基于散焦信息的紗線毛羽三維測量與驗證

李忠健 董龍 倪海云 王靜安 王鴻博 鄒專勇

摘要： 毛羽是衡量紗線質量好壞的重要指標，然而現有毛羽檢測中難以快速獲得其三維長度（毛羽空間軌跡長度）。文章提出了在獲得單幅圖像的基礎上準確表征紗線毛羽空間長度的方法。采用遠心鏡頭獲取紗線毛羽圖像，經過同態濾波、直方圖均衡化、邊緣增強、水平集分割等處理，獲得包含空間信息的毛羽分割圖像。結合散焦成像原理，建立毛羽寬度、灰度與其空間深度之間的模型關系，實現毛羽空間三維長度的快速測量。基于單幅散焦信息的毛羽空間長度測量，為實時三維檢測奠定基礎。實驗結果表明，文章所提方法可有效實現清晰與模糊區域毛羽的分割，所測毛羽三維長度與人工測量結果相近。

關鍵詞： 毛羽三維長度;單幅圖像;散焦信息;圖像分割;深度恢復;毛羽檢測

中圖分類號： TS103.7

文獻標志碼： A

Abstract： Hairiness is an important indicator to measure the quality of yarn. However， it is difficult to quickly obtain its three-dimensional length（space trajectory length of hairiness） in the existing hairiness test. In this paper， we propose a method to accurately characterize the three-dimensional length of yarn hairiness based on single images. A telecentric lens is used to obtain the hairiness image of yarns， and after homomorphic filtering， histogram equalization， edge enhancement， level set segmentation， etc.， a segmentation image of hairiness which contains spatial information is obtained. Combined with the principle of defocus imaging， the model relationship between hairiness width， gray scale and its spatial depth is established to achieve the quick measurement of the three-dimensional length of hairiness in space. The spatial length measurement of hairiness based on the defocus information of single images lays a foundation for real-time 3D detection. The experimental results show that the proposed method can effectively achieve the segmentation of hairiness in clear and fuzzy areas， and the measured three-dimensional length of hairiness is close to the results of manual measurement.

Key words： 3D length of hairiness; single image; defocus information; image segmentation; depth recovery; hairiness detection

毛羽作為評定紗線質量最重要的指標之一，其數量及長短不僅直接決定了紗線的外觀、質量和等級，而且當毛羽分布不勻或者長毛羽較多時，會使織機開口困難，染色不勻，降低織造和染色工序生產率，造成織物質量下降，使企業難以生產出優質的紡織品[1-3]。目前毛羽的檢測主要采用光電式分級統計法的毛羽根數分布指標和光電式全毛羽法的毛羽H值指標進行表征，是當前占主導地位的測量方法。然而由于光電傳感器本身的限制，其檢測精度較低，測量結果為統計指標，無法表征單根毛羽的信息，更不能直觀反映毛羽的空間形態[4-8]。隨著機器視覺技術的不斷發展，利用圖像技術檢測紗線毛羽的研究逐漸成為熱點[9-10]，主要通過采集紗線圖像，結合圖像處理算法，測量毛羽到紗線主干邊緣的距離、毛羽面積等參數，包括基于二維平面信息圖像測量和基于多幅的三維測量。從測量原理來看，圖像法無論在精度，還是準確度都要優于光電法，且可對單根毛羽的軌跡進行表征。但是，二維平面信息法[11-18]檢測的是空間毛羽在某個平面的投影長度，并

不是毛羽實際長度，且測量結果與毛羽的彎曲狀態有關，誤差較大;多幅三維測量是利用相機拍攝兩個鏡子中的紗線[5-6]或拍攝旋轉的紗線[7-8]，并進行立體重建實現毛羽的三維檢測，但該法受重建效率及紗線旋轉效率的影響，較難達到紗線毛羽的三維實時測量，限制了其在紗線檢測中的應用。

