CN109671088A - 一种纱线毛羽特征参数的数字化方法 - Google Patents

一种纱线毛羽特征参数的数字化方法 Download PDF

Info

Publication number
CN109671088A
CN109671088A CN201811318381.2A CN201811318381A CN109671088A CN 109671088 A CN109671088 A CN 109671088A CN 201811318381 A CN201811318381 A CN 201811318381A CN 109671088 A CN109671088 A CN 109671088A
Authority
CN
China
Prior art keywords
image
yarn
hairiness
background
gray
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811318381.2A
Other languages
English (en)
Inventor
侯如梦
高晓艳
刘美娜
辛斌杰
王松坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yantai Nanshan University
Original Assignee
Yantai Nanshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yantai Nanshan University filed Critical Yantai Nanshan University
Priority to CN201811318381.2A priority Critical patent/CN109671088A/zh
Publication of CN109671088A publication Critical patent/CN109671088A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种纱线毛羽特征参数的数字化方法,包括对纱线的图像采集、对所采集的图像在计算机系统中进行图像预处理、对预处理之后的图像进行图像分割、对分割后的图像进行形态学处理、对形态学处理后的图像进行图像分析计算步骤,其特征在于:所述图像预处理包括倾斜校正、背景处理、滤波处理三个步骤,其中背景处理采用自适应灰度增强算法。与现有技术相比,本发明通过自适应灰度增强算法处理纱线图像,可以明显增强纱线与背景灰度对比度,减少纱线图像信息损失同时有利于后续图像分割图像处理。

