基于機器視覺的織物經(jīng)緯密度自動檢測研究

劉裕文，杜文琴

?

基于機器視覺的織物經(jīng)緯密度自動檢測研究

劉裕文1,2，杜文琴1,2

（1.五邑大學 紡織服裝學院，廣東 江門 529020；2.五邑大學 廣東省高校功能性紡織品工程技術研究中心，廣東 江門 529020）

為實現(xiàn)機織物密度的自動測量，設計了簡單的圖像采集裝置以獲得高清的織物圖像. 利用MATLAB編寫算法，對織物圖像進行圖像灰度化、直方圖規(guī)定化、中值濾波、灰度增強、帶通濾波等處理，從而獲得織物經(jīng)緯方向的信息，得出機織物的經(jīng)緯密度. 實驗表明，本算法不僅適用于純色織物，也適用于一些簡單的印花織物，與人工檢測結(jié)果相比，機器檢測結(jié)果的相對誤差均在2%以內(nèi)，假設檢驗結(jié)果說明算法具有較高的可信度和穩(wěn)定性.

數(shù)字圖像處理；機織物；經(jīng)緯密度；MATLAB

織物經(jīng)緯密度是最基本的織物結(jié)構(gòu)參數(shù)之一，對織物的外觀、手感、強力、耐磨性等物理機械性能有一定的影響[1]. 目前，大部分工廠和檢測機構(gòu)仍舊根據(jù)國家標準[2]人工測量該參數(shù)，且多采用織物分解法、織物分析鏡法、移動式織物密度鏡法等；整個檢測過程，對技術員要求非常高，不僅耗時費力，而且容易出錯. 鑒于此，本文嘗試用比較成熟的圖像處理技術來識別織物（本文特指機織物）結(jié)構(gòu)特征，并依此計算出織物的經(jīng)緯密度，實現(xiàn)織物密度檢測的智能化.

1 機織物圖像的采集

機織物由經(jīng)緯兩個系統(tǒng)的紗線互相垂直交織而成，經(jīng)、緯向紗線以及紗線間隙具有非常明顯的規(guī)律. 圖像采集裝置的選取，對圖像的獲得質(zhì)量影響非常大，本實驗選用拍攝距離固定的Supereyes高清攝像頭，內(nèi)置均勻排列的LED燈，使之具有較高的分辨率和較高的動態(tài)范圍，能獲得紋理比較清晰的織物圖像. 對于緊度較小的織物，可在織物后面墊上色差較大的薄板，以增強紗線與間隙的反差. 對于被測織物樣本，要求其具有較好的表面狀態(tài)，如表面平整、干凈無污漬、紋路清晰、經(jīng)緯紗線垂直水平相交. 織物固定在水平臺上時，先施加初始張力以保持織物平整，并使圖像框的左邊界與上邊界落在紗線的間隙上，以保持圖像邊界與紗線平行.

由于攝像頭的分辨率是固定的，因此攝像頭與試樣間的距離決定了單個像素所對應的實際尺寸. 為此，需要根據(jù)所需圖像的清晰度來調(diào)節(jié)攝像頭的位置，本文最終選擇攝像頭外沿直貼織物表面，拍攝裝置如圖1所示. 此時所獲圖像的實際尺寸為；攝像頭的參數(shù)：24位色彩位；分辨率；圖片存儲為.jpg格式.

圖1 織物樣品拍攝示意圖

2 機織物圖像處理

圖像采集過程中，圖像信息不僅受到噪聲的干擾，而且還受到織物的毛羽數(shù)量、條干均勻程度、色彩差異等因素的影響，這將造成織物圖像的有效信息質(zhì)量下降，從而不利于織物的特征提取和根數(shù)識別. 本文借助MATLAB平臺編寫程序處理采集的織物圖像，以加強有用信息，使織物圖像的輪廓更加清晰. 算法主要包括灰度變換、直方圖的規(guī)定化、中值濾波、灰度增強以及帶通濾波等處理方法[3].

2.1 圖像的灰度化

機織物的經(jīng)緯密度，實際就是一定單位長度內(nèi)所包含的紗線根數(shù)，可以根據(jù)圖像的明暗變化規(guī)律獲得. 由于部分織物是彩色或簡單印花的，其被采集的圖像是真彩色，直接處理不僅數(shù)據(jù)量比較大，顏色干擾也非常大，故需先灰度變換以減少顏色干擾、保持細節(jié). 處理后發(fā)現(xiàn)，織物紋理中閃亮的光澤明顯減弱、彩色消失，但織物仍存在大量的毛羽，紋理有些許模糊，具體效果如圖2所示.

