CN114581376A - 基于图像识别的纺织用蚕茧自动拣选方法及系统 - Google Patents

Abstract

本发明涉及图像识别技术领域，具体涉及基于图像识别的纺织用蚕茧自动拣选方法及系统。该方法是一种识别图形的方法，具体为：将获取到的蚕茧图像中的蚕茧区域划分成多个蚕茧局部图像，蚕茧图像为可见光图像；对各蚕茧局部图像中的纹理进行提取，得到各蚕茧局部图像的蚕茧局部纹理位置图；根据各蚕茧局部纹理位置图中各像素点的纹理方向，计算各蚕茧局部图像中纹理上的各像素点的明显程度；根据明显程度，计算各蚕茧局部图像的纹理特征指标；根据各蚕茧局部图像的纹理特征指标，对蚕茧图像中的蚕茧质量等级进行划分，得到该蚕茧的质量等级。该系统是一种应用于生产领域的人工智能系统。本发明是基于计算机视觉的方法，极大的提高了选茧的效率。

Description

基于图像识别的纺织用蚕茧自动拣选方法及系统

技术领域

本发明涉及图像识别技术领域，具体涉及基于图像识别的纺织用蚕茧自动拣选方法及系统。

背景技术

用于纺织的蚕茧在缫丝之前需要进行选茧，选茧的目的是为了剔除不能缫丝的下茧或难以缫丝的次茧。一般正常茧称为上茧，穿头茧、烂茧、薄皮茧、削口茧等属于次茧或下茧；上茧中也有茧型大小、茧层厚薄等差别，选茧要根据工艺要求在上茧中选出大型茧或小型茧，按照工艺要求的比例将不同茧质的蚕茧进行混合，这样能够扩大茧批次、平衡茧质、以好带次、稳定生产、统一丝色、稳定操作，缫制品质一致的生丝。

由于蚕茧数目多、种类繁多，传统的人工检测方法，需要对每一粒蚕茧进行检测，这种方法不仅耗时耗力、效率低，而且由于长时间的工作容易造成视觉疲劳，导致检测出错，效率较低。

发明内容

为了解决现有技术通过人工检测方法效率低的问题，本发明的目的在于提供一种基于图像识别的纺织用蚕茧自动拣选方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施提供了一种基于图像识别的纺织用蚕茧自动拣选方法包括以下步骤：

获取蚕茧图像，所述蚕茧图像中仅包括一个蚕茧；对蚕茧图像中的蚕茧区域进行划分，得到多个蚕茧局部图像；

对各蚕茧局部图像中的纹理进行提取，得到各蚕茧局部图像对应的蚕茧局部纹理位置图，所述蚕茧局部纹理位置图为二值图；

获取各蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向；根据各蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向，计算各蚕茧局部图像中纹理上的各像素点对应的明显程度；

根据各蚕茧局部图像中纹理上的各像素点对应的明显程度，计算各蚕茧局部图像对应的纹理特征指标；根据各蚕茧局部图像对应的纹理特征指标，对蚕茧图像中的蚕茧质量等级进行划分，得到该蚕茧对应的质量等级。

第二方面，本发明另一个实施例提供了一种基于图像识别的纺织用蚕茧自动拣选系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于区块链的神经网络在线学习方法。

优选的，获取各蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向，包括：

对于任一蚕茧局部纹理位置图：

将该蚕茧局部纹理位置图中像素值为1的像素点的坐标变换的霍夫空间中；

将霍夫空间的横坐标作为图像中像素的列，将霍夫空间的纵轴作为图像中像素的行，将霍夫空间中各点经过曲线的个数作为图像对应位置的像素值，构建对应的方向判断图；

获取方向判断图中各列的像素点的像素值之和，选择像素值之和最大的一列记为基准列；

获取基准列在霍夫空间中对应的角度，记为标准纹理方向；

计算该蚕茧局部纹理位置图中纹理上的各像素点对应的海森矩阵；

根据该蚕茧局部纹理位置图中纹理上的各像素点对应的海森矩阵，得到该蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向。

