基于圖像處理的棉亞麻纖維的自動檢測

趙宇濤 黃仰東 鄧中民

(武漢紡織大學(xué)，湖北武漢，430200)

麻纖維具有吸濕性好、導(dǎo)濕快、強度高等優(yōu)點，但純麻織物具有刺癢感，因此麻纖維大多與棉纖維混紡成為棉麻織物[1]。在生產(chǎn)、貿(mào)易與檢驗環(huán)節(jié)中，棉麻纖維在混紡紗中的種類及含量需要進行準確的標注。目前的纖維識別機構(gòu)普遍運用顯微鏡直接計數(shù)法來測定棉麻混紡紗的混紡比，但此方法的缺點明顯：人工計數(shù)耗時長，受識別人員主觀影響較大[2-3]。本課題將棉亞麻纖維圖像在Matlab中進行預(yù)處理，提取纖維特征值后對特征值進行比較分析，最后將特征值參數(shù)輸入BP神經(jīng)網(wǎng)絡(luò)進行學(xué)習。通過6特征參數(shù)6閾值與BP神經(jīng)網(wǎng)絡(luò)的組合識別模式，最終有效地提高識別精度及識別效率，為實現(xiàn)棉亞麻纖維的自動化檢測提供參考。

1 棉亞麻纖維縱向切片圖像的提取

采用Y172型哈氏纖維切片器，隨機截取棉亞麻混紡樣品中長度約為0.4 mm的一段，在顯微鏡圖像中截取豎直的單根纖維。顯微鏡下截取的部分棉纖維和亞麻纖維見圖1。

(a) 棉纖維

(b) 亞麻纖維

圖1 截取的部分棉纖維與亞麻纖維顯微鏡圖像

2 纖維圖像的預(yù)處理

纖維圖像在采集過程中，時常會遭遇光照不勻、噪聲或纖維不在同一水平面引起的重疊虛影。為了消除這些對后續(xù)提取纖維特征參數(shù)造成的不良影響，需要對纖維圖像進行預(yù)處理，包括圖像的灰度化處理、雜質(zhì)噪聲濾除、圖像增強處理、圖像偏斜矯正以及圖像邊緣提取與修補。

2.1 灰度化處理

棉纖維與亞麻纖維之間的特征差異主要集中于纖維結(jié)構(gòu)上的差異，因此在特征值的提取上，顏色差異不在特征值提取范圍內(nèi)?；叶葓D即為圖像中RGB三個分量數(shù)值相等[4]。由于彩色圖像的存儲量為灰度圖像的3倍，為了提高圖像預(yù)處理的效率，需將彩色的棉纖維與亞麻纖維圖像進行灰度化處理。

灰度化處理通過加權(quán)平均值法得到灰度圖像，其運行效率更高，處理后的灰度圖像更清晰柔和。棉纖維與亞麻纖維進行灰度化處理后的圖像見圖2。

(a)棉纖維 (b)亞麻纖維

圖2 棉纖維與亞麻纖維進行灰度化處理后的圖像

2.2 噪聲消除及圖像增強處理

經(jīng)由灰度化處理后的棉纖維與亞麻纖維圖像仍然有許多噪聲，如纖維圖像中的氣泡雜質(zhì)等，噪聲的存在會對纖維圖像的識別造成干擾。通過平滑處理的均值濾波方法可以有效去除噪聲，其方法運算簡單，易于實現(xiàn)，而且能較好地保護邊界，有利于后續(xù)的邊緣提取[5]。

顯微鏡下觀察到的纖維圖像特征不突出，為了提取棉纖維與亞麻纖維的局部細節(jié)特征，提高識別的準確率，需要對纖維圖像進行增強處理，以強化特征。通過改變纖維圖像的直方圖來進行圖像的增強處理是比較常用的方法，纖維圖像的灰度直方圖在低灰度值區(qū)間上的情況較多，因此需要進行直方圖均衡化，使灰度區(qū)間和灰度級增大，增強較暗處的細節(jié)特征[6]。

棉纖維與亞麻纖維圖像進行噪聲消除和增強處理后的圖像見圖3。

(a)棉纖維 (b)亞麻纖維

圖3 棉纖維與亞麻纖維噪聲消除和增強處理后圖像

2.3 二值化處理

二值化處理是將纖維圖像由灰度圖像轉(zhuǎn)化為二值化后的黑白圖像。將圖像進行二值化后，圖像的邊緣提取將能更有效地進行，其輪廓特征也更容易識別。棉纖維與亞麻纖維進行二值化后的纖維圖像見圖4。

