應(yīng)用圖像處理的紗線黑板毛羽量檢測與評價

2018-08-23 10:00:42陸奕辰唐千惠潘如如高衛(wèi)東

紡織學(xué)報 2018年8期

陸奕辰，王蕾，唐千惠，潘如如，高衛(wèi)東

(生態(tài)紡織教育部重點實驗室(江南大學(xué))，江蘇無錫 214122)

紗線毛羽不僅影響紗線中纖維的有效利用率與強度，還影響織物的透氣和外觀性能等，是反映紗線質(zhì)量的重要指標(biāo)之一[1]。紗線毛羽檢測的常用方法有人工目測法和光電法：采用人工目測法觀察毛羽，取樣數(shù)量少，測試效率低，且結(jié)果易受人為因素影響；UT5型烏斯特儀上的毛羽測試模塊是最常用的利用光電法測量毛羽的設(shè)備，其輸出結(jié)果可對照烏斯特統(tǒng)計公報找出紗線的毛羽水平，但很多中小規(guī)模的紡紗廠或印染廠常因烏斯特儀設(shè)備價格昂貴或?qū)嶒灄l件限制等問題，無法使用其進行毛羽檢測。

運用圖像處理技術(shù)檢測紗線毛羽量已成為紗線外觀測量的趨勢：OZKAVA等[2]通過區(qū)分背光圖像和暗場圖像，提出采用圖像直方圖確定背光圖像的2個閾值，分別表示紗線條干和毛羽，但此法不適用于具有相近閾值的紗線條干和紗線毛羽圖像的檢測；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毛羽的自動檢測；Fabijanska等[4]先后采用中值濾波和高通濾波對紗線圖像進行預(yù)處理和閾值分割，然后基于Canny邊界檢測提取紗線毛羽；孫銀銀等[5]經(jīng)灰度變換、圖像分割、圖像細(xì)化處理等，得到較完整的紗線條干和毛羽圖像，以紗線條干邊緣為基準(zhǔn)線，判斷毛羽分割點，得到不同長度的毛羽根數(shù)；Wang等[6]利用雙平面鏡成像原理開發(fā)了一套紗線三維重構(gòu)算法，通過紗線多個角度所呈的像重建紗線的三維模型，進而得到毛羽的實際長度。上述研究中，均采用紗線圖像減去紗線條干的算法得到毛羽圖像。若能直接獲取毛羽信息，則可簡化圖像處理程序，提高檢測效率。此外，這類研究方法得到的毛羽信息，如毛羽長度和根數(shù)，雖較準(zhǔn)確但無法給出圖像毛羽整體水平的檢測結(jié)果。

根據(jù)上述現(xiàn)存問題，本文首先提出一種基于圖像處理技術(shù)的紗線黑板毛羽量檢測方法，即采用掃描儀獲取均勻繞在黑板上的紗線灰度圖像，對圖像進行中值濾波、二值化處理和紗線形態(tài)學(xué)運算后，分割得到紗線條干和膨脹過的紗線條干，再通過局部閾值分割法，提取圖像中的毛羽信息，進而統(tǒng)計整張圖片的毛羽像素個數(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)與烏斯特儀測得的毛羽值(H值)，得到二者的關(guān)系式。

1 紗線圖像采集

1.1 實驗儀器與材料

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

材料：原料、線密度和紡紗方式各不相同的紗線共計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)自常州立萬紡織品有限公司。其具體參數(shù)如表1所示。用于模型驗證的紗線共 6種，產(chǎn)自杭州日南紡織有限公司，編號為19#～24#。

1.2 圖像采集參數(shù)