优选的，计算各蚕茧局部纹理位置图中纹理上的各像素点对应的明显程度的公式为：

其中，r为像素点对应的明显程度，D为像素点到所在纹理上的最近的基准点的距离，L为像素点所在纹理的长度，ξ为像素点对应的纹理方向，θ为标准纹理方向，e为自然常数。

优选的，根据各蚕茧局部图像中纹理上的各像素点对应的明显程度，计算各蚕茧局部图像对应的纹理特征指标，包括：

将各蚕茧局部图像中同一明显程度的像素点提取出来，将提取出来的像素点的像素值设置为1，将其余像素点的像素值设置为0，得到各明显程度对应的纹理判断图；

根据各蚕茧局部图像对应的各纹理判断图对应的明显程度和各纹理判断图对应的图像熵，计算各蚕茧局部图像对应的纹理特征指标。

优选的，计算蚕茧局部图像对应的纹理特征指标的公式为：

其中，C为蚕茧局部图像对应的纹理特征指标，N为蚕茧局部图像中基准点的数量，i为纹理判断图的序号；I为蚕茧局部图像对应的纹理判断图的数量，r_i为第i张纹理判断图对应的明显程度，H_i为第i张纹理判断图的图像熵。

优选的，对蚕茧图像中的蚕茧区域进行划分，得到多个蚕茧局部图像，包括：

提取蚕茧图像对应的连通域；将蚕茧图像对应的连通域的边缘拟合成一条曲线，记为边缘曲线；

将边缘曲线上距离最远的两个点之间的连线作为边缘曲线对应的长轴；

做边缘曲线对应的长轴的中垂线，将边缘曲线内的中垂线记为边缘曲线对应的短轴；

以边缘曲线对应的长轴和短轴的交点作为原点，以边缘曲线对应的长轴为横轴，以边缘曲线对应的短轴为纵轴，建立直角坐标系；

将边缘曲线划分成多个长度相同的曲线段；将边缘曲线对应的半长轴划分成多个长度相同的线段；将半短轴划分成多个长度相同的线段，所述半长轴和半短轴划分的线段数量相等；所述半长轴为边缘曲线对应的长轴的一半，所述半短轴为边缘曲线对应的短轴的一半；

将边缘曲线上各曲线段的端点与坐标系原点相连，将边缘曲线以坐标系原点为中心等进行多次比例缩小，所述多次等比例缩小的边缘曲线分别与半长轴和半短轴对应的各线段端点相交，得到蚕茧图像对应的连通域中的各区域，记为衡量区域；

