基于机器视觉的单组分染液浓度快速检测方法

田宇航， 王绍宗， 张文昌， 张 倩

(机械科学研究总院 先进成形技术与装备国家重点实验室， 北京 100083)

随着自动化技术和数据采集技术的发展，筒子纱染色过程中的染色工艺参数(如时间、温度、压力、pH值、加料曲线等)已经实现数据在线采集与检测,而对染色质量有重要影响的染料上染曲线目前还未有理想的在线检测方式。染料的上染曲线可以反映上染速率，染色质量与染料上染速率高度相关，而后者可以通过染液浓度的分析，简单而有效地精准控制，优化工艺，提高染料和水的利用率，减少污染[1]。

目前常用的染液浓度的检测方法主要是荧光光谱法、高效液相色谱法、分光光度法[2]。荧光光谱法要求待测物有一定的荧光量子产率，工业应用时有一定的局限性[3]。高效液相色谱法(HPLC)是一种实验室常用的检测手段，可以分离出染液的多种组分，但是耗时长且仪器昂贵，一般用于离线的实验室检测试验[4]。分光光度法是一种常用的浓度检测方法，操作相对复杂[5]，该方法基于朗伯比尔定律，通过对吸光度进行检测，与浓度建立关系，并且以此为依据预测染液的浓度[6]。

目前国内染液浓度的检测研究大都处于试验研究阶段，并且主要以分光光度法为研究基础。张建新等[7]将机器学习的算法应用到吸收光谱的分析，提高了染液浓度预测的准确性，对三组分混合染液进行离线的浓度检测，可将相对误差控制在±10%。该团队还研制了一种基于双波长分光光度法的吸光度检测装置[8]，在较大程度上消除了背景干扰，与标准吸光度检测装置的检测结果对比相对误差为±5%。房文杰等[2,9]采用吸收光谱峰面积法和一阶导数法对颜色相近的双组分染液浓度进行了测定，可在有限的配比范围内将测定相对误差控制在±5%，并且使用光纤光谱仪对染色过程中的染液检测进行了初步的探索。国外对染液浓度检测的研究起步较早，Mathis公司与英国利兹大学联合研发的Mathis Smart Liquor染色在线分析仪[10]也是基于分光光度法对染液进行在线检测，可以给出上染率曲线，但由于其价格昂贵、操作复杂，在国内应用较少。

机器视觉方法在染液浓度检测方面还未见广泛应用，但在其他领域已经有浓度检测相关研究，如在黑色素、血红蛋白浓度检测[11]以及叶绿体浓度检测[12]等方面的应用。由于采集的图像颜色可以反映光的变化，而光的衰减量与有色溶液浓度有相关关系。基于这一对应关系，本文提出了一种基于机器视觉的染液浓度快速检测方法，利用机器视觉对颜色的识别能力，参照朗伯比尔定律，建立R、G、B值和染液浓度的关系模型，进而预测染液浓度。本文搭建了视觉采集系统及数据处理系统，以活性染料DRA-3R低碱黄为例，对不同浓度梯度染液进行了模型验证。

1 试验部分

1.1 试验装置

由于有色溶液对光的吸收现象与有色溶质浓度有定量关系，本文提出的基于机器视觉的染液浓度检测装置如图1、2所示。装置包括工业相机(维视数字图像有限公司)、镜头(西安远心光学系统有限公司)、光源及光源控制器(上海嘉励自动化科技有限公司)、检测暗箱、玻璃皿(直径为60 mm,高度为15 mm,材质为高硼硅玻璃)。

图1 基于机器视觉的染液浓度检测装置图Fig.1 Diagram of dye liquor concentration detection device based on machine vision

图2 染液浓度检测装置样机Fig.2 Prototype of dye liquor concentration detection device

本装置设计有暗箱，用于消除外界光照影响，光源分红、绿、蓝3个通道，发射的光分别为波长为750 nm的红色光、波长为460 nm的蓝色光、波长为530 nm的绿色光，每个通道有255个亮度等级，可实现光源颜色的自由调节。

