基于計算機視覺的非織造材料纖維直徑檢測

摘 要：非織造布纖維直徑現有的測量方法較為復雜，為了更準確高效對非織造布纖維直徑進行測量，本文基于計算機視覺技術對非織造布圖像進行處理從而對非織造布直徑進行檢測。使用視頻顯微鏡進行非織造布圖像樣本采集，對圖像進行預處理，利用邊緣檢測算子檢測出纖維的邊緣線后對其進行曲線擬合，利用本文提出的纖維求解模型的幾何模型，通過斜率和長度的關系結合聚類算法求解出纖維直徑。運用該方法，不僅大大減輕了非織造布纖維直徑的檢測過程的復雜程度，而且提高了檢測結果的精確度。

關鍵詞：非織造布；直徑檢測；圖像處理；神經網絡；曲線擬合

中圖分類號：TS107.6 文獻標識碼：A 文章編號：2095－414X（2023）04－0048－04

非織造布由于加工工藝簡便、產量高、生產周期短、成本低廉、可使用原料廣泛易得，被視為傳統紡織行業在當下的擴展延伸，因此受到廣泛關注[1-2]。纖維直徑是衡量非織造布質量的重要指標[3]，傳統測量非織造纖維直徑的方法主要依賴于人工檢測，最常用人工檢測方法一般為直觀法和光學顯微鏡投影法。其中，直觀法適合用來測量分布雜亂、粘合度高的纖維。由于我們很難將這類細小的單根纖維分離出來，就只能采集小塊非織造布樣的電鏡照片，工業上檢測熔噴超細纖維和閃蒸紡纖維的直徑時，多選用此法。光學顯微鏡投影法要求將非織造布纖維制成切片放置在載物臺上，經有顯微鏡放大后，投影到屏幕上，必須保證投影上的纖維像纖毫畢現，測量時選用刻度尺或楔形尺，重復多次去平均值即可。但上述兩種方法均耗時較長、測量效率低下、易受主觀因素影響而產生誤差，已經不能適應當下求快求準檢測要求[4]。

隨著計算機技術的快速發展，采用計算機視覺相關技術來檢測非織造布纖維直徑已經取得一些研究進展[5-6]。面積法操作較為簡單，其核心思想在于運用面積等于邊長與直徑的乘積間接求出直徑。如此一來即是將三維立體的纖維近似當作二維平面矩形，通過掃描像素點的總數得出這個矩形的邊長與面積。然而此方法只能近似求出纖維直徑，

精確度遠遠達不到檢測的要求[7]。

除此之外，還有 Z.Yan 和 R.Bresee提出利用纖維邊緣線的斜率和纖維的寬度值搭建三角函數模型，運用幾何關系計算得出纖維直徑[8]。此方法的關鍵步驟在于如何利用圖像處理技術區別出纖維部分和背景部分，他們主要是采用灰度梯度、區域寬度、區域內平均灰度級組成特征向量的方法來對整張非織造布樣品的圖像進行區分。

本文通過基于圖像處理的方法來求解非織造布的纖維直徑。在對非織造材料的圖像預處理之后，通過Laplacian算子獲得非織造布邊緣圖像。通過逐行掃描，計算不同地方纖維上邊緣以及下邊緣的斜率，結合求解模型，求解出纖維直徑長度，最后通過聚類算法求得真實的纖維直徑。

1" 圖像的預處理

1.1" 灰度增強以及二值化

為了在二值化的時候減少噪點以及非織造材料拍攝時不均勻的光照，所以在二值化之前需要選擇適當方法對圖像進行增強。圖像灰度對比度增強方法主要是通過擴大圖像灰度值總體范圍來實現。本文在對比度增強上采用線性拉伸方法將圖像總體灰度值擴展至0～255像素點。對灰度增強后的圖像采用大津算法來求閾值，完成圖像的二值化。二值化后的纖維材料圖像如圖1所示。

1.2" 輪廓提取

在二值化后的圖像中，作為直徑檢測對象的單根纖維與背景的區分已經非常明顯，因此接下來的處理步驟的針對對象都是單根纖維。測算非織造布的纖維直徑，需要對纖維的上下邊緣輪廓進行提取，提取之后獲得兩條曲線，幾何模型在此初步成型，輪廓提取為后續使用幾何法計算直徑提供了可能，因此非織造布纖維直徑測量的關鍵點就在于對目標單根纖維邊緣輪廓的提取。

