基于視覺特征強(qiáng)化的環(huán)錠紡細(xì)紗斷頭在線檢測方法

陳泰芳, 周亞勤, 汪俊亮, 徐楚橋, 李冬武

(1. 東華大學(xué) 機(jī)械工程學(xué)院, 上海 201620; 2. 東華大學(xué) 人工智能研究院, 上海 201620;3. 上海交通大學(xué) 機(jī)械與動力工程學(xué)院, 上海 200030)

目前,環(huán)錠紡紗在紡紗領(lǐng)域占生產(chǎn)總量80%以上,其生產(chǎn)品種廣,原料適應(yīng)性強(qiáng),紡紗質(zhì)量好,在環(huán)錠紡紗的諸多過程中,細(xì)紗工序直接影響其生產(chǎn)效率和產(chǎn)品質(zhì)量。在細(xì)紗工序中,斷紗現(xiàn)象時常發(fā)生且難以避免,直接導(dǎo)致細(xì)紗工序的中斷,進(jìn)而影響紡紗的生產(chǎn)效率和產(chǎn)品質(zhì)量,同時增加了工人的勞動強(qiáng)度。環(huán)錠紡細(xì)紗斷紗的自動化檢測能實(shí)時反饋細(xì)紗作業(yè)狀態(tài)[1-2],并根據(jù)斷頭信息,及時進(jìn)行接頭處理提醒,進(jìn)而可提高生產(chǎn)效率。目前現(xiàn)有自動化斷頭檢測主要以光電或磁電為核心的單錠式檢測法,準(zhǔn)確率高,壽命長,但需要對細(xì)紗機(jī)進(jìn)行改造,實(shí)施成本高,難度大。因此急需一種低成本、高準(zhǔn)確率的斷頭檢測方法來解決問題[3]。

現(xiàn)有的機(jī)器視覺斷頭檢測方法主要分為3類:第1類方法為激光照射法,對線激光照射紗線形成的光點(diǎn)進(jìn)行統(tǒng)計(jì),計(jì)算紗線數(shù)量,并和事先預(yù)設(shè)的紗線數(shù)量進(jìn)行對比分析,從而檢測紗線是否斷頭[4-5]。第2類方法為紗線圖像圖形學(xué)處理法,對獲取到的紗線圖像進(jìn)行圖形學(xué)處理,實(shí)現(xiàn)紗線特征提取,通過判斷斷頭線間距離實(shí)現(xiàn)斷頭檢測。史鵬飛等利用基于機(jī)器視覺的方法進(jìn)行整經(jīng)機(jī)的斷頭檢測,將圖像轉(zhuǎn)化為一維數(shù)據(jù),然而圖像中紗線的特征難以通過一維數(shù)據(jù)所包含的信息量進(jìn)行分辨[6];姚俊紅基于紗線像素值較高的特點(diǎn),采用閾值分割法進(jìn)行紗線特征和背景特征的分離,但該方法要求圖像背景單調(diào),檢測目標(biāo)清晰[7];王雯雯等采用prewitt算子獲取圖像中所有邊緣,再通過霍夫變換(Hough transform)提取紗線特征,進(jìn)行斷頭檢測[8];孟立凡等采用FPGA灰度投影法找尋投影中的波峰點(diǎn)間距來判別斷頭現(xiàn)象[9]。第3類為深度學(xué)習(xí)方法,通過神經(jīng)網(wǎng)絡(luò)將圖像轉(zhuǎn)化為高維度信息識別斷頭現(xiàn)象。吳旭東等采用基于深度學(xué)習(xí)的方法,升維紗線圖像,并對高維信息進(jìn)行解碼,進(jìn)而判斷斷頭現(xiàn)象[10]。

現(xiàn)有研究主要針對視覺驅(qū)動的紗線斷頭檢測理論方法展開,在實(shí)際應(yīng)用中仍存在以下難點(diǎn)[10-11]：1)紗線拖影下的弱特征。巡測過程中,拍攝的圖像會因?yàn)檫\(yùn)動導(dǎo)致圖像模糊,同時環(huán)錠紡紗高速旋轉(zhuǎn)也會導(dǎo)致紗線拖影,因此難以直接提取到紗線目標(biāo);2)紗線小目標(biāo)特征難以提取。在紗線圖像中紗線像素量占比在3.5%～5.5%之間,易受到光照變化和背景干擾,因此紗線特征難以自適應(yīng)的提取。

