馬 珂 嚴(yán) 凱 張緩緩 景軍鋒 李鵬飛

（西安工程大學(xué)，陜西西安，710048）

毛羽是影響紗線質(zhì)量的重要指標(biāo)之一［1］，其長(zhǎng)度、根數(shù)、面積指數(shù)等指標(biāo)直接影響后續(xù)終端產(chǎn)品的質(zhì)量及生產(chǎn)效率［2］。毛羽過(guò)多過(guò)長(zhǎng)會(huì)影響紗線上漿效果；毛羽分布不均勻會(huì)造成織物產(chǎn)生橫檔，也會(huì)導(dǎo)致染色不均勻，形成色差，進(jìn)而影響后期織物質(zhì)量。目前針對(duì)紗線毛羽指標(biāo)的檢測(cè)方法主要包括光電法、靜電法和圖像法。光電法可以測(cè)量毛羽根數(shù)或毛羽H值，但是不能直觀反映紗線毛羽分布情況，重復(fù)性較差，且檢測(cè)結(jié)果不能重現(xiàn)［3-4］；靜電法是毛羽在靜電作用下伸展，用投影計(jì)數(shù)法達(dá)到計(jì)算長(zhǎng)度的目的，可以解決毛羽彎曲問(wèn)題，但破壞了毛羽最初的形態(tài)［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(shù)提取出清晰的毛羽圖像并進(jìn)行毛羽統(tǒng)計(jì)，能更全面準(zhǔn)確地檢測(cè)毛羽，反映毛羽分布情況，且可重現(xiàn)［6-7］。

近年來(lái)，隨著圖像處理技術(shù)及機(jī)器視覺(jué)技術(shù)的快速發(fā)展，基于圖像法的毛羽檢測(cè)研究越來(lái)越受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。LI P F等［8］和蘇澤斌等［9］提出了一種基于MRMRF算法對(duì)紗線毛羽自動(dòng)檢測(cè)方法，該方法以紗線條干為基準(zhǔn)線檢測(cè)紗線毛羽的長(zhǎng)度，但對(duì)于彎曲的毛羽無(wú)法計(jì)算實(shí)際長(zhǎng)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(tài)圖像的方法，以紗線上下條干為基準(zhǔn)線，得到每根毛羽長(zhǎng)度，但是該方法在毛羽卷曲及中斷條件下，計(jì)算結(jié)果存在很大誤差。王文帝等［11］提出自適應(yīng)灰度增強(qiáng)算法，該方法可以獲取毛羽與背景對(duì)比度比較高的圖像，但毛羽長(zhǎng)度在1 mm范圍內(nèi)，該算法在檢測(cè)圈毛羽和粗節(jié)時(shí)，會(huì)導(dǎo)致檢測(cè)結(jié)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(jìn)行觀察獲得一部分聚焦的紗線毛羽圖像，費(fèi)時(shí)費(fèi)力。RAMESH C N等［13］利用靜電解決毛羽彎曲問(wèn)題的檢測(cè)，該方法首先將紗線放置在靜電場(chǎng)中，利用靜電使毛羽伸直，然后用相機(jī)采集圖像并將圖像進(jìn)行處理，但在靜電場(chǎng)中仍有部分毛羽存在彎曲，檢測(cè)結(jié)果有誤差。

為了解決以上問(wèn)題，本研究提出一種基于貝葉斯閾值的紗線毛羽檢測(cè)方法。該方法首先利用自適應(yīng)閾值對(duì)紗線圖像進(jìn)行增強(qiáng)；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(xì)化算法對(duì)獲得的毛羽進(jìn)行細(xì)化；最后利用像素法［14］對(duì)細(xì)化后的毛羽圖像進(jìn)行統(tǒng)計(jì)分析，計(jì)算毛羽長(zhǎng)度、毛羽根數(shù)、毛羽面積指數(shù)及毛羽長(zhǎng)度指數(shù)等指標(biāo)。

1 紗線毛羽檢測(cè)方法

在采集紗線圖像過(guò)程中，由于空間及人為等各種不確定因素，導(dǎo)致采集的圖像中存在大量噪聲，進(jìn)而影響毛羽指標(biāo)檢測(cè)，因此首先需要對(duì)圖像進(jìn)行預(yù)處理。

