軋光工序中織物接縫線的圖像檢測

朱 博，潘如如，劉基宏，高衛東

(生態紡織教育部重點實驗室(江南大學)，江蘇無錫 214122)

隨著計算機技術的快速發展，圖像處理技術在紡織業的應用逐漸廣泛，包括纖維類別檢測、棉網的均勻性檢測、紗線以及織物外觀質量檢測、織物結構參數的自動識別等［1］.

在織物后整理的軋光工序中，當織物接縫線經過熱膠輥時，因接縫處厚度突然增加，會在膠輥表面留下痕跡，這種痕跡會復制到后續軋光的織物表面，從而影響布面外觀與平整度，甚至產生疵品，因此在現有的軋光工序中，需由人工操作控制熱膠輥的升降以避讓接縫線，以免造成上述質量問題。然而，這種方法存在視覺系統誤差，人工反應速度誤差以及工人持續緊張導致的疲勞失誤等，這些主觀因素可能造成接縫線的過度避讓或者避讓不及。

對于較厚的織物，也有根據厚度變化采用接觸式滾輪來自動檢測是否存在織物接縫的方法，但隨著高檔織物的薄型化，這種厚度檢測方法已經不能滿足實際生產的要求，只能依靠人工視覺進行織物接縫線的檢測。本文提出一種基于數字圖像處理的非接觸式織物接縫線智能檢測方法，不僅可以減少對織物的損傷而且可以降低工人勞動強度，并可大大提高織物接縫線識別精度。軋光工序中織物接縫線自動檢測的過程分為3步:1)采集織物圖像，獲取有接縫線與無接縫線的圖像信息;2)圖像預處理，對采集到的織物圖像依次進行灰度化與濾波去噪，得到清晰的織物灰度圖像;3)完成織物圖像是否存在接縫線的判別。

1 試樣準備與采集

在選擇軋光加工的織物時，以細支高密防羽布為試樣，并以接縫線兩側的織物分別為同色與異色2種情形來考慮，所有接縫線的顏色均為乳白色。

采用工業相機進行織物圖像采集，幀速為20幀/s，圖像為真彩色。分辨率是圖像采集的重要技術參數，分辨率過高，會增加處理過程運算量，進而影響系統識別速度;分辨率過低，則達不到識別精度［2－3］，本文系統選擇的分辨率為 640 像素 ×160像素。試樣接縫線的線徑約為0.2 mm，為保證識別精度，至少占1個像素，即每毫米試樣在圖像上至少占5個像素。調整相機鏡頭與織物的間距，使圖像中織物的實際尺寸為80 mm×20 mm，即每毫米占8個像素。實際生產中，織物運行速度一般為30～50 m/min，而本文系統理論上每分鐘可以采集到的織物長度為96 m，可實現接縫線的實時在線檢測。圖1為采集的1幀含有接縫線的防羽布圖像。

圖1 含有接縫線的防羽布圖像Fig.1 Image of down-proof seam fabric

2 織物圖像預處理

為了獲取圖像中的有用信息，需要對圖像進行一系列處理。首先將彩色織物圖像轉換為灰度圖像;接著對圖像進行去噪處理，不僅可以保持圖像細節信息，還可以更加精準地檢測接縫線信息［4］;最后提取圖像的特征參數。

為了提高圖像處理的計算速度，首先需將彩色圖像轉化為灰度圖像［5］。本文運用加權平均法對彩色圖像進行灰度處理，所用公式為:

式中:X為灰度值;x1、x2、x3分別為紅、綠、藍色分量值。

圖像的隨機噪聲會影響特征參數的提取，因此需對圖像進行濾波處理去除噪聲。中值濾波是一種非線性濾波處理技術［6］，基本原理是將每個像素點的灰度值設置為該點某鄰域窗口內的所有像素點灰度值的中值［7］。中值濾波的優點在于能夠去除噪聲的同時在很大程度上避免邊緣模糊［8］。

