齊英蘭

(河南輕工職業(yè)學(xué)院 信息工程系，河南 鄭州 450002)

近年來，我國棉花產(chǎn)量一直位居世界前列，2020年我國棉花產(chǎn)量約 591萬t，約占全球棉花總產(chǎn)量的25.4%[1]。作為主要紡織原材料，棉花與農(nóng)業(yè)、工業(yè)、商業(yè)等領(lǐng)域都息息相關(guān)。棉花在加工過程中，即使經(jīng)過籽棉清理，原棉中仍會留存雜質(zhì)，這些雜質(zhì)在軋花過程中被打散成更細(xì)小的雜質(zhì)微?；祀s在棉纖維中，增加了后續(xù)工藝中清除的難度，也降低了棉紡成品的質(zhì)量和價(jià)格[2]。在原棉雜質(zhì)中，包括破籽、帶纖維籽屑、軟籽表皮在內(nèi)的破籽類雜質(zhì)占比較大，因此，快速準(zhǔn)確檢測出該類雜質(zhì)成為亟待解決的難題。

目前，原棉破籽類雜質(zhì)主要依靠刺輥鋸齒分梳松散，在機(jī)械和氣流的作用下，纖維和雜質(zhì)分離，該方式人工勞動強(qiáng)度大、耗時(shí)長、檢測效率低[3-4]。隨著機(jī)器視覺技術(shù)的發(fā)展，相關(guān)研究主要有，李龍[5]提出基于Mobile-Net-V2模型的棉花表面雜質(zhì)自動化識別方法；王飛等[6]選取Sobel算子等4種邊緣檢測方法進(jìn)行適用性分析；張志強(qiáng)等[7]采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得的BP神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值進(jìn)行棉花圖像分割；黃仰東等[8]設(shè)計(jì)了一種基于Mean-shift的圖像處理特征識別算法；婁聯(lián)堂等[9]提出了基于圖像灰度變換的OTSU閾值優(yōu)化算法。由于OTSU最佳閾值需要遍歷所有像素值、計(jì)算復(fù)雜度高、實(shí)時(shí)性弱等限制了OTSU方法的應(yīng)用[10]。

針對上述存在的問題，本文結(jié)合原棉破籽類雜質(zhì)的性狀特征，通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子進(jìn)行優(yōu)化，迭代整個(gè)群體的全局最優(yōu)位置和粒子自身的歷史最優(yōu)位置，進(jìn)而求解最大類間方差，獲取最優(yōu)圖像分割閾值。

1 圖像采集與預(yù)處理

對于原棉破籽類雜質(zhì)圖像的采集，本文搭建了基于工業(yè)相機(jī)與LED光源的視覺圖像采集系統(tǒng)，采用?？低旵MOS工業(yè)相機(jī)，相機(jī)具有自動和手動調(diào)節(jié)增益功能，圖像采集最大尺寸2 048 pixel × 1 536 pixel，能夠準(zhǔn)確獲取清晰的雜質(zhì)圖像，光照系統(tǒng)采用LED光源，色溫6 500 K。圖像處理算法采用VC++與OpenCV實(shí)現(xiàn)，計(jì)算機(jī)硬件為Intel Core i7 CPU、8GB內(nèi)存。

由于原棉破籽類雜質(zhì)圖像邊緣信息復(fù)雜，為了更加突出雜質(zhì)的結(jié)構(gòu)特征，需要對采集的圖像進(jìn)行灰度變換增強(qiáng)處理，在降低噪聲的同時(shí)獲取到雜質(zhì)真實(shí)細(xì)節(jié)特征信息，進(jìn)而實(shí)現(xiàn)雜質(zhì)邊緣信息的有效提取。

灰度變換具體方法是根據(jù)目標(biāo)條件，按照變換關(guān)系逐像素點(diǎn)調(diào)整原始圖像內(nèi)各像素的灰度，增強(qiáng)圖像動態(tài)范圍，進(jìn)而使原棉雜質(zhì)圖像具有較高的對比度，使得主要內(nèi)容顯著且清晰?；叶茸儞Q可分為線性變換和非線性變換，本文采用分段線性變換，方法見圖1。

圖1 分段線性變換Fig.1 Segmented linear transformation

在圖1中，設(shè)定原棉雜質(zhì)圖像為f(i,j)的灰度值區(qū)間為[0，255]，目標(biāo)灰度值區(qū)間為[a,b]，假設(shè)變換后的圖像g(i,j)將灰度值區(qū)間延伸至[c,d]范圍內(nèi)，那么[a,b]區(qū)間內(nèi)的灰度值將被延伸，兩端的灰度值將會被壓縮，則其相對應(yīng)的分段線性變換方法見式(1)：

(1)

