基于改進OTSU法的原棉破籽類雜質快速檢測

齊英蘭

(河南輕工職業學院 信息工程系，河南 鄭州 450002)

近年來，我國棉花產量一直位居世界前列，2020年我國棉花產量約 591萬t，約占全球棉花總產量的25.4%[1]。作為主要紡織原材料，棉花與農業、工業、商業等領域都息息相關。棉花在加工過程中，即使經過籽棉清理，原棉中仍會留存雜質，這些雜質在軋花過程中被打散成更細小的雜質微?；祀s在棉纖維中，增加了后續工藝中清除的難度，也降低了棉紡成品的質量和價格[2]。在原棉雜質中，包括破籽、帶纖維籽屑、軟籽表皮在內的破籽類雜質占比較大，因此，快速準確檢測出該類雜質成為亟待解決的難題。

目前，原棉破籽類雜質主要依靠刺輥鋸齒分梳松散，在機械和氣流的作用下，纖維和雜質分離，該方式人工勞動強度大、耗時長、檢測效率低[3-4]。隨著機器視覺技術的發展，相關研究主要有，李龍[5]提出基于Mobile-Net-V2模型的棉花表面雜質自動化識別方法；王飛等[6]選取Sobel算子等4種邊緣檢測方法進行適用性分析；張志強等[7]采用BP神經網絡進行訓練，獲得的BP神經網絡權值、閾值進行棉花圖像分割；黃仰東等[8]設計了一種基于Mean-shift的圖像處理特征識別算法；婁聯堂等[9]提出了基于圖像灰度變換的OTSU閾值優化算法。由于OTSU最佳閾值需要遍歷所有像素值、計算復雜度高、實時性弱等限制了OTSU方法的應用[10]。

針對上述存在的問題，本文結合原棉破籽類雜質的性狀特征，通過動態調整慣性權重因子與自適應動態調整學習因子進行優化，迭代整個群體的全局最優位置和粒子自身的歷史最優位置，進而求解最大類間方差，獲取最優圖像分割閾值。

1 圖像采集與預處理

對于原棉破籽類雜質圖像的采集，本文搭建了基于工業相機與LED光源的視覺圖像采集系統，采用?？低旵MOS工業相機，相機具有自動和手動調節增益功能，圖像采集最大尺寸2 048 pixel × 1 536 pixel，能夠準確獲取清晰的雜質圖像，光照系統采用LED光源，色溫6 500 K。圖像處理算法采用VC++與OpenCV實現，計算機硬件為Intel Core i7 CPU、8GB內存。

由于原棉破籽類雜質圖像邊緣信息復雜，為了更加突出雜質的結構特征，需要對采集的圖像進行灰度變換增強處理，在降低噪聲的同時獲取到雜質真實細節特征信息，進而實現雜質邊緣信息的有效提取。

灰度變換具體方法是根據目標條件，按照變換關系逐像素點調整原始圖像內各像素的灰度，增強圖像動態范圍，進而使原棉雜質圖像具有較高的對比度，使得主要內容顯著且清晰?；叶茸儞Q可分為線性變換和非線性變換，本文采用分段線性變換，方法見圖1。

圖1 分段線性變換Fig.1 Segmented linear transformation

在圖1中，設定原棉雜質圖像為f(i,j)的灰度值區間為[0，255]，目標灰度值區間為[a,b]，假設變換后的圖像g(i,j)將灰度值區間延伸至[c,d]范圍內，那么[a,b]區間內的灰度值將被延伸，兩端的灰度值將會被壓縮，則其相對應的分段線性變換方法見式(1)：

(1)

2 原棉圖像中破籽類雜質檢測

2.1 OTSU方法

OTSU是用于圖像自適應閾值分割的算法，由于其通過圖像灰度特征值確定最佳閾值使得檢測目標和圖像背景2部分的類間方差取最大值。由于方差能夠度量圖像灰度等級分布相似性，檢測目標與圖像背景的類間方差越大，檢測目標與圖像背景差別就越大，因此，確保類間方差最大，使得錯分的機率最小。

假設圖像目標與背景分割閾值為t，目標像素點平均灰度為μ1，目標占整幅圖像像素比為ω2，背景像素點平均灰度為μ2，目標占整幅圖像像素比為ω2，整幅圖像所有像素平均灰度為μ，則類間方差為σ2的數學表達見式(2)：

σ2=ω1(μ1-μ)2+ω2(μ2-μ1)2

(2)

由于類間方差越大，檢測目標與圖像背景的像素差異越大，因此，σ2取最大值時的閾值t即為最佳閾值。

2.2 最佳分割閾值計算模型

粒子群算法是群體智能優化迭代算法，它通過研究粒子位置更新模式，以快速準確收斂至全局最優解，即是，將類間方差設置為目標函數，通過整個群體的全局最優位置和粒子自身的歷史最優位置，在一定的隨機擾動下決定下一步速度，進而求解最大類間方差。

設定d維空間中第i個粒子由 3個d維向量組成當前位置xi、歷史最優位置pi、速度vi分別為：

xi=(xi1,xi2,…,xid)

(3)

pi=(pi1,pi2,…,pid)

(4)

vi=(vi1,vi2,…,vid)

(5)

式中，i為粒子群中粒子數目。每次迭代過程中，將粒子i的當前位置與歷史最優位置比較，如果當前位置優于其歷史最優位置時更新pi，否則維持pi不變。粒子的位置和速度迭代更新依照式(6)進行，

(6)

