基于機器視覺的化纖長絲斷頭檢測算法

陳思俊， 陳振中

(東華大學 機械工程學院， 上海 201620)

為方便化纖長絲的運輸和存儲，工業生產通常將其卷繞成化纖絲餅。單股長絲由多根長絲組成，卷繞時紡絲容易發生斷裂，形成化纖長絲斷頭，導致長絲質量下降。因此，化纖長絲斷頭檢測和分類成為化纖企業質量檢測的重要環節。目前，化纖長絲的生產線上主要還是依靠人工進行斷頭檢測，檢測效率和準確率都有待提高。因此，研究和設計化纖長絲斷頭自動化檢測系統對化纖企業高效且高質量地生產長絲具有重要意義?；w長絲斷頭傳統的自動化檢測方式主要有電磁感應、光電傳感和熱敏傳感等方式。呂漢明等[1]提出一種基于聲音檢測與分析的細紗斷頭檢測方法，根據紡紗聲音信號波峰分布的均勻程度判斷是否存在紗線斷頭。李強等[2]通過比較光電傳感器探測到的紗線經過探頭時的方波信號，判斷是否存在紗線斷頭。李效東等[3]設計了一種基于紅外傳感器的紗線斷頭檢測裝置，通過比較運動探頭經過紗線處的光信號差異，判斷是否存在紗線斷頭。上述裝置在檢測完全斷開的普通紗線時效果明顯，但無法對具有局部斷頭特性的化纖長絲進行有效斷頭信息采集和分析，這正是化纖長絲斷頭檢測的難點所在。近年來，日臻成熟的機器學習和圖像處理算法為機器視覺技術在長絲斷頭檢測領域的使用提供了理論支持。相比較傳統檢測方法，機器視覺斷頭檢測方式[4]可以很好地解決斷頭信息難以采集的問題，但難點在于缺乏專用的化纖長絲斷頭檢測算法。

工業生產中將化纖長絲規格用總線密度和紡絲根數組合表征。其中，將無斷裂紡絲、斷裂紡絲占比少于1/3、斷裂紡絲占比超過1/3的長絲分別標記為無斷頭、輕微斷頭和嚴重斷頭。為滿足自動化巡檢的生產需求，并解決傳統機械式斷頭檢測方式無法準確檢測和分類化纖長絲斷頭問題，本文在現有紗線斷頭檢測研究的基礎上，設計了一套基于機器視覺的化纖長絲斷頭檢測系統。該系統繼承了傳統的巡回式步進小車檢測平臺，配套開發了一種專用的基于霍夫變換和徑向基函數神經網絡的化纖長絲斷頭檢測和分類算法。該算法首先對獲得的長絲圖像進行小波去噪和閾值分割處理；然后通過霍夫變換將二值化的長絲圖像進行主干和斷頭形狀分割；最后提取分割后圖像的幾何特征，并基于徑向基函數神經網絡進行訓練和預測，實現對化纖長絲斷頭的檢測和分類。

1 檢測裝置構建與圖像采集

熔體直紡工藝[5]主要包括化纖聚合物熔融、計量泵噴絲成形、側風冷卻和長絲卷繞等流程?；w長絲在卷繞過程中由于受到載荷分布不均勻等因素的影響，易在集束掛鉤處形成長絲局部斷頭。為實現長絲圖像的有效采集，本文設計了一套專用的化纖長絲斷頭檢測裝置，如圖1所示。該裝置包括一部帶鏡頭的工業相機和一臺步進式巡回小車。工業相機通過千兆網口與小車內主機相連，小車接收脈沖信號步進移動，相機正對易發生斷絲區域的長絲進行圖像采集。

注：1-導軌；2-斷絲區域；3-掛鉤；4-噴絲板；5-箱體；6-計量泵；7-注料口；8-長絲斷頭；9-攝像頭；10-步進式巡回小車；11-主機。

工業相機鏡頭選型是視覺檢測系統設計的一個重要環節，圖2所示的相機視場圖較詳細地描述了鏡頭的工作原理。根據圖2可知，鏡頭焦距的計算公式如式(1)所示。

圖2 相機視場圖

(1)