圖1示出紗線在不同狀態(tài)下的圖像。圖1(a)為用基恩士VHX-5000拍攝的自然狀態(tài)下紗線圖像，圖1(b)為同一鏡頭下、用載玻片蓋住同片段紗線，以模擬掃描儀狀態(tài)下的毛羽。通過對比可發(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法顯示；圖1(b)中經(jīng)載玻片壓平后，原本不在一個平面內(nèi)的毛羽顯示了出來，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圖像上與條干不在同一焦平面上的毛羽通過壓平的方式顯示出來，可減小實驗誤差，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，紗線毛羽與黑板背景的分界不清晰，部分毛羽模糊，不利于準(zhǔn)確計算紗線毛羽量；當(dāng)分辨率大于 2 000像素時，實驗準(zhǔn)確性大大提高，但分辨率越高、存儲空間越大，處理速度就越慢。為兼顧紗線毛羽的清晰度和圖像處理速度，實驗中選用1 200像素掃描分辨率，掃描介質(zhì)為黑白型，即紗線圖片為灰度圖像，可直接減少圖像處理的計算量，便于后續(xù)的紗線圖像處理。

依次將18種試樣利用YG381型搖黑板機均勻纏繞在220 mm × 250 mm的黑板上。通過9000F Mark2掃描儀獲取紗線黑板圖像并將采集的圖像輸入計算機。為減小誤差，將黑板邊緣的紗線排除在測量范圍之外，實驗時每張圖片截取圖像大小為 9 000 像素 × 10 800 像素，實際對應(yīng)83根紗線，總長為18.97 m，黑板區(qū)域為190.5 mm × 228.6 mm。圖2示出11#號試樣(即線密度為9.83 tex的緊密賽絡(luò)紡滌綸紗線)的局部采集圖像。

圖2 黑板紗線局部采集圖像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算紗線黑板毛羽量的方法。實驗過程中，首先對試樣圖像進行預(yù)處理，然后采用形態(tài)學(xué)運算處理紗線條干部分，最后獲得紗線毛羽量。

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)先對紗線黑板圖像進行中值濾波。中值濾波在衰減噪聲的同時不會使圖像的邊界模糊。選用的濾波窗口為3像素× 3像素。

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

μ=w0μ0+w1μ1

(1)

此時，該圖像的類間方差為

g(t)=w0(μ0-μ)2+w1(μ1-μ)2

(2)

當(dāng)g(t)取得全局最大值時，所對應(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)。二值化的過程[7]如下：

(3)

圖3為11#試樣上某段紗線圖像預(yù)處理前后的對比圖。由于毛羽本身柔軟，以致光照不勻造成紗線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題。

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

2.2 形態(tài)學(xué)運算

本節(jié)采用形態(tài)學(xué)運算對紗線二值圖像進行運算，得到紗線條干圖像。圖像形態(tài)學(xué)運算的原理是利用結(jié)構(gòu)元素B對圖像A作開運算，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，然后被圓盤型結(jié)構(gòu)元素B膨脹。

圖4示出用不同半徑r的圓盤結(jié)構(gòu)元素對圖3(b)進行形態(tài)學(xué)運算的結(jié)果。當(dāng)圓盤結(jié)構(gòu)元素B的半徑為1或2像素(文中半徑r的單位為像素的點個數(shù)，以下單位省略)時，紗線條干圖像上有些毛羽像素未被處理(見圖4(a)的Ⅰ區(qū)域和4(b)的Ⅱ區(qū)域)；當(dāng)圓盤結(jié)構(gòu)元素為5時，圖像被過度腐蝕，造成條干部分中斷(見圖4(d)的Ⅲ區(qū)域)，所以半徑r為1、2或5的圓盤結(jié)構(gòu)元素B均不適用于紗線的形態(tài)學(xué)開運算。圖4(c)顯示，當(dāng)圓盤結(jié)構(gòu)元素B的半徑r為3時，形態(tài)學(xué)開運算使紗線較完整地保持了紗線條干特征，同時消除了毛羽和背景點，運算結(jié)果較好。

圖4 不同圓盤半徑時的形態(tài)學(xué)開運算圖像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，還需對紗線條干作膨脹處理。圖像膨脹的原理是利用結(jié)構(gòu)元素D對圖像C進行膨脹，記為C⊕D，定義為

C⊕D=[CEΘ(-D)]E

(5)

式中，D為圓盤型結(jié)構(gòu)元素。

圖5示出不同圓盤半徑時的膨脹處理圖像。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(見圖5(a))，或結(jié)構(gòu)元素D的半徑r為3(見圖5(b))時，圖像上均會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(見圖5(d))。圖5(c)顯示，當(dāng)圓盤結(jié)構(gòu)元素D的半徑r為6時，膨脹處理使紗線條干清晰，運算結(jié)果較好。

