織機鋼筘筘齒間距檢測系統研究

孫俊然 周建 潘如如 高衛東

摘要： 為了解決織機鋼筘筘齒數量多，難以準確檢測鋼筘筘齒間距分布，造成后續織造過程中出現布面疵點的問題，文章提出基于機器視覺的織機鋼筘筘齒間距檢測系統，用于檢測鋼筘筘齒總數和筘齒間距。首先，用自行設計的圖像采集系統，獲取鋼筘圖像;然后，利用SIFT算法根據特征點相似度進行圖像拼接;最后，利用圖像分析方法對鋼筘圖像中的筘齒總數和筘齒間距進行測量。實驗結果表明：檢測系統能夠準確檢測鋼筘筘齒總數及筘齒間距分布，作為織機鋼筘質量評價提供客觀依據;相比于人工檢測，機器視覺檢測系統檢測具有精度高、效率高、穩定性好等優勢。

關鍵詞： 筘齒間距;織機鋼筘質量;圖像拼接;機器視覺;鋼筘檢測

中圖分類號： TS103.824

文獻標志碼： A

文章編號： 10017003（2020）10004305

引用頁碼： 101108

DOI： 10.3969/j.issn.1001?7003.2020.10.008（篇序）

Research on reed dent space detection system of loom

SUN Junran， ZHOU Jian， PAN Ruru， GAO Weidong

（Key Laboratory of Eco?Textiles， Ministry of Education， Jiangnan University， Wuxi 214122， China）

Abstract：

In order to solve the problem that the reed dent space distribution is difficult to accurately detect due to the large number of reed dents in the loom， which leads to fabric defects in the subsequent weaving process， this article presents a reed dent space detection system based on machine vision to detect the total number of reed dents and the reed dent space of the loom. First， the reed image was obtained by the image acquisition system designed by the user. Then， the SIFT algorithm was used for image stitching according to the similarity of characteristic points. Finally， image analysis method was applied to measure the total number of reed dents and the reed dent space in the reed image. The experimental results show that， the detection system can accurately detect the total number of reed dents and the reed dent space so as to provide objective basis for evaluating reed dent quality of the loom. Compared to manual detection， the machine vision detection system has the advantages of high precise， high efficiency and good stability.

Key words：

reed dent space; loom reed quality; image stitching; machine vision; reed detection

收稿日期： 20200119;

修回日期： 20200916

基金項目： 中央高?；究蒲袠I務費專項資金項目（JUSRP51907A）;江蘇高校優勢學科建設工程資助項目（蘇政辦發〔2014〕37號）

作者簡介： 孫俊然（1993），女，碩士研究生，研究方向為基于圖像處理的紡織智能檢測。通信作者：高衛東，教授，gaowd3@163.com。

織機鋼筘是織造工藝中重要的器材之一，其作用是在織造過程中將緯紗打向織口，保證經紗按織物組織與緯紗交織，并使織物達到預定的經紗密度和幅寬。鋼筘在織造過程中經高頻摩擦及劇烈打緯作用，筘齒間距發生變化，嚴重時改變其原本筘號，影響產品質量。因此，需要對鋼筘進行定期質量檢測。鋼筘質量一般采用筘齒總數和筘齒間距進行衡量，其檢測一直是紡織業的難點之一。單個鋼筘的筘齒數一般在3 000以上，傳統依賴人工視覺進行檢測的難度較大，且人工檢測耗時費力，效率低下。

目前對鋼筘筘齒質量檢測主要采用壓力法[1]、光電法[2?4]。張新華等[1]提出了一種基于壓力傳感器的檢測方法，但由于是接觸性測量的方式，不適合反復操作。同時，該團隊也提出了一種新型智能的鋼筘質量檢測方法[2]，通過將光敏傳感單元與氣壓傳感單元相配合的使用，解決了鋼筘的筘齒數量檢測問題，但未解決筘齒間距檢測的問題。謝嘉寧等[3]提出了光電定位鋼筘的檢測方法，利用發光極管發射出的光線入射筘板得出與筘齒筘隙物理分布有關的光信號，經微處理單元處理，檢測出筘齒筘隙物理分布狀況，但精確度不高。雖然這幾種方法都能在一定程度上實現鋼筘質量的有效檢測，但未能精確地得到鋼筘筘齒總數和筘齒間距。

