基于鱗片紋圖特征的羊絨識別及其含量確定

謝瑾仁，于偉東

（東華大學 紡織學院，上海 201620）

基于鱗片紋圖特征的羊絨識別及其含量確定

謝瑾仁，于偉東

（東華大學 紡織學院，上海 201620）

毛發的鱗片紋圖具有特征性，是人們區別不同毛發的重要特征之一，也是目前對羊絨／羊毛混合體鑒別及其含量測量的唯一標準方法.由于識別與計數為人工目測，易存在主觀誤差，故采用自制的光學顯微成像系統獲得圖像進行圖像處理與分析，提取羊絨和羊毛的纖維直徑、鱗片高度、周長、面積、鱗片相對面積、鱗片相對周長、徑高比和鱗片方形度共8個特征參數，并對各特征參數的相關性及分布特征進行研究討論.試驗結果表明，相對獨立的特征參數為纖維直徑、鱗片高度和方形度；羊絨與羊毛各參數理論分布曲線間的交疊面積最小為鱗片相對面積，這成為特征參數選擇和判識概率計算中權系數確定的依據.最后采用多參數貝葉斯分類模型實測3種試樣中羊絨和羊毛纖維含量，結果顯示與試樣的名義混紡比基本一致，從而證明此方法具有實用、精準、快速的特點.

毛發鱗片；紋圖特征；混紡比；貝葉斯分類模型；圖像處理

動物毛發纖維外表的鱗片形狀（又稱紋圖）具有特征性［1］.已有研究證明鱗片的紋圖特征可以用于動物間的區別［2］和毛發纖維的區別［3］.現實中，羊絨與羊毛混紡制品的纖維識別及羊絨含量的計算，就是依據各自鱗片紋圖的差異進行人工識別或計算機識別［4－5］，所判定的主要依據是鱗片的環狀化［6］，以及纖維直徑、鱗片高度、鱗片厚度等幾個指標［7－8］.人工識別雖然有環狀化的依據及綜合性的判定，但相對計算機識別，其不僅耗時費力，主觀性大，而且干擾多、誤差大.本文采用光學顯微成像分析系統采集纖維圖像，經圖像處理與分析以識別纖維表面鱗片圖紋的差異［9］，同時運用8個特征參數的多參數組合的貝葉斯模型［10］識別羊絨和羊毛，并計算羊絨／羊毛混紡織物中羊絨的含量，進而驗證纖維鱗片紋圖特征的指紋性.

1 試驗部分

1.1 試驗材料

試樣1：咖啡色機織物，其羊絨／羊毛含量為30.2%／69.8%，經緯紗的纖維組成相同.

試樣2：黑色機織物，其羊絨／羊毛含量為52.2%／47.8%，經緯紗的纖維組成相同.

試樣3：駝色針織物，其羊絨／羊毛含量為90.03%／9.97%.

所有樣品來自標準檢驗機構，稱標準檢驗A.上述結果更接近于加工單位的名義混紡比，即工業加工中的工藝混紡比：試樣1為30／70；試樣2為50／50；試樣3為100／0.

1.2 試驗儀器

本試驗所用的光學顯微成像分析系統由東華大學紡織材料與技術實驗室自主研發［11］，其主要包括硬件機構、控制系統和圖像處理軟件3個部分.硬件機構主要包括多功能載物臺、移動機構、顯微數碼攝像器、投影照明裝置、計算機.該裝置的顯微成像系統主體如圖1所示.該儀器的最大特點是可快速、無損地對纖維試樣進行圖像采集，即實物布樣或衣樣可直接放于該儀器載物臺上，無需對測量樣進行制樣和其他處理.

