籽棉中异性纤维的双光源成像检测方法

韦 平， 张 林， 刘 翔， 王 冬， 苏真伟,2

(1. 四川大学 制造科学与工程学院， 四川 成都 610065； 2. 广东理工学院， 广东 肇庆 526100)

籽棉中异性纤维的双光源成像检测方法

韦 平1， 张 林1， 刘 翔1， 王 冬1， 苏真伟1,2

(1. 四川大学 制造科学与工程学院， 四川 成都 610065； 2. 广东理工学院， 广东 肇庆 526100)

针对现有的异纤清理机无法彻底清除异性纤维的问题，提出了一种在籽棉轧花前对异性纤维进行检测的方法。以清除了铃壳、茎、叶等有机杂物的籽棉和常见的21种有色及白色异纤为检测样本，在白色LED和红色线激光双光源照明获取图像，在RGB颜色空间的R通道和HSI颜色空间的S通道利用改进的索贝尔(Sobel)边缘检测算法检测异纤。同时在S通道利用一维最大熵法以提高异纤检测率。实验结果表明：采用的双光源照明成像方法和图像处理算法可减少阴影等干扰，白色异纤的检出率可达到74.7%，有色异纤的检出率可达到70.8%，为籽棉中异性纤维的检测提供了参考和借鉴。

籽棉; 异性纤维； 双光源成像； 颜色空间； 图像处理

棉花经过人工或机器清除污杂物(或称异性纤维或异纤)之后，仍有少量地膜、塑料、包装袋等异性纤维混入纱线中，最终残留在面料上，使最终产品产生严重的质量问题，生产企业为此付出了高昂的代价。棉花中异性纤维的彻底、高效清除，多年来一直是国内外纺织业亟待解决的问题[1-2]。

从总体看，棉花中异纤的机器分拣可分为2个阶段[3]：第1阶段在籽棉轧花前，一般采用清理机，通过机械梳理、缠绕、抛射和风选等方法，去除棉花中的铃壳、茎叶、木块、石子和较大的异纤，但籽棉清理机对物理机械性能和棉花相近的异物，包括质量较轻、尺寸较小的异性纤维，清除效果有限；清理的第2阶段在籽棉变成皮棉后，在经过开清工序时，成团的籽棉已经变成松软、连片的皮棉，可摊薄、均匀地传送到检测系统，获取的图像阴影较少，易于处理、识别，但在这一阶段，皮棉中的异性纤维已跟随籽棉经过去籽、轧花、开清等工序，一部分轧成了碎片或细丝，尺寸太小而难于检测，还有一部分被裹入棉花纤维团之中，无法被看到，很难识别并分拣出来[4-5]。这些细小、破碎、隐藏的异性纤维，每吨棉花中只有几克，个数多而质量小，随机分布，形状各异,有的颜色和棉花相近，不管采用人工方法还是机器视觉技术，很难进一步清除干净。

最近十年来，国内外棉花中异性纤维的检测技术发展基本可归结为3个方面：一是采用高速、高精度的成像设备，用高速度的计算机加现场可编程门阵列(FPGA)和数字信号处理器(DSP)，提高检测的精度和速度[6]；二是设计简单、高效的图像处理算法，杜玉红等[7]在RGB空间利用阈值聚类方法、师红宇等[8]用小波差分法对异纤进行检测；三是采用X射线[9]、紫外光[10]、红外光[11]、高光谱[12]等新光源成像技术，使原来在可见光成像条件下看不见的异性纤维显现出来。但是迄今为止，受限于皮棉和皮棉阶段部分异性纤维破碎、分散、隐藏的状态，上述努力在取得进展的同时，都不同程度地遭遇到技术瓶颈，短期内很难取得突破。

一种新的思路是在籽棉阶段利用机器视觉清除异性纤维。籽棉在机械清理之后、轧花去籽之前，铃壳、茎、叶等有机污杂物已经清除，而存留的地膜、化纤等异性纤维尚未破碎成小片，搅混入棉团之中的也较少，这是异纤检测的有利时机。困难在于籽棉成团，分布不均和高低起伏，图像背景从高亮度的棉团到深浅不一的阴影，灰度分布广而且复杂多变，现有的成像方法和图像处理算法很难自动从籽棉背景中识别出异性纤维。

