棉花質(zhì)量檢測(cè)技術(shù)研究

基于彩色與近紅外圖像信息融合的軋棉質(zhì)量分級(jí)方法匯報(bào)內(nèi)容背景介紹及研究?jī)?nèi)容實(shí)驗(yàn)及處理結(jié)果結(jié)論2/3/20232/3/20231、背景介紹

軋棉質(zhì)量直接決定了紡織品的質(zhì)量，它不僅影響紡織品的質(zhì)量，對(duì)染色質(zhì)量影響也較大。因此原棉的質(zhì)量檢測(cè)是棉紡行業(yè)中一項(xiàng)重要的流程，直接關(guān)乎整個(gè)棉紡織業(yè)。而軋工質(zhì)量分級(jí)主要是依據(jù)樣棉的外觀形態(tài)與疵點(diǎn)種類及其程度來(lái)進(jìn)行。而目前國(guó)內(nèi)檢測(cè)方式人工肉眼識(shí)別,該方法有一定經(jīng)驗(yàn)，但費(fèi)時(shí)費(fèi)力。

各種疵點(diǎn)及外觀形態(tài)：帶纖維籽屑僵棉棉結(jié)破籽2/3/2023

隨著機(jī)器視覺技術(shù)的不斷發(fā)展，為軋棉質(zhì)量檢測(cè)提供了一種自動(dòng)，無(wú)損，高效的方法。目前，軋棉質(zhì)量檢測(cè)成為此行業(yè)的熱點(diǎn)，國(guó)內(nèi)外學(xué)者對(duì)基于圖像的分級(jí)方法進(jìn)行了大量研究，但大多數(shù)軋棉質(zhì)量的分級(jí)依據(jù)過(guò)于單一，側(cè)重于棉花中異性纖維、僵棉、籽屑等某種單一的疵點(diǎn)，然而，僅以單特征信息的判斷存在片面性，容易誤判，不能真正滿足軋棉質(zhì)量的多指標(biāo)分級(jí)要求。

本文采用信息采用信息融合技術(shù)利用彩色和近紅外兩種圖像信息進(jìn)行特征提取，然后采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建分類器分別進(jìn)行等級(jí)識(shí)別，最后，利用D-S證據(jù)理論對(duì)識(shí)別結(jié)果進(jìn)行決策級(jí)融合，實(shí)現(xiàn)軋棉質(zhì)量的分級(jí)。2/3/20232、彩色圖像檢測(cè)圖2.1彩色系統(tǒng)示意圖2.1實(shí)驗(yàn)裝置如圖2.1所示2/3/2023

在疵點(diǎn)識(shí)別過(guò)程中，將三通道分別進(jìn)行形態(tài)學(xué)處理，利用膨脹相減，腐蝕，然后利用歐式距離法將其融合為一個(gè)通道進(jìn)行疵點(diǎn)提取。在疵點(diǎn)識(shí)別時(shí)使用面積法，將僵棉、破籽、帶纖維屑進(jìn)行識(shí)別。

彩色圖像僵棉破籽籽屑2.2.1基本原理2/3/2023圖2.2僵棉與破籽面積所占像素點(diǎn)2/3/2023讀取圖像R,G,B三通道形態(tài)學(xué)處理融合及分割填充二值化連通圖像破籽個(gè)數(shù)加1僵棉個(gè)數(shù)加1籽屑個(gè)數(shù)加1>10000>150是否是否連通域面積彩色圖像處：理原理圖2.3算法流程圖2/3/20232.1.2實(shí)驗(yàn)結(jié)果

我們可以根據(jù)GB1103-2012《棉花細(xì)絨棉》國(guó)家標(biāo)準(zhǔn)的分類標(biāo)準(zhǔn)，通過(guò)對(duì)各疵點(diǎn)的種類和數(shù)目完成軋棉質(zhì)量分級(jí)，通過(guò)對(duì)優(yōu)，良，中，差四個(gè)等級(jí)的樣棉各20個(gè)分別進(jìn)行處理，以上方法對(duì)疵點(diǎn)的識(shí)別有較高的正確率，并且最終對(duì)軋棉質(zhì)量的分級(jí)準(zhǔn)確率達(dá)到了71.25%。2/3/20232.2.1紋理分析關(guān)于圖像外觀形態(tài)的表面平滑度，棉層蓬松度，先前所述的方法就不再適用，因此我們采用對(duì)其紋理的分析。