1.3 試驗流程

圖1 顯微成像系統主體圖Fig.1 The main graphic of microscopic image system

試驗的測試流程如圖2所示.首先布樣平置于載物臺上，輕微加壓，使布樣平整地貼于玻璃窗上；調整光照角度和亮度，側投射照明布樣被檢測面；顯微數碼攝像器的光學物鏡和目鏡的放大倍數分別為40和15倍，對每個試樣沿x和y方向移動掃描采集，采集量為≥1 000根纖維圖像，所采集的纖維鱗片圖像如圖3（a）所示.然后對圖像作濾波和二值化處理，二值圖像如圖3（b）所示，采用Matlab對應工具箱完成8個特征參數提取.8個特征參數分別為纖維直徑d（即鱗片寬度）、鱗片高度h、鱗片周長P、鱗片面積A、鱗片相對面積（面積比）Ad＝A／d2、鱗片相對周長（周徑比）Pd＝P／d、鱗片相對高度（徑高比）dh＝d／h和鱗片的方形度SR＝A／（P／4）2，涉及4個單一參數和4個組合參數.其中，方形度SR在文獻［12］中定義為矩形度，但更為準確的定義應為鱗片方形化的程度，因為羊絨與羊毛在此特征上的區別是羊絨鱗片更為方形化.利用各參數分布函數的區別，建立多參數貝葉斯分類模型進行纖維識別，并根據識別出來的兩類纖維根數計算其混紡比.

圖2 試驗纖維鱗片紋圖特征提取分析流程圖Fig.2 The flow diagram of fiber scale's feature extraction

圖3 纖維原始圖及二值圖Fig.3 Original grey image of fiber and binary image of fiber

2 試驗結果與分析

羊絨和羊毛都有鱗片，而鱗片紋圖各具有特征性，這與人的指紋特征相類似［13］.纖維鱗片的紋圖復雜多變，故通過纖維鱗片的單一形狀特征指標不可能清晰、準確地表達纖維的特征，因此，人們不會只以纖維直徑或鱗片高度來區分羊絨和羊毛，而要觀察羊絨和羊毛鱗片紋圖的整體特征及其差異，或者利用某幾個形態特征值來計算識別［14］.這也是目前標準檢驗羊絨制品中羊絨含量的基礎，只是測量與判斷這些特征差異是依靠人工目測辨別來確定的.雖然纖維鱗片單一的形狀特征理論上是隨機的，但其分布特征是不同的.若多個紋圖特征指標的分布特征放在一起考察，羊絨和羊毛的區別將是明顯的，甚至完全不同的，即具有指紋性.基于這一事實，首先對本文所選擇的8個特征參數的相關性和其分布特征值的差異性進行分析.

2.1 纖維鱗片紋圖特征參數的相關性

光學顯微成像分析系統對每個試樣采集1 000根纖維圖像，共3 000根纖維圖像.對采集的纖維圖像進行特征參數提取后，發現纖維各參數間的關系存在3種情況：線性相關、線性無關和非線性相關，分別見圖4和5所示.

圖4 3個試樣的纖維參數間的線性相關和線性無關圖Fig.4 The linear correlation and independence of parameters for 3samples

圖5 3個試樣的纖維參數間的非線性相關圖Fig.5 The nonlinear correlation of parameters for 3samples

由圖4（a）可知，3個試樣的鱗片周長P隨著纖維直徑d的增加而增大，為典型的線性相關，相關系數R＝0.871.此結果顯而易見并存在正比關系P∝d，故其中一個參數獨立，可選為識別指標.由圖4（b）可知，3個試樣的鱗片高度h與纖維直徑d不存在相關性，其相關系數R＝0.006，表明鱗片高度h獨立于纖維直徑d.

由圖5（a）可知，3個試樣的鱗片面積隨著鱗片周長的增加呈非線性單調增加，相關度R2＝0.947，故其更接近非線性相關，在纖維識別時只選其中一個參數即可.由圖5（b）可知，3個試樣的鱗片相對面積隨著纖維直徑的增加而呈非線性逐漸減小，其非線性擬合曲線的相關度R2＝0.471，在纖維識別時只選其中一個參數即可.

由上述分析可知，試樣中8個特征參數間的相關性差別較大，計算8個特征參數間的相關系數，如表1所示.由表1可知，纖維直徑與鱗片高度和方形度為獨立的，尤其方形度獨立于其他7個參數，即鱗片紋圖周長圍起的圖形方形化程度是表達羊絨和羊毛特征的獨立參數.根據實際經驗也知羊絨的鱗片徑高比小于羊毛，只是人工很難綜合方形度因子.直徑與鱗片高度的相關系數僅為0.006，而與其他5個參數的相關系數較大.故將纖維直徑作為一個固定識別指標，結合鱗片高度和方形度構成機檢3參數識別模型.若不考慮各參數間的相關系數，可將8個參數都作為識別指標構成機檢全參數識別模型.

