涤纶工业长丝毛丝在线检测系统的研究

张荣根， 冯 培,2， 刘大双， 张俊平， 杨崇倡,2

(1. 东华大学 机械工程学院， 上海 201620； 2. 东华大学 纺织装备教育部工程研究中心， 上海 201620)

在涤纶工业长丝实际生产过程中，受熔体品质、纺丝温度、拉伸工艺、上油方式等纺丝工艺参数[1]的影响，易产生毛丝。毛丝的出现会直接影响后道工序的加工，增加断头率，甚至形成织疵等品质问题，同时对企业产品形象以及用户的使用造成一定影响。短时间内快速、准确检测出毛丝的存在，对企业降低生产成本、提高经济效益具有重要意义。

在国外毛丝检测相关领域，德国Enka Tecnica公司制造的在线毛丝检测系统(Fray tec MV)[2]以霍尔效应为基础，通过监测光电传感器信号变化来判断是否有毛丝。在国内毛丝检测相关领域，大致有以下几种方法：第1种是使用高精度线阵电荷耦合器件图像传感器(CCD)的毛丝检测法[3]，通过光学方法将待测物体的图像呈现在CCD上面，从而获得一定宽度的电信号，通过测量并换算电信号的宽度得到被测物体的尺寸，区分出长丝与毛丝；第2种是使用激光衍射法[4]得到衍射图像对毛丝进行检测，毛丝存在时会产生衍射图像，使长丝原本的衍射图像发生改变，对拍摄到的衍射图像进行分析和处理，就可以得到长丝上毛丝的信息；第3种是借助普通光电传感器[5]，通过对比光通量变化进行毛丝检测；第4种方法是基于光学成像原理[6]利用光源照射长丝，通过光学成像系统后在光电敏感面上获得清晰的图像，通过图像的变化检测毛丝的存在。

近年来，机器视觉在纺织检测系统中的应用越来越广泛[7-9],利用图像处理技术为毛丝检测提供一种便捷、高效的方案，可大大提高化纤企业效益和产品质量。目前，利用图像处理技术识别毛丝的方法主要是基于MatLab图像处理，对长丝图片进行滤波、锐化、二值化处理、区域提取以及毛丝区域阈值设定来检测毛丝[10]。本文在深入研究各种图像处理方法基础上，提出了一种基于LabVIEW开发环境下检测毛丝的方法，采用图像增强处理、二值化处理、数学形态学等方法检测毛丝，将毛丝疵点提取出来，并与检测阈值对比，达到识别毛丝和毛丝数量统计的目的。

1 长丝毛丝检测方案设计

本文检测方法基本思路如下：首先调整合适的光源参数拍摄出清晰的长丝照片；其次为便于分析毛丝图像数据，对长丝照片进行一系列的图像增强处理、二值化处理、特征提取，最终得到背景单一且仅含毛丝的二值化图像；基于毛丝长度超过设定阈值即判断为毛丝的检测原理，通过试验确定涤纶工业长丝实际宽度与长丝图像宽度方向上的像素点数量间的关系，从而获得毛丝检测阈值。在基于毛丝长度判断标准下，该检测方法可用于判断单丝断裂的情况，但并不适用于圈丝的检测，圈丝为单丝拱起但未断裂的情况；当毛丝二值化图像的像素点数超过设定的检测阈值，即可判断毛丝的存在，达到检测毛丝的目的。具体检测方案为：CMOS摄像拍摄长丝照片→计算机获取照片→LabVIEW处理长丝图像→试验得出检测阈值→毛丝图像像素点数量与阈值比较→若有毛丝，计数加1。

考虑到检测对象涤纶工业长丝中的毛丝处于动态连续检测环境下，本文检测方案配有线阵相机和远心镜头，以达到较高数据传输速度以及较低图像畸变率，保证了长丝照片的图像质量；拍摄的涤纶工业长丝照片通过图像采集卡传输至计算机，经过一系列图像处理后得到毛丝图像，并与检测阈值进行比较；本文检测系统设有计数功能，如果毛丝长度超过检测阈值，则毛丝数量计数加1；同时会将检测到的涤纶工业长丝照片保存下来，便于改进硬件平台以及完善图像识别算法。