本文針對目前紗線毛羽檢測存在的問題，提出通過從單幅散焦圖像中恢復毛羽深度信息，并根據分割結果追蹤毛羽空間長度，實現毛羽的三維快速、實時測量，避免三維重建的高復雜度和耗時性，為毛羽在線監測的智能化、精確化開辟新途徑，對紡紗、織造等生產過程有重要的實踐指導作用。

1 圖像采集與預處理

1.1 圖像采集

為連續獲取紗線圖像及快速標定深度距離，自行開發了距離可調型圖像式紗線外觀參數檢測系統，如圖1（a）所示。其中，圖像采集設備采用度申科技M3ST130-H相機及物方遠心鏡頭，圖像采集幀頻為213 fps，圖像大小為1 280 dpi×1 024 dpi，其中1個像素點大小為0.001 3 mm。圖1（a）中，相機與紗線間的距離可根據需要進行調節，以方便深度的標定，伺服電機可根據脈沖信號實現紗線的連續采集，獲取的單幅紗線圖像如圖1（b）所示。

1.2 圖像預處理

從圖1（b）紗線形態構象可以看出，毛羽是一種在空間易發生卷曲和彎曲的線狀目標。由于光照、背景及毛羽本身的易彎曲特性，空間毛羽成像后的圖像清晰度通常隨其位置而變化，且目標離聚焦位置越遠，圖像模糊程度越大，目標與背景也越相似，基于該模糊信息與目標位置的關系，可用于毛羽的三維測量。因此，對毛羽圖像中清晰與模糊區域進行準確分割，精準定位毛羽模糊寬度，是測量毛羽三維長度的關鍵。為實現毛羽圖像的分割，采用以下算法流程對圖像進行預處理。

1.2.1 同態濾波

同態濾波是一種典型的非線性濾波系統，能夠在頻域中

對圖像對比度進行增強和對圖像進行壓縮，從而提高圖像亮度。一幅圖像f（x，y）可以用照明分量i（x，y）與反射分量r（x，y）的乘積來表示，即：

f（x，y）=i（x，y）×r（x，y）（1）

對式（1）進行兩邊取對數、傅里葉變換、低通濾波、指數運算等處理實現同態濾波[19]，獲得增強圖像g（x，y）：

g（x，y）=eH（u，v）F（lnf（x，y））=eH（u，v）F（lni（x，y））eH（u，v）F（lnr（x，y））（2）

同態濾波可減少低頻增加高頻，減少光照變化對圖像的影響，并對圖像的邊緣細節進行銳化，圖1（b）濾波后的效果及其直方圖如圖2所示。

1.2.2 直方圖均衡化

從圖2可以看出，雖然紗線目標與背景具有一定的對比度，但紗線圖像整體偏黑，圖像直方圖的分量集中在灰度較低的一端。為使目標更加突出，圖像灰度值趨于均勻分布，將圖2（a）依據式（3）進行直方圖均衡化[20]，獲得更亮、對比度更高的圖像，如圖3所示。

Sk=T（rk）=∑kj=0njN（3）

式中：Sk表示直方圖均衡化后各像素的灰度級;rk=k/（L-1）表示歸一化后的灰度級，k=0，1，2，…，L-1表示歸一化前的灰度級;L表示圖像中的最大灰度值;nj表示圖像中灰度級為j的像素個數;N表示圖像中像素的總數。

1.2.3 邊緣增強

單幅紗線圖像中散焦模糊區域與清晰區域并存，散焦形成的模糊寬度與灰度對深度的計算至關重要，而邊緣的清晰程度直接影響模糊寬度的測量，因此需要對目標物體邊緣進行增強處理。梯度圖像在沿目標對象的邊緣處有較高的像素值，而在其他地方則有較低的像素值，結合Sobel算子，分別求圖3（a）水平方向和豎直方向的偏導數，獲得梯度圖像，如圖4所示。圖4中，模糊與清晰區域中目標的邊緣都較清晰，有利于毛羽邊緣的精確定位。

