基于多視角圖像的紗線三維建模及毛羽測量研究

左新煥, 李忠健, 王 蕾, 潘如如, 高衛東

(1.江南大學 生態紡織教育部重點實驗室,江蘇 無錫 214122; 2.紹興文理學院 浙江省清潔染整技術研究重點實驗室,浙江 紹興 312000)

紗線的毛羽是指伸出紗線體表面的纖維[1]。紗線毛羽對紡織產品的加工和質量有很大影響[2-3]。雖然紗線毛羽具有防風、保暖、柔軟、吸水等積極作用,但是在加工中部分長毛羽會產生棉結、飛花等,嚴重影響生產工作的進行,進而織物疵點增加,表面光潔度下降,起毛起球[4]等質量問題。因此,毛羽是紗線品質的重要參考指標之一。

紗線毛羽的檢測方法主要有光電式測量法、燒毛稱重法、投影計數法和靜電法。由于傳統人工測量誤差較大,現普遍采用光電法儀器測量[5-6],其分為漫反射光電毛羽儀和投影計數法光電毛羽儀,前者采用的毛羽指標是毛羽H值,后者采用的指標是毛羽指數,兩者的測試指標不統一且相關性存在差異。近年來有學者運用數字圖像處理技術對紗線毛羽進行檢測[7-8],并取得了一定的效果。但現有的二維圖像缺失毛羽空間形態信息,使得測量結果與實際結果存在較大差別。有學者嘗試毛羽的三維檢測,Wang等[9]利用兩個平面鏡的反射,采集具有多個視角的紗線圖像,重構紗線三維模型并檢測毛羽長度。Wang等[10]根據旋轉物體投影長度變化規律推導出計算公式,將各個角度下的紗線毛羽參數帶入推導公式得到紗線毛羽真實長度和數量。李忠健等[11]從單幅散焦圖像中恢復毛羽深度信息,根據分割結果追蹤毛羽空間長度。

本文在文獻[9]的基礎上,構建多視角圖像采集裝置,針對毛羽檢測的精度問題,對采集到的多視角紗線圖像進行處理,構建紗線三維模型,對三維毛羽點云進行去噪、細化處理,結合紗線條干信息確定毛羽起點,由毛羽起點遍歷其余細化點,將每根毛羽細化點歸為一組計算長度,實現毛羽指標精確測量。

1 多視角成像

本文采用自主研發的多視角圖像采集裝置,如圖1所示。紗線從紗筒引出,經過系列導紗輥1,在圖像采集窗口3處呈豎直狀態,并最終被兩羅拉4夾持,紗線運行速度可在控制面板2進行調節。暗箱5可通過抽拉式滑軌進行開合,便于紗線樣品放置,暗箱內側設置平面鏡支架7,用于固定雙平面鏡6,使其直立且鏡面之間互成72°角。裝置內側安裝光源8,為拍攝環境提供均勻的光照。相機9在裝置內側,垂直正對于雙平面鏡相交線的中軸線上,調節相機焦距及鏡頭放大倍數,可獲取圖像采集窗口3中的紗線實像,以及紗線在雙平面鏡上反射得到的4個虛像,即可在單幅圖像上采集均勻分布的不同視角的5個紗線圖像。

多視角圖像采集系統俯視圖如圖2所示,R為真實紗線圖像,V1和V4為真實紗線經平面鏡1和平面鏡2第一次反射后的虛像,V2和V3分別是V4和V1經平面鏡1和平面鏡2再次反射后的虛像,即真實紗線二次反射后的虛像。

