筒子紗紗籠紗桿的定位檢測方法

王文勝， 李天劍， 冉宇辰， 盧 影， 黃 民

(1. 北京信息科技大學 機電工程學院， 北京 100192；2. 北京機科國創輕量化科學研究院有限公司， 北京 100083)

筒子紗染色是紗線的主要染色方法[1]。目前，大多數的筒子紗染色企業采用人工裝卸紗的方式，這種作業方式用工量大，勞動強度高，工作環境惡劣，而且效率低，已不能夠滿足印染行業實現智能化的需要，因此，裝卸紗過程的自動化已經成為一種趨勢。由于老舊紗籠沒有配合自動裝卸紗的要求，所以紗籠上紗桿的剛性普遍較差，經過長時間的人工裝卸紗，紗桿變形嚴重，紗桿與紗籠底座間的垂直度已無法滿足自動裝卸紗的要求，并且更換現有紗籠紗桿的成本較高，此時需要對紗桿進行校正。傳統方法采用人工判斷的方式來確定偏移紗桿是否需要調整校正，但這種方式效率低、準確性不高、受人為因素影響嚴重。

本文采用機器視覺的方式進行紗桿的定位檢測，這種方式可以不再使用人力進行測量，大大節約了人力資源；同時自動化程度提高，機器代替人工大大加快了整個筒子紗染色行業的現代化步伐。但是由于現場環境光線并非穩定不變，廠房窗戶和頂燈照明都會影響成像結果，加之生產工藝設置和材質問題，隨著紗籠的使用，紗籠紗桿的桿頭會產生磨損、缺口、生銹等缺陷，導致攝像頭采集到的紗桿桿頭圖像不是均勻穩定的圓形圖像，而是斷裂、缺陷等不規則形狀。此時無法通過傳統簡單方法準確地提取紗桿桿頭的圖像，從而使檢測出的結果不準確。同時，由于工廠內窗口為透明玻璃，白天自然光會透過窗戶照射形成干擾，導致檢測環境光線不是完成一致的，就需要算法具有一定的抗光學干擾能力。

針對筒子紗紗籠紗桿的定位檢測問題，吳士斌等[2]設計了一種紗桿定位裝置，但這是根據機械的方式，同時解決的是自動裝卸紗時的紗桿定位問題，而非針對紗桿偏移的校正問題。由于本文采取機器視覺的方式，可以歸結到紗桿桿頭圖像的提取問題，但在視覺領域中目標提取與缺陷檢測是一個比較復雜的問題，不同的物體的提取方式和方法差異也很大。由于筒子紗紗桿定位檢測方面的相關文獻較少，針對紗桿桿頭圖像的分割提取檢測方面的文獻更是無從查找。但是針對圓形物體的檢測識別提取，目前工業上常用方法主要是采用傳統圖像處理的方法，比如模板匹配法[3]、邊緣檢測法[4]等。圖像分割方法主要分為閾值分割法、區域分割法和邊緣分割法等。閾值分割方法計算簡單，運算效率高，被廣泛應用。最大類間方差法(OTSU)[5]是典型的自適應閾值分割方法，該方法依據背景和目標區域間最大類間方差來獲取門限值，將圖像背景和目標區域分離，但紗桿與背景均為金屬材質，前景與背景對比并不明顯。為使紗桿桿頭區域和背景區域間的類間方差增大，需對圖像進行顯著性檢測處理，提高紗桿桿頭和背景區域的對比度。

常用的圖像顯著性檢測方法有Itti等提出的快速場景分析顯著模型[6]，譜殘差(SR)法[7]，基于圖論的視覺顯著性(GBVS)方法[8]，線性迭代聚類超像素分割(SLIC)法[9]，頻率調諧顯著(FT)法[10]等方法。Itti法是根據圖像灰度信息，對輸入圖像首先進行多個特征通道和多尺度分解，再進行濾波得到特征圖，再對特征圖融合得到最終顯著圖，這是模擬生物體視覺注意機制的選擇性注意算法，比較適合處理自然圖像。SR方法則基于空間頻域分析的剩余譜算法，利用殘余譜進行傅里葉逆變換，得到顯著圖。該方法對抑制背景穩定或者紋理明顯的背景比較有效果。GBVS算法在特征提取的過程中類似Itti算法去模擬視覺原理，但在顯著圖生成的過程引入馬爾可夫鏈，用純數學計算得到顯著值。SLIC算法將彩色圖像RGB通道轉化到國際照明委員會(CIE)規定的顏色空間Lab空間(CIELab)和XY坐標下的5維特征向量，然后對5維特征向量構造距離度量標準，對圖像像素進行局部聚類的過程。與上述算法對比，FT算法具有計算量小，顯著圖與原圖分辨率相同的優點；但是該方法要求背景區域與目標區域具有一定的對比度才能夠區分出來，需要進行改進才能應用在紗桿定位檢測問題中。