2 模型構建與三維測量

2.1 空間深度恢復模型構建

當相機獲取場景圖像時，根據點光源成像模型及薄凸透鏡的成像原理，當某點不在聚焦平面時，其光線經相機光圈在成像平面上會產生模糊現象，且該模糊量的大小與物體位置點離聚焦平面間的距離有關[23]。因此，通過對模糊量進行測量可恢復出物體的深度信息。為探索毛羽模糊量與深度之間的關系，考慮實際成像中受光學像差、衍射、圖像放大率等因素的影響，采用遠心鏡頭對圖像進行獲取，建立毛羽空間深度與模糊寬度、灰度之間的數學模型。對基于薄透鏡模型的物方遠心鏡頭成像光路圖進行繪制，以毛羽在聚焦平面位置后為例，如圖6所示。

圖6中，設f為焦距;U、V為聚焦時物距和像距;D表示凸透鏡有效鏡片直徑（光圈大小）;W0是物體的實際寬度，即毛羽的直徑;W是聚焦時成像平面上纖維的寬度;U′是移動物體后新的物距;V′為新聚焦時的像距;W′是像面上新的纖維寬度，即模糊寬度。

對圖7進行分割，并測量其寬度值和灰度平均值，依據最小二乘原理擬合深度與寬度、灰度的函數關系，如圖8所示。根據該函數關系應用于獲取的所有單幅紗線圖像，進一步結合分割出的毛羽寬度和灰度即可映射出對應的深度值。

從圖8（a）可以看出，靠近和遠離鏡頭相同位置獲取的圖像亮度存在一定的區別，因此根據該區別唯一確定紗線圖像中散焦模糊的歧義性。圖8（b）對遠離鏡頭部分中深度與寬度、灰度的函數關系進行擬合，獲得函數關系式（8），相關系數R2達0.998，可用于毛羽空間深度的準確計算。

從圖9可以看出，v值的變化對圖像分割效果影響不大，也就是v值的優選可在一個較大的范圍選擇。這是由于紗線毛羽圖像經歷了多步驟的預處理，使毛羽邊界與背景區分明顯，因而在分割時Chan-Vese模型對v值的依賴較小。

3.1.2 迭代次數iter的影響

在Chan-Vese模型中，迭代次數不僅對圖像分割效果產生重大影響，同時嚴重影響分割的執行時間。保持v不變，iter=200、600、1 000、2 000時，圖4的分割效果與運行時間（Windows 10，i5，8G，Matlab R2014b）的結果如圖10所示。

從圖10可以看出，隨著迭代次數增加，分割效果越好，同時分割所用時間也越長。因此，在綜合分割效果與效率的基礎上，選用iter=1 000對毛羽圖像進行處理。

3.2 毛羽測量結果驗證

根據圖5毛羽分割結果，利用形態學運算去除毛羽條干，并將毛羽進行細化獲得毛羽中心線圖像，如圖11（a）所示。結合毛羽中心線位置和毛羽輪廓線（圖11（b）），計算分割出的毛羽的寬度，如圖11（c）所示。最后，根據式（8）和（9）映射毛羽空間深度值并得到毛羽三維長度。

利用上述方法對系列圖像進行處理，并計算各根毛羽三維長度，將獲得的結果與手動測量結果進行對比，如表1所示。表1中，第1列為紗線毛羽原圖，第2列為圖像分割結果，第3列為去除條干后毛羽的輪廓及其中心線圖并標示有各根毛羽ID，第4列為各幅圖像中各根毛羽長度的三維測量與人工法和平面法結果的對比表（長度單位為mm），其中人工法采用的是拉直毛羽尺子測量的方法，平面法為根據分割結果直接計算毛羽長度的方法（即空間毛羽在平面上的投影）。

