机器视觉在茧形态检验中的应用研究

桑蚕茧质量与生丝乃至绸缎产品的质量都有着直接的关系，在能够反映桑蚕茧质量的诸多技术指标中，感官检验仍为主要的检验方式，如茧形态试验即是如此。在实际缫丝生产中，茧色影响丝色，缩皱的粗细影响解舒的难易，茧形态检验结果的准确性受检验人员技术水平和心理状态等因素的影响程度较大。

机器视觉作为人工智能快速发展的一个分支，正在越来越多的行业得到广泛应用，使用机器视觉代替人工视觉进行桑蚕茧质量的检验，将大大提高检验结果的准确性和质量检测的供给水平，并能够适应当前“互联网+”与“检验检测智能化”发展的大趋势。近年来，国内有学者已在实用新型生丝黑板检测系统[1]、织物疵点检测技术[2]、选茧辅助检验和茧幅度检验方法[3-4]、织物组织识别[5]等方面，将图像处理和机器视觉等技术应用于丝绸行业方面已做了一些研究。本文将对机器视觉应用于茧形态检验中的茧色和缩皱的自动识别进行探讨。提出了基于HSV模型的颜色识别方法实现了桑蚕茧茧色的自动识别，基于Tamura纹理特征的提取方法发现了纹理特征参数与缩皱粗细程度间存在的规律性关系。通过试验，结果显示该茧色识别方法，对茧色为基本色的自动识别准确率较高，而利用纹理特征参数与缩皱粗细程度间的规律性关系，为桑蚕茧缩皱的智能化判别提供了一个思路。

1 试验

1.1 材料与仪器

1.1.1 材料

桑蚕茧（不同颜色的桑蚕干茧样品a、b、c、d四类，缩皱为较粗、适中、较细的桑蚕干茧样品e、f、g三种）。

1.1.2 仪器

电脑(联想启天M6500-D756，Intel®Core™i7-4770 cpu@3.40GHz处理器，8G内存，Windows7操作系统)，手机（华为技术有限公司，KNT-AL20），相机（尼康株式会社，D3300），暗室（海宁市硖石永兴丝业机械厂，HBDJ-B型），图像处理软件（MATLAB R2018b），无反光深色背景板。

1.2 方法

1.2.1 图像采集

由于物体的颜色是由光线在物体上被反射和吸收的情况决定的，所以为了减少光线对所测物体颜色的影响，图像采集的地点为蚕丝黑板检验用暗室。为减少背景板光线反射对所测物体颜色的影响，背景板为深色无反光背景板。为提高运算速度，用于茧色自动识别的a、b、c、d四类样品采用手机拍摄彩色图像，图像尺寸为3968dpi×2976dpi；为得到样品更加清晰的纹理特征，用于缩皱自动识别的e、f、g三种样品采用相机拍摄彩色图像，图像尺寸为6000dpi×4000dpi。图像均为JPG格式文件。不同颜色和不同缩皱粗细程度样品的采集图像见图1和图2。

图1 不同颜色样品的采集图像

图2 缩皱粗细程度不同的样品采集图像

1.2.2 预处理

1.2.2.1 茧色识别

桑蚕茧的茧色在图像中的特征为颜色特征，为得到所拍摄桑蚕干茧的整体颜色，需要将干茧的轮廓从图像中单独提取出来，为此需进行相应的预处理。首先将得到的彩色图像转换为灰度图像，再将灰度图像转化为二进制图像后，通过删除小面积对象除去图像中噪声，再通过开闭运算、高斯滤波、中值滤波、空洞填充等处理后，获得被拍摄桑蚕茧的轮廓，则轮廓内部区域为特征提取区域。

1.2.2.2 缩皱识别

桑蚕茧的缩皱在图像中的特征为纹理特征，为尽可能多地提取出缩皱的纹理特征参数，需要找到图像中每粒桑蚕茧样品的最大内接矩形。在获得桑蚕茧的轮廓后，首先在轮廓内部寻找面积为最大的内接矩形，并得到这个矩形与x方向的夹角，然后将图像按得到的夹角进行旋转，再把最大内接矩形进行裁剪后另存为特征提取所需图像。