梯度浓度染液配制采用Copower Automatic Dispensing System染液滴定机(宏益科技股份有限公司)。

1.2 试验样品

低碱黄染料(英彩克隆系列DRA-3R)、低碱红染料(英彩克隆系列DRA-3B)、低碱藏青(英彩克隆系列DRA-3G)，约克夏化工控股有限公司；软水。

1.3 试验方法

以低碱黄染料为研究对象，用于不同梯度浓度的染液配制、图像采集以及建模分析。首先用软水作为溶剂，使用染液滴定机配制质量浓度分别为0.04、0.08、0.12、0.16、0.20、0.24、0.28、0.32、0.36、0.4 g/L的低碱黄染液作为建模的试验样品，配制质量浓度分别为0.05、0.1、0.25、0.3、0.35、0.4 g/L的染液作为验证组样品，将软水作为参比溶液。试验开始之前还需要配制0.4 g/L的低碱红染液、低碱黄染液和低碱藏青染液作为标准样品，用于相机的标定，从而消除光源、相机感光差异的影响。

取标准样品各10 mL分别装入直径为60 mm的玻璃皿中，放置于染液检测装置中；将光源条件设置为3个通道均为10；采集图像并保存，提取每个图像中心100个像素点的R、G、B值的平均值作为该样品的R、G、B值，调节光圈、焦距、曝光时间、伽马等相机参数，使3种标准样采集图像的R、G、B值达到表1所示数值。

表1 标准样品R、G、B值Tab.1 RGB values of standard samples

调整好相机参数后，取各个质量浓度的染液及参比溶液各10 mL分别装入直径为60 mm的高硼硅玻璃皿中，放置于染液检测装置中；通过光源控制器调节光源通道和亮度，最后选择4种光源条件分别对染液进行照射、采集图像并保存，提取每个图像中心100个像素点的颜色特征值的平均值作为该样品的颜色特征值，进行模型的建立和验证。

2 结果分析

2.1 颜色系统与光源颜色的选择

在颜色系统选择时，选用了RGB颜色系统。该颜色系统是将每个像素点的R、G、B值设定255个灰度值，按照不同的数值配比混色就可以得到不同的颜色，数值越大，亮度越大[13]。

为方便试验中对光源强度进行梯度调节，拟选定一个光源通道进行试验及模型建立。本文的低碱黄染液样品在自然光条件下显示为黄色透明溶液，说明样品在该光照条件下主要透过黄光，吸收大部分其他光。由朗伯比尔定律可知,溶液吸收光的量与染液浓度之间存在一定关系，利用R、G、B值表征亮度等级即可进行染液浓度的预测，因此，为了使R、G、B值随染液浓度变化的规律性更明显，在选择光源时应该考虑染液对光源的光吸收量较大的色光，针对该黄色染液，吸收量最明显的应该是黄色的互补色光即蓝光。综上分析，将选择与染液颜色互补色光或互补色光的近似色光作为光源条件选择的一般原则。

在实际应用中，蓝色光通道的某一亮度的单通道光可能不是最合适的光，因为该蓝光不一定与该样品透射光的互补色光完全符合，或者染液对互补色光的吸收量过大，导致采集的图像亮度过低无法提取颜色特征值，所以该光源条件下的数据规律不一定是最明显的。而且光源红光单通道发射出的光和绿光单通道发射出的光都有可能被吸收一部分，图像的数据可能符合一定规律，所以需要前期的试验验证光源效果。

试验证明了光源的红光和绿光不适合作为该黄色染液样品的检测光源。图3示出绿光亮度等级为20的光源条件下和红光亮度等级为10的光源条件下对该低碱黄染液的数据拟合结果。从图3(a)看出，该染液对绿光都有少量的吸收，但是吸收量太少而且吸收量与染液质量浓度变化的关系规律性不强。从图3(b)看出,该染液对红光几乎没有吸收。通过多次试验确定蓝光亮度等级为10、15、20、50的光源条件下的吸收规律较为明显，选择染液颜色互补色光作为光源的选择原则基本适用。

