织机钢筘筘齿间距检测系统研究

孙俊然 周建 潘如如 高卫东

摘要： 为了解决织机钢筘筘齿数量多，难以准确检测钢筘筘齿间距分布，造成后续织造过程中出现布面疵点的问题，文章提出基于机器视觉的织机钢筘筘齿间距检测系统，用于检测钢筘筘齿总数和筘齿间距。首先，用自行设计的图像采集系统，获取钢筘图像;然后，利用SIFT算法根据特征点相似度进行图像拼接;最后，利用图像分析方法对钢筘图像中的筘齿总数和筘齿间距进行测量。实验结果表明：检测系统能够准确检测钢筘筘齿总数及筘齿间距分布，作为织机钢筘质量评价提供客观依据;相比于人工检测，机器视觉检测系统检测具有精度高、效率高、稳定性好等优势。

关键词： 筘齿间距;织机钢筘质量;图像拼接;机器视觉;钢筘检测

中图分类号： TS103.824

文献标志码： A

文章编号： 10017003（2020）10004305

引用页码： 101108

DOI： 10.3969/j.issn.1001 7003.2020.10.008（篇序）

Research on reed dent space detection system of loom

SUN Junran， ZHOU Jian， PAN Ruru， GAO Weidong

（Key Laboratory of Eco Textiles， Ministry of Education， Jiangnan University， Wuxi 214122， China）

Abstract：

In order to solve the problem that the reed dent space distribution is difficult to accurately detect due to the large number of reed dents in the loom， which leads to fabric defects in the subsequent weaving process， this article presents a reed dent space detection system based on machine vision to detect the total number of reed dents and the reed dent space of the loom. First， the reed image was obtained by the image acquisition system designed by the user. Then， the SIFT algorithm was used for image stitching according to the similarity of characteristic points. Finally， image analysis method was applied to measure the total number of reed dents and the reed dent space in the reed image. The experimental results show that， the detection system can accurately detect the total number of reed dents and the reed dent space so as to provide objective basis for evaluating reed dent quality of the loom. Compared to manual detection， the machine vision detection system has the advantages of high precise， high efficiency and good stability.

Key words：

reed dent space; loom reed quality; image stitching; machine vision; reed detection

收稿日期： 20200119;

修回日期： 20200916

基金項目： 中央高校基本科研业务费专项资金项目（JUSRP51907A）;江苏高校优势学科建设工程资助项目（苏政办发〔2014〕37号）

作者简介： 孙俊然（1993），女，硕士研究生，研究方向为基于图像处理的纺织智能检测。通信作者：高卫东，教授，gaowd3@163.com。

织机钢筘是织造工艺中重要的器材之一，其作用是在织造过程中将纬纱打向织口，保证经纱按织物组织与纬纱交织，并使织物达到预定的经纱密度和幅宽。钢筘在织造过程中经高频摩擦及剧烈打纬作用，筘齿间距发生变化，严重时改变其原本筘号，影响产品质量。因此，需要对钢筘进行定期质量检测。钢筘质量一般采用筘齿总数和筘齿间距进行衡量，其检测一直是纺织业的难点之一。单个钢筘的筘齿数一般在3 000以上，传统依赖人工视觉进行检测的难度较大，且人工检测耗时费力，效率低下。

目前对钢筘筘齿质量检测主要采用压力法[1]、光电法[2 4]。张新华等[1]提出了一种基于压力传感器的检测方法，但由于是接触性测量的方式，不适合反复操作。同时，该团队也提出了一种新型智能的钢筘质量检测方法[2]，通过将光敏传感单元与气压传感单元相配合的使用，解决了钢筘的筘齿数量检测问题，但未解决筘齿间距检测的问题。谢嘉宁等[3]提出了光电定位钢筘的检测方法，利用发光极管发射出的光线入射筘板得出与筘齿筘隙物理分布有关的光信号，经微处理单元处理，检测出筘齿筘隙物理分布状况，但精确度不高。虽然这几种方法都能在一定程度上实现钢筘质量的有效检测，但未能精确地得到钢筘筘齿总数和筘齿间距。

