應(yīng)用圖像處理的紗線(xiàn)黑板毛羽量檢測(cè)與評(píng)價(jià)

陸奕辰， 王 蕾， 唐千惠， 潘如如， 高衛(wèi)東

(生態(tài)紡織教育部重點(diǎn)實(shí)驗(yàn)室(江南大學(xué))， 江蘇 無(wú)錫 214122)

紗線(xiàn)毛羽不僅影響紗線(xiàn)中纖維的有效利用率與強(qiáng)度，還影響織物的透氣和外觀(guān)性能等，是反映紗線(xiàn)質(zhì)量的重要指標(biāo)之一[1]。紗線(xiàn)毛羽檢測(cè)的常用方法有人工目測(cè)法和光電法：采用人工目測(cè)法觀(guān)察毛羽，取樣數(shù)量少，測(cè)試效率低，且結(jié)果易受人為因素影響；UT5型烏斯特儀上的毛羽測(cè)試模塊是最常用的利用光電法測(cè)量毛羽的設(shè)備，其輸出結(jié)果可對(duì)照烏斯特統(tǒng)計(jì)公報(bào)找出紗線(xiàn)的毛羽水平，但很多中小規(guī)模的紡紗廠(chǎng)或印染廠(chǎng)常因?yàn)跛固貎x設(shè)備價(jià)格昂貴或?qū)嶒?yàn)條件限制等問(wèn)題，無(wú)法使用其進(jìn)行毛羽檢測(cè)。

運(yùn)用圖像處理技術(shù)檢測(cè)紗線(xiàn)毛羽量已成為紗線(xiàn)外觀(guān)測(cè)量的趨勢(shì)：OZKAVA等[2]通過(guò)區(qū)分背光圖像和暗場(chǎng)圖像，提出采用圖像直方圖確定背光圖像的2個(gè)閾值，分別表示紗線(xiàn)條干和毛羽，但此法不適用于具有相近閾值的紗線(xiàn)條干和紗線(xiàn)毛羽圖像的檢測(cè)；張繼蕾[3]結(jié)合圖像處理和多區(qū)域輪廓跟蹤算法完成紗線(xiàn)毛羽的自動(dòng)檢測(cè)；Fabijanska等[4]先后采用中值濾波和高通濾波對(duì)紗線(xiàn)圖像進(jìn)行預(yù)處理和閾值分割，然后基于Canny邊界檢測(cè)提取紗線(xiàn)毛羽；孫銀銀等[5]經(jīng)灰度變換、圖像分割、圖像細(xì)化處理等，得到較完整的紗線(xiàn)條干和毛羽圖像，以紗線(xiàn)條干邊緣為基準(zhǔn)線(xiàn)，判斷毛羽分割點(diǎn)，得到不同長(zhǎng)度的毛羽根數(shù)；Wang等[6]利用雙平面鏡成像原理開(kāi)發(fā)了一套紗線(xiàn)三維重構(gòu)算法，通過(guò)紗線(xiàn)多個(gè)角度所呈的像重建紗線(xiàn)的三維模型，進(jìn)而得到毛羽的實(shí)際長(zhǎng)度。上述研究中，均采用紗線(xiàn)圖像減去紗線(xiàn)條干的算法得到毛羽圖像。若能直接獲取毛羽信息，則可簡(jiǎn)化圖像處理程序，提高檢測(cè)效率。此外，這類(lèi)研究方法得到的毛羽信息，如毛羽長(zhǎng)度和根數(shù)，雖較準(zhǔn)確但無(wú)法給出圖像毛羽整體水平的檢測(cè)結(jié)果。

根據(jù)上述現(xiàn)存問(wèn)題，本文首先提出一種基于圖像處理技術(shù)的紗線(xiàn)黑板毛羽量檢測(cè)方法，即采用掃描儀獲取均勻繞在黑板上的紗線(xiàn)灰度圖像，對(duì)圖像進(jìn)行中值濾波、二值化處理和紗線(xiàn)形態(tài)學(xué)運(yùn)算后，分割得到紗線(xiàn)條干和膨脹過(guò)的紗線(xiàn)條干，再通過(guò)局部閾值分割法，提取圖像中的毛羽信息，進(jìn)而統(tǒng)計(jì)整張圖片的毛羽像素個(gè)數(shù)。根據(jù)圖像處理的結(jié)果，提出毛羽量指標(biāo)M指數(shù)，并比較了M指數(shù)與烏斯特儀測(cè)得的毛羽值(H值)，得到二者的關(guān)系式。