目前常用的邊緣檢測算子有很多種，如Prewitt算子、Sobel算子、Scharr算子還有Laplacian算子等。Laplacian算子能準確定位邊緣，并且在邊緣處產生一個陡峭的零交叉，在提取單根纖維上下邊緣的過程中，不會受到背景的干擾。Laplacian 算子是各向同性的，對目標線條的走向沒有特殊要求，可提取的線條范圍較大，可以為實驗提供更多的、各種走向的樣本，這是拉普拉斯算子區別于其他算子最大的優點。并且提取的邊緣較細，適合進行單根纖維上下邊緣線間距的計算。因此本文采用Laplacian 算子進行邊緣檢測。Laplacian 算子的結構以及輪廓化后的纖維圖像分別如圖2、圖3所示。

2" 直徑檢測

2.1" 直徑求解模型

經過輪廓提取之后，可以得出單根纖維清晰的上下邊緣線，計算纖維直徑就是要計算上下邊緣線之間的距離。對圖像進行行掃描和列掃描，可以構建出如圖4所示幾何模型。對于單根纖維而言，通過上邊緣點S沿豎直方向統計像素個數，直到纖維下邊緣點E，統計點S到點E像素距離L。然后追蹤點S以及點E的左右像素點坐標，利用神經網絡來擬合上邊緣曲線f（x）和g（x），就可以計算出點E和點Q處的斜率K1以及K2，通過如下公式便可以計算出纖維直徑：

在掃描過程中可能會碰到纖維糾纏包合節點，該類點是不適宜計算直徑，程序會進行識別并跳過。根據可以用于直徑計算纖維部分的直徑計算出來后，對數據進行聚類分析，即剔除直徑數據明顯偏大和偏小部分，得到該非織造布纖維分布可信區間。

2.2" 基于神經網絡曲線擬合

通過追蹤纖維上邊緣點S附近點的坐標以及纖維下邊緣點E附近點的坐標，就需要通過曲線擬合來求解上邊緣的曲線方程f（x）以及下邊緣的曲線方程g（x），進而求得點S以及點E處的斜率。

采用神經網絡來擬合曲線，可以依據像素點坐標特點來自動選擇擬合曲線的次數。一般選擇一次或二次冪來擬合曲線。在訓練神經網絡的過程中，沿著梯度下降方向，不斷改變參數值使得目標函數值最小，求得三次方曲線的最佳參數。損失函數選用L2損失，即殘差平方，公式如下：

函數為損失函數，為x輸入曲線方程后的預測值。在此基礎上目標函數就是所有x對應y與的損失總和，目標函數為：

上式中N為x的個數，即參與訓練的坐標點個數。

2.3" 直徑求解過程

得到非織造材料輪廓圖像后，在圖像第一行，每隔n個像素取一個像素點。以該像素點為起點，從上往下掃描該列像素點，所掃描到第一個像素值為1（白色）的像素點即為所遇到第一根纖維上邊緣的點S，從點S出發沿著豎直的方向計算像素點個數L，直到遇到下邊緣點E為止。為了能得到S點附近上邊緣的曲線方程f（x）以及點E附近下邊緣的曲線方程g（x），需要得到以點S、點E為中心，附近m個點的坐標。

本文采用如圖5所示八鄰域邊緣追蹤算法，得到上邊緣點S附近m個點的坐標，本算法以點S中心，搜索與點S相鄰八個像素點，判斷其像素值，點A、點I像素值為1（白色），可知點A、點I在上邊緣上。同理再分別以點A、點I為中心搜索八鄰域，循環往復，進行m/2次，就可以得到上邊緣點S附近m個點坐標。下邊緣同理。

通過神經網絡訓練可以得到上邊緣的曲線擬合方程f（x）以及下邊緣的曲線擬合方程g（x），進而通過求導等相關的計算，求解出點S與點E處的斜率K1以及K2從而通過求解模型計算出該處纖維的直徑d。

3" 直徑分布區間

在對整張圖像掃描完之后，會得到N個纖維直徑（像素點個數，后文簡稱為纖維直徑）。但是由于非織造材料圖像中，存在噪點、纖維交叉以及粘結點情況，所以所測得纖維直徑并不都是真實的纖維直徑。而真實直徑往往分布在一個較近的區間之內。測得噪點處長度往往遠小于纖維直徑長度，纖維交叉以及粘結點處長度大于纖維直徑長度。所以可以采用聚類算法，將N個纖維直徑分為K個區間，在這K個區間里面纖維直徑最多的區間就認為是纖維直徑分布的真正區間。

預設N個纖維直徑數據分為K組。預設將纖維直徑數據聚類成為K（Klt;N/2）個簇，在N個纖維直徑中隨機選擇K個點作為簇的中心點，計算所有樣本點與各簇中心之間的距離，把纖維直徑劃入最近的簇中，然后根據已有的數據更新簇中心。重復上述步驟，在簇中，簇中包含纖維直徑最多的簇，可認為是非織造材料纖維直徑最可信的分布區間。通過可信區間的中位數以及平均長度可以與人工測量方法進行對比。

