应用聚类神经网络的异纤检测多类光源优化设计

杜玉红， 杨程午， 蒋秀明， 刘仁杰， 蔡文超

(1. 天津工业大学， 天津 300387； 2. 天津市现代机电装备技术重点实验室，天津 300387； 3. 北京大恒图像视觉有限公司， 北京 100085)

应用聚类神经网络的异纤检测多类光源优化设计

杜玉红1,2， 杨程午1,2， 蒋秀明1,2， 刘仁杰1,2， 蔡文超3

(1. 天津工业大学， 天津 300387； 2. 天津市现代机电装备技术重点实验室，天津 300387； 3. 北京大恒图像视觉有限公司， 北京 100085)

为使电荷耦合元件(CCD)精确采集处理异纤图像并对多类异纤进行检测，提出了一种基于模糊聚类神经网络的异纤检测多类光源优化设计方法。通过分析CCD成像与入射光能量的关系，推导出多类异纤检测的光源量，建立了CCD靶面曝光量函数，确定光源的最佳检测位置，通过图像参数方程，分析CCD背景板图像的光线分布及平均灰度，通过模糊聚类分析，综合考虑输入值的全部信息建立了多类光源的模糊聚类神经网络，对光源进行优化设计。设计结果表明，最佳检测位置是异纤处于中心位置，在光源数量为10，两侧距离为3 mm，神经网络的收敛误差均达到预期值，异纤检出率达到94.79%，符合企业异纤检测实际生产的要求。

异纤检测； 光源优化设计； 电荷耦合元件； 模糊聚类分析

异性纤维是指严重影响棉纺织品质量的非棉纤维，异纤检测装置主要采用机器视觉技术实现异纤在线检测。由于异纤的种类较多，物理化学性质不相同，所以针对不同种类的异纤，检测装置需要配备不同类型光源进行检测，主要包括白色光、激光、紫外光、红外光等。

1998年，Church等[1]发现在2 250～2 400 nm红外波段下的光谱峰值差别较大，提出在红外光谱范围内区分白色异性纤维和棉花；通过分析红外光谱，提出白色异性纤维的最佳检测波段[2]；一种白光和荧光交替成像检测方法，能有效检测出皮棉中的有色和白色异纤[3]；华才健等[4]提出一种基于线激光的检测方法，有效地识别了大部分白色异纤；罗德坡等[5]提出一种结合紫外线荧光效应的机器视觉方法，可有效地清除棉花中白色异性纤维。Thomasson[6]提出利用杂质颜色来识别，通过光学滤色片获得异纤图像，获得了良好的效果；We等[7]提出并应用基于最小噪声分离超光谱图像的识别方法(MNF)来提取降低多光谱图像的维数特征；通过小波多层分解实现检测图像中的不同频率信息成分的分离，实现了对异性纤维的检测[8]。运用聚类统计分类的方法获取的异纤图像信息，判断异性纤维[9]。将含有异纤的织物灰度图像进行预处理，输入神经网络后检测二元织物图像的形态重建后的缺陷[10]。

通过国内外研究发现，目前异纤检测系统研究和检测装置主要采用单一类型光源，不能对全部异纤进行检测剔除。在优化设备时对异纤检测光源优化理论研究极少，为此本文研究了异纤检测多类光源，分析CCD相机入射能量与光照能量的关系，设计模糊聚类BP神经网络预测分析异纤检测照明系统最佳光源数量和光源距离，并利用实验平台进行了验证，以期为异纤检测提供理论和实践支持。

1 异纤检测光源设计

1.1 异纤检测光源种类

对不同类异纤，检测有不同种光源，如白色光、紫外光、红外光等。白色光主要对普通彩色异纤进行检测；与棉花颜色相近的白色异纤中主要是纸张和白色丙纶丝，含有增白剂，在紫外线的照射下激可发出波长为400～500 nm明亮荧光，而棉纤维在紫外线的照射下不变色，所以可采用紫外光进行检测；由于红外线对棉花、锦纶、塑料等都有一定的穿透能力，这些异纤会出现吸收峰，经图像处理后会出现灰度较低的区域，可确定异纤位置[11-12]。