1 紗線(xiàn)圖像采集

1.1 實(shí)驗(yàn)儀器與材料

儀器：VHX-5000型數(shù)碼顯微系統(tǒng)，基恩士(中國(guó))有限公司；9000F Mark2型掃描儀，Canon公司；YG381型搖黑板機(jī)，南通宏大實(shí)驗(yàn)儀器有限公司；UT5型烏斯特儀，烏斯特技術(shù)有限公司。

材料：原料、線(xiàn)密度和紡紗方式各不相同的紗線(xiàn)共計(jì)18種，試樣1#～9#產(chǎn)自杭州日南紡織有限公司，試樣10#～18#產(chǎn)自常州立萬(wàn)紡織品有限公司。其具體參數(shù)如表1所示。用于模型驗(yàn)證的紗線(xiàn)共 6種，產(chǎn)自杭州日南紡織有限公司，編號(hào)為19#～24#。

1.2 圖像采集參數(shù)

圖1示出紗線(xiàn)在不同狀態(tài)下的圖像。圖1(a)為用基恩士VHX-5000拍攝的自然狀態(tài)下紗線(xiàn)圖像，圖1(b)為同一鏡頭下、用載玻片蓋住同片段紗線(xiàn)，以模擬掃描儀狀態(tài)下的毛羽。通過(guò)對(duì)比可發(fā)現(xiàn)：圖1(a)圓形框內(nèi)的試樣由于毛羽處于懸浮狀態(tài)而導(dǎo)致失焦，且與條干部分重合的毛羽也無(wú)法顯示；圖1(b)中經(jīng)載玻片壓平后，原本不在一個(gè)平面內(nèi)的毛羽顯示了出來(lái)，毛羽信息較圖1(a)更清晰、全面，因此，使用掃描儀可將二維紗線(xiàn)圖像上與條干不在同一焦平面上的毛羽通過(guò)壓平的方式顯示出來(lái)，可減小實(shí)驗(yàn)誤差，提高圖像處理結(jié)果的可靠度。

表1 試樣參數(shù)

圖1 紗線(xiàn)在不同狀態(tài)下的圖像Fig.1 Image of yarn in different states.(a)Natural state；(b)Covered state by glass slide

不同于CCD工業(yè)相機(jī)和視頻顯微鏡，掃描儀可自定義采集分辨率。當(dāng)掃描分辨率為800像素時(shí)，紗線(xiàn)毛羽與黑板背景的分界不清晰，部分毛羽模糊，不利于準(zhǔn)確計(jì)算紗線(xiàn)毛羽量；當(dāng)分辨率大于 2 000像素時(shí)，實(shí)驗(yàn)準(zhǔn)確性大大提高，但分辨率越高、存儲(chǔ)空間越大，處理速度就越慢。為兼顧紗線(xiàn)毛羽的清晰度和圖像處理速度，實(shí)驗(yàn)中選用1 200像素掃描分辨率，掃描介質(zhì)為黑白型，即紗線(xiàn)圖片為灰度圖像，可直接減少圖像處理的計(jì)算量，便于后續(xù)的紗線(xiàn)圖像處理。

依次將18種試樣利用YG381型搖黑板機(jī)均勻纏繞在220 mm × 250 mm的黑板上。通過(guò)9000F Mark2掃描儀獲取紗線(xiàn)黑板圖像并將采集的圖像輸入計(jì)算機(jī)。為減小誤差，將黑板邊緣的紗線(xiàn)排除在測(cè)量范圍之外，實(shí)驗(yàn)時(shí)每張圖片截取圖像大小為 9 000 像素 × 10 800 像素，實(shí)際對(duì)應(yīng)83根紗線(xiàn)，總長(zhǎng)為18.97 m，黑板區(qū)域?yàn)?90.5 mm × 228.6 mm。圖2示出11#號(hào)試樣(即線(xiàn)密度為9.83 tex的緊密賽絡(luò)紡滌綸紗線(xiàn))的局部采集圖像。