表1 3個試樣中纖維各特征參數間相關系數表Table 1 The correlation of characteristic parameters for 3samples

2.2 特征參數的分布特征值及差異

3個試樣中纖維特征參數間不僅相關系數存在較大差異，其變異系數也同樣存在差異，如表2所示.

表2 3個試樣中纖維各參數的變異系數Table 2 The coefficient of variation of characteristic parameters for 3samples

由表2可知，試樣1和2中的纖維各特征參數的變異系數均大于試樣3，且試樣2又均大于試樣1，表明羊絨和羊毛纖維存在顯著差異，而3個試樣中纖維直徑的變異系數均為各參數中最大，故此參數識別纖維的能力強.

通過實測得到羊毛和羊絨兩類纖維各1 000根的8個特征參數值，并經統計分布分析，可知羊絨和羊毛纖維的直徑、鱗片高度、鱗片相對面積、鱗片相對周長、徑高比和方形度近似服從對數正態分布，如圖6所示.其中，方形度的分布重合度較高，而其他指標的分布差異較大，故用羊絨與羊毛同一參數的分布交疊面積Ac來表示識別的靈敏性，重合度越大，識別的靈敏性越差，如圖6（a）中陰影部分所示.由于鱗片周長和鱗片面積的交疊程度最大，靈敏性差，故不列出兩者的分布圖.方形度SR雖為獨立變量，但重疊面積很大，故識別的靈敏性也很差.

圖6 羊絨與羊毛纖維6個參數的理論分布Fig.6 The theoretic distribution of the six parameters for cashmere and wool

由此分布結果討論可知，兩類纖維各參數的理論分布曲線的交疊部分是判定所測參數在區別羊絨和羊毛中是否顯著的最重要依據.故引入正確判率參數a，如式（1）所示.

可以通過各參數理論分布曲線的非交疊性特征來確定各參數的選擇，從而可知各參數識別纖維的顯著性順序為鱗片相對面積＞鱗片徑高比＞鱗片相對周長＞鱗片高度＞纖維直徑＞鱗片方形度，即交疊面積越大，則識別纖維的顯著性越差.由此可知，方形度的顯著性很差，其識別纖維的能力很弱，故在主要影響參數識別模型的指標中，根據顯著性排序，選擇顯著性最好的鱗片相對面積，且其與纖維直徑和鱗片高度的相關系數也較小，從而構建了由纖維直徑、鱗片高度和鱗片相對面積組成的3參數識別模型.現將羊絨和羊毛纖維的8個特征參數的統計值列出，如表3所示.

表3 羊絨和羊毛纖維中8個特征參數的統計值比較Table 3 The statistic comparison of 8characteristic parameters for cashmere and wool

由表3可知，羊絨的纖維直徑、鱗片周長、鱗片面積和徑高比的均值小于羊毛，而鱗片高度、鱗片相對面積、鱗片相對周長和方形度的均值大于羊毛.另外，羊絨纖維各參數的變異系數均小于羊毛纖維，且羊絨與羊毛纖維各參數的變異系數差異較大.對于單個參數而言，該參數的兩類纖維均值差越大，變異系數差越小，以該參數判定時誤差越小.

2.3 多參數貝葉斯分類模型及纖維識別

為了能辨識羊絨與羊毛纖維，利用兩類纖維中提取的8個特征參數：纖維直徑（x1）、鱗片高度（x2）、鱗片周長（x3）、鱗片面積（x4）、鱗片相對面積（x5）、鱗片相對周長（x6）、徑高比（x7）以及鱗片方形度（x8），構成基于貝葉斯分類模型的多參數組合的識別.因此，每根纖維均可以用一個特征向量x＝（x1，x2，x3，x4，x5，x6，x7，x8）表示.分別設羊絨纖維的條件值為ω1，羊毛纖維的條件值為ω2，則纖維的判別概率為P（ωi｜x）（i＝1，2），即每根纖維特征向量為x＝（x1，x2，x3，x4，x5，x6，x7，x8）時，該纖維屬于ωi條件的概率為P.

