CN112184615A - 基于图像处理的织物有色纤维检测系统 - Google Patents

基于图像处理的织物有色纤维检测系统 Download PDF

Info

Publication number
CN112184615A
CN112184615A CN202010633954.1A CN202010633954A CN112184615A CN 112184615 A CN112184615 A CN 112184615A CN 202010633954 A CN202010633954 A CN 202010633954A CN 112184615 A CN112184615 A CN 112184615A
Authority
CN
China
Prior art keywords
image
colored
pixel
fibers
gradient
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
CN202010633954.1A
Other languages
English (en)
Inventor
张毅
丁小康
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.)
Zhejiang Changshan Textile Co ltd
Quzhou University
Original Assignee
Zhejiang Changshan Textile Co ltd
Quzhou 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 Zhejiang Changshan Textile Co ltd, Quzhou University filed Critical Zhejiang Changshan Textile Co ltd
Priority to CN202010633954.1A priority Critical patent/CN112184615A/zh
Publication of CN112184615A publication Critical patent/CN112184615A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Abstract

本发明涉及一种基于图像处理的织物有色纤维检测系统，包括样品处理、检测处理和图像处理步骤。选用数码显微镜检测布面上有色纤维，将采集到有色纤维布面图像，经图像均衡化、去噪、边缘检测等处理方法，增强有色纤维图像信息，采用双阈值法进行判断。结果表明：采用本检测方法，能有效滤除各种干扰信息，得到完整的有色纤维图像，通过像素统计来计算有色纤维占据面积，用有色纤维面积大小来评判有害色纤。