針對以上難點(diǎn),本文提出了基于視覺特征強(qiáng)化提取的細(xì)紗斷頭在線檢測方法。針對紗線拖影導(dǎo)致的紗線特征難以提取的問題,設(shè)計(jì)了鄰域梯度強(qiáng)化算子對紗線聚類,實(shí)現(xiàn)紗線特征強(qiáng)化。針對紗線目標(biāo)小、易受環(huán)境干擾的問題,設(shè)計(jì)了一種啟發(fā)于谷底的Otsu小目標(biāo)分割閾值搜索法,實(shí)現(xiàn)紗線與背景分割。

1 環(huán)錠紡紗斷頭檢測總體方案設(shè)計(jì)

本文環(huán)錠紡巡游檢測系統(tǒng)安裝在移動智能小車上,如圖1所示。該裝置由1臺寬為400 mm的阿克曼小車作為巡游裝置,其中圖像采集裝置安裝在鋁合金搭建的圖像采集平臺上,保證相機(jī)在合適的高度。小車自身搭載1臺工控機(jī)用于巡檢導(dǎo)航并對獲取的圖像進(jìn)行斷頭判斷,同時與云端進(jìn)行通信。

圖1 斷頭巡游檢測小車Fig. 1 Broken yarn patrol detection car

1.1 外部硬件

斷頭檢測采用英偉達(dá)Jetsonnano-4GB工控機(jī),搭載ARM的CORTEX-A57處理器,美光LPDDR-4 GB 運(yùn)行內(nèi)存條和閃迪-32 G內(nèi)存卡;采集相機(jī)使用威鑫200萬像素廣角攝像頭,采集紗線圖像為灰度圖;圖像采集裝置中配置了科麥視覺LEDBRD18030條型光源。小車外部硬件底層主控系統(tǒng)使用的是32F103RCT6,用于控制小車運(yùn)動和信息的處理;巡檢導(dǎo)航使用的傳感器為思嵐RPLIDAR-A1激光雷達(dá)傳感器;車輪驅(qū)動裝置采用MD36 N-35W直流電動機(jī);轉(zhuǎn)向使用HWZ020-20 kg 扭矩?cái)?shù)字舵機(jī),還搭載IMU、陀螺儀、OLED顯示屏等配件。

1.2 軟件配置

主控系統(tǒng)使用ubuntu18.04版本系統(tǒng),小車巡檢導(dǎo)航使用的是ROSmelodic操作系統(tǒng),底層主控使用FreeRTOS作為操作系統(tǒng),斷頭檢測算法基于Python3.6進(jìn)行編寫并搭載在主控系統(tǒng)中。

2 細(xì)紗斷頭特征提取方法

本文細(xì)紗斷頭檢測算法由4個步驟完成。首先對圖像進(jìn)行平滑處理,平滑背景噪聲,再通過弱特征強(qiáng)化算子強(qiáng)化紗線特征,之后對特征強(qiáng)化后的圖片設(shè)計(jì)了啟發(fā)于谷底的Otsu小目標(biāo)分割算法獲取紗線特征,最終對提取到的紗線特征計(jì)算歐拉距離,判斷是否發(fā)生斷頭現(xiàn)象,總體流程如圖2所示。

圖2 斷頭檢測流程圖Fig. 2 Flow chart of broken yarn detection

2.1 基于L0范數(shù)細(xì)紗圖像平滑

在環(huán)錠紡紗工廠中有大量電磁設(shè)備導(dǎo)致采集圖像出現(xiàn)噪點(diǎn),同時背景存在的鐵銹油污都會干擾紗線提取。由于巡檢過程中紗線拖影特征弱,傳統(tǒng)圖像平滑方法易平滑紗線特征,為此需要在保留細(xì)紗特征的同時平滑背景噪聲。細(xì)紗圖像中,可利用紗線的梯度特征信息,在進(jìn)行背景噪聲平滑的同時,最大程度保留紗線特征。為此,本文采用L0范數(shù)[12]的平滑方法平滑背景噪聲,同時保留細(xì)紗梯度信息。L0范數(shù)的平滑目標(biāo)函數(shù)如式(1)、(2)所示:

(1)