4" 計算及驗證

4.1" 纖維直徑換算

上文中提及的纖維直徑，都是像素點的個數。需要進行像素點與實際長度之間的轉換。非織造材料的圖像由視頻顯微鏡拍攝的到，利用視頻顯微鏡可以得到每一個像素點的實際長度為m，所以直徑的實際長度D為：

4.2" 實驗驗證

本文針對非織造材料纖維直徑測量進行研究。利用視頻顯微鏡拍攝不同的非織造材料不同區域的圖像。將拍攝到的圖像用本文的方法進行纖維直徑檢測，將所得到的可信區間上的纖維直徑結果取均值以及求取中位數，與人工測量結果進行比較，以人工測量值為標準值，則誤差為：

所測樣本的實驗數據如表1所示。

由表1的實驗數據可知，經本方法所測得的非織造材料的直徑均值、中位數與人工方法所測得的數據誤差在1.6%以內。最終求得的均值的平均誤差為0.71%以及中位數平均誤差為0.795%，最終的測量效果較為準確，對于較為清晰地圖像，特別是單根纖維區域較為清晰的圖像本文方法可以很好地求解纖維的直徑，求解到準確點的均值，如樣例1、3、4、5、6，對于圖像中纖維交錯較為復雜的樣例（如樣例2）均值會存在一定的誤差，但是測量的中位數能很好地與人工測量的值相吻合，從表1數據可以看出本文的方法具有較好的準確性與適用性。

5" 結語

本文提出一種基于計算機視覺的非織造材料纖維直徑檢測的方法。利用邊緣追蹤算法追蹤一定范圍內非織造材料纖維上邊緣輪廓點的坐標，再利神經網絡來進行曲線擬合獲取該上邊緣以及下邊緣的曲線方程，進而求取平均斜率得出該處直徑d。利用聚類算法對獲取的所有直徑d進行類聚，獲得直徑d的可信區間，從而求解直徑d。該方法可以快速、簡便的測量非織造材料纖維直徑。相較于現有方法本文所提出的方法借助提出的求解模型可以更為精準的實現非織造布纖維直徑測量，并且在不破壞試樣的情況下得到較為準確的測量結果。在將本文所述方法得到的測量值與人工測量值進行對比，可以看出本文測量方法測量結果準確，可以為非織造材料的質量控制提供指導。

參考文獻：

[1]Rongji D， High Performance Nonwovens Mask Can Be on Guard Against SARS Effectively[J]. Technical Textiles 2003（7）： 31-32.

[2]Mothilal B， Prakash C， Ramakrishnan G， Design and development of non-woven medical product from Wright a tinctoria fiber[J]. Nat. Fibers 2018： 1-13.

[3]Wang L， Chen L， Chen T， Measurement of fiber orientation distribution of nonwoven fabrics based on image processing[J]. Donghua Univ， 2009（35）： 84-89

[4]朱虹， 王翠芳， 張玲娥， 等. 不同方法測量纖維直徑的結果分析[J]. 中國纖檢， 2012（Z1）： 70-71.

[5]C.Zeyun， W.Rongwu， Z.Xianmiao， et al. Study on measuring microfiber diameter in melt-blown web based on image analysis[J].Procedia Eng，2011 （15）：3516-3520.

[6]Yang Chen， Na Deng， Bin-Jie Xin， et al. Structural characterization and measurement of nonwoven fabrics based on multi-focus image fusion[J]， Measurement， 2019（42）：356-363，

[7]夏天. 基于圖像處理的非織造布的外觀質量檢測[D]. 武漢紡織大學， 2014.

[8]Z. Yan， R. R. Bresee. Characterizing Nonwovens Web Structure Using Image Analysis Techniques Parts 5： Analysis of shot in melt blown webs[J].Text.Inst， 2008（2）：320-328.

Fiber Diameter Detection of Nonwoven Materials based on Computer Vision

XU Qiao-lin1， HU Hao-dong2， KE Wei2

（1. Hubei Fibre Inspection Bureau， Wuhan Hubei 430200， China；

2. College of Textile Science and Technology， Wuhan Textile University， Wuhan Hubei 430200， China）

Abstract： The existing measurement of the diameter of nonwovens fibers is more complicated. In this paper， the nonwovens image is processed based on computer vision technology to detect the diameter of the nonwovens. The nonwovens image sample was collected by video microscope， the image was preprocessed， the edge line of the fiber was detected by the edge detection operator and the curve was fitted， and the geometric model of the fiber solution model proposed in this paper was used to solve the fiber diameter by combining the relationship between slope and length and the clustering algorithm. The use of this method not only greatly reduces the complexity of the detection process of nonwovens fiber diameter， but also improves the accuracy of the detection results.

Key words： Nonwovens; Diameter detection; Image processing; Neural networks; Curve fitting

（責任編輯：周莉）