本文針對紗桿桿頭與背景對比不明顯問題，采用分塊加權方法改進FT顯著性檢測方法，增強其對紗桿定位檢測中目標與背景混淆的處理能力。由于紗桿真實位置位于預設位置為中心的區域內，初始成像位置設置在原始預設位置，所以紗桿桿頭可能出現的位置的概率距離中心越近越高。增強中心位置權重能夠有效提高紗桿區域的顯著性。然后結合OTSU自適應閾值分割方法對候選區域進行提取，最后通過候選區域的幾何特征形態學篩選得到紗桿桿頭區域，并提取其質心作為紗桿定位位置。為更好地提高紗桿桿頭的顯著性，提高軟件算法的檢測效率，在硬件方面采用環形光源局部照射的方法來配合軟件算法。因為紗桿高約為2 m，使用環形弱光源照射紗桿桿頭，可使其圖像明亮，弱化背景區域干擾。

1 改進FT算法的紗桿定位檢測方法

視覺檢測算法部分通過工業相機采集圖像后，通過改進FT算法進行顯著性檢測，然后通過閾值分割和形態學處理以及霍夫圓擬合得到最終定位結果。利用先驗知識，紗桿在機械設計時會有一個原始真值位置坐標，工業相機首先移動到初始位置后進行成像，紗桿桿頭會位于中心位置附近。

1.1 傳統FT算法

設輸入圖像f大小為m×n，FT算法的實現過程如下。

首先，將圖像f從RGB空間轉換到CIELab顏色空間，并計算3個特征分量的平均值Iμ=[Lμ,aμ,bμ]T。

(1)

然后，對圖像f進行高斯濾波，得到新的圖像：

fg=f?G

(2)

式中，G為3×3的高斯濾波器。將高斯濾波后的圖像fg也轉換到CIELab顏色空間，得到Ig。

定義圖像f在像素點(x，y)處的顯著值：

S(x,y)=‖Ig(x,y)-Iμ‖

(3)

式中，‖·‖表示向量的空間距離。

1.2 改進的FT算法

針對紗籠紗桿的定位檢測問題，使用紗桿的標準位置進行初始化，工業相機會先移動到初始位置為相機坐標中心；而紗桿存在偏離時，會以相機視場為中心向周圍偏離，所以紗桿桿頭可能出現的位置大概率在整個視場的中央附近區域，該區域即為顯著性區域。基于上述背景事實，本文提出假設：圖像中央附近區域的顯著值應該高于邊緣區域。

本文對位于圖像不同位置的區域進行了劃分，將圖像分為A、B、C、D 4個等級區域，如圖1所示。分別求取不同區域各自的顯著性，并根據與圖像中心的距離定義每個區域顯著性對應著一個權重值，距離中心越近，權重越大。在圖1中，A區域離圖像中心最近，權重也最大，D區域離圖像中心最遠，其權重最小。

圖1 圖像區域等級劃分示意圖Fig.1 Image area level division diagram

首先，將輸入圖像進行裁剪，得到以圖像中心坐標為中心，短邊長為邊長的正方形圖像f。

然后，計算圖像f高斯濾波后圖像fg，計算方法同式(2)，fg也轉換到CIELab顏色空間，得到Ig。對Ig不同區域分別變換到CIELab顏色空間，并分別計算每個區域變換后的3個特征分量的平均值Ikμ=[Lkμ,akμ,bkμ]T，如式(4)所示：

(4)

式中：k表示不同區域代號角標；n為劃分后區域的邊長。

同時，為了更加凸顯距離中心位置點的顯著性，本文對位于圖像不同位置的顯著值進行了加權處理。為了權衡計算量問題，本文將整個圖像分了9大塊，劃分了4個區域等級，分別是A、B、C和D，各個小區域塊邊長取圖像邊長的1/6。定義圖像f第k塊的顯著性權值系數：

(5)

式中：Dk為不同區域對應的中心距離的權值，離中心越近的區域Dk越大，分別定義A、B、C、D區域為4、3、2、1；σ為控制系數，本文取區域塊邊長n。通過ωk進行不同區域顯著性的調節，距離中心區域塊越近，顯著性權值大，計算后的區域圖像越顯著。

此時第k塊圖像顯著值為

SkL(x,y)+Ska(x,y)+Skb(x,y)

(6)