Description

基于图像处理的织物有色纤维检测系统
技术领域
本发明涉及纤维检测技术领域，具体是涉及基于图像处理的织物有色纤维检测系统。
背景技术
有色纤维作为异性纤维的一种，在布面上呈现大小和颜色不一，有包缠在纱体上，有吸附在布面上，形态各异，有的表现为一段较粗的有色纱线，有的与加工原料细度相近，只有一根或几根纤维，大多数要用放大镜才能观察清楚。有色异纤一般存在原料中，通常认为是棉花采摘和加工中，在运输、存放时所用容器和包装带，或一些毛线类的有色衣物或布料与纤维接触混入的。而且在化纤生产中也存在类似的有色异纤，如涤纶短纤原料中混入有色异纤，有色异纤以单纤维形态在布面出现，数量分布广，一般人工目光检测很难发现，生产中又很难清除，特别对浅白色布种影响较大，纺纱厂受制于检测条件，只有在布面经漂白后发现有色异纤，此时往往为时已晚，需人工对布面有色异纤进行挑除或RC涂料处理，或改染中深色布处理，这样就降低了棉纱的使用价值，给纺织企业造成巨大损失。
发明内容
本发明所要解决的技术问题是提供一种基于图像处理的织物有色纤维检测系统，对织物表面有色纤维做出定量、准确的评判和分析。
为解决上述技术问题，本发明提供以下技术方案：基于图像处理的织物有色纤维检测系统，包括以下技术步骤：
a.样品处理：
a1.原料取样：根据纺织原料检验取样规定，100包以下取10％，100包以上超过100包部分取5％，500包以上每增加50包取1包，每包所取数量500克；取样时，在棉包深处15cm挖取样品，将每个500克试样经梳棉机梳理，去掉较大异纤和杂质，使呈束、块状的纤维分离为单纤维状的生条，取0.5克为一个试样；
a2.生条、熟条：根据生产量大小，分投产时、中期和扫尾时取样检测，生条和熟条每个试样取0.5克；
a3.细纱、络筒：每个产品每批纱检验一次，试样应对全体具有代表性，随机取样，每份试样取10个卷装，有摇黑板机摇10块纱板，检测纱线长度5m；
a4.布样：将络筒所取的样纱摇板后筒子，用于针织圆机进行织造，织物组织为纬平针，布样长度不低于1米；
b.检测处理：
b1.取检测仪器数码显微镜、摇黑板机、有色异纤检验器；
b2.检测时，生条或熟条秤取0.5克，放在有色异纤检验器的磨砂玻璃上，沿垂直方向引伸，两手将棉条从左右撕开成棉网状，均匀平摊在磨砂玻璃上；筒纱和管纱用摇黑板机将纱绕在黑板上，平放在磨砂玻璃上；布样放在磨砂玻璃上铺平，然后放上有色异纤检验器的透明玻璃，放上数码显微镜调焦后，从左向右，从上到下检测，发现异纤时计数并拍照；
c.图像处理：
针对数码显微镜获取的有色异纤图，通过图像灰度化和图像增强预处理手段，消除图像中的无用信息，突出有效信息；再利用算子对有色异纤进行边缘检测，并对检测结果，进行有色异纤的定量计算，将结果保存。
在上述方案基础上，在图像处理的图像灰度化技术步骤过程中，按下列公式(1)对RGB三分量进行加权平均能得到合理的灰度图像：
f(i，j)＝0.3R(i，j)+0.59G(i，j)+0.11B(i，j) (1)；
其中，f(i，j)为灰度化处理后每个像素的灰度值，经过灰度处理后每个像素值由RGB三个通道变为一个灰度数值，三维图像数据转化成二维，降低了系统的计算量。
在上述方案基础上，在图像处理的图像增强技术步骤过程中，采用图像灰度值线性变换的方法对图像进行了增强处理。
在上述方案基础上，在图像处理技术步骤过程中，利用Roberts算子对有色异纤进行边缘检测，将对角线方向相邻两像素之差近似等于梯度幅值，对每一个像素计算其梯度幅值，并设置阈值，将每个像素点的梯度幅值与阈值进行比较来获取目标边缘；Roberts算子模板如下公式(2)：
Figure RE-GDA0002728250340000031
在上述方案基础上，在图像处理技术步骤过程中，利用Sobel算子对有色异纤进行边缘检测，Sobel算子采用3×3模板对区域内的像素值进行计算，通过计算图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘；Sobel算子卷积模板如下公式(3)：
Figure RE-GDA0002728250340000032
在上述方案基础上，在图像处理技术步骤过程中，利用Canny算子对有色异纤进行边缘检测。
在上述方案基础上，利用Canny算子进行边缘检测包括以下四个步骤：
①使用高斯滤波器滤除噪声，高斯滤波器通过以下公式(4)得到：
Figure RE-GDA0002728250340000041
设置5×5的高斯卷积核跟灰度图像卷积来抑制噪声。
②计算图像中每个像素点的梯度强度和方向：
将一个像素点的方向分为在x方向以及在y方向的分量，通过使用sobel算子计算该像素点在该水平方向Gx和垂直方向的梯度Gy，由此得到像素点的梯度 G，以及该像素点的方向θ；
