馬傳旭，張 寧，潘如如

(生態(tài)紡織教育部重點實驗室(江南大學)，江蘇 無錫 214122)

紗線進入后道工序前，會在絡筒工序被加工成容量較大的筒子[1]。目前，紡紗行業(yè)中“小批量、多品種”已逐漸成為企業(yè)生產(chǎn)的主流形式，同一臺絡筒機可以生產(chǎn)不同品種的筒子紗。對于紗線顏色相同的筒子紗而言，僅從外觀難以區(qū)分品種，這可能導致產(chǎn)品在后續(xù)的運輸和打包時出現(xiàn)錯誤，因此需要在筒子紗由絡筒車間運輸?shù)桨b車間過程中逐個進行品種檢測，確保將同類筒子紗打包在一起。傳統(tǒng)筒子紗品種檢測依靠人工根據(jù)紗線顏色、紗管圖案或標簽內(nèi)容檢測，但這種模式耗時費力，人工成本高，且容易出錯。根據(jù)筒子紗品種與紗管的對應關系，對紗管進行圖像處理與識別可以替代人工進行品種檢測。

目前利用圖像處理技術檢測筒子紗紗管品種的研究較少，識別筒子紗品種主要依據(jù)紗線顏色。例如：任慧娟等[2]根據(jù)不同顏色紗線在HSV顏色空間中色調(diào)不同進行筒子紗種類識別；陳紀旸[3]提出設定筒子紗紗線顏色的RGB閾值進行筒子紗分類；倪弈棋等[4]采用雙目視覺并通過改進的深度卷積神經(jīng)網(wǎng)絡(SSD)實現(xiàn)了多種顏色筒子紗的識別定位。但這些方法僅考慮了紗線本身的顏色，對于紗線顏色相同的筒子紗分類有效性仍缺乏實驗的支撐?；谔卣鞴こ痰膱D像分類方法基本框架為圖像預處理、特征提取、構造分類器、預測分類。應龍等[5]通過均值漂移算法實現(xiàn)圖像不規(guī)則分割，并提取動態(tài)局部顏色直方圖特征進行圖像檢索；Yue等[6]使用顏色直方圖和灰度共生矩陣(GLCM)構成顏色和紋理融合特征進行圖像檢索；Timo等[7]提出局部二值模式(LBP)來描述圖像的局部紋理特征；Robert等[8]提出灰度共生矩陣的紋理特征提取方法，定義了14種描述紋理的特征統(tǒng)計量；Fawwaz等[9]發(fā)現(xiàn)，GLCM的特征統(tǒng)計量中，對比度、逆差矩、相關性和能量是不相關的，選擇了對比度和逆差矩特征用于圖像分類并獲得了較高的準確率。常用的分類器有K最近鄰(KNN)、決策樹(DT)、支持向量機(SVM)等。羅來平等[10]改進分類決策樹算法實現(xiàn)遙感圖像分類。萬華林[11]集成圖像的紋理、邊緣和顏色直方圖特征，構造SVM實現(xiàn)圖像的語義分類。針對不同的問題，人工設計的特征提取方法的有效性和分類器的分類效果有待驗證。

本文提出基于特征融合的筒子紗紗管品種檢測方法，分別采用顏色直方圖和局部二值模式提取紗管圖像的顏色和紋理特征，并構造支持向量機實現(xiàn)紗管分類，通過分類模型進行紗管的品種檢測。

1 圖像采集與預處理

1.1 圖像采集裝置

筒子紗圖像采集裝置如圖1所示，包括CCD彩色面陣相機、LED光源、光源控制器、光電傳感器、遮光罩、工業(yè)計算機。

相機分辨率為1 280像素×1 024像素，安裝在筒子紗運輸導軌拐角處，拍攝筒子紗頂部包含紙管信息的圖像并上傳至計算機；LED光源安裝在相機頂部，額定最大功率為40 W；光源控制器控制LED光源頻閃，為相機提供瞬時高亮度照明；傳感器用于感應筒子紗是否達到識別位置，輸出啟動圖像采集信號；遮光罩隔絕外部環(huán)境光照影響，內(nèi)部表面粘貼黑色絨布，消除內(nèi)壁反光；工業(yè)計算機含有的中央控制單元控制相機、光源控制器、光電傳感器之間的配合，對采集的圖像進行處理和識別。