将各衡量区域分别与蚕茧图像对应区域相乘，得到蚕茧图像对应的多个蚕茧局部图像。

优选的，根据各蚕茧局部图像对应的纹理特征指标，对蚕茧图像中的蚕茧质量等级进行划分，得到该蚕茧对应的质量等级，包括：

计算各蚕茧局部图像对应的纹理特征指标的均值与各蚕茧局部图像对应的纹理特征指标的方差的比值，记为蚕茧图像中蚕茧的质量评分；

根据蚕茧图像中蚕茧的质量评分，对蚕茧图像中的蚕茧质量等级进行划分，得到该蚕茧对应的质量等级。

优选的，对各蚕茧局部图像中的纹理进行提取，得到蚕茧局部图像对应的蚕茧局部纹理位置图，包括：

利用LOG算子滤波对各蚕茧局部图像进行处理，得到各蚕茧局部图像对应的滤波图像；

根据各滤波图像中各像素点的灰度值，统计得到各滤波图像对应的灰度直方图，所述灰度直方图以灰度值为横轴，以像素点数量为纵轴；

利用各滤波图像对应的灰度直方图和大津法，对各滤波图像进行二值处理，得到各滤波图像对应的蚕茧局部纹理位置图。

本发明具有如下有益效果：

本发明首先对获取到的蚕茧图像中的蚕茧进行区域划分，得到多个蚕茧局部图像，然后获取各蚕茧局部图像中纹理上的各像素点对应的纹理方向，进而计算各蚕茧局部图像中纹理上的各像素点对应的明显程度，最后根据各蚕茧局部图像中纹理上的各像素点对应的明显程度，计算各蚕茧局部图像对应的纹理特征指标，进而根据各蚕茧局部图像对应的纹理特征指标对的蚕茧的质量等级进行划分。本发明中该方法是一种识别图形的方法，该该系统是一种应用于生产领域的人工智能系统。本发明是基于计算机视觉的方法，通过对蚕茧表面的纹理分布和纹理方向进行分析，进而实现对蚕茧质量的自动化分类，提高了选茧的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的一种基于图像识别的纺织用蚕茧自动拣选方法的流程图；

图2为本发明提供的不同质量的蚕茧示意；

图3为本发明提供的不同的衡量区域示意。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像识别的纺织用蚕茧自动拣选方法及系统进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于图像识别的纺织用蚕茧自动拣选方法及系统的具体方案。

基于图像识别的纺织用蚕茧自动拣选方法实施例：

如图1所示，本实施例的一种基于图像识别的纺织用蚕茧自动拣选方法包括以下步骤：

步骤S1，获取蚕茧图像，所述蚕茧图像为可见光图像，且仅包括一个蚕茧；对蚕茧图像中的蚕茧区域进行划分，得到多个蚕茧局部图像。

本实施例中，步骤S1可分为以下几个子步骤：

第一，获取传送带上蚕茧的RGB图像，记为蚕茧图像。

在混茧缫丝之前，会按照每个蚕茧的质量，将传送带上不同产地不同批次的蚕茧分为不同的类，即选茧；选茧完成后，会将不同类的蚕茧拣选至对应的位置，进入混茧缫丝的工序。

蚕茧拣选时，蚕茧在传送带上是沿传送带方向排列的；在选茧过程中本实施例在传送带边缘上方低角度位置设置光源，即侧光，以突显出蚕茧外表面的纹理，因为均匀的光照会使纹理变得不明显；在传送带正上方设置相机，使相机光轴垂直于传动带平面，所述相机为RGB相机。由于蚕茧的颜色大多是白色或偏黄的颜色，因此本实施例中传送带的颜色应与蚕茧的颜色差异应较大，例如黑色、蓝黑色等，以突出蚕茧区域，有助于后续对蚕茧进行分类。

本实施例首先利用设置的RGB相机来识别传送带上的一个蚕茧的图像，该图像为可见光图像；为了对蚕茧进行分析，本实施例将获取到的图像转为灰度图像，然后利用自适应阈值分割对灰度图像进行处理得到蚕茧区域二值图，由于蚕茧颜色偏白，传送带颜色偏黑，蚕茧区域二值图中的连通域为一个蚕茧在图像中的成像区域；然后提取蚕茧区域二值图中的连通域，记为蚕茧连通域；将蚕茧连通域乘以相机获得的RGB图像，得到蚕茧对应的蚕茧图像，所述蚕茧图像中只包含一个蚕茧。

由于相机拍摄一次得到的是蚕茧的一个面，可能并没有拍摄到蚕茧有缺陷的地方，因此本实施例在传送带不同位置上设置多个相机，本实施例中的传送带为具有合适大小的滚筒传送装，能够使蚕茧滚动，进而使相机能够拍摄到之前没有拍到的视角，进而根据不同视角的蚕茧图像对蚕茧进行分析，以避免出现误检、漏检的情况；本实施例中传送装置可根据实际需要进行更改。

本实施例以一个蚕茧的一个视角对应的蚕茧图像为例，对获取该蚕茧对应的质量类别的过程进行分析。本实施例中一个蚕茧对应多张不同视角的图像，本实施例分别对这多张图像进行分析，判断不同视角下该蚕茧的质量等级，本实施例将该蚕茧对应的最差的质量等级作为该蚕茧最终的质量等级。

