一種機織物密度圖像分析系統的研究與應用

潘 全，殷正雄，何 瑜

1.湖北省纖維檢驗局，湖北武漢 430061；2.武漢妙微科技有限公司，湖北武漢 430074；3.湖北大學化學與化工學院，湖北武漢430062

0 前言

織物密度是紡織品機織物中的重要結構參數之一，能夠影響和改變織物的通透性、耐磨性、紋理特性以及力學性能等[1]。織物密度的測量是紡織生產企業產品設計與質量控制的關鍵環節[2]。目前，機織物密度主要依靠人工檢測，存在操作過程耗時費力，檢測結果偏差大等缺點[3]，難以滿足當前紡織行業大批量樣品檢測需求。因此，紡織產業亟需開發一種既高效又精準的織物密度檢測技術。

近年來，伴隨著智能化、自動化水平的不斷提升，人工智能、大數據分析等創新技術飛速發展，并逐漸在各行各業受到廣泛關注和開發應用。織物圖像處理技術作為目前較為成熟和發展較快的智能化技術之一，用于檢測各類紡織品性能和技術參數，不僅能有效控制產品質量，同時相較于人工檢驗，在檢測效率方面有著顯著提高[4]。

本文提出了一種基于圖像處理的機織物密度分析系統，利用圖像分析方法對織物樣品進行自動識別和經緯向分割，然后對分割后的圖像進行角度矯正和分析處理，最后通過二值圖像算法自動計算單位長度內織物經緯向根數。本文還將研究的分析系統應用于不同類型織物組織樣品，通過與人工檢測法進行比對分析，驗證系統的穩定性和準確度。

1 圖像分析系統簡介

1.1 裝置結構

本研究設計開發的機織物密度圖像分析系統由圖像采集裝置、圖像分析平臺以及顯示單元等部分組成。

1.2 圖像采集裝置

圖像采集裝置采用一體化模型設計。該一體機由高清相機、光學顯微鏡，以及照明系統組合而成。高清采樣一體機如圖1所示。

圖1 高清采樣一體機結構示意圖

其中，相機參數：傳感器類型為彩色CDMO傳感器，有效像素200萬，分辨率1 920×1 080像素；變倍顯微鏡參數：光學倍率0.80～4.76倍，數字倍率1.0～6.0倍；照明系統為一套LED補光燈箱，提供穩定、持續的照明光源。高清相機中嵌入的圖像采集模塊可將機織物表面的紋理結構信息轉化為計算機可自動識別的數字化圖像信息[5]，這些信息通過后續的分析裝置對其進行識別、分析和算法處理，從而達到對織物樣品經緯向根數自動測量的目的。

現在企業生產中應用較多的利用工業相機和掃描儀[6]進行采樣，普遍存在成本高、靈活性差等缺點。本研究使用的圖像采集裝置創新性地將變倍顯微鏡、高清相機以及照明系統高效集成為一個整體，通過小型化、緊湊型設計，不僅有效降低了使用成本，同時顯著提高了設備的靈活性和便攜性。整個系統自上而下采用封閉式結構，有效保護內部精密顯微鏡部件和照相裝置，從而極大擴展了該裝置的應用場景，在檢測實驗室、生產企業場所或者政府市場監管抽查場地均能正常開展現場檢測工作。

1.3 圖像分析平臺

圖像分析平臺由控制模塊、算法模塊以及試驗結果管理模塊這3個部分構成。控制模塊負責從圖像采樣裝置的采集模塊中獲取清晰圖像，然后將圖像傳輸給算法模塊進行分析，根據算法模塊分析返回的結果，進行數據管理和實時顯示，直至試驗完成。流程中算法模塊對采集的圖像通過深度學習的網絡模型進行織物經緯向分割，利用分割并進行經緯向矯正后的圖像數據進行經緯紗的纖維根數統計，最后由試驗結果管理模塊結合標尺標定的數據，換算成標準單位長度內對應的經緯向根數，完成織物密度試驗結果的自動輸出。

