一种机织物密度图像分析系统的研究与应用

潘 全，殷正雄，何 瑜

1.湖北省纤维检验局，湖北武汉 430061；2.武汉妙微科技有限公司，湖北武汉 430074；3.湖北大学化学与化工学院，湖北武汉430062

0 前言

织物密度是纺织品机织物中的重要结构参数之一，能够影响和改变织物的通透性、耐磨性、纹理特性以及力学性能等[1]。织物密度的测量是纺织生产企业产品设计与质量控制的关键环节[2]。目前，机织物密度主要依靠人工检测，存在操作过程耗时费力，检测结果偏差大等缺点[3]，难以满足当前纺织行业大批量样品检测需求。因此，纺织产业亟需开发一种既高效又精准的织物密度检测技术。

近年来，伴随着智能化、自动化水平的不断提升，人工智能、大数据分析等创新技术飞速发展，并逐渐在各行各业受到广泛关注和开发应用。织物图像处理技术作为目前较为成熟和发展较快的智能化技术之一，用于检测各类纺织品性能和技术参数，不仅能有效控制产品质量，同时相较于人工检验，在检测效率方面有着显著提高[4]。

本文提出了一种基于图像处理的机织物密度分析系统，利用图像分析方法对织物样品进行自动识别和经纬向分割，然后对分割后的图像进行角度矫正和分析处理，最后通过二值图像算法自动计算单位长度内织物经纬向根数。本文还将研究的分析系统应用于不同类型织物组织样品，通过与人工检测法进行比对分析，验证系统的稳定性和准确度。

1 图像分析系统简介

1.1 装置结构

本研究设计开发的机织物密度图像分析系统由图像采集装置、图像分析平台以及显示单元等部分组成。

1.2 图像采集装置

图像采集装置采用一体化模型设计。该一体机由高清相机、光学显微镜，以及照明系统组合而成。高清采样一体机如图1所示。

图1 高清采样一体机结构示意图

其中，相机参数：传感器类型为彩色CDMO传感器，有效像素200万，分辨率1 920×1 080像素；变倍显微镜参数：光学倍率0.80～4.76倍，数字倍率1.0～6.0倍；照明系统为一套LED补光灯箱，提供稳定、持续的照明光源。高清相机中嵌入的图像采集模块可将机织物表面的纹理结构信息转化为计算机可自动识别的数字化图像信息[5]，这些信息通过后续的分析装置对其进行识别、分析和算法处理，从而达到对织物样品经纬向根数自动测量的目的。

现在企业生产中应用较多的利用工业相机和扫描仪[6]进行采样，普遍存在成本高、灵活性差等缺点。本研究使用的图像采集装置创新性地将变倍显微镜、高清相机以及照明系统高效集成为一个整体，通过小型化、紧凑型设计，不仅有效降低了使用成本，同时显著提高了设备的灵活性和便携性。整个系统自上而下采用封闭式结构，有效保护内部精密显微镜部件和照相装置，从而极大扩展了该装置的应用场景，在检测实验室、生产企业场所或者政府市场监管抽查场地均能正常开展现场检测工作。

1.3 图像分析平台

图像分析平台由控制模块、算法模块以及试验结果管理模块这3个部分构成。控制模块负责从图像采样装置的采集模块中获取清晰图像，然后将图像传输给算法模块进行分析，根据算法模块分析返回的结果，进行数据管理和实时显示，直至试验完成。流程中算法模块对采集的图像通过深度学习的网络模型进行织物经纬向分割，利用分割并进行经纬向矫正后的图像数据进行经纬纱的纤维根数统计，最后由试验结果管理模块结合标尺标定的数据，换算成标准单位长度内对应的经纬向根数，完成织物密度试验结果的自动输出。

