基于機器視覺的單組分染液濃度快速檢測方法

田宇航， 王紹宗， 張文昌， 張 倩

(機械科學研究總院 先進成形技術與裝備國家重點實驗室， 北京 100083)

隨著自動化技術和數據采集技術的發展，筒子紗染色過程中的染色工藝參數(如時間、溫度、壓力、pH值、加料曲線等)已經實現數據在線采集與檢測,而對染色質量有重要影響的染料上染曲線目前還未有理想的在線檢測方式。染料的上染曲線可以反映上染速率，染色質量與染料上染速率高度相關，而后者可以通過染液濃度的分析，簡單而有效地精準控制，優化工藝，提高染料和水的利用率，減少污染[1]。

目前常用的染液濃度的檢測方法主要是熒光光譜法、高效液相色譜法、分光光度法[2]。熒光光譜法要求待測物有一定的熒光量子產率，工業應用時有一定的局限性[3]。高效液相色譜法(HPLC)是一種實驗室常用的檢測手段，可以分離出染液的多種組分，但是耗時長且儀器昂貴，一般用于離線的實驗室檢測試驗[4]。分光光度法是一種常用的濃度檢測方法，操作相對復雜[5]，該方法基于朗伯比爾定律，通過對吸光度進行檢測，與濃度建立關系，并且以此為依據預測染液的濃度[6]。

目前國內染液濃度的檢測研究大都處于試驗研究階段，并且主要以分光光度法為研究基礎。張建新等[7]將機器學習的算法應用到吸收光譜的分析，提高了染液濃度預測的準確性，對三組分混合染液進行離線的濃度檢測，可將相對誤差控制在±10%。該團隊還研制了一種基于雙波長分光光度法的吸光度檢測裝置[8]，在較大程度上消除了背景干擾，與標準吸光度檢測裝置的檢測結果對比相對誤差為±5%。房文杰等[2,9]采用吸收光譜峰面積法和一階導數法對顏色相近的雙組分染液濃度進行了測定，可在有限的配比范圍內將測定相對誤差控制在±5%，并且使用光纖光譜儀對染色過程中的染液檢測進行了初步的探索。國外對染液濃度檢測的研究起步較早，Mathis公司與英國利茲大學聯合研發的Mathis Smart Liquor染色在線分析儀[10]也是基于分光光度法對染液進行在線檢測，可以給出上染率曲線，但由于其價格昂貴、操作復雜，在國內應用較少。

機器視覺方法在染液濃度檢測方面還未見廣泛應用，但在其他領域已經有濃度檢測相關研究，如在黑色素、血紅蛋白濃度檢測[11]以及葉綠體濃度檢測[12]等方面的應用。由于采集的圖像顏色可以反映光的變化，而光的衰減量與有色溶液濃度有相關關系?；谶@一對應關系，本文提出了一種基于機器視覺的染液濃度快速檢測方法，利用機器視覺對顏色的識別能力，參照朗伯比爾定律，建立R、G、B值和染液濃度的關系模型，進而預測染液濃度。本文搭建了視覺采集系統及數據處理系統，以活性染料DRA-3R低堿黃為例，對不同濃度梯度染液進行了模型驗證。

1 試驗部分

1.1 試驗裝置

由于有色溶液對光的吸收現象與有色溶質濃度有定量關系，本文提出的基于機器視覺的染液濃度檢測裝置如圖1、2所示。裝置包括工業相機(維視數字圖像有限公司)、鏡頭(西安遠心光學系統有限公司)、光源及光源控制器(上海嘉勵自動化科技有限公司)、檢測暗箱、玻璃皿(直徑為60 mm,高度為15 mm,材質為高硼硅玻璃)。

圖1 基于機器視覺的染液濃度檢測裝置圖Fig.1 Diagram of dye liquor concentration detection device based on machine vision

圖2 染液濃度檢測裝置樣機Fig.2 Prototype of dye liquor concentration detection device

本裝置設計有暗箱，用于消除外界光照影響，光源分紅、綠、藍3個通道，發射的光分別為波長為750 nm的紅色光、波長為460 nm的藍色光、波長為530 nm的綠色光，每個通道有255個亮度等級，可實現光源顏色的自由調節。