1.2 圖像預處理

采集的筒子紗圖像如圖2(a)所示。其中，紗管色環(huán)是需要提取的目標區(qū)域，首先將圖像灰度化，通過最大類間方差法進行二值化，將紗線和紗管所在區(qū)域分隔開。通過圖像輪廓將邊緣連接形成一個整體，對于二值圖像中存在的多個輪廓區(qū)域，計算圓整度R和設定面積閾值TS從而篩選出紗管輪廓，并通過橢圓擬合紗管區(qū)域，如圖2(b)所示。

圖2 預處理各階段圖像

(1)

式中：S為輪廓面積；C為輪廓周長。

1.3 極坐標變換

為方便紗管特征提取，本文將環(huán)形紗管通過極坐標變換展開成矩形。極坐標變換是在原圖像中，以點(cx,cy)為原點，R為半徑的圓內(nèi)部的點，變換到以(cx,cy)為極點的極坐標下。為便于展示，將經(jīng)極坐標變換的紗管圖像進行圖像加權和提高亮度，如圖2(c)所示。極坐標變換公式為：

(2)

(3)

(4)

式中：(x,y)表示圓內(nèi)任意一點；ρ表示點(x,y)距圓心(cx,cy)的徑向距離;θ表示角度。

對圖像應用極坐標變換可將笛卡爾坐標系中的徑向線映射到極坐標空間中的水平線。采集的筒子紗頂部圖像紙管為一同心圓，以圓心作為極坐標系統(tǒng)的中心，做1條與水平線成θ角的射線，與圓環(huán)內(nèi)、外邊界相交于2點，圓環(huán)內(nèi)射線上任意一點(x,y)都可以用2個交點的線性組合表示：

(5)

式中：(xo,yo)、(xi,yi)分別為射線與圓環(huán)的內(nèi)、外邊界交點。

2 紗管特征提取

紗管品種與筒子紗品種具有對應關系，為匹配筒子紗多樣化的品種，紗管的品種由多種顏色和花紋的組合進行豐富。顏色對于純色或相同循環(huán)花紋單元的紗管品種而言是最直觀的區(qū)分屬性，而不同循環(huán)花紋單元的紗管品種可以由紋理視覺屬性進行描述，如：點狀的、星型的、條紋的。因此，本文研究采用顏色特征和紋理特征共同描述一幅筒子紗紗管圖像，紗管品種的差異由這2種特征的不同來體現(xiàn)。

2.1 顏色特征

顏色特征依賴于所選擇的顏色空間，HSV顏色空間能夠直觀表達色彩的明暗、色調(diào)以及鮮艷程度，更符合人的視覺感知特點，在圖像處理領域應用廣泛。紗管圖案通常由紅、橙、藍、綠等常見顏色中的1種或2種繪制，且紗管上的圖案位置并不固定，存在邊緣處有不完整圖案的現(xiàn)象；顏色直方圖描述了不同色彩在整幅圖像中所占的比例，而不關注每種色彩所處的空間位置，因此可作為紗管圖像的顏色特征。合適的顏色量化方案既可降低計算復雜度，又不會丟失過多的顏色信息，基于對紗管顏色的分析，過于精細的顏色量化方法不一定能提高對不同顏色組合的紗管品種的區(qū)分能力，反而會增加計算的復雜度，因此在本文研究中，根據(jù)紗管常用色的色調(diào)范圍將H非均勻量化為8個部分，并將S和V劃分為黑色區(qū)域、白色區(qū)域和彩色區(qū)域，即以H:S:V=8:3:3進行量化。

(6)

(7)

(8)

將3個顏色分量量化結果組合得到一個一維特征向量：

F=QS×QV×H+QV×S+V=9H+3S+V

(9)

