張榮根， 馮 培,2， 劉大雙， 張俊平， 楊崇倡,2

(1. 東華大學(xué) 機(jī)械工程學(xué)院， 上海 201620； 2. 東華大學(xué) 紡織裝備教育部工程研究中心， 上海 201620)

在滌綸工業(yè)長(zhǎng)絲實(shí)際生產(chǎn)過程中，受熔體品質(zhì)、紡絲溫度、拉伸工藝、上油方式等紡絲工藝參數(shù)[1]的影響，易產(chǎn)生毛絲。毛絲的出現(xiàn)會(huì)直接影響后道工序的加工，增加斷頭率，甚至形成織疵等品質(zhì)問題，同時(shí)對(duì)企業(yè)產(chǎn)品形象以及用戶的使用造成一定影響。短時(shí)間內(nèi)快速、準(zhǔn)確檢測(cè)出毛絲的存在，對(duì)企業(yè)降低生產(chǎn)成本、提高經(jīng)濟(jì)效益具有重要意義。

在國(guó)外毛絲檢測(cè)相關(guān)領(lǐng)域，德國(guó)Enka Tecnica公司制造的在線毛絲檢測(cè)系統(tǒng)(Fray tec MV)[2]以霍爾效應(yīng)為基礎(chǔ)，通過監(jiān)測(cè)光電傳感器信號(hào)變化來(lái)判斷是否有毛絲。在國(guó)內(nèi)毛絲檢測(cè)相關(guān)領(lǐng)域，大致有以下幾種方法：第1種是使用高精度線陣電荷耦合器件圖像傳感器(CCD)的毛絲檢測(cè)法[3]，通過光學(xué)方法將待測(cè)物體的圖像呈現(xiàn)在CCD上面，從而獲得一定寬度的電信號(hào)，通過測(cè)量并換算電信號(hào)的寬度得到被測(cè)物體的尺寸，區(qū)分出長(zhǎng)絲與毛絲；第2種是使用激光衍射法[4]得到衍射圖像對(duì)毛絲進(jìn)行檢測(cè)，毛絲存在時(shí)會(huì)產(chǎn)生衍射圖像，使長(zhǎng)絲原本的衍射圖像發(fā)生改變，對(duì)拍攝到的衍射圖像進(jìn)行分析和處理，就可以得到長(zhǎng)絲上毛絲的信息；第3種是借助普通光電傳感器[5]，通過對(duì)比光通量變化進(jìn)行毛絲檢測(cè)；第4種方法是基于光學(xué)成像原理[6]利用光源照射長(zhǎng)絲，通過光學(xué)成像系統(tǒng)后在光電敏感面上獲得清晰的圖像，通過圖像的變化檢測(cè)毛絲的存在。

近年來(lái)，機(jī)器視覺在紡織檢測(cè)系統(tǒng)中的應(yīng)用越來(lái)越廣泛[7-9],利用圖像處理技術(shù)為毛絲檢測(cè)提供一種便捷、高效的方案，可大大提高化纖企業(yè)效益和產(chǎn)品質(zhì)量。目前，利用圖像處理技術(shù)識(shí)別毛絲的方法主要是基于MatLab圖像處理，對(duì)長(zhǎng)絲圖片進(jìn)行濾波、銳化、二值化處理、區(qū)域提取以及毛絲區(qū)域閾值設(shè)定來(lái)檢測(cè)毛絲[10]。本文在深入研究各種圖像處理方法基礎(chǔ)上，提出了一種基于LabVIEW開發(fā)環(huán)境下檢測(cè)毛絲的方法，采用圖像增強(qiáng)處理、二值化處理、數(shù)學(xué)形態(tài)學(xué)等方法檢測(cè)毛絲，將毛絲疵點(diǎn)提取出來(lái)，并與檢測(cè)閾值對(duì)比，達(dá)到識(shí)別毛絲和毛絲數(shù)量統(tǒng)計(jì)的目的。

1 長(zhǎng)絲毛絲檢測(cè)方案設(shè)計(jì)

