李海葉 景軍鋒 趙 瑾 張緩緩 蘇澤斌

(1.西安工程大學，陜西西安，710600；2.西安獲德圖像技術(shù)有限公司，陜西西安，710048)

玻璃纖維屬無機非金屬材料[1]，其具有一系列的優(yōu)良物理化學性能，因而被廣泛應用于航天航空、建筑、電子等領(lǐng)域[2]。玻璃纖維管紗是細紗經(jīng)捻線機纏繞在紗管上所形成的管狀紗體，從纏繞到成形的過程中，會不可避免地產(chǎn)生各種毛羽疵點，這些都將影響著后期的使用以及再加工的質(zhì)量，因此對毛羽疵點進行及時檢測，提高管紗質(zhì)量具有重要的實際意義。玻璃纖維管紗圖像如圖1所示。

圖1 玻璃纖維管紗圖像

管紗毛羽影響著紡織品的表面光潔度和手感特性，對纖維紗線的耐磨性有一定的破壞，同時毛羽的存在也會引起染色不均和起球等危害[3]，毛羽疵點將直接影響管紗的等級。目前多數(shù)研究是對紗線毛羽的檢測，而對紗線繞制成管紗后產(chǎn)生的管紗毛羽，相關(guān)檢測研究甚少[4]。大部分企業(yè)依舊是借助簡易設備，通過肉眼對管紗毛羽檢測。但由于人工檢測受勞動強度大和勞動時間長等因素影響，會出現(xiàn)錯檢和漏檢等情況，不能保證管紗檢測的準確率及工作效率，甚至在檢測過程中因人為因素會對管紗造成二次損傷。

結(jié)合圖像處理的視覺檢測技術(shù)已日趨成熟，機器視覺技術(shù)因其具有高效、準確、智能化的特點，而被廣泛地應用在外觀包裝檢測、醫(yī)學醫(yī)藥工程、航天軍事科技等領(lǐng)域[5]。機器視覺是一種軟硬件集成、自動化的檢測技術(shù)，機器代替人眼對計算機提取到的視覺信息進行分析和處理，并將其應用到識別、檢測等方面[6]。針對管紗自身特有結(jié)構(gòu)，利用機器視覺技術(shù)對管紗毛羽疵點進行實時檢測。通過多路相機采集管紗毛羽原始圖像，根據(jù)其形態(tài)特征以及灰度對比信息，提出基于最大穩(wěn)定極值區(qū)域(Maximally Stable Extremal Regions，以下簡稱MSER)的管紗毛羽分割方法，然后運用局部二值模式(Local Binary Pattern，以下簡稱LBP)算法獲得管紗毛羽的輪廓點特征信息，最后利用支持向量機(Support Vector Machine,以下簡稱SVM)對毛羽進行疵點分類。

1 硬件平臺搭建

管紗毛羽檢測系統(tǒng)硬件結(jié)構(gòu)如圖2所示。主要包括計算機、步進電機、光源、工業(yè)相機等，檢測時要對管紗斜面和垂直面兩處毛羽進行檢測。在管紗斜面和垂直面的左右兩端分別安裝相機和光源，2號光源與3號相機檢測管紗斜面毛羽，1號光源與4號相機檢測管紗垂直面毛羽。兩組背光條形光源與相機的中心點處于同一平面，兩個條形光源由一個多通道光源控制器控制。黑色背景板置于光源后方，增強毛羽疵點與背景的差異，并通過調(diào)整相機焦距、光圈等參數(shù)以獲取清晰的管紗圖像。將管紗放置在步進電機轉(zhuǎn)盤上，設定旋轉(zhuǎn)速度，使得管紗旋轉(zhuǎn)一周的時間為4 s。為保證在旋轉(zhuǎn)過程中相機能夠采集到完整管紗圖像，設置幀率為30 fps，然后通過交換機將圖像傳送至計算機后，運用圖像處理算法對采集的管紗斜面和垂直面兩幀圖像進行動態(tài)實時檢測。因管紗的斜面與垂直面只是位置不同而結(jié)構(gòu)相同，所以兩者在檢測算法上一致，本文以垂直面毛羽檢測為例進行算法分析。

圖2 硬件結(jié)構(gòu)示意圖

1，2-條形光源；3，4-工業(yè)相機；5-交換機；6-計算機；7-步進電機；8-管紗；9-光源控制器；10-黑色背景板

2 基于MSER和SVM的管紗毛羽檢測

2.1 檢測流程

管紗毛羽檢測主要由以下四個步驟完成。第一步，實時采集管紗斜面毛羽與垂直面毛羽圖像；第二步，運用MSER算法分割疵點區(qū)域，根據(jù)檢測區(qū)域點生成MSERs結(jié)果，提取管紗毛羽；第三步，在空間上利用檢測窗口將MSER檢測結(jié)果圖劃分成多個小區(qū)域圖像塊，計算每個圖像塊內(nèi)像素的LBP值，得到每個圖像塊的LBP直方圖。將所有圖像塊的LBP統(tǒng)計直方圖連接成為一個特征向量；第四步，將LBP提取的特征向量輸入到SVM中，進行分類器訓練，利用訓練好的分類器進行毛羽分類。

