籽棉中異性纖維的雙光源成像檢測方法

韋 平， 張 林， 劉 翔， 王 冬， 蘇真偉,2

(1. 四川大學 制造科學與工程學院， 四川 成都 610065； 2. 廣東理工學院， 廣東 肇慶 526100)

籽棉中異性纖維的雙光源成像檢測方法

韋 平1， 張 林1， 劉 翔1， 王 冬1， 蘇真偉1,2

(1. 四川大學 制造科學與工程學院， 四川 成都 610065； 2. 廣東理工學院， 廣東 肇慶 526100)

針對現有的異纖清理機無法徹底清除異性纖維的問題，提出了一種在籽棉軋花前對異性纖維進行檢測的方法。以清除了鈴殼、莖、葉等有機雜物的籽棉和常見的21種有色及白色異纖為檢測樣本，在白色LED和紅色線激光雙光源照明獲取圖像，在RGB顏色空間的R通道和HSI顏色空間的S通道利用改進的索貝爾(Sobel)邊緣檢測算法檢測異纖。同時在S通道利用一維最大熵法以提高異纖檢測率。實驗結果表明：采用的雙光源照明成像方法和圖像處理算法可減少陰影等干擾，白色異纖的檢出率可達到74.7%，有色異纖的檢出率可達到70.8%，為籽棉中異性纖維的檢測提供了參考和借鑒。

籽棉; 異性纖維； 雙光源成像； 顏色空間； 圖像處理

棉花經過人工或機器清除污雜物(或稱異性纖維或異纖)之后，仍有少量地膜、塑料、包裝袋等異性纖維混入紗線中，最終殘留在面料上，使最終產品產生嚴重的質量問題，生產企業為此付出了高昂的代價。棉花中異性纖維的徹底、高效清除，多年來一直是國內外紡織業亟待解決的問題[1-2]。

從總體看，棉花中異纖的機器分揀可分為2個階段[3]：第1階段在籽棉軋花前，一般采用清理機，通過機械梳理、纏繞、拋射和風選等方法，去除棉花中的鈴殼、莖葉、木塊、石子和較大的異纖，但籽棉清理機對物理機械性能和棉花相近的異物，包括質量較輕、尺寸較小的異性纖維，清除效果有限；清理的第2階段在籽棉變成皮棉后，在經過開清工序時，成團的籽棉已經變成松軟、連片的皮棉，可攤薄、均勻地傳送到檢測系統，獲取的圖像陰影較少，易于處理、識別，但在這一階段，皮棉中的異性纖維已跟隨籽棉經過去籽、軋花、開清等工序，一部分軋成了碎片或細絲，尺寸太小而難于檢測，還有一部分被裹入棉花纖維團之中，無法被看到，很難識別并分揀出來[4-5]。這些細小、破碎、隱藏的異性纖維，每噸棉花中只有幾克，個數多而質量小，隨機分布，形狀各異,有的顏色和棉花相近，不管采用人工方法還是機器視覺技術，很難進一步清除干凈。

最近十年來，國內外棉花中異性纖維的檢測技術發展基本可歸結為3個方面：一是采用高速、高精度的成像設備，用高速度的計算機加現場可編程門陣列(FPGA)和數字信號處理器(DSP)，提高檢測的精度和速度[6]；二是設計簡單、高效的圖像處理算法，杜玉紅等[7]在RGB空間利用閾值聚類方法、師紅宇等[8]用小波差分法對異纖進行檢測；三是采用X射線[9]、紫外光[10]、紅外光[11]、高光譜[12]等新光源成像技術，使原來在可見光成像條件下看不見的異性纖維顯現出來。但是迄今為止，受限于皮棉和皮棉階段部分異性纖維破碎、分散、隱藏的狀態，上述努力在取得進展的同時，都不同程度地遭遇到技術瓶頸，短期內很難取得突破。

一種新的思路是在籽棉階段利用機器視覺清除異性纖維。籽棉在機械清理之后、軋花去籽之前，鈴殼、莖、葉等有機污雜物已經清除，而存留的地膜、化纖等異性纖維尚未破碎成小片，攪混入棉團之中的也較少，這是異纖檢測的有利時機。困難在于籽棉成團，分布不均和高低起伏，圖像背景從高亮度的棉團到深淺不一的陰影，灰度分布廣而且復雜多變，現有的成像方法和圖像處理算法很難自動從籽棉背景中識別出異性纖維。