本文檢測(cè)方法基本思路如下：首先調(diào)整合適的光源參數(shù)拍攝出清晰的長(zhǎng)絲照片；其次為便于分析毛絲圖像數(shù)據(jù)，對(duì)長(zhǎng)絲照片進(jìn)行一系列的圖像增強(qiáng)處理、二值化處理、特征提取，最終得到背景單一且僅含毛絲的二值化圖像；基于毛絲長(zhǎng)度超過設(shè)定閾值即判斷為毛絲的檢測(cè)原理，通過試驗(yàn)確定滌綸工業(yè)長(zhǎng)絲實(shí)際寬度與長(zhǎng)絲圖像寬度方向上的像素點(diǎn)數(shù)量間的關(guān)系，從而獲得毛絲檢測(cè)閾值。在基于毛絲長(zhǎng)度判斷標(biāo)準(zhǔn)下，該檢測(cè)方法可用于判斷單絲斷裂的情況，但并不適用于圈絲的檢測(cè)，圈絲為單絲拱起但未斷裂的情況；當(dāng)毛絲二值化圖像的像素點(diǎn)數(shù)超過設(shè)定的檢測(cè)閾值，即可判斷毛絲的存在，達(dá)到檢測(cè)毛絲的目的。具體檢測(cè)方案為：CMOS攝像拍攝長(zhǎng)絲照片→計(jì)算機(jī)獲取照片→LabVIEW處理長(zhǎng)絲圖像→試驗(yàn)得出檢測(cè)閾值→毛絲圖像像素點(diǎn)數(shù)量與閾值比較→若有毛絲，計(jì)數(shù)加1。

考慮到檢測(cè)對(duì)象滌綸工業(yè)長(zhǎng)絲中的毛絲處于動(dòng)態(tài)連續(xù)檢測(cè)環(huán)境下，本文檢測(cè)方案配有線陣相機(jī)和遠(yuǎn)心鏡頭，以達(dá)到較高數(shù)據(jù)傳輸速度以及較低圖像畸變率，保證了長(zhǎng)絲照片的圖像質(zhì)量；拍攝的滌綸工業(yè)長(zhǎng)絲照片通過圖像采集卡傳輸至計(jì)算機(jī)，經(jīng)過一系列圖像處理后得到毛絲圖像，并與檢測(cè)閾值進(jìn)行比較；本文檢測(cè)系統(tǒng)設(shè)有計(jì)數(shù)功能，如果毛絲長(zhǎng)度超過檢測(cè)閾值，則毛絲數(shù)量計(jì)數(shù)加1；同時(shí)會(huì)將檢測(cè)到的滌綸工業(yè)長(zhǎng)絲照片保存下來(lái)，便于改進(jìn)硬件平臺(tái)以及完善圖像識(shí)別算法。

2 長(zhǎng)絲毛絲檢測(cè)流程

2.1 長(zhǎng)絲照片的獲取

本文研究對(duì)象為線密度值在278～5 500 dtex之間的滌綸工業(yè)長(zhǎng)絲(下文統(tǒng)稱為長(zhǎng)絲)，在卷裝的退繞過程對(duì)其進(jìn)行毛絲的連續(xù)檢測(cè)。在獲取長(zhǎng)絲照片時(shí)，拍攝背景、光線以及長(zhǎng)絲運(yùn)動(dòng)速度將直接影響照片質(zhì)量。由于長(zhǎng)絲為白色，且毛絲本身較細(xì)，為強(qiáng)化突出長(zhǎng)絲表面的毛絲，本文采用能夠鮮明展現(xiàn)物體輪廓的逆光拍攝方法。同時(shí)，光線太強(qiáng)或者太弱都會(huì)使圖像產(chǎn)生明顯的噪聲，且長(zhǎng)絲運(yùn)動(dòng)速度不當(dāng)可能會(huì)弱化毛絲疵點(diǎn)，為后期圖像處理帶來(lái)很大困擾，造成檢測(cè)結(jié)果不準(zhǔn)確。為解決該問題，本文嘗試調(diào)節(jié)光源的發(fā)光強(qiáng)度和長(zhǎng)絲運(yùn)動(dòng)速度拍攝長(zhǎng)絲照片，具體效果如圖1所示?？梢姡寒?dāng)光強(qiáng)為30、40、50 cd時(shí)，圖片偏暗且產(chǎn)生不均勻的噪聲；光強(qiáng)為60 cd時(shí)，照片過亮，導(dǎo)致長(zhǎng)絲主干產(chǎn)生不均勻的白亮區(qū)；當(dāng)運(yùn)動(dòng)速度為200、300、500 m/min時(shí)，均會(huì)使長(zhǎng)絲大幅度彎曲，進(jìn)而無(wú)法呈現(xiàn)毛絲疵點(diǎn)的實(shí)際狀態(tài)，影響檢測(cè)結(jié)果。綜上所述，光強(qiáng)調(diào)整至55 cd，長(zhǎng)絲運(yùn)動(dòng)速度調(diào)整至400 m/min，可確保獲取比較清晰的長(zhǎng)絲照片。

