣與背景的模糊程度、邊緣定位、多參數(shù)、高精度等方面提高異性纖維檢測效果。

5 結束語

棉花異性纖維檢測中將來可開展的研究工作有：1)提高檢測算法的普適性，無論是單一邊緣檢測算法還是單一分割檢測算法，均存在不足，尚未出現(xiàn)可檢測出棉花中全部異性纖維的檢測算法，開發(fā)普適性好的算法以降低成本和減少計算量，可從依據(jù)邊緣檢測算法進行多特征共同提取，滿足不同異性纖維分割入手；2)提高檢測精度，以圖像邊緣檢測算法和圖像分割算法為研究手段，從圖像邊緣定位、圖像細節(jié)、背景信息以及抗噪能力等方面研究圖像處理效果，同時要在保證精度的前提下提升檢測速度；3)提高圖像采集質量，高質量圖像是獲得良好異性纖維分割效果的前提，在滿足計算量的要求下，應使用高速、高分辨率相機采集異性纖維圖像；4)優(yōu)化檢測方法，深度學習網(wǎng)絡模型和框架不斷迭代更新，可通過大量異性纖維圖像信息對檢測模型進行大量訓練和參數(shù)調優(yōu)，以保證異性纖維檢測精度。