迄今为止的文献表明，国内外基于机器视觉技术检测籽棉的研究报告很少。Pelletier曾用多光谱相机来检测轧花机前棉花的杂质含量[13]，但其主要针对植物性杂质，对异性纤维检测效果有限，且无法有效检测阴影较多的棉花。季宏斌等[14]试图在LED照明下区分籽棉中的地膜，魏新华等[15]利用高光谱成像系统识别籽棉中的5种异性纤维，但这2项研究都仅针对特定种类的少数异纤，没有在成像技术和图像处理方面获得实质性进展。

初步的成像实验表明，以籽棉为检测背景的图像总体上可分为3类：第1类籽棉缠绕结团较少，均匀、连续分布，图像处理难度较低；第2类籽棉缠绕较少，但分布不均匀、不连续，存在间隙和孔洞，背景处理起来有较大的难度；第3类籽棉缠绕严重，成团大，分布不连续，背景很难处理。考虑到实际生产时可通过耙平、碾平等机械预处理方式，使籽棉接近或达到第1类状态，本文为简化问题，选取第1类籽棉展开异性纤维的检测研究。

针对籽棉中异纤检测的难题，本文提出了一种籽棉中异纤的检测方法。采用去除了铃壳、茎叶等杂物、尚未轧花的籽棉和21种典型的异性纤维作检测样本，采用红色线激光和白色LED构成双光源照明系统；线扫描相机采集得到的图像经过颜色空间变换和改进的索贝尔(Sobel)算子以及一维最大熵阈值法处理后，籽棉中异性纤维的识别率达到了70%以上。

1 成像技术与图像处理算法

1.1 实验样本

采用新疆机采籽棉，清除铃壳、茎、叶等有机污杂物后，平铺在传送带上，形成宽为600 mm、厚为25 mm、均匀连续的棉层，如图1所示。 21种典型的异纤来自四川大英天骄棉纺厂，包含11种白色异纤和10种有色异纤，其中片状异纤面积不小于1 cm2,条状异纤长度不短于10 mm，如图2所示。实验时，异纤随机地分布在籽棉表面，二者随传送带运动成像。

图1 籽棉图像Fig.1 Image of seed cotton

注：1—白色棉绳；2—白色棉布；3—白色尼龙块；4—白色包装带；5—白色编织袋；6—白色羽毛；7—白色包装发泡纸；8—黑色棉线；9—淡蓝色聚乙烯(PE)薄膜；10—淡绿色PE薄膜；11—地膜；12—卫生纸；13—泡沫块；14—白色亚麻布；15—绿色PE塑料片；16—黄色聚丙烯(PP)塑料；17—红色棉布；18—红色PE薄膜；19—黄色棉布；20—粉色塑料 片；21—蓝色纸片。图2 21种典型异纤样本Fig.2 21 kinds of typical foreign fibers

1.2 成像装置

成像装置如图3所示，线扫描相机Basler L301kc和658 nm红色线激光器垂直安装于皮带运动方向，二者底端距离籽棉层上表面27 cm。线扫描相机的行频为4 kHz，分辨率为2 098 像素，光圈 为2.8 C，镜头选用SMICAR/PENTAX公司的YF3528。激光照射线宽约为1 mm，线激光投射面与相机成像扫描平面重合。Philips公司的若干根BN058C型白色LED灯管对称架设在相机和激光器两侧，光色为6 500 K。传送带以0.3 m/s 的速度匀速运行。相机获取图像后传输到计算机进行处理。

注：1—LED灯管； 2—线扫描相机； 3—红色线激光器；4—传送皮带； 5—成像区域。图3 实验用成像装置图Fig.3 Experimental apparatus

此外，选用北京物科光电技术有限公司 LP-3A 型热释电激光功率计测量激光输出功率密度，台湾泰仕TES-1332A数字式照度计测量棉花表面平均照度。

1.3 成像实验

根据文献[16-17]，实验采用3种光源组合照明成像法，照明成像参数分别为：LED单独照明时，照度为12 500 lx，相机曝光时间为246 μs；激光单独照明时，激光功率密度为0.85 μW/mm2，曝光时间为106 μs；LED和激光双光源照明时,激光功率密度为0.71 μW/mm2,LED照度为4 600 lx，相机曝光时间为106 μs。3种光源条件下获得的图像如图4所示。图中序号对应图2中异纤的编号。

