基于貝葉斯閾值的紗線毛羽檢測方法研究

馬 珂 嚴 凱 張緩緩 景軍鋒 李鵬飛

（西安工程大學，陜西西安，710048）

毛羽是影響紗線質量的重要指標之一［1］，其長度、根數、面積指數等指標直接影響后續終端產品的質量及生產效率［2］。毛羽過多過長會影響紗線上漿效果；毛羽分布不均勻會造成織物產生橫檔，也會導致染色不均勻，形成色差，進而影響后期織物質量。目前針對紗線毛羽指標的檢測方法主要包括光電法、靜電法和圖像法。光電法可以測量毛羽根數或毛羽H值，但是不能直觀反映紗線毛羽分布情況，重復性較差，且檢測結果不能重現［3-4］；靜電法是毛羽在靜電作用下伸展，用投影計數法達到計算長度的目的，可以解決毛羽彎曲問題，但破壞了毛羽最初的形態［5］；圖像法是在采集到紗線圖像的條件下，利用圖像處理技術提取出清晰的毛羽圖像并進行毛羽統計，能更全面準確地檢測毛羽，反映毛羽分布情況，且可重現［6-7］。

近年來，隨著圖像處理技術及機器視覺技術的快速發展，基于圖像法的毛羽檢測研究越來越受到國內外學者的廣泛關注。LI P F等［8］和蘇澤斌等［9］提出了一種基于MRMRF算法對紗線毛羽自動檢測方法，該方法以紗線條干為基準線檢測紗線毛羽的長度，但對于彎曲的毛羽無法計算實際長度。孫銀銀等［10］提出了一種基于MOTIC視頻顯微鏡捕獲紗線靜態圖像的方法，以紗線上下條干為基準線，得到每根毛羽長度，但是該方法在毛羽卷曲及中斷條件下，計算結果存在很大誤差。王文帝等［11］提出自適應灰度增強算法，該方法可以獲取毛羽與背景對比度比較高的圖像，但毛羽長度在1 mm范圍內，該算法在檢測圈毛羽和粗節時，會導致檢測結果誤差偏大。WANG R W等［12］用多聚焦圖像融合成像算法，得到的紗線毛羽圖像具有清晰的纖維邊緣，但是該方法需要在顯微鏡下進行觀察獲得一部分聚焦的紗線毛羽圖像，費時費力。RAMESH C N等［13］利用靜電解決毛羽彎曲問題的檢測，該方法首先將紗線放置在靜電場中，利用靜電使毛羽伸直，然后用相機采集圖像并將圖像進行處理，但在靜電場中仍有部分毛羽存在彎曲，檢測結果有誤差。

為了解決以上問題，本研究提出一種基于貝葉斯閾值的紗線毛羽檢測方法。該方法首先利用自適應閾值對紗線圖像進行增強；其次利用保邊遞歸濾波及貝葉斯閾值去除條干，獲得紗線毛羽；然后利用細化算法對獲得的毛羽進行細化；最后利用像素法［14］對細化后的毛羽圖像進行統計分析，計算毛羽長度、毛羽根數、毛羽面積指數及毛羽長度指數等指標。

1 紗線毛羽檢測方法

在采集紗線圖像過程中，由于空間及人為等各種不確定因素，導致采集的圖像中存在大量噪聲，進而影響毛羽指標檢測，因此首先需要對圖像進行預處理。

1.1 紗線圖像預處理

本研究采用自適應閾值對紗線圖像進行圖像增強［15］。圖像增強是為了提高圖像中毛羽和背景對比度，強調毛羽信息，同時抑制背景噪聲，進而改善圖像質量。圖像增強原理見式（1）。

式中：c(x，y)為圖像增強后的結果；f(x，y)為輸入圖像的坐標(x，y)對應的灰度值；fmax(x，y)，fmin(x，y)分別為圖像上的灰度最大值和最小值；δ是為了防止式（1）中分母為零而引入的一個極小正數。

采集的紗線毛羽圖像如圖1（a）所示，基于自適應閾值的圖像增強后效果如圖1（b）所示。可以看出，經過圖像增強后的紗線毛羽特征更加顯著，但背景噪聲也被進一步增強，為此采用遞歸濾波方法減少圖像增強后的背景噪聲［16-17］。