迄今為止的文獻表明，國內外基于機器視覺技術檢測籽棉的研究報告很少。Pelletier曾用多光譜相機來檢測軋花機前棉花的雜質含量[13]，但其主要針對植物性雜質，對異性纖維檢測效果有限，且無法有效檢測陰影較多的棉花。季宏斌等[14]試圖在LED照明下區分籽棉中的地膜，魏新華等[15]利用高光譜成像系統識別籽棉中的5種異性纖維，但這2項研究都僅針對特定種類的少數異纖，沒有在成像技術和圖像處理方面獲得實質性進展。

初步的成像實驗表明，以籽棉為檢測背景的圖像總體上可分為3類：第1類籽棉纏繞結團較少，均勻、連續分布，圖像處理難度較低；第2類籽棉纏繞較少，但分布不均勻、不連續，存在間隙和孔洞，背景處理起來有較大的難度；第3類籽棉纏繞嚴重，成團大，分布不連續，背景很難處理。考慮到實際生產時可通過耙平、碾平等機械預處理方式，使籽棉接近或達到第1類狀態，本文為簡化問題，選取第1類籽棉展開異性纖維的檢測研究。

針對籽棉中異纖檢測的難題，本文提出了一種籽棉中異纖的檢測方法。采用去除了鈴殼、莖葉等雜物、尚未軋花的籽棉和21種典型的異性纖維作檢測樣本，采用紅色線激光和白色LED構成雙光源照明系統；線掃描相機采集得到的圖像經過顏色空間變換和改進的索貝爾(Sobel)算子以及一維最大熵閾值法處理后，籽棉中異性纖維的識別率達到了70%以上。

1 成像技術與圖像處理算法

1.1 實驗樣本

采用新疆機采籽棉，清除鈴殼、莖、葉等有機污雜物后，平鋪在傳送帶上，形成寬為600 mm、厚為25 mm、均勻連續的棉層，如圖1所示。 21種典型的異纖來自四川大英天驕棉紡廠，包含11種白色異纖和10種有色異纖，其中片狀異纖面積不小于1 cm2,條狀異纖長度不短于10 mm，如圖2所示。實驗時，異纖隨機地分布在籽棉表面，二者隨傳送帶運動成像。

圖1 籽棉圖像Fig.1 Image of seed cotton

注：1—白色棉繩；2—白色棉布；3—白色尼龍塊；4—白色包裝帶；5—白色編織袋；6—白色羽毛；7—白色包裝發泡紙；8—黑色棉線；9—淡藍色聚乙烯(PE)薄膜；10—淡綠色PE薄膜；11—地膜；12—衛生紙；13—泡沫塊；14—白色亞麻布；15—綠色PE塑料片；16—黃色聚丙烯(PP)塑料；17—紅色棉布；18—紅色PE薄膜；19—黃色棉布；20—粉色塑料 片；21—藍色紙片。圖2 21種典型異纖樣本Fig.2 21 kinds of typical foreign fibers

1.2 成像裝置

成像裝置如圖3所示，線掃描相機Basler L301kc和658 nm紅色線激光器垂直安裝于皮帶運動方向，二者底端距離籽棉層上表面27 cm。線掃描相機的行頻為4 kHz，分辨率為2 098 像素，光圈 為2.8 C，鏡頭選用SMICAR/PENTAX公司的YF3528。激光照射線寬約為1 mm，線激光投射面與相機成像掃描平面重合。Philips公司的若干根BN058C型白色LED燈管對稱架設在相機和激光器兩側，光色為6 500 K。傳送帶以0.3 m/s 的速度勻速運行。相機獲取圖像后傳輸到計算機進行處理。

注：1—LED燈管； 2—線掃描相機； 3—紅色線激光器；4—傳送皮帶； 5—成像區域。圖3 實驗用成像裝置圖Fig.3 Experimental apparatus

此外，選用北京物科光電技術有限公司 LP-3A 型熱釋電激光功率計測量激光輸出功率密度，臺灣泰仕TES-1332A數字式照度計測量棉花表面平均照度。

1.3 成像實驗

根據文獻[16-17]，實驗采用3種光源組合照明成像法，照明成像參數分別為：LED單獨照明時，照度為12 500 lx，相機曝光時間為246 μs；激光單獨照明時，激光功率密度為0.85 μW/mm2，曝光時間為106 μs；LED和激光雙光源照明時,激光功率密度為0.71 μW/mm2,LED照度為4 600 lx，相機曝光時間為106 μs。3種光源條件下獲得的圖像如圖4所示。圖中序號對應圖2中異纖的編號。

