滌綸工業長絲毛絲在線檢測系統的研究

張榮根， 馮 培,2， 劉大雙， 張俊平， 楊崇倡,2

(1. 東華大學 機械工程學院， 上海 201620； 2. 東華大學 紡織裝備教育部工程研究中心， 上海 201620)

在滌綸工業長絲實際生產過程中，受熔體品質、紡絲溫度、拉伸工藝、上油方式等紡絲工藝參數[1]的影響，易產生毛絲。毛絲的出現會直接影響后道工序的加工，增加斷頭率，甚至形成織疵等品質問題，同時對企業產品形象以及用戶的使用造成一定影響。短時間內快速、準確檢測出毛絲的存在，對企業降低生產成本、提高經濟效益具有重要意義。

在國外毛絲檢測相關領域，德國Enka Tecnica公司制造的在線毛絲檢測系統(Fray tec MV)[2]以霍爾效應為基礎，通過監測光電傳感器信號變化來判斷是否有毛絲。在國內毛絲檢測相關領域，大致有以下幾種方法：第1種是使用高精度線陣電荷耦合器件圖像傳感器(CCD)的毛絲檢測法[3]，通過光學方法將待測物體的圖像呈現在CCD上面，從而獲得一定寬度的電信號，通過測量并換算電信號的寬度得到被測物體的尺寸，區分出長絲與毛絲；第2種是使用激光衍射法[4]得到衍射圖像對毛絲進行檢測，毛絲存在時會產生衍射圖像，使長絲原本的衍射圖像發生改變，對拍攝到的衍射圖像進行分析和處理，就可以得到長絲上毛絲的信息；第3種是借助普通光電傳感器[5]，通過對比光通量變化進行毛絲檢測；第4種方法是基于光學成像原理[6]利用光源照射長絲，通過光學成像系統后在光電敏感面上獲得清晰的圖像，通過圖像的變化檢測毛絲的存在。

近年來，機器視覺在紡織檢測系統中的應用越來越廣泛[7-9],利用圖像處理技術為毛絲檢測提供一種便捷、高效的方案，可大大提高化纖企業效益和產品質量。目前，利用圖像處理技術識別毛絲的方法主要是基于MatLab圖像處理，對長絲圖片進行濾波、銳化、二值化處理、區域提取以及毛絲區域閾值設定來檢測毛絲[10]。本文在深入研究各種圖像處理方法基礎上，提出了一種基于LabVIEW開發環境下檢測毛絲的方法，采用圖像增強處理、二值化處理、數學形態學等方法檢測毛絲，將毛絲疵點提取出來，并與檢測閾值對比，達到識別毛絲和毛絲數量統計的目的。

1 長絲毛絲檢測方案設計

本文檢測方法基本思路如下：首先調整合適的光源參數拍攝出清晰的長絲照片；其次為便于分析毛絲圖像數據，對長絲照片進行一系列的圖像增強處理、二值化處理、特征提取，最終得到背景單一且僅含毛絲的二值化圖像；基于毛絲長度超過設定閾值即判斷為毛絲的檢測原理，通過試驗確定滌綸工業長絲實際寬度與長絲圖像寬度方向上的像素點數量間的關系，從而獲得毛絲檢測閾值。在基于毛絲長度判斷標準下，該檢測方法可用于判斷單絲斷裂的情況，但并不適用于圈絲的檢測，圈絲為單絲拱起但未斷裂的情況；當毛絲二值化圖像的像素點數超過設定的檢測閾值，即可判斷毛絲的存在，達到檢測毛絲的目的。具體檢測方案為：CMOS攝像拍攝長絲照片→計算機獲取照片→LabVIEW處理長絲圖像→試驗得出檢測閾值→毛絲圖像像素點數量與閾值比較→若有毛絲，計數加1。

考慮到檢測對象滌綸工業長絲中的毛絲處于動態連續檢測環境下，本文檢測方案配有線陣相機和遠心鏡頭，以達到較高數據傳輸速度以及較低圖像畸變率，保證了長絲照片的圖像質量；拍攝的滌綸工業長絲照片通過圖像采集卡傳輸至計算機，經過一系列圖像處理后得到毛絲圖像，并與檢測閾值進行比較；本文檢測系統設有計數功能，如果毛絲長度超過檢測閾值，則毛絲數量計數加1；同時會將檢測到的滌綸工業長絲照片保存下來，便于改進硬件平臺以及完善圖像識別算法。