圖2 黑板紗線(xiàn)局部采集圖像Fig.2 Local collection image of blackboard yarn

2 圖像處理

以11#試樣為例，闡述本文提出的用圖像處理計(jì)算紗線(xiàn)黑板毛羽量的方法。實(shí)驗(yàn)過(guò)程中，首先對(duì)試樣圖像進(jìn)行預(yù)處理，然后采用形態(tài)學(xué)運(yùn)算處理紗線(xiàn)條干部分，最后獲得紗線(xiàn)毛羽量。

2.1 圖像預(yù)處理

為消除黑板上遺留的粉塵干擾，采用medfilt函數(shù)先對(duì)紗線(xiàn)黑板圖像進(jìn)行中值濾波。中值濾波在衰減噪聲的同時(shí)不會(huì)使圖像的邊界模糊。選用的濾波窗口為3像素× 3像素。

然后，將紗線(xiàn)灰度圖像轉(zhuǎn)換成二值圖像。使用最大類(lèi)間方差法找到圖像的全局最優(yōu)閾值，該閾值為[0,1]內(nèi)歸一化的強(qiáng)度值。當(dāng)目標(biāo)與背景的分割閾值為t時(shí)，目標(biāo)像素點(diǎn)占整個(gè)圖像比例為w0，平均灰度為μ0；背景像素點(diǎn)占整個(gè)圖像比例為w1，平均灰度為μ1。整個(gè)圖像平均灰度為

μ=w0μ0+w1μ1

(1)

此時(shí)，該圖像的類(lèi)間方差為

g(t)=w0(μ0-μ)2+w1(μ1-μ)2

(2)

當(dāng)g(t)取得全局最大值時(shí)，所對(duì)應(yīng)的t為最佳閾值。

設(shè)原灰度圖像為f(x,y)，二值化后的圖像為g(x,y)。二值化的過(guò)程[7]如下：

(3)

圖3為11#試樣上某段紗線(xiàn)圖像預(yù)處理前后的對(duì)比圖。由于毛羽本身柔軟，以致光照不勻造成紗線(xiàn)圖像中同根毛羽上不同部位出現(xiàn)灰度不勻的情況，因此，導(dǎo)致圖3(b)預(yù)處理圖像遺失部分毛羽信息，這也是本文提出的新算法旨在解決的問(wèn)題。

圖3 紗線(xiàn)圖像預(yù)處理前后對(duì)比圖Fig.3 Comparison of original(a)and preprocessing (b) image of yarn

2.2 形態(tài)學(xué)運(yùn)算

本節(jié)采用形態(tài)學(xué)運(yùn)算對(duì)紗線(xiàn)二值圖像進(jìn)行運(yùn)算，得到紗線(xiàn)條干圖像。圖像形態(tài)學(xué)運(yùn)算的原理是利用結(jié)構(gòu)元素B對(duì)圖像A作開(kāi)運(yùn)算，記為A°B[8]，其定義為

A°B=(AΘB)⊕B

(4)

式中，(AΘB)⊕B表示A先被B腐蝕，然后被圓盤(pán)型結(jié)構(gòu)元素B膨脹。

圖4示出用不同半徑r的圓盤(pán)結(jié)構(gòu)元素對(duì)圖3(b)進(jìn)行形態(tài)學(xué)運(yùn)算的結(jié)果。當(dāng)圓盤(pán)結(jié)構(gòu)元素B的半徑為1或2像素(文中半徑r的單位為像素的點(diǎn)個(gè)數(shù)，以下單位省略)時(shí)，紗線(xiàn)條干圖像上有些毛羽像素未被處理(見(jiàn)圖4(a)的Ⅰ區(qū)域和4(b)的Ⅱ區(qū)域)；當(dāng)圓盤(pán)結(jié)構(gòu)元素為5時(shí)，圖像被過(guò)度腐蝕，造成條干部分中斷(見(jiàn)圖4(d)的Ⅲ區(qū)域)，所以半徑r為1、2或5的圓盤(pán)結(jié)構(gòu)元素B均不適用于紗線(xiàn)的形態(tài)學(xué)開(kāi)運(yùn)算。圖4(c)顯示，當(dāng)圓盤(pán)結(jié)構(gòu)元素B的半徑r為3時(shí)，形態(tài)學(xué)開(kāi)運(yùn)算使紗線(xiàn)較完整地保持了紗線(xiàn)條干特征，同時(shí)消除了毛羽和背景點(diǎn)，運(yùn)算結(jié)果較好。

