應用機器視覺的織物表面絨毛率測試系統

楊松林， 馬 帥， 丁朝鵬， 范紅麗， 薛歡歡

(河北科技大學 機械工程學院， 河北 石家莊 050018)

應用機器視覺的織物表面絨毛率測試系統

楊松林， 馬 帥， 丁朝鵬， 范紅麗， 薛歡歡

(河北科技大學 機械工程學院， 河北 石家莊 050018)

目前織物表面絨毛含量大都采用人工方式檢測，存在效率低、準確度不高等問題。為此，應用機器視覺和圖像處理技術，研制了一套織物表面絨毛率測試系統。介紹了織物表面絨毛率測試原理，包括織物表面絨毛率檢測數學模型、檢測算法和閾值的確定方法，并介紹了織物表面絨毛率測試系統的軟硬件組成。采用該測試系統檢測了5種織物的表面絨毛率，并與人工檢測結果進行了對比分析。結果表明：該測試系統能夠高效地測定織物表面絨毛率，且與人工檢測結果呈現高度正相關；系統重復檢測偏差范圍為1.18%～7.25%，可滿足織物表面絨毛率的檢測需求。

織物表面絨毛率； 機器視覺； 圖像分析； 絨毛率測試系統

在牛仔服裝經過酶洗后，需要評價其光潔程度，通常是對牛仔布表面絨毛的含量多少進行客觀判斷。許多機織物(如平紋織物或斜紋織物)表面絨毛是易起球的有害絨毛。在紡織品加工過程中，織物表面絨毛高低及其含量直接關系到產品的質量及后續加工的順利進行[1-2]。這些織物表面的絨毛直徑屬于微米級，且其長度差異大，自然狀態復雜，裸眼很難區分清楚，無法用普通放大鏡類測量儀器鑒定，必須采用電子顯微鏡級別的機器識別，且采取特殊的測量方法去客觀準確分辨和評價[3]，顯然高效、客觀給出其評價結果是非常重要的。

國內紡織領域中，織物表面質量檢測基本還是憑借人工視覺手段完成對織物外觀質量檢驗及判定[4]。現有的自動檢測系統不僅價格昂貴、操作復雜，而且能真正投入市場應用的并不多[5]。準確檢測絨毛率這一參數，判斷絨毛率的特征具有重要的工程意義[6-7]。據統計，檢驗人員在保證織物寬度不超過2m，且織物移動速度不超過20 m/min的情況下，只能檢測到織物中60%的絨毛率[8-9]，無法滿足工業生產中絨毛率檢測的市場需求。關于織物自動測量方面，國內外大都是基于織物疵點、紡織品分類、織物反射特性、織物組織結構的自動識別及織物的經緯紗密度檢測等方面進行研究[10-12]，而織物表面絨毛率自動測量方面，由于測量方法及其絨毛的結構和狀態參數非常復雜，導致其在工業生產中還沒得到實際應用。

現有的紡織品檢測系統，在測試精度和測試準確性方面并不能符合織物表面絨毛率的測試需求[13-14]，因此有必要研制織物表面絨毛率測試系統，滿足絨毛率自動化檢測及判定的需要[15]。本文應用機器視覺和圖像分析處理技術，開發了織物表面絨毛率測試系統。該系統通過對折法將織物表面彎折，其彎折角度介于175°～180°之間，使得織物表面絨毛變成截面顯示效果，在絨毛截面一側放置背景板，其顏色與絨毛顏色反差非常大，以備拍照識別之用。將機器視覺鏡頭放在絨毛截面的另一側，在軟件控制下進行圖像拍攝，再經圖像灰度化處理，用實驗法進行絨毛與背景板識別閾值確定，取得絨毛截面圖像有效像素覆蓋整個測量區域面積全部像素的比值，構建并確定了絨毛率檢測數學模型。將檢測結果與人工檢測數值相對比，該系統不僅可實現織物表面絨毛率檢測快速、精確評價的目的，同時可以替代人工檢測為織物表面外觀質量檢測提供了理論參考。

1 織物表面絨毛率測試原理

1.1 絨毛率檢測數學模型

絨毛率單元值定義為絨毛覆蓋單元檢測區像素點面積與相應單元檢測區所有像素點面積的比值。絨毛率單線值定義為單行n列(1×n)個絨毛率單元值的均值(%)。織物表面絨毛率定義為單位檢測面積內m行n列(m×n)個單元絨毛率均值。首先求得絨毛率單元值，再經織物表面橫向移動求得絨毛率單線值，最終縱向移動求得絨毛率單位面積值，故由單元點到線，由線到面，即檢測得到單位面積織物表面絨毛率。織物表面絨毛率檢測數學模型如圖1所示。