1.2 异纤检测光源选型

设计的异纤检测实验平台结构示意图如图1所示。异纤检测工作原理是含有异性纤维的原棉在铺放系统8提供的持续气流下进入透明的棉流检测通道1，在通道两侧红外线4、紫外线3、白色光2源的照射下，彩色CCD相机6对原棉流进行扫描，采集含有异纤的原棉图像并进行分析处理，随后工控机7驱动异纤剔除系统的高速电磁阀，释放气流将异纤剔除。

注：1—检测通道；2—白色荧光灯；3—紫外线灯管；4—红外线灯管； 5—背景板；6—CCD相机；7—工控机；8—铺放系统。图1 异纤检测实验平台结构示意图Fig.1 Schematic diagram of experimental platform for different fiber detection

异纤检测实验平台配置的2台工业相机为JAI公司生产的3-CCD相机，在光波长为365～850 nm范围内的响应度R为64 V·μJ/cm2。采用8-bit数据深度采集，输出的灰度值最暗值0对应0 V，最亮值255对应1.84 V。

异纤检测实验平台白色荧光灯管型号为Philips life max 系列中的TL-D18W/840，冷白色，色温 4 000 K，光通量1 350 lm。紫外灯管型号为Philips的18 W/BLB，红外线灯管为朗普公司的LPS，光源功率为70 W，有效光照范围0.005～3.000 m。查阅相关文献得到最佳照明波长，白色荧光灯为550 nm，紫外光灯管为365 nm，红外灯管为850 nm,故实验平台测试研究采用的波长范围为365～850 nm。

棉花中所夹杂的大部分的异纤如羊毛、麻绳、羽毛、头发等属于吸光体，所以异纤检测实验平台光源采用前向照明，照射为直射方式。前向照明能增强采集图像中被测物不同部分的灰度差别,有利于分辨被测物内部不同部分结构。直射光方向性强,光能量相对集中,光源亮度高,有较强的明暗对比度。本照明系统有利于异纤与棉花形成鲜明的明暗对比度，便于在CCD相机上形成清晰图像，有利于异纤快速准确的检出[13-14]。

1.3 异纤检测实验平台光源数量

异纤检测实验平台要求CCD相机的灰度值为100，光能转换后得到的电压值V为721.5 mV，则确定响应度R后，得到传感器的能量密度为

(1)

式中：V为CCD上光能转换后的电压值，R为CCD相机的响应度。

曝光一定时间t后，CCD传感器所需的入射光的辐射度为

(2)

物体表面亮度，即反光体表面反光强弱为

(3)

式中：Ti为镜头的透射率；f为镜头的光圈数(F数)；m为成像系统的放大倍数。

物体表面照度E，即单位面积所接受可见光的能量为

(4)

式中：R为物体表面反射率(0

光源发射出的亮度为

(5)

式中：S为光源直径；Ls为物体到光源的距离；φ为物体表面法线和光源所成的角度。

由式(1)～(5)推算光源亮度L2=22.610 7 cd/cm2。

实验平台配置灯管的平均亮度为0.85 cd/cm2，在CCD相机增益g=6 dB时，理论上所需的照明灯管的数量为14，如图2所示。

图2 异纤检测实验平台光源数量Fig.2 Number of light source in the experiment platform

2 光源检测位置数学建模与应用

假定白色光、紫外光、红外光灯管均为一个矩形的双面发光体，即“朗伯辐射体”[15-16]，其长度为灯管发光部全长，宽度为灯管直径，其光源在各个方向上的亮度近似一致。矩形面光源长度为2b，宽为2a，检测通道两侧光源到检测对象的距离为di，与检测对象法线夹角为αi。异纤检测光源光照分析如图3所示。O为光源外被检测物上任意一点，在矩形光源所在的平面内的投影为O′，其所在的光源面积元是dS0,O″为dS0左侧一微小面积光源dS1上与其过O′垂线交点，OO′与检测对象面积元的法线夹角为α，x为O1到O″的距离，X为O1到O′的距离，r为O到面积元dS1的距离，OO″与矩形光源法线夹角θ1，θ2为θ1内错角。

图3 异纤检测光源光照分析图Fig.3 Analysis of light illumination of different fiber detection light source

光源发光面为余弦发射面，其亮度在检测对象面积元的亮度为

(6)

式中：Φ为光源的光通量；S为光源表面积,L为面积元的亮度。

X左右两侧面积为dS的微小面光源在O点处的照度为

(7)

