王延蒙，孟凡文，張文國

(1.濟寧職業(yè)技術(shù)學(xué)院 機電工程系，山東 濟寧 272000； 2.濟寧市機械系統(tǒng)智能化研究所，山東 濟寧 272000)

紗線條干均勻性是衡量紗線質(zhì)量和織物結(jié)構(gòu)的重要參數(shù)[1]。紗線毛羽具有復(fù)雜的外觀特征,直接影響紗線條干均勻性的檢測[2-3]。目前，基于圖像法的紗線直徑檢測得到廣泛應(yīng)用，部分學(xué)者對紗線直徑圖像處理進行了基礎(chǔ)性論述，由于紗線毛羽分布極不規(guī)則，傳統(tǒng)濾波與閾值分割方法難以達到最佳分割效果[4-6]。因此,有學(xué)者針對傳統(tǒng)方法進行了改進優(yōu)化，以期獲得更高的精度。M.ELDESSOUKI等[7]利用高速攝像機對紗線圖像進行采集，并提出了一種新的魯棒方法，在合理的時間內(nèi)分析大量的紗線圖像，實現(xiàn)了紗線直徑的連續(xù)測量。V.CARVALHO等[8]開發(fā)一套完整的紗線自動表征系統(tǒng)，利用相干光學(xué)技術(shù)進行毛羽分析，通過傅里葉空間濾波器進行紗線圖像處理，該系統(tǒng)操作復(fù)雜，計算量大。D.YUVARAJ等[9]利用靜電解決毛羽對紗線直徑的影響，但是紗線條干邊緣毛羽的靜電作用對測量直徑影響較大。WANG R W等[10]基于圖像融合原理，獲取紗線條干圖像邊緣，但是該方法需要在顯微鏡下獲得聚焦的紗線毛羽圖像，檢測效率低。A.FABIJANSKA等[11]對紗線數(shù)字圖像采取圖割法提取紗線核心，基于高通濾波進行紗線分割和纖維提取，并驗證了該方法的普適性。李東潔等[12]改進雙邊濾波方法獲取紗線條干邊緣，從濾波圖像觀察該方法仍然不能完全去除紗線毛羽。景軍鋒等[13]應(yīng)用顯著性方法檢測紗線條干均勻度，其測量結(jié)果與烏斯特紗疵儀的測量結(jié)果有較好的一致性。

為了解決紗線條干檢測中毛羽干擾、邊緣不清晰等問題，作者提出一種基于改進形態(tài)學(xué)的紗線條干邊緣檢測方法。該方法首先使用圖像采集裝置獲取紗線圖像，在不破壞紗線條干輪廓及邊緣的前提下，利用全變分方法對紗線條干去噪，并進一步改進形態(tài)學(xué)濾波方法去除紗線毛羽獲取紗線條干。

1 實驗

1.1 紗線的制備

選取棉、麻、滌綸3種紗線原料，在線密度上選取多種規(guī)格，紡紗方式選擇環(huán)錠紡和緊密紡。將紡紗所得紗線試樣進行編號，不同品類的紗線共計15種，試樣相關(guān)參數(shù)見表1。

表1 紗線試樣的相關(guān)參數(shù)Tab.1 Relevant parameters of yarn samples

1.2 紗線圖像采集

紗線圖像采集系統(tǒng)由支撐架、傳動輥、工業(yè)相機、LED光源、背景黑板和計算機組成。紗線通過支撐架、傳動輥勻速運動，并保持一定的張力，其示意圖如圖1所示。工業(yè)相機采用Basler acA2500-14gc面陣相機，該面陣相機每秒14幀圖像，500萬像素分辨率，具體參數(shù)見表2。

圖1 紗線圖像采集示意Fig.1 Schematic diagram of yarn image acquisition1—傳動輥1；2—工業(yè)相機；3—背景黑板；4—傳動輥2

表2 面陣相機參數(shù)Tab.2 Area array camera parameters

2 紗線圖像直徑測量原理

面陣相機采集的紗線原始圖像見圖2。

圖2 紗線原始圖像Fig.2 Original yarn image

邊緣檢測算子的基本原理是計算二值化圖像的梯度幅值和梯度方向得到邊緣像素。常用的邊緣檢測算子有Laplacian算子、Roberts算子、Sobel算子和Canny算子等[14]。對紗線輪廓采用上述4種邊緣算子進行檢測，效果如圖3所示，可以看出傳統(tǒng)邊緣檢測算子對紗線提取輪廓存在邊緣不清晰、毛羽難以去除等問題。毛羽是客觀存在的物體，不屬于噪聲，因此首先采用圖像分割方法去除毛羽，繼而去除噪聲對紗線條干的影響，得到紗線條干主體部分的清晰圖像。從圖像第一列從上至下檢測紗線條干像素數(shù)，同理統(tǒng)計其余各列的像素數(shù)，可得到紗線直徑測量值。