2 原棉圖像中破籽類雜質(zhì)檢測

2.1 OTSU方法

OTSU是用于圖像自適應(yīng)閾值分割的算法，由于其通過圖像灰度特征值確定最佳閾值使得檢測目標(biāo)和圖像背景2部分的類間方差取最大值。由于方差能夠度量圖像灰度等級分布相似性，檢測目標(biāo)與圖像背景的類間方差越大，檢測目標(biāo)與圖像背景差別就越大，因此，確保類間方差最大，使得錯(cuò)分的機(jī)率最小。

假設(shè)圖像目標(biāo)與背景分割閾值為t，目標(biāo)像素點(diǎn)平均灰度為μ1，目標(biāo)占整幅圖像像素比為ω2，背景像素點(diǎn)平均灰度為μ2，目標(biāo)占整幅圖像像素比為ω2，整幅圖像所有像素平均灰度為μ，則類間方差為σ2的數(shù)學(xué)表達(dá)見式(2)：

σ2=ω1(μ1-μ)2+ω2(μ2-μ1)2

(2)

由于類間方差越大，檢測目標(biāo)與圖像背景的像素差異越大，因此，σ2取最大值時(shí)的閾值t即為最佳閾值。

2.2 最佳分割閾值計(jì)算模型

粒子群算法是群體智能優(yōu)化迭代算法，它通過研究粒子位置更新模式，以快速準(zhǔn)確收斂至全局最優(yōu)解，即是，將類間方差設(shè)置為目標(biāo)函數(shù)，通過整個(gè)群體的全局最優(yōu)位置和粒子自身的歷史最優(yōu)位置，在一定的隨機(jī)擾動下決定下一步速度，進(jìn)而求解最大類間方差。

設(shè)定d維空間中第i個(gè)粒子由 3個(gè)d維向量組成當(dāng)前位置xi、歷史最優(yōu)位置pi、速度vi分別為：

xi=(xi1,xi2,…,xid)

(3)

pi=(pi1,pi2,…,pid)

(4)

vi=(vi1,vi2,…,vid)

(5)

式中，i為粒子群中粒子數(shù)目。每次迭代過程中，將粒子i的當(dāng)前位置與歷史最優(yōu)位置比較，如果當(dāng)前位置優(yōu)于其歷史最優(yōu)位置時(shí)更新pi，否則維持pi不變。粒子的位置和速度迭代更新依照式(6)進(jìn)行，

(6)

式中：ω為慣性權(quán)重因子，c1、c2為學(xué)習(xí)因子，r1、r2為區(qū)間范圍[0，1]中的隨機(jī)數(shù)，t為迭代次數(shù)。

在現(xiàn)有粒子群算法的基礎(chǔ)上，本文采用通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子進(jìn)行改進(jìn)，慣性權(quán)重因子與學(xué)習(xí)因子依照式(7)動態(tài)更新，

(7)

在最佳閾值計(jì)算模型中，群體中粒子總數(shù)為N，則自適應(yīng)系數(shù)按式(8)計(jì)算，

(8)

2.3 改進(jìn)OTSU方法檢測流程

在改進(jìn)的OTSU破籽類雜質(zhì)檢測方法中，通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子優(yōu)化，完成粒子位置與速度的迭代更新，進(jìn)而求取最佳閾值，其檢測流程如圖2所示。

圖2 改進(jìn)OTSU方法檢測流程Fig.2 Improved OTSU method detection process

主要步驟描述為:

步驟1：對原棉圖像進(jìn)行灰度變換增強(qiáng)處理，初始化各粒子的速度和位置。

步驟2：按照式(6)進(jìn)行信息更新，一般選擇c1 =c2 = 2，ω= 0.9。

步驟3：根據(jù)式(2)計(jì)算每個(gè)粒子適應(yīng)度值，即為其對應(yīng)閾值的類間方差。

步驟4：將粒子當(dāng)前適應(yīng)度與其歷史最優(yōu)值比較，若當(dāng)前適應(yīng)度更有優(yōu)，則更新歷史最優(yōu)值且將當(dāng)前位置作為粒子最優(yōu)位置。同樣，更新種群歷史最優(yōu)位置。

步驟5：判斷粒子群中所有粒子的適應(yīng)度是否都已經(jīng)計(jì)算完畢，同時(shí)，根據(jù)式(7)重新計(jì)算慣性權(quán)重因子和學(xué)習(xí)因子，返回Step2，直至粒子群計(jì)算完成。

步驟6：根據(jù)粒子群算法獲取的最佳閾值，進(jìn)行OTSU邊緣檢測與識別。

3 結(jié)果與分析

為驗(yàn)證本文方法的有效性，實(shí)驗(yàn)選取含有破籽類雜質(zhì)的原棉樣本50份，每個(gè)樣品100 g，圖像采集系統(tǒng)獲取原棉圖像，其分辨率為1 400 pixel × 1 800 pixel，位深度24，采用仿真程序進(jìn)行檢測性能分析。