整个光源在O点处的照度为

(8)

原点O1右侧到O1的距离为x的点的照度为

(9)

多个非相干光源叠加的照度，是各个光源照度之和，即

(10)

本照明系统中的光源数量为14个，则检测对象上一点x的照度为

E=7aL[Φ(α1,b,d1,x)+Φ(α2,b,d2,x)]

(11)

检测对象异纤的表面为“全扩散表面”[17]。亮度L″=ρE/π，其中ρ为漫反射系数。检测对象表面经相机镜头到达CCD靶面的照度为

(12)

式中：τ为光学系统透过率；F=f′/D，为F制“光圈数”。

CCD靶面在单位面积在时间t内接收的曝光量为

H=E′t

(13)

CCD靶面曝光量H为

(14)

曝光度函数H(α1，α2，d1，d2，x)中自变量取值为α1=45o,α2=60o,d1=0.1 m,d2=0.1 m，φ=1 350 lm，2b=0.66 mm，Fmax=2.8，ρ=0.8，τ=0.68，t=0.000 115 s，则有

(15)

当x∈[0,0.33]范围时曝光量函数H(x)所绘曲线，如图4所示。

图4 曝光量函数曲线Fig.4 exposure function curve

从曲线可知H(x)呈抛物线状，曝光量最大值为0.103 5 lx·s。因所建函数模型起点是荧光灯的前端，所以检测对象处于光源中间部位时，检测位置最佳，此时相机的接受的光能最多，检测效果最好。

3 光源检测参数的分析和计算

3.1 图像参数方程的建立

在不同数量和距离的光源条件下，收集棉纺织企业常见异纤如图5所示，作为实验对象。根据采集到背景板的图像变化来建立图像参数方程，判断分析照明效果。CCD扫描区域是一个窄长的区域，宽度方向上分布有70个像素，长度方向上分布有 2 048 个像素，如图6所示。

图5 棉纺织企业常见异纤Fig.5 Common fiber of cotton textile enterprises

图6 CCD采集背景板的图像Fig.6 CCD acquisition of background image of board

设光线在背景板上分布均匀，取每个像素点的R、G、B平均值及灰度值。其中，取R[i]、G[i]、B[i]分别为相应像素点的R、G、B值，L[i]为相应像素点的灰度值，则有：

L[i]=0.299R[i]+0.587G[i]+0.114B[i]

Rm=max(R[i])-min(R[i])

Gm=max(G[i])-min(G[i])

Bm=max(B[i])-min(B[i])

Lv=∑(L[i])/2 048;

(16)

式中:Rm、Gm、Bm分别为图像中R、G、B变化最大的值，反映了CCD采集的图像中光线分布的均匀程度，值越大说明光线越不均匀。Lv是图像中的灰度平均值，为图像的平均亮度，值越大越说明光线越好[18]。

3.2 不同光源数量下的数据分析

彩色试纸与大部分的异纤同属于吸光体，属性相近，实验时为减少形状大小对实验的影响，故采用20 mm×2 mm彩色试纸进行异纤检测实验。将灯管进行编号，分别为L1、L2……L7，R1、R2……R7打开不同数量的灯进行实验，通过图像参数方程获得不同数量灯管下的Rm、Gm、Bm、Lv如表1所示。

表1 不同光源数量下图像R、G、B值和灰度值Tab.1 R、G、B value and gray value of image under different light sources

在不同光源数量下，Rm、Gm、Bm的最大值分别146、142、146，Lv的最小值为51.66。

3.3 不同光源距离的下数据分析

将异纤检测实验平台的两侧光源分别向左侧、右侧、两侧同时移动不同距离，在各组试验中，采集CCD背景图像，通过图像参数方程计算各个像素点的Rm、Gm、Bm值和灰度值，数据如表2所示。

在不同光源距离下，Rm、Gm、Bm的最大值分别149、146、152，Lv的最小值为55.52。光源在不同数量和距离下的值处在一个变化不大的范围内，存在一定的相似性和规律性，符合模糊聚类神经网络原理，故采用下文运用基于模糊聚类分析神经网络进行光源数量和距离预测分析。