第二，对蚕茧图像进行区域划分，得到多个蚕茧局部图像。

选茧是为了区分出不同质量的蚕茧，以便于后续的混茧缫丝；不同质量的蚕茧如图2所示，其中带茧衣的茧、削口茧和烂茧为下茧；正常的蚕茧为上茧，即质量好的蚕茧。

对于异常蚕茧来说，其表面的纹理是不均匀的，纹理方向也比较杂乱，例如削口茧，由于蚕茧内部比外部更光滑，其削口处会暴露出来蚕茧内部，因此对应的蚕茧图像中削口处更光滑，其纹理会与其他部位的纹理不同；异常蚕茧的形状可能是不规则的，但是由于相机拍摄的角度和蚕茧放置的位置不同，对于同一个蚕茧可能会得到不同的轮廓形状；因此本实施例对蚕茧表面的纹理分布和纹理方向进行分析，以评价蚕茧的质量。

本实施例首先对蚕茧图像对应的连通域进行区域划分，进而将该蚕茧区域划分成多个区域；本实施例进行区域划分的目的是为了更加准确对蚕茧表面的纹理进行分析。如图3所述，本实施例对蚕茧图像对应的连通域进行区域划分的具体过程为：

本实施例中步骤S1得到了蚕茧的连通域；本实施例将该蚕茧图像对应的连通域的边缘拟合成一条曲线，即边缘曲线。

确定边缘曲线上两两边缘点之间的距离，标记出距离最大的两点，将距离最大的两点之间的连线记为边缘曲线的长轴；过边缘曲线对应的长轴做一条中垂线,其中在边缘曲线内部的部分记为边缘曲线的短轴；本实施例以边缘曲线的长轴和短轴的交点为原点，以边缘曲线对应的长轴为横轴，以边缘曲线的短轴为纵轴，建立边缘直角坐标系。

首先获取边缘曲线的长度，根据边缘曲线的长度将边缘曲线划分成长度相等的曲线段，每一条曲线段的长度为：

其中l_p为一条曲线段的长度，L为边缘曲线的长度，n1为划分的曲线段的数量；本实施例中将n₁设为8，具体可根据实际需要进行设置。

然后对边缘曲线的长轴和短轴进行划分，本实施例中短轴和长轴是关于原点对称的，所以对短轴和长轴的一半进行划分，即对半短轴和半长轴进行划分；具体的，将边缘曲线的半短轴划分成长度相等的线段，半短轴中每一条线段的长度为：

其中l_sb为半短轴中每一条线段的长度，b为半短轴的长度，n₂为半短轴的线段的数量；将边缘曲线的半长轴划分成长度相等的线段，半长轴中每一条线段的长度为：

其中l_sa为半短轴中每一条线段的长度，a为半长轴的长度，n₂为半长轴的线段的数量；本实施例中半长轴和半短轴划分的数量是一样的，同样的，n₂的值可根据实际需要进行设置，本实施例中n₂为5。

本实施例以半长轴和半短轴划分出的各线段端点为交点，即图3中的点3、点4、点5、点6；本实施例将边缘曲线以坐标系原点为中心进行等比例缩小，分别将边缘曲线缩小至与点3相交；将边缘曲线缩小至与点4相交；将边缘曲线缩小至与点5相交，将边缘曲线缩小至与点6相交，进而生成多条分区域边缘；将边缘曲线上的各曲线段的端点和坐标系原点相连，将连通域划分为不同的区域，记为衡量区域，以实现对蚕茧图像中蚕茧区域的划分，如图3所示，图中1为一个衡量区域对应的蚕茧局部区域，2为最外围的曲线即边缘曲线；最后将连通域中的各衡量区域分别与蚕茧图像相乘，得到不同的蚕茧局部图像。本实施例中对蚕茧区域的划分方式可根据实际需要进行更改，无需局限于本实施例的划分方式。

步骤S2，对各蚕茧局部图像中的纹理进行提取，得到各蚕茧局部图像对应的蚕茧局部纹理位置图，所述蚕茧局部纹理位置图为二值图。

在侧面光照的条件下，蚕茧表面垂直于光源方向的凹陷会更加明显，因此在图中可以看到一条条的小“短线”，即蚕茧图像中呈现出来的纹理；在当前光照下的纹理越明显，则反映出的信息的可信度越高。