Figure RE-GDA0002728250340000042
Figure RE-GDA0002728250340000043
③对梯度幅值进行非极大值抑制：
将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点；否则该像素点将被抑制；从而实现在一个梯度方向上有且仅有一个局部最大值的梯度响应，而将其余的梯度抑制为0，消除了多余的梯度响应，提高边缘检测精度；
④用双阈值算法检测和连接边缘：
为了进一步消除噪声的影响，Canny算子采用双阈值法进行判断：如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制；阈值的选择取决于输入图像的内容信息。
在上述方案基础上，检测处理技术步骤中所取用的有色异纤检验器，包括有空心的框体、固定在框体内的光源、电连接于光源的电源线、透明玻璃、磨砂玻璃，框体的顶部形成有倾斜分布的凹槽，凹槽内固定着磨砂玻璃，透明玻璃放在磨砂玻璃上表面。而且，所述光源为15w荧光灯。
本发明与现有技术相比具有的有益效果是：本发明选用数码显微镜检测布面上有色纤维，将采集到有色纤维布面图像，经图像均衡化、去噪、边缘检测等处理方法，增强有色纤维图像信息，采用双阈值法进行判断。结果表明：采用本检测方法，能有效滤除各种干扰信息，得到完整的有色纤维图像，通过像素统计来计算有色纤维占据面积，用有色纤维面积大小来评判有害色纤。
附图说明
图1为本发明布样图像处理前后效果图；
图2为本发明有色异纤检验器结构示意图；
图3为本发明有色异纤图像处理流程图；
图4为本发明提取到的有色异纤呈现不连续的多个区域的示意图；
图5为本发明纱线上有色异纤的示意图；
图6为本发明有色异纤图像处理结果图；
图7为本发明四种样本原图对比图；
图中标号为：1-框体，2-电源线，3-凹槽，4-透明玻璃，5-磨砂玻璃。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明提供一种基于图像处理的织物有色纤维检测系统，选用数码显微镜，对原料、半成品、纱线和布进行定量检测，用于分析控制原料进厂和生产过程中有色异纤数量，提高针织用纱档次；将采集到含有色异纤的原料、半成品、纱样和布面的图像，经处理后，最终按照客户对有色异纤数量和大小能接受的程度，以有色纤维成像面积大小判别是否是有害异纤。本发明采用图像处理的织物有色纤维检测方法，可用于对原料、生条、熟条、粗纱、管纱、筒子和布面上肉眼较难发现的有色异纤检测。
基于图像处理的织物有色纤维检测系统，包括以下技术过程：
a.样品处理
在整批实物中取一小部分有代表性的样品进行检测。
a1.原料取样
根据纺织原料检验取样规定，100包以下取10％，100包以上超过100包部分取5％，500包以上每增加50包取1包，每包所取数量500克，取样时必须在棉包深处15cm大块挖取，准确反映样品实际情况。将每个500克试样经梳棉机梳理，去掉常见的较大异纤和杂质，使呈束、块状的纤维分离为单纤维状的生条，取0.5 克为一个试样。
a2.生条、熟条
为了掌握在生产过程中，出现有色异纤变化规律和突发状况，根据生产量大小，分投产时、中期和扫尾时取样检测，生条和熟条每个试样取0.5克。
a3.细纱、络筒
每个产品每批纱检验一次，试样应对全体具有代表性，随机取样，每份试样取10个卷装，有摇黑板机摇10块纱板，检测纱线长度5m。
a4.布样
将络筒所取的样纱摇板后筒子，用于针织圆机进行织造，织物组织为纬平针，布样长度不低于1米。
b.检测仪器及设备
b1.取检测仪器数码显微镜、摇黑板机、有色异纤检验器；
数码显微镜是将精锐的光学显微镜技术、先进的光电转换技术、液晶屏幕技术完美地结合在一起，可以对布面的微观领域深入细致的研究，从传统的目光检测到通过显示器上再现。采用计算机显示，数码显微镜通过显微镜内置的摄像机将显微镜看到的样本图像传输到计算机上，通过计算机上安装的显微图像分析软件进行追踪分析，从而获得定性定量数据。
数码显微镜，选用型号USB 5.0MP VIDEO 500X和USB2.0MP VIDEO200X，USB2.0 MPVIDEO200X型200放大倍数，可以清晰分辨织物组织上有色异纤图1(a)所示； USB 5.0MPVIDEO 500X型放大倍数500倍，则用于进一步放大分析纤维截面形状，
摇黑板机，选用YG381摇黑板机，常州纺织仪器厂，绕纱密度20根/45mm。
