基于机器视觉的棉花异性纤维识别方法

师红宇，任小玲

（西安工程大学 计算机科学学院，陕西 西安 710048）

0 引言

棉花是纺织企业加工处理的原材料，在原棉加工过程中由于很多原因混入了多种异性纤维，这些混入原棉中的异性纤维，容易被打碎成散落单纤维，在纺织加工中难以清除。它会对纺织企业产品的质量造成不良影响,从而影响企业的经济效益。因此，在纺织企业中异性纤维检测和剔除是必备的工序内容之一[1-4]。大部分棉纺织企业普遍采用人工分拣方式来分离异性纤维，但是这些操作非常耗时，劳动强度大，可靠性又低。为了解决棉花异性纤维的困扰，国内外科学家已经对异性纤维检测进行了多年研究，并已经取得了很多成果，采用的主要技术包括超声波技术、光电感应技术、机器视觉技术等[5-8]。超声波技术只能检测面积较大的异性纤维且速度较慢；光电感应技术只能检测有色异性纤维；常规的机器视觉技术对细小的异性纤维以及与棉纤维颜色相近的异性纤维的检测效果还不够理想。

随着计算机技术和光电检测技术的发展，基于自动视觉检测（Automated Visual Inspection，简称AVI）已经广泛地应用于棉花异性纤维的识别。其中，获取高质量图像、快速图像处理、提取有效特征、正确识别目标以及测量结果的精确性等都是目标检测的关键因素[9-10]。

图像分割[11-12]是图像处理和AVI 系统的核心，也是图像分析和模式识别的前提。图像分割的目的就是把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在AVI 系统方面已经有很多学者作了大量深入的研究，取得了一些成果。然而这些方法识别效率越高，其复杂度也越高。在线检测中，快速而精确的图像分割方法是图像处理的重要环节。图像分割和处理的精确性经常会受到光源变化的影响，为了提高图像处理的准确性和精确性，需要研究新图像分割方法。

本文提出了一种基于机器视觉的棉花异性纤维识别新方法，可以避免光源影响。

1 原理和方法

1.1 基本原理

彩色图像的分割必须选择合适的颜色模型和有效的分割方法。颜色模型的选择是棉花图像处理的第一步；合适的颜色模型不仅可以节省计算量，而且可以增强图像处理能力[13]。

RGB颜色模型是图像处理中最基本、最常用的颜色模型。RGB模型可以采用笛卡尔空间坐标来表示，如图1所示。在RGB彩色空间坐标内可以计算出任一颜色。

图1 RGB颜色模型Fig.1 RGB color model

1.2 图像采集

图像采集系统是整个实验系统中最重要的一部分，如图2所示。该系统包括一个摄像头，三个光源，和一台计算机。为了提高检测精度，由专业技术人员布置含异性纤维的原棉样品，大小为550 mm宽，5 mm厚。采用CCD彩色摄像机（TELEDYNE DALSA）采集图像，通过USB将图像传输到计算机。

图2 图像采集系统Fig.2 Image acquisition system

图3 为该实验系统所采集的彩色示例图像。其中包含棉花茎、叶子和种子。由于CMOS感光度的差异性，原始图像往往含有大量噪声。这些原始图像必须要进行灰度校正、滤波等预处理。

由于不同异性纤维的阈值不同，棉花的三通道彩色图像可以用来检测异性纤维。首先将采集的原始图像在RGB颜色模型中分解，获得棉花异性纤维的三通道彩色图像，再将其转化为灰度图像。如图4所示，R通道图像中叶子显示明显，G和B通道图像棉花茎和种子显示明显。这些异性纤维的检测可以通过在通道图像设置不同的阈值来实现。在本文中，三通道灰度图像的预处理是相同的。下面仅以B通道的灰度图像作为样本来介绍。

图3 原棉异纤RGB图像Fig.3 Cotton foreign fibers RGB image

图4 R、G和B通道的灰度图像Fig.4 Gray images of R, G and B channels

图像采集系统的光源通常采用白炽灯。由于光源驱动电压的不稳定，导致采集的棉花图像光照不均匀。为了提高识别的正确性和精度性，图像的光照度需要进行校正。因此，本文利用二维伽马函数[14]，解决图像光场照度不均匀的校正问题。图5为校正后的B通道图像。