Description

一种纱线毛羽特征参数的数字化方法
技术领域
本发明涉及纺织技术领域,特别是涉及一种纱线毛羽特征参数的数字化方法。
背景技术
近年来随着纺织业的技术创新和进步,对纺织品的质量检测提出了更高的要求。在纺织品生产过程的各个阶段都会出现影响其外观和质量的因素,其中最常见的影响因素是纱线的质量,而纱线的质量其中最重要的特征是纱线的毛羽特性,它是衡量纱线质量好坏的重要指标之一,对纱线的性能、质量和后序加工过程有影响显著。
纱线毛羽特性通常用其外观特征参数表征。
传统纱线的外观特征参数检测方法分为人工检测和机器检测,人工检测主观因素影响大,机器检测存在效率低或者检测条件苛刻,二者都已逐步淘汰。
随着计算机视觉系统和数字图像处理的快速发展,国内外许多专家和学者提出很多以数字化图像分析方法来检测纱线的毛羽特征参数,从而实现对纱线毛羽特征的数字化检测。数字化检测纱线毛羽特征参数实质是用图像处理方法对采集到的纱线图像进行处理,然后对处理结果分析得出纱线参数。
钟平等利用图像采集装置设置纱线样点采集距离及相机采集速度,获取纱线序列图像,应用图像处理和图像分析方法,得到纱线的直径参数,进而检测出纱线直径的变化。吉庭婷等利用CCD相机采集纱线动态图像,应用图像处理方法对图像处理,然后用控制模块对结果分析,进而得到纱线质量信息。但上述方法在提取纱线主干和纱线毛羽的处理过程中,不合适的算法使得毛羽信息损失严重。也就是说图像分割后,图像中纱线毛羽与原图像相比出现纱线毛羽断裂,纱线毛羽长度变短,甚至将背景的噪声点当作纱线毛羽的一部分等,针对这个问题需要先增强纱线与背景的对比度,然后再用阈值分割能够改善上述出现的问题。
发明内容
为克服现有技术的上述缺陷,本发明提供一种纱线毛羽特征参数的数字化方法,所采取的技术方案是:
一种纱线毛羽特征参数的数字化方法,包括对纱线的图像采集、对所采集的图像在计算机系统中进行图像预处理、对预处理之后的图像进行图像分割、对分割后的图像进行形态学处理、对形态学处理后的图像进行图像分析计算步骤,其特征在于:所述图像预处理包括倾斜校正、背景处理、滤波处理三个步骤,其中背景处理采用自适应灰度增强算法:
a.去除纱线背景;
b.求出去除背景后背景的灰度值,
取图像矩阵上下各20行所有元素求其平均值,此平均值视为背景去除后背景的灰度值;
c.对背景和纱线灰度做线性变换,得到灰度二值图像
首先让图像矩阵乘以一个系数k,扩大纱线与背景的灰度值,然后图像矩阵减去前述求得的平均值的k倍,相当于对图像再一次去除背景,最后将得到的矩阵小于0的值赋值为0,大于255的值赋值为255;表达式如下:
g(x,y)=T[f(x,y)] (1)
其中,f(x,y)为输入图像,g(x,y)为输出(处理后的)图像,T是对图像f的算子,作用于点(x,y)定义的值;
s=T(r) (2)
其中,r表示图像f中的灰度,s表示图像g中的灰度;两者在图像中处于相同的坐标(x,y)处;上式可以简单表达为:
如果s<0,则令s=0,如果s>255,则令s=255;
其中:k为系数;为背景灰度平均值;
图像为M行N列矩阵;xi,:为第i行所有列的元素。
进一步地,所述滤波处理是运用维纳滤波对自适应灰度增强后的图像进行滤波。
进一步地,所述图像分割是运用线性区域阈值分割算法对预处理后的图像进行纱线与背景的分割,主要步骤如下:
d.以每列为整体计算类间方差
类间方差公式为:
其中,P1(t)是每列灰度级为[0,1,2,…,t]的像素发生的概率;mt是每列灰度级为[0,1,2,…,t]像素的平均灰度;mG是每列全部像素平均灰度;最大时,t为最佳阈值;
e.以最佳阈值对每列类间方差进行分割;
f.每列阈值分割后的图像进行组合;
g.输出最佳阈值分割图像。
进一步地,所述形态学处理包括对图像进行腐蚀、膨胀、细化处理。
进一步地,所述图像分析计算是指对图像形态学处理的结果进行分析计算,得到三种纱线毛羽特征参数:毛羽面积指数、毛羽长度指数和纱线条干CV值,其中
毛羽面积指数是纱线二值图像中所有毛羽像素的总个数与纱线主体像素的总个数的比值,公式如下:
其中,f是毛羽的二值图像,c是纱线芯的二值图像,M,N表示图像的尺寸;
毛羽长度指数是由毛羽细化图像中所有毛羽像素的总个数与纱线长度的比值,计算公式如下:
纱线条干CV值是指纱线条干不均匀率,计算公式如下:
其中,为的平均个数;N为纱线图像的列数;Xi为纱线图像中纱线条干直径实际所占像素点个数。
本发明的有益效果为:
(1)通过自适应灰度增强算法处理纱线图像,可以明显增强纱线与背景灰度对比度,减少纱线图像信息损失同时有利于后续图像分割图像处理。
(2)通过线性区域阈值分割算法处理纱线图像,可以准确地将纱线与背景分开,减少纱线图像信息损失同时有利于后续纱线提取处理。
(3)一种纱线外观特征参数提取和分析方法能够有效地提取和分析纱线参数,提高了数字化检测纱线参数的准确率。
附图说明
图1是数字CCD相机在单一视角下采集到的原始图像。
图2是图1去除背景后的图像。
图3是图2局部放大图。