2 長絲毛絲檢測流程

2.1 長絲照片的獲取

本文研究對象為線密度值在278～5 500 dtex之間的滌綸工業長絲(下文統稱為長絲)，在卷裝的退繞過程對其進行毛絲的連續檢測。在獲取長絲照片時，拍攝背景、光線以及長絲運動速度將直接影響照片質量。由于長絲為白色，且毛絲本身較細，為強化突出長絲表面的毛絲，本文采用能夠鮮明展現物體輪廓的逆光拍攝方法。同時，光線太強或者太弱都會使圖像產生明顯的噪聲，且長絲運動速度不當可能會弱化毛絲疵點，為后期圖像處理帶來很大困擾，造成檢測結果不準確。為解決該問題，本文嘗試調節光源的發光強度和長絲運動速度拍攝長絲照片，具體效果如圖1所示。可見：當光強為30、40、50 cd時，圖片偏暗且產生不均勻的噪聲；光強為60 cd時，照片過亮，導致長絲主干產生不均勻的白亮區；當運動速度為200、300、500 m/min時，均會使長絲大幅度彎曲，進而無法呈現毛絲疵點的實際狀態，影響檢測結果。綜上所述，光強調整至55 cd，長絲運動速度調整至400 m/min，可確保獲取比較清晰的長絲照片。

2.2 長絲圖像增強

由于拍攝光線和背景會對長絲圖像的質量造成影響，不利于后續處理與分析，故需要對原始圖像進行增強處理[11]，有針對性地加強圖像整體或者局部特征，抑制不感興趣的特征，突出感興趣區域的特征，進而改善圖像質量，豐富信息量，提高圖像識別與判斷能力。本文圖像增強主要采用3種方法：灰度級變換、直方圖處理、空域濾波與頻域增強。灰度級變換[12-13]針對灰度圖像，該方法僅改變像素點的灰度值，通過擴大圖像動態范圍，增強圖像對比度使圖像更加清晰，特征更加明顯。不同灰度級變換函數對長絲的處理效果如圖2所示。可知，經對數變換、平方根變換、冪1/x變換函數處理后，圖像模糊；Gamma校正函數處理后的圖像較冪變換函數邊緣對比更強烈，更能突顯毛絲特征，效果較好。

圖1 不同光強和運動速度下拍攝的長絲照片Fig.1 Filament photographs taken at different light intensities (a) and speeds (b)

圖2 不同灰度級變換函數處理的長絲圖像Fig.2 Filament image processed by different gray scale transformation functions. (a)Original image；(b)Logarithmic transformation； (c)Gamma correction；(d)Square root transformation；(e)Power 1/x transformation；(f)Power transformation

直方圖處理方法可通過改變像素的灰度值，使之均勻分布在0～255灰度范圍內，不需要使用所有灰度值，僅使用這種像素的轉換來增強圖像對比度。但本文使用該函數效果并不理想，相較于Gamma校正函數的處理效果，直方圖方法處理后的長絲圖像邊緣存在許多細小的毛刺(見圖3)，鑒于本文以毛絲長度作為判斷依據，邊緣毛刺易影響檢測結果，故該圖像增強方法并不可取。

圖3 直方圖處理函數處理的長絲圖像Fig.3 Filament image processed by histogram processing function.(a)Original image；(b)Histogram function processing effect

空域濾波是在圖像空間中對圖像進行鄰域操作，圖像中每個像素的取值都是根據模板對輸入像素相應鄰域內的像素值進行重新計算得到的。空域濾波器包括使圖像模糊的平滑濾波器和增強邊緣或細節的銳化濾波器，具體效果如圖4所示。

圖4 空域濾波函數處理的長絲圖像Fig.4 Filament image processed by spatial filter function.(a)Original image；(b)Spatial filtering 1；(c)Spatial filtering 2；(d)Spatial filtering 3；(e)Spatial filtering 4；(f)Spatial filtering 5；(g)Spatial filtering 6；(h)Spatial filtering 7；(i)Spatial filtering 8；(j)Spatial filtering 9；(k)Spatial filtering 10

空域濾波函數1～4為分別使用低通濾波器、局部平均濾波器、高斯濾波器以及中值濾波器對長絲圖像進行平滑處理，使其邊緣部分變得模糊；而空域濾波函數5～10為分別使用拉普拉斯濾波器、微分濾波器、普瑞維特濾波器、索貝爾濾波器、羅伯茨濾波器、坎尼濾波器對長絲圖像進行銳化處理，相較于平滑濾波器，雖然銳化處理能夠突出毛絲疵點，但效果并不是很好，且該方法處理后的長絲圖像無法進行二值化處理，故空域濾波函數不予使用。