圖像的紋理表現(xiàn)為圖像像素灰度級(jí)的某種變化,在圖像分類中得到廣泛應(yīng)用,紋理分析中利用灰度共生矩陣作為描述參量。計(jì)算了局部平穩(wěn)(L)、熵(H)、慣性矩（I）和能量(E)4種紋理特征

。式中:i和j的取值由目標(biāo)圖像的范圍定,P(i,j)為圖像灰度值。2/3/20232.2.2基于BP神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鱾鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其基本原理是采用梯度下降法調(diào)整權(quán)值和閾值使得網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的均方誤差值最小，其模型結(jié)構(gòu)如圖2.2.2所示：圖2.2.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)2/3/2023選取40個(gè)訓(xùn)練樣本的局部平穩(wěn)(L)、熵(H)、慣性矩（I）和能量(E)4種紋理特征參量作為輸入層，軋棉質(zhì)量等級(jí)為輸出，對(duì)BP神經(jīng)網(wǎng)絡(luò)分離器進(jìn)行訓(xùn)練，并對(duì)每個(gè)等級(jí)20個(gè)測(cè)試樣本進(jìn)行識(shí)別，識(shí)別正確率為73.75%。2.2.3實(shí)驗(yàn)結(jié)果2/3/20233、近紅外圖像檢測(cè)

由于棉結(jié)、索絲的顏色接近于原棉的顏色，因此先前介紹的彩色圖像檢測(cè)的方法就不再適用。

我們通過(guò)建立索絲棉結(jié)模型，提出了一種有效的檢測(cè)方法，該方法利用線結(jié)構(gòu)近紅外激光器作為光源，對(duì)原棉進(jìn)行線掃描，對(duì)掃描后的圖像進(jìn)行減法運(yùn)算，將其融合為一幅圖像，可以有效的提取出棉結(jié)、索絲。再對(duì)提取的棉結(jié)、索絲進(jìn)行斷點(diǎn)連接、形態(tài)學(xué)等處理，可以有效的提取出原棉中的棉結(jié)和索絲。2/3/20233.1基本原理3.1.1單纖維模型

當(dāng)光線入射到纖維表面時(shí)，會(huì)發(fā)生正反射光、表面散射光、來(lái)自內(nèi)部的散射光和透射光所形成。其模型如圖3.1.1a所示：折射角：圖3.1.1a單纖維模型2/3/2023

設(shè)棉纖維外表面的主反射率為

、主透射率為

、

內(nèi)表面一次反射率為

和透射率為

，由菲涅爾公式可得：2/3/2023當(dāng)折射率n=1.58，其仿真結(jié)果如3.1.1b圖所示：

由仿真結(jié)果可以看出，隨著入射角的增大，反射率隨之增大，透射率隨之減小。圖3.1.1b入射角與反（透）射率關(guān)系2/3/20233.1.2多層纖維模型

當(dāng)光線入射到纖維表面時(shí)，會(huì)有一部分透射如棉纖維，會(huì)在下一層棉纖維上繼續(xù)發(fā)生各種光學(xué)現(xiàn)象。其模型圖如圖3.1.2所示：圖3.1.2多層纖維模型2/3/2023

隨著層間距離的增大S隨之增大。而索絲棉結(jié)現(xiàn)對(duì)于標(biāo)準(zhǔn)棉來(lái)說(shuō)，d相對(duì)較小，因此當(dāng)平行光進(jìn)行照射時(shí)，索絲棉結(jié)更加明亮。

折射率的關(guān)系相互間會(huì)形成一定的位移，其位移量可S表示為：2/3/2023

因?yàn)樵诿蘩w維所產(chǎn)生的各種光中，漫反射是主要部分，因此，應(yīng)選擇平行光結(jié)合暗場(chǎng)照明，可以實(shí)現(xiàn)圖像灰度的高對(duì)比度，從而便于疵點(diǎn)的提取。

由圖3.2中的棉纖維模型仿真結(jié)果，并結(jié)合3.3節(jié)中的模型知，在檢測(cè)時(shí)，應(yīng)盡量減小入射角

，從而可以實(shí)現(xiàn)索絲棉結(jié)出亮度比標(biāo)準(zhǔn)棉亮度高，可實(shí)現(xiàn)對(duì)索絲棉結(jié)的提取識(shí)別。

其中S隨入射角的變化的仿真結(jié)果如圖3.1.3所示：圖3.1.3隨入射角的變化2/3/2023圖3.2.1實(shí)驗(yàn)裝置圖3.2實(shí)驗(yàn)裝置2/3/20233.3圖像處理算法3.3.1減法算法:

