CN101555661A - 基于机器视觉技术的棉花异性纤维重量计量方法及系统 - Google Patents

Abstract

本发明涉及一种基于机器视觉技术的棉花异性纤维重量计量方法及系统，所述的棉花异性纤维重量计量系统包括棉花异性纤维图像采集模块；用于对采集的图像进行预处理的图像处理模块；用于对预处理图像进行目标分割和提取的模块；用于对提取目标进行分类的模块；用于对分类结果进行统计运算的模块。通过该处理系统，能够准确的得到基于图像处理技术的棉花异性纤维的单位面积重量，与现场图像处理技术相结合可以用于棉花异性纤维的智能识别和计重测量；本发明还提供了一种基于机器视觉技术的棉花异性纤维重量计量方法，利用该方法及系统，可以提高异性纤维检测的准确性、周期性、时效性，提高检测效率，有效降低异性纤维的危害。

Description

基于机器视觉技术的棉花异性纤维重量计量方法及系统

技术领域

本发明涉及一种基于机器视觉技术的棉花异性纤维重量计量方法及系统，属于棉花异性纤维检验领域。

背景技术

棉花中的异性纤维是指在原棉生产、加工和流通过程中混入棉花中的对棉花及其制品质量有严重影响的非棉纤维和有色纤维，对于棉花异性纤维的处理，国内外统一采用两种方法，视觉检测法和微波检测法。法德国和瑞士在棉花异性纤维剔除方面是处于前沿，例如德国特吕茨勒公司的SCFO异性纤维检测及分离装置、德国Trutzschler公司的SECUROMATSC、瑞士J0551公司的“第四代”异纤捡出设备、瑞士Loepfe公司的CottonSorter、意大利Loptex公司的Sorter异物检出机。国内也进行了大量研究工作，得到了一系列剔除棉花异性纤维的设备。如台湾的明正机械工业有限公司的DG-200OA异纤检出设备、香港至德(POINTHOPE)公司的BARCO棉花分捡机、上海中纺宝达科技有限公司的ZYG-048棉花异性纤维自动检测清除系统、大连贵友公司的CS-2型COTTONSORTER异物检出装置。但以上系统设备，无论是国外还是国内的现有的异性纤维在线清理设备普遍存在价格昂贵、清理效果差，且这些系统仅仅局限于剔除异性纤维，没有对异性纤维进行分类，也没有对其进行质量统计，存在诸多在线计量功能的问题，无法满足我国棉纺织企业异性纤维在线剔除的应用需求，也无法满足棉花质量评定检验中异性纤维含量精确测量的需要，没能够对整个棉花行业起到生产指导作用。

因此，通过建立棉花异性纤维分类识别和计重系统，可以有效的降低异性纤维的危害，同时通过异性纤维计重可以体现出棉花的品质。将棉花异性纤维重量计量应用到棉花异性纤维的检测和种类识别中，可提高异性纤维检测的技术水平和生产效率，可有效克服传统的异性纤维检测周期长、时效性差、效率低、准确性差、劳动强度高等缺点，对实现农产品检测的自动化和智能化有重要意义，有利于提高棉花质量，促进我国棉花产业和棉纺织工业的发展。

为了更好的贯彻执行棉花异性纤维检验技术规范，促进我国棉花和棉纺织工业的发展，必须研制具有更高捡出率的异性纤维识别、剔除和在线计量装备和模型，以适应形式方展的需要。

发明内容

为了解决以上问题，本发明提供了一种基于机器视觉技术的棉花异性纤维重量计量方法。本发明的技术方案如下：

S1：读入棉花异性纤维图像，并将所述棉花异性纤维图像进行分类采集；

S2：在提取棉花异性纤维原始图像的基础上，采用灰度处理和滤波技术完成图像的预处理，以提高棉花异性纤维图像的对比度；

S3：采用自适应均值平移算法进行图像分割；

S4：对分割后的图像目标进行膨胀处理，使得异性纤维区域连通并对其进行一定的误差补偿，最后进行滤波处理，从而实现棉花异性纤维图像的精确分割；

S5：将分割过程后的棉花异性纤维图像，采用挖空内点法和邻域搜索法进行轮廓提取，通过提取出异性纤维的特征参数，以异性纤维轮廓的面积与周长的关系，运用粗糙集理论作为异性纤维的特征提取方法，提取出有效的图像特征向量，对其进行约简，并运用决策树对异性纤维完成分类工作；