表2 不同距离图像R、G、B值和灰度值Tab.2 R、G、B value and gray value of different distance images

注：Rmf,Gmf,Bmf,Lvf；Rmr,Gmr,Bmr,Lvr；Rm,Gm,Bm,Lv分别表示光源左侧、右侧、两侧同时移动不同距离时所采集图像的R、G、B值和灰度值。

4 基于神经网络模型的光源优化

4.1 异纤检测光源BP神经网络模型

以Rm、Gm、Bm、Lv为神经网络的输入量,用归一化函数将Rm、Gm、Bm、Lv不同的数值归一化到[-1,1]，异纤光源BP神经网络结构如图7所示。

图7 异纤光源神经网络结构图Fig.7 structure of neural network with different fiber source

ωij为反向传播过程中异纤光源神经网络隐含层第j节点到输入层第i节点的权值；αj隐含层的阈值。φ(x)为隐含层的激励函数，选用tansig函数，函数返回值位于(-1，1)；ωj表示在误差反向传播过程中输出层到隐含层第j个节点之间的权值。Φ(x)为输出层的激励函数,选用purelin函数；β为输出层阈值；L(M)是神经网络输出层的输出值，即为光源的最佳数量及距离值。

4.2 模糊聚类异纤光源对隐含层优化

本文采用基于模糊等价关系的特征抽取方法，对异纤光源神经网络隐含层进行优化。在输入中为了防止把输入值相近而期望输出值相差较大的样本归为一类，综合考虑输入量的全部信息[19-20]。

以不同光源数量的像素点Rm、Gm、Bm值和灰度值数据研究为例，隐层节点数确定的模糊聚类分析法的步骤如下。

4.2.1数据处理

设论域U={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}，x1为L1,R1；x2为L1,L3；……；x10为L2,R2,L7,R7被分类的10个对象，每个对象有4性状：x1为rm，xi2为Gm，xi3为Bm，xi4为Lv，则xi={xi1,xi2,xi3,xi4} (i=1,2,…,10)，得到原始数据矩阵

将模糊矩阵的数据压缩到[0,1]上。采用平移极差变换进行数据标准化，

则标准化矩阵为

4.2.2模糊相似矩阵建立

标定运用了欧几里得距离法：

rij=1-c×d(xi,xj)

模糊相似矩阵为

4.2.3传递闭包的计算

用平方法计算模糊相似矩阵R，R2，R4，…，R2t，…，当第1次出现Rk*Rk=Rk时，则称Rk为传递闭包。

聚类步骤：(1)令T={1,2,3…10}，取xi∈T(1),令X、Q为空集；(2)令j=0；(3)若R(xi,xj)≥λ且xj∉X，则令X=X∪{j}，Q=Q∪{j}，j=j+1；(4)若j

4.2.4聚类分析

采用直接聚类法，取水平值λ∈[0,1]，根据文献λ取值范围为0.989～0.991。当λ取不同分类系数时，进行模糊聚类分析结果如表3所示。

4.3 神经网络的仿真

选用神经网络中Levenberg-Marquardt算法，运用相似方法计算矩阵，公式如下：

xk+1=xk-[JTJ+μI]-1JTe

(17)

式中：J为训练神经网络，如果μ=0，即变成近似Hessian矩阵的拟牛顿法；如果μ较大的话，则成为小步长的梯度下降法，因牛顿法在误差极小点附近能够快速准确收敛，所以算法的目标即是尽快转换为牛顿法。如果训练成功，误差性能函数减小，则减小μ值；如果训练失败，则增加μ值。该方法使误差性能函数随着迭代的进行而下降到极小值。

表3 聚类分析结果Tab.3 Results of cluster analysis

异纤光源优化根据样本数据的特点选取网络学习率为0.01，训练次数为200，训练精度为10-5，完成对神经网络的训练。网络误差收敛图如图8所示。

图8 网络误差敛图Fig.8 Convergence of network error. (a) Left side of light source; (b) Right side of light source; (c) Both sides of light source; (d) Under different light source