圖1 織物表面絨毛率檢測數學模型Fig.1 Mathematical model of fluff rate detection on fabric surface

絨毛率單元標定尺寸可以根據攝像機拍攝圖像的可見清晰程度確定，本文測量區長度取L為2～10 mm，高度H為1～2 mm。絨毛率測量精度受取樣面積、單線絨毛率劃分區域影響，取樣面積越大，劃分區域越精密，測量精度越高。

1.2 絨毛率檢測算法

本文采用加權平均法對絨毛圖像進行灰度化處理，在MatLab中通過調用函數rgb2gray()，將絨毛彩色圖像I轉換為灰度圖像X，其調用格式為X=rgb2gray(I)[16]。

對經過灰度化處理后的圖像，絨毛率單元值、絨毛率單線值及表面絨毛率的計算式如下：

(1)

(2)

(3)

式中：Sij為i行j列處的絨毛率單元值；r為絨毛覆蓋單元檢測區像素點面積；R為單元測量區所有像素點面積；X1n為首行n列絨毛率單元平均值，即絨毛率單線值；Ymn為m行n列的單位面積絨毛率，即織物表面絨毛率。

1.3 閾值確定

對于顏色不同織物表面的絨毛率檢測，需要事先確定織物顏色色度，根據其色度與背板的反差量，選擇其采用的黑白顏色背板。攝像機拍攝圖像的每個像素所對應的灰度值的范圍為0～255，閾值是其范圍內的一個數值。而此閾值的設定跟光照強度、織物顏色、光圈大小以及周圍環境亮度有關。本文中閾值的設定是通過對比實驗來確定[16]，以采用當前閾值時絨毛可很好地與背景區別開為標準，來設定閾值，從而可得到較為理想的測量效果。最終確定的閾值為110，考慮背景變換因素，當灰度值大于或小于閾值時，標定為絨毛像素點；反之標定為背景板像素點。

2 織物表面絨毛率測試系統組成

織物表面絨毛率測試系統主要由自動化攝像測試平臺及附屬裝置、步進電動機驅動器和控制器裝置、圖像采集處理系統及織物表面絨毛率檢測數據分析和實時顯示裝置等組成。系統之間通過相互協調控制使用，實現絨毛率的自動化檢測。

2.1 自動化攝像測試平臺及附屬裝置

自動化攝像測試平臺及附屬裝置如圖2所示。配合攝像機鏡頭，實現對織物表面絨毛圖像自動拍攝。其中，圖2(a)為西南方向側視圖，圖2(b)為主視圖。測試平臺采用質輕、剛性好的鋁合金材質，2個直線運動導軌水平放置于底板上，成垂直夾角，配合中心處放置的步進電動機驅動器和控制器控制導軌運行速度，便于絨毛圖像的準確采集。測試平臺左側設有鏡頭夾持板和門，用螺釘固定在導軌上；導軌移動帶動門水平推進，形成暗室環境，便于減少拍攝絨毛圖像時的外光影響。測試平臺右側設有背景板架，用螺釘固定在導軌上；背景板架上設置直角塊，確保背景板垂直固定，背景板上分別固定張緊輪、摩擦輪及楔形塊，用以夾持待測布環，避免測試對象出現破損。

待測織物表面纏繞在測試平臺的摩擦輪上，步進電動機帶動布環滾動，完成織物表面的裝夾。X方向直線運動導軌水平移動；Y方向上，直線導軌水平移動調焦，帶動門水平推進，形成暗室環境。當背景板、布環和攝像機鏡頭在一條直線上時實現對圖像的采集。步進電動機驅動器和控制器自動控制步進電動機驅動摩擦輪帶動布環滾動，攝像機鏡頭再次攝像。連續測量結束后步進電動機驅動摩擦輪回到初始位置，將布環取下來進行下一待測織物表面的檢測，從而實現單元—線—面—連續的自動化循環測量。