圖2為經過上述圖像預處理后，含有接縫線的防羽布圖像。從圖中可看出圖像經過預處理后，接縫線更為清晰可辨。

圖2 圖像預處理后含有接縫線的防羽布圖像Fig.2 Image of down-proof seam fabric after image processing

3 圖像特征值提取與分析

圖像特征參數的選取應遵循以下原則［9］:1)實用性，特征參數要少而精，要使識別分類速度快并且計算量小;2)準確性，特征參數必須要使識別分類的誤判率低;3)唯一性，特征參數之間要彼此獨立，各個參數表達不同的特征。

對圖像預處理后的織物圖像分別計算均值、標準差和CV值，利用灰度直方圖可實現上述特征參數的快速計算［10］。

依據軋光工序中膠輥對織物的軋光時序，依次采集防羽布接縫線前側、含有接縫線與接縫線后側的織物圖像。選取4組防羽布試樣，接縫兩側同色的有淺色試樣 1(1-1#、1-2#、1-3#)、中色試樣 2(2-1#、2-2#、2-3#)、深色試樣3(3-1#、3-2#、3-3#)和兩側異色的試樣 4(4-1#、4-2#、4-3#)，按順序采集共 12 幅圖像，依上述流程進行圖像預處理，處理后結果如圖3所示。由于相機帶有自動白平衡調整功能，在采集試樣4-3#時，相機通過其鏡頭和白平衡感測器對光線情況進行自動調整。

3.1 灰度均值

防羽布圖像的灰度均值可反映其灰度分布的平均程度，圖3中防羽布圖像的灰度均值的計算結果如表1所示。

圖3 圖像預處理后的防羽布圖像Fig.3 Images of down-proof fabric after image processing

表1 防羽布樣品圖像灰度均值Tab.1 Gray mean values of down-proof fabric

從表1可看出:前3組樣品中有接縫線圖像的灰度均值大于無接縫線圖像，而第4組樣品中有接縫線圖像與無接縫線圖像的灰度均值無此規律，因此均值無法成為識別織物有無接縫線的特征參數。

3.2 灰度標準差

防羽布圖像的灰度標準差可反映其灰度分布的離散程度，圖3中防羽布圖像的灰度標準差的計算結果如表2所示。

表2 防羽布圖像灰度標準差Tab.2 Gray standard deviation of down-proof fabric

從表2可看出:4組樣品中有接縫線圖像的灰度標準差大于無接縫圖像，但灰度標準差是個絕對變化量，若用它作為判別參數，在接縫線與織物顏色相近的情況下，會造成誤判。

3.3 灰度變異系數

灰度變異系數CV值是標準差與相應均值的比值，可衡量數據的變異程度。在分析防羽布圖像灰度特征時，變異系數可以很好地反映多幀均值不等圖像的灰度離散程度。圖3中防羽布圖像的灰度CV值的計算結果，如表3所示。

表3 防羽布圖像灰度CV值Tab.3 Gray CV values of down-proof fabric

從表3可看出:4組樣品中有接縫線圖像的灰度CV值均大于無接縫圖像。CV值反映了圖像灰度的相對變化，客觀反映了各組防羽布圖像的灰度離散程度，可以作為檢測有無接縫線的標準。從表中數據可看出，無接縫線圖像的灰度CV值最大為0.076 3，有接縫線圖像的灰度 CV值最小為0.136 3，后者將近是前者的2倍。判別有無接縫線的閾值應選在0.076 3到0.136 3之間，為保證算法具有較強的魯棒性，選擇其平均值作為閾值。

為了檢驗算法的有效性，對試樣中另外3組防羽布圖像進行檢測，結果如表4所示。

表4 防羽布接縫線評定結果Tab.4 Evaluation results of down-proof fabric seam

表4結果表明，本文提出的方法對不同種類防羽布的接縫線都能夠達到正確的識別。

為檢驗系統的實時性，對每幀圖像的處理時間進行測試。每幀圖像的實際處理時間為0.042 8 s。小于用于每幀圖像的采集時間0.05 s，可以滿足織物有無接縫線實時檢測的要求。