4组网络训练后，误差曲线均逐渐收敛到最佳值，收敛误差为10-5至10-8，满足精度要求。

4.4 结果分析

在相机理论拍摄图像最佳条件下，采集所拍摄背景板的图像，提取Rm、Gm、Bm、Lv，作为神经网络的输入值，根据神经网络预测光源的最佳距离及最佳数量。通过异纤检出率实验进行验证。最终结果为光源左侧移动6 mm，异纤检出率为89.69%；光源右侧移动6 mm，异纤检出率为91.22%；光源两侧移动3 mm，异纤检出率为91.38%；光源数量为10的条件下，检出率为92.79%。在光源数量为10的条件下，光源两侧移动的距离为3 mm的最优照明光源模型下，异纤的检出率为94.79%，满足实际生产要求，则说明聚类神经网络预测理论分析在光源优化上的应用的可行性。

5 结 论

本文根据多类异纤特点选择了白色光、紫外光、红外光源进行异性纤维图像处理检测，提出了一种基于聚类神经网络多类异纤检测的光源优化设计方法。

1)通过分析CCD传感器成像与入射光光能之间的转换关系，在至少保证紫外光灯管1对，红外光灯管1对前提下，确定了白色荧光灯3对能满足异纤检出要求。

2)通过建立光源检测质量模型和CCD靶面曝光函数，分析得知检测对象处于光源中间部位时为最佳检测位置，相机所接受的光照强度最大，检测效果最佳。

3)提取CCD背景板图像像素点的R、G、B平均值及灰度值，建立图像参数方程，通过模糊聚类分析优化神经网络的隐含层，优化设计多类光源的数量和距离。通过实验验证，异纤检出率达到94.79%，满足实际生产要求，对机器视觉中的光源选择和照明优化具有一定的指导作用。

[1] CHURCH J S, O′NEILL JA, WOODHEAD A L. Detection of fibrillated polymeric contaminants in wool and cotton yarns[J]. Applied Spectroscopy, 1998, 56(8): 1039-1046.

[2] 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. Optimal band selection method for cotton foreign fibers based on spectral analysis[J]. Journal of Agricultural Engineering, 2009, 25(10): 186-192.

[3] 周飞, 丁天怀, 瞿鑫. 皮棉异性杂质的白光/荧光交替成像检测法[J]. 清华大学学报(自然科学版)，2010, 50(8): 1234-1238.

ZHOU Fei, DING Tianhuai, QU Xin. Lint anisotropic impurity of white light / fluorescence alternating imaging detection method[J]. Tsinghua University Jour-nal(Science and Technology),2010, 50(8): 1234-1238.

[4] 华才健, 苏真伟, 乔丽, 等. 基于线激光的棉花中白色异性纤维检测[J]. 农业机械学报, 2012, 43(2): 181-185.

HUAI Caijian, SU Zhenwei, QIAO Li, et al. White foreign fibers detection in cotton using line laser[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(2):181-185.

[5] 罗德坡, 朱邦太, 李勋. 紫外线荧光效应及其在棉花异性纤维分拣系统中的应用[J]. 河南科技大学学报(自然科学版), 2007, 28(2): 63-66.

LUO Depo, ZHU Bangtai, LI Xun. Ultraviolet fluorescent effect and in cotton isomerism fibre sorting system application[J]. Journal of Henan University of Science and Technology (Natural Science Edition), 2007, 28 (2): 63-66.

[6] THOMASSON J A. Image processing solution to cotton color measurement problems in gin process control[D]. Lexington: University of Entucky, 1997, 67(4): 156-162.

[7] WE 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(Transactions of the CSAE), 2014, 30(9): 243-248.

[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 imagemulti-resolution difference method[J]. Journal of Textile Research, 2014, 35(5):13-18.

[9] 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.

[10] CHANDRA A, JAYANTA K, PRADIPTA K, et al.Neural network trained morphological processing for the detection of defects in woven fabric[J]. Journal of the Textile Institute, 2010, 101(8): 699-706.

[11] KANG T J, KIM S C. Objective evaluation of the trash and color of raw cotton by image processing and neural network[J]. Textile Research Journal, 2002, 72(9): 776-782.

[12] 郏东耀, 丁天怀. 棉花中异性纤维的多光谱检测[J]. 清华大学学报(自然科学版), 2005,45(2): 193-196.

JIA Dongyao, DING Tianhuai. Detecting foreign fibers in cotton using amulti-spectral, technique[J]. Journal of Tsinghua University(Science and Technology), 2005, 45(2): 193-196.

