田會(huì)方，林澤天，吳迎峰

(1.武漢理工大學(xué) 機(jī)電工程學(xué)院，湖北 武漢 430070；2.武漢理工大學(xué) 復(fù)合材料纏繞裝備研究所，湖北 武漢 430070)

在玻璃纖維纏繞過(guò)程中，由于玻璃纖維所受張力過(guò)大與紗團(tuán)玻璃纖維用完后人工未發(fā)現(xiàn)等因素，將出現(xiàn)斷紗現(xiàn)象。目前很多企業(yè)主要通過(guò)人工進(jìn)行斷紗檢測(cè)，很大程度削減了自動(dòng)化的程度，而且人工檢測(cè)可能出現(xiàn)不能及時(shí)發(fā)現(xiàn)斷紗問(wèn)題，從而出現(xiàn)漏檢，這將對(duì)產(chǎn)品質(zhì)量產(chǎn)生不利影響，目前纏繞機(jī)玻璃纖維實(shí)時(shí)斷紗檢測(cè)成為企業(yè)難題之一。

針對(duì)以上問(wèn)題，目前國(guó)內(nèi)外相關(guān)的斷紗研究主要有3種類型：①機(jī)械式，機(jī)械式內(nèi)部結(jié)構(gòu)較為復(fù)雜，不易加工，不利企業(yè)大規(guī)模使用[1]；②傳感器式，如激光傳感器檢測(cè)、光電傳感器檢測(cè)等[2-3]。但由于玻璃纖維的運(yùn)動(dòng)后會(huì)產(chǎn)生飛揚(yáng)的小毛刺，會(huì)遮擋傳感器發(fā)出的激光從而導(dǎo)致誤檢。光電傳感器檢測(cè)準(zhǔn)確率較低，易受外部環(huán)境影響等缺陷[4-5]；③機(jī)器視覺式，機(jī)器視覺具有抗干擾能力強(qiáng)，實(shí)時(shí)性好以及準(zhǔn)確率高等優(yōu)點(diǎn)[6]。將機(jī)器視覺用于玻璃纖維的斷紗檢測(cè)，能夠避免玻璃纖維直接與檢測(cè)系統(tǒng)的接觸，而且該檢測(cè)裝置結(jié)構(gòu)簡(jiǎn)單以及方便后期的維護(hù)[7]。目前在紡織行業(yè)，已有研究者通過(guò)提取極值信號(hào)來(lái)判斷是否出現(xiàn)斷紗，通過(guò)相鄰紗線之間的距離突變來(lái)判斷哪根紗線斷開，但通過(guò)距離突變的方式存在一些問(wèn)題，如首根或者尾根紗線出現(xiàn)斷開，則無(wú)法判斷首尾根紗線斷開問(wèn)題[8]。筆者通過(guò)相鄰像素差值突變方式來(lái)獲取玻璃纖維實(shí)際根數(shù)，然后通過(guò)實(shí)際根數(shù)與預(yù)設(shè)根數(shù)對(duì)比來(lái)判斷是否出現(xiàn)斷紗，最后通過(guò)SVM(support vector machina)多分類判斷玻璃纖維斷開位置(即哪根玻璃纖維斷開)。

1 檢測(cè)系統(tǒng)簡(jiǎn)介

玻璃纖維纏繞機(jī)斷紗檢測(cè)系統(tǒng)主要由玻璃纖維纏繞機(jī)、圖像采集和視覺信息處理部分組成，玻璃纖維纏繞機(jī)斷紗檢測(cè)系統(tǒng)如圖1所示。

圖1 纏繞機(jī)斷紗檢測(cè)系統(tǒng)

本視覺系統(tǒng)選用CMOS(complementory metal oxide semiconductor)彩色相機(jī)(選用彩色相機(jī)是為考慮后期卷輥檢測(cè)問(wèn)題，本文并未涉及)，要求檢測(cè)精度為1mm/pixel，視野范圍為240 mm×30 mm,通過(guò)計(jì)算，可選用分辨率為130萬(wàn)像素相機(jī)，最終選用相機(jī)型號(hào)為MV-UBS131GC-T，相機(jī)工作距離設(shè)置為400 mm，安裝在玻璃纖維檢測(cè)區(qū)域正上方。通過(guò)焦距計(jì)算公式，得鏡頭焦距值約為8，故選用鏡頭焦距為8。其中光源選用LED(light-emitting diode)條形燈，條形光源適用于檢測(cè)方形結(jié)構(gòu)物體，光源安裝在玻璃纖維待檢測(cè)區(qū)域的正上方。

工業(yè)相機(jī)CMOS能夠?qū)崟r(shí)采集運(yùn)動(dòng)狀態(tài)的玻璃纖維圖像，然后將圖像信息輸入到計(jì)算機(jī)，經(jīng)過(guò)計(jì)算機(jī)圖像處理在顯示屏上實(shí)時(shí)顯示玻璃纖維狀態(tài)，當(dāng)出現(xiàn)斷紗問(wèn)題立即發(fā)出停機(jī)指令。