圖1 多視角圖像采集裝置

圖2 多視角圖像采集系統俯視圖

由于相機S對5個像在空間上距離遠近不同,5個像呈現“近大遠小”的關系。在圖像上,V1、V2、V3和V4相對R有不同程度縮小,采集到的多視角圖像如圖3所示。

圖3 多視角紗線圖像

2 紗線三維建模

采用馬運嬌等[12]的校準方法,以確定高度和寬度方向的縮放比,對四個虛像進行校準,將V1、V2、V3和V4放大到與R同比例尺寸。各視圖尺寸縮小倍數如表1所示。

為了兼顧檢測效率和精度,毛羽和條干分別做分割處理。首先,對整個圖像進行大津閾值處理[13]獲得二值圖像;接著,用形態學方法去除二值圖像中的毛羽,通過提取每個視圖的最大連通面積,獲得紗線條干圖像;再通過像素對比檢測紗線條干的邊緣,構建紗線主體條干的二值圖像。將紗線主體條干部分設置為與背景相同的黑色,對圖3中剩下的毛羽部分進行提取,采用動態閾值方法,把圖像分為若干個7×7的子窗口,在子窗口獲取的閾值基礎上利用大津算法,測量每個子窗口中除紗線條干像素外其他像素的閾值,從背景中提取出紗線毛羽。將紗線條干部分和紗線毛羽部分的二值圖相加,即得到紗線整體輪廓的二值圖,經圖像處理后的二值圖像如圖4所示。

表1 各視圖尺寸縮小倍率

圖4 二值圖像

本文采用Wang等[14]的輪廓變換方法進行紗線的三維合成,利用雙平面鏡單攝像機立體視覺系統光路結構的幾何原理及在已知相機焦距、雙平面鏡交線與紗線距離、相機與紗線距離,獲取圖像上各像中心位置的基礎上,4個虛像的輪廓平面按照光路結構投射于實像處,得到4個虛像在實像上的變換輪廓平面,將多視角圖像上各視圖的像素沿著垂直于各變換輪廓平面的方向展開,合并5個輪廓的重疊部分形成紗線模型輪廓,輪廓變換如圖5所示。其中,VS1、VS2、VS3、VS4和RS分別為從相機處觀測到的4個虛像和實像的輪廓平面,VS1′、VS2′、VS3′、VS4′為4個虛像的變換輪廓平面。

圖5 輪廓變換示意

計算像素在三維坐標系中的坐標,得到配準后的三維點云,合成紗線三維模型。對點云數據按照z坐標進行排序,序列位圖以每個z坐標值編號,將所有z坐標值等于該值的點在位圖中標記為白色,其余點標記為黑色。然后,根據點云數據的x和y坐標范圍,生成序列位圖。最后,將每個位圖保存為BMP文件,加載到ImageJ的開源軟件中,即可重建任意角度旋轉、縮放的三維圖,合成效果如圖6(a)所示。

圖6 三維圖

由于本文三維合成以條干中心為基準,不能直接獲取毛羽的三維點云,需對紗線三維點云和條干三維點云進行處理,以獲取毛羽的三維點云。采用同樣方法對條干進行三維合成,獲取條干三維圖,合成效果如圖6(b)所示。

3 毛羽三維長度測量

3.1 三維毛羽去噪處理

前文采用圓盤型結構元素對多視角圖像進行形態學處理,去除二值圖像中的毛羽,獲得紗線條干圖像。結構元素的大小和形狀不可能與圖像邊緣完全匹配,條干邊緣難以避免毛刺或缺口的出現,難以區分條干或毛羽。因此,合并紗線三維點云和條干三維點云中不重復的點,得到具有條干噪點的毛羽如圖7(a)所示。

圖7 毛羽去噪前后對比

本文采用基于統計原理的濾波方法對毛羽三維點云去除條干噪點。通過對點云數據進行統計分析和局部結構分析,在實現毛羽點云噪點去除的同時保證毛羽點云結構的完整性。

首先遍歷點云的每個點(xi,yi,zi),找到給定的距離閾值Td內的近鄰點集合Ni,計算每個點(xi,yi,zi)到其近鄰點(xj,yj,zj)的平均距離davg(i)和標準差dstd(i),公式如下:

(1)

(2)

式中:d(i,j)表示點(xi,yi,zi)和點(xj,yj,zj)之間的歐氏距離,Ni表示點i的近鄰點數量。

如果點(xi,yi,zi)和點(xj,yj,zj)之間的歐拉距離大于離散度閾值TT,則其為噪聲點,公式如下:

TT=davg(i)+α×dstd(i)

(3)

式中:α為標準差倍數,用于調整離散度閾值TT。

經處理,本文距離閾值Td內的近鄰點數量介于10～30,離散度閾值TT介于0～1,通過二分法確定近鄰點數量為22,離散度閾值TT為0.1時,去噪效果最佳。經去噪后毛羽如圖7(b)所示,局部放大對比如圖7(c)所示。