1.1 紗線圖像預(yù)處理

本研究采用自適應(yīng)閾值對(duì)紗線圖像進(jìn)行圖像增強(qiáng)［15］。圖像增強(qiáng)是為了提高圖像中毛羽和背景對(duì)比度，強(qiáng)調(diào)毛羽信息，同時(shí)抑制背景噪聲，進(jìn)而改善圖像質(zhì)量。圖像增強(qiáng)原理見(jiàn)式（1）。

式中：c(x，y)為圖像增強(qiáng)后的結(jié)果；f(x，y)為輸入圖像的坐標(biāo)(x，y)對(duì)應(yīng)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(gè)極小正數(shù)。

采集的紗線毛羽圖像如圖1（a）所示，基于自適應(yīng)閾值的圖像增強(qiáng)后效果如圖1（b）所示?？梢钥闯?，經(jīng)過(guò)圖像增強(qiáng)后的紗線毛羽特征更加顯著，但背景噪聲也被進(jìn)一步增強(qiáng)，為此采用遞歸濾波方法減少圖像增強(qiáng)后的背景噪聲［16-17］。

圖1 原始圖像與增強(qiáng)圖像

對(duì)于每個(gè)輸入信號(hào)I[m]，邊緣保護(hù)的濾波結(jié)果可以在變換域中用遞歸濾波器表示，原理見(jiàn)式（2）。

式中：J[m]為m個(gè)像素的濾波結(jié)果；a是以e為底的對(duì)數(shù)，取值大小在0～1之間，代表反饋系數(shù)；b是變換域中相鄰像素點(diǎn)之間的距離。

經(jīng)過(guò)遞歸濾波后的紗線毛羽圖像如圖2所示。與圖1（b）對(duì)比，背景噪聲明顯減少。

圖2 遞歸濾波結(jié)果

1.2 紗線圖像閾值分割

經(jīng)過(guò)遞歸濾波后，需對(duì)紗線圖像進(jìn)行閾值分割，不恰當(dāng)?shù)拈撝狄讓?dǎo)致毛羽出現(xiàn)中斷現(xiàn)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(duì)紗線毛羽圖像進(jìn)行分割［18-19］。

貝葉斯閾值分割具體操作如下。針對(duì)灰度值在［0，255］間的圖像，首先計(jì)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(gè)像素點(diǎn)的閾值與T比較，若大于T，則將所有閾值數(shù)累加賦值給S0，否則累加賦值給S1，并記錄每次累加的個(gè)數(shù)，依次迭代計(jì)算。最后，將大于均值T的元素閾值總值與個(gè)數(shù)的商記作T0，小于的記作T1；若滿足迭代公式（3），則迭代結(jié)束，否則一直進(jìn)行迭代；迭代結(jié)束后給T加15（經(jīng)驗(yàn)值）作為閾值等級(jí)，對(duì)紗線圖像進(jìn)行二值化，經(jīng)過(guò)閾值處理后的結(jié)果如圖3所示。

圖3 圖像閾值分割結(jié)果

1.3 毛羽特征提取

在研究紗線毛羽指標(biāo)的過(guò)程中，條干會(huì)對(duì)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(jí)灰度像素個(gè)數(shù)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(jiàn)式（4）。

方差處理后的圖像像素最大值的點(diǎn)用index表示，原始圖像像素用img表示，以index、0為一點(diǎn)，index、img圖像灰度像素的最大值為另一點(diǎn)，畫出一條直線，將直線中滿足img＞index的點(diǎn)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(biāo)計(jì)算

獲得毛羽后，需對(duì)紗線毛羽進(jìn)行細(xì)化處理。采用Hilditch細(xì)化算法對(duì)毛羽進(jìn)行細(xì)化［20］，該細(xì)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(diǎn)。經(jīng)過(guò)細(xì)化的毛羽骨架為單像素，可直接被用于計(jì)算毛羽長(zhǎng)度［21］。