式中：ω為慣性權重因子，c1、c2為學習因子，r1、r2為區間范圍[0，1]中的隨機數，t為迭代次數。

在現有粒子群算法的基礎上，本文采用通過動態調整慣性權重因子與自適應動態調整學習因子進行改進，慣性權重因子與學習因子依照式(7)動態更新，

(7)

在最佳閾值計算模型中，群體中粒子總數為N，則自適應系數按式(8)計算，

(8)

2.3 改進OTSU方法檢測流程

在改進的OTSU破籽類雜質檢測方法中，通過動態調整慣性權重因子與自適應動態調整學習因子優化，完成粒子位置與速度的迭代更新，進而求取最佳閾值，其檢測流程如圖2所示。

圖2 改進OTSU方法檢測流程Fig.2 Improved OTSU method detection process

主要步驟描述為:

步驟1：對原棉圖像進行灰度變換增強處理，初始化各粒子的速度和位置。

步驟2：按照式(6)進行信息更新，一般選擇c1 =c2 = 2，ω= 0.9。

步驟3：根據式(2)計算每個粒子適應度值，即為其對應閾值的類間方差。

步驟4：將粒子當前適應度與其歷史最優值比較，若當前適應度更有優，則更新歷史最優值且將當前位置作為粒子最優位置。同樣，更新種群歷史最優位置。

步驟5：判斷粒子群中所有粒子的適應度是否都已經計算完畢，同時，根據式(7)重新計算慣性權重因子和學習因子，返回Step2，直至粒子群計算完成。

步驟6：根據粒子群算法獲取的最佳閾值，進行OTSU邊緣檢測與識別。

3 結果與分析

為驗證本文方法的有效性，實驗選取含有破籽類雜質的原棉樣本50份，每個樣品100 g，圖像采集系統獲取原棉圖像，其分辨率為1 400 pixel × 1 800 pixel，位深度24，采用仿真程序進行檢測性能分析。

3.1 雜質邊緣提取精度分析

破籽類雜質邊緣的提取精度直接影響著邊緣的檢測準確度，在圖像采集與仿真實驗系統中，實驗對比了OTSU、Canny、Sobel方法與本文改進方法在雜質邊緣的提取精度上的測試結果。邊緣提取精度采用對提取的雜質邊緣像素點數量的相對誤差進行衡量，即絕對誤差與真實測量值的比值乘以100%，50份棉樣檢測結果取平均值，結果如表1所示。

表1 雜質邊緣提取精度對比Tab.1 Impurity edge extraction accuracy comparison

從表1可以看出，根據50例棉樣的均值數據統計，OTSU、Canny、Sobel方法檢測到的雜質像素都在44 762 pixel以下，漏檢至少3 511 pixel，相對誤差在7%以上。本文改進OTSU方法的相對誤差為6.03%，通過動態調整慣性權重因子與自適應動態調整學習因子優化改進，獲得圖像分割的最優閾值，使邊緣信息的描述更全面地表征雜質像素的屬性，與其它方法相比，相對誤差平均降低2.74%，雜質漏檢減少2 910 pixel，增加了檢出雜質量，有效提高雜質邊緣提取精度。

3.2 檢測耗時分析

為進一步驗證本文方法雜質檢測的效率，在圖像采集與仿真實驗系統中，分別采集600 pixel×1 536 pixel等4種不同分辨率的棉樣圖像進行對比測試。對比結果如圖3所示。

圖3 檢測耗時對比Fig.3 Comparison of testing time consumption

圖3對比結果顯示，與OTSU方法相比，在高中低分辨率條件下，本文方法采用粒子群優化，由于降低了迭代次數，進而檢測耗時較少，平均減少0.21 s，有效減少了圖像分割與檢測的時間。

3.3 檢測效果分析

雜質邊緣分割精度的是檢測效果的重要體現，基于上述實驗環境，分別采集帶有破籽類雜質的原棉圖像，對圖像進行預處理，并將OTSU、Canny、Sobel方法與本文方法的檢測效果進行對比，檢測效果對比如圖4所示?？芍鞣椒ɑ径紮z測到了原始棉樣中的雜質，但OTSU方法與Sobel方法存在漏檢，Canny方法檢測的雜質邊緣清晰流暢，但背景噪聲較大，且存在誤判，本文方法通過動態調整慣性權重因子與自適應動態調整學習因子進行優化，進而獲取最優圖像分割閾值。相比其他方法，本文方法更能準確刻畫雜質的邊緣特征，檢測到的雜質邊緣完整、流暢，避免了雜質邊緣的漏檢，能夠有效提高原棉破籽類雜質的檢測效果與效能，但雜質與圖像背景分割還不夠分明，存在少量背景雜散點，尚需進一步改進優化。

圖4 檢測效果對比Fig.4 Comparison of testing results. (a) Original cotton sample image；(b) Image pre-processing；(c) OTSU method；(d) Canny method；(e) Sobel method；(f) This article method

4 結 論

在OTSU方法最佳閾值的獲取中，本文提出基于粒子群優化最佳閾值的雜質檢測方法，通過動態調整慣性權重因子與自適應動態調整學習因子進行優化，進而求解最大類間方差，獲取最優圖像分割閾值。實驗結果表明，與OTSU、Canny、Sobel方法相比，本文方法的雜質檢測相對誤差平均降低2.74%，檢測到的雜質邊緣能夠有效表征雜質像素，雜質邊緣描述明確，提高了雜質檢測性能，適用于原棉破籽類雜質快速檢測。