基于LabVIEW的碳纖維紗線織造損傷狀態圖像檢測算法

周其洪，張佳南，王 培，湯方明，尹立新，甘學輝

(1.東華大學 機械工程學院，上海 201620; 2.江蘇恒力化纖股份有限公司，江蘇 蘇州 215228)

碳纖維具有耐高溫、剛度及強度高、導電性好等優良特性，因此，其制成的復合材料被廣泛地應用于航空、風力發電、體育用品等領域，且碳纖維的用途正在逐漸擴大[1-3]。但是碳纖維在織造過程中紗線很容易受損，出現磨損起毛、割傷等狀況，這些損傷應當被及時發現并處理。然而國內目前依然通過人工檢測方法對紗線的損傷狀態進行判斷，檢測效果十分低效[4-5]。因此，為了實時在線獲取碳纖維織造過程中紗線的狀態，本文基于LabVIEW圖像視覺處理模塊，以織造過程中獲取的紗線圖為基礎，分析和研究了一套圖像處理算法，適用于碳纖維織造過程中紗線損傷狀態的實時在線檢測。利用該算法系統，能夠對紗線的損傷狀態進行整體而細致的評價，后續可以利用該算法系統獲取的參數為改善織造工藝、調整織造的生產過程提供相應的參考。

1 紗線圖像處理

本文使用CCD攝像機-計算機的硬件平臺獲取碳纖維織造過程中的紗線圖。實際情況中，由于光線、圖像獲取裝置性能等影響，攝像機獲取的碳纖維紗線圖像的質量往往較差，因此，必須對原始紗線圖像進行與工作環境等因素相對應的預處理[6-7]，為后續紗線圖像信息的進一步提取奠定基礎。紗線圖像預處理能夠對圖像進行一定程度優化，摒除工作環境(如噪聲、亮度)等對圖像的影響。

紗線圖像預處理之后，需要確定合適的圖像處理算法，以便提取出反映紗線狀態的各項參數。本文針對碳纖維織造過程中的紗線圖像，設計程序總體流程如圖1所示。

圖1 紗線圖像處理流程圖Fig.1 Flow diagram of yarn image processing

2 預處理

2.1 圖像顏色轉變

原始紗線圖像是RGB彩色圖，為方便后續對圖像信息的進一步提取，首先要對圖像進行顏色轉化，即由彩色圖像轉為灰度圖像。具體實現方式是運用LabVIEW，基于Color Plane Extraction函數來實現。顏色轉變后碳纖維紗線圖像如圖2所示。

圖2 碳纖維紗線灰度圖Fig.2 Figure of carbon fiber yarn grayscale

2.2 圖像清晰度改善

紗線圖像經顏色轉化后，需要分析圖像的對比度。對比度信息與LabVIEW圖像處理模塊的灰度直方圖分布相對應，若紗線圖像的對比度低則對應的灰度直方圖的分布范圍就比較寬，因此，需要對圖像的整體灰度進行相應的微調，即對圖像灰度比較密集的區間進行拉伸，使得灰度區間覆蓋更大范圍，以此來提升紗線圖像的對比度。基于LabVIEW圖像處理模塊，在程序中利用Lookup Table函數來提高圖像的對比度。該函數有多種不同的處理方法，實際使用哪類方法要依據紗線圖像的情況以及對紗線圖像的后續分析而定。由于本文要進行圖像處理的對象是碳纖維紗線，基于織造的現場環境以及織物的狀態，最終選擇灰度值反轉函數。灰度反轉前后的碳纖維紗線圖像如圖3所示。由圖3可以明顯觀察到圖像處理后的對比效果。