1.4.1 毛羽根數(shù)及毛羽長(zhǎng)度計(jì)算

設(shè)輸入樣本xi，毛羽鄰域半徑為C，毛羽長(zhǎng)度為M，輸出結(jié)果為Y。

具體計(jì)算毛羽長(zhǎng)度和毛羽根數(shù)操作如下。步驟1：輸入樣本xi。步驟2：設(shè)置鄰域半徑C，檢索樣本的鄰域半徑C，判斷樣本的毛羽長(zhǎng)度M。步驟3：同一長(zhǎng)度檢索結(jié)束后，用像素法計(jì)算毛羽的真實(shí)長(zhǎng)度及根數(shù)，其中像素法統(tǒng)計(jì)的像素點(diǎn)個(gè)數(shù)乘以實(shí)際像素點(diǎn)長(zhǎng)度即可得到毛羽真實(shí)長(zhǎng)度。步驟4：檢查樣本中未被標(biāo)記毛羽長(zhǎng)度的毛羽，直至檢測(cè)為邊界結(jié)束。步驟5：循環(huán)步驟1～步驟4，直至樣本集被檢測(cè)完，輸出結(jié)果Y。計(jì)數(shù)完成后，獲得毛羽根數(shù)以及每根毛羽的長(zhǎng)度。應(yīng)用像素計(jì)數(shù)法對(duì)毛羽進(jìn)行處理，可以避免毛羽彎曲的影響，且同時(shí)可以進(jìn)行毛羽長(zhǎng)度、毛羽根數(shù)的統(tǒng)計(jì)。

鑒于每根紗線長(zhǎng)度基本不可能在一張圖像完全顯示，所以在毛羽根數(shù)檢測(cè)中需要進(jìn)一步設(shè)置，如果通過(guò)該根毛羽不能檢測(cè)到條干邊緣，則該根毛羽不計(jì)數(shù)。在處理數(shù)據(jù)集時(shí)如果連續(xù)兩張圖像的兩根毛羽可以拼接為一根長(zhǎng)毛羽且其中一根可以檢測(cè)到條干邊緣，則根數(shù)計(jì)數(shù)加1。

毛羽根數(shù)及長(zhǎng)度只能反映紗線中毛羽的數(shù)量和毛羽長(zhǎng)度，不能體現(xiàn)毛羽在紗線中的占比，因此需要引入毛羽面積指數(shù)和毛羽長(zhǎng)度指數(shù)指標(biāo)對(duì)紗線毛羽進(jìn)行評(píng)價(jià)。

1.4.2 毛羽面積指數(shù)和毛羽長(zhǎng)度指數(shù)計(jì)算

毛羽面積指數(shù)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(shù)HA反映的是紗線圖像中毛羽的占比大小，是一個(gè)無(wú)量綱的毛羽分布參數(shù)，具體計(jì)算見(jiàn)式（5）。

式中：SA2為紗線條干所占區(qū)域的像素?cái)?shù)目；SA為紗線毛羽總的像素點(diǎn)數(shù)目。

毛羽長(zhǎng)度指數(shù)是在一定長(zhǎng)度紗線條干上的所有毛羽長(zhǎng)度總和與該段紗線條干長(zhǎng)度之比。與毛羽面積指數(shù)相同，毛羽長(zhǎng)度指數(shù)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(zhǎng)度指數(shù)計(jì)算見(jiàn)式（6）。

式中：L為紗線條干長(zhǎng)度；SL為圖像中所有毛羽長(zhǎng)度累加之和。

2 試驗(yàn)結(jié)果與分析

2.1 毛羽長(zhǎng)度與毛羽根數(shù)

為了驗(yàn)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(jìn)行測(cè)試，紗線圖片大小為256像素×256像素。每個(gè)像素點(diǎn)代表實(shí)際長(zhǎng)度0.03 mm，圖片紗線總長(zhǎng)度為1 m，紗線毛羽根數(shù)及毛羽長(zhǎng)度的樣本統(tǒng)計(jì)結(jié)果見(jiàn)表1。

表1 毛羽長(zhǎng)度分類統(tǒng)計(jì)