图4是图2经过灰度拉伸变换后的灰度二值图像。
图5是图4局部放大图。
图6是图2经过本发明自适应灰度增强后的灰度二值图像。
图7是图6局部放大图。
图8是图4经过维纳滤波后的图像。
图9是图8局部放大图。
图10是图5经过维纳滤波后的图像。
图11是图10局部放大图。
图12是图8经过OTSU类间方差阈值分割方法进行分割后的图像。
图13是图12局部放大图。
图14是图10经过OTSU类间方差阈值分割方法进行分割后的图像。
图15是图14局部放大图。
图16图10经过本发明线性线性区域阈值分割法进行分割后的图像。
图17是图16局部放大图。
图18是本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步详细的说明。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
实施例1,对成纱方式为环锭纺、梳纱工艺为精梳、纱线密度tex为14的棉纱选取10米无规律移动,通过数字CCD相机获得的图像存储为空间分辨率m×n=500×1696像素的单色图像,并对图像进行倾斜矫正。如图1所示。
背景消除:先去除单色灰度纱线图像的背景,然后增强前景与新背景的灰度对比度形成新的图像;如图2-3所示。
求出去除背景后背景的灰度值:取图像矩阵上下各20行所有元素求其平均值,此平均值视为背景去除后新背景的灰度值;
数字化图像处理:对背景和纱线灰度做线性变换,得到灰度二值图像
首先让图像矩阵乘以一个系数k,扩大纱线与背景的灰度值,然后图像矩阵减去前述求得的平均值的k倍,相当于对图像再一次去除背景,最后将得到的矩阵小于0的值赋值为0,大于255的值赋值为255;表达式如下:
g(x,y)=T[f(x,y)] (1)
其中,f(x,y)为输入图像,g(x,y)为输出(处理后的)图像,T是对图像f的算子,作用于点(x,y)定义的值;
s=T(r) (2)
其中,r表示图像f中的灰度,s表示图像g中的灰度;两者在图像中处于相同的坐标(x,y)处;上式可以简单表达为:
如果s<0,则令s=0,如果s>255,则令s=255;
其中:k为系数;为背景灰度平均值;
图像为M行N列矩阵;xi,:为第i行所有列的元素。
通过自适应灰度增强算法处理纱线图像,在保证毛羽信息完整的情况下减少背景噪声,可以明显增强纱线与背景灰度对比度,毛羽清晰,减少纱线图像信息损失同时有利于后续图像分割图像处理。如图6-7所示。
然后还对图像进行维纳滤波处理,如10-11所示。
对比例1,对成纱方式为环锭纺、梳纱工艺为精梳、纱线密度tex为14的棉纱选取10米无规律移动,通过数字CCD相机获得的图像存储为空间分辨率m×n=500×1696像素的单色图像,并对图像进行倾斜矫正。如图1所示。
背景消除:先去除单色灰度纱线图像的背景,然后增强前景与新背景的灰度对比度形成新的图像;如图2-3所示。
对图像进行灰度拉伸变换处理,如图4-5所示。
然后还对图像进行维纳滤波处理,如8-9所示。
从图5和图7的比较可以看出,经过自适应灰度增强算法处理纱线图像比经常传统的灰度拉伸变换处理后的图像,纱线图像信息损失更小,毛羽更清晰。
从图9和图11的比较可以看出,经过自适应灰度增强算法处理纱线图像比经常传统的灰度拉伸变换处理后的图像,经过后续处理如维纳滤波处理后,纱线图像信息损失更小,毛羽更清晰。
实施例2,对如图10所示的经过自适应灰度增强后的灰度二值图像再经过维纳滤波后的图像,再次运用线性区域阈值分割法对预处理后的图像进行纱线与背景的分割,主要步骤如下:
d.以每列为整体计算类间方差
类间方差公式为:
其中,P1(t)是每列灰度级为[0,1,2,…,t]的像素发生的概率;mt是每列灰度级为[0,1,2,…,t]像素的平均灰度;mG是每列全部像素平均灰度;最大时,t为最佳阈值;
e.以最佳阈值对每列类间方差进行分割;
f.每列阈值分割后的图像进行组合;
g.输出最佳阈值分割图像。如图16-17所示。
对比例2,对如图10-11所示的经过自适应灰度增强后的灰度二值图像再经过维纳滤波后的图像,再次运用OTSU类间方差阈值分割方法进行分割,分割后的图像如图14-15所示。
对比例3,对如图8-9所示的经过灰度拉伸变换后的灰度二值图像再经过维纳滤波后的图像,再次运用OTSU类间方差阈值分割方法进行分割,分割后的图像如图12-13所示。
从图14-15和图12-13的比较可以看出,经过本发明的线性区域阈值分割法对预处理后
的图像进行纱线与背景的分割,比传统的OTSU类间方差阈值分割法,更能准确地将纱线
与背景分开,减少纱线图像信息损失。
从图14-15和图16-17的比较可以看出,比较而言,图像经自适应灰度增强方法处理后
的阈值分割结果优于灰度拉伸变换增强方法。
以上内容是结合具体的优选实施例和对比例对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明所提交的权利要求书确定专利保护范围。

