基于圖像處理的織物有色異纖檢測方法探討

丁小康 張 毅

（1.衢州學院，浙江衢州，324000；2.浙江省常山紡織有限責任公司，浙江衢州，324200）

隨著針織物對混入有色異纖數量控制越來越嚴格，近幾年，在清棉工序加裝異纖清除裝置、絡筒工序采用帶異纖切除功能的電子清紗器，降低了棉紗中異纖的數量。但原料中細小的一根或幾根有色異纖要采用放大鏡才能觀察清楚，且紡紗過程中的異纖清除裝置對其不起作用，清除難度大，李志成等提出對其盡量提前采取措施［1］。佟桁等研究了目前常用的電子清紗器法和織布法這兩種檢驗棉紗異纖含量的方法，認為電子清紗器法測試結果不具有代表性，且電子清紗器檢測速度有限，耗時耗力；企業更多采用的是織布法，更能準確全面反映出紗中含有色異纖的實際狀況，具體是將棉紗織成織物小樣，由專業人員在驗布機上通過目測進行有色異纖檢測計數，表征指標為單位質量布面上的有色異纖根數［2］。

由于分散性有色異纖體積小，紡紗生產中的異纖清除裝置對其不起作用，清除難度大，在布面上表現為一根或幾根纖維形成肉眼較難發現的有色異纖。本研究選用數碼顯微鏡，對原料、半成品、紗線和織物進行定量檢測，用于分析控制原料進廠和生產過程中的有色異纖數量，以提高針織用紗檔次。

1 有色異纖放大圖像檢測方法

1.1 樣品抽取方法

圖像處理檢測有色異纖主要根據投料數量隨機抽樣，對于隨機樣品，在一次檢測中是否有有色異纖，雖然不能預先知道，但是在一次檢測中出現的可能性是有大小之分的，所取樣本越多越能反映被檢實物實際情況，但人力、物力消耗都很大，因此只能在整批實物中取一小部分有代表性的樣品進行檢測。

原料取樣。根據紡織原料檢驗取樣規定，100 包以下取10%，100 包以上超過100 包部分取5%，500 包以上每增加50 包取1 包，每包取500 g，取樣時必須在棉包深處15 cm 大塊挖取，準確反映樣品實際情況。將每個500 g 試樣經梳棉機梳理，去掉常見的較大異纖和雜質，使呈束、塊狀的纖維分離為單纖維狀的生條，取0.5 g 為一個試樣。

生條、熟條。為了掌握生產過程中有色異纖的變化規律和突發狀況，根據生產量大小，分投產時、中期和掃尾時取樣檢測，生條和熟條每個試樣取0.5 g。

細紗、絡筒。每個產品每批紗檢驗一次，試樣應對全體具有代表性，隨機取樣，每份試樣取10 個卷裝，用搖黑板機搖10塊紗板，檢測紗線長度5 m。

布樣。取筒子樣紗，采用針織小樣機進行織造，織物組織為緯平針組織，布樣長度不低于1 m。

1.2 檢測儀器及設備

1.2.1 數碼顯微鏡

選用USB 5.0 MP VIDEO 500X 型和USB 2.0 MP VIDEO 200X 型數碼顯微鏡。后者放大倍數達200 倍，可以清晰分辨出織物組織上的有色異纖；前者放大倍數達500 倍，則用于進一步放大分析纖維截面形狀，來判別纖維材料。

1.2.2 搖黑板機

YG381 型搖黑板機（常州紡織儀器廠），繞紗密度20 根/45 mm。

1.2.3 有色異纖檢驗器

有色異纖檢驗器見圖1。檢驗器木框內裝有一塊固定磨砂玻璃，其上放有一塊面積略小的透明玻璃，用于壓平樣布、纖維，便于數碼顯微鏡焦距恒定。檢驗器內裝有一盞15 W 的熒光燈。

圖1 異纖檢驗器

1.3 檢測方法

檢測時，生條或熟條稱取0.5 g，放在異纖檢驗器磨砂玻璃上，沿垂直方向引伸，兩手將棉條從左右撕開呈棉網狀，均勻平攤在磨砂玻璃上；筒紗和管紗用搖黑板機將紗繞在黑板上，平放在磨砂玻璃上；布樣放在磨砂玻璃上鋪平，然后放上透明玻璃，放上數碼顯微鏡調焦后，從左向右，從上到下檢測，發現異纖時計數并拍照。