注：1―步進電動機1；2―步進電動機2；3―背景板架；4―X方向直線運動模塊；5―步進電動機3；6―門；7―LED光源；8―鏡頭；9―Y方向直線運動模塊；10―步進電動機4；11―底板；12―摩擦輪；13―布環；14―楔形板；15―張緊輪；16―背景板。 圖2 織物表面絨毛率測試系統總體裝置Fig.2 Overall device of fabric hairiness test system.(a) Southwest side view; (b) Main view

2.2 系統主要硬件選擇

2.2.1 步進電動機驅動器選擇

步進電動機驅動器能夠通過控制脈沖個數及脈沖頻率來控制電動機角位移量及電動機轉動的速度和加速度，實現織物表面絨毛率測試系統自動精準測量。步進電機帶動的軸半徑為25 mm，每次運動的尺寸可在軟件系統中設置給定的進給量。在布環檢測過程中，因布環進給量大于相機拍攝尺寸大小，屬于布環間隔取點檢測，所以不涉及到圖像的拼接問題。為使織物表面絨毛率測試系統的絨毛率測試精度不受步進電動機驅動器的影響，選擇性能較好的深圳市雷塞智能控制股份有限公司的DMA860H驅動器。該型號步進電動機驅動器為DSP兩相步進驅動器，工作電流為2.4～7.2 A，工作電壓為18～80 V，由SW5～SW8共4個撥碼開關來設定16檔微步細分，完全能夠保證織物表面絨毛率測試系統的測試精度不受步進電動機驅動器的影響。

2.2.2 步進電動機控制器選擇

步進電動機控制器能夠發出均勻脈沖信號進入步進電動機驅動器，轉換成步進電動機所需要的能準確控制其轉過每1個角度的強電流信號。為使織物表面絨毛率測試精度不受步進電動機控制器的影響，選擇性能較好的深圳市雷塞科技有限公司的SMC-6480控制器。該型號步進電動機控制器控制電動機數為4個，控制電動機指令脈沖頻率為1～5.0 MHz，頻率精度為±0.1 Hz，支持Windows VISTA/XP/2K/98/CE系統，完全能夠保證織物表面絨毛率測試系統的測試精度不受步進電動機控制器的影響。

2.2.3 相機的選擇

在機器視覺系統研制過程中，應選擇與系統性能最為匹配的工業相機。相機采用邁德威視科技有限公司生產的MV-UB500彩色相機，分辨率為2 592 dpi×1 944 dpi時，幀頻最高為9幀/s，鏡頭選用三鏘科技生產的XDS-10A型工業鏡頭，其放大倍數為0.7～4.5，且可調，完全能夠保證織物表面絨毛率測試系統的測試精度不受相機的影響。

2.3 系統軟件設計

數據圖像采集及處理程序的編寫應以簡潔、直觀和有效的體現織物表面絨毛率測試數據結果和拍攝圖像的實時變化為準則，利用Microsoft VisualC++編寫該程序。

軟件系統主界面主要包括拍攝圖像和捕獲圖像顯示窗口、開始暫停計算等數據采集功能按鈕、相機設置按鈕、評價參數設置窗口和相機長度標定窗口、測量結果顯示和保存窗口、自動測量參數設置窗口等8個部分。軟件系統主界面如圖3所示。

圖3 軟件系統主界面Fig.3 Main interface of software system

3 織物表面絨毛率測試系統驗證

3.1 試驗條件

用設計研發的織物表面絨毛率測試系統進行織物表面絨毛率檢測試驗，以檢驗該系統的功能。首先進行待測織物表面的取樣，取L=400 mm，H=50 mm。布環在檢測區域內包覆摩擦輪、張緊輪、楔形塊刀口而形成可轉動的張力布環，保證布環呈現相同的初始狀態。布環檢測區域為張緊輪相對面，而不是整個布環的檢測，減少了機件擠壓和摩擦問題對檢測結果的影響，同時在實際檢測過程中發現，如果張緊輪表面比較光滑，且距檢測楔形塊檢測區有一定的距離，張緊輪對絨毛率檢測結果影響特別小，可以忽略不計。相機長度標定系數為像素長度與實際長度之比，設定為0.032 15。相機初始位置及織物初始位置為0。織物進給量為50 mm，旋轉進給量為40 mm，進給次數均為5次。圖像分辨率為259 2 dpi×194 4 dpi，顯示和捕獲幀率為1.97幀/s(為動態值)。