梯度濃度染液配制采用Copower Automatic Dispensing System染液滴定機(宏益科技股份有限公司)。

1.2 試驗樣品

低堿黃染料(英彩克隆系列DRA-3R)、低堿紅染料(英彩克隆系列DRA-3B)、低堿藏青(英彩克隆系列DRA-3G)，約克夏化工控股有限公司；軟水。

1.3 試驗方法

以低堿黃染料為研究對象，用于不同梯度濃度的染液配制、圖像采集以及建模分析。首先用軟水作為溶劑，使用染液滴定機配制質量濃度分別為0.04、0.08、0.12、0.16、0.20、0.24、0.28、0.32、0.36、0.4 g/L的低堿黃染液作為建模的試驗樣品，配制質量濃度分別為0.05、0.1、0.25、0.3、0.35、0.4 g/L的染液作為驗證組樣品，將軟水作為參比溶液。試驗開始之前還需要配制0.4 g/L的低堿紅染液、低堿黃染液和低堿藏青染液作為標準樣品，用于相機的標定，從而消除光源、相機感光差異的影響。

取標準樣品各10 mL分別裝入直徑為60 mm的玻璃皿中，放置于染液檢測裝置中；將光源條件設置為3個通道均為10；采集圖像并保存，提取每個圖像中心100個像素點的R、G、B值的平均值作為該樣品的R、G、B值，調節光圈、焦距、曝光時間、伽馬等相機參數，使3種標準樣采集圖像的R、G、B值達到表1所示數值。

表1 標準樣品R、G、B值Tab.1 RGB values of standard samples

調整好相機參數后，取各個質量濃度的染液及參比溶液各10 mL分別裝入直徑為60 mm的高硼硅玻璃皿中，放置于染液檢測裝置中；通過光源控制器調節光源通道和亮度，最后選擇4種光源條件分別對染液進行照射、采集圖像并保存，提取每個圖像中心100個像素點的顏色特征值的平均值作為該樣品的顏色特征值，進行模型的建立和驗證。

2 結果分析

2.1 顏色系統與光源顏色的選擇

在顏色系統選擇時，選用了RGB顏色系統。該顏色系統是將每個像素點的R、G、B值設定255個灰度值，按照不同的數值配比混色就可以得到不同的顏色，數值越大，亮度越大[13]。

為方便試驗中對光源強度進行梯度調節，擬選定一個光源通道進行試驗及模型建立。本文的低堿黃染液樣品在自然光條件下顯示為黃色透明溶液，說明樣品在該光照條件下主要透過黃光，吸收大部分其他光。由朗伯比爾定律可知,溶液吸收光的量與染液濃度之間存在一定關系，利用R、G、B值表征亮度等級即可進行染液濃度的預測，因此，為了使R、G、B值隨染液濃度變化的規律性更明顯，在選擇光源時應該考慮染液對光源的光吸收量較大的色光，針對該黃色染液，吸收量最明顯的應該是黃色的互補色光即藍光。綜上分析，將選擇與染液顏色互補色光或互補色光的近似色光作為光源條件選擇的一般原則。

在實際應用中，藍色光通道的某一亮度的單通道光可能不是最合適的光，因為該藍光不一定與該樣品透射光的互補色光完全符合，或者染液對互補色光的吸收量過大，導致采集的圖像亮度過低無法提取顏色特征值，所以該光源條件下的數據規律不一定是最明顯的。而且光源紅光單通道發射出的光和綠光單通道發射出的光都有可能被吸收一部分，圖像的數據可能符合一定規律，所以需要前期的試驗驗證光源效果。

試驗證明了光源的紅光和綠光不適合作為該黃色染液樣品的檢測光源。圖3示出綠光亮度等級為20的光源條件下和紅光亮度等級為10的光源條件下對該低堿黃染液的數據擬合結果。從圖3(a)看出，該染液對綠光都有少量的吸收，但是吸收量太少而且吸收量與染液質量濃度變化的關系規律性不強。從圖3(b)看出,該染液對紅光幾乎沒有吸收。通過多次試驗確定藍光亮度等級為10、15、20、50的光源條件下的吸收規律較為明顯，選擇染液顏色互補色光作為光源的選擇原則基本適用。

