一種新型紗線毛羽圖像特征識別算法的研究

方 珩，辛斌杰，劉曉霞，張 杰（上海工程技術(shù)大學(xué)服裝學(xué)院，上海 201620）

一種新型紗線毛羽圖像特征識別算法的研究

方 珩，辛斌杰，劉曉霞，張 杰
（上海工程技術(shù)大學(xué)服裝學(xué)院，上海 201620）

針對毛羽檢測的問題，搭建了一套紗線毛羽的數(shù)字化圖像采集系統(tǒng)，提出了一種新型的基于圖像處理算法的紗線毛羽檢測方法，可對連續(xù)采集的紗線圖像序列進(jìn)行特征分析，提取出可用于紗線毛羽質(zhì)量評估的特征指標(biāo)。通過對紗線圖像進(jìn)行預(yù)處理，包括灰度變換、背景處理、圖像增強(qiáng)、動態(tài)閾值分割、傾斜糾正、圖像去噪、圖像分割，得到紗線的毛羽圖像，并對毛羽圖像進(jìn)行細(xì)化處理，從而得到細(xì)化后的毛羽圖像，以紗線軸線和主干邊緣作為參考，選擇合適的基準(zhǔn)線，對毛羽像素點(diǎn)進(jìn)行識別判斷，統(tǒng)計(jì)得到不同長度毛羽的根數(shù)。實(shí)驗(yàn)表明，圖像法測試的結(jié)果與目測法的結(jié)果最大偏差在5%以內(nèi)，具有很好的一致性，該方法能夠提高紗線毛羽檢測的效率和精度。

新型紡紗；紗線毛羽；毛羽提取；背景相減；圖像處理；目標(biāo)識別

毛羽是紗線質(zhì)量控制的重要指標(biāo)，直接影響紗線后道工序的加工和運(yùn)行，進(jìn)而影響紗線質(zhì)量以及終端產(chǎn)品的質(zhì)量和售價［1－2］。常用的紗線毛羽檢測方法主要分為光電法和人工檢測方法，評價指標(biāo)為毛羽根數(shù)分布、毛羽長度指數(shù)和毛羽面積指數(shù)［3－4］。有些學(xué)者認(rèn)為毛羽根數(shù)的分類和統(tǒng)計(jì)比毛羽指數(shù)更能直觀地反映毛羽分布情況［5］。然而，現(xiàn)有的紗線毛羽的檢測方法，如人工檢測法存在效率低下，光電法存在收集的毛羽信息不完備、所用設(shè)備價格昂貴等諸多問題，無法在現(xiàn)代化的生產(chǎn)中實(shí)現(xiàn)產(chǎn)品的有效管理［6］。

隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展，數(shù)字圖像處理技術(shù)被廣泛應(yīng)用到紗線的毛羽檢測中，利用圖像采集設(shè)備采集紗線圖像，對獲得的圖像采用閾值分割、形態(tài)學(xué)處理、細(xì)化提取等圖像處理方法可提取紗線的毛羽信息，提升毛羽檢測的精度和效率。目前，紗線的圖像采集設(shè)備主要包括圖像掃描儀、數(shù)碼相機(jī)、CCD和CMOS工業(yè)相機(jī)［7］。圖像掃描儀在對紗線掃描時，毛羽會被壓平，因此得到的圖像不能反映毛羽的真實(shí)狀態(tài)，導(dǎo)致圖像法檢測誤差較大［8－9］；數(shù)碼相機(jī)因圖像分辨率有限，多用于單幅紗線圖像的主干和邊緣檢測分析；CCD和CMOS工業(yè)相機(jī)因能連續(xù)采集紗線在自然狀態(tài)下的高分辨率圖像，提高紗線外觀特征參數(shù)的檢測精度，逐漸成為常用的采集方法［7］。