有色异纤检验器，如图2所示，有色异纤检验器包括有空心的木质框体1、固定在框体1内的15w荧光灯(图中未示出)、电连接于荧光灯的电源线2、透明玻璃4、磨砂玻璃5，框体1的顶部形成有倾斜分布的凹槽3，凹槽3内固定着磨砂玻璃5，透明玻璃4放在磨砂玻璃5上表面。透明玻璃4面积略小于磨砂玻璃5，透明玻璃用于压平样布，纤维便于数码显微镜焦距恒定。
b2.检测方法
检测时，生条或熟条秤取0.5g，放在异纤检验器磨砂玻璃上，沿垂直方向引伸，两手将棉条从左右撕开成棉网状，均匀平摊在磨砂玻璃上；筒纱和管纱用摇黑板机将纱绕在黑板上，平放在磨砂玻璃上；布样放在磨砂玻璃上铺平，然后放上透明玻璃，放上数码显微镜调焦后，从左向右，从上到下检测，发现异纤时计数并拍照。
c.图像处理
c1.有色异纤图像处理算法流程
采用边缘检测算法对织物图像异色纤维进行检测，检测流程如图3所示；针对数码显微镜获取的有色异纤图，通过图像灰度化和图像增强等预处理手段，消除图像中的无用信息，突出有效信息；再利用三种不同的算子对有色异纤进行边缘检测，并对三种算子的检测结果进行对比；同时对检测效果最好的结果，进行有色异纤的定量计算，将结果保存，便于操作人员进行分类处理。下面分别对每一步算法进行介绍。
c2.图像预处理
为了便于目标提取，首先对图像进行预处理，包括图像灰度化和图像增强，通过图像预处理可以在消除无关信息的同时，增强图像中的有效信息，提高目标识别的效率和可靠性。
c2.1.图像灰度化
对彩色图像进行处理时，往往需要对每个像素点的RGB通道依次进行处理，计算成本将会很大。因此，为了达到提高整个应用系统的处理速度的目的，需要减少所需处理的数据量。根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下列公式(1) 对RGB三分量进行加权平均能得到较合理的灰度图像：
f(i，j)＝0.3R(i，j)+0.59G(i，j)+0.11B(i，j) (1)
f(i，j)为灰度化处理后每个像素的灰度值，经过灰度处理后每个像素值由 RGB三个通道变为一个灰度数值，三维图像数据转化成二维，大大降低了系统的计算量。
c2.2.图像增强
经过对有色异纤显微图像的分析，发现大部分图像经过灰度化处理后，像素值主要集中在[50,160]这个范围内。为了进一步突出图像中的细节信息，便于下一步的边缘检测，本文采用了图像灰度值线性变换的方法对图像进行了增强处理。采用线性变换就是把图像的像素相对集中的范围拉宽到某一个较宽的范围之内，可以解决因像素值集中造成的对比度不足、细节分辨不清等问题。本文将原图像素值的范围[50,160]扩展到[0,255]范围中，使得原图中大量相同的像素降低，而细节得到了提亮。
c3.边缘检测
图像的边缘检测可以提取感兴趣目标的轮廓，获取目标特征。不同的边缘检测算子具有不同的特点，本处将Roberts算子、Sobel算子、Canny算子三种不同算子分别应用在有色异纤的检测中，通过实验分析纤维检测结果。
c3.1.Roberts算子
Roberts算子是一种利用局部差分算子寻找边缘的算子。该方法将对角线方向相邻两像素之差近似等于梯度幅值。对每一个像素计算其梯度幅值，并设置阈值，将每个像素点的梯度幅值与阈值进行比较来获取目标边缘。Roberts算子模板如下公式(2)：
Figure RE-GDA0002728250340000101
c3.2.Sobel算子
Sobel算子采用3×3模板对区域内的像素值进行计算，通过计算图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。其卷积模板如下公式(3)：
Figure RE-GDA0002728250340000102
c3.3.Canny算子
Canny算子是目前图像边缘检测中表现较为优秀的算子，除了对图像目标边缘具有较好的敏感性之外，在抑制和消除噪声方面也具有不错的效果。Canny算子进行边缘检测主要分以下四个步骤：
①使用高斯滤波器滤除噪声。
高斯滤波器是一种平滑空间滤波器，用于模糊处理和降低噪声。高斯滤波器通过以下公式得到：
Figure RE-GDA0002728250340000103
一般设置5×5的高斯卷积核跟灰度图像卷积来抑制噪声。
②计算图像中每个像素点的梯度强度和方向。
将一个像素点的方向分为在x方向以及在y方向的分量，通过使用sobel算子计算该像素点在该水平方向Gx和垂直方向的梯度Gy，由此得到像素点的梯度G，以及该像素点的方向θ。
Figure RE-GDA0002728250340000111
Figure RE-GDA0002728250340000112
③对梯度幅值进行非极大值抑制
将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点；否则该像素点将被抑制。从而实现在一个梯度方向上有且仅有一个局部最大值的梯度响应，而将其余的梯度抑制为0，消除了多余的梯度响应，提高边缘检测精度。