圖3 不同算子紗線條干邊緣檢測效果Fig.3 Effect of different operators on yarn edge detection

3 圖像邊緣區(qū)域的去噪

紗線條干圖像的邊緣及噪聲主要在高頻區(qū)域。對于經(jīng)改進形態(tài)學(xué)得到的紗線條干圖像，為精確實現(xiàn)像素級的定位，需進一步對紗線條干邊緣進行降噪處理[15]。全變分方法具有良好的邊界保留效果，采用全變分模型對紗線條干邊緣去噪，紗線條干邊緣去噪的基本原理是紗線條干圖像的能量函數(shù)最小化。

紗線條干邊緣圖像可表示為式(1)：

I0=I+n

(1)

式中：I0為觀察圖像；I為紗線理想圖像；n為隨機噪聲。

基于全變分圖像降噪可以表示為式(2)：

(2)

式中：TV為紗線圖像的全變分；Ω為圖像定義空間；Ix為紗線圖像在x方向的梯度；Iy為紗線圖像在y方向的梯度。

約束條件如式(3)、(4)所示：

(3)

(4)

式中：|Ω|表示圖像空間的面積；σ為隨機噪聲。

將式(2)利用拉格朗日乘子法定義成一個新的能量泛函，如式(5)所示：

(5)

該方程(5)最小值解法可以參考文獻[16]。經(jīng)全變分去噪后的紗線圖像和去噪前的原始圖像對比如圖4所示，紗線圖像噪聲、細小毛羽等能夠有效去除。

圖4 全變分去噪前后紗線圖像對比Fig.4 Comparison of yarn images before and after total variation denoising

4 基于形態(tài)學(xué)邊緣檢測

4.1 形態(tài)學(xué)基本算子

數(shù)學(xué)形態(tài)學(xué)應(yīng)用到紗線條干邊緣檢測的原理是利用不同結(jié)構(gòu)元素對紗線表征像素集合進行相關(guān)卷積運算，從而去除毛羽的干擾，達到對紗線條干邊緣像素精確定位的目的[17]。其基本運算有膨脹、腐蝕兩種形式。

設(shè)f(x,y)為紗線二值圖像函數(shù)，s(i,j)為結(jié)構(gòu)元素，則f(x,y)被s(i,j)腐蝕、膨脹可分別用式(6)、(7)表示：

f(x,y)Θs(i,j)=min{f(x-i,y-j)-s(i,j)}

(6)

f(x,y)⊕s(i,j)=max{f(x-i,y-j)+s(i,j)}

(7)

式中：Θ表示腐蝕運算；⊕表示膨脹運算。

由式(6)可知：腐蝕運算可以縮小紗線條干邊緣目標區(qū)域像素，對于細小毛羽及其他無關(guān)像素單元可以濾出。由式(7)可知：膨脹運算可以放大紗線條干邊緣目標區(qū)域像素，可以填補圖像中的空白點，得到連續(xù)完整的紗線條干圖像。

開運算和閉運算是基于膨脹、腐蝕運算的兩種濾波器，其運算方式可用式(8)、(9)表示:

f(x,y)○s(i,j)={f(x,y)Θs(i,j)}⊕s(i,j)

(8)

f(x,y)□s(i,j)={f(x,y)⊕s(i,j)}Θs(i,j)

(9)

式中：○表示開運算；□表示閉運算。

紗線條干邊緣形狀復(fù)雜多變，使用單一的結(jié)構(gòu)元素及簡單的形態(tài)學(xué)開運算、閉運算難以準確得到紗線條干邊緣圖像[18-19]。紗線圖像采用邊長為5個像素的結(jié)構(gòu)元素進行腐蝕、膨脹、開運算和閉運算，見圖5。

圖5 基于基本形態(tài)學(xué)紗線條干邊緣檢測效果Fig.5 Yarn edge detection effect based on basic morphology

4.2 基于改進形態(tài)學(xué)邊緣檢測方法

本文引入信息熵加權(quán)系數(shù)，利用雙尺度四方向的形態(tài)結(jié)構(gòu)元素對紗線條干邊緣形態(tài)學(xué)檢測方法改進。利用小尺寸結(jié)構(gòu)元素獲取紗線條干邊界細節(jié)、大尺寸結(jié)構(gòu)元素濾除噪聲進行組合運算，提取紗線條干邊緣[20]。一副紗線二值化圖像具有多方向邊緣信息，該方法為實現(xiàn)檢測邊緣信息的完整度，采用4個方向(0°，45°，90°，135°)的3×3結(jié)構(gòu)元素，得到不同方向下的邊緣信息圖，再利用信息熵加權(quán)對不同方向下的邊緣圖像進行加權(quán)求和，保證得到紗線各方向邊緣圖像。