实验结果表明：白色异纤和棉花颜色相近，单独LED照明很难识别白色或浅色异纤；深色异纤对激光的反光性能差，单独激光很难识别深色异纤；LED+激光双光源照明条件下，白色和有色异纤都较明显。双光源成像优于单光源成像。

1.4 图像颜色空间与处理算法

为减少阴影的干扰，进行了RGB颜色空间到HSI空间的变换。不同颜色空间的各通道图像如图5所示，各通道图像中的序号为能够辨识的异性纤维编号。

实验结果表明：在RGB颜色空间的R通道，白色和浅色异纤对激光的反光较强，它们和籽棉背景的区别较为明显；在HSI颜色空间的S通道，籽棉背景变成均匀的灰色，阴影减弱，异性纤维则变成明亮的白色，与籽棉背景的区别较明显。

基于这2个颜色通道的图像处理算法如图6所示。

图6 图像处理算法流程Fig.6 Flow chart of processing algorithm

输入图像从RGB颜色空间转到HSI颜色空间，在RGB颜色空间的R通道和HSI空间的S通道分别采用Sobel算法检测边缘,并在S通道采用一维最大熵法分割图像。最后经过面积滤波后对分割后的二值图像进行“或”融合。其中：籽棉大都为云状或椭球团状，边缘圆角平滑过渡，灰度值无突变；而异形纤维的边缘有明显突变。二者的灰度值存在较大的梯度差。 Sobel算法的一阶微分算子可根据灰度的梯度差将二者区分开。传统的Sobel算子只计算水平和垂直2个方向的梯度，为提高检测率，本文采用了水平、垂直、45°、135° 4个模板，从4个方向分割图像。改进后的Sobel边缘检测结果如图7、8所示。

图7 R通道Sobel 边缘检测图像Fig.7 Result image of Sobel edge detection in Red channel

图8 S通道Sobel边缘检测图像Fig.8 Result image of Sobel edge detection in S channel

融合后的异纤边缘不连续。本文的连接边缘方法为：查找3×3邻域，若中心点为“1”且其8邻域只有1个像素点为“1”，则判定为端点。然后再查找每个端点外层4×4邻域，若有灰度值为“1”的前景点，则将该端点和前景点之间的像素点置“1”。连接边缘的图像如图9所示。根据信息论，熵定义[18]为

式中p(x)表示事件x发生的概率。

图9 融合并连接边缘后的图像Fig.9 Image after fusion and edge-link algorithm

对于数字图像，目标区域(HO)和背景区域(HB)的熵分别为

(i=t+1,t+2，…，L-1)

式中:

总的熵为

式中：

当熵函数取得最大值时，阈值t*就是最佳阈值：

若籽棉背景中含有异纤，则在异纤与籽棉背景可分割的交界处信息量(熵) 最大，异纤分割效果最好，如图10所示。

图10 S通道一维最大熵法分割后的图像Fig.10 Image after one-dimension maximum entropy thresholding method in Saturation channel

R通道主要检测强反光的白色、浅色异纤，S通道主要检测不反光的有色异纤， 二者进行“或”，可检测出各种颜色的异纤。一维最大熵法主要检测反光性较强的片状异纤，边缘检测法可检测出线状异纤和对激光反光性较差的异纤。分割结果分别如图11～13所示。

图11 边缘检测和面积滤波后的图像Fig.11 Image after edge detection and area filtering

图12 S通道-维最大熵法和面积滤波后的图像Fig.12 Image after one-dimension marimum entropy thresholding method and area filtering in S channel

图13 结果图像Fig.13 Result image

2 实验验证与分析

在白色LED+红色线激光双光源照明条件下，以1.3小节图4(c)中的成像方法获取了籽棉与21种异纤的1 050幅图像，其中，含白色异纤的图像550幅，含有色异纤的图像500幅。每种异纤有5个大小不同、形状各异的样本。实验时籽棉随传送带运动，样本随机地投放到籽棉上，每幅图像的背景和异纤形态都有变化。

采用本文设计的算法，图像检测结果如表1所示。

表1 检测结果Tab.1 Detection results %

计算公式为

式中：Sr为正确识别率；Lr为漏检率；Fr为虚警率；Si为成功检测出的异纤图像数；Ti分别为含白色或有色异纤的图像总数；Li为含异纤而漏检的图像数；Fi为无异纤而错误检测出的图像数。

