基于機(jī)器視覺的筒子紗缺陷在線檢測(cè)系統(tǒng)

牟新剛， 蔡逸超， 周 曉， 陳國良

(武漢理工大學(xué) 機(jī)電工程學(xué)院， 湖北 武漢 430070)

筒子紗是紡紗廠絡(luò)筒工序的產(chǎn)出品，其質(zhì)量直接影響后道工序的生產(chǎn)，并最終影響紡織品的質(zhì)量。受生產(chǎn)工藝的設(shè)定、設(shè)備清潔維護(hù)不到位、原材料質(zhì)量等因素限制，筒子紗可能會(huì)存在缺陷[1]。其中，比較常見且影響較大的筒子紗缺陷有菊花芯、多層臺(tái)、網(wǎng)紗、多源紗等。多源紗缺陷主要由原材料質(zhì)量不均勻造成的[2]；多層臺(tái)缺陷主要成因是工藝設(shè)定不恰當(dāng)而造成筒子紗大幅度滑移；網(wǎng)紗缺陷主要是由于設(shè)備清潔維護(hù)不到位造成的，如槽筒回頭點(diǎn)損傷、不光滑或溝槽內(nèi)有銹點(diǎn)[3]；生產(chǎn)工藝設(shè)定不恰當(dāng)(如紗線卷繞張力偏小、接觸壓力不合適)和原材料質(zhì)量不合格(如紗線回潮嚴(yán)重、紙管偏心嚴(yán)重)都可能形成菊花芯缺陷。

針對(duì)筒子紗各種缺陷，目前主要的檢測(cè)辦法有人工檢測(cè)、自動(dòng)化設(shè)備檢測(cè)以及檢測(cè)儀器和人工相結(jié)合。人工檢測(cè)效率低，準(zhǔn)確率依賴于工人受訓(xùn)練程度，難以保證；而自動(dòng)化檢測(cè)設(shè)備主要依賴進(jìn)口，不利于添加新的缺陷識(shí)別功能。為提高筒子紗缺陷的檢測(cè)效率和準(zhǔn)確率，自主研發(fā)一套筒子紗缺陷自動(dòng)化檢測(cè)系統(tǒng)具有重要意義。自動(dòng)化檢測(cè)系統(tǒng)不僅可提高檢測(cè)效率，而且能降低人工檢測(cè)的成本。

目前，針對(duì)筒子紗的檢測(cè)儀器采用的原理主要分為機(jī)械方法、傳感器的方法和機(jī)器視覺[4]方法。設(shè)計(jì)設(shè)備時(shí)，根據(jù)所檢測(cè)筒子紗缺陷的表現(xiàn)形式的先驗(yàn)知識(shí)來選取適合的檢驗(yàn)方法。例如：筒子紗密度計(jì)、筒子紗硬度計(jì)設(shè)計(jì)基于機(jī)械方法；斷紗檢測(cè)器基于光電傳感器[5]；筒子紗回潮率測(cè)試儀基于濕敏傳感器實(shí)現(xiàn)。多層臺(tái)、菊花芯、網(wǎng)紗和多源紗等筒子紗缺陷在視覺上表現(xiàn)明顯，宜采用機(jī)器視覺的方法。本文針對(duì)筒子紗的上述幾種常見缺陷，提出了相應(yīng)的缺陷檢測(cè)算法，并且設(shè)計(jì)了一種基于機(jī)器視覺的筒子紗缺陷在線檢測(cè)系統(tǒng)。

1 系統(tǒng)的組成和工作原理

筒子紗缺陷檢測(cè)系統(tǒng)基于機(jī)器視覺技術(shù)和圖像處理方法實(shí)現(xiàn)，其組成如圖1所示。系統(tǒng)自動(dòng)采集筒子紗的圖像，并通過圖像處理和針對(duì)筒子紗紋理的目標(biāo)識(shí)別來判斷筒子紗是否具有某種缺陷。系統(tǒng)由傳送帶、筒子紗、相機(jī)組、對(duì)照式光電開關(guān)、光源組、工控機(jī)組成。

圖1 檢測(cè)系統(tǒng)的組成Fig.1 Composition of detection system

光源組選取集成LED條形光源，確保光源相應(yīng)速度以縮短圖像采集流程的時(shí)間。光線經(jīng)過一層磨砂玻璃散射，使光線以接近相同的亮度和方向照射，確保光源均勻。