本实施例对各蚕茧局部图像中的纹理进行提取，便于后续对各蚕茧局部图像中的纹理特征进行分析，具体为：

本实施例首先使用LOG算子滤波对各蚕茧局部图像进行处理，得到各蚕茧局部图像对应的滤波图像；分别对各滤波图像中各像素点的灰度值统计，构建各滤波图像对应的灰度直方图；所述灰度直方图是以灰度值为横轴，像素点的数量为纵轴。

在各滤波图像对应的灰度直方图中，使用大津法得到各滤波图像对应的灰度阈值T，灰度阈值T可以将对应的灰度直方图的数据划分成两部分，既灰度值大于T的部分和灰度值小于T的部分。本实施例利用各滤波图像对应的灰度阈值，对滤波图像进行二值化处理，将滤波图像中灰度值小于对应的灰度阈值的像素点的像素值设置为0，其他的像素点即大于对应的灰度阈值的像素值设置为1，得到各滤波图像对应的蚕茧局部纹理位置图，即各蚕茧局部图像对应的初始蚕茧局部纹理位置图；然后将初始蚕茧局部纹理位置图进行反相处理，得到各蚕茧局部图像对应的蚕茧局部纹理位置图。本实施例中蚕茧局部纹理位置图中像素值为1的像素点，既蚕茧局部图像中短线上的像素点，即纹理上的像素点。

步骤S3，获取各蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向；根据各蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向，计算各蚕茧局部图像中纹理上的各像素点对应的明显程度。

蚕茧表面上的短线的方向基本是垂直于光源的照射方向，且纹理上与光源照射方向越垂直的部分越明显，因此纹理上越垂直于照射方向的部分得到的特征信息越可信，本实施例基于纹理上像素点的纹理走向来反应纹理上各像素点的明显程度。

本实施例以任一蚕茧局部纹理位置图中纹理上各像素点的明显程度计算的过程为例：

将该蚕茧局部纹理位置图中像素值为1的像素点在图像中的坐标变换到霍夫空间中成为一条曲线；将霍夫空间的横坐标作为图像中像素的列，将霍夫空间的纵轴作为图像中像素的行，将霍夫空间中每一点处所经过的曲线个数(即投票值)作为对应处像素点的像素值，进而生成对应的纹理方向图；本实施例将纹理方向图中像素值小于等于1的像素点的像素值均置为0，以减小误差，得到对应的方向判断图。`

本实施例统计方向判断图中每一列中所有像素点对应的像素值的和，选择像素值和最大的一列作为基准列；然后获取基准列在霍夫空间中对应的角度，此角度为该蚕茧局部纹理位置图中纹理上像素点的理想的纹理方向，即在该方向上的像素点最明显，本实施例将其记为标准纹理方向。

然后，本实施例对蚕茧局部纹理位置图中每一个像素值不为0的像素点(即蚕茧局部纹理位置图中纹理上的各像素点)计算得到各像素点对应的海森矩阵。本实施例根据海森矩阵，获取其最小特征值对应的特征向量，所述最小特征值对应的特征向量是一个二维单位向量，在本实施例中用于表征该像素点处的纹理走向。本实施例根据蚕茧局部纹理位置图中蚕茧局部纹理位置图中纹理上的各像素点对应的海森矩阵，得到蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向。所述海森矩阵为现有技术，在此就不再赘述。

在该蚕茧局部纹理位置图中，将每条纹理上各像素点的纹理方向(即每条短线上各像素点的纹理方向)与标准纹理方向相差最小的像素点记为当前纹理上的基准点；所述基准点是当前纹理上最明显的点，并且一条纹理上的基准点可以有多个。本实施例根据计算得到的该蚕茧局部纹理位置图中纹理上的各像素点的纹理方向与标准纹理方向，来计算该蚕茧局部纹理位置图中纹理上的任意像素点的明显程度的计算公式为：

其中，r为像素点对应的明显程度，D为像素点到所在纹理上的最近的基准点的距离，L为像素点所在纹理(短线)的长度，ξ为像素点对应的纹理方向，θ为标准纹理方向，e为自然常。