C(S)=#{p‖?xSp|+|?ySp|}

(2)

(3)

C(μ,ω)=#{p‖μp|+|ωp|≠0}

(4)

式中,改進(jìn)前的C(S)是對整張圖片進(jìn)行判斷平滑,添加了(μ,ω)后可以通過對每個像素點(diǎn)進(jìn)行梯度計(jì)算,表示|μp|+|ωp|梯度不為零的p的個數(shù)。β用于控制變量(μ,ω)和其對應(yīng)梯度之差。最終采用交替最小化算法求解策略迭代優(yōu)化到最優(yōu)解。

在式中,λ權(quán)重越大圖像存在梯度數(shù)量越少,代表平滑效果越高,通過實(shí)驗(yàn)觀察,紗線與背景的像素值相差在10左右,因此選擇λ權(quán)重為0.000 8;β選擇為默認(rèn)數(shù)值2。

2.2 細(xì)紗圖像弱特征強(qiáng)化算子

在使用相機(jī)進(jìn)行巡游檢測的過程中會導(dǎo)致圖像失真,同時紡紗過程中紗線高速旋轉(zhuǎn)會產(chǎn)生拖影,導(dǎo)致紗線特征難以提取,但是,可利用圖像中紗線的梯度信息從而解決以上難點(diǎn),因此本文先對細(xì)紗圖像梯度進(jìn)行分析。紡紗過程中,紗線為豎直條狀物,因此在豎直方向上梯度變化較小,只需關(guān)注橫向梯度信息,如圖3所示。

圖3(b)中橫坐標(biāo)代表紗線圖像的橫向坐標(biāo)軸,縱坐標(biāo)為像素值大小,對圖像中的橫向梯度進(jìn)行分析可發(fā)現(xiàn),圖像背景中存在的噪聲(見圖3(a)中黑色方框)干擾了梯度信息,從而對紗線特征的判斷產(chǎn)生了干擾(見圖3(b)中灰色方框),導(dǎo)致紗線特征無法直接從梯度圖中獲取,但在紗線周邊,梯度存在著相似性。因此,本文通過加權(quán)鄰域梯度實(shí)現(xiàn)對紗線的增強(qiáng),并采用中心差分梯度的思想來抑制特征相似的背景(見圖4)。

圖3 紗線圖像分析圖Fig. 3 Yarn image analysis diagram. (a) Yarn and background interference image; (b) Yarn image gradient diagram

圖4 鄰域梯度增強(qiáng)算法示意圖Fig. 4 Schematic diagram of neighborhood gradient enhancement algorithm

基于鄰域梯度強(qiáng)化的算子如式(5)所示:

Sxy=fxy·(G(x,y)+R(x,y))

(5)

式中:Sxy為經(jīng)過基于鄰域梯度強(qiáng)化的算子處理后原圖像中(x,y)位置處的像素點(diǎn);fxy為原圖像中(x,y)位置處的像素點(diǎn);G(x,y)和R(x,y)為圖像增強(qiáng)和背景抑制算子,其設(shè)計(jì)如下。

1)圖像紗線增強(qiáng)算子。

G(x,y)=λf(x,y)+f(x-1,y+i)+

f(x+1,y+i)+2f(x,y+i)

(6)

式中:f(x,y)代表原圖像中像素點(diǎn)的像素值;λ代表強(qiáng)化系數(shù),在后續(xù)3.1節(jié)中會對其進(jìn)行討論。紗線圖像中,拖影紗線像素在橫向方向存在小梯度,因此,將拖影紗線周圍的像素進(jìn)行加權(quán)相加,可增強(qiáng)紗線特征。式(6)中通過對目標(biāo)像素特征進(jìn)行加權(quán)相加,從而達(dá)到增強(qiáng)紗線特征的目的。

2)圖像背景特征抑制算子。

R(x,y)=-η(f(x+2,y+i)+f(x-2,y+i))

(7)