圖3 采用綠光光源和紅光光源時R、G、B值與對應染液質量濃度擬合曲線Fig.3 Relationship between R、G、B value and concentration of dye liquor when light source is green and red. (a) Light source is green(level 20); (b) Light source is red(level 10)

2.2 R、G、B值隨濃度變化曲線

根據朗伯比爾定律[14]：

式中：I0(λ)為波長等于λ的光照射樣品的光強，cd；It(λ)為波長等于λ的光透過樣品后的光強,cd；b為液層厚度,cm；c為溶液質量濃度，g/L；A為吸光度；E(λ)為吸光系數。

將采集的R、G、B值類比為透過樣品的光強It(λ)；t1、t2、t3為類比吸光度系數E(λ)的3種系數與光程b的乘積；K1、K2、K3為調整系數。則公式變為

It(λ)=I0(λ)10-E(λ)bc

則將R、G、B值和濃度x擬合為如下方程：

R=K1×10-t1x

G=K2×10-t2x

B=K3×10-t3x

在亮度等級分別為50、20、15、10這4種藍光光源條件下采集的圖像R、G、B值和對應的染液質量濃度擬合的曲線如圖4所示。在12條R、G、B值與染液質量濃度的關系曲線中，有5條曲線未完全覆蓋染液質量濃度測量范圍(0～0.4 g/L)。分析原因可知，在選擇的藍光亮度等級下，對應的G、B檢測值超過檢測范圍而無法全部顯示。

在4種不同光源條件下，12條R、G、B值與染液質量濃度關系曲線的擬合結果如表2所示。在藍光亮度等級15的光源條件下，3條擬合曲線中G值與染液質量濃度的決定系數最大，說明該條件下采集的G值與染液質量濃度的相關程度最高。在同一質量濃度范圍內，斜率越大的曲線縱坐標范圍越大，對應的顏色特征對質量濃度也越敏感。由圖4可知，相同光源條件下，曲線的斜率、可測濃度范圍、決定系數可能無法同時達到最優，因此，如果要選擇R、G、B值中的任意一組來建立模型預測染液質量濃度，需要考慮曲線模型的決定系數、斜率以及濃度范圍，然后進行模型驗證。

圖4 采用不同亮度等級的藍光時R、G、B值與對應染液質量濃度擬合曲線Fig.4 Relationship between R、G、B values and dye concentration when light source is blue with different level. (a) Level 50; (b) Level 20; (c) Level 15; (d) Level 10

表2 R、G、B值與染液質量濃度的回歸方程及決定系數Tab.2 Regression equations and determination coefficients between R、G、B value and concentration of dye liquor

3 線性模型建立與驗證

3.1 線性模型建立

根據朗伯比爾定律[14],將采集的R、G、B值類比為透過樣品的光強It(λ)，則將R、G、B值和染液濃度x擬合為如下方程：

式中：R0、G0、B0值分別為直接進行軟水的圖像采集后提取的RGB值；R、G、B值分別為進行不同濃度染液的圖像采集后提取的RGB值；k1、k2、k3為系數；δ1、δ2、δ3為常數項，是對其他各個解釋變量所留下的偏誤的線性修正。

線性模型的建立只需要每個光源的R、G、B這3組數中的1組即可完成單個模型的建立，數據組的選取是根據圖4中各個光源條件下R、G、B這3條曲線的變化規律確定，選取質量濃度范圍為0～0.4 g/L、斜率較大并且決定系數也較大的曲線擬合所用數據組，以獲得精度較高的模型。因此，在藍光亮度等級為50的光源條件下，選擇R值與濃度對應的數據組進行線性擬合；在藍光亮度等級為20、15、10的光源條件下，選擇G值與濃度對應的數據組進行線性擬合，回歸方程及決定系數如表3所示，建立的模型均具有較高的決定系數。

