基于機器視覺的棉花異性纖維識別方法

師紅宇，任小玲

（西安工程大學 計算機科學學院，陜西 西安 710048）

0 引言

棉花是紡織企業加工處理的原材料，在原棉加工過程中由于很多原因混入了多種異性纖維，這些混入原棉中的異性纖維，容易被打碎成散落單纖維，在紡織加工中難以清除。它會對紡織企業產品的質量造成不良影響,從而影響企業的經濟效益。因此，在紡織企業中異性纖維檢測和剔除是必備的工序內容之一[1-4]。大部分棉紡織企業普遍采用人工分揀方式來分離異性纖維，但是這些操作非常耗時，勞動強度大，可靠性又低。為了解決棉花異性纖維的困擾，國內外科學家已經對異性纖維檢測進行了多年研究，并已經取得了很多成果，采用的主要技術包括超聲波技術、光電感應技術、機器視覺技術等[5-8]。超聲波技術只能檢測面積較大的異性纖維且速度較慢；光電感應技術只能檢測有色異性纖維；常規的機器視覺技術對細小的異性纖維以及與棉纖維顏色相近的異性纖維的檢測效果還不夠理想。

隨著計算機技術和光電檢測技術的發展，基于自動視覺檢測（Automated Visual Inspection，簡稱AVI）已經廣泛地應用于棉花異性纖維的識別。其中，獲取高質量圖像、快速圖像處理、提取有效特征、正確識別目標以及測量結果的精確性等都是目標檢測的關鍵因素[9-10]。

圖像分割[11-12]是圖像處理和AVI 系統的核心，也是圖像分析和模式識別的前提。圖像分割的目的就是把圖像分成若干個特定的、具有獨特性質的區域并提取感興趣目標的技術和過程。在AVI 系統方面已經有很多學者作了大量深入的研究，取得了一些成果。然而這些方法識別效率越高，其復雜度也越高。在線檢測中，快速而精確的圖像分割方法是圖像處理的重要環節。圖像分割和處理的精確性經常會受到光源變化的影響，為了提高圖像處理的準確性和精確性，需要研究新圖像分割方法。

本文提出了一種基于機器視覺的棉花異性纖維識別新方法，可以避免光源影響。

1 原理和方法

1.1 基本原理

彩色圖像的分割必須選擇合適的顏色模型和有效的分割方法。顏色模型的選擇是棉花圖像處理的第一步；合適的顏色模型不僅可以節省計算量，而且可以增強圖像處理能力[13]。

RGB顏色模型是圖像處理中最基本、最常用的顏色模型。RGB模型可以采用笛卡爾空間坐標來表示，如圖1所示。在RGB彩色空間坐標內可以計算出任一顏色。

圖1 RGB顏色模型Fig.1 RGB color model

1.2 圖像采集

圖像采集系統是整個實驗系統中最重要的一部分，如圖2所示。該系統包括一個攝像頭，三個光源，和一臺計算機。為了提高檢測精度，由專業技術人員布置含異性纖維的原棉樣品，大小為550 mm寬，5 mm厚。采用CCD彩色攝像機（TELEDYNE DALSA）采集圖像，通過USB將圖像傳輸到計算機。

圖2 圖像采集系統Fig.2 Image acquisition system

圖3 為該實驗系統所采集的彩色示例圖像。其中包含棉花莖、葉子和種子。由于CMOS感光度的差異性，原始圖像往往含有大量噪聲。這些原始圖像必須要進行灰度校正、濾波等預處理。

由于不同異性纖維的閾值不同，棉花的三通道彩色圖像可以用來檢測異性纖維。首先將采集的原始圖像在RGB顏色模型中分解，獲得棉花異性纖維的三通道彩色圖像，再將其轉化為灰度圖像。如圖4所示，R通道圖像中葉子顯示明顯，G和B通道圖像棉花莖和種子顯示明顯。這些異性纖維的檢測可以通過在通道圖像設置不同的閾值來實現。在本文中，三通道灰度圖像的預處理是相同的。下面僅以B通道的灰度圖像作為樣本來介紹。

圖3 原棉異纖RGB圖像Fig.3 Cotton foreign fibers RGB image

圖4 R、G和B通道的灰度圖像Fig.4 Gray images of R, G and B channels

圖像采集系統的光源通常采用白熾燈。由于光源驅動電壓的不穩定，導致采集的棉花圖像光照不均勻。為了提高識別的正確性和精度性，圖像的光照度需要進行校正。因此，本文利用二維伽馬函數[14]，解決圖像光場照度不均勻的校正問題。圖5為校正后的B通道圖像。