式中:SkL(x,y)、Ska(x,y)和Skb(x,y)分別表示圖像第k區域的3個特征分量的顯著值，將每個區域拼合起來就是整幅圖像的顯著圖S。

由于顯著值S一般都大于255，所以需要進行歸一化處理后才能用來作為圖像顯示[11]。由于3個分量取值范圍和變化速度均不相同，為了使3個特征分量都起到作用，消除由于某個分量過大而淹沒其他2個分量，本文采取對3個分量分別歸一化，然后再累加得到最終顯著值。3個分量分別歸一化后得到SL(x,y)、Sa(x,y)和Sb(x,y)，最終顯著值S(x,y)計算公式為

S(x,y)=SL(x,y)+Sa(x,y)+Sb(x,y)

(7)

求得顯著圖后，利用OTSU自動閾值分割法對顯著圖進行二值化處理，并進行形態學濾波，去除形狀明顯不是目標的區域，得到結果圖。通過得到的二值圖像進行霍夫變換圓擬合，并提取圓心坐標得到紗桿桿頭的圖像坐標值，通過坐標變換將坐標變換到世界坐標系中，得到最終的紗桿定位坐標。其算法流程如圖2所示。

圖2 紗桿定位檢測算法流程圖Fig.2 Flow chart of yarn rods positioning detection algorithm

2 現場檢測實驗與評價

2.1 實驗環境及硬件設備

為了驗證算法的有效性，采用實際工廠車間工作環境現場測試的方法進行實驗分析。實驗場地為山東康平納機械公司第三裝配車間紗籠，筒子紗染整紗籠紗桿定位檢測系統主要由門架結構、運動控制系統和視覺系統組成，如圖3所示。

圖3 紗桿定位檢測系統整體結構圖Fig.3 Overall structure diagram of yarn rods positioning detection system

染整車間紗籠、紗桿均采用標準化生產，每個紗籠上有120根紗桿，按順序作好標記：1號桿到120號桿，紗桿頂端平面圓直徑為7 mm，有直徑為5 mm的螺紋孔。紗桿桿長為1 700 mm，背景有波浪形狀圓形底盤。視覺系統采用大恒圖像水星系列GigE數字攝像機，是一款工業相機，焦距為8 mm。相機配有一個環形光源，可增強檢測平面的亮度，同時弱化其他背景的干擾程度。為了獲得更高的分辨率，相機鏡頭會盡可能地靠近所檢測的物體，但距離過近也會導致透視失真，相機鏡頭畸變導致像差。綜合考慮，檢測對象到相機鏡頭距離為200～300 mm，相機與機械運動系統Z軸桁架平行安裝保證相機視場坐標系與運動坐標系重合，角度誤差應不大于1°。康平納車間現場測試環境如圖4所示。

2.2 工藝邏輯與相機定位校準

實驗過程包括了2種工藝動作：視覺定位校準程序和視覺檢測程序。首先對一個新紗籠進行視覺定位校準，將視覺相機對中紗籠坐標，校準和記錄每個紗桿的數據。當需要對已校準記錄原始對中坐標的紗籠進行檢測時，運行視覺檢測程序，配合視覺系統進行逐桿檢測，使其完成檢測結果的記錄和輸出。定位程序邏輯框圖和檢測程序邏輯框圖分別如圖5、6所示。

圖4 工廠紗桿定位檢測現場照片Fig.4 Live picture of yarn rods positioning detection in factory

圖5 定位程序邏輯框圖Fig.5 Positioning program logic block diagram

圖6 檢測程序邏輯框圖Fig.6 Detection program logic block diagram

2.3 視覺實驗結果

圖像采集取300×300的視覺中心圖像，改進FT算法加權模板的各區域塊邊長為50像素。

將改進FT算法的分割結果與OTSU算法[5]、最大熵方法[12]、超像素分割算法[9]以及傳統FT算法[10]的分割結果進行實驗對比，結果如圖7～9所示。其中：圖7為選取的正常紗桿成像代表圖片；圖8為紗桿桿頭存在一定缺陷的紗桿圖片；圖9為曝光強一些的圖片，模擬白天工廠光學變化場景。

由圖7～9中的(b)和(c)圖可看出，由于紗桿底板波浪底盤的反光含有高亮區域，造成單純基于像素閾值地分割結果中含有大量底盤區域信息，無法找到某個閾值將目標和背景分割開來，說明OTSU和最大熵算法不能正確區分紗桿桿頭和背景區域。

圖7～9中的(d)圖使用超像素分割方法，灰度值越亮說明越顯著。從結果中可以看到，采用超像素分割算法會造成目標斷裂，目標不在同一級別的顯著性，尤其是圖8這種存在缺陷的目標，更難將目標完整地分割出來。無法將目標分割出來后續就無法提取目標的坐標位置。如果降低顯著級，就會造成大量虛假區域進入，不能滿足要求，而曝光參數較高的圖9中，目標被淹沒在背景的高亮反光區域中，無法提取出來。