實驗結果表明：白色異纖和棉花顏色相近，單獨LED照明很難識別白色或淺色異纖；深色異纖對激光的反光性能差，單獨激光很難識別深色異纖；LED+激光雙光源照明條件下，白色和有色異纖都較明顯。雙光源成像優于單光源成像。

1.4 圖像顏色空間與處理算法

為減少陰影的干擾，進行了RGB顏色空間到HSI空間的變換。不同顏色空間的各通道圖像如圖5所示，各通道圖像中的序號為能夠辨識的異性纖維編號。

實驗結果表明：在RGB顏色空間的R通道，白色和淺色異纖對激光的反光較強，它們和籽棉背景的區別較為明顯；在HSI顏色空間的S通道，籽棉背景變成均勻的灰色，陰影減弱，異性纖維則變成明亮的白色，與籽棉背景的區別較明顯。

基于這2個顏色通道的圖像處理算法如圖6所示。

圖6 圖像處理算法流程Fig.6 Flow chart of processing algorithm

輸入圖像從RGB顏色空間轉到HSI顏色空間，在RGB顏色空間的R通道和HSI空間的S通道分別采用Sobel算法檢測邊緣,并在S通道采用一維最大熵法分割圖像。最后經過面積濾波后對分割后的二值圖像進行“或”融合。其中：籽棉大都為云狀或橢球團狀，邊緣圓角平滑過渡，灰度值無突變；而異形纖維的邊緣有明顯突變。二者的灰度值存在較大的梯度差。 Sobel算法的一階微分算子可根據灰度的梯度差將二者區分開。傳統的Sobel算子只計算水平和垂直2個方向的梯度，為提高檢測率，本文采用了水平、垂直、45°、135° 4個模板，從4個方向分割圖像。改進后的Sobel邊緣檢測結果如圖7、8所示。

圖7 R通道Sobel 邊緣檢測圖像Fig.7 Result image of Sobel edge detection in Red channel

圖8 S通道Sobel邊緣檢測圖像Fig.8 Result image of Sobel edge detection in S channel

融合后的異纖邊緣不連續。本文的連接邊緣方法為：查找3×3鄰域，若中心點為“1”且其8鄰域只有1個像素點為“1”，則判定為端點。然后再查找每個端點外層4×4鄰域，若有灰度值為“1”的前景點，則將該端點和前景點之間的像素點置“1”。連接邊緣的圖像如圖9所示。根據信息論，熵定義[18]為

式中p(x)表示事件x發生的概率。

圖9 融合并連接邊緣后的圖像Fig.9 Image after fusion and edge-link algorithm

對于數字圖像，目標區域(HO)和背景區域(HB)的熵分別為

(i=t+1,t+2，…，L-1)

式中:

總的熵為

式中：

當熵函數取得最大值時，閾值t*就是最佳閾值：

若籽棉背景中含有異纖，則在異纖與籽棉背景可分割的交界處信息量(熵) 最大，異纖分割效果最好，如圖10所示。

圖10 S通道一維最大熵法分割后的圖像Fig.10 Image after one-dimension maximum entropy thresholding method in Saturation channel

R通道主要檢測強反光的白色、淺色異纖，S通道主要檢測不反光的有色異纖， 二者進行“或”，可檢測出各種顏色的異纖。一維最大熵法主要檢測反光性較強的片狀異纖，邊緣檢測法可檢測出線狀異纖和對激光反光性較差的異纖。分割結果分別如圖11～13所示。

圖11 邊緣檢測和面積濾波后的圖像Fig.11 Image after edge detection and area filtering

圖12 S通道-維最大熵法和面積濾波后的圖像Fig.12 Image after one-dimension marimum entropy thresholding method and area filtering in S channel

圖13 結果圖像Fig.13 Result image

2 實驗驗證與分析

在白色LED+紅色線激光雙光源照明條件下，以1.3小節圖4(c)中的成像方法獲取了籽棉與21種異纖的1 050幅圖像，其中，含白色異纖的圖像550幅，含有色異纖的圖像500幅。每種異纖有5個大小不同、形狀各異的樣本。實驗時籽棉隨傳送帶運動，樣本隨機地投放到籽棉上，每幅圖像的背景和異纖形態都有變化。