(a) 灰度反轉前

(b) 灰度反轉后

Fig.3Carbonfiberyarnimagesbeforeandaftergrayinversion

2.3 圖像噪點濾除

攝像機獲取到的原始紗線圖像不可避免地會受到外界環境作用而引入噪點，所以需要對其進行相應的濾波處理來摒除噪點。圖像處理中使用的濾波方法有很多，常見的有Smoothing-Low Pass、Smoothing-Median、Convolution-Highlight Details等，需要針對具體情況選擇合適的濾波處理算法。本文選取Smoothing-Median，該算法常常用于濾除椒鹽噪聲。通過對實際的生產環境分析，影響碳纖維紗線圖像質量的主要因素正是椒鹽噪聲，所以Smoothing-Median算法是有效的。基于LabVIEW圖像處理模塊，濾波處理前后碳纖維紗線圖像如圖4所示。

(a) 濾波前

(b) 濾波后圖4 濾波前后碳纖維紗線圖Fig.4 Carbon fiber yarn images before and after filtering

3 紗線損傷狀態圖像檢測算法研究

紗線原始圖像進行預處理之后，需要通過相關算法進行圖像特征值提取。對圖像的特征進行分析的算法有邊緣檢測、模式匹配、卡尺測量、輪廓分析、粒子分析等[8-9]。本文依據實際情況，探究上述各種算法在碳纖維紗線圖像特征提取的可行性。

模式匹配算法的核心是利用特征對比。首先，要有一幅模板圖像，且模板圖像的特征必須相對完整。之后，模式匹配算法將攝像機獲取的實際紗線圖像與模板進行特征對比和打分，依據分數的高低來確定相似度。因此，模式匹配算法適用于被研究的圖像具有相對突出、確定的特征。本文探究的是織造過程中紗線的狀態，因此紗線的特征通常不可預測，紗線的損傷往往存在多種狀態，不同的狀態就對應著不同的特征，所以不能使用該算法獲取紗線的損傷狀態。

獲取研究圖像中最小距離這一特征時，通常會使用卡尺測量算法。如果使用該算法，在沒有任何干擾的前提下，可以得到紗線圖中的最小距離，即紗線的寬度。在實際的織造狀態下，紗線會由于機械磨損，出現起毛、割傷等狀態，因此，利用該算法獲取的距離值會比理想設定的值要小。原理上似乎能夠使用卡尺測量算法來判別紗線的損傷狀態，但經實際的嘗試和驗證分析，該算法運用在實際的碳纖維紗線圖像檢測存在一定問題。因為在連續的織造生產過程中，張力以及摩擦等因素會對紗線造成一定影響，使得碳纖維復絲的集束性變差，復絲局部變得疲軟。疲軟的單絲邊緣會被視為紗線寬內割傷邊緣而檢出，從而計算出錯誤的割傷程度，導致檢測結果與實際不相符，因此未選擇此算法。

在分析了實際生產狀況下的各種條件，最終確定使用邊緣檢測算法、輪廓分析算法以及粒子分析算法來獲取紗線圖像的各種特征。

3.1 邊緣檢測算法

邊緣檢測算法依據相鄰像素灰度值的改變來定位邊緣。邊緣本質上是由于圖像灰度不連續所造成的，因此，可以通過對圖像中各個像素點進行求導來發現。本文中碳纖維紗線的灰度值變化呈現脈沖狀，圖像邊界點對應一階導數的零點，對應二階導數的峰值點，圖像特點如圖5所示。

圖5 脈沖狀灰度圖像特點Fig.5 Characteristics of pulse gray image

實際中使用圖5中所示的基于微分的邊緣提取算法，這里選用梯度算子。對于函數f(x，y)，在點f(x，y)處，梯度grad(f(x，y))的幅度為

(1)

為便于進一步計算，取

(2)

(3)

(4)

式(2)～(4)得到了灰度值在x和y方向上的變化率，但是若對圖像所有像素點計算，會導致工作量太大，因此，通過小型模板使用卷積作近似計算以縮小計算量。對x和y兩個方向都使用小型模板，常使用的有robert和sobel等算子，但是每種算子適用于不同的場合。本文基于LabVIEW圖像處理模塊則使用sobel算子，使用該算子檢測邊緣時定位比較準確。sobel算子模板如圖6所示。