式中,η代表抑制系數(shù)。由于在算子設(shè)計(jì)中各權(quán)值之和應(yīng)當(dāng)大于0且小于1,避免對圖像過度增強(qiáng)或抑制,因此本文η取值設(shè)為2。當(dāng)目標(biāo)像素處于紗線區(qū)域時,其中加權(quán)相消的梯度處于非紗線區(qū)域,在紗線特征區(qū)域與背景特征區(qū)域存在著梯度差,通過加權(quán)紗線區(qū)域特征與非紗線區(qū)域的差來實(shí)現(xiàn)增強(qiáng)紗線特征的效果。當(dāng)目標(biāo)像素處于背景特征區(qū)域時,背景區(qū)域梯度變化較小,2區(qū)域梯度差值之和較小,最終實(shí)現(xiàn)對背景區(qū)域特征的削弱。

2.3 啟發(fā)于谷底的小目標(biāo)Otsu分割方法

在環(huán)錠紡紗斷頭巡檢的過程中,增強(qiáng)后的紗線目標(biāo)小,易受到光照變化影響,無法直接提取到紗線特征,如何從高頻特征中自適應(yīng)獲取小目標(biāo)特征有重要意義。

Otsu[13]是一種用于解決圖像自適應(yīng)二分類方法,適用于本文自適應(yīng)提取紗線的需求。因此在這一部分中,本文重點(diǎn)研究Otsu自適應(yīng)閾值分割方法,其原理如下:

(8)

(9)

g=w0(u0-u2)2+w1(u1-u2)2

(10)

式(8)中:pi對應(yīng)圖像中像素值i∈[0,255]在圖中所占比例;w0、w1表示閾值為k時,0～k之間像素值和k～255之間像素值分別占圖像的百分比。式(9) 中:u0為0～k之間像素值圖像的平均灰度值;u1為k～255之間像素值圖像的平均灰度值;u2代表整張圖像的平均總灰度值。式(10)中;利用類間方差g進(jìn)行閾值評判,通過類間方差對比,確定閾值最優(yōu)分割點(diǎn),如式(11)所示:

(11)

式中:gk為像素值k所對應(yīng)的類間方差;P為處理的目標(biāo)圖像。

Otsu法適用于處理背景和目標(biāo)均衡的圖像,在紗線在線檢測圖像中,由于紗線目標(biāo)很小,Otsu法無法自適應(yīng)提取紗線小目標(biāo)特征。本文在此基礎(chǔ)上,設(shè)計(jì)一種啟發(fā)于谷點(diǎn)的小目標(biāo)Otsu分割方法,以實(shí)現(xiàn)對紗線小目標(biāo)特征的提取,具體改進(jìn)如下所示:

(12)

圖5示出增強(qiáng)后的紗線圖像直方圖,閾值分割點(diǎn)依然處在波峰附近(見圖中圓圈),由于最佳分割點(diǎn)與波峰的類間方差相差很大,因此無法很好分割。為解決波峰附近占比權(quán)重小的問題,本文重新設(shè)計(jì)了權(quán)值,如式(13)所示:

圖5 增強(qiáng)后的紗線圖像直方圖Fig. 5 Feature category contained by the pixel changes

(13)

本文將圖像最大占比像素值設(shè)置為像素遍歷起點(diǎn),以提高遍歷速度,如式(14)所示:

(14)

式(14)中,根據(jù)紗線圖像中背景占比大的特點(diǎn),分割閾值搜索的起始點(diǎn),從圖像像素值占比最大的區(qū)域開始,從而可減少15%～25%的運(yùn)算時間。

高速紡紗過程中,由于紗線分段現(xiàn)象的存在,導(dǎo)致圖像中紗線區(qū)域包含少量的背景特征,如圖6所示。

圖6 紗線特征提取圖像Fig. 6 Yarn feature extraction image

采用輪廓篩選法進(jìn)行非線段特征的去除,如式(15)所示。

(15)

2.4 基于歐拉距離識別斷頭

對于獲取到的紗線特征之間距離相等,當(dāng)斷頭現(xiàn)象發(fā)生時,間距增大,可通過計(jì)算紗線之間的歐拉距離進(jìn)行斷頭現(xiàn)象的識別。首先對圖像中識別出的紗線獲取重心位置,然后計(jì)算相鄰紗線的重心之間歐拉距離,按式(16)進(jìn)行斷頭現(xiàn)象的識別:

(16)

式中:l為相鄰紗線重心的橫向坐標(biāo)x之差;x為紗線重心的橫向坐標(biāo);x′為相鄰紗線間的正常距離,當(dāng)l大于1.5x′時,判斷出現(xiàn)斷紗,否則,無斷紗。由圖7可看出,當(dāng)有斷紗發(fā)生時,斷紗處的相鄰紗線間距遠(yuǎn)遠(yuǎn)大于正常紗線間距x′,因此,由式(16)可判定是否有斷紗現(xiàn)象。