2 檢測(cè)原理及方法

2.1 圖像處理流程

圖像處理流程主要包括圖像加權(quán)平均灰度、圖像中值濾波、圖像二值化、圖像形態(tài)學(xué)操作，具體步驟如下：

(1)在待檢測(cè)區(qū)域獲取矩形ROI(region of interest)區(qū)域，設(shè)置矩形大小為1 600×100，如圖2所示。

圖2 矩形ROI圖

(2)圖像加權(quán)平均灰度[9]如圖3所示。

圖3 加權(quán)平均灰度圖

(3)圖像中值濾波[10]。核大小設(shè)置為7，可以有效地過(guò)濾掉玻璃纖維的小毛刺，如圖4所示。

(4)圖像二值化[11]。設(shè)置閾值大小為90，如圖5所示。

圖5 二值化圖

(5)圖像形態(tài)學(xué)操作。主要進(jìn)行腐蝕和膨脹，腐蝕操作內(nèi)核設(shè)置為3×3的矩形，膨脹內(nèi)核設(shè)置為5×5的矩形，經(jīng)過(guò)腐蝕和膨脹操作后，可以消除小區(qū)域的噪音，使得每根玻璃纖維形成完全封閉區(qū)域，如圖6和圖7所示。

圖6 形態(tài)學(xué)腐蝕圖

圖7 形態(tài)學(xué)膨脹圖

2.2 玻璃纖維斷開識(shí)別方法

圖像處理完成后，根據(jù)圖像的特征識(shí)別玻璃纖維是否斷開以及通過(guò)SVM多分類識(shí)別斷開位置(即哪根玻璃纖維斷開)。圖7為單通道圖像，用矩陣A表示如下：

Am×n=f(i,j)=

(1)

式中：f(i,j)為像素值；(i,j)為像素點(diǎn)；m、n為圖像行和列。

通過(guò)數(shù)學(xué)表達(dá)判斷玻璃纖維斷開的原理為：根據(jù)圖像矩陣A，首先定義相鄰點(diǎn)的列像素差值Fj(x)為：

Fj(x)=f(i,j+1)-f(i,j)

(2)

在矩陣A中，取固定行(本文取i=90)，掃描所有列，F(xiàn)j(x)=255出現(xiàn)的次數(shù)即表示玻璃纖維的實(shí)際根數(shù)，當(dāng)預(yù)設(shè)根數(shù)M與Fj(x)=255出現(xiàn)的次數(shù)不相等則表示玻璃纖維出現(xiàn)斷開。

纏繞機(jī)啟動(dòng)后，每根運(yùn)動(dòng)的玻璃纖維位置會(huì)出現(xiàn)一定程度的波動(dòng)，掃描所有行與列，當(dāng)Fj(x)=255，取y=j；當(dāng)Fj(x)=-255，取z=j，其中y和z分別表示同一根玻璃纖維左側(cè)和右側(cè)。

定義第k根玻璃纖維第i行像素中點(diǎn)坐標(biāo)為MIDk(i,Pk)，其中MIDk(i,Pk)可以統(tǒng)計(jì)每根玻璃纖維每行像素中點(diǎn)坐標(biāo)；i=0,1,2,…,m-1；Pk表達(dá)式如下：

(3)

式中：k為第幾根玻璃纖維；N為實(shí)際根數(shù)。

2.3 玻璃纖維斷開位置識(shí)別方法

通過(guò)紗線之間的距離判斷哪根玻璃纖維斷開，主要存在如下問(wèn)題：①假設(shè)首或尾根斷開，將難以判斷是首根還是尾根斷開；②當(dāng)出現(xiàn)多根紗線斷開，則紗線的距離不好把握；③由于玻璃纖維的特殊性，相鄰兩根玻璃纖維之間的距離是不太規(guī)則的。針對(duì)這些問(wèn)題筆者采用SVM一對(duì)一多分類方法，假設(shè)有M個(gè)類別，則需要M(M-1)/2個(gè)二分類器來(lái)解決多分類問(wèn)題[12]。以每根玻璃纖維各行像素中點(diǎn)坐標(biāo)MIDk(i,Pk)為訓(xùn)練特征，由于玻璃纖維是運(yùn)動(dòng)狀態(tài)，故MIDk(i,Pk)位置信息不明確。

假設(shè)有N個(gè)樣本，訓(xùn)練集為X={(x1,y1),(x2,y2),…，(xN,yN)}，其中：xn∈RK(K表示K維特征向量)；對(duì)應(yīng)的類標(biāo)簽為yn∈{1,2,…，M}；M為類個(gè)數(shù)；n=1,2,…，N。