式中：QS、QV分別為S、V分量的量化級數(shù)，QS=3，QV=3。H、S、V最大分別可取7、2、2；F的取值區(qū)間為[0, 71]，顏色量化后直方圖的維度為72維。

2.2 紋理特征

紗管花紋具有多樣性，紗管整體圖案由同一種形狀的花紋循環(huán)排列而成，花紋存在位置偏移、印刷顯示不全的問題，LBP算子能表征位于圖像局部區(qū)域的紋理，可作為紗管圖像的紋理特征。LBP根據(jù)圖像不同區(qū)域的中心像素值對其鄰域像素進行二值編碼，鄰域像素值大于中心像素值標記為1，否則為0，將結果保存為LBP編碼，用該值反映區(qū)域的紋理信息。LBP計算方法為

(10)

(11)

式中：P為半徑為R時鄰域像素點的個數(shù)；gc、gp分別為中心點和鄰域點灰度值。

用圓形鄰域代替正方形鄰域，可以將固定大小的鄰域擴展到任意半徑R，包含任意多個采樣點P的圓形LBP。旋轉圓形鄰域內(nèi)的LBP特征，選擇一系列LBP值中的最小值作為該鄰域的LBP值，得到旋轉不變的LBP特征。LBP循環(huán)二進制數(shù)在0、1之間最多有2次跳變時稱為一個等價模式，通過等價模式對LBP算子進行降維，利用統(tǒng)計直方圖表征圖像的紋理信息。本文選擇常用的3種不同采樣點P和采樣半徑R的LBP算子，如圖3所示，并通過實驗優(yōu)選確定最佳算子。

圖3 不同尺度LBP算子

3 紗管特征分類

本文研究面向紡紗企業(yè)品種檢測的實際應用，需要根據(jù)紗管的顏色和圖案準確而穩(wěn)定地檢測不同品種。支持向量機(SVM)雖然是針對二分類問題提出的，但通過構造多個分類器，同樣可應用于紗管品種的多分類問題。其基本思想是利用結構最小化原理在屬性空間中建立最優(yōu)超平面，將數(shù)據(jù)集正確地分類，并且得到最大的分類間距。SVM的線性可分最優(yōu)分類超平面如圖4所示。2類樣本分別用圓形和三角形表示。H是分隔超平面；H1和H2為間隔邊界，其上的點分別為2類樣本中距離H最近的點。H1和H2上的點稱為支持向量，H1與H2到H的距離相等，2個平面之間的距離稱為分類間隔。

注：w為平面上的法向量，決定超平面的方向;b為實數(shù)，代表超平面到原點的距離。

為找到一種有效的紗管品種分類器，SVM核函數(shù)的選擇是一個關鍵問題。通過特征轉換函數(shù)將樣本從低維空間映射到高維空間，在高維空間中容易找出分隔超平面實現(xiàn)樣本分類。SVM核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、高斯核函數(shù)(RBF)。RBF可以把輸入特征映射到無限多維，因此本文選擇使用RBF的SVM算法。高斯核函數(shù)為

(12)

式中：x、xi表示2個向量;1/2σ2表示RBF超參數(shù);‖x-xi‖表示向量的模。

不同的核函數(shù)需要不同的參數(shù)，針對高斯核函數(shù)，除要設置懲罰系數(shù)C外，還需要指定γ值，即高斯核函數(shù)公式中的1/2σ2。對于預設的C和γ組合，通過網(wǎng)格搜索使用每組(C,γ)參數(shù)訓練模型，每組超參數(shù)都采用K折交叉驗證進行評估。最后選出最優(yōu)參數(shù)組合建立SVM分類模型。K折交叉驗證將訓練集隨機分為K組，每次挑選1組作為驗證集，剩余K-1組作為訓練集用來訓練模型，如此循環(huán)K次，將K組測試結果取平均值作為模型的指標，其原理如圖5所示。