根據貝葉斯分類模型，得知其識別規則［15］：若P（ω1｜x）＞P（ω2｜x），則判定此纖維為羊絨；若P（ω1｜x）＜P（ω2｜x），則判定此纖維為羊毛.利用該識別規則對試樣1，2和3中各1 000根纖維進行判定，計算出每根纖維的P（ω1｜x）和P（ω2｜x）值，分析每根纖維的種類，即可求得其混紡比.兩類纖維的各參數的P（ωi｜xj）（i＝1，2；j＝1，2，3，4，5，6，7，8）可以利用上文擬合的理論分布曲線求得，各曲線方程的函數表達式為

其中：σ和μ分別為理論分布曲線的均方差和均值；y0和A為擬合系數.

本文分別采用機檢全參數模型和機檢3參數模型對3個試樣進行識別檢測.取機檢全參數模型，則依式（3）即可求得每根纖維的P（ω1｜x）和P（ω2｜x），并比較其大小判斷每根纖維的種類.

其中：αj為權系數，其由各參數的正確判率aj依據式（4）得出的，而aj由式（1）求得.

由直徑、鱗片高度和鱗片相對面積構成機檢3參數模型，則P（ωi｜x）＝α1×P（ωi｜x1）＋α2×P（ωi｜x2）＋α3×P（ωi｜x3），（i＝1，2）.

機檢全參數模型和3參數模型對3個試樣混紡比的測試結果如表4所示.

表4 3個試樣的混紡比測試結果Table 4 The test results of blending ration for 3samples %

由表4可知，采用機檢全參數模型和機檢3參數模型所測得結果非常接近，由此說明篩選特征參數的重要性，這不僅可以準確地判定纖維的歸屬，計算得到各纖維的含量，而且可以減少和簡化判別與計算量.標準檢驗A的結果與名義混紡比在試樣1和2上最為接近，但在試樣3（純羊絨）上的羊毛含量竟為10.0%，由此可知試樣1和2實測值接近名義值，而試樣3的實測誤差很大.因標準檢驗是通過拆紗、切成小段，混合后在顯微鏡下觀察、判定和計數，所以采樣偏差與人為誤判會影響試驗結果，其中標準檢驗B的結果較具有代表性.

顯然本文方法的測試結果與名義混紡比更為接近，故表明依據特征參數建立貝葉斯模型對羊絨制品中羊絨纖維的識別更為精確，誤判率更低，試樣1的最大誤判率僅為1.4%，試樣2的最大誤判率僅為1.6%，試樣3的最大誤判率為7.0%.尤其是試樣3更能反映識別的絕對誤差，標準檢驗A和B的誤差分別為10.0%和8.0%，而本文方法的誤差僅為6.8%，由此說明標準檢驗B本質上比標準檢驗A更為準確，但差于本文方法.

3 結 語

本文采用自制的光學顯微成像分析系統，經圖像處理和分析提取了羊絨和羊毛纖維的8個鱗片紋圖特征參數，分析了各特征參數的相關性和其分布特征值的差異性，其中兩類纖維各參數分布函數之間的差異是通過其理論分布曲線的交疊性特征來確定的.

提出了選擇特征參數的兩個依據：一是參數的分布曲線交疊面積越小，平均值的差異越大，變異系數差異越小，則應選為識別指標；二是參數的相關系數越小，即越獨立，則應選為識別指標.根據兩類纖維特征參數理論分布曲線的交疊面積引出了正確判率，它是所選參數的顯著性和識別精度的基礎，也構成了多參數貝葉斯分類模型中各特征值概率計算的權系數.

運用多參數貝葉斯分類模型的全參數和3參數模型，對3種試樣進行識別，實測纖維含量與名義混紡比基本一致，這證明了參數篩選的重要性和本文中篩選方式的有效性.與實際標準檢驗方法比對，本文方法被證實更為精準、客觀.