式中：f為工業鏡頭的焦距;W為實際檢測中工作距離;S為相機的靶面尺寸的寬度;F為視場的寬度。

根據現實工作環境確定工作距離為500 mm，視場寬度為400 mm。根據式(1)計算焦距并選取合適鏡頭。所選M0814-MP2型工業鏡頭的具體參數如表1所示。

表1 工業鏡頭參數

待測對象為16.67 tex/36 f規格的POY(pre-oriented yarn)系列長絲，紡絲速度為2 000 m/min。運用圖2中的圖像采集裝置采集1 500張250像素×400像素的長絲圖片，其中無斷頭、輕微斷頭和嚴重斷頭圖像各500張。采集所得的3類化纖長絲圖像如圖3所示。

圖3 采集的化纖長絲圖像

2 長絲的圖像分割與形狀特征提取

2.1 長絲圖像分割

長絲圖像分割階段分為圖像去噪、閾值分割[6]和形狀分割3個部分。本文圖像去噪選用小波軟閾值去噪方式，其可以平滑圖像噪點。將閾值分割算法改進為基于像素變化梯度的閾值分割，以對圖像進行閾值分割，生成二值圖像。選用霍夫變換對圖像直線主干進行提取，以實現長絲主干和斷頭部分分割。

2.1.1 小波閾值去噪

由于生產車間的嘈雜濕熱環境和背景雜質的影響，CMOS相機獲取圖片時會出現大量噪點。過多的噪點會影響后期圖像處理和提取特征，導致長絲斷頭識別率偏低。為消除噪聲點對特征提取帶來的影響，需要對圖像進行平滑去噪。

小波閾值去噪[7-9]是一種基于小波變換的頻率域圖像去噪算法，二維連續小波函數如式(2)所示。

(2)

式中：α為窗口伸縮尺度；τ為平移量；f(ti)為時域信號函數。窗口伸縮尺度α控制小波的頻率，起控制小波伸縮的作用，平移量τ用來平移小波，起遍歷掃描小波的作用。

本試驗采用Symlet[10]小波系列中的sym5小波，假設加性噪聲污染后的圖像信號S(t)如式(3)所示。

S(t)=f(t)+εe(t)

(3)

式中：f(t)為圖像原始信號;e(t)為噪聲;ε為噪聲系數的標準偏差。

原始信號f(t)的小波系數ωi,t較大，主要表示原始圖像中比較重要的信息和奇變位置；而e(t)在每一級的尺度分解上的小波系數ωi,t都相對較小，分布也較為相似，可以通過選定適當的閾值θ進行閾值去噪。硬閾值去噪函數存在不連續性問題，會導致去噪重構后的圖像產生局部震蕩現象。而軟閾值去噪函數變換是連續的，在去噪的同時可以解決震蕩問題，因此采用軟閾值去噪方式，如式(4)所示。

(4)

式中：sgn為符號函數；ωi,t中下標i為小波層數，t為時間，當ωi,t值大于零時，取正值，反之則取負值。

2.1.2 基于像素變化梯度的閾值分割

生產現場中所拍攝的圖像質量受環境、光照等影響顯著，為降低光照等外界因素對后期特征提取的影響,采用閾值分割算法對圖像進行二值化處理。每幅圖對應的像素變化梯度因光照和圖像內容不同而存在差異，但由于長絲像素點數占整體比例較小以及長絲像素值高于背景像素值這兩個共性特點，因此長絲圖像像素變化梯度圖呈現相似的變化趨勢。

通過分析像素變化梯度圖發現，在長絲主干對應的像素值左側會出現像素點突變，圖中表現為1個或多個突出波峰，之后像素梯度趨于平緩，將波峰之后趨于平緩處的像素值作為圖像分割的閾值T。在M像素×N像素大小的二值圖像中，用f(i,j)表示第i行j列圖像對應的像素值。i取1～M所有整數點，j取遍1～N所有整數點，遍歷圖像中每個像素點，通過式(5)求得f′(i,j)為閾值分割后的二值圖像。