鑒于OTSU算法對光照不均圖像處理的局限性，本文采用CMOS工業(yè)相機(jī)捕獲紗線的背景和圖像序列，利用背景相減技術(shù)消除紗線圖像灰度不勻帶來的影響，通過圖像增強(qiáng)法增大紗線毛羽與背景灰度值之間的差異，提出了一種基于灰度直方圖的動態(tài)閾值分割方法，實(shí)現(xiàn)將圖像中紗線目標(biāo)與背景的理想分離，通過目標(biāo)分類識別法進(jìn)一步降低圖像噪聲對紗線圖像的干擾，并利用形態(tài)學(xué)處理和圖像分割，得到紗線的毛羽圖像，最終通過對紗線進(jìn)行細(xì)化處理，得到細(xì)化后的紗線毛羽圖像，以紗線軸線和主干邊緣之間的中心線為基準(zhǔn)線，對毛羽像素點(diǎn)進(jìn)行分析和判斷，統(tǒng)計(jì)得到不同長度的毛羽根數(shù)。

1 紗線圖像采集系統(tǒng)的構(gòu)建和采樣

本研究的紗線圖像采集系統(tǒng)，包括5個部分：1）光學(xué)鏡頭（Computar鏡頭）；2）Flare CL 2M360CMOS攝像頭；3）圖像采集卡；4）LED光源；5）個人計(jì)算機(jī)。其系統(tǒng)結(jié)構(gòu)示意圖如圖1所示。

為確保捕獲的紗線圖像保持清晰，將相機(jī)的各項(xiàng)參數(shù)進(jìn)行如下設(shè)置：曝光時間為400μs，圖像的分辨率為1 760×1 000，確保紗線的軸線在水平方向上能夠位于相機(jī)視野正中央，與鏡頭平面的空間距離保持在15cm左右，通過調(diào)整光源亮度、焦距和光圈的大小至紗線圖像最清晰。實(shí)驗(yàn)中，選用3種紗線樣品作為測試對象：樣品1為棉紗，線密度為27.8tex；樣品2為芳砜綸紗，線密度為31.2 tex；樣品3為棉和黏膠纖維的混紡紗（65/35），線密度為29.4tex。

2 紗線圖像的預(yù)處理和形態(tài)分析

圖1 紗線圖像采集系統(tǒng)示意圖Fig.1 Diagram of yarn image acquisition system

由于紗線毛羽和背景、紗線條干之間的亮度存在差異，需要對圖像進(jìn)行背景相減、圖像增強(qiáng)、動態(tài)閾值分割等一系列處理，完整的提取紗線毛羽的特征參數(shù)信息，其算法流程圖如圖2所示。

2.1 灰度變換

本文中采集的紗線圖像為彩色位圖，需要通過灰度轉(zhuǎn)換公式（1）將其轉(zhuǎn)換為灰度圖像，如圖3所示。

式中：L為紗線圖像灰度值；r，g，b代表亮度值。

2.2 背景處理

其原理是將采集的紗線序列圖像和不包含紗線的背景圖像（灰度轉(zhuǎn)換后的圖像）相減，獲取紗線主體目標(biāo)圖像。本研究在采集紗線圖像前，首先采集無紗線存在的空白背景圖像，如圖4所示，通過2幅圖像的減運(yùn)算得到紗線目標(biāo)圖像，如圖5所示。

2.3 圖像增強(qiáng)

光照強(qiáng)度隨時間的延長而發(fā)生改變，背景圖像的灰度在一定的程度上發(fā)生了改變，因此背景處理可能會破壞部分毛羽的信息。同時，紗線的毛羽在空間呈立體、卷曲狀分布，會對光線產(chǎn)生散射現(xiàn)象，因相機(jī)景深的限制，導(dǎo)致紗線毛羽灰度值過低。因此，希望通過灰度變換函數(shù)對每一個像素點(diǎn)進(jìn)行線性擴(kuò)展，改善紗線毛羽圖像的視覺效果，較好地實(shí)現(xiàn)閾值分割。本文中利用灰度線性變換函數(shù)表達(dá)式（式（2））得到紗線灰度增強(qiáng)后的圖像，如圖6所示。