2 圖像處理

本研究主要采用邊緣檢測算法對織物圖像中的有色異纖進行檢測，檢測流程見圖2。

圖2 有色異纖圖像處理流程圖

由圖2 可知，針對數碼顯微鏡獲取的有色異纖圖，通過圖像灰度化和圖像增強等預處理手段，消除圖像中的無用信息，突出有效信息，提高目標識別的效率和可靠性；再利用3 種不同的算子對有色異纖進行邊緣檢測，并對3 種算子的檢測結果進行對比；同時對最好的檢測結果進行有色異纖的定量計算，將結果保存，便于操作人員分類處理。

2.1 圖像灰度化

為了達到提高整個應用系統處理速度的目的，需要減少所需處理的數據量。根據重要性及其他指標，將R、G、B 3 個分量以不同的權值進行加權平均。由于人眼對綠色的敏感性最高，對藍色敏感性最低，因此，按式（1）對R、G、B 進行加權平均能得到較合理的灰度圖像［3］。

f (i，j)為灰度化處理后每個像素的灰度值，經過灰度處理后每個像素值由R、G、B 3 個通道變為1 個灰度數值，三維圖像數據轉化成二維，大大降低了系統的計算量。

2.2 圖像增強

經過對有色異纖顯微圖像的分析，發現大部分圖像經過灰度化處理后，像素值主要集中在［50，160］這個范圍內。為了進一步突出圖像中的細節信息，便于下一步的邊緣檢測，本研究采用了圖像灰度值線性變換的方法對圖像進行增強處理。采用線性變換就是把圖像的像素相對集中的范圍拉寬到某一個較寬的范圍之內，以解決因像素值集中造成的對比度不足、細節分辨不清等問題。 本研究將原圖像素值的范圍［50，160］擴展到［0，255］，使得原圖中大量相同的像素降低，而細節得到了提亮。

2.3 邊緣檢測

圖像的邊緣檢測可以提取感興趣目標的輪廓，獲取目標特征。常用的邊緣檢測算子有Rob?erts、Sobel、Canny 等［4］。本研究將以上3 種算子分別應用在有色異纖的檢測中，通過試驗分析得到最適用于有色異纖檢測的方法。

2.3.1 Roberts 算子

Roberts 算子是一種利用局部差分算子尋找邊緣的算子。該方法將對角線方向相鄰兩像素之差近似等于梯度幅值。對每一個像素計算其梯度幅值，并設置閾值，將每個像素點的梯度幅值與閾值進行比較來獲取目標邊緣。Roberts 算子模板見式（2）。

2.3.2 Sobel 算子

Sobel 算子采用3×3 模板對區域內的像素值進行計算，通過計算圖像中每個像素的上下左右四領域的灰度值加權差，在邊緣處達到極值從而檢測邊緣［5］。其卷積模板見式（3）。

2.3.3 Canny 算子

Canny 算子是目前圖像邊緣檢測中表現較為優秀的算子，除了對圖像目標邊緣具有較好的敏感性之外，在抑制和消除噪聲方面也具有不錯的效 果［6］。Canny 算 子 進 行 邊 緣 檢 測 主 要 分4 個步驟。

步驟1：使用高斯濾波器濾除噪聲。高斯濾波器是一種平滑空間濾波器，用于模糊處理和降低噪聲。高斯濾波器通過式（4）得到。一般設置5×5 的高斯卷積核跟灰度圖像卷積來抑制噪聲。

步驟2：計算圖像中每個像素點的梯度強度和方向。將一個像素點的方向分為在x 方向以及在y 方向的分量，通過使用Sobel 算子計算該像素點在水平方向梯度Gx和垂直方向梯度Gy，由此得到像素點的梯度G 以及該像素點的方向θ，見式（5）和式（6）。

步驟3：對梯度幅值進行非極大值抑制。將當前像素的梯度強度與沿正負梯度方向上的兩個像素進行比較，如果當前像素的梯度強度與另外兩個像素相比最大，則該像素點保留為邊緣點，否則該像素點將被抑制。從而實現在一個梯度方向上有且僅有一個局部最大值的梯度響應，而將其余的梯度抑制為0，消除多余梯度響應，提高邊緣檢測精度。

步驟4：用雙閾值算法檢測和連接邊緣。為了進一步消除噪聲的影響，Canny 算子采用雙閾值法進行判斷。如果邊緣像素的梯度值高于高閾值，則將其標記為強邊緣像素；如果邊緣像素的梯度值小于高閾值并且大于低閾值，則將其標記為弱邊緣像素；如果邊緣像素的梯度值小于低閾值，則會被抑制。閾值的選擇取決于輸入圖像的內容信息。