圖7 基于歐拉距離斷頭識別方法Fig. 7 Identification method of broken yarn based on Euler distance

3 實(shí)驗(yàn)與結(jié)果分析

本文實(shí)驗(yàn)所使用的電腦處理器為英特爾11th Gen Intel(R) Core(TM) i7-11 800 H@2.30 GH,內(nèi)存為美光-16 GB,同時搭載使用pthon3.6 IDE編寫器以及配置了pytorch1.6和OPENCV3.4.1進(jìn)行實(shí)驗(yàn)。本實(shí)驗(yàn)通過搭載巡檢裝置在無錫某紡織廠進(jìn)行數(shù)據(jù)采集與實(shí)驗(yàn),該廠主要生產(chǎn)純棉高支紗線,每車有400錠紗線。選取拍攝所得1 000張圖片,其中斷頭圖片占200張,未發(fā)生斷頭的圖片占800張。

3.1 細(xì)紗弱特征強(qiáng)化算子驗(yàn)證與權(quán)重選擇

為驗(yàn)證本文提出的細(xì)紗弱特征強(qiáng)化算子的優(yōu)異性,本文與Retinex、同態(tài)濾波和直方圖均值化進(jìn)行增強(qiáng)實(shí)驗(yàn)對比。

圖9 不同權(quán)重下清晰圖像與模糊圖像增強(qiáng)效果圖Fig. 9 Distinct image(a) and dim image(b) enhancement renderings under different weight

通過實(shí)驗(yàn),Retinex是一種消除光照不均的影響,以改善圖像的視覺效果的算法,但在紗線圖像中紗線與背景像素接近,因此無法實(shí)現(xiàn)紗線特征增強(qiáng)和抑制背景特征(見圖8(b));同態(tài)濾波通過去除乘性噪聲,增加對比度實(shí)現(xiàn)特征增強(qiáng)目的,對比圖原始圖像見圖8(a),同態(tài)濾波(見圖8(c))中紗線部分得到了增強(qiáng),背景得到了削弱;直方圖均值化可擴(kuò)大像素值之間的距離,從而區(qū)分紗線與背景,直方圖均衡化中,與紗線同像素級的部分噪聲背景也得到了增強(qiáng)。本文算法利用圖像中紗線存在梯度特征,增強(qiáng)紗線特征的同時,也有效抑制了背景區(qū)域特征,本文算法如圖8(e)所示。

圖8 特征強(qiáng)化方法對比Fig. 8 Comparison of feature enhancement methods. (a) Original image; (b) Retinex; (c) Homomorphic filtering; (d) Histogram averaging; (e) Our algorithm

選擇不同的鄰域梯度強(qiáng)化算子權(quán)值,將會影響紗線特征與背景特征分離的效果。本文采用控制變量的方式進(jìn)行最佳權(quán)值的選擇,對權(quán)值在2～3之間進(jìn)行實(shí)驗(yàn)對比,圖9示出不同權(quán)值下,清晰圖像與模糊圖像的增強(qiáng)效果圖,圖10示出不同權(quán)值下清晰圖像和模糊圖像的直方圖。

圖10 不同權(quán)重下清晰圖像與模糊圖像直方圖Fig. 10 Histograms of distinct image(a) and dim image(b) under different weight

當(dāng)權(quán)值為2時,清晰圖像可分離出部分紗線的特征,但模糊圖像中,無法將紗線與背景噪聲進(jìn)行很好的分離,二者直方圖背景區(qū)域都處于最小端,閾值篩選區(qū)域無法減少。當(dāng)權(quán)值為2.4和2.7時,清晰圖像和模糊圖像均出現(xiàn)了明顯的波峰。背景噪聲區(qū)域隨著權(quán)值的增加而逐漸向紗線區(qū)域靠近,在清晰圖像中,部分紗線特征超過最大像素值時,無法對紗線進(jìn)行進(jìn)一步強(qiáng)化,能清晰地看到紗線,而在模糊圖像中,由于紗線特征弱,直方圖中只能明顯顯示背景特征;從圖9可以看出,當(dāng)權(quán)值為3時,紗線區(qū)域和背景噪聲區(qū)域已重疊,此時紗線特征已最大強(qiáng)化,從而導(dǎo)致背景區(qū)域與紗線區(qū)域靠近。因此建議最佳權(quán)值選擇范圍為2.4～2.7之間,本文后續(xù)實(shí)驗(yàn)選擇權(quán)值2.5。