圖2 紗線圖像處理的算法流程圖Fig.2 Flow chart of yarn image processing algorithm

圖3 灰度圖像Fig.3 Gray images

圖4 背景圖像Fig.4 Background images

圖5 背景相減后的紗線圖像Fig.5 Yarn images after the background subtraction

式中：I2（x，y）代表灰度變換增強(qiáng)后的像素點(diǎn)的灰度值；I1（x，y）代表灰度變換增強(qiáng)前的像素點(diǎn)的灰度值；c，d代表圖像擴(kuò)展后的灰度變換范圍臨界值，這里c為0，d為255；a，b代表圖像擴(kuò)展前每幀圖像對應(yīng)的灰度變換范圍臨界值，a為最小灰度值，b為最大灰度值。

圖6 灰度變換增強(qiáng)的圖像Fig.6 Gray-scale transformation enhanced image

2.4 動態(tài)閾值分割

鑒于紗線毛羽和背景噪聲之間的灰度差異不明顯，通過OSTU法［10］和基于灰度直方圖的閾值分割法對灰度不勻的紗線圖像進(jìn)行單一閾值分割，容易導(dǎo)致分割之后紗線毛羽的信息部分丟失或噪聲增強(qiáng)，因此存在一定的局限性。針對這一情況，利用灰度直方圖能反映圖像灰度分布的特征，統(tǒng)計(jì)出圖像每一列上所有像素點(diǎn)的灰度，構(gòu)成灰度直方圖，并對灰度直方圖上波谷（局部最小值）進(jìn)行自動檢測和統(tǒng)計(jì)，尋找每一列上的最佳分割閾值，如圖7和圖8所示。

圖7 灰度直方圖Fig.7 Gray-level histogram of single column

圖8 放大后的圖像Fig.8 Enlarged view

從圖8可以看出，灰度直方圖上存在多個波谷，每個波谷對應(yīng)的灰度值都可以作為這一列上所有像素點(diǎn)的分割閾值，本研究依次取不同的波谷橫坐標(biāo)對應(yīng)的灰度值（箭頭所指方向的局部最小值）作為分割閾值來反復(fù)測試和比較，按由小到大的順序作為分割閾值，實(shí)驗(yàn)結(jié)果表明位置靠前的波谷對應(yīng)的灰度值作為分割閾值時，能夠獲得具有較完整信息的紗線二值圖像。

為了使分割后的紗線圖像效果更加理想，本研究提出了動態(tài)閾值分割方法，對每一幀圖像中每列像素點(diǎn)對應(yīng)的灰度直方圖進(jìn)行數(shù)據(jù)分析，求出波谷（即局部最小值）對應(yīng)的灰度值，并按從前往后的順序保留，通過設(shè)定一個系數(shù)來獲取最佳的分割閾值。

其算法原理如圖9所示，對序列圖像進(jìn)行分析，假設(shè)每一幀圖像由N列像素組成，f（i，j）代表像素點(diǎn)灰度值，i代表圖像像素點(diǎn)的所在行數(shù)，j代表圖像像素點(diǎn)的所在列數(shù)，f（1，1）為起始像素點(diǎn)，n代表每一列局部最小值的總數(shù)量。

由圖9可以看出，對于每一幀圖像，都可通過差分函數(shù)找出每列上所有的局部最小值，從每列中選出最佳分割閾值，然后逐列進(jìn)行閾值分割，判斷像素點(diǎn)的灰度值是否大于分割閾值，是則灰度值賦值為255，否則賦值為0，從而得到紗線的二值圖像。本研究對大量的圖片進(jìn)行試驗(yàn)，分別取m為1，2，…，30進(jìn)行閾值分割，圖像分割的效果表明，當(dāng)系數(shù)m取8的時候，分割的圖像效果最佳。通過對圖6和圖10分析對比可以看出，圖6中部分不明顯的毛羽可以很好的被分割出來，鑒于紗線邊緣像素灰度值與紗線毛羽的灰度值差異較小，使用這種方法雖然容易使分割后的紗線的毛羽和條干的邊緣擴(kuò)大，但是能夠很好地保留紗線毛羽的信息，提升紗線毛羽的檢測精度。