(5)

2.1.3 霍夫變換形狀分割

霍夫變換主要利用極坐標進行直線標定。根據文獻[11]可知，在二維空間中，直線可以用極坐標下的公式ρ=xcosθ+ysinθ表示,其中，ρ表示該直線到原點的垂直距離，θ表示x軸到該直線之間的夾角，取值為-90°～90°。若兩點共線，則對應的直線具有相同的ρ和θ，此時的ρ和θ即本文選取的在線的極坐標參數。直角坐標系中共線的兩點(xi，yi)和(xj，yj)被映射到極坐標參數空間時表現為兩條正弦曲線，曲線交點即本文所要求的(ρ0，θ0)。

在M像素×N像素大小的二值圖像中，用f(x，y)表示第x行y列圖像對應的像素值。x取1～M所有整數點，y取1～N所有整數點，遍歷圖像中每個像素點，若f(x，y)值不為0，則通過式(6)求得對應坐標下的ρ和θ值。

(6)

在參數空間建立一個二維數組累加器，并將獲取的ρ和θ值取整后作為橫縱坐標，在累加器對應的該坐標位置中進行累加操作，最終得到最大累加器所對應的(ρ，θ)值，即共線點最多的直線所對應的ρ和θ。由于長絲主干為貫穿于圖像整體的直線，在霍夫變換空間中，找出最大值對應的ρ和θ即長絲主干所對應的直線參數。通過將原圖像二值圖像與長絲主干二值圖像相減可以得到長絲斷頭二值圖像。再運用特征提取算法，分別對無斷頭、輕微斷頭和嚴重斷頭3種長絲二值圖像進行特征提取。

2.2 長絲形狀特征提取

經特征提取后采集到的樣本按4∶1比例隨機分為訓練集和測試集兩部分，通過訓練集訓練優化徑向神經網絡模型，最終運用測試集對模型準確率進行檢測。

對圖像處理階段生成的3種二值圖像進行特征提取。提取的特征主要包含長絲原圖像質心(x1,y1)；原圖像面積S1以及周長C1；長絲主干質心(x2,y2)，主干面積S2和主干周長C2；長絲斷頭圖像的面積Sd與周長Cd。通過式(7)對這些特征進行計算，將計算結果作為徑向神經網絡輸入層輸入。

(7)

式中：質心距D為長絲主干質心和原圖像質心之間的距離；面積比Sp為原圖像面積和主干面積比值；周長比Cp為原圖像周長和主干周長比值；斷頭面積周長比Pd為提取的斷頭部分面積和周長的比值。

3 斷頭識別分類

徑向基函數是一個取值只取決于距原點距離的實值函數，即?(x)=?(‖x‖)，亦或是到某一點c的歐氏距離，即?(x,c)=?(‖x-c‖)。任意滿足該特性的函數被稱為徑向基函數，常見的徑向基函數主要為高斯核函數。

RBF(radial basis function)神經網絡[12]是一種以徑向基函數為激活函數的3層規模的前向神經網絡。該神經網絡在輸入層與隱含層之間是非線性變換的，在隱含層和輸出層之間是線性變換的，輸出層包含3種識別特征權重值。RBF神經網絡在分類能力和學習速度等方面優勢明顯。另外，由于RBF神經網絡結構簡單，能夠逼近任意非線性函數且能夠克服局部極小值問題，其在分類問題中得到廣泛應用，本文基于該網絡模型進行長絲斷頭分類。RBF神經網絡模型如圖4所示。

圖4 徑向基函數神經網絡結構圖

神經網絡的識別特征權重預測值kp、ki、kd計算如式(8)所示。

(8)