S6：选取分类后的有效样本，计算出异性纤维各个样本的平均单位面积重量，得出每种异性纤维的平均单位面积重量，最后对异性纤维进行重量信息计量。

所述步骤S3中，从直方图分析结果来看，采用传统的单阈值或者多阈值方法无法提取出异性纤维，考虑到处理速度和效果，采用均值平移(Mean-shift)算法和膨胀、滤波算法结合的图像分割技术。

通用的均值平移算法，它可以表示为如下形式：K(x)＝C_k，dk(||x||²)，其中C_k，d是使K(x)积分为一的归一化常数。

此处以高斯核函数为例

$K\left(x\right)={\left(2\mathrm{\π}\right)}^{-d/2}\exp (-\frac{1}{2}{\left|\right|x\left|\right|}^2)$

得出具有收敛性的递推公式和自适应阈值分割向量：

$y_{i+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}g\left({\left|\right|\frac{x-\mathrm{xi}}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}g\left({\left|\right|\frac{x-\mathrm{xi}}{h}\left|\right|}^2\right)},$ $m_{h,G}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}g\left({\left|\right|\frac{x-\mathrm{xi}}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}g\left({\left|\right|\frac{x-\mathrm{xi}}{h}\left|\right|}^2\right)}-x=y_{i+1}-y_i$

所述步骤S4中，通过以下步骤对棉花异性纤维图像效果进行增强处理：

S11：先对图像元素进行膨胀处理，使得过处理现象得以部分修正，使得异性纤维区域连通并对其进行一定的误差补偿；

S12：采用中值滤波技术弱化椒盐噪声；

S13：采用3×3方形结构元素对图像进行一次膨胀；再采用两次7×7中值滤波处理，得到较为满意的效果。

所述步骤S5在提取出异纤轮廓的基础上，采用邻域搜索法再提取出每个异性纤维轮廓目标。其具体步骤是：

S21：在轮廓二值图像中，先查找出任一点，沿此点进行邻域搜索，搜索采用3×3的矩阵，矩阵中心点就是任选的一点；

S22：找到相邻的两个点，也就是找到了轮廓的走向点，沿着搜索到的两个点继续搜索，直到搜索到的四个点中有两个点为同一个点时，就完成了轮廓的提取；

S23：将所搜索的点存放入数据链当中，这就完成了一个轮廓的提取，之后删除所搜索到的轮廓点，进行下一个轮廓提取工作。

所述步骤S5中，由于轮廓力矩的大小与面积与周长之比有一定的关系，所以采用面积S与周长L的关系进行轮廓分类。

所述步骤S6中，建立一种分类识别和计重系统SIW(system of identifying and weighing)，将棉花中的异性纤维识别并且统计出所识别的异性纤维的重量，实现异性纤维检测和计重的全程自动化。

本发明还提供了一种棉花异性纤维重量计量系统，该系统运用软件编程。该系统包括：

图像采集模块，用于读入棉花异性纤维彩色图像，并将所述棉花异性纤维彩色图像进行分类采集；

图像预处理模块，将采集后的棉花异性纤维图像进行灰度处理和滤波技术，以用来完成对图像的预处理，以提高棉花异性纤维图像的对比度；

图像分割模块，对处理后的棉花异性纤维灰度图像进行直方图分析，确定异性纤维图像的灰度分布情况，对分割后的图像元素进行膨胀处理，使得异性纤维区域连通并对其进行一定的误差补偿，最后进行滤波处理，从而实现棉花异性纤维图像的精确分割；在此采用自适应均值平移算法进行图像分割；

对异性纤维目标进行分类，将分割过程后的棉花异性纤维图像，采用挖空内点法和邻域搜索法进行轮廓提取，提取出异性纤维的特征参数，以异性纤维轮廓的面积与周长的关系进行分类，运用粗糙集理论作为异性纤维的特征提取方法，提取出有效的图像特征向量，对其进行约简，并运用决策树对异性纤维完成分类工作；

选取分类后的有效样本，计算出异性纤维各个样本的平均单位面积重量，得出每种异性纤维的平均单位面积重量，最后对异性纤维进行重量信息计量。

本发明的棉花异性纤维重量计量系统对机器视觉采集的图像进行处理，首先提高分割的速度和准确度，最终得到完整、准确的异性纤维目标图像，为进行特征提取、目标识别和在线计量提供基础数据。

通过该系统，能够提高场景图像的采集、图像处理和识别方法以及对异性纤维进行分类的速度和精度，以及更好地进行重量计量。同时，通过调整各个模块的参数，可以适用于不同场景的棉花异性纤维重量计量，可以防止由于外界因素变化而引起的处理结果不精确，从而解决为生产和生活带来不便的一系列问题。