圖9 動態(tài)分割閾值的算法流程圖Fig.9 Principle diagram of dynamic threshold segmentation

圖10 閾值分割后的圖像Fig.10 Images after threshold segmentation

2.5 毛羽圖像的傾斜糾正

從圖10和圖11中可以看出紗線的軸向與水平方向存在一定的傾斜，對紗線的毛羽根數(shù)的統(tǒng)計(jì)有著很大的影響，因此需要對圖像進(jìn)行傾斜糾正，使得紗線的中心軸向平行于水平方向。如圖11所示，假設(shè)紗線左端低于其右端，考慮條干均勻性的影響，以紗線左端的中點(diǎn)（A點(diǎn)）與右端的中點(diǎn)（E點(diǎn)）的連線作為紗線的軸線，中間沿水平方向取3個等距的紗線條干的中點(diǎn)B，C，D，依據(jù)式（3）求出傾斜的角度θ1，θ2，θ3，θ4，求出平均角度，即旋轉(zhuǎn)角，對圖像進(jìn)行旋轉(zhuǎn)得到糾正后的圖像，如圖12所示。

圖11 傾斜圖像Fig.11 Tilt image

圖12 糾正后的傾斜圖像Fig.12 Image after tilt correction

式中：ΔL代表垂直方向上A點(diǎn)到B，C，D，E點(diǎn)之間像素點(diǎn)的個數(shù)；L代表水平方向上A點(diǎn)到B，C，D，E點(diǎn)之間像素點(diǎn)的個數(shù)。利用三次立方卷積運(yùn)算將樣品圖像進(jìn)行順時針旋轉(zhuǎn)之后（若左端高于右端，則逆時針旋轉(zhuǎn)）得到糾正后的紗線圖像［11］，如圖13所示。

圖13 糾正后的整體傾斜圖像Fig.13 Whole image after tilt correction

2.6 圖像去噪

為了最大限度地消除背景噪聲對紗線毛羽圖像處理的影響，同時避免破壞毛羽的邊緣，本研究基于目標(biāo)分類識別法來區(qū)分紗線主體和噪聲，采用基于八鄰域跟蹤算法識別并跟蹤紗線主體目標(biāo)［12］，結(jié)合閾值分割的方法去除紗線圖像噪聲，提取紗線的主干圖像［13］，其原理是紗線的主體由許多白色像素點(diǎn)相連構(gòu)成，而噪聲由許多獨(dú)立的像素點(diǎn)構(gòu)成，顯然，紗線的主體所占的區(qū)域面積最大，可以通過保留最大的區(qū)域面積，最大限度消除紗線的背景噪聲，提取的紗線主體圖像如圖14所示。

圖14 提取的紗線主體圖像Fig.14 Yarn main images after extraction

2.7 圖像分割

為了從圖像中分割出紗線的毛羽，本研究采用形態(tài)學(xué)處理中開運(yùn)算方法對紗線圖像進(jìn)行處理［14］，消除圖像中的毛羽得到紗線的主干圖像，再將紗線主體圖像（見圖14）減去紗線的主干圖像（見圖15），得到紗線的毛羽圖像（見圖16）。其原理是利用結(jié)構(gòu)元素B對圖像A進(jìn)行開運(yùn)算，算法表達(dá)式為

式（4）表示用結(jié)構(gòu)元素B對圖像A先進(jìn)行一次腐蝕后，進(jìn)行一次膨脹處理。本研究中所采用的結(jié)構(gòu)元素B為10×10中心為1的菱形結(jié)構(gòu)。

圖15 不同結(jié)構(gòu)元素形態(tài)學(xué)開運(yùn)算處理后的紗線主干圖像Fig.15 Yarn main images after morphological opening operation processing using different structural elements