式中：wp=[wp1,wp2,…,wp5]T,wi=[wi1,wi2,…,wi5]T,wd=[wd1,wd2,…,wd5]T為RBF神經網絡的權重矢量；H=[h1,h2,…,h5]T為RBF神經網絡的徑向基矢量；φ為線性激活函數；hj為高斯核函數;q為隱含層的節點數。

式(9)為高斯核函數表達式。

(9)

損失函數[13]模型為

L(k,k′)=-k(lnk′+(1-k)ln(1-k′))

(10)

式中：L(k,k′)為損失函數;k為測試集標簽值;k′為預測值。

輸入特征為一個具有4個維度的特征向量，通過徑向基函數激活函數映射到高維空間的隱含層，再通過線性激活函數函數變換到輸出層。隱含層節點個數為中心點的個數，本文以RBF神經網絡為函數模型，其中輸入層是由質心距D、面積比Sp、周長比Cp和斷頭面積周長比Pd組成的形狀特征向量，通過優化隱含層節點數實現最佳分類效果，具體步驟如下：

(1)以隱含層節點數為自變量，通過無監督的聚類[14]算法求出每個節點的具體坐標值。

(2)初始化權重矢量，代入訓練集數據，通過式(8)和(9)計算初始預測值，代入式(10)建立損失函數模型。

(3)通過梯度下降法[15]計算最小損失量下對應的權重矢量值，構建RBF神經網絡模型，代入測試集，得出預測準確率。

(4)分析比較得出最佳隱含層節點數作為最終的預測模型隱含層節點數。

4 數據分析討論

為驗證本文系統算法的可行性，使用Intel Core i7-10750 H CPU，Win 10操作系統下的工控機作為硬件平臺，基于MATLAB R2018b軟件平臺進行算法運算和參數分析。

4.1 小波層數及閾值選擇

在確定不同層數下各閾值對應的小波系數后，基于這些小波涵數對圖像進行去噪處理，分別計算原圖像和去噪后圖像的峰值信噪比(peak signal to noise ratio, PSNR),如圖5所示。

由圖5可知：當閾值不變時，隨著小波層數的不斷增加，峰值信噪比整體呈先上升后下降的趨勢；當小波層數固定時，峰值信噪比呈先上升后下降的趨勢。當小波層數取6、閾值取45時，圖像峰值信噪比達到最大，去噪效果達到最佳。

圖5 小波層數和閾值與峰值信噪比的關系

4.2 基于像素變化梯度的閾值選擇

不同斷頭灰度圖像的灰度分布如圖6所示。由圖6可知，受到光照和斷頭嚴重程度等因素的影響，各圖像的灰度分布圖差異明顯，但由于長絲像素點數占整體比例較小以及長絲像素值高于背景像素值，各圖像像素變化梯度圖呈現相似的變化趨勢。圖6中主要表現為1個或多個突出波峰的存在，并且會在某一閾值后趨于平緩。

圖6 不同斷頭長絲灰度分布圖

閾值選取對無斷頭、輕微斷頭、嚴重斷頭長絲圖像分割效果的影響如圖7～9所示。

圖7 無斷頭長絲圖像閾值選取對圖像分割效果影響

圖8 輕微斷頭長絲圖像閾值選取對圖像分割效果影響

圖9 嚴重斷頭長絲圖像閾值選取對圖像分割效果影響

結合圖6發現:當閾值取在波峰或波峰之前時，圖像會產生許多瑕點，不利于下面的特征提取；當閾值取剛趨于平緩后的值時,去背景效果達到最佳；當閾值繼續往后取時，圖像明顯失真。因此尋找灰度變化峰值右側附近段值作為閾值,可以很好地實現長絲與背景的分離。

4.3 霍夫變換參數分析

長絲圖像霍夫變換空間圖如圖10所示。由圖10可知，霍夫變換空間圖中各點的像素值表示極坐標取值在對應ρ和θ坐標位置的點出現個數，數值越大表明共線的點越多，由于主干是一條貫穿于整個圖片的直線，可以通過尋找最大值找到主干所對應的直線區域。圖10中紅框標記點的顏色最深，表示該點對應的數值最大，其對應的ρ和θ即為長絲主干所在直線極坐標參數。