當(dāng)待檢筒子紗到達(dá)系統(tǒng)工作位置后，遮蔽對(duì)照光電開關(guān)的投光光束，進(jìn)入受光器的光量減少到標(biāo)準(zhǔn)以下，光電開關(guān)發(fā)出開關(guān)信號(hào)量[6]。系統(tǒng)收到開關(guān)量后，各組相機(jī)與光源按照設(shè)置好的時(shí)序配合完成圖像采集的過程。圖像采集完成后，采用相應(yīng)的算法對(duì)圖像進(jìn)行處理，判斷筒子紗是否存在缺陷并輸出結(jié)果。

2 圖像采集

在圖像采集過程中，筒子紗作為一個(gè)運(yùn)動(dòng)目標(biāo)隨傳送帶一起運(yùn)動(dòng)。為采集到清晰的圖像且避免運(yùn)動(dòng)模糊，選取相機(jī)時(shí)需要綜合考慮分辨率和相機(jī)的采樣速度[7]。本文系統(tǒng)選用的相機(jī)型號(hào)均為MER-125-30UM，分辨率為1 292像素×964像素，傳感器像元為3.75 μm×3.75 μm。相機(jī)支持多級(jí)采集速度可調(diào)，高速模式下最小曝光時(shí)間可達(dá)19.875 μs。鏡頭選用C125-0618-5 M型6 mm和FL-CC0 814 A-2M型12 mm。其中12 mm鏡頭用于采集筒子紗頂面圖像，6 mm鏡頭用于采集筒子紗側(cè)面圖像。

試驗(yàn)樣品標(biāo)準(zhǔn)筒子紗的高度為20 cm，最大直徑為24 cm。在采集到的筒子紗圖像中，選取使筒子紗所成像占圖像的3/4高度。依據(jù)中心成像原理，分別計(jì)算并確定頂面和側(cè)面2個(gè)相機(jī)與筒子紗的標(biāo)準(zhǔn)工作距離，計(jì)算公式為

(1)

式中：u為像元大??；N為物體成像在單個(gè)方向所占的像素?cái)?shù)目；f為相機(jī)焦距；l為物體在對(duì)應(yīng)方向上的實(shí)際尺寸；d為待求的相機(jī)鏡頭與被測(cè)物體的距離。

根據(jù)以上參數(shù)確定相機(jī)的安裝位置：頂面相機(jī)與筒子紗頂面的距離為110 cm，鏡頭光心與筒子紗中心同軸；側(cè)面相機(jī)與筒子紗的距離為50 cm，鏡頭光心對(duì)準(zhǔn)筒子紗側(cè)面中心。按照系統(tǒng)的設(shè)置，筒子紗位置偏離標(biāo)準(zhǔn)位置4 cm之內(nèi)，不同機(jī)器生產(chǎn)的筒子最大直徑不超過32 cm，系統(tǒng)均能采集完整的筒子紗圖像，不影響缺陷識(shí)別的準(zhǔn)確度。

通過調(diào)節(jié)光源的亮度等級(jí)，設(shè)置正常模式和過曝光模式。將2種圖像采集模式分別用于采集筒子紗的輪廓和紋理圖像。由于曝光時(shí)間太長會(huì)降低相機(jī)的采樣速率，圖像會(huì)產(chǎn)生拖影，曝光時(shí)間太短容易使圖像產(chǎn)生超出容許范圍的大量噪聲，采集到清晰的圖像；因此，需要對(duì)相機(jī)的曝光時(shí)間進(jìn)行設(shè)計(jì)。根據(jù)中心成像原理，曝光時(shí)長應(yīng)綜合鏡頭焦距、待測(cè)物體距離及物體運(yùn)動(dòng)速度等多個(gè)因素考慮，其計(jì)算公式為

(2)