(a)棉纖維 (b)亞麻纖維

圖4 棉纖維與亞麻纖維二值化處理后的圖像

2.4 偏斜矯正

在纖維圖像的拍攝和截取過程中，絕大多數(shù)纖維不是處于水平或豎直方向的，無序的排列會對識別過程有極大的干擾，例如在亞麻纖維識別過程中，傾斜的亞麻纖維可能會使計算機將亞麻纖維的橫節(jié)部分錯誤地識別為外部邊緣部分，引起錯誤的結(jié)果。纖維圖像的偏斜角度不同，會造成識別結(jié)果的精準度有所降低，識別過程所需要的時間也將增長。

在Matlab軟件中，利用imrotate函數(shù)，可以實現(xiàn)纖維圖像的偏斜矯正。通過識別兩種纖維在整個圖像中的最大橫行數(shù)與最小橫行數(shù)中的像素所在列的大小，可以判斷纖維的傾斜角度。通過imrotate函數(shù)進行偏斜矯正后，可以使纖維圖像處于豎直狀態(tài)，便于后續(xù)的輪廓提取。偏斜矯正后的纖維圖像見圖5。

(a)棉纖維 (b)亞麻纖維

圖5 棉纖維與亞麻纖維進行偏斜矯正后的圖像

2.5 外圍輪廓提取與修補

通過觀察圖5，纖維的外輪廓全部包括在白色像素點內(nèi)，因此可以通過掃描白色像素點來得到纖維的外圍輪廓圖像。由計算機對兩種纖維的二值圖像從圖像左上角的第一個像素點開始進行由左至右、由上至下掃描，并記錄下第一個掃描到的白色像素點，可以得到纖維的左側(cè)外圍輪廓。同理可從右側(cè)掃描后得到纖維的右側(cè)外圍輪廓。將兩側(cè)輪廓拼接，即可得到纖維完整的外圍輪廓。

提取外圍輪廓后的圖像中，纖維輪廓還可能存在部分不連續(xù)情況。在Matlab軟件中，利用imerode與imdilate函數(shù)相結(jié)合，進行數(shù)學(xué)形態(tài)學(xué)開運算與閉運算，可以對提取纖維輪廓后的圖像進行修補，將輪廓上絕大多數(shù)不連續(xù)部分連接起來[7]。修補后的纖維外圍輪廓圖像更有利于后續(xù)特征值的提取。修補后的棉纖維與亞麻纖維外圍輪廓圖像見圖6。

(a)棉纖維 (b)亞麻纖維

圖6 棉纖維與亞麻纖維的外輪廓圖像

3 特征值提取

棉纖維與亞麻纖維具有不同的形態(tài)結(jié)構(gòu)，因此可以通過兩種纖維形態(tài)結(jié)構(gòu)上的細節(jié)特征進行區(qū)分。在保證準確性和提取速度的前提下，本文的特征值主要通過提取棉纖維與亞麻纖維樣本的直徑、扭曲度和充滿度來取得，并列舉了其中50根纖維的特征值，通過這些特征值的比較，進行后續(xù)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練即可完成棉纖維與亞麻纖維的識別。

3.1 直徑特征值提取

纖維直徑大小的統(tǒng)計通過計算機系統(tǒng)可以輕松實現(xiàn)，在同一水平面上，只需統(tǒng)計纖維圖像的左側(cè)邊緣與右側(cè)邊緣之間的像素大小，即可得到某一水平面上的纖維直徑大小。棉纖維存在天然轉(zhuǎn)曲，其直徑分布不均勻，直徑分布的離散性更大。因此可以取直徑比與直徑標準差作為特征值參數(shù)。直徑比為纖維的最大直徑與最小直徑的比值，直徑標準差則反映了纖維直徑大小的離散程度。經(jīng)由計算機的統(tǒng)計，繪制出的棉纖維與亞麻纖維的纖維直徑比見圖7，兩種纖維直徑標準差對比見圖8。

圖7 纖維的直徑比

圖8 纖維的直徑標準差

通過圖7、圖8中的對比可以得出，棉纖維的纖維直徑比和纖維的直徑離散程度更大，因此可以通過對特征值參數(shù)設(shè)定自適應(yīng)閾值來區(qū)分棉纖維與亞麻纖維。