3.2 三維毛羽細化

基于圖像法的紗線毛羽長度測量研究中,毛羽的徑向寬度會影響長度的計算,需對其進行細化處理。

由點云數據位圖觀察及預實驗,本文選用DBSCAN算法對每一z坐標下的點云進行二維聚類,基于鄰域半徑ε和最小鄰域數目minpts,得到基于系列z平面的毛羽細化點。

循環處理每一相同z坐標值下的點云,獲取此z坐標下所有毛羽點云的坐標信息,對其進行二維DBSCAN聚類處理,初始化聚類標簽,設定鄰域半徑ε和最小鄰域數目minpts,對每個點找到其在鄰域半徑ε內的所有鄰域點,形成一個鄰域,如果某個點鄰域內點的數量大于等于最小鄰域數目minpts,則將該數據點標記為核心點。對于核心點,如果存在一條由鄰域內的核心點組成的路徑,可以連接兩個核心點,并且路徑上每個點的鄰域都包含在ε鄰域內,那么這兩個核心點是密度可達的。根據密度可達關系,將核心點組合到一個聚類中,將具有相同聚類標簽的核心點視為同一個聚類。對于不是核心點,但在某個核心點的ε鄰域內的點被標記為邊界點,它們可能屬于某個聚類,也可能是噪聲點。

本文最小鄰域數目minpts設置為1,因為毛羽在某些z坐標值下可能為單一孤立點,將最小鄰域數目增大會損失毛羽信息,但將最小鄰域數目minpts設置為1,在聚類時無法剔除離群點即噪點。經統計濾波后的噪點數量較少且大多為孤立點,因為毛羽連續及空間形態的相對有序性,這些噪點不會影響毛羽路徑規劃及長度計算。通過人工聚類與聚類算法聚類236張位圖,鄰域半徑ε設置為3.1時,聚類結果與人工聚類結果相比誤差最小,誤差率為4.24%。

對每一聚類求其中心的三維坐標并取整,即得到對應的毛羽細化點。毛羽細化前后對比如圖8所示。

圖8 毛羽細化前后對比

3.3 毛羽長度測量

三維毛羽細化后得到所有毛羽的三維細化點,將同一根毛羽的細化點歸為一組,以統計毛羽根數,計算毛羽長度。

基于前文毛羽三維細化方法,結合紗線條干數據,確定各根毛羽起點。獲取去噪毛羽點云的z值,然后計算每一z值下條干在x、y方向的范圍,并對這一z值下毛羽點云執行DBSCAN聚類,再計算各毛羽聚類在x、y方向的范圍,如果條干范圍與各毛羽聚類范圍在x方向或y方向差值≤1,則條干與聚類相連。

因毛羽具有徑向寬度,相鄰幾個z方向上會連續出現條干與聚類相連的情況,且毛羽具有方向延伸性,在毛羽起點后的一定范圍遠離紗線條干。若條干與毛羽聚類相連,計算條干和相應毛羽聚類的中心坐標。并將所有毛羽聚類中心坐標中,z值連續的點放入同一組中,計算各毛羽聚類點與其對應條干中心的距離,距離最小的毛羽聚類中心點為毛羽起點。毛羽起點判斷流程圖如圖9所示。

圖9 毛羽起點流程示意

根據毛羽起點坐標,依次遍歷,將同一根毛羽的細化點歸為一組,再計算每一組中相鄰三維毛羽細化點的歐拉距離并依次累加,通過像素值與實際距離的轉換即可計算出毛羽長度,完成毛羽測量。

4 結果與分析

本文紗線外觀三維檢測裝置使用相機型號為大恒MER2-231-41GM(中國大恒(集團)有限公司)與鏡頭型號為ML-MC25HR(茉麗特科技有限公司)的圖像傳感器進行圖像采集。實驗設備計算機(小米科技責任有限公司)硬件CPU為Intel i5-11320H,主頻為3.2 GHz,內存為16 GB,硬盤規格為512 GB,實驗編程工具為Matlab R2022a。