式中：t為曝光時(shí)長；u為像元大??；n為容許的最大拖影像素寬度；d為待測(cè)物距；f為鏡頭焦距；v為物體運(yùn)動(dòng)速度。

在該系統(tǒng)中，傳送帶的速度v為0.15 m/s，為保證紗線紋理清晰，取n為2個(gè)像素。計(jì)算曝光時(shí)間應(yīng)少于4.1 ms。最終，設(shè)定相機(jī)在2種拍照模式下的曝光時(shí)間均為3 ms，通過調(diào)節(jié)LED光源亮度實(shí)現(xiàn)過曝和正常圖像采集。系統(tǒng)采集到的原始圖像如圖2所示。

圖2 原始圖像Fig.2 Original image. (a) Overexposure image of side surface; (b) Normal image of top surface; (c) Overexposure image of top surface

3 圖像處理

筒子紗常見的幾種缺陷都有其鮮明的特征：多層臺(tái)缺陷表現(xiàn)為側(cè)面輪廓不連續(xù)；菊花芯、網(wǎng)紗、多源紗等缺陷表現(xiàn)為其頂面的紋理特征模式異于正常筒子紗，并各有其特點(diǎn)。根據(jù)這些先驗(yàn)知識(shí)，分別處理側(cè)面圖像與頂面圖像以識(shí)別不同缺陷。圖像處理過程的整體流程如圖3所示。

3.1 側(cè)面圖像處理

多層臺(tái)缺陷表現(xiàn)為筒子紗側(cè)面輪廓的間斷不連續(xù)。首先，對(duì)側(cè)面過曝圖像進(jìn)行輪廓提取。然后分析提取的輪廓特征，判斷筒子紗是否有多層臺(tái)缺陷。

3.1.1側(cè)面輪廓提取

為提取筒子紗輪廓，首先需要對(duì)圖像進(jìn)行分割。圖像閾值化分割是一種常用的圖像分割方法，實(shí)現(xiàn)簡單，計(jì)算量小，性能穩(wěn)定。為提取目標(biāo)，首先采用閾值分割確定筒子紗的像素區(qū)域。考慮到保證低的時(shí)間復(fù)雜度以及不均勻光照下分割的魯棒性，經(jīng)過測(cè)試，最大類間方差法(OTSU)是最合適的閾值分割方法。原始圖像經(jīng)過閾值分割后的二值圖如圖4(a)所示。

檢測(cè)多層臺(tái)缺陷所需要的特征是筒子紗側(cè)面的輪廓線特征，由于筒子紗與背景之間相較于筒子紗表面紋理的灰度值差異較大，因此，采用梯度邊緣來進(jìn)行分割目標(biāo)。分割筒子紗側(cè)面圖像需要強(qiáng)化垂直方向邊緣，采用水平方向的索貝爾(Sobel)梯度算子[8]，邊緣檢測(cè)結(jié)果如圖4(b)所示。截取投影曲線正負(fù)峰值之間的寬度區(qū)域，原圖高度的一半得到側(cè)面的感興趣區(qū)域，見圖4(c)。

圖3 圖像處理流程Fig.3 Image processing flow chart

圖4 側(cè)面目標(biāo)的提取結(jié)果Fig.4 Extraction results of sides. (a) Segmentation by OTSU; (b) Gradient image of side image and its horizontal projection; (c) Side contour of yarn cone

3.1.2多層臺(tái)缺陷識(shí)別

多層臺(tái)缺陷表現(xiàn)在側(cè)面輪廓出現(xiàn)斷層，以分割出的側(cè)面輪廓區(qū)域?yàn)槟繕?biāo)，分析其側(cè)面輪廓是否連續(xù)。在側(cè)面圖像的分割結(jié)果中，找到輪廓曲線的左右兩邊曲率最大的位置作為筒子紗側(cè)邊線的起止點(diǎn)，如圖5(a)所示，AB為側(cè)面輪廓區(qū)域。以AB為起點(diǎn)，AB中點(diǎn)為初始的終點(diǎn)(記為C)，使用最小二乘法擬合。設(shè)A,B,C點(diǎn)的x方向坐標(biāo)分別為xA,xB,xC，考慮選取常數(shù)a、b，擬合直線的形式為y=ax+b，有：

(3)

(4)

Ei=|ax+b-yi|

(5)

式中：xA和xC分別為輪廓線的起點(diǎn)和終點(diǎn)；i為投影的橫坐標(biāo)值；yi為曲線對(duì)應(yīng)的高度；Ei為擬合直線在i處的差值。