由圖7～9中(e)圖可看出：FT算法在圖7這種無缺陷曝光正常的圖像中的分割結果較好；但在圖8這種存在缺陷的圖像中會造成目標的斷裂；在圖9這種曝光參數較高的圖像中會造成背景區域過多。這是由于沒有進行區域劃分，均采用全局變換的方式沒有使用先驗知識對目標區域進行預判，同時在全局內進行同等地位的顯著變換導致目標不能突出，所以傳統FT算法無法滿足多場景需求。

圖7 正常標準圖對應的不同分割方法檢測結果Fig.7 Different segmentation methods for normal standard images detection results. (a) Original; (b) OTSU algorithm; (c) Maximum entropy method; (d) SLIC algorithm; (e) FT algorithm; (f) Improved FT algorithm; (g) Improved FT algorithm morphology processing; (h) Improved FT final results

圖8 缺陷紗桿圖對應的不同分割方法檢測結果Fig.8 Different segmentation methods for defective yarn rods images detection results. (a) Original; (b) OTSU algorithm;(c) Maximum entropy method; (d) SLIC algorithm; (e) FT algorithm; (f) Improved FT algorithm; (g) Improved FT algorithm morphology processing; (h) Improved FT final results

圖9 高曝光參數圖對應的不同分割方法檢測結果Fig.9 Different segmentation methods for high exposure parameter images detection results. (a) Original; (b) OTSU algorithm; (c) Maximum entropy method; (d) SLIC algorithm; (e) FT algorithm; (f) Improved FT algorithm; (g) Improved FT algorithm morphology processing; (h) Improved FT final results

由圖7～9中(f)圖可看出，與其他方法相比使用改進FT法對圖像進行處理可以基本準確地將目標分割出來。再使用形態學濾波去除小區域的噪聲可以得到完整的目標區域，如圖7～9中(g)圖所示。通過對得到的圖像進行霍夫圓擬合，最終得到目標區域與目標質心，即為紗桿所在圖像位置坐標，如圖7～9中(h)圖所示，這是圖7～9原始圖片的最終檢測結果圖。

從最終檢測結果可以看出，改進FT算法對筒子紗紗籠紗桿定位檢測具有良好的效果，可以適應不同的工作環境，對具有缺陷的紗桿有很好的魯棒性，同時在光線較強的白天環境下也能正常工作。

2.4 數據分析

紗桿的頂端圓面直徑為7 mm,紗桿偏移的許用誤差為±10 mm，要求檢測坐標誤差在1 mm以內。

對檢測數據精度進行分析，隨機抽取10個紗籠，對每個紗籠進行定位檢測，計算每個紗籠120根紗桿的坐標與標準值的偏離度數據，得出每個紗籠檢測坐標的均值、方差值和最大值，如圖10所示。可以看出：均值較為穩定，誤差均在0.21 mm以內；每個紗籠方差都較小，說明算法對不同紗籠能很好地適應；每個紗籠誤差的最大值反映了紗籠120根桿中誤差最大桿的誤差量，從而反映了算法的魯棒性，最大誤差不超過1 mm，符合工程應用要求。

圖10 紗桿定位檢測誤差分析圖Fig.10 Yarn rod positioning detection error analysis chart

3 結 論

為解決筒子紗紗籠紗桿長時間使用發生歪斜無法裝紗的問題，本文提出了一種改進FT顯著性檢測算法對紗桿進行視覺定位檢測。此方法利用紗桿桿頭金屬反光特征，通過環形光源的照射采用機器視覺的方式對紗桿桿頭進行成像，在圖像中檢測紗桿桿頭的中心點坐標來判斷當前紗桿的坐標位置。

在圖像內檢測紗桿桿頭坐標位置的過程中，通過先驗知識的分析，將目標區域進行區域劃分，將目標出現概率大的區域進行權重加大，再利用改進的FT顯著性檢測算法排除背景反光帶來的干擾，再利用OTSU算法對處理后的顯著圖進行二值化處理并剔除小面積區域，得到正確的紗桿區域，最后采用霍夫圓擬合得到紗桿位置坐標。在實驗過程中，對比了當前比較經典的顯著性檢測算法，并在工廠中進行了現場實際檢測實驗，發現本文方法具有一定的抗干擾能力和適應不同環境光的能力，誤差范圍滿足實際需求，有效解決了筒子紗紗籠紗桿定位自動化問題，具有重要的工程應用價值。