從表1可以看出，本文所提毛羽分割算法可將模糊毛羽與清晰毛羽清楚地分割出來;毛羽測量結果中，所提方法測量的毛羽長度明顯比平面法要長，這是由于平面法獲取的圖像中的毛羽是真實毛羽的投影，故結果要比實際長度更短;與人工測量的毛羽結果相比，所提方法的三維長度結果與人工法接近，但也存在一定差異性，如毛羽ID 2-1和2-2的毛羽真實為1根毛羽，但本文方法檢測為2根;同時毛羽ID 1-1毛羽真實情況為多根毛羽的交叉連接等，但本文方法檢測為1根毛羽。因此，本文所提毛羽三維測量方法可獲得一定情況下與人工法接近的結果，但計數時是否為同一根毛羽具有一定的誤差。

4 結 論

本文提出了一種基于單幅圖像散焦信息的毛羽空間三維長度測量方法，利用遠心鏡頭獲取紗線毛羽圖像，經過同態濾波、直方圖均衡化、邊緣增強、水平集分割處理，獲得包含空間信息的毛羽分割圖像;結合散焦成像原理，建立毛羽寬度、灰度與空間深度之間的模型關系，以靠近和遠離鏡頭獲得的條紋板圖像數據進行訓練，獲得模型參數;將圖像分割出的寬度和灰度帶入模型中，實現毛羽空間三維長度的測量。實驗結果表明，與人工法和平面法測量結果相比，所提方法與人工測量結果接近，但同一根毛羽的確定存在較大誤差。因此，本文可在獲取一幅圖像的基礎上實現毛羽的三維測量，避免多幅圖像重建的耗時性和復雜性，為紗線毛羽的快速準確測量奠定基礎，克服了傳統光電和電容法的二維局限性。在后續的研究中，將深入對毛羽軌跡的追蹤、毛羽與毛羽間、毛羽與條干間的相互遮擋問題展開研究，持續優化毛羽空間三維長度測量方法。

參考文獻：

[1]于偉東. 紡織材料學[M]. 2版. 北京： 中國紡織出版社， 2018： 218-260.

YU Weidong. Textile Materials Science[M]. 2nd Edition. Beijing： China Textile Press， 2018： 218-260.

[2]楊紅英， 朱蘇康. 紗線毛羽[J]. 紡織學報， 2000， 21（6）： 11-14.

YANG Hongying， ZHU Sukang. Yarn hairiness[J]. Journal of Textile Research， 2000， 21（6）： 11-14.

[3]肖琪， 王瑞， 陸鑫， 等. 基于布面毛羽長度和毛羽密度的滌棉混紡機織物起球傾向[J]. 絲綢， 2020， 57（9）： 27-33.

XIAO Qi， WANG Rui， LU Xin， et al. Pilling tendency of polyester/cotton blended woven fabric based on fabric hairiness length and hairiness density[J]. Journal of Silk， 2020， 57（9）： 27-33.

[4]李汝勤， 宋鈞才， 黃新林. 纖維和紡織品測試技術[M]. 上海： 東華大學出版社， 2015： 29-90.

LI Ruqin， SONG Juncai， HUANG Xinlin. Fiber and Textile Testing Technology[M]. Shanghai： Donghua University Press， 2015： 29-90.

[5]WANG L， XU B， GAO W. Multi-perspective measurement of yarn hairiness using mirrored images[J]. Textile Research Journal， 2018， 88（6）： 621-629.

[6]WANG L， XU B， GAO W. Three-dimensional measurement of yarn hairiness via multiperspective images[J]. Optical Engineering， 2018， 57（2）： 1-9.

[7]WANG W， XIN B， DENG N， et al. Objective evaluation on yarn hairiness detection based on multi-view imaging and processing method[J]. Measurement， 2019（148）： 1-8.

[8]王文帝. 自旋轉式圖像法紗線毛羽數字化檢測及其應用[D]. 上海： 上海工程技術大學， 2020.

WANG Wendi. Detection and Application of Yarn Hairiness by Digital Self-Rotating Image Method[D]. Shanghai： Shanghai University of Engineering Science， 2020.