2.2 毛羽分割

采用MSER提取毛羽疵點區(qū)域，有效抑制噪聲和管紗背景紋理的干擾。MSER算法由MATAS J等提出，是一種局部不變特征檢測方法[7]。它是基于分水嶺的概念，具有單調(diào)強度變換的不變性、鄰接保持變換的不變性、穩(wěn)定性、多尺度檢測、計算復雜度低等優(yōu)點。這樣的優(yōu)點及性能使得MSER在目標識別、目標跟蹤等領(lǐng)域得到了廣泛應用[8]。

MSER是對一幅灰度圖像取閾值進行二值化處理，閾值從0到255依次遞增，在這個過程中，有些連通區(qū)域面積隨閾值上升的變化很小或沒有變化，類似于分水嶺算法中水面持續(xù)上升的時候，有些被水淹沒地方的面積沒有變化，則該區(qū)域就被稱為最大穩(wěn)定極值區(qū)域,表達式見式(1)。

(1)

式中，Qi表示閾值為i時的某一連通區(qū)域，Δ為灰度閾值的微小變化量，q(i)為閾值為i時區(qū)域Qi的變化率。當q(i)為局部極小值時，Qi為MSER+。對灰度圖像反轉(zhuǎn)，再進行閾值從0～255的二值化處理過程，得到MSER-。根據(jù)檢測區(qū)域點生成并標記圖像穩(wěn)定區(qū)域MSER+和MSER-，分割出管紗毛羽。

2.3 LBP特征提取

(2)

式中，gC表示以R為半徑的中心點像素灰度值；gP表示P鄰域內(nèi)各像素灰度值；s(·)是一個符號函數(shù)，表達式見式(3)。

(3)

2.4 疵點分類

提取LBP特征后，使用SVM進行分類[10]。SVM是一種基于統(tǒng)計學習的監(jiān)督分類方法。SVM基本原理是通過非線性映射將樣本空間映射到高維乃至無窮維特征空間中，樣本在高維空間線性可分，應用核函數(shù)替代特征空間內(nèi)點乘計算，在高維特征空間中建立線性學習機，使用帶標簽數(shù)據(jù)訓練得到超平面定義的分類器。超平面離兩側(cè)的樣本數(shù)據(jù)間隔越大，分類確信度越高。不同核函數(shù)生成不同SVM模型，徑向基核函數(shù)訓練的SVM模型分類效果較好，能將樣本非線性特征參數(shù)快速高效地映射到高維特征空間，能夠很好地處理非線性問題。徑向基核函數(shù)表達式見式(4)。

(4)

式中:σ為高斯核寬度；xi和xj為原空間里的向量。

SVM在小樣本訓練集上有優(yōu)異表現(xiàn)，解決了非線性不可分和升維帶來的計算復雜化問題，實現(xiàn)測試樣本精準預測。本文使用徑向基核函數(shù)的SVM分類器，進行對各種毛羽疵點分類測試。

3 試驗與分析

試驗數(shù)據(jù)來源于圖2所示的硬件平臺采集的圖像，試驗圖像如圖3所示。目前，工業(yè)上管紗毛羽疵點主要有端毛羽、毛圈和毛夾3種類型。使用系統(tǒng)軟件編程環(huán)境為Visual Studio 2015，結(jié)合OpenCV3.0進行算法測試，計算機配置為Intel(R) Core(TM) i5-4460，CPU為3.20 GHz，內(nèi)存為8 GB。

3.1 管紗毛羽區(qū)域分割

原始管紗圖像存在少量噪聲和深淺不一的管紗紋理，毛羽疵點區(qū)域與背景對比不明顯，因此準確定位分割疵點有很大難度。采用MSER算法對管紗不同類型毛羽的分割結(jié)果，分割后的毛羽形態(tài)完整。端毛羽形態(tài)一般表現(xiàn)為近直線且毛羽細長，采用MSER算法可以增強端毛羽在原始圖像中的顯著性。進而在濾除管紗表面紋理和噪聲的情況下，使端毛羽表現(xiàn)的更為突出，如圖4所示。毛圈作為另一種毛羽疵點，一般表現(xiàn)為半圓弧形，不論弧形的長短大小還是亮度不同的同一毛圈，都能夠精準分割出毛圈，分割結(jié)果如圖5所示。毛夾作為不規(guī)則形態(tài)的毛羽疵點，是毛圈與端毛羽交織聚集而成。MSER算法在保證能夠提取出聚集分布的端毛羽和毛圈區(qū)域的同時，又能提取出離散分布的小段端毛羽和毛圈，不會丟失細節(jié)信息，結(jié)果如圖6所示。