圖6 sobel算子模板Fig.6 Template of sobel opeartor

使用邊緣檢測算法最直觀體現是能夠得到紗線圖像中的紗線根數。若檢測得到的紗線根數少于實際生產中的設定值，就可以斷定該紗線圖像存在紗線斷裂的情況。

基于LabVIEW圖像處理模塊，邊緣檢測算法的參數設置如圖7所示。紗線圖像的檢測效果如圖8所示。從圖8可以清楚地看出紗線的根數，因此紗線是否斷裂完全可以通過該處理過程得到。此外，邊緣檢測算法還可獲取紗線的一些邊界屬性，例如邊界的位置、間距等。

圖7 邊緣檢測參數設置Fig.7 Edge detection parameter setting

圖8 邊緣點檢測效果Fig.8 Edge point detection effect

3.2 輪廓分析算法

輪廓分析算法可以分析對象的實際邊界屬性，基于該算法獲取的實際邊界和預先設定的理想邊界相比較，可以得到兩者之間的差異程度。此外，實際邊界可能出現一些畸點，輪廓分析算法能夠計算畸點峰值曲率、幅值等相關信息，這些信息能夠為邊界畸點狀態給予一定參考。

本文采用的輪廓分析算法，在基于梯度的幅值信息基礎上，通過設定閾值將輪廓點和背景隔離，從而將紗線的整個輪廓體現出來。設原始圖像為[f(i，j)]M×N，使用sobel算子計算中間變量Δxf和Δyf，如式(5)和(6)所示。

Δxf=Δxf(i，j)

(5)

Δyf=Δyf(i，j)

(6)

再由式(7)和(8)獲得梯度的幅值圖以及方向圖。

(7)

[θ(i，j)]M×N= sin-1[Δxf/Mag(i，j)]

(8)

其中[θ(i，j)]M×N∈[0，2π]，再依據[θ(i，j)]M×N計算梯度方向的編碼圖[Ori(i，j)]M×N。將梯度方向[θ(i，j)]M×N∈[0，2π]對稱均勻地量化為K個區間，定義為

(9)

即Ori(i，j)的取值范圍為0，1，…，K-1，接下來按照式(10)得到梯度方向直方圖。

(10)

梯度方向直方圖對于對比度大的輪廓邊緣有較大的響應，且梯度方向和輪廓方向相互垂直，因此使用梯度直方圖很容易確定圖像中的輪廓特征。具體地假設kmax是最強梯度方向，則

Hd(kmax)=max{Hd(k)，k=0，1，…,K-1}

(11)

根據式(11)確定了最強梯度方向，則輪廓方向就可以根據垂直關系確定。在上述已經得到的最強邊緣方向對圖像進行掃描，lp作為掃描線，其中的每一條掃描線依據式(12)來統計，獲取相應的掃描線在最大梯度方向上的邊緣位置直方圖，之后就可以在該直方圖上獲得目標輪廓的位置。

(12)

針對本文的紗線圖像，基于LabVIEW圖像處理模塊，輪廓分析算法的參數設置如圖9所示。經輪廓分析算法處理后，紗線圖像輪廓檢測效果如圖10所示。使用輪廓分析算法，在獲得的紗線研究區域內，表征單根紗線狀態的基礎參數和數值如表1和2所示。

圖9 輪廓檢測參數設置Fig.9 Contour detection parameter setting

圖10 紗線邊界檢測圖Fig.10 Yarn contour detection

在圖10中，外側的兩條直線代表實際紗線的理想邊界，中間的兩條曲線代表真實邊界。通過兩者接近程度來判斷紗線的損傷狀態，如果兩者之間的差異越明顯，則說明紗線整體的損傷狀況越嚴重。

