图像自动识别与采集技术在麻/棉织物检测中的应用

2020-06-20万小蕙夏正球

纺织检测与标准 2020年3期

潘全，万小蕙，夏正球

（湖北省纤维检验局，湖北武汉430061）

0 引言

麻棉混纺产品因兼具了麻、棉纤维各自的优点，不但低碳环保、透气性好、舒适性强，而且具有独特的凉爽感，与当下纺织服装流行趋势相吻合，受到越来越多消费者的青睐。纤维成分作为纺织品测试的重要质量指标之一，在纺织工业、商品交易和国际贸易中有极其重要的地位。对于麻/棉混纺类产品，由于同属化学性质相似的纤维素纤维，无法采用常规的化学溶解法测定其混纺比例，但可采用显微镜的方法进行鉴别[1]。在2020年之前，国内常用于麻/棉混纺产品检测的相关标准为FZ/T 30003—2009《麻棉混纺产品定量分析方法：显微投影法》和SN/T 0756—1999《进出口麻/棉混纺产品定量分析方法：显微镜投影仪法》（已于2019年12月31日作废）。这两个标准方法主要借助于人工目光进行识别，存在人工成本高、检测周期长、易产生误差等问题，已很难满足大批量出口和日常贸易的快速检测需求[2]。

本文主要针对不同种类麻/棉样本，采用基于图像处理的自动识别与采集分析系统和人工检测的结果进行比对分析，对该智能系统的准确度、重复性及稳定性进行验证。

1 试验

1.1 处理系统的工作原理

1.1.1 技术原理流程图

基于图像处理的麻棉自动识别与采集分析系统包括控制模块、算法模块和试验结果管理模块，分析装置通过控制单元控制XYZ高精度电动平台Z轴聚焦，同时沿X轴、Y轴方向联动平移，实现自动三轴全覆盖场景扫描，采集针对麻、棉纤维纵向截面形态的显微清晰图像，由算法模块进行特征目标自动提取、测量、识别和计数，通过试验结果管理模块记录数据并输出纤维成分结果报告。技术原理流程图详见图1。

1.1.2 纤维图像的提取和识别

通过控制模块采集到的高清图像预处理后，输入到后台算法模块，算法模块调用全局清晰度判别算法单元，通过图像梯度信息计算出对应被测图像清晰度值，判断当前场景对应扫描采样中最清晰的图像，然后输出图像清晰度判别结果。

1.1.2.1 清晰度判别算法

其中：和分别是语言变量Rij和对应的三角模糊数，当Rij≻时，Fij表示Rij相对于获得的收益，Rij越优，获得的收益越大；当Rij时，Fij表示Rij相对于产生的损失，Rij越劣，产生的损失越大；当时，Fij表示Rij相对于既无获得收益也无产生损失。

首先，计算图像水平方向梯度gx和垂直方向梯度gy,然后通过水平方向梯度和垂直方向梯度按式（1）计算梯度图，并按式（2）计算梯度方向。最后，将得到的sobel梯度图彩色图像转为黑白图像。由于图像梯度去除了很多不必要的信息（如不变的背景色），加重了轮廓，通过比较梯度图可得到轮廓最明显的图像，也是最清晰的图像xi。

1.1.2.2 有效场景判别算法

通过深度学习网络模型，分析判别场景是否有效。具体包括：图像预处理，即将清晰度判别中最清晰的图像通过填充的方法得到训练样本；图像识别，即通过训练样本构建Resent-18的模型进行图像识别；模型训练，即先将测试数据输入到经过训练后的模型中，获得预测目标类别（简单样本、复杂样本和背景样本），然后将复杂样本和背景样本留存，将得到的简单样本直接输入算法模块的目标定位算法单元中。

1.1.2.3 目标定位算法

目标定位算法单元通过Mask RCNN深度学习网络模型，分析定位纤维目标位置信息，并输出有效场景上对应目标的定位结果和轮廓信息，其定位的效果图详见图2。

1.1.2.4 纤维提取算法

当得到纤维目标区域后，由于纤维大小位置及存在的交叉问题，需通过纤维提取模块得到每根纤维。先由Mask RCNN得到每张图像上纤维的掩码轮廓，再建立与原图相同大小的mask图像。由于每张图像中存在大小各异的不同纤维，甚至出现交叉，因而需将图像转化为二值图，并将其中一根纤维区域的像素值设置为1（白色），其他区域的纤维像素值设置为0（黑色）；将原图与掩码图进行运算得到结果图，即将交叉部分分离，得到单根纤维的掩码图；同理，其他位置的纤维依次进行分离，得到每一根纤维的掩码图；用每根纤维的轮廓计算纤维的面积，通过先验值筛掉大小不合适的纤维。以3×3图像为例，结果图像如图3所示。

1.1.3 输出判别结果

当后台算法模块得到纤维目标定位算法单元输出的结果后，调用局部清晰度判别算法单元，通过局部目标图像梯度信息计算出局部被测图像清晰度值，判断当前场景对应扫描采样中最清晰的纤维目标，并输出局部清晰判别结果。

1.1.4 统计查询和报告导出

算法模块分析完成后将分析结果输入到结果管理模块，结果管理模块将对应试验结果写入到对应的试验编号数据库存储。当试验完成后，可在数据查询页面下查询到相应的试验结果，并可输出试验报告。