④用双阈值算法检测和连接边缘
为了进一步消除噪声的影响，Canny算子采用双阈值法进行判断：如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制。阈值的选择取决于输入图像的内容信息。
c4.有色异纤参数计算
由于图像背景较为复杂，提取出的边缘不连续，不能形成联通区域，因此选取检测边缘像素点数作为纤维的定量信息。采用MATLAB中的regionprops函数，对图像中的边缘区域进行计算，包括提取到的区域数量和像素数量，这些参数一定程度上反映了有色纤维的大小和形态，帮助操作人员进行分类处理。下面分别对计算的参数进行说明：
(1)连通区域个数
连通区域指的是图像中提取到的有色异纤边缘像素点中，所有相连在一起的像素属于同一个区域。但由于有色异纤是穿插在织物纤维中的，在图像中呈现出断断续续的形态，再加上背景的干扰，使得提取到的纤维边缘也呈现出不连续的多个区域，如图4所示。因此在这里进行了连通区域个数的计算，一方面可以反映出有色异纤的大小，另一反面也可以体现其在织物中的镶嵌状态。
计算连通区域时主要是通过每个像素点周围8个邻接点的值来判断，如果存在与该点相同值的邻接点则认为该邻接点与像素点连通，否则为不连通。依次判断后可以得到不同连通区域的个数。
(2)总边缘像素数
对经过图像分割算子提取到的有色异纤的边缘像素进行计算，由于图像经过二值化处理，如图5中所示白色像素点的值为1，而黑色像素点的值为0。计算所有值为1的像素点个数即得到有色异纤边缘像素总数。该参数可以反映出有色异纤的长度大小。
(3)异性纤维占比
将上述提取的总边缘像素数与图像总像素数的比值作为异性纤维占比参数。可以衡量单位面积内有色异纤的存在比例，反映出织物中的有色异纤数量和存在概率。
d.应用效果分析
d1.有色异纤提取结果
以放大200倍的色纺图像为研究对象，将三种不同边缘检测算子用于色纺图像中的有色异纤轮廓检测，结果如下如图4所示，
由图6可以看出，经过图像灰度化和图像增强处理后的图像，其有色异纤与图像背景的对比增强了，细节更加明显。在此基础上进行了边缘检测，图6(d)-6(f) 是三种算子检测的结果，视觉上可以看出图6(f)的提取效果最好，图6(d)和图6(e) 中噪声较多，许多非目标的背景边缘也被检测出来，在抑制噪声方面，Canny算子的效果是最好的；为了进一步对比边缘提取效果，将目标提取的局部图像进行放大显示，如图6(g)-6(i)所示。由放大图像可以看出，Sobel算子的边缘检测效果优于Roberts算子，Sobel算子采用3×3模板对区域内的像素值进行计算，而Robert算子的模板为2×2，Sobel算子在水平方向和垂直方向均比Robert算子更加明显；Canny算子提取到的边缘最光滑清晰，Canny算子中采取了非极大值抑制以及双阈值的方法，大大消除了多余的梯度响应和噪声的影响，因此可以优先选取Canny算子的检测结果进行有色异纤的参数计算。
d2.有色异纤参数计算结果
为了对检测结果进行分类处理，需要对检测出的有色异纤进行定量计算。下面是选取了10个织物样本，经过Canny算子处理后进行了参数计算，结果如下：表1有色异纤参数计算结果：
表1有色异纤参数计算结果
Figure RE-GDA0002728250340000131
Figure RE-GDA0002728250340000141
表1中，检测区域个数指的是边缘图像中提取到的白色边缘区域个数，所有相连通的像素属于一个区域，区域个数可以体现一幅图像中检测到的有色异纤数量；总边缘像素数指的是一幅图像中提取到的边缘像素数总和，即所有白色像素的个数总和，可以体现有色异纤的长度；异性纤维占比是指总边缘像素数与图像总像素数的比值。为了更直观对比参数计算结果，将有色异纤参数值最小的样本 9和样本6与参数值最大的样本8和样本3的原图进行了对比。如图7所示，可以看出原图中样本9和样本6中的有色异纤确实很小，而样本8和样本3中有色异纤较多较长且明显。以上参数可以批量保存，提供给相关操作人员进一步对织物进行分类处理，提高分类速度和效率。
为了提高织物中有色异纤的检测效率，本发明采用图像处微镜放大图理的方法对织物有色异纤进行快速检测。针对织物的数字显像，首先通过图像灰度化和图像增强等预处理方法，消除冗余信息，提升细节信息；并利用了常用的三种不同的边缘检测算子对图像中纤维进行边缘提取，选择效果最好的提取结果进行纤维的定量参数计算。实验结果表明，本发明能够对织物表面有色纤维做出定量分析，而且，在实现织物有色异纤快速检测的同时，也为纤维的判别和分类提供了数据支撑。