表1 視覺處理基礎參數Table 1 Visual processing parameters

表2 基礎參數的數值Table 2 Data value of basic parameters

3.3 粒子分析算法

毛羽指數如毛羽長度、根數等是紗線起毛檢測過程的常用參數，常見棉紡織品的纖維毛羽通常具有黏彈性，而碳纖維紗線起毛的毛羽卻不具有該特性，所以毛羽指數的相關特征難以識別。因此，針對碳纖維紗線圖像，本文通過計算起毛面積來表征紗線起毛的程度。首先，理想紗線面積可由前面的算法得到，其次，利用粒子分析算法來計算紗線未起毛的區域面積，二者相減就能計算出碳纖維紗線的起毛面積。

基于Green公式計算具體的紗線未起毛區域面積A，即對封閉曲線所包含的面積A使用輪廓積分，如式(13)所示。

(13)

本文中紗線圖屬于離散圖像，所以需要利用式(14)對式(13)離散化。

(14)

式中：Nb為邊緣點的個數。通過式(14)可以得到碳纖維紗線未起毛區域的面積。

基于LabVIEW圖像處理模塊，碳纖維紗線圖像經粒子分析算法處理后的效果如圖11所示。從圖11可以看出，經過粒子檢測算法處理后，獲得碳纖維紗線未起毛區域的面積輪廓。

圖11 紗線未起毛區域檢測圖Fig.11 Detection figure of yarn area without fuzz

經過粒子分析算法處理，紗線起毛面積計算結果如表3所示。該面積參數可以作為碳纖維紗線損傷的一個評價標準。粒子分析算法的參數設置如圖12所示。

表3 基礎參數的數據值Table 3 Data value of basic parameters

圖12 粒子檢測參數的設置Fig.12 Parameter setting of particle detection

4 結 語

本文基于LabVIEW圖像處理模塊，利用攝像機獲取的碳纖維織造紗線圖像，探究了合適的檢測算法來提取圖像相應的特征，并根據這些特征分析紗線的損傷狀態，獲取了部分參數，如紗線是否斷裂、單根紗線的邊界信息、紗線起毛面積等。這些參數可以作為制定紗線損傷狀態評價標準的重要參考，研究成果有助于改善織造工作環境和調整織造參數。

參 考 文 獻

[1] PANIN S V，BURKOV M V，LYUBUTIN P S，et al. Fatigue damage evaluation of carbon fiber composite using aluminum foil based strain sensors[J].Engineering Fracture Mechanics，2014，129: 45-53.

[2] 王源升，朱珊珊，姚樹人，等. 碳纖維表面改性及對其復合材料性能的影響[J]. 高分子材料科學與工程, 2014(2): 16-20.

[3] 彭金濤，任天斌. 碳纖維增強樹脂基復合材料的最新應用現狀[J]. 中國粘膠劑，2014，23(8): 48-52.

[4] 孫寶忠，顧伯洪. 碳纖維高應變率拉伸破壞形態的應變率效應性質[J]. 東華大學學報(自然科學版)，2005，31(1): 124-127.

[5] CARVALHO V H，CARDOSO P J，BELSLEY M S，et al. Yarn hairiness characterization using two orthogonal directions[J]. IEEE Transactions on Instrumentation and Measurement，2009，58(3): 594-601.

[6] 景軍鋒，張緩緩，李鵬飛. 基于方法庫的織物圖像疵點檢測[J]. 東華大學學報(自然科學版)，2013，39(5): 650-655.

[7] CARVALHO V H，BELSLEY M S，VASCONCELOS R M，et al. Automatic yarn characterization system: Design of a prototype[J]. IEEE Sensors Journal，2009，9(8): 987-993.

[8] 梁宏偉. 紗線毛羽降低方法及圖像技術檢測研究[D]. 石家莊: 河北科技大學紡織服裝學院，2011.

[9] 孫銀銀，潘如如，高衛東. 基于數字圖像處理的紗線毛羽檢測[J]. 紡織學報，2013，34(6): 102-106.