2 图像分析系统的测试原理

图像分析系统通过采样一体机自动聚焦获取高清图像，经过系统软件进行算法分析，最终输出经纬向密度结果。其核心原理主要包含以下2个部分内容。

2.1 基于放大倍率的原点自动聚焦算法

为持续、稳定地获取高质量、高清晰度的织物采集图像，利用基于放大倍率的原点自动聚焦法，图像进行采集并分析处理。自动聚焦算法包括对比度法和相位法。

对比度聚焦的原理是通过感光元件获取实时影像，并传递给图像处理器，然后计算对比度差值，筛选出最大对比度，并根据对比度最大值确定是否合焦。对比度法工作原理如图2所示。

图2 对比度法工作原理示意图

相位法聚焦是通过检测像的偏移量实现自动对焦，即在感光的CCD的位置放置1个由平行线条组成的障板，线条相继为透光和不透光。障板后的适当位置上与光轴对称放置2个受光原件，障板在与光轴垂直方向上往复振动，当聚焦时，聚焦面与障板重合，通过障板透光线条的光同时到达后面的两个受光元器件，获得A1、A2的位置；而当离焦时，光束只能先后到达2个受光元器件，得到B1和B2的位置，于是在输出信号之间就产生了相位差，有相位差的2个信号经电路处理后，即可控制执行机构来调节物镜的位置，使焦平面与障板的位置重合，从而达到自动聚焦的目的。相位法工作原理如图3所示。

图3 相位法工作原理示意图

目前，对比度聚焦方式的对焦速度较慢，聚焦效率还有待提高，且在弱光环境中，感光元件会因提高感光度而产生明显噪点，对硬件条件要求也非常高。相较于对比度法，相位法稳定成熟，对焦速度快。基于对聚焦速度、硬件成本以及当前技术成熟度等因素的综合考量，采用相位法聚焦方式以获得清晰样本图像。

2.2 基于深度学习的自动化分割算法

自动化分割算法流程如图4所示。

图4 自动化分割算法流程示意图

利用深度学习的语义分割模型对不同种类的织物样本进行经纬向数据标注，对标注的数据进行模型训练，使得训练完的语义分割模型能够针对待检测的自动聚焦后的织物图像进行经纬向的正确分割。对分割后的二值图像进行仿射变换，使纬向分割线保持水平方向。然后，统计仿射变换后二值图像中的经向和纬向根数。最后，将统计出的经向和纬向根数换算为标准计量单位的经纬密度。

3 应用测试及分析

3.1 试样的选取

本研究依据标准GB/T 4668—1995《机织物密度的测定》的要求准确取样。为保证最终所测结果的客观性和准确性，分别对每个织物样品的5个不同部位进行测试，然后计算得出算术平均值,测试结果保留至小数点后一位。

3.2 比对分析

选取8个机织物样品，其中样品编号1～4为平纹织物面料，样品编号5～8为斜纹织物面料，分别采用系统检测和人工测试方法进行测试和比对，结果见表1。

表1 系统检测与人工测试织物密度结果对比

由表1可见，针对平纹和斜纹这2种不同织物组织类型的样品，系统检测与人工检测的测试结果基本一致，相对偏差均在±5%以内，这表明该分析系统能够提供客观、准确的检测结果。

4 结语

本文提出了一种基于图像处理的机织物密度分析系统，重点介绍了分析系统的组成结构和运行原理。首先通过图像采集装置获取自动聚焦的清晰图像，然后利用深度学习的方式对识别的图像进行标尺标定、自动分割和角度矫正等算法分析，最后通过图像分析平台输出检测结果。

相较于当前采用密度镜法通过人工目光进行测量的方式，该系统的设计与研究实现了机织物经纬密度的全自动检测，每个样品单次识别速度小于10 s，与人工检测结果相对偏差在±5%以内。这不仅有效解决了传统检测方式效率低、耗时费力的问题，同时由于其小型化、紧凑型设计，能够适应于各类场所，降低检测对环境条件的要求，具有灵活性高、便携性强以及样品无损检测等特性，对促进纺织仪器化快检技术的发展，助力企业质量提升，服务市场监管提供了一定的技术支撑，具有较高的实际应用前景。

在实际应用过程中也发现有不足之处。针对有图案花色、颜色较深以及结构较复杂（如缎纹组织）的部分织物样品测试结果不够准确，还需要进一步研究改进。