將連續(xù)的線掃描圖像做減法處理，可以有效的消除背景，提取出目標(biāo)物。圖3.3.1減法算法流程圖2/3/20233.3.2連接算法：在線掃描過(guò)程中，線與線間會(huì)出現(xiàn)間斷現(xiàn)象，為了是掃描后的圖像盡量還原為真實(shí)，需對(duì)減法處理后的圖像進(jìn)行間斷點(diǎn)連接處理，實(shí)現(xiàn)圖像的連續(xù)性。圖3.3.2連接算法流程圖2/3/20233.3.3程序算法:利用形態(tài)學(xué)進(jìn)行處理讓圖像更加圓滑；去除小面積，減少噪聲對(duì)結(jié)果的影響；并將孔洞部分進(jìn)行填充，使處理效果更佳。圖3.3.3程序算法流程圖2/3/20233.3.4處理結(jié)果:原始圖像減法處理圖濾波，除噪連接處理圖形態(tài)學(xué)處理2/3/2023對(duì)所得疵點(diǎn)進(jìn)行區(qū)域分離，求取棉結(jié)，索絲兩種疵點(diǎn)的形狀特征參量并統(tǒng)計(jì)，以便進(jìn)行區(qū)分.3.4基于BP神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計(jì)離散指數(shù)長(zhǎng)方形度2/3/2023長(zhǎng)軸短軸比擴(kuò)展度固靠度離心率2/3/2023由統(tǒng)計(jì)圖可看出，棉結(jié)，索絲的以上六個(gè)形狀參量有明顯區(qū)別。以選取40個(gè)訓(xùn)練樣本的6種形狀特征參量作為輸入層，棉花的索絲，棉結(jié)的識(shí)別率作為輸出，對(duì)BP神經(jīng)網(wǎng)絡(luò)分離器進(jìn)行訓(xùn)練，進(jìn)而得到軋棉質(zhì)量的分級(jí)情況，對(duì)每個(gè)等級(jí)20個(gè)測(cè)試樣本進(jìn)行識(shí)別，識(shí)別正確率為81.25%。3.5實(shí)驗(yàn)結(jié)果2/3/20234.基于D-S證據(jù)理論的決策級(jí)融合D-S證據(jù)理論是由Demster和Shafe提出的一種信息融合方法，能夠有效解決帶有不確定性知識(shí)的模式識(shí)別問(wèn)題。其多個(gè)概率分配函數(shù)的組合規(guī)則如下式:其中:2/3/2023

應(yīng)用該進(jìn)行信息融合的關(guān)鍵是根據(jù)現(xiàn)有證據(jù)構(gòu)造基本概率分配函數(shù)（BPA）文利用兩個(gè)RBFNN分類器的輸出結(jié)合各自的識(shí)別正確率分別構(gòu)造每個(gè)樣本的基本概率分配函數(shù)。每個(gè)樣本的BPA構(gòu)造公式為：式中，n=1表示彩色圖像中對(duì)顏色特征識(shí)別結(jié)果，n=2表示彩色圖像中對(duì)紋理特征識(shí)別結(jié)果，n=3表示對(duì)近紅外圖像特征識(shí)別結(jié)果，i=1，2，3，4表示軋棉質(zhì)量?jī)?yōu)，良，中，差4個(gè)等級(jí)。2/3/20234.1算法步驟：2/3/2023軋棉質(zhì)量分級(jí)優(yōu)2013141819近紅外（形狀）中2016131419差2013151618實(shí)際數(shù)量正確識(shí)別個(gè)數(shù)正確率（%）10071.2573.7581.2593.75彩色（顏色）彩色（紋理）融合良20151717194.2樣棉融合結(jié)果2/3/20235.結(jié)論

我們提出了一種基于彩色與近紅外圖像信息決策級(jí)融合的軋棉質(zhì)量等級(jí)識(shí)別方法。

在彩色圖像的處理上，利用形態(tài)學(xué)處理，歐式距離法將其融合為一個(gè)通道進(jìn)行疵點(diǎn)提取。并在疵點(diǎn)識(shí)別時(shí)使用面積法，識(shí)別出疵點(diǎn)并進(jìn)一步實(shí)現(xiàn)分級(jí)。提取紋理參量，利用BP神經(jīng)網(wǎng)絡(luò)分類