3.2 扭曲度特征值提取

棉纖維具有天然的轉(zhuǎn)曲，其圖像提取邊緣輪廓后，可以觀察到其扭曲度較大。亞麻纖維為豎直狀態(tài)，其扭曲度較小。因此通過兩種纖維扭曲度大小，可以較好區(qū)分棉纖維與亞麻纖維，纖維扭曲度示意圖見圖9。本課題中，在亞麻纖維圖像的輪廓邊緣取第一橫行的第一個白色像素點與最后橫行的第一個白色像素點，通過沿纖維圖像邊緣連接兩個像素點得到弧線L2，直接連接兩個像素點得到直線L1，扭曲度=L2/L1，即可得到單根亞麻纖維的扭曲度大小，扭曲度的大小表示了纖維的轉(zhuǎn)曲程度。同理，棉纖維只需提取扭曲處的白色像素點，與下一個扭曲處的白色像素點，即可計算出棉纖維的扭曲度大小。

(a)棉纖維 (b)亞麻纖維

圖9 纖維扭曲度示意圖

本課題提取出平均扭曲度和最大扭曲度作為特征值，經(jīng)由計算機統(tǒng)計，繪制出棉纖維與亞麻纖維的平均扭曲度和最大扭曲度見圖10和圖11。

圖10 纖維的平均扭曲度

圖11 纖維的最大扭曲度

通過圖10和圖11的對比可以得出，棉纖維的扭曲度較大，因此可以通過對特征值參數(shù)設(shè)定自適應(yīng)閾值來區(qū)分棉纖維與亞麻纖維。

3.3 充滿度特征值提取

圖12 纖維整體充滿度

圖13 纖維充滿度標準差

由圖12、圖13可以看出，棉纖維的整體充滿度較小，充滿度標準差較大，因此可以通過對特征值參數(shù)設(shè)定自適應(yīng)閾值來區(qū)分棉纖維與亞麻纖維。

3.4 特征值的歸一化處理

由于特征值提取時特征值的數(shù)據(jù)跨度較大，對后續(xù)的相關(guān)性分析及神經(jīng)網(wǎng)絡(luò)處理造成了困難，因此需要將特征值進行歸一化處理，運用離差標準化對原始特征值數(shù)據(jù)進行線性變換，歸一化后的特征值數(shù)據(jù)均在[0，1]范圍內(nèi)，便于輸入神經(jīng)網(wǎng)絡(luò)中進行計算，進一步提高識別效率[8]。離差標準化的計算見公式(1)。

(1)

式中：A為歸一化處理后的特征值數(shù)據(jù)，A0為原始數(shù)據(jù)值，Amin為樣本中最小的數(shù)據(jù)值，Amax為樣本中最大的數(shù)據(jù)值。

在本課題中，選取直徑比、直徑標準差、平均扭曲度、最大扭曲度、整體充滿度和充滿度標準差6個特征值對棉纖維與亞麻纖維進行區(qū)分識別。表1為樣本中隨機抽取的10個棉纖維與10個亞麻纖維的歸一化后的特征值參數(shù)。

表1棉纖維與亞麻纖維歸一化后的特征值參數(shù)

序號平均扭曲度棉 亞麻最大扭曲度棉 亞麻直徑標準差棉 亞麻直徑比棉 亞麻整體充滿度棉 亞麻充滿度標準差棉 亞麻123456789100.070 40.229 30.023 70.511 90.212 10.107 20.511 90.107 20.152 20.272 10.790 40.009 20.155 30.788 90.065 90.890 60.870 40.837 30.759 90.639 50.326 20.174 20.228 50.249 20.227 80.271 10.207 00.093 60.009 90.201 40.304 60.230 40.560 30.611 90.781 00.480 00.940 90.274 50.437 80.374 20.509 30.507 10.210 30.419 20.212 20.242 40.070 20.043 10.400 40.507 80.752 50.009 10.027 10.265 00.387 40.099 60.821 60.346 60.956 30.952 70.262 00.309 80.589 60.136 70.293 90.042 60.165 90.452 80.591 90.243 50.561 80.084 10.270 40.415 50.071 30.545 70.346 10.698 30.778 10.580 40.271 90.391 90.144 20.751 90.175 20.951 60.175 20.679 80.047 90.260 90.418 30.641 80.544 90.865 20.137 50.996 50.047 80.222 70.040 50.102 30.440 00.135 80.258 20.225 80.084 00.102 20.083 90.491 90.193 60.374 90.300 40.566 50.155 70.040 80.151 80.058 20.277 10.959 80.045 10.411 4