3.2 管紗毛羽特征提取

圖4～圖6中無關(guān)黑色背景會影響運算速度和效率，選擇對MSER分割結(jié)果剪切處理后的毛羽圖像為試驗樣本，部分樣本如圖7所示。選取900張?zhí)幚砗蟮膱D像作為訓練樣本，使用LBP算法對試驗樣本圖像提取特征，將特征向量送入SVM進行分類訓練。訓練完成后，對管紗毛羽圖像進行分類測試。分類性能用分類準確率ACC度量，其表達式見式(5)。

LBP算法的主要參數(shù)設置：選取鄰域采樣點數(shù)P為8，鄰域半徑R進行調(diào)節(jié)與測試。LBP-SVM算法試驗結(jié)果：當R=1時，ACC=89.2%；當R=2時，ACC=92.8%；當R=3時，ACC=97.0%；當R=4時，ACC=95.6%；當R=5時，ACC=94.3%。該試驗結(jié)果反映了不同大小領(lǐng)域半徑R對分類準確率的影響。R<3時，隨著R增大，分類準確率持續(xù)升高；R=3時，分類效果最高效穩(wěn)定；R>3時，R繼續(xù)增加，分類準確率降低。因為領(lǐng)域半徑R較小時，增加半徑大小得到更多毛羽特征；半徑增大到一定程度時，毛羽特征出現(xiàn)冗余。用分類器分類時，誤判的可能性不斷增加，分類準確率有所下降。經(jīng)過分析，最終選取R=3。

(5)

式中：T為正確識別個數(shù)，S為總樣本個數(shù)。

3.3 管紗毛羽分類

為了比較SVM分類情況，本文采用BP神經(jīng)網(wǎng)絡與之對比[11]。從90張～900張毛羽疵點圖像選擇不同的訓練樣本個數(shù)進行測試，試驗結(jié)果如圖8所示。

圖8 不同算法的ACC曲線

由圖8可知，在不同訓練樣本個數(shù)的情況下，LBP-SVM算法始終比LBP-BP算法的分類準確率有較大幅度的提高，即使訓練樣本為90張時，LBP-SVM算法對疵點分類準確率也高達81%。隨著訓練樣本個數(shù)增加，當訓練樣本為270張時，采用LBP-BP算法的準確率為74%，LBP-SVM算法的準確率為87%，由此可見，后者比前者的準確率提高了13%。樣本數(shù)量繼續(xù)增長到540張時，LBP-SVM算法的準確率達到95%，LBP-BP算法的準確率僅為80%，此時，兩種算法的精度差距達到最大。訓練樣本為900張時，LBP-SVM算法的分類準確率達到了97%，而LBP-BP算法的準確率不足90%。因為在訓練樣本有限條件下，SVM最優(yōu)解是基于有限的樣本信息，而不是樣本數(shù)足夠大時的最優(yōu)解，因此它克服了神經(jīng)網(wǎng)絡需要大量樣本的局限性。由此可見，當訓練樣本為小樣本數(shù)據(jù)集時，SVM是一個精度高、檢測效果好的分類模型。同時SVM具有較強的逼近能力和泛化能力。

兩種算法對3類管紗毛羽的分類結(jié)果見表1。從整體來看，表1中LBP-SVM算法對端毛羽、毛圈和毛夾三種疵點的分類準確率高于LBP-BP算法。同時兩種算法訓練好的分類模型對毛夾疵點的分類準確率明顯高于端毛羽疵點和毛圈疵點。因為在管紗成形過程中，不可避免地會出現(xiàn)端毛羽和毛圈相互交織、聚集而形成毛夾疵點，疵點特征較為明顯，易于與其他兩類疵點區(qū)分，故而分類結(jié)果較好。端毛羽和毛圈因結(jié)構(gòu)相似而易于混淆，會導致分類器難以分辨，容易出現(xiàn)誤檢的情況。

表1 不同方法對3類管紗毛羽的分類結(jié)果

4 結(jié)論

管紗毛羽不僅影響機織、針織后加工的效率和質(zhì)量，而且直接影響最終產(chǎn)品的外觀和價格，故對管紗毛羽的檢測具有重要的市場應用價值。本文根據(jù)管紗自身結(jié)構(gòu)特點，設計了管紗疵點檢測平臺，采用了多路相機對采集的圖像并行處理檢測，實現(xiàn)了管紗表面整體的疵點檢測，提升了檢測速度與精度。算法實現(xiàn)過程主要包括疵點分割，特征提取與疵點分類。使用MSER算法分割毛羽部分，利用LBP提取毛羽特征，再通過SVM對各種毛羽疵點分類，端毛羽、毛圈、毛夾的分類準確率分別為94.7%、97.7%、98.6%。本文提出的LBP-SVM算法高效準確，具有良好的應用發(fā)展前景。