采用本文設計的算法，圖像檢測結果如表1所示。

表1 檢測結果Tab.1 Detection results %

計算公式為

式中：Sr為正確識別率；Lr為漏檢率；Fr為虛警率；Si為成功檢測出的異纖圖像數；Ti分別為含白色或有色異纖的圖像總數；Li為含異纖而漏檢的圖像數；Fi為無異纖而錯誤檢測出的圖像數。

LED和紅色激光混合照明條件下，白色和有色異纖正確檢測率分別為74.7% 和70.8%，綜合檢測率達到72.8%。其中：淡藍色、淡綠色、透明地膜的顏色與籽棉陰影極為相似，表面不反光，難以檢測；綠色PE塑料片、白色包裝帶、編織袋等異纖處于暗場時顏色和亮度與籽棉背景相似，檢測率不到50%；其他種類異纖檢測率均達70%以上。

3 結 論

針對籽棉中異纖識別困難的問題，本文采用了白色LED+紅色線激光雙光源照明，獲取了籽棉與21種異性纖維的圖像。然后選取RGB顏色空間的R通道和HSI顏色空間的S通道，分別在R和S通道采用改進的Sobel邊緣檢測算法，在S通道采用一維最大熵閾值法識別圖像。實驗結果表明，白色異纖的檢測率達到了74.7%，有色異纖的檢測率達到了70.8%。

下一步的研究將針對不同狀態的籽棉，改進成像方法，設計更加先進的圖像處理算法去除陰影干擾，進一步提高識別率和檢測速度。

FZXB

[1] 呂曉英, 蔣春玲. 淺談棉花中異性纖維的危害及杜絕措施[J]. 中國纖檢, 2013 (3): 66-67. Lü Xiaoying, JIANG Chunling. Introduction of the harm of foreign matter to cotton fiber and how to stop it[J]. China Fiber Inspection, 2013 (3): 66-67.

[2] 陳文利.紡紗過程中異纖清除方法的探討[J].棉紡織技術,2015,43(9):38-41. CHEN Wenli. Discussion on foreign fiber cleaning method in spinning process[J].Cotton Textile Technology, 2015, 43(9): 38-41.

[3] 劉向新,周亞立,趙巖.棉花異性纖維清理機械發展的現狀與展望[J].江蘇農業科學,2011,39(2):505-506. LIU Xiangxin, ZHOU Yali, ZHAO Yan. Status and prospect of foreign cotton fiber cleaner[J]. Jiangsu Agricultural Sciences, 2011, 39(2):505-506.

[4] 胡寶林, 胡斌. 機器視覺技術在軋花廠皮棉異纖剔除中的難點分析[J]. 中國棉花加工, 2009(5):31-33. HU Baolin, HU Bin. The analysis of difficulty in using machine vision technology to eliminate foreign fibers in seed cotton ginning mills[J]. China Cotton Processing, 2009 (5): 31-33.

[5] 張慧, 王澤偉, 柏延平. 棉花異纖清除機的技術現狀和發展趨勢[J]. 紡織導報, 2012(5):59-62. ZHANG Hui, WANG Zewei, BAI Yanping. Technical development of cotton sorter[J]. China Textile Leader, 2012 (5): 59-62.

[6] 郭俊先, 應義斌. 皮棉中雜質檢測技術與檢出裝備的研究進展[J].農業機械學報, 2008, 39(7):106-113. GUO Junxian, YING Yibin. Progress on detecting technique and sorter of raw cotton foreign matters[J]. Transactions of the Chinese Society for Agricultural Machinery, 2008,39(7): 106-113.

[7] 杜玉紅, 王加富, 蔣秀明,等. 應用聚類統計分析的棉花異纖圖形檢測算法[J]. 紡織學報, 2015, 36(3):135-139. DU Yuhong，WANG Jiafu，JIANG Xiuming, et al. Algorithm for pattern detection of cotton foreign fibers based on cluster statistic analysis[J]. Journal of Textile Research, 2015, 36(3):135-139.

[8] 師紅宇, 管聲啟, 吳寧. 棉花中異性纖維的圖像多分辨率差分檢測方法[J]. 紡織學報, 2014, 35(5):13-18. SHI Hongyu，GUAN Shengqi, WU Ning. Detection of foreign fibers among cotton based on image multi-resolution difference method[J]. Journal of Textile Research, 2014, 35(5):13-18.