图3 采用绿光光源和红光光源时R、G、B值与对应染液质量浓度拟合曲线Fig.3 Relationship between R、G、B value and concentration of dye liquor when light source is green and red. (a) Light source is green(level 20); (b) Light source is red(level 10)

2.2 R、G、B值随浓度变化曲线

根据朗伯比尔定律[14]：

式中：I0(λ)为波长等于λ的光照射样品的光强，cd；It(λ)为波长等于λ的光透过样品后的光强,cd；b为液层厚度,cm；c为溶液质量浓度，g/L；A为吸光度；E(λ)为吸光系数。

将采集的R、G、B值类比为透过样品的光强It(λ)；t1、t2、t3为类比吸光度系数E(λ)的3种系数与光程b的乘积；K1、K2、K3为调整系数。则公式变为

It(λ)=I0(λ)10-E(λ)bc

则将R、G、B值和浓度x拟合为如下方程：

R=K1×10-t1x

G=K2×10-t2x

B=K3×10-t3x

在亮度等级分别为50、20、15、10这4种蓝光光源条件下采集的图像R、G、B值和对应的染液质量浓度拟合的曲线如图4所示。在12条R、G、B值与染液质量浓度的关系曲线中，有5条曲线未完全覆盖染液质量浓度测量范围(0～0.4 g/L)。分析原因可知，在选择的蓝光亮度等级下，对应的G、B检测值超过检测范围而无法全部显示。

在4种不同光源条件下，12条R、G、B值与染液质量浓度关系曲线的拟合结果如表2所示。在蓝光亮度等级15的光源条件下，3条拟合曲线中G值与染液质量浓度的决定系数最大，说明该条件下采集的G值与染液质量浓度的相关程度最高。在同一质量浓度范围内，斜率越大的曲线纵坐标范围越大，对应的颜色特征对质量浓度也越敏感。由图4可知，相同光源条件下，曲线的斜率、可测浓度范围、决定系数可能无法同时达到最优，因此，如果要选择R、G、B值中的任意一组来建立模型预测染液质量浓度，需要考虑曲线模型的决定系数、斜率以及浓度范围，然后进行模型验证。

图4 采用不同亮度等级的蓝光时R、G、B值与对应染液质量浓度拟合曲线Fig.4 Relationship between R、G、B values and dye concentration when light source is blue with different level. (a) Level 50; (b) Level 20; (c) Level 15; (d) Level 10

表2 R、G、B值与染液质量浓度的回归方程及决定系数Tab.2 Regression equations and determination coefficients between R、G、B value and concentration of dye liquor

3 线性模型建立与验证

3.1 线性模型建立

根据朗伯比尔定律[14],将采集的R、G、B值类比为透过样品的光强It(λ)，则将R、G、B值和染液浓度x拟合为如下方程：

式中：R0、G0、B0值分别为直接进行软水的图像采集后提取的RGB值；R、G、B值分别为进行不同浓度染液的图像采集后提取的RGB值；k1、k2、k3为系数；δ1、δ2、δ3为常数项，是对其他各个解释变量所留下的偏误的线性修正。

线性模型的建立只需要每个光源的R、G、B这3组数中的1组即可完成单个模型的建立，数据组的选取是根据图4中各个光源条件下R、G、B这3条曲线的变化规律确定，选取质量浓度范围为0～0.4 g/L、斜率较大并且决定系数也较大的曲线拟合所用数据组，以获得精度较高的模型。因此，在蓝光亮度等级为50的光源条件下，选择R值与浓度对应的数据组进行线性拟合；在蓝光亮度等级为20、15、10的光源条件下，选择G值与浓度对应的数据组进行线性拟合，回归方程及决定系数如表3所示，建立的模型均具有较高的决定系数。