1.3 图像分割及效果

棉花图像由背景图像、前景图像和边界区域三部分组成。本文采用大律法进行图像分割。按照阈值把直方图分为两类。图6为大律法分割后的B通道图像。棉花样本中的棉叶，棉茎和棉籽都可以被检测出来。

图5 校正后B通道图像Fig.5 B channel image after correction

图6 分割后B通道图像Fig.6 B channel image after segmentation

在此基础上，采用形态学开运算滤波[15]，消除结构元素较小的明亮细节，保持整个图像的灰度值和较大的明亮区域。滤波后的B通道图像如图7所示。图像经过预处理，去除了大部分噪声。

最后，再对三通道图像进行融合操作，融合结果如图8所示。原棉样品中的异性纤维，包括叶子、棉茎和棉籽都能被正确地检测出来，同时还可以有效地识别出棉籽。本文提出的算法和模型可以在线识别原棉中的异性纤维。其检出率大于95%。

图7 滤波后的B通道图像Fig.7 B channel image after filtration

图8 三通道融合图像Fig.8 Fusion image of three channel images

2 结论

原棉加工过程中由于很多原因混入了多种异性纤维，这些混入原棉中的异性纤维，容易被打碎成散落单纤维，在纺织品加工中难以清除。它会对纺织企业产品的质量造成不良影响,从而影响企业的经济效益。为此，本文提出了一种基于机器视觉识别原棉异性纤维的新方法。由于光源驱动电压的不稳定性，导致采集的棉花图像光照不均匀，严重影响异性纤维识别效果。为了保证识别的准确性和精确性，需要对图像的光照度进行校正处理。本文首先采用二维伽马函数解决图像光场照度不均匀问题；再采用大律法对图像进行分割；最后对三通道图像信息进行融合操作，原棉样品中的异性纤维能被正确地检测出来，同时棉籽也能被有效地识别出来。整个测量系统的检出率大于95%。实验结果表明：检测系统能够满足原棉工业应用的需求。

[1] 姚穆. 关于中国“纺织质量”之浅见[J]. 中国纺织, 2016(2):33.

[2] 汪雪野, 谢标. 全球有机棉发展现状及展望[J]. 江苏农业科学, 2016, 44(1): 21-25.

[3] Strolz H M. ITMF cotton contamination survey 1999 [A].Cotton Conf in Texas USA. Los Angeles, USA: WorldTextile Publications Ltd, 2000: 63-67.

[4] 魏守军, 唐淑荣, 匡猛, 等. 棉花产品质量安全与风险评估研究进展[J]. 棉花学报, 2017, 29(增刊): 89-99.

[5] 陈亚军, 张二虎, 牟永强. 基于空间模型及连通域分析的异纤维在线检测[J]. 计算机工程与应用, 2013, 49(19):162-166.

[6] 张志强, 张太红, 刁琦, 等. 一种改进GA神经网络棉花杂质检测算法[J]. 电子设计工程, 2017, (01): 22-26.

[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.

[8] 刘建桥, 叶俊勇. 基于机器视觉的轻轨轨道梁晃动检测[J].新型工业化, 2011, 1(5): 37-41.

[9] 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.

[10] 师红宇, 管声启. 基于视觉注意计算模型的棉花异性纤维检测[J]. 东华大学学报(自然科学版), 2016, 42(3): 400-405.

[11] 杨玚, 谢华成. 基于马尔科夫随机场与模拟退火算法的图像分割[J]. 软件, 2015, 36(4): 40-43.

[12] 杨达, 王孝通, 徐冠雷, 等. 一种基于图像分割和图像拼接技术的全天空云量估计方法[J]. 新型工业化, 2014, 4(8):15-21.

[13] 杨康叶, 邬春学. 基于RGB模型颜色相似性的彩色图像分割[J]. 计算机系统应用, 2013, 22(3): 128-131.

[14] 刘志成, 王殿伟, 刘颖, 等. 基于二维伽马函数的光照不均匀图像自适应校正算法[J]. 北京理工大学学报, 2016,36(2): 91-96.

[15] 王跃勇, 于海业, 刘媛媛, 等. 基于形态学图像检测的机械手移栽穴苗识别技术[J]. 光学精密工程, 2016, 24(3):651-658.