圖10 長絲圖像霍夫變換空間圖

表2為部分圖像的ρ和θ信息。由于長絲主干多為豎直方向，因此θ數值在0左右徘徊，將相應的ρ和θ值代入公式ρ=xcosθ+ysinθ可求出主干所在直線全部坐標，以此提取出圖像主干。

表2 部分圖像主干的ρ和θ值

4.4 長絲圖像處理效果圖

嚴重斷頭圖像處理后的效果如圖11所示。長絲原圖像經過小波軟閾值去噪后效果如圖11(b)所示，可以看出去噪后長絲背景變得平滑；圖11(b)經閾值分割后的效果如圖11(c)所示，可見長絲與背景分割效果明顯；圖11(c)經霍夫變換后提取的長絲主干如圖11(d)所示，圖11(c)與(d)相減得到的長絲斷頭如圖11(e)所示，可見圖11(d)～(e)很好地保留了長絲的形狀特征。

圖11 嚴重斷頭長絲圖像處理效果圖

4.5 RBF神經網絡優化與預測

采集的部分長絲圖像形狀特征數據如表3所示。將表3中數據歸一化處理后代入RBF神經網絡模型進行訓練。

表3 化纖長絲形狀特征值及對應的斷頭程度

RBF神經網絡隱含層節點數與均方誤差關系圖如圖12所示。由圖12可知，當RBF神經網絡隱含層節點數達到780后，均方誤差趨于平緩，表明模型已經與訓練集達到很好的匹配效果，充分使用每一個訓練集。

圖12 RBF神經網絡隱含層節點數與均方誤差關系圖

RBF神經網絡隱含層節點數與預測準確率關系如圖13所示。由圖13可知，當RBF神經網絡隱含層節點數在720左右時,預測準確率達到最高值95%以上，選擇720作為RBF神經網絡隱含層節數可以達到最佳效果。

圖13 RBF神經網絡隱含層節點數與預測準確率關系圖

4.6 化纖長絲斷頭識別算法效率與穩定性

人工檢測并判斷每根斷頭平均時間在1 s以上，隨著檢測時間變長，工人很容易出現誤判。基于機器視覺進行斷頭分類主要包含圖像處理、特征提取和斷頭識別。由于每張圖片處理時間較短，故統計300張測試集圖片各階段的處理時間，取平均值作為每張圖片的各部分平均處理時間，統計結果如表4所示。由表4可知，長絲圖像處理階段小波去噪、閾值分割和形狀分割以及特征提取階段平均處理時間均在10-2s數量級上，測試集300張圖像斷頭識別總時間在10-1s數量級上，相比人工檢測，達到了快速識別的目標。

表4 各階段處理時間

為驗證化纖長絲斷頭識別算法的穩定性和高效性，后續在現場采集了具有相同數量訓練集和測試集的10組樣本進行試驗，結果如圖14所示。由圖14可知，每組數據的測試準確率為94%～100%，表明該算法具有一定的穩定性和高效性。

圖14 10組樣本分類結果

5 結 語

基于霍夫變換和RBF神經網絡設計了一套化纖長絲斷頭檢測系統。借助設計的檢測裝置對150 tex/36 f規格的POY長絲3種不同程度的斷頭進行圖像采集，并利用sym5小波去噪和改進的閾值分割算法對采集到的圖像進行增強處理，通過霍夫變換對長絲進行主干和斷頭形狀分割，將提取的長絲主干和斷頭主要形狀特征導入訓練好的RBF神經網絡模型進行斷頭檢測識別。試驗結果顯示，測試集300張圖像平均圖像處理時間在10-2s數量級上，斷頭識別總時間在10-1s數量級上，斷頭識別率可達95%以上。表明該系統可以快速去除圖像背景噪點，實現長絲主干和斷頭形狀分割，高效識別和分類化纖長絲斷頭，可為將來實現化纖長絲斷頭自動檢測提供理論參考。