圖1 原始圖像與增強圖像

對于每個輸入信號I[m]，邊緣保護的濾波結果可以在變換域中用遞歸濾波器表示，原理見式（2）。

式中：J[m]為m個像素的濾波結果；a是以e為底的對數，取值大小在0～1之間，代表反饋系數；b是變換域中相鄰像素點之間的距離。

經過遞歸濾波后的紗線毛羽圖像如圖2所示。與圖1（b）對比，背景噪聲明顯減少。

圖2 遞歸濾波結果

1.2 紗線圖像閾值分割

經過遞歸濾波后，需對紗線圖像進行閾值分割，不恰當的閾值易導致毛羽出現中斷現象，為了最大限度保證毛羽特征完整性，利用貝葉斯閾值方法對紗線毛羽圖像進行分割［18-19］。

貝葉斯閾值分割具體操作如下。針對灰度值在［0，255］間的圖像，首先計算圖像中最大灰度值Zd，最小灰度值Zx，以及兩者之間的均值T。其次，將圖像中每個像素點的閾值與T比較，若大于T，則將所有閾值數累加賦值給S0，否則累加賦值給S1，并記錄每次累加的個數，依次迭代計算。最后，將大于均值T的元素閾值總值與個數的商記作T0，小于的記作T1；若滿足迭代公式（3），則迭代結束，否則一直進行迭代；迭代結束后給T加15（經驗值）作為閾值等級，對紗線圖像進行二值化，經過閾值處理后的結果如圖3所示。

圖3 圖像閾值分割結果

1.3 毛羽特征提取

在研究紗線毛羽指標的過程中，條干會對毛羽處理造成影響，因此需要去除條干。

具體操作：首先生成1×256的全零陣，然后用原圖像的每一級灰度像素個數與圖像大小的比表示圖像歸一化頻率，記為fi。去除條干的公式見式（4）。

方差處理后的圖像像素最大值的點用index表示，原始圖像像素用img表示，以index、0為一點，index、img圖像灰度像素的最大值為另一點，畫出一條直線，將直線中滿足img＞index的點輸出，則輸出膨脹后的條干圖像，如圖4（a）所示。獲取膨脹后的條干圖像之后，將貝葉斯閾值處理后的圖像與膨脹后的條干圖像作差，可得到毛羽圖像。去除條干后的毛羽圖像如圖4（b）所示。

圖4 去除條干前后的毛羽圖像

1.4 毛羽指標計算

獲得毛羽后，需對紗線毛羽進行細化處理。采用Hilditch細化算法對毛羽進行細化［20］，該細化算法在很大程度上保留毛羽的紋路走向，高效去除冗余像素點。經過細化的毛羽骨架為單像素，可直接被用于計算毛羽長度［21］。

1.4.1 毛羽根數及毛羽長度計算

設輸入樣本xi，毛羽鄰域半徑為C，毛羽長度為M，輸出結果為Y。

具體計算毛羽長度和毛羽根數操作如下。步驟1：輸入樣本xi。步驟2：設置鄰域半徑C，檢索樣本的鄰域半徑C，判斷樣本的毛羽長度M。步驟3：同一長度檢索結束后，用像素法計算毛羽的真實長度及根數，其中像素法統計的像素點個數乘以實際像素點長度即可得到毛羽真實長度。步驟4：檢查樣本中未被標記毛羽長度的毛羽，直至檢測為邊界結束。步驟5：循環步驟1～步驟4，直至樣本集被檢測完，輸出結果Y。計數完成后，獲得毛羽根數以及每根毛羽的長度。應用像素計數法對毛羽進行處理，可以避免毛羽彎曲的影響，且同時可以進行毛羽長度、毛羽根數的統計。

鑒于每根紗線長度基本不可能在一張圖像完全顯示，所以在毛羽根數檢測中需要進一步設置，如果通過該根毛羽不能檢測到條干邊緣，則該根毛羽不計數。在處理數據集時如果連續兩張圖像的兩根毛羽可以拼接為一根長毛羽且其中一根可以檢測到條干邊緣，則根數計數加1。

毛羽根數及長度只能反映紗線中毛羽的數量和毛羽長度，不能體現毛羽在紗線中的占比，因此需要引入毛羽面積指數和毛羽長度指數指標對紗線毛羽進行評價。

1.4.2 毛羽面積指數和毛羽長度指數計算

毛羽面積指數是指在一段紗線條干上毛羽總面積與該段條干總面積之比。毛羽面積指數HA反映的是紗線圖像中毛羽的占比大小，是一個無量綱的毛羽分布參數，具體計算見式（5）。