圖5 不同圓盤半徑時的膨脹處理圖像Fig.5 Image of dilating operation with different disk radius

2.3 毛羽量統(tǒng)計

由于毛羽延伸方向的無規(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，且部分紗線毛羽和黑板背景之間邊界不明。若采用全局單一閾值進行毛羽分割，將無法兼顧圖像不同區(qū)域的實際情況，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條干和非條干區(qū)域處理。

OTSU法[9]是采用最大類間方差法對圖像中的像素用閾值分為目標(biāo)和背景。根據(jù)式(1)、(2)計算得到最佳閾值。由于圖像中紗線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。對條干區(qū)域，按所設(shè)置的窗口檢測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)?儲存在一個新矩陣Z中。對非條干區(qū)域，在子窗口中，提取所有非條干的像素點。為排除背景噪點對毛羽檢測的影響，進行基于方差的毛羽分割。當(dāng)窗口中非條干像素點的像素值方差大于5時，采用大津閾值對非條干像素點進行分割，結(jié)果存入矩陣Z中；若方差小于5，則說明窗口中存在于背景的噪點不是毛羽，直接將其像素值變?yōu)?存儲在矩陣Z中。圖6為圖3(a)所示的紗線原始圖像的毛羽圖。圖7為圖2所示的9.83 tex紗線黑板局部采集圖像的毛羽圖。本文通過以上局部閾值方法實現(xiàn)了紗線毛羽的準(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 紗線黑板毛羽圖Fig.7 Image of blackboard yarn hairiness

通過上述算法得到紗線毛羽二值圖像，其基本單位是像素。遍歷矩陣Z中所有非零像素點，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)為像素點的坐標(biāo)；N1和N2對應(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)

由于圖像法測得的像素值為黑板總的毛羽結(jié)果，該指標(biāo)無法體現(xiàn)黑板上紗線單位長度的毛羽量。本節(jié)提出M指數(shù)作為評價黑板毛羽量的指標(biāo)，為無量綱參數(shù)：

(7)

式中，Lm為黑板圖像上長度為Ls(cm)紗段的當(dāng)量毛羽長度，也就是將黑板圖像上毛羽的像素點總數(shù)A換算成單個像素點為直徑的毛羽長度，cm。

在本文實驗條件下，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總數(shù)的長度換算公式；Ls值為1 897 cm。

3 測試結(jié)果與分析

3.1 M指數(shù)與H值

Uster儀所測得的毛羽H值是指紗線上所有伸出紗線主體的纖維總長度與測量長度(1 cm)之比，為無量綱參數(shù)。樣品單位測試長度為100 m。該結(jié)果可對照烏斯特統(tǒng)計公報查出相應(yīng)的紗線毛羽水平，廣泛應(yīng)用于國內(nèi)外紡織品市場[10]。

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

表2 M指數(shù)和H值的測試結(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，毛羽的M指數(shù)和H值的變化趨勢相同，均隨線密度的增大而增大；線密度為11.8 tex的環(huán)錠紡、緊密賽絡(luò)紡和緊密紡的滌綸紗線(如試樣8#、12#、18#)，紗線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)，擬合方程見表3。

分析表3所得擬合方程可知，本文采用冪函數(shù)曲線作為M指數(shù)與H值關(guān)系的最佳曲線，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R2值來衡量，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檢驗結(jié)果來看，式(9)的F檢驗值為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)的顯著性檢驗來看，得到t檢驗值為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)計意義，2個變量之間相關(guān)關(guān)系顯著，2種方法測得的毛羽量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)測模型。

3.3 檢驗

為檢驗紗線毛羽值預(yù)測模型的準(zhǔn)確性，提取原料、紡紗方式、線密度不同的6種紗線的M指數(shù)，按式(9)計算得到毛羽預(yù)測值H′如表4所示。可見，毛羽預(yù)測值H′與Uster儀測得的毛羽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方法，然后采用評價黑板毛羽量的指標(biāo)M指數(shù)、最終運用創(chuàng)建的毛羽預(yù)測模型，可有效預(yù)測毛羽H值。