2.2 長(zhǎng)絲圖像增強(qiáng)

由于拍攝光線和背景會(huì)對(duì)長(zhǎng)絲圖像的質(zhì)量造成影響，不利于后續(xù)處理與分析，故需要對(duì)原始圖像進(jìn)行增強(qiáng)處理[11]，有針對(duì)性地加強(qiáng)圖像整體或者局部特征，抑制不感興趣的特征，突出感興趣區(qū)域的特征，進(jìn)而改善圖像質(zhì)量，豐富信息量，提高圖像識(shí)別與判斷能力。本文圖像增強(qiáng)主要采用3種方法：灰度級(jí)變換、直方圖處理、空域?yàn)V波與頻域增強(qiáng)?；叶燃?jí)變換[12-13]針對(duì)灰度圖像，該方法僅改變像素點(diǎn)的灰度值，通過擴(kuò)大圖像動(dòng)態(tài)范圍，增強(qiáng)圖像對(duì)比度使圖像更加清晰，特征更加明顯。不同灰度級(jí)變換函數(shù)對(duì)長(zhǎng)絲的處理效果如圖2所示?？芍?，經(jīng)對(duì)數(shù)變換、平方根變換、冪1/x變換函數(shù)處理后，圖像模糊；Gamma校正函數(shù)處理后的圖像較冪變換函數(shù)邊緣對(duì)比更強(qiáng)烈，更能突顯毛絲特征，效果較好。

圖1 不同光強(qiáng)和運(yùn)動(dòng)速度下拍攝的長(zhǎng)絲照片F(xiàn)ig.1 Filament photographs taken at different light intensities (a) and speeds (b)

圖2 不同灰度級(jí)變換函數(shù)處理的長(zhǎng)絲圖像Fig.2 Filament image processed by different gray scale transformation functions. (a)Original image；(b)Logarithmic transformation； (c)Gamma correction；(d)Square root transformation；(e)Power 1/x transformation；(f)Power transformation

直方圖處理方法可通過改變像素的灰度值，使之均勻分布在0～255灰度范圍內(nèi)，不需要使用所有灰度值，僅使用這種像素的轉(zhuǎn)換來(lái)增強(qiáng)圖像對(duì)比度。但本文使用該函數(shù)效果并不理想，相較于Gamma校正函數(shù)的處理效果，直方圖方法處理后的長(zhǎng)絲圖像邊緣存在許多細(xì)小的毛刺(見圖3)，鑒于本文以毛絲長(zhǎng)度作為判斷依據(jù)，邊緣毛刺易影響檢測(cè)結(jié)果，故該圖像增強(qiáng)方法并不可取。

圖3 直方圖處理函數(shù)處理的長(zhǎng)絲圖像Fig.3 Filament image processed by histogram processing function.(a)Original image；(b)Histogram function processing effect

空域?yàn)V波是在圖像空間中對(duì)圖像進(jìn)行鄰域操作，圖像中每個(gè)像素的取值都是根據(jù)模板對(duì)輸入像素相應(yīng)鄰域內(nèi)的像素值進(jìn)行重新計(jì)算得到的?？沼?yàn)V波器包括使圖像模糊的平滑濾波器和增強(qiáng)邊緣或細(xì)節(jié)的銳化濾波器，具體效果如圖4所示。

圖4 空域?yàn)V波函數(shù)處理的長(zhǎng)絲圖像Fig.4 Filament image processed by spatial filter function.(a)Original image；(b)Spatial filtering 1；(c)Spatial filtering 2；(d)Spatial filtering 3；(e)Spatial filtering 4；(f)Spatial filtering 5；(g)Spatial filtering 6；(h)Spatial filtering 7；(i)Spatial filtering 8；(j)Spatial filtering 9；(k)Spatial filtering 10