式中：SA2為紗線條干所占區域的像素數目；SA為紗線毛羽總的像素點數目。

毛羽長度指數是在一定長度紗線條干上的所有毛羽長度總和與該段紗線條干長度之比。與毛羽面積指數相同，毛羽長度指數HL反映的是該段紗線中毛羽的存在量，即可以得出一段紗線中毛羽量的多少。毛羽長度指數計算見式（6）。

式中：L為紗線條干長度；SL為圖像中所有毛羽長度累加之和。

2 試驗結果與分析

2.1 毛羽長度與毛羽根數

為了驗證本研究方法的有效性，選取JC 18 tex（樣本1）、JC 14.5 tex（樣本2）、JC 12 tex（樣本3）、C 28 tex（樣本4）、C 18 tex（樣本5）、C 14.5 tex（樣本6）共6種紗線樣本進行測試，紗線圖片大小為256像素×256像素。每個像素點代表實際長度0.03 mm，圖片紗線總長度為1 m，紗線毛羽根數及毛羽長度的樣本統計結果見表1。

表1 毛羽長度分類統計

同時將本研究方法與文獻［1］中的等距線法（0.5 mm）進行對比。樣本1采用本研究方法測量長度為4.301 0 mm、0.342 4 mm、0.489 4 mm、4.140 4 mm、0.536 9 mm、0.234 8 mm、0.060 0 mm、0.060 0 mm，共8根；采用等距線法測量長度為3.5 mm、1.0 mm、1.0 mm、4.0 mm、0.5 mm、0.5 mm，共6根。樣本2采用本研究方法測量長度為1.561 2 mm、1.658 5 mm、0.252 4 mm、0.669 4 mm、0.812 1 mm、1.027 2 mm、1.294 2 mm，共7根；采用等距線法測量長度為1.0 mm、1.5 mm、0.5 mm、0.5 mm、0.5 mm、0.5 mm、2.5 mm，共7根。

從對比結果可以看出，等距線法對于毛羽測量，存在一定誤差。一方面，等距線法由于初始圖像對比度不強，有少數毛羽不能進行計數，導致統計結果不準確；另一方面，等距線法對于彎曲毛羽無法準確測量，而本研究方法可以解決上述方法存在的問題。

為了進一步驗證本研究方法的準確性，使用YG172A型紗線毛羽測試儀分別對6種紗線毛羽進行測量，每種紗線分別進行10次試驗，最終取其平均值作為檢測結果。YG172A型紗線毛羽測試儀檢測結果見表2。從表1和表2對比可以看出，本研究方法的樣本檢測結果與YG172A型紗線毛羽測試儀測試數據誤差比較小。因此本研究算法對毛羽長度的測量結果是較為準確、有效的。

表2 YG172A型紗線毛羽測試儀測試毛羽結果

2.2 毛羽長度指數與毛羽面積指數

為了更全面對紗線毛羽進行分析，本研究計算了紗線的毛羽長度指數和毛羽面積指數。計算結果見表3、表4。

表3 毛羽長度指數計算結果

表4 毛羽面積指數計算結果

由表3可以看出，樣本3、樣本4、樣本5、樣本6的平均值和標準差相對較小，但樣本6的CV值較大，說明樣本3、樣本4、樣本5毛羽長度指數分布較為集中，毛羽分布相對均勻，而樣本6紗線毛羽長度指數比較分散，毛羽分布不均勻。樣本1、樣本2的平均值和標準差相對較大，但CV值相對較小，說明樣本1、樣本2的毛羽長度指數分布較為分散，但毛羽分布相對均勻。

由表4可以看出，樣本3、樣本4、樣本5、樣本6平均值及標準差較小，結合CV值來看，說明樣本4、樣本5、樣本6毛羽面積指數分布較為集中，毛羽分布相對均勻，而樣本3紗線毛羽面積指數比較分散，毛羽分布不均勻。而樣本1、樣本2的平均值、標準差較大，但CV值較小，說明樣本1、樣本2的毛羽面積指數分布較為分散，但毛羽分布相對均勻。

綜合表3、表4來看，JC 18 tex、JC 14.5 tex、C 28 tex、C 18 tex的毛羽分布均勻，JC 12 tex、C 14.5 tex的毛羽分布不均勻。

3 結論

本研究提出一種基于貝葉斯閾值的紗線毛羽檢測方法。該方法能有效對紗線的毛羽進行統計獲取紗線毛羽長度、毛羽根數、毛羽面積指數及毛羽長度指數等指標。結果表明，與等距線法及YG172A型紗線毛羽測試儀檢測結果相比，本研究提出的方法能夠精確統計出紗線毛羽的多項指標，為紗線質量分析提供技術支撐。