圖16 提取的紗線毛羽圖像Fig.16 Yarn hairiness images after extraction

2.8 細(xì)化處理

觀察圖17可知，紗線毛羽圖像中毛羽的邊緣存在許多毛刺，因此需要用結(jié)構(gòu)元素為3×3中值濾波對其邊緣進(jìn)行一次平滑處理，避免細(xì)化后的毛羽圖像出現(xiàn)分叉和分支的現(xiàn)象，再通過細(xì)化算法將毛羽細(xì)化成單個像素點(diǎn)連續(xù)構(gòu)成的一條細(xì)線［15］，便于毛羽特征參數(shù)的計(jì)算。

圖17 紗線毛羽細(xì)化圖像Fig.17 Yarn hairiness images after refining

3 紗線毛羽特征參數(shù)的提取與分析

3.1 紗線毛羽基準(zhǔn)線的擬合

因紗線邊緣呈曲線分布特征，本研究采用不同于以往的參考文獻(xiàn)中以紗線邊緣作為基準(zhǔn)線的標(biāo)準(zhǔn)［16－17］，而是以紗線橫向軸線與上下條干邊緣之間的距離的平均值作為基準(zhǔn)線，如圖18所示。

圖18 紗線毛羽基準(zhǔn)線的判定Fig.18 Estimation of yarn hairiness baseline

3.2 紗線毛羽的統(tǒng)計(jì)方法

如圖19所示，用圖像法統(tǒng)計(jì)紗線毛羽數(shù)量時，關(guān)鍵是判斷毛羽點(diǎn)的個數(shù)。由圖20可知，單個毛羽點(diǎn)由連續(xù)的像素點(diǎn)或單個像素點(diǎn)構(gòu)成，毛羽點(diǎn)的個數(shù)代表毛羽根數(shù)，其原理是通過計(jì)算在紗線圖像上間隔1mm的距離沿水平方向上累積毛羽點(diǎn)的個數(shù)來統(tǒng)計(jì)不同毛羽長度的根數(shù)，如圖21所示。

圖19 紗線毛羽數(shù)量的統(tǒng)計(jì)Fig.19 Statistic of yarn hairiness number

圖20 A區(qū)放大后的圖像Fig.20 Enlarged view of A zone

圖21 利用等距線檢測紗線毛羽的原理示意圖Fig.21 Principle diagram of determining hairiness using equidistant line

圖22 不同長度毛羽的計(jì)數(shù)原理Fig.22 Principle diagram of counting of different length hairiness

本研究選用的紗線毛羽統(tǒng)計(jì)標(biāo)準(zhǔn)參照UsterHL400毛羽儀的測試標(biāo)準(zhǔn)，比如1mm長度的毛羽數(shù)量表示毛羽長度小于或等于1mm的長度，2，3，4，5，6mm長度的毛羽數(shù)量的統(tǒng)計(jì)依次類推。為避免重復(fù)統(tǒng)計(jì)，本研究通過如圖22所示的毛羽根數(shù)的統(tǒng)計(jì)原理，即每個條柱面積代表初始統(tǒng)計(jì)的毛羽根數(shù)，深色的條柱面積代表重復(fù)計(jì)數(shù)的毛羽根數(shù)，通過逐級遞減的方式，將每個條柱面積減去對應(yīng)的深色條柱面積，可得到深色點(diǎn)狀的面積，代表對應(yīng)的毛羽根數(shù)，從而統(tǒng)計(jì)出實(shí)際毛羽根數(shù)。

3.3 毛羽的檢測結(jié)果

本次實(shí)驗(yàn)對每種樣品取10紗段，每個紗線片段連續(xù)采集45幀圖像，圖像處理后每幀圖像對應(yīng)的像素為1 732×1 000，對應(yīng)的紗線實(shí)際長度約為22.79mm×13.16mm，則紗線片段實(shí)際長度為1 026mm，即每段的實(shí)際長度約為1m。按上述紗線毛羽檢測方法，在不考慮紗線出現(xiàn)毛羽交叉、毛羽特殊卷曲的情況下，其檢測結(jié)果見表1—表3。