上式中，

用于对D进行归一化，

越小，则像素点的明显程度越大；

表示当前像素点的纹理方向与标准纹理方向的差别，

值越小，说明像素点对应的明显程度越大。

本实施例根据上述计算任一蚕茧局部纹理位置图中纹理上各像素点的明显程度的过程，可以得到各蚕茧局部纹理位置图中纹理上各像素点的明显程度，即各蚕茧局部区域区域图像中纹理上的各像素点的明显程度。

步骤S4，根据各蚕茧局部图像中纹理上的各像素点对应的明显程度，计算各蚕茧局部图像对应的纹理特征指标；根据各蚕茧局部图像对应的纹理特征指标，对蚕茧图像中的蚕茧质量等级进行划分，得到该蚕茧对应的质量等级。

本实施例通过这些纹理的分布位置和延伸方向来获得蚕茧表面的纹理特征指标，其纹理的位置分布越均匀、方向越一致，则蚕茧表面的纹理特征指标就越大，蚕茧对应的质量评分就越高。

接下来，本实施例将各蚕茧局部图像中明显程度相同的点提取出来，得到各蚕茧局部图像中各明显程度值对应的纹理判断图，将纹理判断图中从蚕茧局部图像中提取出来的像素点的像素值设置为1，将其余像素点的像素值设置为0；一个蚕茧局部图像中对应多张纹理判断图；然后本实施例根据各蚕茧局部图像中各纹理判断图对应的明显程度和图像熵，计算各蚕茧局部区域对应的纹理特征指标，具体计算公式为：

其中，C为蚕茧局部图像对应的纹理特征指标，N为蚕茧局部图像中基准点的数量，i为纹理判断图的序号；I为蚕茧局部图像对应的纹理判断图的数量，r_i为第i张纹理判断图对应的明显程度，H_i为第i张纹理判断图的图像熵(即二维熵)。

上式中，当纹理判断图对应的明显程度越大时，说明得到的图像熵的值的置信度越高，所以纹理判断图对应的明显程度相当于是纹理判断图对应的图像熵的权重，各纹理判断图对应的明显程度越大，则蚕茧局部图像对应的纹理特征指标越大；当纹理判断图对应的对应的图像熵越大时，说明图像中纹理分布的越随机，则蚕茧局部图像对应的纹理特征指标越大；当蚕茧局部图像中基准点的数量越多时，说明蚕茧局部图像中纹理的方向越一致，则蚕茧局部图像对应的纹理特征指标也会越大。

本实施例根据上述过程得到了蚕茧图像中蚕茧表面对应的各蚕茧局部图像对应的纹理特征指标，用来反映对应区域纹理的分布和纹理方向的一致性。本实施例根据上各蚕茧局部图像对应的纹理特征指标来对蚕茧图像中蚕茧的质量进行评分，本实施例通过计算各蚕茧局部图像对应的纹理特征指标的均值与各蚕茧局部图像对应的纹理特征指标的方差的比值，记为蚕茧图像中蚕茧的质量评分。

例如削口茧，在削口处能够看到蚕茧内部的区域，该区域对应的纹理特征指标并不高，但是其他区域的纹理特征指标可能与上茧相同，因此所有蚕茧局部区域图像中的表面的纹理特征指标都大，且纹理特征指标大小基本一致，才能说明该蚕茧的质量好，即质量评分高。

考虑到选茧是为了在后续混茧缫丝时能够更好的平衡茧质，因此要将不同品质层次的茧都区分出来，本实施例根据蚕茧的质量评分将茧划分为对应的质量等级；具体划分蚕茧质量等级的方法为：