3.1 雜質(zhì)邊緣提取精度分析

破籽類雜質(zhì)邊緣的提取精度直接影響著邊緣的檢測準(zhǔn)確度，在圖像采集與仿真實(shí)驗(yàn)系統(tǒng)中，實(shí)驗(yàn)對比了OTSU、Canny、Sobel方法與本文改進(jìn)方法在雜質(zhì)邊緣的提取精度上的測試結(jié)果。邊緣提取精度采用對提取的雜質(zhì)邊緣像素點(diǎn)數(shù)量的相對誤差進(jìn)行衡量，即絕對誤差與真實(shí)測量值的比值乘以100%，50份棉樣檢測結(jié)果取平均值，結(jié)果如表1所示。

表1 雜質(zhì)邊緣提取精度對比Tab.1 Impurity edge extraction accuracy comparison

從表1可以看出，根據(jù)50例棉樣的均值數(shù)據(jù)統(tǒng)計(jì)，OTSU、Canny、Sobel方法檢測到的雜質(zhì)像素都在44 762 pixel以下，漏檢至少3 511 pixel，相對誤差在7%以上。本文改進(jìn)OTSU方法的相對誤差為6.03%，通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子優(yōu)化改進(jìn)，獲得圖像分割的最優(yōu)閾值，使邊緣信息的描述更全面地表征雜質(zhì)像素的屬性，與其它方法相比，相對誤差平均降低2.74%，雜質(zhì)漏檢減少2 910 pixel，增加了檢出雜質(zhì)量，有效提高雜質(zhì)邊緣提取精度。

3.2 檢測耗時(shí)分析

為進(jìn)一步驗(yàn)證本文方法雜質(zhì)檢測的效率，在圖像采集與仿真實(shí)驗(yàn)系統(tǒng)中，分別采集600 pixel×1 536 pixel等4種不同分辨率的棉樣圖像進(jìn)行對比測試。對比結(jié)果如圖3所示。

圖3 檢測耗時(shí)對比Fig.3 Comparison of testing time consumption

圖3對比結(jié)果顯示，與OTSU方法相比，在高中低分辨率條件下，本文方法采用粒子群優(yōu)化，由于降低了迭代次數(shù)，進(jìn)而檢測耗時(shí)較少，平均減少0.21 s，有效減少了圖像分割與檢測的時(shí)間。

3.3 檢測效果分析

雜質(zhì)邊緣分割精度的是檢測效果的重要體現(xiàn)，基于上述實(shí)驗(yàn)環(huán)境，分別采集帶有破籽類雜質(zhì)的原棉圖像，對圖像進(jìn)行預(yù)處理，并將OTSU、Canny、Sobel方法與本文方法的檢測效果進(jìn)行對比，檢測效果對比如圖4所示?？芍?，各方法基本都檢測到了原始棉樣中的雜質(zhì)，但OTSU方法與Sobel方法存在漏檢，Canny方法檢測的雜質(zhì)邊緣清晰流暢，但背景噪聲較大，且存在誤判，本文方法通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子進(jìn)行優(yōu)化，進(jìn)而獲取最優(yōu)圖像分割閾值。相比其他方法，本文方法更能準(zhǔn)確刻畫雜質(zhì)的邊緣特征，檢測到的雜質(zhì)邊緣完整、流暢，避免了雜質(zhì)邊緣的漏檢，能夠有效提高原棉破籽類雜質(zhì)的檢測效果與效能，但雜質(zhì)與圖像背景分割還不夠分明，存在少量背景雜散點(diǎn)，尚需進(jìn)一步改進(jìn)優(yōu)化。

圖4 檢測效果對比Fig.4 Comparison of testing results. (a) Original cotton sample image；(b) Image pre-processing；(c) OTSU method；(d) Canny method；(e) Sobel method；(f) This article method

4 結(jié) 論

在OTSU方法最佳閾值的獲取中，本文提出基于粒子群優(yōu)化最佳閾值的雜質(zhì)檢測方法，通過動態(tài)調(diào)整慣性權(quán)重因子與自適應(yīng)動態(tài)調(diào)整學(xué)習(xí)因子進(jìn)行優(yōu)化，進(jìn)而求解最大類間方差，獲取最優(yōu)圖像分割閾值。實(shí)驗(yàn)結(jié)果表明，與OTSU、Canny、Sobel方法相比，本文方法的雜質(zhì)檢測相對誤差平均降低2.74%，檢測到的雜質(zhì)邊緣能夠有效表征雜質(zhì)像素，雜質(zhì)邊緣描述明確，提高了雜質(zhì)檢測性能，適用于原棉破籽類雜質(zhì)快速檢測。