對(duì)于第i類和第j類數(shù)據(jù)，可以通過(guò)以下方法解決二分類問(wèn)題：

式中：wij為法向量，決定超平面的方向；bij為位移項(xiàng)，決定超平面與原點(diǎn)之間的距離；C為懲罰因子；ξ為松弛變量。

SVM決策函數(shù)如下：

根據(jù)SVM決策函數(shù)預(yù)測(cè)測(cè)試數(shù)據(jù)屬于i類還是j類，可以通過(guò)投票的方式判斷數(shù)據(jù)類別。假設(shè)測(cè)試數(shù)據(jù)xtest預(yù)測(cè)類別為i類，則i類得一票，否則j類得一票，最終得票最多的類別為預(yù)測(cè)結(jié)果。倘若某根玻璃纖維斷開，運(yùn)動(dòng)狀態(tài)的玻璃纖維斷口移出檢測(cè)區(qū)域后，則此根玻璃纖維MIDk(i,Pk)將消失，沒斷開的玻璃纖維MIDk(i,Pk)將會(huì)分類到對(duì)應(yīng)的分類器并匹配到對(duì)應(yīng)的標(biāo)簽，則根據(jù)標(biāo)簽yn反推出少了哪個(gè)標(biāo)簽，即哪根玻璃纖維斷開。

3 結(jié)果驗(yàn)證

3.1 SVM多分類實(shí)驗(yàn)

搭建如圖8所示的實(shí)驗(yàn)平臺(tái)，預(yù)設(shè)玻璃纖維為28根。啟動(dòng)纏繞機(jī)，使28根玻璃纖維按照一定的速度運(yùn)動(dòng)，確保沒有斷紗情況。采集了300幅玻璃纖維圖像，分類屬性類別為28，每個(gè)類別貼上對(duì)應(yīng)的標(biāo)簽，獲取每幅圖像中每根玻璃纖維的MIDk(i,Pk)并作為訓(xùn)練特征，然后用混淆矩陣對(duì)該模型進(jìn)行評(píng)估，分別評(píng)估分類準(zhǔn)確率acciracu﹑分類精度precision和召回率recall。

(5)

(6)

(7)

式中：TP為真正例；FP為假正例；FN為假反例；TN為真反例。

圖8 實(shí)驗(yàn)平臺(tái)

將SVM的類型設(shè)置為C-SVC，核函數(shù)設(shè)置為L(zhǎng)INEAR，各平均指標(biāo)如圖9所示。從圖9可知，隨著迭代次數(shù)增加，SVM模型的各平均指標(biāo)逐漸遞增，當(dāng)?shù)螖?shù)達(dá)到600，各指標(biāo)趨于穩(wěn)定，故設(shè)置迭代次數(shù)為600。得到各二分類平均準(zhǔn)確率、精確率和召回率的結(jié)果如表1所示。

圖9 模型各平均指標(biāo)

表1 平均準(zhǔn)確率、精確率和召回率

從表1可知，整體預(yù)測(cè)平均準(zhǔn)確度為96.81%，正樣本結(jié)果中預(yù)測(cè)平均精確率為96.10%，負(fù)樣本結(jié)果中預(yù)測(cè)平均召回率為96.94%。該模型平均準(zhǔn)確率、精確率和召回率數(shù)值較大，可認(rèn)為該模型較優(yōu)。

3.2 綜合實(shí)驗(yàn)

啟動(dòng)纏繞機(jī)并運(yùn)行5 min，從斷紗檢測(cè)界面可知，該檢測(cè)系統(tǒng)能夠正常顯示，隨機(jī)截取一張未出現(xiàn)斷紗情況的圖像，結(jié)果如圖10所示。當(dāng)?shù)?根玻璃纖維出現(xiàn)斷開時(shí)，斷口移動(dòng)出有效檢測(cè)區(qū)域，顯示結(jié)果如圖11所示，從圖11中可知,第5根玻璃纖維斷開(第5根玻璃纖維無(wú)標(biāo)簽)，同時(shí)實(shí)時(shí)異常位置也顯示第5根斷開。實(shí)驗(yàn)結(jié)果表明該檢測(cè)系統(tǒng)較為穩(wěn)健。

圖10 正常情況顯示圖

圖11 異常情況顯示圖

4 結(jié)論

針對(duì)目前玻璃纖維斷紗檢測(cè)方法存在檢測(cè)準(zhǔn)確率不高、沒充分利用標(biāo)簽樣本等問(wèn)題，筆者采用自定義方法判斷玻璃纖維是否斷開以及通過(guò)SVM一對(duì)一多分類方法判斷玻璃纖維斷開位置。通過(guò)OpenCV編寫相關(guān)程序，實(shí)現(xiàn)了圖像處理、特征獲取和多分類訓(xùn)練與測(cè)試等。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)方法能夠?qū)崿F(xiàn)斷紗的檢測(cè)。