[13] 唐向阳, 张勇, 李江有, 等. 机器视觉关键技术的现状及应用展望[J]. 昆明理工大学学报, 2004, 29(2): 26-31.

TANG Xiangyang, ZHANG Yong, LI Jiangyou, et al. The present situation and application prospect of the key technologies of machine vision [J]. Journal of Kunming University of Science and Technology, 2004,29 (2): 26-31.

[14] 韦平,张林,刘翔,王冬,等. 籽棉中异性纤维的双光源成像检测方法[J]. 纺织学报,2017,38(4):32-38.

WEI Ping, ZHANG Lin, LIU Xiang, et al. Detecting method of foreign fibers in seed cotton using double illumination imaging[J]. Journal of Textile Research,2017,38(4):32-38.

[15] 尹中信, 王全良. 机器视觉系统中的照明优化设计[J]. 传感器与仪器仪表, 2010,26 (3): 129-131.

YIN Zhongxin, WANG Quanliang. Optimal design of illumination in a machine vision system [J]. Sensor and Instrument, 2010, 26 (3): 129-131.

[16] 凌志斌, 邓超平, 郑益慧等. 荧光灯光通量波动分析[J]. 照明工程学报, 2003(9): 15-18.

LING Zhibin, DENG Chaoping, ZHENG Yihui, et al. Analysis of light flux fluctuation of [J]. Lighting Engineering, 2003, 9: 15-18.

[17] 刘曙光, 刘明远. 机器视觉及其应用[J].机械制造, 2000, 38(7): 20-22.

LIU Shuguang, LIU Mingyuan. Machine vision and its application [J]. Machine Manufacturing, 2000, 38 (7): 20-22.

[18] GUO J, YING Y, CHENG F, et al. Detection of foreign materials on the surface of ginned cotton by hyper-spectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(10): 355-360.

[19] 陆系群, 余英林. 设计前馈神经网络结构的一种新方法[J]. 华南理工大学学报(自然科学版), 1998, 26(1): 112-115.

LU Xiqun, YU Yinglin. A new method for designing the structure of feedforward neural networks [J]. Journal of South China University of Technology (Natural Science Edition), 1998, 26(1): 112-115.

[20] PSICHOGIOS D C, UNGAR L H. SVD-NET: An algorithm that automatically selects network struc-ture[J]. IEEE Trans Neural Networks, 1994, 5(3): 513-515.

Optimizationdesignofmulti-lightsourceforforeignfiberdetectionbasedonclusteringneuralnetwork

DU Yuhong1,2， YANG Chengwu1,2， JIANG Xiuming1,2， LIU Renjie1,2， CAI Wenchao3

(1.TianjinPolytechnicUniversity,Tianjin300387,China; 2.TianjinKeyLaboratoryofModernMechanicalandElectricalEquipmentTechnology,Tianjin300387,China; 3.BeijingDaHengImageVisionCo.,Ltd.,Beijing100085,China)

In order to allow charge-coupled device(CCD) to accurately acquire and process foreign fiber image sand detect multiple types of foreign fibers, a new method based on fuzzy clustering neural network was proposed. By the analysis of the relationship between CCD imaging and the incident light energy, the number of light sources for detecting the multiple types of foreign fibers was determined; the exposure amount function of the CCD target surface was established, and the optimum light source position for detection was determined. Finally, the light distribution and average gray level of the background image for the CCD plate were analyzed by the parametric equation of the images, and by means of fuzzy clustering analysis, considering all the information of the input values, a fuzzy clustering neural network of the multiple type of light sources was established to perform optimization design of the light sources. The design result shows that the best detection position is that the foreign fiber is in the center position, the number of the light sources is 10, and the distance on both sides of the light source is 3 mm; and the neural network convergence error reaches the expected value, and the foreign fiber detection rate reaches 94.79%, meeting the requirements of actual production.

foreign fiber detection; optimization design of light source; charge-coupled device; fuzzy cluster analysis

TP 391.41

A

10.13475/j.fzxb.20161004909

2016-10-17

2017-05-24

国家重点基础研究发展(973)计划项目(2010CB334711)；国家自然科学青年基金项目(51205288)；天津市科委面上基金项目(13jcybjc15900)

杜玉红(1974—)，女，教授，博士。主要研究方向为图像处理及模式识别、异纤检测。E-mail：dyh202@163.com。