1.3 圖像分割及效果

棉花圖像由背景圖像、前景圖像和邊界區域三部分組成。本文采用大律法進行圖像分割。按照閾值把直方圖分為兩類。圖6為大律法分割后的B通道圖像。棉花樣本中的棉葉，棉莖和棉籽都可以被檢測出來。

圖5 校正后B通道圖像Fig.5 B channel image after correction

圖6 分割后B通道圖像Fig.6 B channel image after segmentation

在此基礎上，采用形態學開運算濾波[15]，消除結構元素較小的明亮細節，保持整個圖像的灰度值和較大的明亮區域。濾波后的B通道圖像如圖7所示。圖像經過預處理，去除了大部分噪聲。

最后，再對三通道圖像進行融合操作，融合結果如圖8所示。原棉樣品中的異性纖維，包括葉子、棉莖和棉籽都能被正確地檢測出來，同時還可以有效地識別出棉籽。本文提出的算法和模型可以在線識別原棉中的異性纖維。其檢出率大于95%。

圖7 濾波后的B通道圖像Fig.7 B channel image after filtration

圖8 三通道融合圖像Fig.8 Fusion image of three channel images

2 結論

原棉加工過程中由于很多原因混入了多種異性纖維，這些混入原棉中的異性纖維，容易被打碎成散落單纖維，在紡織品加工中難以清除。它會對紡織企業產品的質量造成不良影響,從而影響企業的經濟效益。為此，本文提出了一種基于機器視覺識別原棉異性纖維的新方法。由于光源驅動電壓的不穩定性，導致采集的棉花圖像光照不均勻，嚴重影響異性纖維識別效果。為了保證識別的準確性和精確性，需要對圖像的光照度進行校正處理。本文首先采用二維伽馬函數解決圖像光場照度不均勻問題；再采用大律法對圖像進行分割；最后對三通道圖像信息進行融合操作，原棉樣品中的異性纖維能被正確地檢測出來，同時棉籽也能被有效地識別出來。整個測量系統的檢出率大于95%。實驗結果表明：檢測系統能夠滿足原棉工業應用的需求。

[1] 姚穆. 關于中國“紡織質量”之淺見[J]. 中國紡織, 2016(2):33.

[2] 汪雪野, 謝標. 全球有機棉發展現狀及展望[J]. 江蘇農業科學, 2016, 44(1): 21-25.

[3] Strolz H M. ITMF cotton contamination survey 1999 [A].Cotton Conf in Texas USA. Los Angeles, USA: WorldTextile Publications Ltd, 2000: 63-67.

[4] 魏守軍, 唐淑榮, 匡猛, 等. 棉花產品質量安全與風險評估研究進展[J]. 棉花學報, 2017, 29(增刊): 89-99.

[5] 陳亞軍, 張二虎, 牟永強. 基于空間模型及連通域分析的異纖維在線檢測[J]. 計算機工程與應用, 2013, 49(19):162-166.

[6] 張志強, 張太紅, 刁琦, 等. 一種改進GA神經網絡棉花雜質檢測算法[J]. 電子設計工程, 2017, (01): 22-26.

[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.

[8] 劉建橋, 葉俊勇. 基于機器視覺的輕軌軌道梁晃動檢測[J].新型工業化, 2011, 1(5): 37-41.

[9] 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.

[10] 師紅宇, 管聲啟. 基于視覺注意計算模型的棉花異性纖維檢測[J]. 東華大學學報(自然科學版), 2016, 42(3): 400-405.

[11] 楊玚, 謝華成. 基于馬爾科夫隨機場與模擬退火算法的圖像分割[J]. 軟件, 2015, 36(4): 40-43.

[12] 楊達, 王孝通, 徐冠雷, 等. 一種基于圖像分割和圖像拼接技術的全天空云量估計方法[J]. 新型工業化, 2014, 4(8):15-21.

[13] 楊康葉, 鄔春學. 基于RGB模型顏色相似性的彩色圖像分割[J]. 計算機系統應用, 2013, 22(3): 128-131.

[14] 劉志成, 王殿偉, 劉穎, 等. 基于二維伽馬函數的光照不均勻圖像自適應校正算法[J]. 北京理工大學學報, 2016,36(2): 91-96.

[15] 王躍勇, 于海業, 劉媛媛, 等. 基于形態學圖像檢測的機械手移栽穴苗識別技術[J]. 光學精密工程, 2016, 24(3):651-658.