參 考 文 獻

［1］石先軍，于偉東，袁子厚.基于貝葉斯方法的山羊絨和細羊毛的鑒別［J］.紡織學報，2008，29（1）：26－28.

［2］SHE F H，KONG L X，NAHAVANDI S.Intelligent animal fiber classification with artificial neural networks［J］.Textile Research Journal，2002，72（7）：594－600.

［3］BAHUGUNA A， MUKHERJEE S K .Use of SEM to recognise Tibetan antelope （Chiru）hair and blending in wool products［J］.Science ＆Justice，2000，40（3）：177－182.

［4］JIA Y P，YANG Y H .Study on identifying blend ratio of wool and cashmere by computer image recognition technology ［J］.Energy Procedia，2011，13（6）：8260－8266.

［5］ROBSON D，WEEDALL P J，HARWOOD R J.Cuticular scale measurements using image analysis techniques ［J］.Textile Res J，1989，59（12）：713－717.

［6］楊桂芬，付妍，紅霞，等.掃描電子顯微鏡與光學顯微鏡鑒別山羊絨纖維的技術探討［J］.中國纖檢，2006（6）：15－19.

［7］楊建忠，王榮武.羊絨與羊毛纖維表面形態的圖像處理與識別［J］.毛紡科技，2002（5）：12－15.

［8］王曉紅，姚穆，劉守智.綿羊毛與山羊絨的鑒別［J］.西北紡織工學院學報，2001，15（2）：204－206.

［9］季益萍，王瑞，楊鎖廷，等.計算機圖像識別技術檢測羊絨羊毛混紡比［J］.毛紡科技，2008（10）：58－60.

［10］SHI X J，YU W D.Classification of animal fibers based on microscopic images［J］.Journal of Applied Sciences，2009，27（1）：62－66.

［11］于偉東，夏林，杜趙群，等.一種用于紡織品中纖維組成含量分析的裝置及方法：中國，201010143828.4［P］.2010－08－10.

［12］石先軍.羊絨特征判析準則及快速識別算法研究［D］.上海：東華大學紡織學院，2011.

［13］SHI X J，YU W D.Fuzzy classification of animal fibers using neuro－fuzzy classifier ［C］／／First International Conference on Intelligent Networks and Intelligent Systems.2008：119－122.

［14］張耀文.基于圖像分析和統計分析的羊絨識別機制研究［D］.北京：北京服裝學院信息工程學院，2009.

［15］SHI X J，YU W D.A new classification method for animal fibers ［C］／／The 2008International Conference on Audio，Language and Image Processing.2008：206－210.

Using the Scale Pattern to Identify the Cashmere and Determine Its Content

XIEJin－ren，YUWei－dong
（College of Textiles，Donghua University，Shanghai 201620，China）

Scale pattern of hairs has the characteristic，it's one of the most important features to identify different hairs，it's also the only standard method used in the identification of cashmere／wool blends to obtain their blended ratio.There are some subjective errors due to the identification and counting of manual or visual checking，so a self－made optical microscopic imaging system is used for collecting images and image processing and analyzing，then 8 characteristic parameters are extracted，including fiber diameter，scale interval，scale perimeter，scale area，relative scale area，relative scale perimeter，relative scale interval，and scale square factor.The correlation and distribution among all the characteristic parameters are discussed.The experimental results show that fiber diameter，scale interval and scale square factor are relatively independent characteristic parameters，and the relative scale area has the minimal overlapping area of theoretic distribution in all parameters.The results become the basis of characteristic parameters selection and determining the weight coefficient of calculating identification probability.Finally，the multi－parameter Bayesian classification model is used in calculating content of cashmere and wool in 3 samples.The results are basically consistent，which proves that this method is feasible，accurate，and fast.

hair scale；pattern characteristic；blend ratio；Bayesian classification model；image processing

TS 102.3

A

1671－0444（2013）06－0737－07

2012－09－05

謝瑾仁（1989—），男，湖南邵陽人，碩士研究生，研究方向為紡織品檢測和圖像處理.E－mail：xiejinren890501＠126.com

于偉東（聯系人），男，教授，E－mail：wdyu＠dhu.edu.cn