4 結論

由工業相機采集的防羽布彩色圖像先通過加權平均法得到灰度圖像，而后進行中值濾波去除噪聲。在防羽布特征提取的實驗中，提取了圖像預處理后灰度圖像的3項特征參數，分別是均值、標準差、CV值。通過數據分析，均值與標準差都無法有效地對織物有無接縫線進行識別，CV值可以成為檢測織物接縫線的特征參數。與傳統的軋光工序中人工控制熱膠輥升降以避讓接縫線相比，采用本文提出的數字圖像處理方法能夠精確地判別接縫線，且不受工人主觀因素的影響。由實驗結果可知，軋光工序中織物接縫線的圖像檢測方法是可行的，并且圖像處理的計算量小，檢測速度快，可實現接縫線的及時避讓。

［1］ 狄煒，徐伯俊.數字圖像處理在紡織中的用及發展［J］.計算機應用，2002，30(3):61 －62.DIWei，XU Bojun.The application and development of digital image processing in textile［J］.Computer Application，2002，30(3):61－62.

［2］ 潘如如，高衛東.基于圖像處理的機織物密度的高精度識別［J］.紡織學報，2008，29(11):128 －131.PAN Ruru，GAO Weidong.High-precision identification ofwoven fabric density via image processing［J］.Journalof Textile Research，2008，29(11):128－131.

［3］ 潘如如，高衛東，錢欣欣，等.基于互相關的印花織物疵點檢測［J］.紡織學報，2010，31(12):134 －128.PAN Ruru，GAOWeidong，QIAN Xinxin，etal.Defect detection of printed fabrics using normalized cross correlation［J］.Journal of Textile Research，2010，31(12):134－128.

［4］ 降雨志.基于CCD焊縫自動跟蹤系統的研究［D］.沈陽:沈陽工業大學，2002:27－29.JIANG Yuzhi.The study of automatic tracking system of welding seams basing on CCD sensor［D］.Shenyang:Shenyang University of Technology，2002:27 －29.

［5］ 李玉紅，潘如如，高衛東，等.基于數字圖像處理的拼毛比例分析［J］.紡織學報，2010，31(11):20 －24.LIYuhong，PAN Ruru，GAO Weidong，et al.Wool blending based on digital image processing［J］.Journal of Textile Research，2010，31(11):20－24.

［6］ 劉建立，左保齊.織物疵點圖像消噪方法的比較［J］.紡織學報，2007，28(11):128 －131.LIU Jianli， ZUO Baoqi. Comparison of denoising methods used in fabric defects image［J］.Journal of Textile Research，2007，28(11):128－131.

［7］ 李彥君，蘇紅旗，楊峰，等.改進的中值濾波圖像去噪方法研究［J］.計算機工程與設計，2009，30(12):2995－2997.LIYanjun，SU Hongqi，YANG Feng，et al.Improved algorithm study about removing image noise［J］.Computer Engineering and Design，2009，30(12):2995－2997.

［8］ 朱紅.數字圖像處理基礎［M］.北京:科學出版社，2005:91－92.ZHU Hong.The Basis of Digital Image Processing［M］.Beijing:Science Publishing Company，2005:91－92.

［9］ 耿兆豐.基于圖像分析的服裝縫線疵點的識別研究［D］.上海:東華大學，2008:63－70.GENG Zhaofeng.Research of recognizing garment seam defects based on image analysis［D］. Shanghai:Donghua University，2008:63 －70.

［10］ 殷開成，于偉東.基于圖像處理技術的服裝疵點檢測系統研究［J］.計算機系統應用，2008(10):7－10.YIN Kaicheng，YUWeidong.Study of garment production detection system based on image processing［J］.Applications of Computer System，2008(10):7－10.