基于改进帧间差分法的经纱撞筘拥纱在线检测

夏旭文， 孟 朔， 潘如如， 高卫东

(生态纺织教育部重点实验室(江南大学)， 江苏 无锡 214122)

浆纱是纺织行业织造前一个重要的准备工序，浆纱赋予经纱抵御外部复杂机械力的能力，提高经纱的可织性，保证织造过程的顺利进行[1]。经纱在伸缩筘断裂形成拥纱，是浆纱过程中一个常见问题，其产生的主要原因有：经轴内有回纱或飞花附着，或伸缩筘处有浆皮堵塞；浆槽内蒸汽过大，浆纱被冲乱或粘并在一起；浆纱分绞不清，突然停车，经轴上的经纱形成“小辫子”[2]。若撞筘拥纱现象未及时发现，会增加浆纱机停台率，增大经纱的损耗，还会使后织生产中产生布面疵点，降低品质。目前，企业应对此类问题普遍采用人工进行巡查的方法，但是人工检测会增加工人劳动量，降低生产效率，影响企业效益[3]。因此，纺织企业迫切需要一套准确高效的浆纱撞筘拥纱实时自动检测系统。

随着信息技术的发展，机器视觉检测技术具有非接触、响应快、现场抗干扰能力强等特点[4]，这给自动检测提供了新的方法和手段。将机器视觉技术引入浆纱撞筘拥纱检测中，能够很好地满足其对灵敏度和可靠性的要求。王振亚等[5]提出了一种应用光流法的目标检测算法，但是该算法易受光源、阴影变化的影响。苏佳等[6]提出了一种应用传统帧差法进行目标检测的方法，具有较好的实时性，但易出现目标边缘不连续的问题。DAI等[7]提出了应用背景减除法来检测移动目标，但是该算法对背景建模及其更新要求较高。

目前采用机器视觉方法实时监测撞筘拥纱的研究还很少，没有检测撞筘拥纱的专用算法。本文研究开发了一种基于改进帧间差分法的经纱撞筘拥纱实时自动检测系统。首先，开发了一套图像采集设备，利用监控设备捕获经纱通过浆纱机筘齿时的图像，再通过高斯模糊和改进帧间差分法进行图像处理，判断经纱撞筘拥纱情况，以期为实际工业生产提供指导。

1 图像采集系统的构建

本文旨在建立浆纱机经纱撞筘拥纱实时自动检测系统。受不同类型浆纱机幅宽和机台高度不一的限制，固定的图像采集系统适应性有限，因此本文设计开发了一种可适应不同类型浆纱机的撞筘拥纱现象实时图像采集系统，该系统的示意图如图1所示。横梁可纵向自由调节以适应不同高度，两侧立柱可横向自由调节以适应不同的工作幅宽。本文创新地引入监控设备来作为图像采集设备，监控设备与普通相机相比，存储量大，摄像头视野调节范围大，成本低。监控设备采用海康威视DS-2SC3Q120IY无线云台监控设备，分辨率为200万，采集帧率30帧/s，监控摄像机固定在横梁上。由于浆纱机工作过程中会有细微的振动，为避免这种细微振动对图像采集的影响，整个图像采集系统不与浆纱机接触。调试并固定横梁高度及监控设备位置为距经纱平面70 cm， 使得监控设备可以采集到覆盖了完整经纱区域的清晰图像。单幅图像的尺寸为1 920像素×1 080 像素，单个摄像头监测幅宽为130 cm。 图2为采集到的部分浆纱图像示例，检测幅宽为70 cm，浆纱根数约为300根。

图1 图像采集系统Fig.1 Image acquisition system. (a) Schematic diagram of image acquisition system; (b) Monitoring equipment module

图2 采集的部分经纱图像Fig.2 Part of collected warp images. (a) Warp passes through reed normally; (b) warp yarn collides with reed

2 经纱撞筘拥纱实时检测

在浆纱机运行状态下进行图像采集，经纱撞筘拥纱实时自动检测分以下几个步骤完成:1)对初始图像进行图像裁剪；2)使用高斯模糊对裁剪后图像进行平滑处理；3)运用改进帧间差分法对平滑后的图像进行差异识别和目标检测；4)经纱撞筘拥纱判定。

2.1 图像裁剪

由于撞筘拥纱现象仅发生于浆纱机筘齿处，因此为了排除筘齿以外无关区域带来的干扰和减少程序运行的时间，对初始图像进行裁剪只保留筘齿区域。裁剪后的图像可以在排除纱线抖动产生干扰的同时，获取经纱通过筘齿完整图像。裁剪过后的待检测图像尺寸为1 180像素×310像素，如图3 所示。