圖4 不同圓盤(pán)半徑時(shí)的形態(tài)學(xué)開(kāi)運(yùn)算圖像Fig.4 Image of morphological open operation with different disk radius

為得到完全去除條干并只有毛羽的圖像，還需對(duì)紗線(xiàn)條干作膨脹處理。圖像膨脹的原理是利用結(jié)構(gòu)元素D對(duì)圖像C進(jìn)行膨脹，記為C⊕D，定義為

C⊕D=[CEΘ(-D)]E

(5)

式中，D為圓盤(pán)型結(jié)構(gòu)元素。

圖5示出不同圓盤(pán)半徑時(shí)的膨脹處理圖像。當(dāng)結(jié)構(gòu)元素D的半徑r取0，即圖像未作膨脹處理時(shí)(見(jiàn)圖5(a))，或結(jié)構(gòu)元素D的半徑r為3(見(jiàn)圖5(b))時(shí)，圖像上均會(huì)遺留一些條干邊緣像素；當(dāng)結(jié)構(gòu)元素D的半徑r為8，條干邊緣的部分毛羽像素被腐蝕(見(jiàn)圖5(d))。圖5(c)顯示，當(dāng)圓盤(pán)結(jié)構(gòu)元素D的半徑r為6時(shí)，膨脹處理使紗線(xiàn)條干清晰，運(yùn)算結(jié)果較好。

圖5 不同圓盤(pán)半徑時(shí)的膨脹處理圖像Fig.5 Image of dilating operation with different disk radius

2.3 毛羽量統(tǒng)計(jì)

由于毛羽延伸方向的無(wú)規(guī)則性，使得掃描光照不勻造成同一根毛羽的不同部位和不同毛羽之間在圖像中的亮度不同，且部分紗線(xiàn)毛羽和黑板背景之間邊界不明。若采用全局單一閾值進(jìn)行毛羽分割，將無(wú)法兼顧圖像不同區(qū)域的實(shí)際情況，導(dǎo)致毛羽分割丟失。為提取整塊黑板毛羽的完整信息，本文提出基于大津法(OTSU)的圖像局部分割法分別對(duì)條干和非條干區(qū)域處理。

OTSU法[9]是采用最大類(lèi)間方差法對(duì)圖像中的像素用閾值分為目標(biāo)和背景。根據(jù)式(1)、(2)計(jì)算得到最佳閾值。由于圖像中紗線(xiàn)毛羽和背景之間差異較小，需選用合適的閾值分割，得到紗線(xiàn)與背景完全分離且不丟失毛羽信息的圖像。

本文算法具體實(shí)現(xiàn)如下：首先，圖像分成條干區(qū)域和非條干區(qū)域處理，將圖像按12 像素 × 12 像素的窗口分塊處理。對(duì)條干區(qū)域，按所設(shè)置的窗口檢測(cè)到其中的像素值全部為1，即是條干部分，直接將其窗口內(nèi)的像素值變?yōu)?儲(chǔ)存在一個(gè)新矩陣Z中。對(duì)非條干區(qū)域，在子窗口中，提取所有非條干的像素點(diǎn)。為排除背景噪點(diǎn)對(duì)毛羽檢測(cè)的影響，進(jìn)行基于方差的毛羽分割。當(dāng)窗口中非條干像素點(diǎn)的像素值方差大于5時(shí)，采用大津閾值對(duì)非條干像素點(diǎn)進(jìn)行分割，結(jié)果存入矩陣Z中；若方差小于5，則說(shuō)明窗口中存在于背景的噪點(diǎn)不是毛羽，直接將其像素值變?yōu)?存儲(chǔ)在矩陣Z中。圖6為圖3(a)所示的紗線(xiàn)原始圖像的毛羽圖。圖7為圖2所示的9.83 tex紗線(xiàn)黑板局部采集圖像的毛羽圖。本文通過(guò)以上局部閾值方法實(shí)現(xiàn)了紗線(xiàn)毛羽的準(zhǔn)確分割，完整地保留了黑板毛羽信息。