近年来，基于机器视觉的研究[5 9]已经在图像拼接、图像融合、场景模拟、对象检测与识别等方面取得了广泛的应用。采用机器视觉取代重复单调的人工视觉检测场合已成为智能制造发展的必然趋势，除了具有提高生产的灵活性和自动化程度的优势，还可以在重复性生产过程中大幅度提高生产效率。为此，本文将机器视觉方案应用于织机钢筘质量检测，提出了一种基于机器视觉的钢筘筘齿间距检测系统，实现对筘齿的精确定位，得到筘齿数量与筘齿间距分布，为钢筘筘齿质量评价提供客观依据。

1 图像采集

本文使用相机型号为大恒MER 132 30GC（中国大恒（集团）有限公司）与镜头型号为ComputarMLM 3X M（日本CBC板式会社）的图像传感器进行图像采集，并通过数据线传递给工控机。其中，图像采集帧频为6帧/s，图片大小为1 292像素×964像素，图像分辨率为2 077 ppi。采集前后两帧图像的重叠部分占单帧图像的1/3。图像采集装置的整体结构如图1所示。

图1中，水平导轨通过支撑杆水平固定在机架上方且与地面平行，光源用于采集图像时提供光亮度;喷气管的作用，一方面用于清除钢筘表面的飞花，另一方面便于检测松弛的筘齿。启动工控机，压力辊给予钢筘一定的压力，使钢筘在滑

辊与传动辊的牵引下匀速运行;相机固定在暗箱中，镜头垂直向下，负责将全尺寸待测钢筘的图像采集到计算机中并存储，采集的单帧图像如图2所示。

2 图像分析

筘齿图像分析主要包括特征点提取、图像拼接两大步骤。为了获得完整的待测钢筘图像，本文将采集完成的单帧图像根据特征点相似度的匹配方法进行图像拼接，采用SIFT算法对图像进行拼接，去除图像重叠的部分[5 6]。

传统图像拼接算法是选定一张图像的一个区域作为模板，然后利用模板匹配算法去另一张图像中查找拼接的位置。经实验后发现，传统的模板匹配方法具有一定的局限性，其主要原因是钢筘筘齿本身的材质比较光滑，筘齿的外观特征非常相似，一定区域内筘齿数量也基本相同。以图3为例，若以图3（a）为模板，图3（b）中会出现多处与图3（a）相似的模块，导致出现多種匹配结果。由此可知，传统应用模板匹配方法并不适应于钢筘筘齿图像的拼接。为此，本文根据钢筘图像本身的特点，提出一种基于特征点的图像拼接算法，其具体步骤如下。

2.1 特征点提取

本文采用SIFT算法进行特征点的提取，该算法进行特征点提取具有旋转不变性，还有一定的抗光照变化和抗视点变换性能[7 9]。

首先将待处理图像转化为灰度图像，然后使用式（1）和式（2）对图像进行高斯卷积处理。

G（x，y，σ）=12σ2exp-（x2+y2）2σ2（1）

式中：G（x，y，σ）是均值为0，方差为s2的正态分布。

由图像与高斯函数进行卷积得到不同尺度下的尺度空间。

L（x，y，σ）=G（x，y，σ）×I（x，y）（2）

在获得卷积后图像L后，使用式（3）建立尺度空间。

D（x，y，σ）=[G（x，y，kσ）-G（x，y，σ）]×I（x，y）=L（x，y，kσ）-L（x，y，σ）（3）

式中：k为固定的系数。

将图像用多尺度空间表示，便于查找每一个尺度空间中的极值点，得到极值点所在像素的位置。

将高斯差图像中的每个像素与它的邻域、它对应上一层图像的邻域、对应下一层图像的邻域一共26个像素点进行比较，如其值为最大或者最小，则记录此点的位置和它所在的尺度，作为特征点。以一张筘齿图像的特征点提取为例，效果如图4所示。