空域?yàn)V波函數(shù)1～4為分別使用低通濾波器、局部平均濾波器、高斯濾波器以及中值濾波器對(duì)長(zhǎng)絲圖像進(jìn)行平滑處理，使其邊緣部分變得模糊；而空域?yàn)V波函數(shù)5～10為分別使用拉普拉斯濾波器、微分濾波器、普瑞維特濾波器、索貝爾濾波器、羅伯茨濾波器、坎尼濾波器對(duì)長(zhǎng)絲圖像進(jìn)行銳化處理，相較于平滑濾波器，雖然銳化處理能夠突出毛絲疵點(diǎn)，但效果并不是很好，且該方法處理后的長(zhǎng)絲圖像無(wú)法進(jìn)行二值化處理，故空域?yàn)V波函數(shù)不予使用。

圖像頻域增強(qiáng)[14]的本質(zhì)是將原圖像f(x,y) 的傅里葉變換F(u,v) 通過濾波器H(u,v) 處理，再經(jīng)過逆傅里葉變換得到增強(qiáng)的圖像g(x,y) ，其中x、y為圖像像素的空間坐標(biāo)，u、v為圖像水平和垂直方向上的空間頻率。利用2種低通衰減和截?cái)囝l率濾波器對(duì)長(zhǎng)絲圖像進(jìn)行操作，處理效果如圖5所示?？梢钥闯觯屯ń?cái)嗪瘮?shù)處理的圖像已完全將毛絲過濾掉，不滿足檢測(cè)要求；低通衰減函數(shù)處理效果相較于原始圖像更加模糊，同樣不可取。

圖6 不同閾值的二值化函數(shù)處理的長(zhǎng)絲圖像Fig.6 Filament image processed by binary function of different threshold. (a)Original image；(b)Image enhancement processing；(c)Binarization 150；(d)Binarization 175；(e)Binarization 200；(f)Binarization 225；(g)Binarization 250

圖5 頻域增強(qiáng)函數(shù)處理的長(zhǎng)絲圖像Fig.5 Filament image processed by frequency domain enhancement function. (a)Original image；(b)Low pass cutoff；(c)Low pass attenuation

綜上所述，Gamma校正函數(shù)處理的圖像處理效果最佳，在保證圖像清晰的同時(shí)突顯毛絲特征，最大程度上保證了檢測(cè)對(duì)象的完整性，故本文圖像增強(qiáng)處理采用該函數(shù)。

2.3 二值化處理

二值化處理是將灰度圖像上像素點(diǎn)的灰度值轉(zhuǎn)換為0或255，使圖像整體呈現(xiàn)僅有黑與白的效果。通過選取合適的閾值減少圖像的數(shù)據(jù)量，突顯感興趣的目標(biāo)輪廓，利于后續(xù)對(duì)二值化圖像的像素點(diǎn)進(jìn)行處理與分析。設(shè)定閾值為150、175、200、225、250對(duì)長(zhǎng)絲照片進(jìn)行處理，效果如圖6所示。

本文以毛絲長(zhǎng)度作為判斷依據(jù)，遠(yuǎn)離長(zhǎng)絲表面毛絲的一端，其頂端很細(xì)，存在被光線弱化的可能性，造成頂端細(xì)微信息的丟失，使得拍攝到的毛絲長(zhǎng)度小于實(shí)際毛絲長(zhǎng)度。為降低該現(xiàn)象對(duì)檢測(cè)結(jié)果的影響，二值化處理時(shí)需要盡可能呈現(xiàn)毛絲的完整狀態(tài)。由圖6知，閾值為250的二值化處理效果較好，保留了毛絲頂端信息；而閾值為150～225的二值化處理效果與原始圖像相比，均不能完整體現(xiàn)出毛絲的實(shí)際長(zhǎng)度，提取的長(zhǎng)度小于實(shí)際毛絲長(zhǎng)度，易造成漏檢。

2.4 毛絲特征提取

目前，已得到外形輪廓清晰的二值化長(zhǎng)絲圖像，下一步需要提取毛絲疵點(diǎn)。在提取毛絲疵點(diǎn)時(shí)，本文先從圖像中分離長(zhǎng)絲主干，再與長(zhǎng)絲原始圖像進(jìn)行對(duì)比運(yùn)算，最后得到僅含毛絲疵點(diǎn)的圖像。