若蚕茧的质量评分大于等于T_s,则将蚕茧的质量最佳，将其划分为一级；若蚕茧的质量评分大于等于T′_s，小于T_s，则茧的质量稍次，将其划分为二级；若蚕茧的质量评分大于等于T″_s，小于T′_s，则茧的质量较差，将其划分为三级；若蚕茧的质量评分小于T″_s，则茧的质量过差，不能用于缫丝，将其划分为四级。本实施例中将T″_s设置为0.45、T′_s设置为0.55、T_s设置为0.75。若蚕茧的质量等级为一级、二级或三级，则该蚕茧可以用于缫丝；若蚕茧的质量等级为四级，则该蚕茧无法用于缫丝。其中T″_s、T′_s、T_s的大小可根据实际需要进行设置。

本实施例根据蚕茧的质量等级，将不同蚕茧拣选至对应的位置，便于后续混茧缫丝工艺。

本实施例首先对获取到的蚕茧图像中的蚕茧进行区域划分，得到多个蚕茧局部图像，然后获取各蚕茧局部图像中纹理上的各像素点对应的纹理方向，进而计算各蚕茧局部图像中纹理上的各像素点对应的明显程度，最后根据各蚕茧局部图像中纹理上的各像素点对应的明显程度，计算各蚕茧局部图像对应的纹理特征指标，进而根据各蚕茧局部图像对应的纹理特征指标对的蚕茧的质量等级进行划分。本实施例通过对蚕茧表面的纹理分布和纹理方向进行分析，以实现对蚕茧质量的自动化分类，提高了选茧的效率。

基于图像识别的纺织用蚕茧自动拣选系统实施例

本实施例基于图像识别的纺织用蚕茧自动拣选系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于图像识别的纺织用蚕茧自动拣选方法。

由于基于图像识别的纺织用蚕茧自动拣选方法已经在基于图像识别的纺织用蚕茧自动拣选方法实施例中进行了说明，所以本实施例不再对基于图像识别的纺织用蚕茧自动拣选方法进行赘述。

需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于图像识别的纺织用蚕茧自动拣选方法，其特征在于，该方法包括以下步骤：

获取蚕茧图像，所述蚕茧图像仅包括一个蚕茧；对蚕茧图像中的蚕茧区域进行划分，得到多个蚕茧局部图像；

对各蚕茧局部图像中的纹理进行提取，得到各蚕茧局部图像对应的蚕茧局部纹理位置图，所述蚕茧局部纹理位置图为二值图；

获取各蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向；根据各蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向，计算各蚕茧局部图像中纹理上的各像素点对应的明显程度；

根据各蚕茧局部图像中纹理上的各像素点对应的明显程度，计算各蚕茧局部图像对应的纹理特征指标；根据各蚕茧局部图像对应的纹理特征指标，对蚕茧图像中的蚕茧质量等级进行划分，得到该蚕茧对应的质量等级。

2.根据权利要求1所述的一种基于图像识别的纺织用蚕茧自动拣选方法，其特征在于，所述获取各蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向，包括：

对于任一蚕茧局部纹理位置图：

将该蚕茧局部纹理位置图中像素值为1的像素点的坐标变换的霍夫空间中；

将霍夫空间的横坐标作为图像中像素的列，将霍夫空间的纵轴作为图像中像素的行，将霍夫空间中各点经过曲线的个数作为图像对应位置的像素值，构建对应的方向判断图；

获取方向判断图中各列的像素点的像素值之和，选择像素值之和最大的一列记为基准列；

获取基准列在霍夫空间中对应的角度，记为标准纹理方向；

计算该蚕茧局部纹理位置图中纹理上的各像素点对应的海森矩阵；

根据该蚕茧局部纹理位置图中纹理上的各像素点对应的海森矩阵，得到该蚕茧局部纹理位置图中纹理上的各像素点对应的纹理方向。

3.根据权利要求2所述的一种基于图像识别的纺织用蚕茧自动拣选方法，其特征在于，计算各蚕茧局部纹理位置图中纹理上的各像素点对应的明显程度的公式为：

其中，r为像素点对应的明显程度，D为像素点到所在纹理上的最近的基准点的距离，L为像素点所在纹理的长度，ξ为像素点对应的纹理方向，θ为标准纹理方向，e为自然常数。

4.根据权利要求1所述的一种基于图像识别的纺织用蚕茧自动拣选方法，其特征在于，所述根据各蚕茧局部图像中纹理上的各像素点对应的明显程度，计算各蚕茧局部图像对应的纹理特征指标，包括：