圖像頻域增強[14]的本質是將原圖像f(x,y) 的傅里葉變換F(u,v) 通過濾波器H(u,v) 處理，再經過逆傅里葉變換得到增強的圖像g(x,y) ，其中x、y為圖像像素的空間坐標，u、v為圖像水平和垂直方向上的空間頻率。利用2種低通衰減和截斷頻率濾波器對長絲圖像進行操作，處理效果如圖5所示。可以看出，低通截斷函數處理的圖像已完全將毛絲過濾掉，不滿足檢測要求；低通衰減函數處理效果相較于原始圖像更加模糊，同樣不可取。

圖6 不同閾值的二值化函數處理的長絲圖像Fig.6 Filament image processed by binary function of different threshold. (a)Original image；(b)Image enhancement processing；(c)Binarization 150；(d)Binarization 175；(e)Binarization 200；(f)Binarization 225；(g)Binarization 250

圖5 頻域增強函數處理的長絲圖像Fig.5 Filament image processed by frequency domain enhancement function. (a)Original image；(b)Low pass cutoff；(c)Low pass attenuation

綜上所述，Gamma校正函數處理的圖像處理效果最佳，在保證圖像清晰的同時突顯毛絲特征，最大程度上保證了檢測對象的完整性，故本文圖像增強處理采用該函數。

2.3 二值化處理

二值化處理是將灰度圖像上像素點的灰度值轉換為0或255，使圖像整體呈現僅有黑與白的效果。通過選取合適的閾值減少圖像的數據量，突顯感興趣的目標輪廓，利于后續對二值化圖像的像素點進行處理與分析。設定閾值為150、175、200、225、250對長絲照片進行處理，效果如圖6所示。

本文以毛絲長度作為判斷依據，遠離長絲表面毛絲的一端，其頂端很細，存在被光線弱化的可能性，造成頂端細微信息的丟失，使得拍攝到的毛絲長度小于實際毛絲長度。為降低該現象對檢測結果的影響，二值化處理時需要盡可能呈現毛絲的完整狀態。由圖6知，閾值為250的二值化處理效果較好，保留了毛絲頂端信息；而閾值為150～225的二值化處理效果與原始圖像相比，均不能完整體現出毛絲的實際長度，提取的長度小于實際毛絲長度，易造成漏檢。

2.4 毛絲特征提取

目前，已得到外形輪廓清晰的二值化長絲圖像，下一步需要提取毛絲疵點。在提取毛絲疵點時，本文先從圖像中分離長絲主干，再與長絲原始圖像進行對比運算，最后得到僅含毛絲疵點的圖像。

在提取長絲主干時，本文使用數學形態學[15]處理函數。數學形態學是一種從灰度圖像和二值化圖像中提取幾何信息的工具。該方法利用結構元素構造圖像運算，其運算結果取決于結構元素大小。數學形態學的基本運算有膨脹、腐蝕、開與閉，利用基本運算可保證在維持處理對象基本形態下，去除不相干的結構，達到簡化圖像數據的效果。形態學函數即膨脹、腐蝕、開、閉、適當開、適當閉、梯度內、梯度外以及自動中值函數，其處理毛絲圖像效果如圖7 所示。

圖7 數學形態學函數處理的長絲圖像Fig.7 Filament image processed by mathematical morphology function.(a)Original image；(b)Image enhancement processing；(c)Binarization；(d)Dilate erode；(e)Corrode；(f)Open；(g)Close；(h)Proper open；(i)Proper Close；(j)Gradient in；(k)Gradient out；(l)Auto median

由圖7可知，除膨脹、適當開和適當閉函數能夠剔除邊緣毛絲，其他函數處理效果均不佳。但形態學膨脹函數處理的長絲主干改變了原本的寬度，使用該函數易對后續提取毛絲圖像造成干擾，所以不適用于本文檢測方案。目前，形態學開函數與形態學適當開函數去除毛絲的效果相差甚小，通過調節2種函數結構元素的尺寸對比其處理效果。其中結構元素通常為行、列數相同的奇數矩陣形式，常見尺寸有3×3、5×5、7×7和9×9等幾種。采用不同尺寸的模板處理效果如圖8所示。可知，隨著形態學開函數結構元素尺寸愈大，其腐蝕邊緣小毛刺的效果愈佳。形態學適當開函數采用7×7模板時，邊緣毛絲已剔除很多，但隨著模板尺寸的增大，毛絲長度較處理前的毛絲長度呈現增長趨勢，因此，該函數不予采用。綜上所述，檢測方案采用形態學開函數下13×13 模板完成長絲主干的提取。