圖6 毛羽分割圖像Fig.6 Image of hairiness segmentation

圖7 紗線(xiàn)黑板毛羽圖Fig.7 Image of blackboard yarn hairiness

通過(guò)上述算法得到紗線(xiàn)毛羽二值圖像，其基本單位是像素。遍歷矩陣Z中所有非零像素點(diǎn)，即可得到圖像中毛羽的數(shù)量：

(6)

式中：h(x,y)為毛羽分割后的圖像；(x、y)為像素點(diǎn)的坐標(biāo)；N1和N2對(duì)應(yīng)于圖像的大小，即N1為9 000像素，N2為10 800像素。

2.4 毛羽量M指數(shù)

由于圖像法測(cè)得的像素值為黑板總的毛羽結(jié)果，該指標(biāo)無(wú)法體現(xiàn)黑板上紗線(xiàn)單位長(zhǎng)度的毛羽量。本節(jié)提出M指數(shù)作為評(píng)價(jià)黑板毛羽量的指標(biāo)，為無(wú)量綱參數(shù)：

(7)

式中，Lm為黑板圖像上長(zhǎng)度為L(zhǎng)s(cm)紗段的當(dāng)量毛羽長(zhǎng)度，也就是將黑板圖像上毛羽的像素點(diǎn)總數(shù)A換算成單個(gè)像素點(diǎn)為直徑的毛羽長(zhǎng)度，cm。

在本文實(shí)驗(yàn)條件下，M值為

1.12×10-6A

(8)

式中：(2.54×1 200)A為在1 200像素條件下的毛羽像素點(diǎn)總數(shù)的長(zhǎng)度換算公式；Ls值為1 897 cm。

3 測(cè)試結(jié)果與分析

3.1 M指數(shù)與H值

Uster儀所測(cè)得的毛羽H值是指紗線(xiàn)上所有伸出紗線(xiàn)主體的纖維總長(zhǎng)度與測(cè)量長(zhǎng)度(1 cm)之比，為無(wú)量綱參數(shù)。樣品單位測(cè)試長(zhǎng)度為100 m。該結(jié)果可對(duì)照烏斯特統(tǒng)計(jì)公報(bào)查出相應(yīng)的紗線(xiàn)毛羽水平，廣泛應(yīng)用于國(guó)內(nèi)外紡織品市場(chǎng)[10]。

以表1中的18種紗線(xiàn)為試樣。每種試樣采集 10個(gè)紗線(xiàn)黑板圖像，采用本文創(chuàng)建的測(cè)試和評(píng)價(jià)方法獲得毛羽量M指數(shù)；同一試樣的另10個(gè)紗線(xiàn)黑板圖像經(jīng)Uster儀檢測(cè)后獲得毛羽H值。18種試樣的平均M指數(shù)和平均H值如表2所示?？芍?，18種試樣M指數(shù)的CV值均小于4%，表明應(yīng)用本文方法檢測(cè)毛羽結(jié)果具有穩(wěn)定性。

表2 M指數(shù)和H值的測(cè)試結(jié)果Tab.2 Test results of M index and H value

由表2可知，當(dāng)原料和紡紗方式相同(如試樣1#、2#、3#或4#、5#、6#或7#、8#、9#或10#、11#、12#或13#、14#、15#或16#、17#、18#)時(shí)，毛羽的M指數(shù)和H值的變化趨勢(shì)相同，均隨線(xiàn)密度的增大而增大；線(xiàn)密度為11.8 tex的環(huán)錠紡、緊密賽絡(luò)紡和緊密紡的滌綸紗線(xiàn)(如試樣8#、12#、18#)，紗線(xiàn)的毛羽量大小順序依次為環(huán)錠紡>緊密紡>緊密賽絡(luò)紡。