将各蚕茧局部图像中同一明显程度的像素点提取出来，将提取出来的像素点的像素值设置为1，将其余像素点的像素值设置为0，得到各明显程度对应的纹理判断图；

根据各蚕茧局部图像对应的各纹理判断图对应的明显程度和各纹理判断图对应的图像熵，计算各蚕茧局部图像对应的纹理特征指标。

5.根据权利要求4所述的一种基于图像识别的纺织用蚕茧自动拣选方法，其特征在于，计算蚕茧局部图像对应的纹理特征指标的公式为：

其中，C为蚕茧局部图像对应的纹理特征指标，N为蚕茧局部图像中基准点的数量，i为纹理判断图的序号；I为蚕茧局部图像对应的纹理判断图的数量，r_i为第i张纹理判断图对应的明显程度，H_i为第i张纹理判断图的图像熵。

6.根据权利要求1所述的一种基于图像识别的纺织用蚕茧自动拣选方法，其特征在于，所述对蚕茧图像中的蚕茧区域进行划分，得到多个蚕茧局部图像，包括：

提取蚕茧图像对应的连通域；将蚕茧图像对应的连通域的边缘拟合成一条曲线，记为边缘曲线；

将边缘曲线上距离最远的两个点之间的连线作为边缘曲线对应的长轴；

做边缘曲线对应的长轴的中垂线，将边缘曲线内的中垂线记为边缘曲线对应的短轴；

以边缘曲线对应的长轴和短轴的交点作为原点，以边缘曲线对应的长轴为横轴，以边缘曲线对应的短轴为纵轴，建立直角坐标系；

将边缘曲线划分成多个长度相同的曲线段；将边缘曲线对应的半长轴划分成多个长度相同的线段；将半短轴划分成多个长度相同的线段，所述半长轴和半短轴划分的线段数量相等；所述半长轴为边缘曲线对应的长轴的一半，所述半短轴为边缘曲线对应的短轴的一半；

将边缘曲线上各曲线段的端点与坐标系原点相连，将边缘曲线以坐标系原点为中心等进行多次比例缩小，所述多次等比例缩小的边缘曲线分别与半长轴和半短轴对应的各线段端点相交，得到蚕茧图像对应的连通域中的各区域，记为衡量区域；

将各衡量区域分别与蚕茧图像对应区域相乘，得到蚕茧图像对应的多个蚕茧局部图像。

7.根据权利要求1所述的一种基于图像识别的纺织用蚕茧自动拣选方法，其特征在于，根据各蚕茧局部图像对应的纹理特征指标，对蚕茧图像中的蚕茧质量等级进行划分，得到该蚕茧对应的质量等级，包括：

计算各蚕茧局部图像对应的纹理特征指标的均值与各蚕茧局部图像对应的纹理特征指标的方差的比值，记为蚕茧图像中蚕茧的质量评分；

根据蚕茧图像中蚕茧的质量评分，对蚕茧图像中的蚕茧质量等级进行划分，得到该蚕茧对应的质量等级。

8.根据权利要求1所述的一种基于图像识别的纺织用蚕茧自动拣选方法，其特征在于，对各蚕茧局部图像中的纹理进行提取，得到蚕茧局部图像对应的蚕茧局部纹理位置图，包括：

利用LOG算子滤波对各蚕茧局部图像进行处理，得到各蚕茧局部图像对应的滤波图像；

根据各滤波图像中各像素点的灰度值，统计得到各滤波图像对应的灰度直方图，所述灰度直方图以灰度值为横轴，以像素点数量为纵轴；

利用各滤波图像对应的灰度直方图和大津法，对各滤波图像进行二值处理，得到各滤波图像对应的蚕茧局部纹理位置图。

9.一种基于图像识别的纺织用蚕茧自动拣选系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-8任一项所述的基于图像识别的纺织用蚕茧自动拣选方法。

Images