3.5 特征值參數(shù)的相關(guān)性

歸一化后的特征值參數(shù)并不能直觀反映出是否能夠有效識別棉纖維與亞麻纖維，因此需要對特征值參數(shù)的相關(guān)性進行分析[9]。本文通過公式(2)計算各特征值的相關(guān)系數(shù)R。

(2)

式中：x為特征值參數(shù)，y為纖維種類，Cov(x,y)為x與y的協(xié)方差，Var[x]與Var[y]為x,y的方差。R的范圍為[0,1]，R的值越接近1，則特征值參數(shù)與纖維種類的相關(guān)性越高。經(jīng)計算，可以得出6個特征值參數(shù)與纖維種類之間的相關(guān)性，各特征值與纖維種類之間的相關(guān)系數(shù)如下。

纖維種類 棉纖維 亞麻纖維

平均扭曲度 0.96 0.96

最大扭曲度 0.96 0.95

直徑標準差 0.93 0.92

纖維直徑比 0.92 0.92

整體充滿度 0.93 0.94

充滿度標準差 0.94 0.95

可以看出，所選取的6個特征值與纖維種類之間的相關(guān)系數(shù)均較高，可以作為正確識別棉纖維與亞麻纖維的特征值參數(shù)進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)是模仿人類大腦運作方式的計算機智能技術(shù)，它通過若干個神經(jīng)元組成神經(jīng)網(wǎng)絡(luò)。具有自學(xué)習、自組織、自適應(yīng)和很強的非線性映射能力，特別適合于因果關(guān)系復(fù)雜的非確定性推理、判斷、識別和分類問題[10]。

BP神經(jīng)網(wǎng)絡(luò)通常有一個或多個隱含層，隱含層中的神經(jīng)元均采用sigmoid型變換函數(shù)，輸出層的神經(jīng)元采用純線性變換函數(shù)。sigmoid型變換函數(shù)和純線性變換函數(shù)公式見公式(3)、公式(4)。

(3)

f2(x)=x

(4)

在本課題中，BP神經(jīng)網(wǎng)絡(luò)輸入層輸入?yún)?shù)為上述6個特征值參數(shù)，通過計算后在輸出層輸出結(jié)果為棉纖維或亞麻纖維。輸出層若得到的結(jié)果錯誤，則會將錯誤結(jié)果反向傳播，修改神經(jīng)元的權(quán)值，經(jīng)反復(fù)訓(xùn)練之后，可以提高識別的準確度[11]。

BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于非線性運算，通過多個輸入?yún)?shù)對結(jié)果進行判斷，其訓(xùn)練學(xué)習過程可以通過錯誤反饋逐漸逼近期望輸出值，提高識別正確率。由于本課題需要對棉纖維與亞麻纖維進行形態(tài)學(xué)上的區(qū)分，不同地域環(huán)境中生長的棉纖維與亞麻形態(tài)結(jié)構(gòu)上也存在細微差異，因此樣本的基數(shù)越大，得到的試驗結(jié)果越準確。通過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，可在后期不斷擴充試驗樣本，隨著數(shù)據(jù)庫的不斷完善，識別正確率也將進一步提高。

經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，對試驗樣本388個棉纖維圖像與371個亞麻纖維圖像進行識別，結(jié)果如下。

纖維種類 棉纖維 亞麻纖維

識別正確數(shù)/次 369 348

總識別數(shù)/次 388 371

識別正確率/% 95.1 93.8

識別時間/s 124.4 113.5

可以看出，經(jīng)由BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的棉纖維與亞麻纖維識別正確率較高，識別速度較快，其應(yīng)用軟件可以應(yīng)用于纖維檢驗機構(gòu)實際的棉纖維與亞麻纖維圖像識別工作中，由于計算機圖像識別的高效，可以代替人工識別。

5 結(jié)語

本文基于計算機自動化圖像處理技術(shù)，以Matlab為基礎(chǔ)，研發(fā)出全新的棉纖維與亞麻纖維自動識別系統(tǒng)。與傳統(tǒng)人工識別相比，該系統(tǒng)可以更高效、準確地識別棉纖維與亞麻纖維；與其他識別系統(tǒng)相比，該系統(tǒng)加入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練環(huán)節(jié)，通過擴充纖維圖像數(shù)據(jù)庫可以不斷提高識別精度。本課題的研究成果可以代替纖維檢驗機構(gòu)中傳統(tǒng)的人眼識別，其快速、準確、智能化的優(yōu)勢也符合當今各行業(yè)逐步實現(xiàn)人工智能化的趨勢。