2 长丝毛丝检测流程

2.1 长丝照片的获取

本文研究对象为线密度值在278～5 500 dtex之间的涤纶工业长丝(下文统称为长丝)，在卷装的退绕过程对其进行毛丝的连续检测。在获取长丝照片时，拍摄背景、光线以及长丝运动速度将直接影响照片质量。由于长丝为白色，且毛丝本身较细，为强化突出长丝表面的毛丝，本文采用能够鲜明展现物体轮廓的逆光拍摄方法。同时，光线太强或者太弱都会使图像产生明显的噪声，且长丝运动速度不当可能会弱化毛丝疵点，为后期图像处理带来很大困扰，造成检测结果不准确。为解决该问题，本文尝试调节光源的发光强度和长丝运动速度拍摄长丝照片，具体效果如图1所示。可见：当光强为30、40、50 cd时，图片偏暗且产生不均匀的噪声；光强为60 cd时，照片过亮，导致长丝主干产生不均匀的白亮区；当运动速度为200、300、500 m/min时，均会使长丝大幅度弯曲，进而无法呈现毛丝疵点的实际状态，影响检测结果。综上所述，光强调整至55 cd，长丝运动速度调整至400 m/min，可确保获取比较清晰的长丝照片。

2.2 长丝图像增强

由于拍摄光线和背景会对长丝图像的质量造成影响，不利于后续处理与分析，故需要对原始图像进行增强处理[11]，有针对性地加强图像整体或者局部特征，抑制不感兴趣的特征，突出感兴趣区域的特征，进而改善图像质量，丰富信息量，提高图像识别与判断能力。本文图像增强主要采用3种方法：灰度级变换、直方图处理、空域滤波与频域增强。灰度级变换[12-13]针对灰度图像，该方法仅改变像素点的灰度值，通过扩大图像动态范围，增强图像对比度使图像更加清晰，特征更加明显。不同灰度级变换函数对长丝的处理效果如图2所示。可知，经对数变换、平方根变换、幂1/x变换函数处理后，图像模糊；Gamma校正函数处理后的图像较幂变换函数边缘对比更强烈，更能突显毛丝特征，效果较好。

图1 不同光强和运动速度下拍摄的长丝照片Fig.1 Filament photographs taken at different light intensities (a) and speeds (b)

图2 不同灰度级变换函数处理的长丝图像Fig.2 Filament image processed by different gray scale transformation functions. (a)Original image；(b)Logarithmic transformation； (c)Gamma correction；(d)Square root transformation；(e)Power 1/x transformation；(f)Power transformation

直方图处理方法可通过改变像素的灰度值，使之均匀分布在0～255灰度范围内，不需要使用所有灰度值，仅使用这种像素的转换来增强图像对比度。但本文使用该函数效果并不理想，相较于Gamma校正函数的处理效果，直方图方法处理后的长丝图像边缘存在许多细小的毛刺(见图3)，鉴于本文以毛丝长度作为判断依据，边缘毛刺易影响检测结果，故该图像增强方法并不可取。

图3 直方图处理函数处理的长丝图像Fig.3 Filament image processed by histogram processing function.(a)Original image；(b)Histogram function processing effect

空域滤波是在图像空间中对图像进行邻域操作，图像中每个像素的取值都是根据模板对输入像素相应邻域内的像素值进行重新计算得到的。空域滤波器包括使图像模糊的平滑滤波器和增强边缘或细节的锐化滤波器，具体效果如图4所示。

图4 空域滤波函数处理的长丝图像Fig.4 Filament image processed by spatial filter function.(a)Original image；(b)Spatial filtering 1；(c)Spatial filtering 2；(d)Spatial filtering 3；(e)Spatial filtering 4；(f)Spatial filtering 5；(g)Spatial filtering 6；(h)Spatial filtering 7；(i)Spatial filtering 8；(j)Spatial filtering 9；(k)Spatial filtering 10

空域滤波函数1～4为分别使用低通滤波器、局部平均滤波器、高斯滤波器以及中值滤波器对长丝图像进行平滑处理，使其边缘部分变得模糊；而空域滤波函数5～10为分别使用拉普拉斯滤波器、微分滤波器、普瑞维特滤波器、索贝尔滤波器、罗伯茨滤波器、坎尼滤波器对长丝图像进行锐化处理，相较于平滑滤波器，虽然锐化处理能够突出毛丝疵点，但效果并不是很好，且该方法处理后的长丝图像无法进行二值化处理，故空域滤波函数不予使用。