图3 裁剪后图像Fig.3 Cropped image

2.2 图像平滑

检测过程中，经纱的运动对撞筘拥纱的自动检测造成严重干扰。因此，需对裁剪后的图像进行平滑处理，降低图像细节层次。高斯模糊是一种图像模糊滤波器，它用正态分布计算图像中每个像素的变换，其广泛应用于图像平滑处理。其变化公式为

(1)

式中：f(x,y)为高斯滤波模板系数；(x,y)为点坐标；σ为正态分布的标准差。

分布不为零的像素组成的卷积矩阵与原始图像做变换,每个像素的值都是周围相邻像素值的加权平均。原始像素的值有最大的高斯分布值，所以有最大的权重，相邻像素随着距离原始像素越来越远，其权重也越来越小。这样进行模糊处理比其它的均衡模糊滤波器更好地保留了边缘效果[8]。

图4示出原始灰度图像和高斯平滑过后的图像对比。对图4(a)所示图像给定高斯核大小为(31,31)，作为滤波处理过程中其邻域图像的高度和宽度进行高斯平滑处理后得到的图像如图4(b)所示。通过观察发现，灰度图像中的纱线信息被有效地平滑掉，经纱撞筘拥纱信息得到了有效保留。

图4 图像平滑效果对比Fig.4 Image smoothing effect comparison. (a) Grayscale image; (b) Gaussian smooth image

2.3 基于帧间差分法的差异识别与目标检测

帧间差分法是对时间上连续的两帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，得到差分图像[9]。帧间差分法方法简单、运算量少且易于实现，可以较强地应对动态环境的变化，有效地去除系统误差和噪声影响，对场景中光照的变化不敏感而且不易受阴影的影响。

2.3.1 传统的帧间差分法

传统的帧间差分法的运算公式为

Dn(x,y)=|fn(x,y)-fn-1(x,y)|

(2)

式中：Dn为差分图像；fn(x,y)、fn-1(x,y)分别为第n帧和第n-1帧图像。传统帧间差分法缺点也较明显：1)对于变化较慢的目标易出现漏检现象；2)在目标检测过程中存在目标边缘不连续问题；3)由于经纱撞筘拥纱的重叠，检测到的目标会产生空洞。因此无法很好的用于撞筘拥纱的检测，传统帧间差分法示意图如图5所示。

图5 传统帧间差分法示意图Fig.5 Schematic diagram of traditional inter-frame difference method

2.3.2 改进帧间差分法

针对传统的帧间差分法出现的问题，采取以下几点改进：1)对于变化较慢的目标易出现漏检现象的问题，采取扩大帧差的方法来处理；2)在目标检测中存在的目标边缘不连续性的问题，加入Canny边缘算法进行处理，能够清晰完整的检测出纱团边缘，为了增强算法的自适应性，在边缘算子的双阈值选取时，采用最大类间方差法[10]；3)经纱撞筘拥纱重叠产生空洞，采用膨胀的数学形态学运算进行空洞填充。为了减少在检测过程中场景光线变化和阴影带来的影响，加入对整体光照和阴影敏感的添加项。

D′n=|fn(x,y)-fn-t(x,y)|-

(3)

图6 改进帧间差分法示意图Fig.6 Schematic diagram of improved inter-frame difference method

2.3.3 撞筘拥纱的判定

当经纱发生撞筘时，会发生纱线团聚现象。因此，在遍历轮廓过后，以轮廓面积阈值δ作为经纱撞筘拥纱判定条件。

(4)

式中：Rn为最后检测出的目标图像，即当轮廓面积>δ时，判定经纱发生撞筘拥纱现象；轮廓面积≤δ时，则未发生经纱撞筘拥纱现象。

3 结果与参数讨论

本文以采集到的不同车速序列图像作为测试数据集。通过人工标定的方法，标定出待测图像中经纱正常通过筘齿和经纱发生撞筘拥纱现象的图像。通过对数据集进行经纱撞筘拥纱检测，以准确率AR、误检率PR作为经纱撞筘拥纱实时检测系统的评价指标[11]。

(5)

(6)

式中：NTP(true positive)表示分类正确，把原本属于正类的样本分成正类的数目；NTN(true negative)表示分类正确，把原本属于负类的样本分成负类的数目；NFP(false positive)表示分类错误，把原本属于负类的错分成了正类的数目；NFN(false negative)表示分类错误，把原本属于正类的错分成了负类的数目。

3.1 帧间差t的选择

本文以Intel Corei7为软件平台，借助OpenCV函数库，采用Python编程语言对帧间差分法进行改进和优化。实验中图像系列在祥盛XSY617型智能浆纱机样机上采集完成。传统的帧间差分法对于变化较慢的目标易出现漏检现象，针对这一问题采取扩大帧间差来解决。不同帧差和各浆纱机车速下的撞筘检测准确率如表1所示，图像采集帧率为30帧/s。