LED和红色激光混合照明条件下，白色和有色异纤正确检测率分别为74.7% 和70.8%，综合检测率达到72.8%。其中：淡蓝色、淡绿色、透明地膜的颜色与籽棉阴影极为相似，表面不反光，难以检测；绿色PE塑料片、白色包装带、编织袋等异纤处于暗场时颜色和亮度与籽棉背景相似，检测率不到50%；其他种类异纤检测率均达70%以上。

3 结 论

针对籽棉中异纤识别困难的问题，本文采用了白色LED+红色线激光双光源照明，获取了籽棉与21种异性纤维的图像。然后选取RGB颜色空间的R通道和HSI颜色空间的S通道，分别在R和S通道采用改进的Sobel边缘检测算法，在S通道采用一维最大熵阈值法识别图像。实验结果表明，白色异纤的检测率达到了74.7%，有色异纤的检测率达到了70.8%。

下一步的研究将针对不同状态的籽棉，改进成像方法，设计更加先进的图像处理算法去除阴影干扰，进一步提高识别率和检测速度。

FZXB

[1] 吕晓英, 蒋春玲. 浅谈棉花中异性纤维的危害及杜绝措施[J]. 中国纤检, 2013 (3): 66-67. LÜ Xiaoying, JIANG Chunling. Introduction of the harm of foreign matter to cotton fiber and how to stop it[J]. China Fiber Inspection, 2013 (3): 66-67.

[2] 陈文利.纺纱过程中异纤清除方法的探讨[J].棉纺织技术,2015,43(9):38-41. CHEN Wenli. Discussion on foreign fiber cleaning method in spinning process[J].Cotton Textile Technology, 2015, 43(9): 38-41.

[3] 刘向新,周亚立,赵岩.棉花异性纤维清理机械发展的现状与展望[J].江苏农业科学,2011,39(2):505-506. LIU Xiangxin, ZHOU Yali, ZHAO Yan. Status and prospect of foreign cotton fiber cleaner[J]. Jiangsu Agricultural Sciences, 2011, 39(2):505-506.

[4] 胡宝林, 胡斌. 机器视觉技术在轧花厂皮棉异纤剔除中的难点分析[J]. 中国棉花加工, 2009(5):31-33. HU Baolin, HU Bin. The analysis of difficulty in using machine vision technology to eliminate foreign fibers in seed cotton ginning mills[J]. China Cotton Processing, 2009 (5): 31-33.

[5] 张慧, 王泽伟, 柏延平. 棉花异纤清除机的技术现状和发展趋势[J]. 纺织导报, 2012(5):59-62. ZHANG Hui, WANG Zewei, BAI Yanping. Technical development of cotton sorter[J]. China Textile Leader, 2012 (5): 59-62.

[6] 郭俊先, 应义斌. 皮棉中杂质检测技术与检出装备的研究进展[J].农业机械学报, 2008, 39(7):106-113. GUO Junxian, YING Yibin. Progress on detecting technique and sorter of raw cotton foreign matters[J]. Transactions of the Chinese Society for Agricultural Machinery, 2008,39(7): 106-113.

[7] 杜玉红, 王加富, 蒋秀明,等. 应用聚类统计分析的棉花异纤图形检测算法[J]. 纺织学报, 2015, 36(3):135-139. DU Yuhong，WANG Jiafu，JIANG Xiuming, et al. Algorithm for pattern detection of cotton foreign fibers based on cluster statistic analysis[J]. Journal of Textile Research, 2015, 36(3):135-139.

[8] 师红宇, 管声启, 吴宁. 棉花中异性纤维的图像多分辨率差分检测方法[J]. 纺织学报, 2014, 35(5):13-18. SHI Hongyu，GUAN Shengqi, WU Ning. Detection of foreign fibers among cotton based on image multi-resolution difference method[J]. Journal of Textile Research, 2014, 35(5):13-18.

[9] AJAY Pai, SARI-SARRAF H, HEQUET E F. Recognition of cotton contamination via X-ray micro-tomographic image analysis[J]. IEEE Transactions on Industry Applications, 2004, 40(1): 77-85.