近年來，基于機器視覺的研究[5?9]已經在圖像拼接、圖像融合、場景模擬、對象檢測與識別等方面取得了廣泛的應用。采用機器視覺取代重復單調的人工視覺檢測場合已成為智能制造發展的必然趨勢，除了具有提高生產的靈活性和自動化程度的優勢，還可以在重復性生產過程中大幅度提高生產效率。為此，本文將機器視覺方案應用于織機鋼筘質量檢測，提出了一種基于機器視覺的鋼筘筘齒間距檢測系統，實現對筘齒的精確定位，得到筘齒數量與筘齒間距分布，為鋼筘筘齒質量評價提供客觀依據。

1?圖像采集

本文使用相機型號為大恒MER?132?30GC（中國大恒（集團）有限公司）與鏡頭型號為ComputarMLM?3X?M（日本CBC板式會社）的圖像傳感器進行圖像采集，并通過數據線傳遞給工控機。其中，圖像采集幀頻為6幀/s，圖片大小為1 292像素×964像素，圖像分辨率為2 077 ppi。采集前后兩幀圖像的重疊部分占單幀圖像的1/3。圖像采集裝置的整體結構如圖1所示。

圖1中，水平導軌通過支撐桿水平固定在機架上方且與地面平行，光源用于采集圖像時提供光亮度;噴氣管的作用，一方面用于清除鋼筘表面的飛花，另一方面便于檢測松弛的筘齒。啟動工控機，壓力輥給予鋼筘一定的壓力，使鋼筘在滑

輥與傳動輥的牽引下勻速運行;相機固定在暗箱中，鏡頭垂直向下，負責將全尺寸待測鋼筘的圖像采集到計算機中并存儲，采集的單幀圖像如圖2所示。

2?圖像分析

筘齒圖像分析主要包括特征點提取、圖像拼接兩大步驟。為了獲得完整的待測鋼筘圖像，本文將采集完成的單幀圖像根據特征點相似度的匹配方法進行圖像拼接，采用SIFT算法對圖像進行拼接，去除圖像重疊的部分[5?6]。

傳統圖像拼接算法是選定一張圖像的一個區域作為模板，然后利用模板匹配算法去另一張圖像中查找拼接的位置。經實驗后發現，傳統的模板匹配方法具有一定的局限性，其主要原因是鋼筘筘齒本身的材質比較光滑，筘齒的外觀特征非常相似，一定區域內筘齒數量也基本相同。以圖3為例，若以圖3（a）為模板，圖3（b）中會出現多處與圖3（a）相似的模塊，導致出現多種匹配結果。由此可知，傳統應用模板匹配方法并不適應于鋼筘筘齒圖像的拼接。為此，本文根據鋼筘圖像本身的特點，提出一種基于特征點的圖像拼接算法，其具體步驟如下。

2.1?特征點提取

本文采用SIFT算法進行特征點的提取，該算法進行特征點提取具有旋轉不變性，還有一定的抗光照變化和抗視點變換性能[7?9]。

首先將待處理圖像轉化為灰度圖像，然后使用式（1）和式（2）對圖像進行高斯卷積處理。

G（x，y，σ）=12σ2exp-（x2+y2）2σ2（1）

式中：G（x，y，σ）是均值為0，方差為s2的正態分布。

由圖像與高斯函數進行卷積得到不同尺度下的尺度空間。

L（x，y，σ）=G（x，y，σ）×I（x，y）（2）

在獲得卷積后圖像L后，使用式（3）建立尺度空間。

D（x，y，σ）=[G（x，y，kσ）-G（x，y，σ）]×I（x，y）=L（x，y，kσ）-L（x，y，σ）（3）

式中：k為固定的系數。

將圖像用多尺度空間表示，便于查找每一個尺度空間中的極值點，得到極值點所在像素的位置。

將高斯差圖像中的每個像素與它的鄰域、它對應上一層圖像的鄰域、對應下一層圖像的鄰域一共26個像素點進行比較，如其值為最大或者最小，則記錄此點的位置和它所在的尺度，作為特征點。以一張筘齒圖像的特征點提取為例，效果如圖4所示。