为了计算SIFT特征点描述子，首先计算特征点主方向，使检测到的特征点具备旋转不变性，特征点主方向的计算如下：

m（x，y）=（L（x+1，y）-L（x-1，y））2+（L（x，y+1）-L（x，y-1））2θ（x，y）=tan-1L（x，y+1）-L（x，y-1）L（x+1，y）-L（x-1，y）          （4）

式中：L（x，y）为特征点（x，y）的梯度，m（x，y）为特征点（x，y）的梯度模量值;θ（x，y）为特征点（x，y）的梯度方向。

以特征点为中心对梯度模值进行高斯加权，选取一个以特征点为中心的16×16个像素点的窗口，并将该窗口划分为4×4个包含4×4个像素点的子窗口，然后使用梯度直方图统计每个子窗口内8个方向的梯度，最终形成具有较好鲁棒性的128维特征向量[10]。

2.2 特征点匹配

找出图像特征点后，根据特征点的对应关系，将相机连续拍摄的单帧图像进行无缝拼接，得到一张完整的待测钢筘图像，其特征点匹配流程如图5所示。首先提取相邻前后两张图像的特征点;然后以前一张图像A为参考，在图像A上选取一个特征点，计算出其与后一张图像B上所有特征点之间的余弦角度值θi;然后找到最小角度θ1和次小角度θ2，如果两者之比小于指定的阈值ε（本文取值为0.6），则认为最小角度对应的图像B中特征点与参考图像A中的特征点相匹配;最后根据上述操作遍历参考图像中的所有特征点，从而完成特征点的初始匹配[10]。

根据两个相邻图像之间的位置关系，正确的匹配点必须满足不共线的要求。为此，使用随机抽样一致性算法（RANSAC）剔除伪匹配点对，计算单应性矩阵，并获得特征点的精确匹配对，进行图像的无缝拼接。图6为特征点的匹配示意，图7为图像A与图像B的拼接结果。

3 结果与分析

3.1 筘齿计数与统计

实验共选用10根钢筘，其中所用钢筘的规格参数如表1所示。相机设置为焦距35 mm，曝光时间为1/100 s，算法的实现采用Matlab（2012b）编写。

3.1.1 筘齿计数

为验证本文提出的图像拼接算法的效果，采用筘齿计数算法，测定拼接图像中的筘齿数量。筘齿计数的准确性可反映图像拼接的效果，本文采用的筘齿计数算法如下。

灰度图像中筘齿的灰度值比背景高，筘齿区域偏亮，筘齿间隙区域偏暗，且偏差很大。因此，首先对图像进行二值化处理，将图像上像素点的灰度值转化为0或255，接着通过统计跳跃点个数，很容易实现钢筘筘齿数的准确统计。以图6为例，取图像中间一行像素，从图像起始点记起，每个像素的灰度值为f（i），其中，i=0，1，2，…，N-1（N为图像宽度，以像素为单位），当系统从左向右扫描时，若f（i-1）=0，f（i）=0，f（i+1）=255，f（i+2）=255，…，f（i+n）=0，则该点记为一个跳跃点，检测系统则记为1片筘齿。以此类推，设筘齿片数为n（初始为0），系统从左向右依次扫描，每检测到1片筘齿，n则累加1次，最终统计出所有筘齿数。本文将基于模板匹配的算法（皮尔逊系数）与本文算法进行图像匹配，同时对实际筘齿数目为5 440片编号为2#的钢筘进行筘齿数计数，比较结果如表2所示。

本实验以模板匹配方法为对照，对比比较筘齿计数结果的准确率差异。由表2可见，在相同实验条件下，模板匹配方法获得的筘齿技术误差率最高达到1.25%，且稳定性较差。相比之下，本文提出的基于SIFT算法进行图像匹配的方法误差率控制在0.02%以下。上述结果反映了传统的模板匹配图像拼接算法准确性及稳定性较差，其主要原因：模板匹配只能够进行左右或者上下的平行移动，具有一定的局限性;且模板匹配对于光照强度的变化较敏感。相较而言，本文提出的SIFT算法具有旋转不变性，抗光照强度的特点，可有效避免传统模板匹配算法在图像匹配方面的不足。由此可知，本文提出的SIFT算法对钢扣图像的拼接问题具有更高的适应性。