表3 线性回归方程及决定系数Tab.3 Equations of linear regression and determination coefficients

杨海燕等[15]也采用了类似的建模方法，利用扫描仪采集图像，进行了稻米直链淀粉含量检测实验，结果表明检测精度较高。这种线性模型的特点是可以选择规律性更强的数据组进行建模，但是对已知数据利用率较低。

3.2 线性模型验证

用未参与建模的6组染液浓度数据对4个线性模型进行模型检验，表4示出线性模型的验证结果。可以看出，4组线性模型中染液浓度预测精度较高的是蓝光光源亮度等级为10的条件下建立的模型，最大相对误差绝对值为6.60%，平均相对误差的绝对值为3.45%，最小相对误差绝对值为0.14%。

表4 线性模型验证结果Tab.4 Results of liner model verification

4 最小值模型建立与验证

4.1 最小值模型建立

在一定光源条件下，每组染液浓度对应3组值，分别是R、G、B值，最小值模型公式为

f(x)=[R(x)-R]2+[G(x)-G]2+[B(x)-B]2

式中,f(x)表示输入的R、G、B值与x对应的R(x)、G(x)、B(x)的总偏差。当f(x)最小时，说明x对应的R(x)、G(x)、B(x)与该组R、G、B值最接近，此时x最为接近实际值，所以通过数值方法求出f(x)最小时的x值，即为该模型的染液浓度预测值。

每个光源条件下都可以得到一个模型，这种建模方法的特点是：可以同时利用R、G和B值与浓度的关系，兼顾了每个曲线模型的优势，对数据利用率高，模型的容错性较好。

4.2 最小值模型验证

用未参与建模的6组染料质量浓度数据对4个最小值模型进行模型验证，验证结果如表5所示。将光源设定为亮度等级为50的蓝光，预测染液浓度的准确度最高，最大相对误差绝对值为5.20%，平均相对误差绝对值为3.35%，其预测准确度高于线性模型。

表5 最小值模型验证结果Tab.5 Results of minimum value model verification

蓝光光源亮度等级为50时采集图像数据建立的3个回归方程的决定系数平均值最小(见表2)，但是模型检验的结果准确度最高，验证了2.2节中提出的观点：不能只依靠决定系数来判断模型预测染液浓度的准确性，还应该考虑到拟合曲线的斜率;斜率越大，该曲线R、G、B值对染液浓度更敏感。

综上分析，在建模时，无论是最小值模型还是线性模型，从R、G、B值和染液浓度的关系图来看，首先要保证模型能够覆盖检测范围，然后再选择决定系数和斜率较大的对象进行建模。

5 结 论

本文提出了一种基于机器视觉的单组分染液浓度快速检测方法。对由低碱黄染料配制的染液样品，进行了不同光源条件下的图像采集以及数据分析，建立了4组R、G、B值和染液浓度的关系模型，再结合不同的数据拟合方法，建立了8种染液浓度预测模型，讨论了不同光源和不同数学模型对染液浓度预测结果的影响，通过对模型预测结果最大相对误差绝对值和平均相对误差绝对值的综合比较，认为在亮度等级为50的蓝光光源条件下建立的最小值模型对染液浓度的预测结果最准确。该模型最大相对误差绝对值为5.20%，平均相对误差绝对值为3.35%。本研究中的基于机器视觉的染液浓度检测方法采用的检测装置结构简单，检测速度快，与传统的染液检测方法相比有较大的优势，为染液浓度在线检测系统研究提供了技术支持。

印染行业的实际生产过程中为了满足不同客户对产品颜色的不同需求，一般会采用2种或3种染料拼染的方式进行染色，这对染液浓度的在线检测提出了挑战，本文研究仅建立并验证了能够实现单组分染液浓度快速检测的模型，今后还需要进一步研究建立双组分和多组分的染液浓度检测模型。