選擇3種不同顏色的水洗牛仔布和2種不同顏色的純棉布進行織物表面絨毛率檢測。調節攝像機鏡頭焦距及水平導軌左右位置以確定布環單點檢測區。測試準備就緒后，攝像機鏡頭取單點拍照、捕獲圖像并實時顯示。橫向移動攝像機鏡頭，實現多個單點拍攝，既得單線織物表面得單線絨毛率量；摩擦輪轉動使布環縱向滾動得多個單線絨毛率量。測試結束，織物表面絨毛率拍攝和捕獲圖以.jpg的格式保存到用戶指定文件夾數據圖像采集及處理程序對保存的數據進行運算，獲得織物表面總平均絨毛率量。

3.2 試驗結果和討論

為對比織物表面絨毛率測試系統與人工檢測的檢測結果，在人工檢測環境下，對已經由該系統檢測過的3種不同顏色的水洗牛仔布和2種不同顏色的純棉布再次進行人工絨毛率檢測。人工檢測方法為：將織物面對折繞過鋼尺，帶有一定張力，使絨毛清晰顯示在鋼尺邊緣，利用攝像機鏡頭成像系統采集鋼尺邊緣檢測區絨毛圖像并傳輸到計算機中，使用Photoshop軟件對圖像進行灰度處理，并用具體尺寸標示出絨毛區域，通過裸眼對比已有的絨毛率標準等級模板圖像，判斷出某種織物表面絨毛率的等級數值。其測量結果數據對比如表1所示。

由表1可知，人工和系統檢測結果成正相關，在可允許范圍內。織物表面絨毛率測試系統完全可實現代替人工來進行絨毛率檢測。

為驗證系統檢測性能的穩定性和準確性，對5種織物表面絨毛率，重復測量10組，每組10次，分別計算其平均值，然后由測量值與平均值的差得到絕對誤差值，最后由絕對誤差值與平均值相比得到相對誤差值，數據分析結果如表2所示。

表2 5種織物重復檢測絨毛率數據分析

由表2可知，系統重復檢測絨毛率數據分析結果表明：織物表面絨毛率檢測結果絕對誤差不超過0.3%，相對誤差不超過7.25%，其方差值均低于0.6，檢測數據準確且穩定。

4 結 語

根據紡織服裝生產加工過程對織物表面絨毛率的測試需求，運用機器視覺及圖像分析處理技術、機電控制、軟件編程開發，研制了織物表面絨毛率測試系統。調試運行結果表明：本系統能夠準確、快速地實現織物表面絨毛率的檢測，可實現對織物表面絨毛拍攝圖像和處理數據的保存。證明本檢測方法有效可行，為準確評價織物表面絨毛含量建立了客觀理論基礎，為其絨毛率自動化測量提供了有效的技術手段。

FZXB

[ 1] PRIYA D,RAJASELVI V M. Estimation of yarn hairiness using image processing [J]. Geochemistry Geophysics Geosystem, 2014, 15(7): 2821-2839.

[ 2] 胡玉珍. 加強紡織品安全性能檢測的重要性[J].中國纖檢,2010(22): 38-41. HU Yuzhen. The importance of strengthen textile safety testing [J]. China Fiber Inspection, 2010(22): 38-41.

[ 3] 章國紅, 辛斌杰. 圖像處理技術在紗線絨毛率檢測方面的應用[J]. 河北科技大學學報, 2016, 37(1):76-82. ZHANG Guohong, XIN Binjie. Application of image processing technology in yarn hairiness detection[J]. Journal of Hebei University of Science and Technology, 2016, 37(1):76-82.

[ 4] 努爾頓,左保齊. 絲織物疵點智能化判別[J]. 絲綢, 2003(11):28-31. NU Erdun, ZUO Baoqi. Intelligent recognition of silk fabric defects [J]. Journal of Silk, 2003(11): 28-31.

[ 5] 王三武, 祁林. 織物疵點自動識別方法的研究及應用現狀[J]. 紡織科技進展, 2005(6): 67-69. WANG Sanwu, QI Lin. Research and application actuality on methods of automatic identification textile defects [J]. Textile Technology Development, 2005(6): 67-69.

[ 6] KARRAS D A, MERTZIOS B G. Improved defect detection using novel wavelet feature extraction involving principal component analysis and neural network technique[J]. Lecture Notes in Computer Science, 2002(25): 368-647.