图像频域增强[14]的本质是将原图像f(x,y) 的傅里叶变换F(u,v) 通过滤波器H(u,v) 处理，再经过逆傅里叶变换得到增强的图像g(x,y) ，其中x、y为图像像素的空间坐标，u、v为图像水平和垂直方向上的空间频率。利用2种低通衰减和截断频率滤波器对长丝图像进行操作，处理效果如图5所示。可以看出，低通截断函数处理的图像已完全将毛丝过滤掉，不满足检测要求；低通衰减函数处理效果相较于原始图像更加模糊，同样不可取。

图6 不同阈值的二值化函数处理的长丝图像Fig.6 Filament image processed by binary function of different threshold. (a)Original image；(b)Image enhancement processing；(c)Binarization 150；(d)Binarization 175；(e)Binarization 200；(f)Binarization 225；(g)Binarization 250

图5 频域增强函数处理的长丝图像Fig.5 Filament image processed by frequency domain enhancement function. (a)Original image；(b)Low pass cutoff；(c)Low pass attenuation

综上所述，Gamma校正函数处理的图像处理效果最佳，在保证图像清晰的同时突显毛丝特征，最大程度上保证了检测对象的完整性，故本文图像增强处理采用该函数。

2.3 二值化处理

二值化处理是将灰度图像上像素点的灰度值转换为0或255，使图像整体呈现仅有黑与白的效果。通过选取合适的阈值减少图像的数据量，突显感兴趣的目标轮廓，利于后续对二值化图像的像素点进行处理与分析。设定阈值为150、175、200、225、250对长丝照片进行处理，效果如图6所示。

本文以毛丝长度作为判断依据，远离长丝表面毛丝的一端，其顶端很细，存在被光线弱化的可能性，造成顶端细微信息的丢失，使得拍摄到的毛丝长度小于实际毛丝长度。为降低该现象对检测结果的影响，二值化处理时需要尽可能呈现毛丝的完整状态。由图6知，阈值为250的二值化处理效果较好，保留了毛丝顶端信息；而阈值为150～225的二值化处理效果与原始图像相比，均不能完整体现出毛丝的实际长度，提取的长度小于实际毛丝长度，易造成漏检。

2.4 毛丝特征提取

目前，已得到外形轮廓清晰的二值化长丝图像，下一步需要提取毛丝疵点。在提取毛丝疵点时，本文先从图像中分离长丝主干，再与长丝原始图像进行对比运算，最后得到仅含毛丝疵点的图像。

在提取长丝主干时，本文使用数学形态学[15]处理函数。数学形态学是一种从灰度图像和二值化图像中提取几何信息的工具。该方法利用结构元素构造图像运算，其运算结果取决于结构元素大小。数学形态学的基本运算有膨胀、腐蚀、开与闭，利用基本运算可保证在维持处理对象基本形态下，去除不相干的结构，达到简化图像数据的效果。形态学函数即膨胀、腐蚀、开、闭、适当开、适当闭、梯度内、梯度外以及自动中值函数，其处理毛丝图像效果如图7 所示。

图7 数学形态学函数处理的长丝图像Fig.7 Filament image processed by mathematical morphology function.(a)Original image；(b)Image enhancement processing；(c)Binarization；(d)Dilate erode；(e)Corrode；(f)Open；(g)Close；(h)Proper open；(i)Proper Close；(j)Gradient in；(k)Gradient out；(l)Auto median

由图7可知，除膨胀、适当开和适当闭函数能够剔除边缘毛丝，其他函数处理效果均不佳。但形态学膨胀函数处理的长丝主干改变了原本的宽度，使用该函数易对后续提取毛丝图像造成干扰，所以不适用于本文检测方案。目前，形态学开函数与形态学适当开函数去除毛丝的效果相差甚小，通过调节2种函数结构元素的尺寸对比其处理效果。其中结构元素通常为行、列数相同的奇数矩阵形式，常见尺寸有3×3、5×5、7×7和9×9等几种。采用不同尺寸的模板处理效果如图8所示。可知，随着形态学开函数结构元素尺寸愈大，其腐蚀边缘小毛刺的效果愈佳。形态学适当开函数采用7×7模板时，边缘毛丝已剔除很多，但随着模板尺寸的增大，毛丝长度较处理前的毛丝长度呈现增长趋势，因此，该函数不予采用。综上所述，检测方案采用形态学开函数下13×13 模板完成长丝主干的提取。