為了計算SIFT特征點描述子，首先計算特征點主方向，使檢測到的特征點具備旋轉不變性，特征點主方向的計算如下：

m（x，y）=（L（x+1，y）-L（x-1，y））2+（L（x，y+1）-L（x，y-1））2θ（x，y）=tan-1L（x，y+1）-L（x，y-1）L（x+1，y）-L（x-1，y）??????????（4）

式中：L（x，y）為特征點（x，y）的梯度，m（x，y）為特征點（x，y）的梯度模量值;θ（x，y）為特征點（x，y）的梯度方向。

以特征點為中心對梯度模值進行高斯加權，選取一個以特征點為中心的16×16個像素點的窗口，并將該窗口劃分為4×4個包含4×4個像素點的子窗口，然后使用梯度直方圖統計每個子窗口內8個方向的梯度，最終形成具有較好魯棒性的128維特征向量[10]。

2.2?特征點匹配

找出圖像特征點后，根據特征點的對應關系，將相機連續拍攝的單幀圖像進行無縫拼接，得到一張完整的待測鋼筘圖像，其特征點匹配流程如圖5所示。首先提取相鄰前后兩張圖像的特征點;然后以前一張圖像A為參考，在圖像A上選取一個特征點，計算出其與后一張圖像B上所有特征點之間的余弦角度值θi;然后找到最小角度θ1和次小角度θ2，如果兩者之比小于指定的閾值ε（本文取值為0.6），則認為最小角度對應的圖像B中特征點與參考圖像A中的特征點相匹配;最后根據上述操作遍歷參考圖像中的所有特征點，從而完成特征點的初始匹配[10]。

根據兩個相鄰圖像之間的位置關系，正確的匹配點必須滿足不共線的要求。為此，使用隨機抽樣一致性算法（RANSAC）剔除偽匹配點對，計算單應性矩陣，并獲得特征點的精確匹配對，進行圖像的無縫拼接。圖6為特征點的匹配示意，圖7為圖像A與圖像B的拼接結果。

3?結果與分析

3.1?筘齒計數與統計

實驗共選用10根鋼筘，其中所用鋼筘的規格參數如表1所示。相機設置為焦距35 mm，曝光時間為1/100 s，算法的實現采用Matlab（2012b）編寫。

3.1.1?筘齒計數

為驗證本文提出的圖像拼接算法的效果，采用筘齒計數算法，測定拼接圖像中的筘齒數量。筘齒計數的準確性可反映圖像拼接的效果，本文采用的筘齒計數算法如下。

灰度圖像中筘齒的灰度值比背景高，筘齒區域偏亮，筘齒間隙區域偏暗，且偏差很大。因此，首先對圖像進行二值化處理，將圖像上像素點的灰度值轉化為0或255，接著通過統計跳躍點個數，很容易實現鋼筘筘齒數的準確統計。以圖6為例，取圖像中間一行像素，從圖像起始點記起，每個像素的灰度值為f（i），其中，i=0，1，2，…，N-1（N為圖像寬度，以像素為單位），當系統從左向右掃描時，若f（i-1）=0，f（i）=0，f（i+1）=255，f（i+2）=255，…，f（i+n）=0，則該點記為一個跳躍點，檢測系統則記為1片筘齒。以此類推，設筘齒片數為n（初始為0），系統從左向右依次掃描，每檢測到1片筘齒，n則累加1次，最終統計出所有筘齒數。本文將基于模板匹配的算法（皮爾遜系數）與本文算法進行圖像匹配，同時對實際筘齒數目為5 440片編號為2#的鋼筘進行筘齒數計數，比較結果如表2所示。

本實驗以模板匹配方法為對照，對比比較筘齒計數結果的準確率差異。由表2可見，在相同實驗條件下，模板匹配方法獲得的筘齒技術誤差率最高達到1.25%，且穩定性較差。相比之下，本文提出的基于SIFT算法進行圖像匹配的方法誤差率控制在0.02%以下。上述結果反映了傳統的模板匹配圖像拼接算法準確性及穩定性較差，其主要原因：模板匹配只能夠進行左右或者上下的平行移動，具有一定的局限性;且模板匹配對于光照強度的變化較敏感。相較而言，本文提出的SIFT算法具有旋轉不變性，抗光照強度的特點，可有效避免傳統模板匹配算法在圖像匹配方面的不足。由此可知，本文提出的SIFT算法對鋼扣圖像的拼接問題具有更高的適應性。