Claims (9)

1.基于图像处理的织物有色纤维检测系统，其特征在于，包括以下技术步骤：
a.样品处理：
a1.原料取样：根据纺织原料检验取样规定，100包以下取10％，100包以上超过100包部分取5％，500包以上每增加50包取1包，每包所取数量500克；取样时，在棉包深处15cm挖取样品，将每个500克试样经梳棉机梳理，去掉较大异纤和杂质，使呈束、块状的纤维分离为单纤维状的生条，取0.5克为一个试样；
a2.生条、熟条：根据生产量大小，分投产时、中期和扫尾时取样检测，生条和熟条每个试样取0.5克；
a3.细纱、络筒：每个产品每批纱检验一次，试样应对全体具有代表性，随机取样，每份试样取10个卷装，有摇黑板机摇10块纱板，检测纱线长度5m；
a4.布样：将络筒所取的样纱摇板后筒子，用于针织圆机进行织造，织物组织为纬平针，布样长度不低于1米；
b.检测处理：
b1.取检测仪器数码显微镜、摇黑板机、有色异纤检验器；
b2.检测时，生条或熟条秤取0.5克，放在有色异纤检验器的磨砂玻璃上，沿垂直方向引伸，两手将棉条从左右撕开成棉网状，均匀平摊在磨砂玻璃上；筒纱和管纱用摇黑板机将纱绕在黑板上，平放在磨砂玻璃上；布样放在磨砂玻璃上铺平，然后放上有色异纤检验器的透明玻璃，放上数码显微镜调焦后，从左向右，从上到下检测，发现异纤时计数并拍照；
c.图像处理：
针对数码显微镜获取的有色异纤图，通过图像灰度化和图像增强预处理手段，消除图像中的无用信息，突出有效信息；再利用算子对有色异纤进行边缘检测，并对检测结果，进行有色异纤的定量计算，将结果保存。
2.根据权利要求1所述的基于图像处理的织物有色纤维检测系统，其特征在于，在图像处理的图像灰度化技术步骤过程中，按下列公式(1)对RGB三分量进行加权平均能得到合理的灰度图像：
f(i，j)＝0.3R(i，j)+0.59G(i，j)+0.11B(i，j) (1)；
其中，f(i，j)为灰度化处理后每个像素的灰度值，经过灰度处理后每个像素值由RGB三个通道变为一个灰度数值，三维图像数据转化成二维，降低了系统的计算量。
3.根据权利要求1所述的基于图像处理的织物有色纤维检测系统，其特征在于，在图像处理的图像增强技术步骤过程中，采用图像灰度值线性变换的方法对图像进行了增强处理。
4.根据权利要求1所述的基于图像处理的织物有色纤维检测系统，其特征在于，在图像处理技术步骤过程中，利用Roberts算子对有色异纤进行边缘检测，将对角线方向相邻两像素之差近似等于梯度幅值，对每一个像素计算其梯度幅值，并设置阈值，将每个像素点的梯度幅值与阈值进行比较来获取目标边缘；Roberts算子模板如下公式(2)：
Figure FDA0002569865470000021
5.根据权利要求1所述的基于图像处理的织物有色纤维检测系统，其特征在于，在图像处理技术步骤过程中，利用Sobel算子对有色异纤进行边缘检测，Sobel算子采用3×3模板对区域内的像素值进行计算，通过计算图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘；Sobel算子卷积模板如下公式(3)：
Figure FDA0002569865470000031
6.根据权利要求1所述的基于图像处理的织物有色纤维检测系统，其特征在于，在图像处理技术步骤过程中，利用Canny算子对有色异纤进行边缘检测。
7.根据权利要求6所述的基于图像处理的织物有色纤维检测系统，其特征在于，利用Canny算子进行边缘检测包括以下四个步骤：
①使用高斯滤波器滤除噪声，高斯滤波器通过以下公式(4)得到：
Figure FDA0002569865470000032
设置5×5的高斯卷积核跟灰度图像卷积来抑制噪声。
②计算图像中每个像素点的梯度强度和方向：
将一个像素点的方向分为在x方向以及在y方向的分量，通过使用sobel算子计算该像素点在该水平方向Gx和垂直方向的梯度Gy，由此得到像素点的梯度G，以及该像素点的方向θ；
Figure FDA0002569865470000033
Figure FDA0002569865470000034
③对梯度幅值进行非极大值抑制：
将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点；否则该像素点将被抑制；从而实现在一个梯度方向上有且仅有一个局部最大值的梯度响应，而将其余的梯度抑制为0，消除了多余的梯度响应，提高边缘检测精度；
④用双阈值算法检测和连接边缘：
为了进一步消除噪声的影响，Canny算子采用双阈值法进行判断：如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制；阈值的选择取决于输入图像的内容信息。
8.根据权利要求1所述的基于图像处理的织物有色纤维检测系统，其特征在于，检测处理技术步骤中所取用的有色异纤检验器，包括有空心的框体、固定在框体内的光源、电连接于光源的电源线、透明玻璃、磨砂玻璃，框体的顶部形成有倾斜分布的凹槽，凹槽内固定着磨砂玻璃，透明玻璃放在磨砂玻璃上表面。
9.根据权利要求8所述的基于图像处理的织物有色纤维检测系统，其特征在于，所述光源为15w荧光灯。
CN202010633954.1A 2020-07-04 2020-07-04 基于图像处理的织物有色纤维检测系统 Pending CN112184615A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010633954.1A CN112184615A (zh) 2020-07-04 2020-07-04 基于图像处理的织物有色纤维检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010633954.1A CN112184615A (zh) 2020-07-04 2020-07-04 基于图像处理的织物有色纤维检测系统