為了便于與目測法結(jié)果相比較，將表2中10個紗線片段的毛羽根數(shù)均值折算成1m長度紗段的毛羽根數(shù)均值，結(jié)果見表4—表6?？梢钥闯觯嗤瑮l件下，圖像法與目測法測試結(jié)果的最大偏差為4.5%，在合理范圍之內(nèi)。

表1 圖像法檢測結(jié)果（樣品1）Tab.1 Test results of scanning point method（sample 1）

表2 圖像法檢測結(jié)果（樣品2）Tab.2 Test results of scanning point method（sample 2）

表3 圖像法檢測結(jié)果（樣品3）Tab.3 Test results of scanning point method（sample 3）

表4 樣品1圖像法與目測法比較Tab.4 Comparison of image method the visual method for sample 1

表5 樣品2圖像法與目測法比較Tab.5 Comparison result of image method visual method for sample 2

表6 樣品3圖像法與目測法比較Tab.6 Comparison of image method the visual method for sample 3

4 結(jié) 語

實(shí)驗(yàn)結(jié)果證明，本研究提出的基于圖像處理算法的新型紗線毛羽的檢測方法，在不考慮紗線毛羽交叉、卷曲、斷裂的情況下能夠有效提高紗線毛羽根數(shù)檢測的準(zhǔn)確性，提升圖像檢測法的精度和檢測效率，更好地反映紗線毛羽的分布情況。通過對3種紗線樣品的實(shí)例分析，紗線毛羽的圖像處理算法的結(jié)果與目測法的偏差在5%以內(nèi)，說明這種算法在實(shí)踐中是可行的，可為將來開發(fā)紗線毛羽特征軟件和圖像法毛羽檢測系統(tǒng)提供參考和評價。

［1］ 李小蘭.紗線毛羽對織物性能的影響［J］.棉紡織技術(shù)，2003，31（4）：63-64.LI Xiaolan.Effect of yarn hairiness on fabric properties［J］.Cotton Textile Technology，2003，31（4）：63-64.

［2］ BARELLA A.Yarn hairiness［J］.Textile Progress，1983，13（1）：1-57.

［3］ 秦貞俊.關(guān)于紗線毛羽問題的討論［J］.棉紡織技術(shù)，2001，29（3）：5-10.QIN Zhenjun.The discussion about the yarn hairiness［J］.Cotton Textile Technology，2001，29（3）：5-10.

［4］ 孟憲鴻，陳躍華.數(shù)字圖像處理法測紗線毛羽的方法和儀器［J］.上海紡織科技，2003，31（4）：15-16.MENG Xianhong，CHEN Yuehua.Method and apparatus of image processing in yarn hairiness measurement［J］.Shanghai Textile Science ＆Technology，2003，31（4）：15-16.

［5］ GUHA A，AMARNATH C，PATERIA S，et al.Measurement of yarn hairiness by digital image processing［J］.The Journal of the Textile Institute，2010，101（3）：214-222.

［6］ CARVALHO V，BELSLEY M，VASCONCELOS R M，et al.Yarn hairiness and diameter characterization using a CMOS line array［J］.Measurement，2008，41（10）：1077-1092.

［7］ FABIJANSKA A，JACKOWSKA-STRUMILLO L.Image processing and analysis algorithms for yarn hairiness determination［J］.Machine Vision and Applications，2012，23（3）：527-540.

［8］ 張繼蕾.基于圖像處理技術(shù)的紗線毛羽檢測應(yīng)用研究［D］.石家莊：河北科技大學(xué)，2011.ZHANG Jilei.Application Study on the Yarn Hairiness Detection Based on Image Processing Technoiogy［D］.Shijiazhuang：Hebei University of Science and Technology，2011.

［9］ 周絢麗，成玲.紗線黑板數(shù)字圖像處理方法［J］.紡織學(xué)報，2008，29（8）：30-34.ZHOU Xuanli，CHENG Ling.Digital image processing method of yarn black board［J］.Journal of Textile Research，2008，29（8）：30-34.

［10］OTSU N.A threshold selection method from gray-level histograms［J］.Automatica，1975，285/296：23-27.