3.1.2?筘齒間距檢測

本文采用一種筘齒間距檢測算法，其主要步驟包括筘齒定位與間距測量。筘齒定位算法與3.1.1中筘齒計數算中的筘齒定位算法相同，記二值圖像中的跳躍點位置為筘齒位置;完成筘齒定位后，計算相鄰筘齒之間的像素距離，并以圖像采集分辨率將像素距離映射至實際物理距離，即實現筘齒間距的檢測。通過筘齒定位算法，可定位異常筘齒的位置。對拼接后的鋼筘圖像實施上述筘齒間距檢測算法，即可獲得所有相鄰筘齒的實際距離，并按順序進行存儲。

在本文算法中，對于間距在正常間距以外的筘齒，間距大小依次進行排列，可直觀看出筘齒間距的分布情況。本文以鋼筘編號為2#的鋼筘為例，僅列出前10個數據，筘齒間距數據從大到小排列和筘齒間距數據從小到大排列如表3所示。從表3數據可以看出，該鋼筘筘齒的正常間距是0.58 mm，檢測到大于0.58 mm的異常筘齒有3個，小于0.58 mm的異常筘齒有3個。上述結果表明，本文檢測系統能夠實現對筘齒間距的檢測，且將檢測結果按照筘齒間距遞增或遞減排列，有利于統計筘齒間距分布，為正確評價鋼筘質量提供保障。

3.2?結果比較驗證

3.2.1?實驗結果的準確性

為了驗證實驗結果的準確性，將本文方法測得異常筘齒位置及間距與人工所測實際結果相比較，結果如表4所示。表4展示了對比實驗的結果，數據中展示了該鋼筘中所有間距異常筘齒的筘齒間距及位置，實驗所用的鋼筘為編號為2#的鋼筘，已知該鋼筘筘齒理論間距為0.58 mm。從表4可以看出，人工測量位置與本文算法所測的位置，偏差值控制在5 mm以內，已可以滿足實際應用的需求。造成此微小偏差的原因主要是鋼筘起始位置的筘片通常存在彎曲及間距過密的情況，以及人工測量中存在的不可避免的較小偏差。

3.2.2?算法的穩定性

為了驗證本文所用算法的穩定性，選取2根鋼筘，人工標記其疵點位置，采用本文所提出算法對其進行多次重復測量。重復測量結果的一致性可反映本文算法的穩定性，實驗結果如表5所示。從表5數據可以看出，本文算法具有很強的穩定性。

4?結?論

本文提出了一種基于機器視覺的鋼筘筘齒間距檢測系統，通過用自制的圖像采集裝置獲取筘齒連續圖像，采用SIFT算法進行特征點提取、圖像匹配，得到完整的待測鋼筘圖像，最后通過統計像素點個數，結合圖像分辨率的大小，實現對筘齒數目及筘齒間距進行精確的測量。實驗結果表明：1）所提出的檢測系統能夠實現平筘和異性筘的筘齒間距的準確檢測;2）相比于人工目測法，利用機器視覺檢測鋼筘筘齒間距具有效率高、穩定性好及操作簡單等優勢，能為鋼筘質量客觀評價提供依據。

參考文獻：

[1]張新華， 張若煜. 一種鋼筘檢測儀： CN202661109U[P]. 2013?01?09.

ZHANG Xinhua， ZHANG Ruoyu. A steel flaw detector： CN202661109U[P]. 2013?01?09.

[2]張新華， 張若煜. 一種鋼筘檢測儀及其檢測方法： CN102749103A[P]. 2012?10?24.

ZHANG Xinhua， ZHANG Ruoyu. A steel flaw detector and its detection method： CN102749103A[P]. 2012?10?24.

[3]謝嘉寧， 劉煉祥， 陳國杰， 等. 穿筘機穿筘的光電定位系統： CN102733054A[P]. 2012?10?17.