3.2 啟發(fā)于谷點(diǎn)小目標(biāo)閾值分割方法驗(yàn)證

為驗(yàn)證本文紗線特征提取閾值分割方法的有效性,分別對圖像進(jìn)行Otsu、添加像素占比權(quán)重的Otsu和本文提出的啟發(fā)于谷點(diǎn)的Otsu閾值分割法處理,并對閾值結(jié)果和處理結(jié)果進(jìn)行對比,最終實(shí)驗(yàn)結(jié)果如圖11、12所示。

從圖12(a)可看出,圖像經(jīng)Otsu處理后,閾值取在波峰附近,大量背景噪聲被歸類為紗線特征,因光照不均,圖中中間大量明亮部分背景被歸類為紗線部分,從而無法有效提取紗線特征;圖12(b)中,圖像經(jīng)添加像素占比權(quán)重的Otsu處理后,閾值仍然處于波峰附近,有較多背景部分被歸類到紗線;圖11(d) 中,經(jīng)本文算法處理的圖像,有效紗線特征及少部分同像素級別的背景部分取,圖12(c) 中,本文算法可以有效地搜尋到谷點(diǎn)閾值并實(shí)現(xiàn)紗線特征的提取,因此,本文算法明顯優(yōu)于其它閾值分割算法。

圖11 不同閾值分割方法提取紗線特征的效果Fig. 11 Extraction effect of different threshold segmentation methods. (a)Original image; (b) Otsuthreshold segmentation; (c) Added pixel proportion weight OTSU; (d) Our algorithm

圖12 不同閾值分割方法分割所得閾值Fig. 12 Threshold of different threshold segmentation methods. (a) Otsu threshold segmentation; (b) Added pixel proportion weight Otsu; (c) Our algorithm

注:1～3列分別為模糊、正常、過曝的特征圖像及不同算法檢測結(jié)果。圖13 各算法實(shí)驗(yàn)結(jié)果對比Fig. 13 Comparison of experimental results of each algorithm. (a) Original image; (b) Optimized Hough transform; (c) LSD line detection; (d) Robert-Otsu; (e) Sobel-Otsu; (f) Linknet algorithm; (g) Our algorithm

3.3 紗線特征提取效果對比

為驗(yàn)證本文所提出的紗線特征提取算法的有效性,對多種特征提取算法的處理效果和檢測結(jié)果進(jìn)行分析對比,用于對比的算法包括霍夫變換直線提取方法[8]、LSD直線檢測算法[14]、Robert,Sobel Otsu結(jié)合算法[15]、Linknet[16]算法和本文算法,實(shí)驗(yàn)前,先對圖像進(jìn)行L0范數(shù)平滑預(yù)處理。

優(yōu)化霍夫變換法主要利用圖像中紗線的特殊性進(jìn)行直線的提取,在參數(shù)平面a～b尋找直線y=ax+b,當(dāng)在此直線上存在目標(biāo)總長度大于ρ時,則判斷存在直線,否則,不存在直線。實(shí)驗(yàn)中,ρ值取40,采用canny算子進(jìn)行特征提取,并將閾值low和high分別設(shè)置為20和40。Robert算子和Sobel算子,對圖像進(jìn)行閾值分割進(jìn)而區(qū)分紗線和背景噪聲部分,因此本文采取Otsu自適應(yīng)閾值分割法,進(jìn)行紗線和背景部分的分割。Linknet通過反向傳播訓(xùn)練模型,實(shí)現(xiàn)圖像的非線性處理識別,但在訓(xùn)練模型中需對目標(biāo)進(jìn)行人工標(biāo)注。