在提取長(zhǎng)絲主干時(shí)，本文使用數(shù)學(xué)形態(tài)學(xué)[15]處理函數(shù)。數(shù)學(xué)形態(tài)學(xué)是一種從灰度圖像和二值化圖像中提取幾何信息的工具。該方法利用結(jié)構(gòu)元素構(gòu)造圖像運(yùn)算，其運(yùn)算結(jié)果取決于結(jié)構(gòu)元素大小。數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有膨脹、腐蝕、開與閉，利用基本運(yùn)算可保證在維持處理對(duì)象基本形態(tài)下，去除不相干的結(jié)構(gòu)，達(dá)到簡(jiǎn)化圖像數(shù)據(jù)的效果。形態(tài)學(xué)函數(shù)即膨脹、腐蝕、開、閉、適當(dāng)開、適當(dāng)閉、梯度內(nèi)、梯度外以及自動(dòng)中值函數(shù)，其處理毛絲圖像效果如圖7 所示。

圖7 數(shù)學(xué)形態(tài)學(xué)函數(shù)處理的長(zhǎng)絲圖像Fig.7 Filament image processed by mathematical morphology function.(a)Original image；(b)Image enhancement processing；(c)Binarization；(d)Dilate erode；(e)Corrode；(f)Open；(g)Close；(h)Proper open；(i)Proper Close；(j)Gradient in；(k)Gradient out；(l)Auto median

由圖7可知，除膨脹、適當(dāng)開和適當(dāng)閉函數(shù)能夠剔除邊緣毛絲，其他函數(shù)處理效果均不佳。但形態(tài)學(xué)膨脹函數(shù)處理的長(zhǎng)絲主干改變了原本的寬度，使用該函數(shù)易對(duì)后續(xù)提取毛絲圖像造成干擾，所以不適用于本文檢測(cè)方案。目前，形態(tài)學(xué)開函數(shù)與形態(tài)學(xué)適當(dāng)開函數(shù)去除毛絲的效果相差甚小，通過調(diào)節(jié)2種函數(shù)結(jié)構(gòu)元素的尺寸對(duì)比其處理效果。其中結(jié)構(gòu)元素通常為行、列數(shù)相同的奇數(shù)矩陣形式，常見尺寸有3×3、5×5、7×7和9×9等幾種。采用不同尺寸的模板處理效果如圖8所示?？芍?，隨著形態(tài)學(xué)開函數(shù)結(jié)構(gòu)元素尺寸愈大，其腐蝕邊緣小毛刺的效果愈佳。形態(tài)學(xué)適當(dāng)開函數(shù)采用7×7模板時(shí)，邊緣毛絲已剔除很多，但隨著模板尺寸的增大，毛絲長(zhǎng)度較處理前的毛絲長(zhǎng)度呈現(xiàn)增長(zhǎng)趨勢(shì)，因此，該函數(shù)不予采用。綜上所述，檢測(cè)方案采用形態(tài)學(xué)開函數(shù)下13×13 模板完成長(zhǎng)絲主干的提取。

為最終提取僅含毛絲的圖像，本文將二值化處理后的長(zhǎng)絲圖像與長(zhǎng)絲主干圖像進(jìn)行減法運(yùn)算，過濾掉其他無(wú)關(guān)微小粒子，得到目標(biāo)毛絲圖像，如圖9所示。

3 數(shù)據(jù)分析

本文基于毛絲長(zhǎng)度進(jìn)行判定，化纖工廠規(guī)定毛絲長(zhǎng)度超過6 mm時(shí)需要降等。對(duì)6 mm長(zhǎng)度的毛絲進(jìn)行尺寸標(biāo)定，即確定該長(zhǎng)度下圖像中含有多少像素點(diǎn)，以此設(shè)定檢測(cè)閾值。

圖8 不同模板的開函數(shù)與適當(dāng)開函數(shù)處理長(zhǎng)絲圖像的對(duì)比圖Fig.8 Comparison chart of processing filament images with different templates of open(a) and proper open(b) functions

圖9 提取毛絲疵點(diǎn)的處理過程Fig.9 Process of extracting hair defects.(a)Original image；(b)Image enhancement processing；(c)Binarization；(d)Morphological processing；(e)Subtraction operation；(f)Filter processing