圖5 輪廓線擬合Fig.5 Outline fitting. (a) Starting and ending points of outline; (b) Fitting result

若i處差值大于給定的門限值視該點(diǎn)為偏差點(diǎn)，偏差點(diǎn)過多則將樣本區(qū)間縮短，直至找到最優(yōu)擬合直線，BC段的直線擬合方法與AC段完全類似。擬合完成后，若2段擬合直線的累積誤差之和超出門限，則認(rèn)為有多層臺(tái)缺陷，圖5(b)示出擬合結(jié)果。

3.2 頂面圖像處理

在頂面分別采集了過曝模式和正常模式的圖像，其中過曝模式圖像用于確定筒子紗中心位置及半徑大小。然后，通過筒子紗位置參數(shù)將頂面正常模式圖像展開為極坐標(biāo)圖，并提取目標(biāo)區(qū)域用于缺陷識(shí)別。

3.2.1頂面目標(biāo)區(qū)域提取

頂部相機(jī)采集的圖像中，筒子紗呈圓環(huán)狀，不利于后續(xù)對(duì)筒子紗紋理的分析，為此，利用相位相關(guān)和極坐標(biāo)變換相結(jié)合的方法[9]，將筒子紗頂面圖像從笛卡爾坐標(biāo)系轉(zhuǎn)換到極坐標(biāo)系。

首先，使用OTSU方法對(duì)頂面過曝圖像進(jìn)行閾值化處理，之后可大致分割出筒子紗的區(qū)域。通過計(jì)算筒子紗的零階和一階幾何矩初步確定筒子紗中心，將頂面過曝圖進(jìn)行極坐標(biāo)展開以確定筒子紗的筒芯半徑和筒子紗整體半徑。然后，將頂面正常圖進(jìn)行極坐標(biāo)展開。最后，頂面正常圖像的展開圖中，按照筒芯半徑和筒子紗整體半徑確定筒子紗的頂面區(qū)域。

3.2.2頂面缺陷識(shí)別

菊花芯缺陷識(shí)別過程中，將展開圖在垂直方向進(jìn)行投影。然后將投影曲線多次低通濾波，得到平滑的曲線，再用投影曲線與平滑曲線做差得到局部峰值圖，將局部峰值低通平滑后，刪除間隔過短與峰值過低的尖峰，如圖6(a)所示。

圖6 頂面缺陷識(shí)別Fig.6 Top surface defects recognition. (a) Recognition of core yarn defects; (b) Recognition of net yarn defects; (c) Recognition of multi-source defects

網(wǎng)紗缺陷的筒子紗，其頂面分布有雜線。雜線在展開圖中表現(xiàn)為存在非切向的邊緣，可使用水平方向的高斯濾波器對(duì)展開圖進(jìn)行處理并與展開圖作差，然后計(jì)算局部方向直方圖[10]。若可信度參數(shù)滿足條件，并且主梯度方向偏離垂直方向較大則判斷為網(wǎng)紗缺陷，識(shí)別過程如圖6(b)所示。

為識(shí)別多源紗缺陷，將頂面紋理展開圖水平方向進(jìn)行投影。分析投影曲線中對(duì)應(yīng)筒子紗頂面紋理部分的曲線特征，計(jì)算平均偏差，根據(jù)偏差值判斷是否為多源紗,如圖6(c)所示。

4 實(shí)驗(yàn)結(jié)果分析

本文實(shí)驗(yàn)選取Win10操作系統(tǒng)的工控機(jī)為平臺(tái)，硬件配置為英特爾i7，算法運(yùn)行環(huán)境為VS2015。經(jīng)多次實(shí)驗(yàn)測(cè)試，單張圖像的采集時(shí)間約為4.5 ms；圖像處理分析耗時(shí)約為290 ms。其中：多層臺(tái)識(shí)別耗時(shí)48.9 ms；菊花芯識(shí)別耗時(shí)62.3 ms；網(wǎng)紗識(shí)別耗時(shí)126.7 ms；多源紗識(shí)別耗時(shí)51.3 ms；單個(gè)筒子紗的完整檢測(cè)過程用時(shí)約為320 ms。按照傳送帶0.15 m/s的運(yùn)動(dòng)速度，前后2個(gè)筒子紗間距為1 m，本文系統(tǒng)滿足在線檢測(cè)的要求。