1.2.3 特征提取

1.2.3.1 茧色识别

在RGB模型和HSV模型等数字图像处理常采用的模型中，RGB被广泛应用于彩色监视器和彩色视频摄像机，而HSV有着比RGB更加接近人类的经验与彩色感知的优点，HSV的彩色描述对人来说是自然且非常直观。所以在得到特征提取区域后，遍历图像上的每一个像素点，如果像素点在特征提取区域内，则将此像素点的RGB转换为HSV颜色空间，并获取此像素点的H、S、V分量。在全部提取完毕后，分别计算特征提取区域内H、S、V分量的平均值，以平均值作为被测样品的整体颜色的分量。

1.2.3.2 缩皱识别

在进行纹理特征提取时，灰度差分统计（GLDS）、Tamura纹理特征、灰度共生矩阵（GLCM）、局部二值模式（LBP）、gabor变换、Laws纹理测量等都是常用的特征提取方法。本文使用GLDS和Tamura两种方法对纹理特征参数进行提取，其中：GLDS法分别计算平均值、对比度、熵三个参数，Tamura纹理特征分别统计对于图像检索尤其重要的三个分量[6]中的粗糙度（Coarseness）、对比度（Contrast）两个分量。

2 结果与分析

2.1 茧色识别

色彩可分为有彩色和无彩色两大类，其中：有彩色包括了红、橙、黄、绿、青、蓝、紫等7种基本色，无彩色可分为黑、白、灰3种。为实现上述基本颜色的自动识别，需确定各基本色H、S、V分量的范围，通过试验计算的模糊范围[7]见表1。根据特征提取区域的H、S、V平均分量，对照表1进行桑蚕干茧颜色的自动识别。

表1 HSV基本颜色分量范围

根据以上方法，对a、b、c、d四类样品依次进行图像采集、预处理、特征提取和结果处理后，得到表2中所述的相关参数，参照表1中各分量的范围进行样品颜色的自动判定，得出a、b、c、d四类样品的颜色分别为红色、黄色、绿色和白色。处理效果图见图3～图6。

表2 试验参数及判定结果

图3 a样品效果图

图4 b样品效果图

图5 c样品效果图

图6 d样品效果图

2.2 缩皱识别

根据以上方法，对e、f、g三种样品依次进行图像采集、预处理、特征提取后，得到表3中所述的GLDS和Tamura纹理特征相关参数。从表3可以看出：采用GLDS方法时，平均值、对比度、熵3个参数与缩皱的粗细没有规律性关系，采用Tamura时，粗糙度和对比度两个参数均与缩皱粗细存在规律性关系。处理效果图见图7～图9。

图7 e样品效果图

图8 f样品效果图

图9 g样品效果图

2.3 结果验证

为验证茧色识别的准确性，使用Windows7自带的画图软件制作了17幅底色均为黑色、不同颜色的圆的图像，图像的尺寸为400pdi×300pdi，使用此方法分别进行了验证。验证图片见图10，验证结果见表4。

图10 验证图片

3 结语

1）茧色识别的准确率较高，可识别的颜色种类限于基本色。在17幅测试图片中，准确识别的为16幅，准确率为94.1%，识别不一致的情况为浅黄色被识别为橙色。除基本色以外的其他更多颜色的HSV颜色分量尚无准确的范围，还需要更多的试验来确定，导致可自动识别的颜色限于基本色，而且茧色自动识别的准确性受光线的影响较大。

2）通过Tamura纹理特征提取方法统计的纹理特征参数与桑蚕茧缩皱的粗细存在规律性关系。其中：缩皱较粗的粗糙度参数较大，同时对比度参数较小；缩皱较细的粗糙度参数较小，同时对比度参数较大；缩皱适中的粗糙度和对比度两个参数均居中。缩皱粗细的判定效果除了因不同的纹理特征提取方法而不同外，还较大程度上受图像的分辨率、光照、反射等因素的影响。

表3 试验参数及判定结果

表4 验证结果