3.1.2 筘齿间距检测

本文采用一种筘齿间距检测算法，其主要步骤包括筘齿定位与间距测量。筘齿定位算法与3.1.1中筘齒计数算中的筘齿定位算法相同，记二值图像中的跳跃点位置为筘齿位置;完成筘齿定位后，计算相邻筘齿之间的像素距离，并以图像采集分辨率将像素距离映射至实际物理距离，即实现筘齿间距的检测。通过筘齿定位算法，可定位异常筘齿的位置。对拼接后的钢筘图像实施上述筘齿间距检测算法，即可获得所有相邻筘齿的实际距离，并按顺序进行存储。

在本文算法中，对于间距在正常间距以外的筘齿，间距大小依次进行排列，可直观看出筘齿间距的分布情况。本文以钢筘编号为2#的钢筘为例，仅列出前10个数据，筘齿间距数据从大到小排列和筘齿间距数据从小到大排列如表3所示。从表3数据可以看出，该钢筘筘齿的正常间距是0.58 mm，检测到大于0.58 mm的异常筘齿有3个，小于0.58 mm的异常筘齿有3个。上述结果表明，本文检测系统能够实现对筘齿间距的检测，且将检测结果按照筘齿间距递增或递减排列，有利于统计筘齿间距分布，为正确评价钢筘质量提供保障。

3.2 结果比较验证

3.2.1 实验结果的准确性

为了验证实验结果的准确性，将本文方法测得异常筘齿位置及间距与人工所测实际结果相比较，结果如表4所示。表4展示了对比实验的结果，数据中展示了该钢筘中所有间距异常筘齿的筘齿间距及位置，实验所用的钢筘为编号为2#的钢筘，已知该钢筘筘齿理论间距为0.58 mm。从表4可以看出，人工测量位置与本文算法所测的位置，偏差值控制在5 mm以内，已可以满足实际应用的需求。造成此微小偏差的原因主要是钢筘起始位置的筘片通常存在弯曲及间距过密的情况，以及人工测量中存在的不可避免的较小偏差。

3.2.2 算法的稳定性

为了验证本文所用算法的稳定性，选取2根钢筘，人工标记其疵点位置，采用本文所提出算法对其进行多次重复测量。重复测量结果的一致性可反映本文算法的稳定性，实验结果如表5所示。从表5数据可以看出，本文算法具有很强的稳定性。

4 结 论

本文提出了一种基于机器视觉的钢筘筘齿间距检测系统，通过用自制的图像采集装置获取筘齿连续图像，采用SIFT算法进行特征点提取、图像匹配，得到完整的待测钢筘图像，最后通过统计像素点个数，结合图像分辨率的大小，实现对筘齿数目及筘齿间距进行精确的测量。实验结果表明：1）所提出的检测系统能够实现平筘和异性筘的筘齿间距的准确检测;2）相比于人工目测法，利用机器视觉检测钢筘筘齿间距具有效率高、稳定性好及操作简单等优势，能为钢筘质量客观评价提供依据。

参考文献：

[1]张新华， 张若煜. 一种钢筘检测仪： CN202661109U[P]. 2013 01 09.

ZHANG Xinhua， ZHANG Ruoyu. A steel flaw detector： CN202661109U[P]. 2013 01 09.

[2]张新华， 张若煜. 一种钢筘检测仪及其检测方法： CN102749103A[P]. 2012 10 24.

ZHANG Xinhua， ZHANG Ruoyu. A steel flaw detector and its detection method： CN102749103A[P]. 2012 10 24.

[3]谢嘉宁， 刘炼祥， 陈国杰， 等. 穿筘机穿筘的光电定位系统： CN102733054A[P]. 2012 10 17.