為驗(yàn)證本文提出的紋理缺陷檢測(cè)方法的可行性，選取正常無缺陷以及有以上待檢缺陷的多個(gè)樣品進(jìn)行測(cè)試。采集樣本的頂面與側(cè)面圖像，接著對(duì)圖像進(jìn)行閾值化處理，提取檢測(cè)目標(biāo)區(qū)域，針對(duì)各種缺陷對(duì)目標(biāo)區(qū)域進(jìn)行分析。

多層臺(tái)缺陷檢測(cè)時(shí)首先采集筒子紗側(cè)面輪廓圖，圖7(a)、(d)分別為正常筒子紗和多層臺(tái)缺陷的原始圖像；然后提取檢測(cè)的目標(biāo)區(qū)域，如圖7(b)、(e)所示；接著對(duì)目標(biāo)區(qū)域進(jìn)行分析，圖7(c)、(f)分別示出正常筒子紗和多層臺(tái)缺陷筒子紗的檢測(cè)結(jié)果。

圖7 多層臺(tái)缺陷檢測(cè)結(jié)果Fig.7 Detecting results of multilayer defects. (a) Normal yarn cone; (b) Extraction result of normal yarn cone; (c) Fitting result of normal yarn cone; (d) Multilayer yarn cone; (e) Extraction result of multilayer yarn cone; (f) Fitting result of multilayer yarn cone

菊花芯檢測(cè)實(shí)驗(yàn)中，采集頂面過曝的輪廓圖和頂面的紋理圖像。輪廓圖用于確定筒子紗中心，紋理圖用于識(shí)別缺陷。圖8示出菊花芯缺陷檢測(cè)結(jié)果。

圖8 菊花芯缺陷檢測(cè)結(jié)果Fig.8 Detecting results of core yarn defects. (a) Curly core yarn cone; (b) Normal yarn cone; (c) Polar image of curly core yarn cone; (d) Polar image of normal yarn cone; (e) Local peak of curly core yarn cone; (f) Local peak of normal yarn cone

如圖8所示，分析局部峰值圖尖峰的數(shù)目，正常筒子紗的尖峰數(shù)目為4，菊花芯筒子紗尖峰數(shù)目為20，遠(yuǎn)大于正常筒子紗，檢測(cè)結(jié)果符合實(shí)際缺陷。

網(wǎng)紗檢測(cè)時(shí)，采集的正常筒子紗和網(wǎng)紗的紋理圖像如圖9(a)、(b)所示，極坐標(biāo)展開圖如圖9(c)、(d)所示。 最終檢測(cè)結(jié)果如圖9(e)、(f)所示，黑色區(qū)域標(biāo)記表示雜線形成非水平方向的強(qiáng)邊緣。

圖9 網(wǎng)紗缺陷檢測(cè)結(jié)果Fig.9 Detecting results of net yarn defects. (a) Normal yarn cone; (b) Net yarn cone; (c) Polar image of normal yarn cone; (d) Polar image of net yarn cone; (e) Detecting result of normal yarn cone; (f) Detecting result of net yarn cone

識(shí)別單源紗與多源紗時(shí)，采集筒子紗頂面的紋理圖與輪廓圖。多源紗缺陷在灰度圖像中表現(xiàn)為筒子紗頂面紋理因棉紗原材料不純而造成紗層之間的顏色差異，如圖10(a)為單源紗紋理，圖10(b)為多源紗紋理。圖10(c)、(d)分別為對(duì)應(yīng)的展開圖;圖10(e)、(f)分別為單源紗與多源紗在水平方向上的投影，在筒芯到筒子紗外沿的半徑范圍，單源紗的平均偏差只有1.8，而多源紗的平均偏差高達(dá)8.4。