為最終提取僅含毛絲的圖像，本文將二值化處理后的長絲圖像與長絲主干圖像進行減法運算，過濾掉其他無關微小粒子，得到目標毛絲圖像，如圖9所示。

3 數據分析

本文基于毛絲長度進行判定，化纖工廠規定毛絲長度超過6 mm時需要降等。對6 mm長度的毛絲進行尺寸標定，即確定該長度下圖像中含有多少像素點，以此設定檢測閾值。

圖8 不同模板的開函數與適當開函數處理長絲圖像的對比圖Fig.8 Comparison chart of processing filament images with different templates of open(a) and proper open(b) functions

圖9 提取毛絲疵點的處理過程Fig.9 Process of extracting hair defects.(a)Original image；(b)Image enhancement processing；(c)Binarization；(d)Morphological processing；(e)Subtraction operation；(f)Filter processing

單獨拍攝僅含毛絲的照片難度非常大，本文選擇拍攝1 mm寬度的長絲(未含任何疵點)，記為X1、X2、X3、 X4、 X5、X6、 X7、X8、 X9、X10，經過一系列圖像處理后，提取長絲寬度方向上的像素點數，確定長絲實際寬度與長絲圖像寬度方向上的像素點數存在的關系，最后根據該關系推算出實際長度為6 mm的毛絲對應的像素點數，從而得到毛絲的檢測閾值。處理不同的1 mm長絲圖像，其寬度方向的像素點數統計如表1所示。可知，1 mm長絲圖像寬度方向上的像素點數平均值為30，故毛絲的檢測閾值設定為180。

表1 1 mm長絲寬度像素點數Tab.1 1 mm filament width pixels

提取處理后毛絲圖像的長度信息與檢測閾值進行比較，當毛絲長度像素點數量超過設定的檢測閾值180，則代表存在毛絲。選取滿足降等標準的若干長絲毛絲樣本，包括278 dtex(48 f)、 467 dtex(96 f)、 930 dtex(192 f)、1 100 dtex(192 f)、2 200 dtex(384 f)、 3 300 dtex(384 f)、5 500 dtex(768 f)，該樣本記為Y1、Y2、Y3、 Y4、 Y5、Y6、 Y7、Y8、 Y9、Y10，對檢測方案的驗證數據如表2所示。

表2 實驗驗證數據Tab.2 Experimental verification data

以上均為按照人工判斷標準滿足降等要求的毛絲樣本，理論上每組樣本的毛絲像素點數量應該大于180，但第4組數據為128，與人工檢測結果不相符，檢測準確率為90%。實驗發現，長絲運動過程中，由于絲線張力以及摩擦力的影響，毛絲會夾帶進長絲或者轉換成圈絲形態，導致毛絲像素點數量小于180，造成漏檢。

4 結 論

采用LabVIEW圖像處理方法檢測長絲的毛絲疵點。首先，經過圖像處理得到僅含毛絲的二值化圖像；其次，實驗得出1 mm長絲實際寬度與長絲圖像寬度方向上的像素點數的關系，進而確定檢測閾值；最后，將毛絲長度與檢測閾值進行比較，判斷是否為毛絲達到檢測毛絲的目的，具體結果如下。

1)通過在線檢測測試可知，此檢測方法效果較好，與人工檢測結果對比，準確率達到90%以上。相較傳統人工檢測范圍小、效率低的缺點，該方法能夠消除人工檢測的弊端。

2) 相比利用光電效應、CCD傳感器以及激光衍射原理的檢測方法，本文采用基于視覺系統的檢測方法，可視化程度高。通過分析拍攝的毛絲形態，可以快速查找到漏檢或者多檢的原因，且可操作性好，便于對算法進行優化。

3)該檢測裝置能夠獲取一個方向上的長絲狀態，但無法拍攝到其他角度存在的毛絲，可能無法全面呈現毛絲的實際狀態，因此，毛絲檢測裝置還需要繼續完善，使其能夠拍攝到毛絲各個角度的真實形態，降低漏檢、誤檢的可能性，提高檢測精度。