注：Ei表示第i次交叉驗證的測試結果，i=1,2,…,K。

4 實驗與結果分析

本文實驗在Windows 10系統(tǒng)、Intel(R)Core(TM)i7-7500U CPU和8 G RAM計算機上進行，使用Python語言編程。實驗過程如下：1)筒子紗圖像經(jīng)預處理得到紗管色環(huán)的矩形展開圖；2)將圖像由RGB顏色空間轉換到HSV顏色空間，獲取顏色特征，計算紋理特征，融合2種特征；3)使用網(wǎng)格搜索和5折交叉驗證確定最優(yōu)參數(shù)，構造SVM分類器?；跇嬙斓募喒芊诸惸Ｐ?，紗管品種檢測流程如圖6所示。

圖6 筒子紗紗管品種檢測流程圖

本文所有圖像采集于一家紡紗企業(yè)的筒子紗運輸導軌裝置，選擇2組類型筒子紗圖像實驗。A組：半黑、M黑、梅黑、點黑、星黑;B組：星黑、星綠、星橘、星紅。共涉及8類樣本。

為便于展示，對紗管展開圖進行加權和提高亮度，如圖7所示。各類樣本圖像均為100張，按照7:3的比例構造訓練集和測試集。

圖7 實驗用紗管圖像矩形展開圖

4.1 參數(shù)優(yōu)選

本文實驗采用“一對一”的方法實現(xiàn)紗管品種多分類，基于LIBSVM完成。為提高模型的分類性能，對模型參數(shù)進行優(yōu)選，主要包括顏色直方圖量化方式和LBP算子優(yōu)選，SVM的懲罰系數(shù)C和核半徑γ，并得到最優(yōu)參數(shù)下模型的分類準確率。

通過對顏色組成不同的B組紗管圖像進行分類檢測，對比H:S:V=8:3:3、H:S:V=16:4:4、H:S:V=32:8:8這3種不同的非均勻量化方式，根據(jù)分類準確率和特征提取用時選擇最優(yōu)量化方式，結果如表1所示。當紗管的顏色組成發(fā)生變化時，3種量化方式獲得的顏色特征都準確檢測出品種的變化，由于紗管顏色差異大且無需根據(jù)深淺進行顏色細分，圖像采集光照條件相同，H:S:V=8:3:3量化方式足夠區(qū)分紗管用色，更精細的劃分方式并不會影響準確率，相反維度增加會造成計算耗時，因此選擇H:S:V=8:3:3作為紗管圖像顏色的量化方式適用于顏色組成具有差異的紗管品種檢測。

表1 顏色量化方式優(yōu)選

采樣點個數(shù)影響運算時間，采樣點半徑影響特征的精細程度，對不同循環(huán)花紋單元的A組樣本使用LBP8,1、LBP16,2、LBP24,3進行分類實驗，根據(jù)準確率和特征提取用時篩選最優(yōu)算子，結果如表2所示。3種算子的分類準確率分別為56.67%、96.67%、94.00%。與LBP8,1相比，使用后2種算子分類準確率明顯提升，當LBP采樣半徑為2時可精細表征紗管圖像的紋理特征，采樣半徑更大的LBP24,3誤將圖像中的噪聲判定為圖像的紋理信息，準確率反而降低，同時采樣點數(shù)增加，特征提取耗時增加，因此選擇性能更好的LBP16,2可用于不同循環(huán)花紋單元的紗管品種檢測。

表2 局部二值模式算子優(yōu)選

懲罰系數(shù)C大，對誤分類的懲罰增大，模型在訓練集測試時準確率高，但泛化能力弱，對測試樣本預測準確率低；懲罰系數(shù)C小，對誤分類的懲罰變小，允許容錯，泛化能力較強。核半徑γ越小，模型復雜度越低，容易出現(xiàn)欠擬合；反之模型復雜度高，容易過擬合。本文研究預設懲罰系數(shù)C范圍為0.01～10，核半徑γ范圍為0.01～30，并通過構造等差數(shù)列的方式為每個參數(shù)設定30個不同的取值，對所有的(C,γ)組合，使用5折交叉驗證獲得不同分類模型的最佳參數(shù)。