表1 不同帧间差和车速下撞筘检测准确率Tab.1 Accuracy of collision reed detection at frame difference and vehicle speed

图像中每次检测目标变化的大小取决于浆纱机车速v和帧间差t。由表1可发现，当帧间差t从20增加到80时，帧间差越大，检测目标变化越大，撞筘检测准确率增大；当帧间差t>80后，随着帧差的增加，撞筘检测准确率逐渐趋于稳定；但是随着帧间差的增大，从发生撞筘到系统做出响应的时间也会增大。因此，在扩大帧间差，提高检测准确率的同时，还要保证尽可能少的系统响应时间。现代浆纱机工作车速约为60～120 m/min，图7为在浆纱机车速为70 m/min 下，帧差分别为1、50、60、80、100帧的差分图像和二值化图像。

图7 不同帧差下差分图像和二值化图像Fig.7 Differential image and binarized image under different frame differences

综合表1和图7在现代浆纱机车速考虑，保证撞筘检测准确率的同时，有尽可能少的系统响应时间，将改进后的帧间差t确定为80～100帧。传统帧间差分法帧间差异不明显，而改进后的帧间差分法能够很好地检测出撞筘拥纱轮廓且保留撞筘处细节信息，有利于提高系统检测准确率。

3.2 监控设备与经纱平面距离

在对监控设备与经纱平面距离L确定中，既要保证监控摄像头采集到的图像质量，又要保证能够检测到尽可能大的幅宽。通过预实验，将L范围缩小至60～90 cm之间，对L为60、70、80、90 cm分别进行图像采集。通过实验观察，在L为70 cm时获取图像质量最好，可以观察到清晰完整的经纱撞筘拥纱图像；当L为80、90 cm时，图像中经纱拥纱现象不明显，不易检测。因此，在衡量图像质量、算法精度和检测幅宽后，确定监控设备与经纱平面距离L=70 cm，此时的空间分辨率(PPI)为38。

3.3 轮廓面积阈值的选择

在进行差异识别和目标检测过程中，经纱的细微抖动会给目标识别造成较大的干扰。这不仅增加了经纱撞筘拥纱检测的误检率，而且还增加了计算量，降低了检测速度。因此，为了排除不必要的运算，减小误检率，设置面积阈值δ来进行撞筘拥纱判定。图8示出在不同面积阈值下各位置经纱撞筘自动检测的平均误检率、平均响应时间。响应时间为浆纱出现撞筘到系统响应所需时间。

图8 不同阈值δ下平均误检率及响应时间Fig.8 Average false detection rate and response time under different threshold δ

由图8可发现，随着面积阈值的增大，误检率呈下降趋势，响应时间呈上升趋势。当面积阈值δ≥300后，误检现象消失，响应时间增大趋势陡然上升。因此，在衡量误检率和检测系统灵敏性后，选择δ=300作为轮廓面积阈值，可以在消除误检现象的同时确保较低的响应时间。

3.4 系统响应时间

由于面积阈值δ的设定，经纱从发生撞筘到被检测系统所识别需要响应时间，称这段时间为系统响应时间,不同车速下系统平均响应时间如图9所示。

图9 不同车速下系统平均响应时间Fig.9 Average response time of system at different vehicle speeds

由图可发现，随着浆纱机车速的增大，固定帧差下帧间差异增大，帧间差异到达面积阈值δ所需时间减小，系统响应的时间呈下降趋势。结合现代浆纱机工作车速约为60～120 m/min考虑，当浆纱机车速为60 m/min时，系统响应时间为1.30 s，该系统满足对浆纱撞筘实时在线检测的要求。

4 结 论

基于改进帧间差分法原理，本文构建了一种浆纱机经纱撞筘拥纱自动检测系统。通过对采集到的图像进行裁剪、平滑后，采用改进后的帧间差分法进行撞筘拥纱检测识别。实验表明该系统在复杂背景和光照阴影变化下，改进后的算法对浆纱机经纱发生撞筘拥纱情况的判断和具体位置的定位、跟踪是准确可靠的，并且满足浆纱撞筘拥纱在线检测对实时性的要求。整套检测系统不与经纱表面直接接触，避免了对经纱表面的损伤；并具有检测面积广，基本不受浆纱根数的影响的特点，减少浆纱机停台率和后织生产中的布面疵点，提高织物品质，具有广阔的产业应用前景。未来的研究将进一步提高算法的性能，并尝试对色纱撞筘进行检测。