[9] AJAY Pai, SARI-SARRAF H, HEQUET E F. Recognition of cotton contamination via X-ray micro-tomographic image analysis[J]. IEEE Transactions on Industry Applications, 2004, 40(1): 77-85.

[10] HOGAN H.Spectroscopy focus: tracking cotton trash via fluorescence[J].Photonics Spectra，2007，41( 8): 98-99.

[11] 楊文柱，李道亮，魏新華，等. 基于光譜分析的棉花異性纖維最佳波段選擇方法[J]. 農業工程學報，2009，25(10)：186-192. YANG Wenzhu, LI Daoliang, WEI Xinhua, et al. Selection of optimal band for detecting foreign fibers in lint cotton using spectroscopic analysis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(10): 186-192.

[12] 郭俊先，應義斌，饒秀勤，等. 梳棉內層雜質高光譜圖像檢測[J]. 農業機械學報，2012，43(12):197-203. GUO Junxian, YING Yibin, RAO Xiuqin, et al. Detection of trashes in combed cotton using hyper-spectral images[J]. Transactions of the Chinese Society of Agricultural Machinery, 2012, 43(12): 197-203.

[13] PELLETIER M G. Real time measurement system for seed cotton or lint: US 6567538[P]. 2003-05-20.

[14] 季宏斌, 劉培艷, 陳濤. 基于機器視覺技術的機采棉地膜清理機的研制[J]. 中國棉花加工, 2010(6):28-31. JI Hongbin, LIU Peiyan, CHEN Tao. The cleaning machine of mulch film in seed cotton based on machine vision technology[J]. China Cotton Processing, 2010(6): 28-31.

[15] 魏新華，吳姝， 徐來齊， 等. 基于最小噪聲分離的籽棉異性纖維高光譜圖像識別[J]. 農業工程學報， 2014， 30(9)：243-248. WEI Xinhua, WU Shu, XU Laiqi, et al. Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(9): 243-248.

[16] 劉翔，何相呈，蘇真偉，等. 棉花中白色異性纖維的激光成像快速檢測方法[J]. 農業工程學報，2014，30(15)：190-196. LIU Xiang, HE Xiangcheng, SU Zhenwei, et al. Laser imaging method for fast detecting white foreign fibers in cotton[J]. Transactions of the Chinese Society of Agricultural Engineering，2014,30(15):190-196.

[17] 王冬，尹伯彪，劉翔，等. 棉花中白色異性纖維的線掃描激光成像檢測方法[J]. 農業工程學報，2015，31(9)：310-314. WANG Dong, YIN Baibiao, LIU Xiang, et al. A laser line scan imaging method for detection of white foreign fibers in cotton[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(9): 310-314.

[18] KAPUR B J N, SAHOO P K, WONG A K C. A new method for gray-level picture thresholding using the entropy of the histogram[J]. Computer Vision, Graphics and Image Processing, 1985, 29 (3): 273-285.

Detecting method of foreign fibers in seed cotton using double illumination imaging

WEI Ping1, ZHANG Lin1, LIU Xiang1, WANG Dong1, SU Zhenwei1,2

(1. School of Manufacturing Science and Engineering, Sichuan University, Chengdu， Sichuan 610065， China; 2. Guangdong Polytechnic College, Zhaoqing, Guangdong 526100, China )

Aiming to improve the efficiency of detecting the foreign fibers, a new approach of detecting foreign fibers in cleaned seed cotton before the ginning stage was proposed. In the experiment, cleaned seed cotton, in which organic impurities such as boll shells, stems and leaves were removed, and 21 kinds of common white or color foreign fibers were used as detection samples. Images were acquired under the double illumination of white LED and red line-laser. Then, an improved Sobel edge detection algorithm was used in the Red channel of RGB color space and the Saturation channel in HSI color space separately. And a one-dimension maximum entropy thresholding method was also implemented in the Saturation channel for increasing the successful detecting rate. Experiment results indicate that the double illumination imaging method and the image processing algorithm reduce interference such as shadows. The successful detecting rates of white and color foreign fibers are up to 74.7% and 70.8%, respectively. This paper provides a reference for detecting foreign fibers in seed cotton.

seed cotton; foreign fiber; double illumination imaging; color space; image processing

10.13475/j.fzxb.20160405207

2016-04-18

2016-08-08

國家自然科學基金資助項目(31371536)

韋平(1988—)，男，碩士生。主要研究方向為機器視覺及無損檢測。蘇真偉，通信作者，E-mail：1986702517@qq.com。

TS 112.7

A