[9]付國定， 陳樺， 劉紅， 等. 數字圖像處理技術在紡織服裝領域的研究進展[J]. 絲綢， 2011， 48（12）： 22-25.

FU Guoding， CHEN Hua， LIU Hong， et al. Overview of research on image processing technology in textile and clothing field[J]. Journal of Silk， 2011， 48（12）： 22-25.

[10]盧雨正. 竹節紗織物竹節分布均勻性評價方法[J]. 絲綢， 2012， 49（4）： 33-36.

LU Yuzheng. Evaluation method for the slub distribution evenness in the slubby yam fabric[J]. Journal of Silk， 2012， 49（4）： 33-36.

[11]FABIJAN′SKA A. Yarn image segmentation using the region growing algorithm[J]. Measurement Science & Technology， 2011， 22（11）： 114024.

[12]ZHANG G， XIN B. An overview of the application of image processing technology for yarn hairiness evaluation[J]. Research Journal of Textile & Apparel， 2016， 20（1）： 24-36.

[13]SUN Y， PAN R， ZHOU J， et al. Analysis of detectable angles of yarn hairiness in optical measurements[J]. Textile Research Journal， 2017， 87（11）： 1297-1307.

[14]JING J， HUANG M， LI P， et al. Automatic measurement of yarn hairiness based on the improved MRMRF segmentation algorithm[J]. Journal of the Textile Institute， 2018， 109（6）： 740-749.

[15]孫巧妍， 陳祥光， 劉美娜， 等. 基于毛羽補償與自適應中值濾波的紗線主體圖像識別算法[J]. 紡織學報， 2019， 40（1）： 62-66.

SUN Qiaoyan， CHEN Xiangguang， LIU Meina， et al. Image recognition algorithm based on yarn hairiness compensation and adaptive median filter[J]. Journal of Textile Research， 2019， 40（1）： 62-66.

[16]李鵬飛， 嚴凱， 張緩緩， 等. 基于最大熵與密度聚類相融合的毛羽檢測[J]. 紡織學報， 2019， 40（7）： 158-162.

LI Pengfei， YAN Kai， ZHANG Yuanyuan， et al. Hairiness detection based on maximum entropy and density clustering[J]. Journal of Textile Research， 2019， 40（7）： 158-162.

[17]景軍鋒， 寧小翠， 李鵬飛， 等. 交叉毛羽的凹點匹配分割算法[J]. 毛紡科技， 2019， 47（5）： 1-5.

JING Junfeng， NING Xiaocui， LI Pengfei， et al. The cross hairiness segmentation algorithm based on the pits matching[J]. Wool Spinning Technology， 2019， 47（5）： 1-5.

[18]LI Z， ZHONG P， TANG X， et al. A new method to evaluate yarn appearance qualities based on machine vision and image processing[J]. IEEE Access， 2020（8）： 30928-30937.

[19]GONZALES R C， WOODS R E. Digital Image Processing[M]. 3rd Edition. NJ： Prentice Hall， 2007.

[20]左飛. 數字圖像處理： 原理與實踐（MATLAB版）[M]. 北京： 電子工業出版社， 2014.

ZUO Fei. Digital Image Processing： Principles and Practice（MATLAB Edition）[M]. Beijing： Publishing House of Electronics Industry， 2014.

[21]CHAN T F， VESE L A. Active contours without edges[J]. IEEE Transaction on Image Processing， 2001， 10（2）： 266-277.

[22]LIU S， PENG Y. A local region-based chan-vese model for image segmentation[J]. Pattern Recognition， 2012（45）： 2769-2779.

[23]PENTLAND A. A new sense for depth of field[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1987， 9（4）： 523-531.

[24]WANG J G， XU B G， LI Z J， et al. Depth recovery of hairy fibers for precise yarn hairiness measurement. [J]. Applied Optics， 2018， 57（24）： 7021-7029.