2 圖像分析系統的測試原理

圖像分析系統通過采樣一體機自動聚焦獲取高清圖像，經過系統軟件進行算法分析，最終輸出經緯向密度結果。其核心原理主要包含以下2個部分內容。

2.1 基于放大倍率的原點自動聚焦算法

為持續、穩定地獲取高質量、高清晰度的織物采集圖像，利用基于放大倍率的原點自動聚焦法，圖像進行采集并分析處理。自動聚焦算法包括對比度法和相位法。

對比度聚焦的原理是通過感光元件獲取實時影像，并傳遞給圖像處理器，然后計算對比度差值，篩選出最大對比度，并根據對比度最大值確定是否合焦。對比度法工作原理如圖2所示。

圖2 對比度法工作原理示意圖

相位法聚焦是通過檢測像的偏移量實現自動對焦，即在感光的CCD的位置放置1個由平行線條組成的障板，線條相繼為透光和不透光。障板后的適當位置上與光軸對稱放置2個受光原件，障板在與光軸垂直方向上往復振動，當聚焦時，聚焦面與障板重合，通過障板透光線條的光同時到達后面的兩個受光元器件，獲得A1、A2的位置；而當離焦時，光束只能先后到達2個受光元器件，得到B1和B2的位置，于是在輸出信號之間就產生了相位差，有相位差的2個信號經電路處理后，即可控制執行機構來調節物鏡的位置，使焦平面與障板的位置重合，從而達到自動聚焦的目的。相位法工作原理如圖3所示。

圖3 相位法工作原理示意圖

目前，對比度聚焦方式的對焦速度較慢，聚焦效率還有待提高，且在弱光環境中，感光元件會因提高感光度而產生明顯噪點，對硬件條件要求也非常高。相較于對比度法，相位法穩定成熟，對焦速度快。基于對聚焦速度、硬件成本以及當前技術成熟度等因素的綜合考量，采用相位法聚焦方式以獲得清晰樣本圖像。

2.2 基于深度學習的自動化分割算法

自動化分割算法流程如圖4所示。

圖4 自動化分割算法流程示意圖

利用深度學習的語義分割模型對不同種類的織物樣本進行經緯向數據標注，對標注的數據進行模型訓練，使得訓練完的語義分割模型能夠針對待檢測的自動聚焦后的織物圖像進行經緯向的正確分割。對分割后的二值圖像進行仿射變換，使緯向分割線保持水平方向。然后，統計仿射變換后二值圖像中的經向和緯向根數。最后，將統計出的經向和緯向根數換算為標準計量單位的經緯密度。

3 應用測試及分析

3.1 試樣的選取

本研究依據標準GB/T 4668—1995《機織物密度的測定》的要求準確取樣。為保證最終所測結果的客觀性和準確性，分別對每個織物樣品的5個不同部位進行測試，然后計算得出算術平均值,測試結果保留至小數點后一位。

3.2 比對分析

選取8個機織物樣品，其中樣品編號1～4為平紋織物面料，樣品編號5～8為斜紋織物面料，分別采用系統檢測和人工測試方法進行測試和比對，結果見表1。

表1 系統檢測與人工測試織物密度結果對比

由表1可見，針對平紋和斜紋這2種不同織物組織類型的樣品，系統檢測與人工檢測的測試結果基本一致，相對偏差均在±5%以內，這表明該分析系統能夠提供客觀、準確的檢測結果。

4 結語

本文提出了一種基于圖像處理的機織物密度分析系統，重點介紹了分析系統的組成結構和運行原理。首先通過圖像采集裝置獲取自動聚焦的清晰圖像，然后利用深度學習的方式對識別的圖像進行標尺標定、自動分割和角度矯正等算法分析，最后通過圖像分析平臺輸出檢測結果。

相較于當前采用密度鏡法通過人工目光進行測量的方式，該系統的設計與研究實現了機織物經緯密度的全自動檢測，每個樣品單次識別速度小于10 s，與人工檢測結果相對偏差在±5%以內。這不僅有效解決了傳統檢測方式效率低、耗時費力的問題，同時由于其小型化、緊湊型設計，能夠適應于各類場所，降低檢測對環境條件的要求，具有靈活性高、便攜性強以及樣品無損檢測等特性，對促進紡織儀器化快檢技術的發展，助力企業質量提升，服務市場監管提供了一定的技術支撐，具有較高的實際應用前景。

在實際應用過程中也發現有不足之處。針對有圖案花色、顏色較深以及結構較復雜（如緞紋組織）的部分織物樣品測試結果不夠準確，還需要進一步研究改進。