圖2 灰度變換前后的織物圖像

2.2 直方圖規(guī)定化

在織物圖像采集過程中，由于內(nèi)置LED燈光的不均勻作用以及外源光的影響，圖像的灰度會集中分布在比較窄的區(qū)間，并引起織物圖像細節(jié)模糊. 為了改善圖像細節(jié)的清晰度，本實驗采用直方圖規(guī)定化方法，通過調(diào)節(jié)各部分亮度的比例關系重新分布灰度值，以增強某個灰度值范圍內(nèi)的對比度，使細節(jié)更加清晰. 為了使機織物的紋理細節(jié)更清晰，我們希望它的圖像動態(tài)范圍較大，即在[0,255]范圍內(nèi)各個灰度級上都有像素分布，因此選擇變換矢量. 通過對比發(fā)現(xiàn)，原始圖像的灰度值大都分布在150附近，經(jīng)過直方圖規(guī)定化可使其灰度重新分配在0～255，處理前后的灰度值分布情況如圖3所示. 處理后，圖像明暗對比度明顯加強，圖像紋理變得更加清晰.

2.3 中值濾波

織物圖像在采集和傳輸階段受到的噪聲干擾，易導致圖像輸出時紗線分布信息的不完整[4]. 本實驗使用簡單方便的非線性中值濾波（二維的中值濾波）對圖像進行平滑處理，即用一定區(qū)域范圍內(nèi)所有像素點灰度值的中值來代替該區(qū)域內(nèi)所有像素點的灰度值，從而達到平滑處理的效果. 由于區(qū)域是變動的，并且具有各種形狀，根據(jù)織物經(jīng)緯紗縱行垂直交叉的特點以及實驗證明，本文選用矩形尺寸，此時效果較好，去除了一些特別閃亮的噪點. 處理前后的效果如圖4所示.

圖4 中值濾波前后織物的圖像

2.4 灰度增強

經(jīng)過前面幾步的圖像處理之后，已去除了圖像的噪音、消除了大部分毛羽，但對于一些毛羽較多的圖像，為了獲取更好的紗線條干使得紗線與間隙區(qū)分得更清楚，需再次對圖像進行灰度調(diào)整以增強對比度. 本文采用截取式線性變換，根據(jù)毛羽與紗線的灰度級數(shù)，分別對其進行灰度增強處理，以增強紗線與間隙的反差，形成較為清晰的織物圖像. 本文將灰度范圍調(diào)整到灰度范圍，從圖5可以看出，經(jīng)過灰度增強后，紗線非常清晰.

圖5 灰度增強前后的織物圖像

2.5 帶通濾波

如圖5，根據(jù)經(jīng)、緯紗線縱橫垂直的有序排列規(guī)律，分別畫出織物在經(jīng)向、緯向的灰度值總和曲線. 如圖6所示，灰度曲線是正弦曲線，其波峰、波谷分別與紗線、紗線間隙一一對應，但由于紗線條干不勻以及紗線歪斜，波谷處存在局部極值現(xiàn)象，這將影響到波峰數(shù)的監(jiān)測，即影響到紗線根數(shù)的識別. 因此，需要對得出的經(jīng)緯向灰度總和曲線進行平滑處理. 本實驗在使用二次中值濾波后，又設計了一個帶通濾波器進行濾波處理. 經(jīng)過多次試驗，經(jīng)緯向分別選用上限截止頻率和、下限截止頻率和，此時的濾波效果較好，局部極值消除效果如圖6-d所示，圖像中的局部極值被消除，曲線變得更加平滑.

圖6 織物的灰度值總和曲線

2.6 機織物經(jīng)緯密度的計算

通過計算織物經(jīng)向、緯向灰度值總和曲線的波峰數(shù)，即可得到對應圖像中的經(jīng)緯紗線根數(shù). 本文利用函數(shù)findpeaks找出各波峰點以計算出圖像中的紗線數(shù)，再根據(jù)織物的實際拍攝尺寸長（L）和寬（W）進行換算以求出紗線的密度. 實現(xiàn)程序如下：

%尋找波峰數(shù)

ynum=length(findpeaks(Sy(y))); %經(jīng)紗數(shù)

xnum=length(findpeaks(Sx(x))); %緯紗數(shù)

%計算織物經(jīng)緯密度

JM=(ynum/L)*10; %經(jīng)紗密度

WM=(xnum/W)*10; %緯紗密度

3 實驗檢測與結(jié)果分析

為了驗證開發(fā)的機織物經(jīng)緯密度測量系統(tǒng)測試結(jié)果的穩(wěn)定性，選用5塊樣布進行測試，其中包括了純色、印花等不同的面料. 人工測量按照《GB/T4668—1995機織物密度的測定》中的移動式密度鏡法進行；圖像測量采用自主開發(fā)的測試系統(tǒng)，利用雙總體F檢驗法與t檢驗法[5]驗證兩組數(shù)據(jù)之間的精密度，結(jié)果對比見表1.