其中，图像采集模块使用CCD相机对棉花异性纤维进行图像采集，对采集后的图像进行分类；图像预处理模块是对分类后的图像进行灰度处理，得到棉花异性纤维图像的灰度分布情况，确定灰度压缩范围；图像分割模块是对分割后的图像元素进行膨胀处理，使得异性纤维区域连通并对其进行一定的误差补偿；对异性纤维目标进行分类，是将分割过程后的棉花异性纤维图像，进行轮廓提取，通过提取出异性纤维的特征参数，得出有效的图像特征向量，对其进行约简，完成分类工作；选取分类后的有效样本，计算出异性纤维各个样本的平均单位面积重量，得出每种异性纤维的平均单位面积重量，最后对异性纤维进行重量信息计量。

采用这种重量计量方法，可以根据实际情况确定模型的参数，在进行图形增强时得到高对比度的图像，从而使后面的图像分割变得容易，且结果精确；在对异性纤维目标进行提取时，可以采用挖空内点法和邻域搜索法进行轮廓提取，通过提取出异性纤维的特征参数，以异性纤维轮廓的面积与周长的关系进行分类，运用粗糙集理论作为异性纤维的特征提取方法，提取出有效的图像特征向量，对其进行约简，并运用决策树对异性纤维完成分类工作；选取分类后的有效样本，计算出异性纤维各个样本的平均单位面积重量，得出每种异性纤维的平均单位面积重量，最后对异性纤维进行重量信息计量。

附图说明

图1是本发明的棉花异性纤维重量计量系统结构示意框图；

图2是本发明的棉花异性纤维重量计量方法的流程图；

图3是本发明的棉花异性纤维目标分类流程图(图中“其它”包括识别出的非丝类、非条类、非片类以及无法识别出的的棉花异性纤维)；

图4是本发明的棉花异性纤维重量计量流程图；

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明的棉花异性纤维重量计量系统，均采用软件编程，共包括5个模块：①图像预处理模块；②基于自适应阈值分割技术对图像进行分割模块；③基于挖空内点法和邻域搜索法进行轮廓提取模块；④图像分类模块；⑤基于分类后的异性纤维进行重量信息计量。

所述棉花异性纤维重量计量系统是利用计算机事先进行软件编程，对机器视觉采集的图像进行处理，首先提高分割的速度和准确度，最终得到完整、准确的异性纤维目标图像，为进行特征提取、目标识别和在线计量提供基础数据。

如图2所示，总体的技术方案是：

读入棉花异性纤维图像，并将所述棉花异性纤维图像用采集卡进行分类采集；然后选择具有代表性意义的原棉花异性纤维的图像，采用灰度处理和滤波技术完成图像的预处理，以提高棉花异性纤维图像的对比度；采用自适应均值平移算法进行图像分割，因存在椒盐噪声，对图像进行两次7×7中值滤波处理，因而可得到清晰的二值图像；对分割后的图像元素进行膨胀处理，使得异性纤维区域连通并对其进行一定的误差补偿，最后进行滤波处理，从而实现棉花异性纤维图像的精确分割；将分割过程后的棉花异性纤维图像，采用挖空内点法和邻域搜索法进行轮廓提取，通过提取出异性纤维的特征参数，以异性纤维轮廓的面积与周长的关系进行分类，运用粗糙集理论作为异性纤维的特征提取方法，提取出有效的图像特征向量，对其进行约简，并运用决策树对异性纤维完成分类工作；选取分类后的有效样本，计算出异性纤维各个样本的平均单位面积重量，得出每种异性纤维的平均单位面积重量，最后对异性纤维进行重量信息计量。

1、图像预处理模块

所述的图像预处理模块，主要是对基于机器视觉的棉花异性纤维检测系统采集的原始棉花异性纤维图像进行处理，将采集后的棉花异性纤维图像进行灰度处理和滤波技术，以提高棉花异性纤维图像的对比度，通过对原始图像进行直方图分析，得到原始棉花图像的背景灰度值和棉花异性纤维的灰度值；

其中在原始棉花异性纤维图像的直方图分析中，得到棉花异性纤维图像的灰度分布情况，确定灰度压缩范围，一般情况下原始棉花异性纤维图像的灰度直方图基本都呈单峰特性，异性纤维目标图像在整个原始图像中所占的比例非常小，异性纤维目标图像的灰度值一般都在230左右，而背景图像的灰度值大部分在230～255左右。