［11］江雯，陳更生，楊帆，等.基于Sobel算子的自適應(yīng)圖像縮放算法［J］.計(jì)算機(jī)工程，2010，36（7）：214-216.JIANG Wen，CHEN Gengsheng，YANG Fan，et al.Self-adaptive image scaling algorithm based on Sobel operator［J］.Computer Engineering，2010，36（7）：078.

［12］HARALICK R M，SHAPIRO L G.Computer and Robot Vision［M］.Boston Massachusetts：Addison-Wesley Publishing Co.，1992.

［13］CAMPS O I，SHAPIRO L G，HARALICK R M.Object Recognition Using Prediction And Probabilistic Match［A］.Intelligent Robots and System，Proceeding of the 1992［EE/RS］International Conference［C］.［S.l.］：［s.n.］，1992：1044-1052.

［14］VANDEN B R，VANBALEN R.Methods for fast morphological image transforms using bitmapped binary images［J］.CVGIP：Graphical Models and Image Processing，1992，54（3）：252-258.

［15］孫銀銀，潘如如，高衛(wèi)東.基于數(shù)字圖像處理的紗線毛羽檢測［J］.紡織學(xué)報，2013，34（6）：102-106.SUN Yinyin，PAN Ruru，GAO Weidong.Detection of yarn hairiness based on digital image processing［J］.Journal of Textile Research，2013，34（6）：102-106.

［16］蘇繼偉.簡論紗線毛羽測試方法［J］.上海毛麻科技，2006（3）：10-12.SU Jiwei.A brief discussion about the method of testing yarn hairiness［J］.Shanghai Wool ＆Jute Journal，2006（3）：10-12.

［17］郭會勇，王建坤.淺析幾種毛羽測試方法［J］.河北紡織，2007（3）：75-80.GUO Huiyong，WANG Jiankun.Simple analyses of several hairiness testing methods［J］.Hebei Textile，2007（3）：75-80.

Research of a novel method for measuring yarn hairiness based on image recognition

FANG Heng，XIN Binjie，LIU Xiaoxia，ZHANG Jie
（Fashion College，Shanghai University of Engineering Science，Shanghai 201620，China）

Aiming at hairiness measurement，a digital image acquisition system is constructed，based on which a novel algorithm is proposed in order to measure the number and length of yarn hairiness.The algorithm can be used to make feature analysis of yarn images captured continuously，and yarn hairiness features for quality evaluation of yarn hairiness are determined.With pretreatment of yarn image，including gray-scale transformation，background subtraction，image enhancement，dynamic threshold segmentation，tilt correction，image denoising and image segmentation，yarn hairiness image is obtained.Then the yarn hairiness image is treated by using thinning algorithm，so the thinned yarn hairiness image is obtained.With yarn axis and the margin of trunk as reference，and with proper baseline，yarn hairiness image skeleton is extracted at the pixel level，and the number of yarn hairiness of different length is determined by statistics.Experimental results show that the precision of the new method is consistent with the visual observation method，and its deviation is within 5%.The method can improve the efficiency and accuracy of yarn hairiness feature extraction.

new spinning；yarn hairiness；extracted hairiness；background subtraction；image processing；target recognition

TS117

A

1008-1542（2015）01-0063-10

10.7535/hbkd.2015yx01013

2014-10-04；

2014-11-06；責(zé)任編輯：張 軍

國家自然科學(xué)基金（61271419）

方 珩（1989—），男，安徽安慶人，碩士研究生，主要從事紡織品數(shù)字圖像技術(shù)方面的研究。

辛斌杰副教授。E-mail：xinbj＠sues.edu.cn

方 珩，辛斌杰，劉曉霞，等.一種新型紗線毛羽圖像特征識別算法的研究［J］.河北科技大學(xué)學(xué)報，2015，36（1）：63-72.

FANG Heng，XIN Binjie，LIU Xiaoxia，et al.Research of a novel method for measuring yarn hairiness based on image recognition［J］.Journal of Hebei University of Science and Technology，2015，36（1）：63-72.