5 結(jié) 論

本文設(shè)計(jì)了一種基于機(jī)器視覺的筒子紗缺陷在線檢測(cè)系統(tǒng)。該系統(tǒng)利用對(duì)照式光電開關(guān)判斷筒子紗到達(dá)指定位置，程控條形光源配合工業(yè)相機(jī)組對(duì)筒子紗各方向進(jìn)行采集。針對(duì)筒子紗常見且影響較大的多層臺(tái)、菊花芯、網(wǎng)紗、多源紗等缺陷，本文提出了相應(yīng)的檢測(cè)算法。實(shí)驗(yàn)檢測(cè)結(jié)果與實(shí)際缺陷特征具有良好的一致性。在實(shí)際在線檢測(cè)過程中，本文系統(tǒng)能有效地針對(duì)筒子紗的多層臺(tái)、菊花芯、網(wǎng)紗、多源紗缺陷進(jìn)行實(shí)時(shí)識(shí)別檢測(cè)，具有其工程實(shí)際意義。

[1] 郁崇文. 紡紗工藝設(shè)計(jì)與質(zhì)量控制[M]. 北京：中國紡織品出版社，2005：3-20.

YU Chongwen. Spinning Process Design and Quality Control[M]. Beijing: China Textile & Apparel Press, 2005：3-20.

[2] 蔡杰. 基于小浴比筒子紗染色過程的pH值控制方法研究[D]. 廣州：華南理工大學(xué)，2012：1-30.

CAI Jie. Research on pH control method based on small bath ratio dyeing process[D]. Guangzhou: South China University of Technology, 2012：1-30.

[3] 陳航，楊緒美. 筒子紗常見疵點(diǎn)成因及預(yù)防[J]. 棉紡織技術(shù), 2012, 40(7):53-55.

CHEN Hang, YANG Xumei. Prevention and reasons of cheese yarn frequent defects[J]. Cotton Textile Technology, 2012, 40(7):53-55.

[4] 劉曙光，屈萍鴿，費(fèi)佩燕. 機(jī)器視覺在紡織檢測(cè)中的應(yīng)用[J]. 紡織學(xué)報(bào), 2003, 24(6):89-91.

LIU Shuguang, QU Pingge, FEI Peiyan. Applications of machine vision in textile inspection[J]. Journal of Textile Research, 2003, 24(6):89-91.

[5] 宋曉亮，劉建立，徐陽. 光電式環(huán)錠斷紗在線檢測(cè)系統(tǒng)[J]. 紡織學(xué)報(bào), 2014, 35(8):94-98.

SONG Xiaoliang, LIU Jianli, XU Yang. On-line detecting system based on optoelectronic technology for ring spun-yarn breakage[J]. Journal of Textile Research, 2014, 35(8):94-98.

[6] 吳金鴻，張連中，劉麗娜. 光電開關(guān)及其應(yīng)用[J]. 電子設(shè)計(jì)工程, 2001, 1(5):14-18.

WU Jinhong, ZHANG Lianzhong, LIU Lina. Photoelectricity switch and its application[J]. Electronic Design Engineering, 2001, 1(5):14-18.

[7] 劉煥軍，王耀南，段峰. 機(jī)器視覺中的圖像采集技術(shù)[J]. 電腦與信息技術(shù), 2003(1):18-21.

LIU Huanjun, WANG Yaonan, DUAN Feng. Image acquisition technology in machine vision[J]. Computer and Information Technology, 2003(1):18-21.

[8] HUANG Longjun, LIU Qinghua, TANG Jie. Scratch line detection and restoration based on Sobel oper-ator[J]. International Journal of Grid and Utility Computing, 2015, 6(2): 67-73.

[9] 曉衛(wèi)，李登輝，楊鑫. 面積-極坐標(biāo)變換在光學(xué)相關(guān)目標(biāo)識(shí)別中的應(yīng)用[J]. 光學(xué)與光電技術(shù)，2016，14(5):78-83.

XIAO Wei, LI Denghui, YANG Xin. Application of area polar coordinate transform in optical correlation target recognition[J]. Optics & Optoelectronic Technology, 2016, 14(5):78-83.

[10] 李春雷，高廣帥，劉洲峰. 應(yīng)用方向梯度直方圖和低秩分解的織物疵點(diǎn)檢測(cè)算法[J]. 紡織學(xué)報(bào)，2017，38(3):149-154.

LI Chunlei, GAO Guangshuai, LIU Zhoufeng. Fabric defect detection algorithm based on low rank decomposition using directional gradient histogram[J]. Journal of Textile Research, 2017, 38(3):149-154.