同時(shí)將本研究方法與文獻(xiàn)［1］中的等距線法（0.5 mm）進(jìn)行對(duì)比。樣本1采用本研究方法測(cè)量長(zhǎng)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(cè)量長(zhǎng)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(cè)量長(zhǎng)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(cè)量長(zhǎng)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(duì)比結(jié)果可以看出，等距線法對(duì)于毛羽測(cè)量，存在一定誤差。一方面，等距線法由于初始圖像對(duì)比度不強(qiáng)，有少數(shù)毛羽不能進(jìn)行計(jì)數(shù)，導(dǎo)致統(tǒng)計(jì)結(jié)果不準(zhǔn)確；另一方面，等距線法對(duì)于彎曲毛羽無(wú)法準(zhǔn)確測(cè)量，而本研究方法可以解決上述方法存在的問(wèn)題。

為了進(jìn)一步驗(yàn)證本研究方法的準(zhǔn)確性，使用YG172A型紗線毛羽測(cè)試儀分別對(duì)6種紗線毛羽進(jìn)行測(cè)量，每種紗線分別進(jìn)行10次試驗(yàn)，最終取其平均值作為檢測(cè)結(jié)果。YG172A型紗線毛羽測(cè)試儀檢測(cè)結(jié)果見(jiàn)表2。從表1和表2對(duì)比可以看出，本研究方法的樣本檢測(cè)結(jié)果與YG172A型紗線毛羽測(cè)試儀測(cè)試數(shù)據(jù)誤差比較小。因此本研究算法對(duì)毛羽長(zhǎng)度的測(cè)量結(jié)果是較為準(zhǔn)確、有效的。

表2 YG172A型紗線毛羽測(cè)試儀測(cè)試毛羽結(jié)果

2.2 毛羽長(zhǎng)度指數(shù)與毛羽面積指數(shù)

為了更全面對(duì)紗線毛羽進(jìn)行分析，本研究計(jì)算了紗線的毛羽長(zhǎng)度指數(shù)和毛羽面積指數(shù)。計(jì)算結(jié)果見(jiàn)表3、表4。

表3 毛羽長(zhǎng)度指數(shù)計(jì)算結(jié)果

表4 毛羽面積指數(shù)計(jì)算結(jié)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(biāo)準(zhǔn)差相對(duì)較小，但樣本6的CV值較大，說(shuō)明樣本3、樣本4、樣本5毛羽長(zhǎng)度指數(shù)分布較為集中，毛羽分布相對(duì)均勻，而樣本6紗線毛羽長(zhǎng)度指數(shù)比較分散，毛羽分布不均勻。樣本1、樣本2的平均值和標(biāo)準(zhǔn)差相對(duì)較大，但CV值相對(duì)較小，說(shuō)明樣本1、樣本2的毛羽長(zhǎng)度指數(shù)分布較為分散，但毛羽分布相對(duì)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(biāo)準(zhǔn)差較小，結(jié)合CV值來(lái)看，說(shuō)明樣本4、樣本5、樣本6毛羽面積指數(shù)分布較為集中，毛羽分布相對(duì)均勻，而樣本3紗線毛羽面積指數(shù)比較分散，毛羽分布不均勻。而樣本1、樣本2的平均值、標(biāo)準(zhǔn)差較大，但CV值較小，說(shuō)明樣本1、樣本2的毛羽面積指數(shù)分布較為分散，但毛羽分布相對(duì)均勻。

綜合表3、表4來(lái)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(jié)論

本研究提出一種基于貝葉斯閾值的紗線毛羽檢測(cè)方法。該方法能有效對(duì)紗線的毛羽進(jìn)行統(tǒng)計(jì)獲取紗線毛羽長(zhǎng)度、毛羽根數(shù)、毛羽面積指數(shù)及毛羽長(zhǎng)度指數(shù)等指標(biāo)。結(jié)果表明，與等距線法及YG172A型紗線毛羽測(cè)試儀檢測(cè)結(jié)果相比，本研究提出的方法能夠精確統(tǒng)計(jì)出紗線毛羽的多項(xiàng)指標(biāo)，為紗線質(zhì)量分析提供技術(shù)支撐。