3.2 擬合方程

根據(jù)表2得到18種試樣的M指數(shù)與H值的Pearson相關(guān)系數(shù)為0.972；sig.值均為0，差異極顯著(p<0.01)，二者間有極強(qiáng)的正相關(guān)性，因此，設(shè)y為H值，x為毛羽量M指數(shù)，擬合方程見(jiàn)表3。

分析表3所得擬合方程可知，本文采用冪函數(shù)曲線(xiàn)作為M指數(shù)與H值關(guān)系的最佳曲線(xiàn)，其回歸方程為

y=1.453x0.85

(9)

冪函數(shù)的可決系數(shù)R2最大，值為0.950，且相關(guān)系數(shù)R也最大，為0.975。表3中的擬合方程的顯著性sig.值均為0.000，且所構(gòu)建方程的相關(guān)系數(shù)都達(dá)到了顯著相關(guān)水平。M指數(shù)與H值關(guān)系的擬合程度優(yōu)劣可通過(guò)R2值來(lái)衡量，其值越接近1，優(yōu)度越好。

表3 擬合方程綜述表

從方程的F檢驗(yàn)結(jié)果來(lái)看，式(9)的F檢驗(yàn)值為304.193，相應(yīng)的顯著性小于0.001，回歸方程非常顯著。從回歸系數(shù)的顯著性檢驗(yàn)來(lái)看，得到t檢驗(yàn)值為17.441，相應(yīng)的概率p值小于0.001，回歸系數(shù)非常顯著，表明本文所建立的冪函數(shù)回歸方程有統(tǒng)計(jì)意義，2個(gè)變量之間相關(guān)關(guān)系顯著，2種方法測(cè)得的毛羽量M指數(shù)與H值具有較好的可替代性，式(9)可作為毛羽H值的預(yù)測(cè)模型。

3.3 檢 驗(yàn)

為檢驗(yàn)紗線(xiàn)毛羽值預(yù)測(cè)模型的準(zhǔn)確性，提取原料、紡紗方式、線(xiàn)密度不同的6種紗線(xiàn)的M指數(shù)，按式(9)計(jì)算得到毛羽預(yù)測(cè)值H′如表4所示?？梢?jiàn)，毛羽預(yù)測(cè)值H′與Uster儀測(cè)得的毛羽H值的誤差范圍為1.78%～6.73%，因此，首先采用本文提出的基于圖像處理的毛羽檢測(cè)方法，然后采用評(píng)價(jià)黑板毛羽量的指標(biāo)M指數(shù)、最終運(yùn)用創(chuàng)建的毛羽預(yù)測(cè)模型，可有效預(yù)測(cè)毛羽H值。

表4 毛羽H值與預(yù)測(cè)值H′Tab.4 H value and prediction results of H′

4 結(jié) 論

紗線(xiàn)毛羽是反映紗線(xiàn)質(zhì)量的重要指標(biāo)之一。本文針對(duì)主觀(guān)評(píng)價(jià)的不足，建立了一種新的客觀(guān)評(píng)價(jià)方法，結(jié)論如下：

1)提出了一種基于圖像處理的紗線(xiàn)黑板毛羽量檢測(cè)方法；即通過(guò)中值濾波、二值化處理、形態(tài)學(xué)運(yùn)算、圖像分割等圖像處理技術(shù)獲取毛羽量像素值。

2)提出了評(píng)價(jià)紗線(xiàn)黑板毛羽量的新指標(biāo)M指數(shù)，建立了紗線(xiàn)黑板毛羽值預(yù)測(cè)模型。

3)采用本文建立的基于圖像處理的毛羽量檢測(cè)方法，并應(yīng)用構(gòu)建的毛羽值預(yù)測(cè)模型，可較準(zhǔn)確地預(yù)測(cè)毛羽H值，客觀(guān)評(píng)價(jià)毛羽水平。