为最终提取仅含毛丝的图像，本文将二值化处理后的长丝图像与长丝主干图像进行减法运算，过滤掉其他无关微小粒子，得到目标毛丝图像，如图9所示。

3 数据分析

本文基于毛丝长度进行判定，化纤工厂规定毛丝长度超过6 mm时需要降等。对6 mm长度的毛丝进行尺寸标定，即确定该长度下图像中含有多少像素点，以此设定检测阈值。

图8 不同模板的开函数与适当开函数处理长丝图像的对比图Fig.8 Comparison chart of processing filament images with different templates of open(a) and proper open(b) functions

图9 提取毛丝疵点的处理过程Fig.9 Process of extracting hair defects.(a)Original image；(b)Image enhancement processing；(c)Binarization；(d)Morphological processing；(e)Subtraction operation；(f)Filter processing

单独拍摄仅含毛丝的照片难度非常大，本文选择拍摄1 mm宽度的长丝(未含任何疵点)，记为X1、X2、X3、 X4、 X5、X6、 X7、X8、 X9、X10，经过一系列图像处理后，提取长丝宽度方向上的像素点数，确定长丝实际宽度与长丝图像宽度方向上的像素点数存在的关系，最后根据该关系推算出实际长度为6 mm的毛丝对应的像素点数，从而得到毛丝的检测阈值。处理不同的1 mm长丝图像，其宽度方向的像素点数统计如表1所示。可知，1 mm长丝图像宽度方向上的像素点数平均值为30，故毛丝的检测阈值设定为180。

表1 1 mm长丝宽度像素点数Tab.1 1 mm filament width pixels

提取处理后毛丝图像的长度信息与检测阈值进行比较，当毛丝长度像素点数量超过设定的检测阈值180，则代表存在毛丝。选取满足降等标准的若干长丝毛丝样本，包括278 dtex(48 f)、 467 dtex(96 f)、 930 dtex(192 f)、1 100 dtex(192 f)、2 200 dtex(384 f)、 3 300 dtex(384 f)、5 500 dtex(768 f)，该样本记为Y1、Y2、Y3、 Y4、 Y5、Y6、 Y7、Y8、 Y9、Y10，对检测方案的验证数据如表2所示。

表2 实验验证数据Tab.2 Experimental verification data

以上均为按照人工判断标准满足降等要求的毛丝样本，理论上每组样本的毛丝像素点数量应该大于180，但第4组数据为128，与人工检测结果不相符，检测准确率为90%。实验发现，长丝运动过程中，由于丝线张力以及摩擦力的影响，毛丝会夹带进长丝或者转换成圈丝形态，导致毛丝像素点数量小于180，造成漏检。

4 结 论

采用LabVIEW图像处理方法检测长丝的毛丝疵点。首先，经过图像处理得到仅含毛丝的二值化图像；其次，实验得出1 mm长丝实际宽度与长丝图像宽度方向上的像素点数的关系，进而确定检测阈值；最后，将毛丝长度与检测阈值进行比较，判断是否为毛丝达到检测毛丝的目的，具体结果如下。

1)通过在线检测测试可知，此检测方法效果较好，与人工检测结果对比，准确率达到90%以上。相较传统人工检测范围小、效率低的缺点，该方法能够消除人工检测的弊端。

2) 相比利用光电效应、CCD传感器以及激光衍射原理的检测方法，本文采用基于视觉系统的检测方法，可视化程度高。通过分析拍摄的毛丝形态，可以快速查找到漏检或者多检的原因，且可操作性好，便于对算法进行优化。

3)该检测装置能够获取一个方向上的长丝状态，但无法拍摄到其他角度存在的毛丝，可能无法全面呈现毛丝的实际状态，因此，毛丝检测装置还需要继续完善，使其能够拍摄到毛丝各个角度的真实形态，降低漏检、误检的可能性，提高检测精度。