在溫度為(20±2) ℃、相對濕度為(65±2)%的標準環境下,對表2中紗線樣品進行測試。

表2 紗線樣品信息

將本文方法與標準FZ/T 01086—2020《紡織品 紗線毛羽測定方法 投影計數法》測試結果、USTER?TESTER5條干測試儀測試結果及ZweigleHL400毛羽測試儀測試結果進行對比。

本文每個紗線樣品采集圖像大小為1 920像素×1 200像素,截取每張圖片中間610行,取37張圖片,紗線實際長度約為1 m,統計毛羽根數及長度,測5次取平均值。計算毛羽H值并將其轉換為長度為1 m紗線上的毛羽根數分布。

USTER?TESTER5條干測試儀測試每種紗線樣品長度為100 m,得到毛羽H值,測5次取平均值。

ZweigleHL400毛羽測試儀測試每種紗線樣品長度為100 m,得到毛羽根數分布,測5次取平均值。并將其轉換為長度為1 m紗線上的毛羽根數分布。

標準FZ/T 01086—2020《紡織品 紗線毛羽測定方法 投影計數法》每個紗線樣品長度為10 m,統計毛羽根數分布,測5次取平均值。并將其轉換為長度為1 m紗線上的毛羽根數分布。

4.1 與USTER?TESTER5條干測試儀結果對比

將本文方法測得的毛羽數據轉換為毛羽H值,與USTER?TESTER5條干測試儀結果進行對比,如表3所示。

本方法與USTER?TESTER5條干測試儀測得的5種紗線樣品中,樣品4的毛羽H值最大,樣品5的毛羽H值最小,測試結果具有一致性,本方法測得的5種紗線樣品的毛羽H值均大于USTER?TESTER5條干測試儀毛羽H值。由于USTER?TESTER5條干測試儀存在檢測盲區,難以檢測到紗線毛羽的全部信息,因此其結果比本方法測得的毛羽H值小。

表3 本方法與USTER?TESTER5條干測試儀結果

4.2 與標準FZ/T 01086—2020和ZweigleHL400毛羽測試儀結果對比

將本文方法測得的毛羽數據與ZweigleHL400毛羽測試儀的數據和標準FZ/T 01086—2020《紡織品 紗線毛羽測定方法 投影計數法》測試數據進行比較,如表4所示。本方法測得的5種紗線樣品3 mm及以上的長毛羽數量均比標準FZ/T 01086—2020和ZweigleHL400毛羽測試儀的結果多,其中測得的紗線樣品3,本方法3 mm及以上的長毛羽數量比標準FZ/T 01086—2020和ZweigleHL400毛羽測試儀的結果分別多54根/m和75根/m,因為標準FZ/T 01086—2020和ZweigleHL400毛羽測試儀測試的是毛羽的投影長度,而長毛羽多為彎曲形態,本文方法的檢測結果更全面。

表4 本方法與標準及ZweigleHL400毛羽測試儀結果

5 結 論

本文提出了一種基于多視角圖像的紗線三維建模及毛羽長度測量方法,通過多視角圖像采集裝置獲取多視角紗線圖像,構建紗線及條干三維模型,獲取毛羽的三維點云。采用基于統計濾波原理的方法對毛羽三維點云去除條干噪點,再對每一z坐標下的毛羽點云進行二維DBSCAN聚類處理,對每一聚類求其中心的三維坐標,即得到對應的毛羽細化點。基于毛羽三維細化方法,結合紗線條干數據,確定各根毛羽起點,依次遍歷,將同一根毛羽的細化點歸為一個集合,則確定毛羽根數,再計算每一集合中三維毛羽細化點的歐拉距離并依次累加,并通過像素值與實際距離的轉換即可計算出毛羽長度,完成毛羽測量。實驗結果表明:1) 本方法能夠準確獲取紗線三維信息,實現毛羽長度的精確測量;2) 本方法相較于USTER?TESTER5條干測試儀及ZweigleHL400毛羽測試儀能更加全面準確地獲得毛羽信息,具有一定的實際意義;3) 在后續的研究中,將優化毛羽細化點三維路徑規劃和毛羽長度計算的方法。

《絲綢》官網下載

中國知網下載