2.4 有色異纖參數計算

由于本研究中圖像背景較為復雜，提取出的邊緣不連續，不能形成連通區域，因此選取檢測邊緣像素點數作為纖維的定量信息。采用MAT?LAB 中的regionprops 函數，對圖像中的邊緣區域進行計算，包括提取到的區域數量和像素數量，這些參數一定程度上反映了有色異纖的大小和形態，可幫助操作人員進行分類處理。下面分別對計算的參數進行說明。

（1）連通區域個數。連通區域指的是圖像中提取到的有色異纖邊緣像素點中，所有相連在一起的像素屬于同一個區域。但由于有色異纖是穿插在織物纖維中的，在圖像中呈現出斷斷續續的形態，再加上背景的干擾，使得提取到的纖維邊緣也呈現出不連續的多個區域，見圖3。因此在這里進行了連通區域個數的計算，一方面可以反映出有色異纖的大小，另一方面也可以體現其在織物中的鑲嵌狀態。計算連通區域時主要是通過每個像素點周圍8 個鄰接點的值來判斷，如果存在與該點相同值的鄰接點則認為該鄰接點與像素點連通，否則為不連通。依次判斷后可以得到不同連通區域的個數。連通區域個數可以體現一幅圖像中檢測到的有色異纖數量。

圖3 提取到的有色異纖呈現不連續的多個區域

（2）總邊緣像素數。對經過圖像分割算子提取到有色異纖的邊緣像素進行計算，由于圖像經過二值化處理，圖中白色像素點的值為1，黑色像素點的值為0。計算所有值為1 的像素點個數即得到有色異纖邊緣像素總數。該參數可以反映出有色異纖的長度大小。

（3）有色異纖占比。將上述提取的總邊緣像素數與圖像總像素數的比值作為異纖占比參數。可以衡量單位輪廓面積內有色異纖的存在比例，反映出織物中的有色異纖數量和存在概率。

3 應用效果分析

3.1 有色異纖提取結果

以放大200 倍的色紡圖像為研究對象，將3種邊緣檢測算子用于有色異纖輪廓檢測，見圖4。

圖4 有色異纖圖像處理結果

由圖4 可以看出，經過圖像灰度化和圖像增強處理后的圖像，其有色異纖與圖像背景的對比增強了，細節更加明顯。在此基礎上進行了邊緣檢 測［7?8］，圖4（d）～圖4（f）是3 種 算 子 檢 測 的 結果，視 覺 上 圖4（f）的 提 取 效 果 最 好，圖4（d）和圖4（e）中噪聲較多，許多非目標的背景邊緣也被檢測出來，因此在抑制噪聲方面，Canny 算子的效果最好。為進一步對比邊緣提取效果，將目標提取的局部圖像進行放大。由放大圖像可以看出，Sobel 算子的邊緣檢測效果優于Roberts 算子，這是由于Sobel 算子采用3×3 模板對區域內的像素值進行計算，而Robert 算子的模板為2×2，因此Sobel 算子在水平方向和垂直方向均比Roberts算子更加明顯；Canny 算子提取到的邊緣最光滑清晰，這是由于Canny 算子中采取了非極大值抑制以及雙閾值的方法，大大消除了多余的梯度響應和噪聲的影響。因此本研究選取Canny 算子的檢測結果進行有色異纖的參數計算。

3.2 有色異纖參數計算結果

為了對檢測結果進行分類處理，需要對檢測出的有色異纖進行定量計算。選取10 個織物樣本，經過Canny 算子處理后進行了參數計算，結果見表1。為了更直觀對比參數計算結果，將有色異纖占比最小的樣本9 和樣本6 與占比最大的樣本8 和樣本3 的原圖進行了對比，見圖5。

表1 有色異纖參數計算結果

圖5 4 種樣本原圖對比

由表1 和圖5 可以看出原圖中樣本9 和樣本6中的有色異纖確實很小，而樣本8 和樣本3 中有色異纖較多較長且明顯。說明本試驗中得到的參數可以有效反映實際有色異纖的大小和數量，為相關操作人員提供了可靠的分類依據。

4 結語

為了提高織物中有色異纖的檢測效率，本研究采用圖像處理的方法對織物有色異纖進行快速檢測。針對織物的數碼顯微鏡放大圖像，首先通過圖像灰度化和圖像增強等預處理方法，消除冗余信息，提升細節信息；并利用了常用的3 種邊緣檢測算子對圖像中纖維進行邊緣提取，選擇效果最好的提取結果進行纖維的定量參數計算。試驗結果表明：經過Canny 算子檢測的纖維具有最清晰光滑的邊緣，效果最好，可以有效準確地計算出纖維的參數信息。該方法在實現織物有色異纖快速檢測的同時，也為纖維的判別和分類提供了數據支撐。