紗線圖像條干部分灰度分布均勻，毛羽部分灰度分布極不規(guī)則，因此采取2×2的正方形小尺寸結(jié)構(gòu)元素(S1)獲取紗線條干邊界細節(jié)、5×5的菱形大尺寸結(jié)構(gòu)元素(S2)進一步濾除噪聲，結(jié)構(gòu)元素如下：

S3i(i=1，2，3，4)表示0°、45°、90°、135° 4個方向的結(jié)構(gòu)元素，結(jié)構(gòu)元素如下:

設(shè)f為紗線二值圖像函數(shù)，改進之后的形態(tài)學(xué)算子如式(10)所示：

g(f)i=[(f○S1)□S2]⊕S3i-[(f□S1)○S2]ΘS3i

(10)

式中：g(f)i表示改進形態(tài)學(xué)算子后得到的某一方向紗線圖像。

邊緣檢測方法步驟如下：(1)根據(jù)公式(10)分別求出結(jié)構(gòu)元素所對應(yīng)的4幅不同方向的邊緣圖像；(2)根據(jù)式(11)求出4幅邊緣圖像的信息熵(Hi)；(3)根據(jù)式(12)計算每幅邊緣圖像的信息熵加權(quán)系數(shù)(hi)；(4)根據(jù)式(13)將圖像邊緣信息熵加權(quán)融合最后得到的圖像邊緣。

(11)

(12)

(13)

式中：L為灰度等級；Pi為第i級灰度值在紗線圖像發(fā)生的概率值；g(f)表示加權(quán)融合后得到的紗線圖像。

采取雙結(jié)構(gòu)4方向的形態(tài)學(xué)改進方法得到紗線條干邊緣如圖6所示，紗線條干邊緣清晰，紗線毛羽完全去除，且有效保留紗線條干粗節(jié)、細節(jié)等疵點。

圖6 基于改進方法得到的紗線條干邊緣示意Fig.6 Diagram of yarn edge observed by improved morphological method

5 檢測方法的驗證

5.1 紗線直徑測量結(jié)果分析

為驗證改進方法的有效性，選取15種紗線樣本，使用 MatLab 軟件R2018a版對所采集的圖像進行分析計算。改進方法得到的紗線測量直徑與理論直徑對比見表3。從表3可知，隨著紗線線密度增加，測量直徑隨之增加，且均大于理論直徑。由于該方法對紗線毛羽去除效果較好，因此獲取直徑誤差低于2%。一般而言，紗線線密度較高的情況下，紗線毛羽也會隨之增多，USTER公報數(shù)據(jù)測量的誤差也會增加，但改進方法誤差率沒有明顯增加，進一步驗證了該方法能夠有效提取紗線條干的特點。

表3 紗線直徑測量結(jié)果Tab.3 Yarn diameter measurement results

5.2 檢測方法評價指標

均方誤差(MSE)可以衡量不同邊緣檢測方法在同一圖像模型的精確度，峰值信噪比(PSNR)可以衡量不同邊緣檢測方法獲取的圖像質(zhì)量的好壞。MSE數(shù)值越小，則表示獲取像素誤差越小；PSNR數(shù)值越大，則表明圖像失真小，圖像質(zhì)量效果越好。

為了比較改進方法在紗線條干直徑檢測的優(yōu)越性，同傳統(tǒng)邊緣檢測算子Canny算子、Sobel算子、參考文獻[12]提到的改進 Otsu 閾值分割方法、參考文獻[13]提到的基于顯著性檢測圖像分割方法模型進行比較。從表4可知：改進方法提取紗線條干的MSE值低于傳統(tǒng)形態(tài)學(xué)方法、文獻[12]及文獻[13]的方法，證明改進方法提取紗線條干邊緣的誤差低；改進方法的PSNR數(shù)值大于傳統(tǒng)形態(tài)學(xué)方法、文獻[12]及文獻[13]的方法，說明改進方法提取的紗線條干邊緣質(zhì)量好。

表4 檢測方法的評價指標對比Tab.4 Comparison of evaluation indexes of detection methods

6 結(jié)論

a.傳統(tǒng)邊緣檢測算子對紗線條干邊緣的提取存在邊緣不清晰、毛羽難以去除等問題。使用全變分模型對紗線圖像去噪，能夠有效去除圖像噪聲、紗線細小毛羽等干擾因素。

b.該方法得到的紗線條干邊緣清晰，毛羽完全去除，且有效保留紗線條干粗節(jié)、細節(jié)等疵點。

c.選取15種不同規(guī)格的紗線，采用基于改進形態(tài)學(xué)邊緣檢測方法對紗線直徑進行測試，測試直徑與理論直徑誤差均低于2%。該方法的評價指標PSNR及MSE均優(yōu)于其他方法。