2、基于自适应阈值分割技术对图像进行分割模块

所述图像分割模块，主要是对棉花异性纤维图像进行二值化分割，阈值法是图像分割的重要方法，对于灰度图像和彩色图像一样有效。但是对于阈值的选择是难点。自适应阈值分割算法是一种自适应阈值分割技术，该算法是一种以目标区域像素值的概率分布为特征的分割算法。该算法由于采用了统计特征，因此对噪声有很强的鲁棒性，将该算法应用于棉花异性纤维图像的目标分割中，具有很高的效率。

与灰度图像相比较，彩色图像自适应阈值分割算法更加复杂，运算速度更慢。为了提高图像处理速度和减少数据冗余，可以通过选择合适的颜色空间和分割方法。采用HSI彩色表达方式，将RGB系统转换为HSI系统，并且对I分量进行局部自适应阈值分割运算，提取出高效、准确的二值化图像，以此作为基础进行轮廓检测，以确定出彩色图像信息中的目标区域，用以进行目标分割。具体算法如下：

1)首先是对图像彩色空间的选择。空间选择对图像的分割效果影响很大，由于棉花异性纤维数目较少且颜色种类繁杂，使得图像中异性纤维和棉花背景很难分辨。通过对棉花异性纤维彩色图像各个空间研究发现，HSI颜色系统中的I分量具有很好的可分割性。所以，在此选择HSI作为彩色空间，将RGB空间转换为HSI空间，使用通用转换公式：

$I=\frac{1}{\sqrt{3}}(R+G+B)$

$S=1-\frac{3\min (R,G,B)}{R+G+B}$

$H=\left\{\begin{array}{cc}\mathrm{\θ}& G\≥B\\ 2\mathrm{\π\θ}& G\≤B\end{array}\right.$

$\mathrm{\θ}={\cos }^{-1}\left[\frac{\frac{1}{2}[(R-G)+(R-B)]}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right]$

2)采用自适应阈值分割算法对I分量图像进行局部自适应分割。通用算法可以表述如下：

设集合{x_i}i＝1，□，n是d维空间R_d中的n个点，则具有Epanechinkov核k(||·||)和带宽h的多变量密度估计

$\hat{f}\left(x\right)=\frac{1}{{\mathrm{nh}}^d}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left[\frac{{\left|\right|x-x_i\left|\right|}^2}{h^2}\right]$

其中

C_d为d维单位球体积。欲求f^(x)极大值时的x，可以通过对下式迭代获得 $y_{j+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}g[{\left|\right|\frac{y_j-x_i}{h^2}\left|\right|}^2]}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}g\left[{\left|\right|\frac{y_j-x_i}{h^2}\left|\right|}^2\right]},j=\mathrm{1,2}...$ 其中g(.)＝-k′(.)。

3)对于棉花异性纤维静态图像，进行自适应阈值分割处理。通过反复实验，选取带宽为13个像素的自适应阈值分割算法对彩色图像的I分量进行分割。自适应阈值分割算法就相当于是对图像进行局部自适应阈值分割，使得该算法对于图像的整体光照度和棉层背景要求不是很高，自适应阈值分割向量向着收敛点运动的路径是一条平滑的轨迹，两个连续的向量间的夹角通常小于90度。自适应阈值分割过程的平缓轨迹能够更加快速完成图像分割，有效避免分割的结果过于细碎，能够更准确地得到异性纤维图像，该算法具有很高的鲁棒性。

3、基于挖空内点法和邻域搜索法进行轮廓提取模块

所述图像提取模块，主要是对分割出来的二值化目标图像进行轮廓提取，以确定彩色图像中目标的具体位置和范围。目标轮廓提取的算法是，先进行挖空内点法提取出所有轮廓。其次采用8邻域搜索法提取出每个目标轮廓，确定出彩色目标的具体位置和坐标信息，具体算法是：在提取出轮廓的基础上，采用3×3的矩阵，也就是8-邻域法，矩阵中心点就是任选的一点，找到相邻的两个点，也就是找到了轮廓的走向点，沿着搜索到的两个点继续搜索，直到搜索到的四个点中有两个点为同一个点时，就完成了轮廓的提取，将所搜索的点存放入数据链当中，这就完成了一个轮廓的提取，之后删除所搜索到的轮廓点，进行下一个轮廓提取工作，将提取的数据存储与数据链当中。