表3 線性回歸方程及決定系數Tab.3 Equations of linear regression and determination coefficients

楊海燕等[15]也采用了類似的建模方法，利用掃描儀采集圖像，進行了稻米直鏈淀粉含量檢測實驗，結果表明檢測精度較高。這種線性模型的特點是可以選擇規律性更強的數據組進行建模，但是對已知數據利用率較低。

3.2 線性模型驗證

用未參與建模的6組染液濃度數據對4個線性模型進行模型檢驗，表4示出線性模型的驗證結果?？梢钥闯?，4組線性模型中染液濃度預測精度較高的是藍光光源亮度等級為10的條件下建立的模型，最大相對誤差絕對值為6.60%，平均相對誤差的絕對值為3.45%，最小相對誤差絕對值為0.14%。

表4 線性模型驗證結果Tab.4 Results of liner model verification

4 最小值模型建立與驗證

4.1 最小值模型建立

在一定光源條件下，每組染液濃度對應3組值，分別是R、G、B值，最小值模型公式為

f(x)=[R(x)-R]2+[G(x)-G]2+[B(x)-B]2

式中,f(x)表示輸入的R、G、B值與x對應的R(x)、G(x)、B(x)的總偏差。當f(x)最小時，說明x對應的R(x)、G(x)、B(x)與該組R、G、B值最接近，此時x最為接近實際值，所以通過數值方法求出f(x)最小時的x值，即為該模型的染液濃度預測值。

每個光源條件下都可以得到一個模型，這種建模方法的特點是：可以同時利用R、G和B值與濃度的關系，兼顧了每個曲線模型的優勢，對數據利用率高，模型的容錯性較好。

4.2 最小值模型驗證

用未參與建模的6組染料質量濃度數據對4個最小值模型進行模型驗證，驗證結果如表5所示。將光源設定為亮度等級為50的藍光，預測染液濃度的準確度最高，最大相對誤差絕對值為5.20%，平均相對誤差絕對值為3.35%，其預測準確度高于線性模型。

表5 最小值模型驗證結果Tab.5 Results of minimum value model verification

藍光光源亮度等級為50時采集圖像數據建立的3個回歸方程的決定系數平均值最小(見表2)，但是模型檢驗的結果準確度最高，驗證了2.2節中提出的觀點：不能只依靠決定系數來判斷模型預測染液濃度的準確性，還應該考慮到擬合曲線的斜率;斜率越大，該曲線R、G、B值對染液濃度更敏感。

綜上分析，在建模時，無論是最小值模型還是線性模型，從R、G、B值和染液濃度的關系圖來看，首先要保證模型能夠覆蓋檢測范圍，然后再選擇決定系數和斜率較大的對象進行建模。

5 結 論

本文提出了一種基于機器視覺的單組分染液濃度快速檢測方法。對由低堿黃染料配制的染液樣品，進行了不同光源條件下的圖像采集以及數據分析，建立了4組R、G、B值和染液濃度的關系模型，再結合不同的數據擬合方法，建立了8種染液濃度預測模型，討論了不同光源和不同數學模型對染液濃度預測結果的影響，通過對模型預測結果最大相對誤差絕對值和平均相對誤差絕對值的綜合比較，認為在亮度等級為50的藍光光源條件下建立的最小值模型對染液濃度的預測結果最準確。該模型最大相對誤差絕對值為5.20%，平均相對誤差絕對值為3.35%。本研究中的基于機器視覺的染液濃度檢測方法采用的檢測裝置結構簡單，檢測速度快，與傳統的染液檢測方法相比有較大的優勢，為染液濃度在線檢測系統研究提供了技術支持。

印染行業的實際生產過程中為了滿足不同客戶對產品顏色的不同需求，一般會采用2種或3種染料拼染的方式進行染色，這對染液濃度的在線檢測提出了挑戰，本文研究僅建立并驗證了能夠實現單組分染液濃度快速檢測的模型，今后還需要進一步研究建立雙組分和多組分的染液濃度檢測模型。