單獨(dú)拍攝僅含毛絲的照片難度非常大，本文選擇拍攝1 mm寬度的長(zhǎng)絲(未含任何疵點(diǎn))，記為X1、X2、X3、 X4、 X5、X6、 X7、X8、 X9、X10，經(jīng)過一系列圖像處理后，提取長(zhǎng)絲寬度方向上的像素點(diǎn)數(shù)，確定長(zhǎng)絲實(shí)際寬度與長(zhǎng)絲圖像寬度方向上的像素點(diǎn)數(shù)存在的關(guān)系，最后根據(jù)該關(guān)系推算出實(shí)際長(zhǎng)度為6 mm的毛絲對(duì)應(yīng)的像素點(diǎn)數(shù)，從而得到毛絲的檢測(cè)閾值。處理不同的1 mm長(zhǎng)絲圖像，其寬度方向的像素點(diǎn)數(shù)統(tǒng)計(jì)如表1所示?？芍?，1 mm長(zhǎng)絲圖像寬度方向上的像素點(diǎn)數(shù)平均值為30，故毛絲的檢測(cè)閾值設(shè)定為180。

表1 1 mm長(zhǎng)絲寬度像素點(diǎn)數(shù)Tab.1 1 mm filament width pixels

提取處理后毛絲圖像的長(zhǎng)度信息與檢測(cè)閾值進(jìn)行比較，當(dāng)毛絲長(zhǎng)度像素點(diǎn)數(shù)量超過設(shè)定的檢測(cè)閾值180，則代表存在毛絲。選取滿足降等標(biāo)準(zhǔn)的若干長(zhǎng)絲毛絲樣本，包括278 dtex(48 f)、 467 dtex(96 f)、 930 dtex(192 f)、1 100 dtex(192 f)、2 200 dtex(384 f)、 3 300 dtex(384 f)、5 500 dtex(768 f)，該樣本記為Y1、Y2、Y3、 Y4、 Y5、Y6、 Y7、Y8、 Y9、Y10，對(duì)檢測(cè)方案的驗(yàn)證數(shù)據(jù)如表2所示。

表2 實(shí)驗(yàn)驗(yàn)證數(shù)據(jù)Tab.2 Experimental verification data

以上均為按照人工判斷標(biāo)準(zhǔn)滿足降等要求的毛絲樣本，理論上每組樣本的毛絲像素點(diǎn)數(shù)量應(yīng)該大于180，但第4組數(shù)據(jù)為128，與人工檢測(cè)結(jié)果不相符，檢測(cè)準(zhǔn)確率為90%。實(shí)驗(yàn)發(fā)現(xiàn)，長(zhǎng)絲運(yùn)動(dòng)過程中，由于絲線張力以及摩擦力的影響，毛絲會(huì)夾帶進(jìn)長(zhǎng)絲或者轉(zhuǎn)換成圈絲形態(tài)，導(dǎo)致毛絲像素點(diǎn)數(shù)量小于180，造成漏檢。

4 結(jié) 論

采用LabVIEW圖像處理方法檢測(cè)長(zhǎng)絲的毛絲疵點(diǎn)。首先，經(jīng)過圖像處理得到僅含毛絲的二值化圖像；其次，實(shí)驗(yàn)得出1 mm長(zhǎng)絲實(shí)際寬度與長(zhǎng)絲圖像寬度方向上的像素點(diǎn)數(shù)的關(guān)系，進(jìn)而確定檢測(cè)閾值；最后，將毛絲長(zhǎng)度與檢測(cè)閾值進(jìn)行比較，判斷是否為毛絲達(dá)到檢測(cè)毛絲的目的，具體結(jié)果如下。

1)通過在線檢測(cè)測(cè)試可知，此檢測(cè)方法效果較好，與人工檢測(cè)結(jié)果對(duì)比，準(zhǔn)確率達(dá)到90%以上。相較傳統(tǒng)人工檢測(cè)范圍小、效率低的缺點(diǎn)，該方法能夠消除人工檢測(cè)的弊端。

2) 相比利用光電效應(yīng)、CCD傳感器以及激光衍射原理的檢測(cè)方法，本文采用基于視覺系統(tǒng)的檢測(cè)方法，可視化程度高。通過分析拍攝的毛絲形態(tài)，可以快速查找到漏檢或者多檢的原因，且可操作性好，便于對(duì)算法進(jìn)行優(yōu)化。

3)該檢測(cè)裝置能夠獲取一個(gè)方向上的長(zhǎng)絲狀態(tài)，但無(wú)法拍攝到其他角度存在的毛絲，可能無(wú)法全面呈現(xiàn)毛絲的實(shí)際狀態(tài)，因此，毛絲檢測(cè)裝置還需要繼續(xù)完善，使其能夠拍攝到毛絲各個(gè)角度的真實(shí)形態(tài)，降低漏檢、誤檢的可能性，提高檢測(cè)精度。