表1 織物經(jīng)緯密度實測結(jié)果一覽表

1）測試結(jié)果穩(wěn)定性分析. 利用統(tǒng)計假設檢驗雙總體F檢驗法得出：統(tǒng)計量，當顯著性水平為5%，自由度時，查F臨界值表，，. 由于，說明這兩種方法測試結(jié)果的穩(wěn)定性無顯著差異.

2）測試結(jié)果的差異分析. 利用統(tǒng)計假設檢驗的雙總體t檢驗法得出：，當顯著性水平5%，自由度時，查t臨界值表，. 由于，說明這兩種方法測試結(jié)果無顯著差異.

由檢驗結(jié)果的對比可知，由于織造的原因，經(jīng)紗排列比緯紗規(guī)整，其變異系數(shù)（CV%）也較小；經(jīng)緯紗密度百分誤差（△%）均控制在2%以內(nèi)，平均誤差約為0.99%.

4 結(jié)論

通過人工測量與圖像測量實驗的對比分析發(fā)現(xiàn)，本檢測系統(tǒng)對簡單組織的機織物密度識別具有非常方便、快捷、穩(wěn)定的特點. 由于選擇帶通濾波器的上下截止頻率及通頻帶是固定而非自適應變化的，其只能過濾一定范圍內(nèi)的局部極值，因此，對織物自身尺寸的穩(wěn)定性要求比較高，即織物中經(jīng)、緯兩個不同系統(tǒng)紗線應該盡可能垂直排列，以減少局部極值對結(jié)果的影響. 對于緊度較高的織物，由于空隙非常小，紗線與紗線間隙的對比不明顯，其密度識別仍存在很大的誤差. 后續(xù)研究，可考慮在此基礎上使用質(zhì)量更好的攝像頭，或采集更大尺寸片段的織物圖像進行識別，以實現(xiàn)紗線的自動糾偏來提高測量精度，并進一步完善測量系統(tǒng).

[1] 勇金華. 機織物結(jié)構(gòu)參數(shù)的圖像測量的研究[D]. 青島：青島大學，2009.

[2] 鄭宇英，賀潔人. GB/T4668—1995機織物密度的測定[S]. 北京：中國標準出版社，1996.

[3] 秦襄培，鄭賢中. MATLAB圖像處理寶典[M]. 北京：電子工業(yè)出版社，2011.

[4] 徐雪倩，張鳳生. 基于中值濾波和小波變換的織物圖像預處理[J]. 青島大學學報：工程技術版，2011, 26(01): 19-22.

[5] 李云雁，胡傳榮. 試驗設計與數(shù)據(jù)處理[M]. 2版. 北京：化學工業(yè)出版社，2008.

[責任編輯：熊玉濤]

Research of Fabric Density’s Automatic Detection Based on Machine Vision

LIUYu-wen1,2, DUWen-qin1,2

(1. School of Texiti le & Clothing, Wuyi University, Jiangmen 529020, China; 2. Guangdong Higher Education Engineering Technology Research Center, Wuyi University, Jiangmen 529020, China)

For detecting fabric density automatically, a simple system for getting HD fabric image was built. MATLAB-based algorithms, gray level transformation, histogram specification, median filtering, gray level increase, and band-pass filter were used to deal with fabric image to get fabric density automatically. Experiments show that the algorithms are suited for plain fabrics and some simple printed fabrics; contrast experiments show the relative error between manual measurement and image measurement is less than 2%, and the hypothesis testing results demonstrate that the algorithms have high reliability and stability.

digital image processing; woven fabric; thread count; MATLAB

1006-7302（2015）02-0016-05

TS103.6

A

2015-01-19

劉裕文（1989—），男，廣東梅州人，在讀碩士生，主要從事紡織功能材料及新技術研究；杜文琴，教授，碩士生導師，通信作者，主要從事紡織功能材料及新技術研究.