4.2 結果與分析

使用本文提出的紗管圖像融合特征表征，基于上述優(yōu)選的分類器參數(shù)尋優(yōu)方法對黑色系花紋紗管、星型紗管和混合紗管進行品種分類，其結果如表3所示。在懲罰系數(shù)C選擇2.069，核半徑γ選擇3.104時，模型對8類紗管的分類準確率達到100%。通過相同的參數(shù)尋優(yōu)方法得到黑色系花紋紗管分類最優(yōu)參數(shù)(C，γ)為(2.069，2.069)，星型紗管的分類最優(yōu)參數(shù)(C，γ)為(0.346，1.035)。

表3 支持向量機參數(shù)優(yōu)選及紗管分類結果

LBP算子可獲得半圓、M型、梅花、點狀、星型紗管的圖案紋理，對不同圖案的黑色系紗管圖像有良好的區(qū)分能力。星型紗管不同配色綠、橘、紅等有各自對應的色調(diào)值H范圍，而黑色有較小的亮度值V，因此HSV顏色直方圖能很好地區(qū)分不同印刷用色的紗管圖像。紗管圖像存在印刷不規(guī)整的現(xiàn)象，當梅花圖案印刷不規(guī)整時會在紗管上產(chǎn)生與點狀相似紋理，M型和星型圖案印刷位置偏向紗管下方時也會出現(xiàn)相似的紋理，這些情況下僅使用LBP算子會造成錯分，由于圖案在印刷時循環(huán)間隔不同，印刷色在紗管上的分布不同，使用顏色直方圖可以輔助紋理特征加以區(qū)分。同時由于顏色直方圖特征不關注顏色所處的空間位置，即使是不同的圖像也可能獲得相同的直方圖特征，因此需要紋理信息輔助不同色系圖像的分類識別。實驗結果表明，融合特征對混合的黑色系紗管和星型紗管有較高的分類準確率。

4.3 方法對比

為衡量本文所提方法對紗管品種的分類效果，將本文所述特征提取方法和分類算法與其它特征組合和分類算法進行對比。對比的特征為顏色矩和GLCM，通過SVM進行分類。顏色矩使用HSV顏色空間下的一階矩、二階矩和三階矩[12]，GLCM選擇對比度、熵、相關性、能量[13]用以表征紋理信息。對比的分類方法為KNN和DT，使用本文所述特征組合進行分類。預設KNN近鄰數(shù)n為1～10，DT樹深d為1～100，使用5折交叉驗證進行參數(shù)尋優(yōu)。實驗樣本為所有8類圖像，分類結果分別如表4、5所示。

表4 不同特征組合紗管分類結果

表5 不同分類器對紗管分類結果

分析表4、5的對比實驗結果可知，本文提出的特征提取方法結合SVM分類效果優(yōu)于其它特征組合和分類方法。顏色直方圖較顏色矩更能直觀體現(xiàn)紗管圖像的顏色構成，LBP較GLCM更適合表征紗管圖像紋理。由于顏色直方圖和LBP16,2特征維度不同，決策樹信息增益的結果偏向于顏色特征，且決策樹分叉時特征的隨機性很大，導致分類準確率低；KNN分類準確率略低于SVM，對測試數(shù)據(jù)進行預測時計算量較大。

5 結 論

本文針對筒子紗運輸過程的紗管品種檢測進行研究，依據(jù)紗管的圖案印刷特點，運用顏色直方圖和LBP特征相融合的方法，并結合支持向量機構造紗管分類模型，用于紗管品種檢測。結果表明，本文方法對相同圖案的星型紗管、黑色系花紋紗管和混合紗管的分類準確率達100%，與其它方法相比有更高的準確率，對于運輸導軌上筒子紗紗管的品種檢測具有實用價值。但由于工業(yè)場景更為復雜，本文方法及模型在實際應用中可能存在檢測錯誤，仍需進一步驗證。未來還需進一步研究適合工業(yè)應用的紗管品種檢測方法，并嘗試對多目標筒子紗紗管進行品種檢測。