各算法對高噪聲,高干擾的圖像分析處理的結(jié)果如圖13所示。優(yōu)化霍夫變換可識別線狀目標(biāo),以直線形式顯示,能夠有效過濾小噪聲,但是,會把連續(xù)的噪聲錯誤地判斷為紗線,如圖13(b)中灰色框選所示;圖13(c)中,LSD直線檢測法,以直線形式展現(xiàn)可能的線狀目標(biāo),但只適用于對邊界明顯的區(qū)域進(jìn)行直線提取;Roberts和Sobel算子采用濾波器處理方法,但Roberts算子著重考慮邊角梯度,對橫向梯度的敏感度不高,因此,許多角點(diǎn)明顯特征被提取,而紗線特征難以提取,如圖13(d)所示;Sobel算子可對橫向梯度進(jìn)行特征提取,但在高背景噪聲和弱特征情況下,無法正確進(jìn)行紗線特征的提取,如圖13(e)所示,該方法難以在像素級上將紗線特征和背景噪聲進(jìn)行區(qū)分;深度學(xué)習(xí)方法可有效提取紗線特征,但是需要進(jìn)行人為標(biāo)簽后再進(jìn)行訓(xùn)練,得到的結(jié)果與標(biāo)簽更加貼合,如圖13(f) 所示;本文提出的算法能夠有效地進(jìn)行紗線特征提取,并且得到的結(jié)果與原圖像更加擬合,如圖13(g) 所示。

3.4 斷頭檢測準(zhǔn)確率與召回率

本文采用準(zhǔn)確率AACU和召回率TTP作為斷頭檢測的評估指標(biāo),如式(17)、(18)所示。準(zhǔn)確率為預(yù)測正確數(shù)量占總預(yù)測數(shù)量的比值。

(17)

(18)

式中:Tn代表負(fù)樣本的預(yù)測正確數(shù)量;Tp代表正樣本的預(yù)測正確數(shù)量;Fn代表正樣本被錯誤預(yù)測為負(fù)樣本的數(shù)量;Fp代表負(fù)樣本錯誤預(yù)測為正樣本的數(shù)量。本文紗線斷頭檢測中,正樣本為紗線斷頭圖像,負(fù)樣本為紗線未斷頭圖像。

各種算法斷頭檢測指標(biāo)的實(shí)驗(yàn)結(jié)果見表1。由表可看出,Robert和Sobel算子處理方法中,部分紗線沒有被提取,更易被判斷為斷頭情況,因此紗線斷頭檢測的準(zhǔn)確率較低,但斷頭召回率較高。由于Hough變換和Canny算子對邊緣過于敏感,從而會將邊緣誤判為紗線,導(dǎo)致紗線斷頭檢測準(zhǔn)確率較低,而對紗線未斷頭部分能夠進(jìn)行正確的識別。Robert算子、Sobel算子和LSD直線檢測中,因紗線特征難以提取,導(dǎo)致誤判概率大,紗線斷頭判斷的準(zhǔn)確率反而較高,而未斷頭部分判斷準(zhǔn)確性低。Linknet算法檢測紗線斷頭的AACU和TTP均優(yōu)于前面幾種算法,但計(jì)算時間比較長,難以滿足檢測的實(shí)時性要求,本文算法,AACU和召回率TTP均達(dá)到97%左右,接近深度學(xué)習(xí)算法,同時計(jì)算時間能夠滿足檢測實(shí)時性要求。

表1 各算法斷頭檢測結(jié)果Tab. 1 Detection result of broken head of each algorithm

4 結(jié)束語

本文算法將獲取紗線特征分解為強(qiáng)化和提取二部分,解決了在環(huán)錠紡斷頭視覺檢測動態(tài)環(huán)境中存在的紗線特征分散、特征弱、背景噪聲干擾強(qiáng)等問題。實(shí)驗(yàn)證明,本文所提出的算法能夠滿足工廠檢測所需的實(shí)時性和準(zhǔn)確率要求。

由于線性濾波器只考慮了形態(tài)特征,而沒有綜合考慮紗線顏色,因此,本文所提出的算法,目前還難以區(qū)分識別紗線特征和線性噪聲。紗線特征和線性噪聲的區(qū)分可利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行解決,未來,可通過神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化精簡、配置更高性能的硬件設(shè)備,從而達(dá)到工業(yè)對紗線檢測實(shí)時性的要求。未來可進(jìn)一步研究如何將紗線斷頭檢測的特點(diǎn)和深度學(xué)習(xí)方法結(jié)合起來,實(shí)現(xiàn)高精度、高魯棒性和高效率的紗線斷頭檢測。