基于彩色图像和I分量图像的空间坐标是一一对应的，在得到I分量图像的目标轮廓信息同时，也就确定出了彩色图像中对应的目标区域。通过将上边建立的数据链设定为感兴趣区域，将该区域建立到彩色图像当中去，在此提取区域内部的图像信息，提取出来的结果就是对应的彩色图像中的目标。

4、图像分类模块

所述图像分类模块，采用了一种新的棉花异性纤维分类算法，即粗糙分类法，通过提取出了有效的图像特征向量，完成了异性纤维的分类工作。基本粗糙集理论包括两方面的内容，即粗糙集知识表示方法和粗糙集约简理论。

粗糙集知识表达矩阵表中：(1)轮廓力矩d_m表示面积S与周长L²的比值(面积S表示轮廓内部像素数目，周长L表示轮廓长度像素数目)；(2)外观比F表示轮廓长X和宽Y的比值，即X/Y；(3)占空比表示目标异性纤维所占图像的面积比例；(4)似圆度反映的是目标的圆形程度，用L²-16S表示；(5)R、G、B均值表示红绿蓝颜色分量均值；(6)角点是图像轮廓的重要特征，通常定义为在图像边界上曲率足够高的点。

粗糙集约简是粗糙集的核心内容。其主要思想是：保持相对分类能力不变的条件下，删除冗余的、不必要的属性或属性值，达到知识简化的目的。

从粗糙集知识中得出：

(1)轮廓力矩d_m的大小与面积与周长之比有一定的关系，能作为有效的特征进行轮廓分类，能区分出异性纤维是属于丝类、条类还是片类，是第一层次分类的有效特征。

(2)外观比F表示轮廓长和宽的比值，反映的是目标轮廓的矩形程度，由于异纤形状的复杂性，外观比的值往往不能反映目标的真实形状，因此，从外观比上很难区分异纤的种类，外观比不是一个有效的形状特征，但可以作为第二层次分类的一个特征。

(3)占空比表示目标异性纤维所占图像的面积比例，在一定程度上反映目标区域的充实度。识别头发更容易，但对于其他异性纤维不是一个有效的形状特征，也把它当作第二层次分类的一个特征。

(4)似圆度反映的是目标的圆形程度，观察异纤图片可以发现，片类的异纤，如塑料布、纸片等的圆形度最好；条类的异纤，如布条、麻绳等的圆形度较差；而丝类的异性纤维，如头发等的圆形度最差。因此，似圆度是一个有效的形状特征，把它当作第二层次分类的一个特征。

(5)R、G、B均值有一定的区分度，只能作为低属性值特征进行分类。

(6)角点检测属于低层次的属性值，由于棉花异性纤维图像的复杂性，角点均值不能作为有效的特征进行分类。

5、基于分类后的异性纤维进行重量信息计量

为了实现棉花异性纤维识别与计重的自动化，建立一种分类识别和计重系统SIW(systemof identifying and weighing)，将棉花中的异性纤维识别并且统计出所识别的异性纤维的重量，实现异性纤维检测和计重的全程自动化。该系统包括场景图像的采集、图像处理和识别方法，以及计重统计的建立，且该系统可以有效地识别出棉花中的异性纤维，并准确得到各种异性纤维的重量。

在所选取的异性纤维样本基础上，在已知异性纤维的重量、类别的前提下，通过对棉花异性纤维图片进行图像处理，得到其异性纤维的面积，选取有效样本，去除最大样本和最小样本，计算出平均单位面积重量，最后进行重量误差测试，从而完成了重量计量。

采用本发明的重量计量系统，可以根据实际情况确定模型的各个参数，在进行图形增强时得到高对比度的图像，从而使后面的图像分割变得容易，且结果精确；通过采用自适应阈值分割技术，可以加快分割速度；对分割出的二值化图像进行轮廓提取，然后对其运用决策树进行分类，以便更好地统计棉花异性纤维的重量。

以上实施方式仅用于说明本发明，而并非对本发明的限制，在不脱离本发明的精神和范围的情况下做出的各种变化和变型、所有等同的技术方案也属于本发明的范畴。

Claims (8)

1、一种基于机器视觉技术的棉花异性纤维重量计量方法，其特征在于包括以下步骤：

S1：读入棉花异性纤维图像，并将所述棉花异性纤维图像进行分类采集；

S2：在提取棉花异性纤维原始图像的基础上，采用灰度处理和滤波技术完成图像的预处理，以提高棉花异性纤维图像的对比度；

S3：采用自适应均值平移算法进行图像分割；

S4：对分割后的图像目标进行膨胀处理，使得异性纤维区域连通并对其进行一定的误差补偿，最后进行滤波处理，从而实现棉花异性纤维图像的精确分割；

S5：将分割过程后的棉花异性纤维图像，采用挖空内点法和邻域搜索法进行轮廓提取，通过提取出异性纤维的特征参数，以异性纤维轮廓的面积与周长的关系，运用粗糙集理论作为异性纤维的特征提取方法，提取出有效的图像特征向量，对其进行约简，并运用决策树对异性纤维完成分类工作；