Claims (5)

1.一种纱线毛羽特征参数的数字化方法,包括对纱线的图像采集、对所采集的图像在计算机系统中进行图像预处理、对预处理之后的图像进行图像分割、对分割后的图像进行形态学处理、对形态学处理后的图像进行图像分析计算步骤,其特征在于:所述图像预处理包括倾斜校正、背景处理、滤波处理三个步骤,其中背景处理采用自适应灰度增强算法:
a.去除纱线背景;
b.求出去除背景后背景的灰度值,
取图像矩阵上下各20行所有元素求其平均值,此平均值视为背景去除后背景的灰度值;
c.对背景和纱线灰度做线性变换,得到灰度二值图像
首先让图像矩阵乘以一个系数k,扩大纱线与背景的灰度值,然后图像矩阵减去前述求得的平均值的k倍,相当于对图像再一次去除背景,最后将得到的矩阵小于0的值赋值为0,大于255的值赋值为255;表达式如下:
g(x,y)=T[f(x,y)] (1)
其中,f(x,y)为输入图像,g(x,y)为输出(处理后的)图像,T是对图像f的算子,作用于点(x,y)定义的值;
s=T(r) (2)
其中,r表示图像f中的灰度,s表示图像g中的灰度;两者在图像中处于相同的坐标(x,y)处;上式可以简单表达为:
如果s<0,则令s=0,如果s>255,则令s=255;
其中:k为系数;为背景灰度平均值;
图像为M行N列矩阵;xi,:为第i行所有列的元素。
2.根据权利要求1所述的一种纱线毛羽特征参数的数字化方法,其特征在于:所述滤波处理是运用维纳滤波对自适应灰度增强后的图像进行滤波。
3.根据权利要求1所述的一种纱线毛羽特征参数的数字化方法,其特征在于:所述图像分割是运用线性区域阈值分割算法对预处理后的图像进行纱线与背景的分割,主要步骤如下:
d.以每列为整体计算类间方差
类间方差公式为:
其中,P1(t)是每列灰度级为[0,1,2,…,t]的像素发生的概率;mt是每列灰度级为[0,1,2,…,t]像素的平均灰度;mG是每列全部像素平均灰度;最大时,t为最佳阈值;
e.以最佳阈值对每列类间方差进行分割;
f.每列阈值分割后的图像进行组合;
g.输出最佳阈值分割图像。
4.根据权利要求1所述的一种纱线毛羽特征参数的数字化方法,其特征在于:所述形态学处理包括对图像进行腐蚀、膨胀、细化处理。
5.根据权利要求1所述的一种纱线毛羽特征参数的数字化方法,其特征在于:所述图像分析计算是指对图像形态学处理的结果进行分析计算,得到三种纱线毛羽特征参数:毛羽面积指数、毛羽长度指数和纱线条干CV值,其中
毛羽面积指数是纱线二值图像中所有毛羽像素的总个数与纱线主体像素的总个数的比值,公式如下:
其中,f是毛羽的二值图像,c是纱线芯的二值图像,M,N表示图像的尺寸;
毛羽长度指数是由毛羽细化图像中所有毛羽像素的总个数与纱线长度的比值,计算公式如下:
纱线条干CV值是指纱线条干不均匀率,计算公式如下:
其中,为的平均个数;N为纱线图像的列数;Xi为纱线图像中纱线条干直径实际所占像素点个数。
CN201811318381.2A 2018-11-07 2018-11-07 一种纱线毛羽特征参数的数字化方法 Pending CN109671088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811318381.2A CN109671088A (zh) 2018-11-07 2018-11-07 一种纱线毛羽特征参数的数字化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811318381.2A CN109671088A (zh) 2018-11-07 2018-11-07 一种纱线毛羽特征参数的数字化方法

Publications (1)

Publication Number Publication Date
CN109671088A true CN109671088A (zh) 2019-04-23

Family

ID=66142015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811318381.2A Pending CN109671088A (zh) 2018-11-07 2018-11-07 一种纱线毛羽特征参数的数字化方法

Country Status (1)

Country Link
CN (1) CN109671088A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150445A (zh) * 2020-09-27 2020-12-29 西安工程大学 基于贝叶斯阈值的纱线毛羽检测方法
CN115015244A (zh) * 2022-04-22 2022-09-06 江苏欧罗曼家纺有限公司 基于多模态传感设备的浆纱上浆品质分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WENDI WANG 等: "Single vision based identification of yarn hairiness using adaptive threshold and image enhancement method", 《MEASUREMENT》 *
方珩 等: "一种新型纱线毛羽图像特征识别算法的研究", 《河北科技大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150445A (zh) * 2020-09-27 2020-12-29 西安工程大学 基于贝叶斯阈值的纱线毛羽检测方法
CN112150445B (zh) * 2020-09-27 2023-12-15 西安工程大学 基于贝叶斯阈值的纱线毛羽检测方法
CN115015244A (zh) * 2022-04-22 2022-09-06 江苏欧罗曼家纺有限公司 基于多模态传感设备的浆纱上浆品质分析方法

Similar Documents

Publication Publication Date Title
CN109934802B (zh) 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN109540917B (zh) 一种多角度模式下纱线外观特征参数提取与分析方法
CN113658131B (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN109472779B (zh) 一种基于形态结构的纱线外观特征参数提取与分析方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN108038838A (zh) 一种棉麻纤维种类自动检测方法和系统
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
CN110687122A (zh) 一种陶瓦表面裂纹检测方法及系统
CN112435235B (zh) 一种基于图像分析的籽棉含杂率检测方法
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN109671088A (zh) 一种纱线毛羽特征参数的数字化方法
CN115266732B (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
CN110189298A (zh) 一种快速检测纱线条干均匀度的图像处理算法
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
CN114331869A (zh) 一种坝面裂缝语义分割方法
CN117935177B (zh) 基于注意力神经网络的道路车辆危险行为识别方法及系统
CN113012105A (zh) 基于图像处理的纱线毛羽检测评级方法
CN113673396B (zh) 一种孢子发芽率计算方法、装置及存储介质
CN116823820B (zh) 一种铝碳质整体塞棒轮廓弯曲检测方法
CN110458042B (zh) 一种荧光ctc中的探针数目检测方法
CN109671025A (zh) 一种纱线毛羽图像的预处理方法
CN115311278B (zh) 一种对于纱线检测的纱线分割方法
CN110070532B (zh) 基于三维图像与二维图像特征结合的织物平整度评价方法
CN104102911A (zh) 一种基于aoi的子弹表观缺陷检测系统的图像处理算法
CN115937143A (zh) 一种织物缺陷检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190423