[10] HOGAN H.Spectroscopy focus: tracking cotton trash via fluorescence[J].Photonics Spectra，2007，41( 8): 98-99.

[11] 杨文柱，李道亮，魏新华，等. 基于光谱分析的棉花异性纤维最佳波段选择方法[J]. 农业工程学报，2009，25(10)：186-192. YANG Wenzhu, LI Daoliang, WEI Xinhua, et al. Selection of optimal band for detecting foreign fibers in lint cotton using spectroscopic analysis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(10): 186-192.

[12] 郭俊先，应义斌，饶秀勤，等. 梳棉内层杂质高光谱图像检测[J]. 农业机械学报，2012，43(12):197-203. GUO Junxian, YING Yibin, RAO Xiuqin, et al. Detection of trashes in combed cotton using hyper-spectral images[J]. Transactions of the Chinese Society of Agricultural Machinery, 2012, 43(12): 197-203.

[13] PELLETIER M G. Real time measurement system for seed cotton or lint: US 6567538[P]. 2003-05-20.

[14] 季宏斌, 刘培艳, 陈涛. 基于机器视觉技术的机采棉地膜清理机的研制[J]. 中国棉花加工, 2010(6):28-31. JI Hongbin, LIU Peiyan, CHEN Tao. The cleaning machine of mulch film in seed cotton based on machine vision technology[J]. China Cotton Processing, 2010(6): 28-31.

[15] 魏新华，吴姝， 徐来齐， 等. 基于最小噪声分离的籽棉异性纤维高光谱图像识别[J]. 农业工程学报， 2014， 30(9)：243-248. WEI Xinhua, WU Shu, XU Laiqi, et al. Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(9): 243-248.

[16] 刘翔，何相呈，苏真伟，等. 棉花中白色异性纤维的激光成像快速检测方法[J]. 农业工程学报，2014，30(15)：190-196. LIU Xiang, HE Xiangcheng, SU Zhenwei, et al. Laser imaging method for fast detecting white foreign fibers in cotton[J]. Transactions of the Chinese Society of Agricultural Engineering，2014,30(15):190-196.

[17] 王冬，尹伯彪，刘翔，等. 棉花中白色异性纤维的线扫描激光成像检测方法[J]. 农业工程学报，2015，31(9)：310-314. WANG Dong, YIN Baibiao, LIU Xiang, et al. A laser line scan imaging method for detection of white foreign fibers in cotton[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(9): 310-314.

[18] KAPUR B J N, SAHOO P K, WONG A K C. A new method for gray-level picture thresholding using the entropy of the histogram[J]. Computer Vision, Graphics and Image Processing, 1985, 29 (3): 273-285.

Detecting method of foreign fibers in seed cotton using double illumination imaging

WEI Ping1, ZHANG Lin1, LIU Xiang1, WANG Dong1, SU Zhenwei1,2

(1. School of Manufacturing Science and Engineering, Sichuan University, Chengdu， Sichuan 610065， China; 2. Guangdong Polytechnic College, Zhaoqing, Guangdong 526100, China )

Aiming to improve the efficiency of detecting the foreign fibers, a new approach of detecting foreign fibers in cleaned seed cotton before the ginning stage was proposed. In the experiment, cleaned seed cotton, in which organic impurities such as boll shells, stems and leaves were removed, and 21 kinds of common white or color foreign fibers were used as detection samples. Images were acquired under the double illumination of white LED and red line-laser. Then, an improved Sobel edge detection algorithm was used in the Red channel of RGB color space and the Saturation channel in HSI color space separately. And a one-dimension maximum entropy thresholding method was also implemented in the Saturation channel for increasing the successful detecting rate. Experiment results indicate that the double illumination imaging method and the image processing algorithm reduce interference such as shadows. The successful detecting rates of white and color foreign fibers are up to 74.7% and 70.8%, respectively. This paper provides a reference for detecting foreign fibers in seed cotton.

seed cotton; foreign fiber; double illumination imaging; color space; image processing

10.13475/j.fzxb.20160405207

2016-04-18

2016-08-08

国家自然科学基金资助项目(31371536)

韦平(1988—)，男，硕士生。主要研究方向为机器视觉及无损检测。苏真伟，通信作者，E-mail：1986702517@qq.com。

TS 112.7

A