Publications (1)

Publication Number Publication Date
CN112184615A true CN112184615A (zh) 2021-01-05

Family

ID=73919186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010633954.1A Pending CN112184615A (zh) 2020-07-04 2020-07-04 基于图像处理的织物有色纤维检测系统

Country Status (1)

Country Link
CN (1) CN112184615A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935962A (zh) * 2021-09-29 2022-01-14 常州市新创智能科技有限公司 一种玻纤布的毛团检测方法
CN114092510A (zh) * 2021-12-01 2022-02-25 常州市宏发纵横新材料科技股份有限公司 一种基于正态分布的分割方法、计算机设备及存储介质
CN114693677A (zh) * 2022-05-31 2022-07-01 南通倍拓工贸有限公司 一种针织面料轧染工艺异常检测方法
CN115100144A (zh) * 2022-06-23 2022-09-23 常州市新创智能科技有限公司 一种玻纤布生产过程中的碎屑检测方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935962A (zh) * 2021-09-29 2022-01-14 常州市新创智能科技有限公司 一种玻纤布的毛团检测方法
CN114092510A (zh) * 2021-12-01 2022-02-25 常州市宏发纵横新材料科技股份有限公司 一种基于正态分布的分割方法、计算机设备及存储介质
CN114693677A (zh) * 2022-05-31 2022-07-01 南通倍拓工贸有限公司 一种针织面料轧染工艺异常检测方法
CN115100144A (zh) * 2022-06-23 2022-09-23 常州市新创智能科技有限公司 一种玻纤布生产过程中的碎屑检测方法及装置

Similar Documents

Publication Publication Date Title
CN112184615A (zh) 基于图像处理的织物有色纤维检测系统
CN114693676B (zh) 一种新材料纺织品漂白缺陷光学检测方法及装置
CN103759662A (zh) 一种纺织纱线直径动态快速测量装置与方法
Pan et al. Measuring thread densities of woven fabric using the Fourier transform
Wang et al. Single vision based identification of yarn hairiness using adaptive threshold and image enhancement method
CN107256553B (zh) 一种经纱上浆效果的检测方法
Pereira et al. Computer vision techniques for detecting yarn defects
JP2001516909A (ja) 繊維面組織からのデータを評価する方法
Drobina et al. Application of the image analysis technique for textile identification
CN113936001B (zh) 一种基于图像处理技术的纺织品表面瑕疵点检测方法
CN114923912A (zh) 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法
Robson et al. Cuticular scale measurements using image analysis techniques
Wang et al. Research on yarn diameter and unevenness based on an adaptive median filter denoising algorithm
CN114913180B (zh) 一种棉布筘痕缺陷的智能检测方法
Dar et al. Automated pilling detection and fuzzy classification of textile fabrics
Telli The comparison of the edge detection methods in the determination of yarn hairiness through image processing
CN114897788B (zh) 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法
Li et al. Study on woven fabric texture based on Fourier transform and Gabor transform
Kaur et al. Application of machine vision techniques in textile (fabric) quality analysis
CN114913122A (zh) 纺织纤维中短纤维含量的检测方法及系统
Zhang et al. The robustness of objective fabric pilling evaluation method
CN102967603A (zh) 一种基于纱线中纤维取向的组织点类型判别方法
Roknabadi et al. Human body measurement system in clothing using image processing
KR101537552B1 (ko) 4분원 이미지 처리기법을 이용한 Type-I 원사 패키지 권취불량의 자동검출 장치 및 방법
CN209513648U (zh) 一种纱线丝饼全自动分级分检机

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