[ 7] 陳新華, 周彩琴, 孫銀銀,等. 基于紗線條干邊緣曲線切點的紗線絨毛率檢測[J]. 江蘇紡織, 2013(9):44-49. CHEN Xinhua, ZHOU Caiqin, SUN Yinyin, et al. Yarn hairiness detection based on the edge of evenness curve tangent point [J].Jiangsu Textile, 2013(9):44-49.

[ 8] 紀惠軍, 張小棟, 楊建民. 基于機器視覺的織物疵點檢測技術探討[J]. 現代紡織技術, 2011, 19(2):11-15. JI Huijun, ZHANG Xiaodong, YANG Jianmin. Discussion on the detection technology of fabric defects based on machine vision[J]. Modern Textile Technology, 2011, 19(2):11-15.

[ 9] 謝黎路, 莫靜昱, 吳佩云. 我國紗線外觀質量檢測技術的進步[J]. 棉紡織技術, 2005, 33(9):25-30. XIE Lilu, MO Jingyu, WU Peiyun. Advancement of national yarn appearance quality test technique[J]. Cotton Textile Technology, 2005, 33(9):25-30.

[10] 章國紅, 辛斌杰. 圖像處理技術在紗線絨毛率檢測方面的應用[J]. 河北科技大學學報, 2016, 37(1):76-82. ZHANG Guohong, XIN Binjie. Application of image processing technology in yarn hairiness detection[J]. Journal of Hebei University of Science and Technology, 2016, 37(1):76-82.

[11] 李文羽, 程隆棣. 基于機器視覺和圖像處理的織物疵點檢測研究新進展[J]. 紡織學報, 2014, 35(3):158-164. LI Wenyu, CHENG Longdi. New progress of fabric defect based on computer vision and image proces-sing[J]. Journal of Textile Research, 2014, 35(3):158-164.

[12] MAHAJAN P M, KOLHE S R, PATIL P M. A review of automatic fabric defect detection techniques[J]. Advances in Computational Research, 2009, 1(2):18-29.

[13] ANIRBAN GUHA, AMARNATH C, PATERIA S, et al. Measurement of yarn hairiness by digital image processing[J]. Journal of the Textile Institute, 2010(101):214-222.

[14] SCHNEIDER D, MERHOF D. Blind weave detection for woven fabrics [J]. Pattern Analysis and Applications, 2015, 18(3): 725-737.

[15] 游達章, 張建鋼, 甘勇. 位圖圖像灰度化的方法及編程實現[J]. 廣西科技大學學報, 2004, 15(1):23-26. YOU Dazhang, ZHANG Jiangang, GAN Yong. The method and programming realization of bitmap image grayscale[J]. Journal of Guangxi University of Technology, 2004, 15(1):23-26.

[16] 袁汝旺, 蔣秀明, 周國慶,等. 基于線性陣列的紗線直徑與絨毛率測量方法[J]. 紡織學報, 2013, 34(8):132-137. YUAN Ruwang, JIANG Xiuming, ZHOU Guoqin, et al. Measuring method of yarn diameter and hairiness based on linear array[J]. Journal of Textile Research, 2013, 34(8): 132-137.

Fabric surface fluff rate detecting system based on machine vision

YANG Songlin， MA Shuai， DING Zhaopeng， FAN Hongli， XUE Huanhuan

(SchoolofMechanicalEngineering,HebeiUniversityofScienceandTechnology,Shijiazhuang,Hebei050018,China)

The fluff content on the surface of fabric is detected by manual method, which is low in efficiency and accuracy. For this reason, a set of detecting system of fabric surface fluff rate was developed based on machine vision and image processing technology. The detection principle of the fabric surface fluff rate was introduced including the mathematical model, the detection algorithm and the method for determining threshold value, and introduced hardware and software composition of the fabric surface fluff rate detecting system. The surface fluff rate of five kinds of fabrics was detected by the system, and the results were compared with the artificial test results. The results show that the detecting system can efficiently determine the fluff rate of the fabric surface and has a high positive correlation with the artificial test results. The system repeat detection error is between 1.18% and 7.25%, which can meet the fabric surface fluff rate detection needs.

fabric surface fluff rate； vision machine； image analysis； fluff rate detecting system

10.13475/j.fzxb.20160604106

2016-06-16

2017-03-15

楊松林(1961—)，男，教授，碩士。主要研究方向為機械設計與制造，紡織機械與儀器設計制造，工程CAD及三維數字化。E-mail: 375086472@qq.com。

TS 103.7

A