S6：选取分类后的有效样本，计算出异性纤维各个样本的平均单位面积重量，得出每种异性纤维的平均单位面积重量，最后对异性纤维进行重量信息计量。

2、根据权利要求1所述的基于机器视觉技术的棉花异性纤维重量计量方法，其特征在于所述步骤S3中，采用均值平移算法和膨胀、滤波算法结合的图像分割技术，自适应阈值分割向量向着收敛点运动的路径是一条平滑的轨迹，两个连续的向量间的夹角通常小于90度，自适应阈值分割过程的平缓轨迹能够更加快速完成图像分割，有效避免分割的结果过于细碎，能够更准确地得到异性纤维图像。

3、根据权利要求2所述的基于机器视觉技术的棉花异性纤维重量计量方法，其特征在于采用均值平移算法得出具有收敛性的递推公式和自适应阈值分割向量。

4、根据权利要求1所述的基于机器视觉技术的棉花异性纤维重量计量方法，其特征在于所述步骤S4中，通过以下步骤对棉花异性纤维图像效果进行增强处理：

S11：先对图像元素进行膨胀处理，使过处理现象得以部分修正，使异性纤维区域连通并对其进行一定的误差补偿；

S12：采用中值滤波技术弱化椒盐噪声；

S13：采用3×3方形结构元素对图像进行一次膨胀；再采用两次7×7中值滤波处理，得到较为满意的效果。

5、根据权利要求1所述的基于机器视觉技术的棉花异性纤维重量计量方法，其特征在于所述步骤S5在提取出异纤轮廓的基础上，采用邻域搜索法再提取出每个异性纤维轮廓目标，其具体步骤是：

S21：在轮廓二值图像中，先查找出任一点，沿此点进行邻域搜索，搜索采用3×3的矩阵，矩阵中心点就是任选的一点；

S22：找到相邻的两个点，也就是找到了轮廓的走向点，沿着搜索到的两个点继续搜索，直到搜索到的四个点中有两个点为同一个点时，就完成轮廓的提取；

S23：将所搜索的点存放入数据链当中，这就完成了一个轮廓的提取，之后删除所搜索到的轮廓点，进行下一个轮廓提取工作。

6、根据权利要求1所述的基于机器视觉技术的棉花异性纤维重量计量方法，其特征在于所述步骤S5中采用面积S与周长L的关系进行轮廓分类。

7、根据权利要求1所述的基于机器视觉技术的棉花异性纤维重量计量方法，其特征在于所述步骤S6中，建立一种分类识别和计重系统system of identifying and weighing，将棉花中的异性纤维识别并且统计出所识别的异性纤维的重量，实现异性纤维检测和计重的全程自动化。

8、一种基于机器视觉技术的棉花异性纤维重量计量系统，其特征在于该系统包括：

图像采集模块，用于读入棉花异性纤维彩色图像，并将所述棉花异性纤维彩色图像进行分类采集；

图像预处理模块，将采集后的棉花异性纤维图像进行灰度处理和滤波技术，以用来完成对图像的预处理，提高棉花异性纤维图像的对比度；

图像分割模块，对处理后的棉花异性纤维灰度图像进行直方图分析，确定异性纤维图像的灰度分布情况，对分割后的图像元素进行膨胀处理，使得异性纤维区域连通并对其进行一定的误差补偿，最后进行滤波处理，从而实现棉花异性纤维图像的精确分割；在此采用自适应均值平移算法进行图像分割；

对异性纤维目标进行分类，将分割过程后的棉花异性纤维图像，采用挖空内点法和邻域搜索法进行轮廓提取，提取出异性纤维的特征参数，以异性纤维轮廓的面积与周长的关系进行分类，运用粗糙集理论作为异性纤维的特征提取方法，提取出有效的图像特征向量，对其进行约简，并运用决策树对异性纤维完成分类工作；

选取分类后的有效样本，计算出异性纤维各个样本的平均单位面积重量，得出每种异性纤维的平均单位面积重量，最后对异性纤维进行重量信息计量。

Images