摘 要：紗線條干均勻度是評估紗線質(zhì)量和質(zhì)地的重要指標，對紡織品質(zhì)量、性能以及加工工藝有著重要影響，因此準確快速地測定條干均勻度在紡織工業(yè)中具有重要意義。通過回顧國內(nèi)外相關(guān)文獻，綜合討論了電容式、光電式和圖像處理3種條干均勻度檢測技術(shù)，并對各自的研究進展進行了詳細闡述。重點討論了條干均勻度檢測技術(shù)的準確度、評價指標和技術(shù)要領(lǐng)等，分析了影響條干均勻度檢測技術(shù)發(fā)展的相關(guān)因素，并從理論依據(jù)、研究方法和應用評價等角度討論了條干均勻度檢測技術(shù)目前存在的問題，為紡織工業(yè)中的條干均勻度檢測提供一定參考，從而促進紡織行業(yè)的工業(yè)生產(chǎn)和技術(shù)進步。

關(guān)鍵詞：條干均勻度；電容式檢測；光電式檢測；圖像處理檢測；紗線均勻度評價

中圖分類號：TS101.9；TS107

文獻標志碼：A

文章編號：1009-265X（2024）07-0033-09

紗線作為紡織工業(yè)中織物的原材料，其質(zhì)量不僅影響織物成品的外觀、質(zhì)感和舒適度，還直接影響織物的價格和類別。紗線的條干均勻度是評價紗線質(zhì)量的關(guān)鍵指標之一，能夠直觀反映紡織品的外觀質(zhì)量和性能表現(xiàn)，同時對紡織品的后續(xù)加工工藝也有著重要影響，準確快速地測定紗線條干均勻度在整個紡織工業(yè)中具有至關(guān)重要的地位［1］。

目前，條干均勻度的測量技術(shù)主要有3種：電容式檢測技術(shù)、光電式檢測技術(shù)和圖像處理檢測技術(shù)。電容式檢測技術(shù)主要以空氣電容作為傳感元件，能夠相對簡單地獲得紗線的條干均勻度，但由于紗線的含水率和混紡比等因素會影響紗線的介電系數(shù)，使得結(jié)果可能會出現(xiàn)誤差。光電式檢測技術(shù)則利用光束投射到紗線表面，并使用光學傳感器收集相應數(shù)據(jù)進行分析，從而獲得紗線的條干均勻度。然而，這種方法容易受到毛羽和張力等因素的影響，導致結(jié)果出現(xiàn)誤差。圖像處理檢測技術(shù)利用計算機和高分辨率圖像傳感器，通過機器視覺檢測條干均勻度。該技術(shù)與前兩者相比具有更高的精確度。不過，目前圖像處理技術(shù)雖然取得很多研究成果，但仍處于發(fā)展階段，存在檢測速度慢、系統(tǒng)成本高等問題［2］。

本文綜述國內(nèi)外條干均勻度檢測技術(shù)，并詳細探討3種不同技術(shù)的研究進展。針對影響技術(shù)發(fā)展的因素，從理論依據(jù)、研究方法和應用評價等角度進行分析，并指出當前技術(shù)存在的問題。本文為紡織工業(yè)中的條干均勻度檢測提供了有利參考，有助于推動紡織行業(yè)的工業(yè)生產(chǎn)和技術(shù)進步。

1 基本概念

1.1 紗線的基本特征

紗線是紡織品生產(chǎn)不可或缺的一環(huán)，其質(zhì)量與結(jié)構(gòu)直接影響織物的外觀、質(zhì)感、性能等方面。評價紗線好壞的方式主要是通過條干均勻度檢測［3］?，F(xiàn)階段條干均勻度檢測技術(shù)分3種。一是以紗線質(zhì)量直徑為研究對象的電容式檢測技術(shù)；二是以紗線外觀直徑為研究對象的光電式檢測技術(shù)；三是研究紗線外觀直徑的圖像處理檢測技術(shù)。由于紗線截面不呈圓形，且粗細不均勻，因此紗線質(zhì)量直徑更注重于體現(xiàn)該段紗線的平均直徑，而紗線外觀直徑則表達紗線表面的直徑，更符合人眼所觀察到的直觀感受。

1.2 條干均勻度主要評價指標

變異系數(shù)、不勻率、毛羽系數(shù)這3項是條干均勻度評價過程中的主要指標［3］。其中，變異系數(shù)（Coefficient of variation， CV）是對被測紗線提供綜合性評定數(shù)值的指標，CV值越小，說明紗線越均勻，紗線就越好。CVm代表CV值的抑制數(shù)據(jù)，是將不勻的紗線片段過濾掉之后剩下部分的CV值，數(shù)值越小，表明條干越均勻。

紗線片段不勻指紗線特定長度粗細不一致的情況，主要分為短片段不勻、中片段不勻和長片段不勻。短片段不勻主要在前紡機械上產(chǎn)生，若使用短片段不勻率較高的紗線進行織造，容易出現(xiàn)布面疵點，對布面質(zhì)量影響較大。中片段不勻相對另外兩種不勻，織造布面時出現(xiàn)疵點的情況較少，且產(chǎn)生條件和布幅有關(guān)，當二者成一定倍數(shù)時，會呈現(xiàn)明顯的條影和云斑。長片段不勻主要產(chǎn)生于細紗機上，織造布面時會表現(xiàn)出明顯的橫條紋，對布面影響較大。

2 電容式條干均勻度檢測技術(shù)

電容式檢測技術(shù)是一種基于電容變化原理的條干均勻度檢測技術(shù)。其核心原理是通過電容傳感器對紗線的線質(zhì)量變化進行測量，從而得到紗線質(zhì)量直徑。

在電容式檢測中，數(shù)據(jù)的精確度會影響到檢測結(jié)果。使用電容傳感器和信號處理技術(shù)結(jié)合的紗線直徑測量方案對檢測精度有一定的提升，但應用范圍有限，用這種方法評估紗線質(zhì)量（大于6 tex）至少在4 mm范圍內(nèi)時的檢測結(jié)果才可靠［4］。而使用寬度低于8 mm的電容式傳感器，可以準確評估1 mm范圍內(nèi)的紗線質(zhì)量，但在檢測8 mm的紗線樣品時，準確度不如傳統(tǒng)設備，CV值可能為負［5］。針對這一問題，Carvalho等［6］對1 mm范圍內(nèi)的紗線直徑測量方法進行改進，設計了一種基于電容傳感器的實時條干均勻度測量程序，該程序能夠直接測量1 mm范圍內(nèi)的紗線直徑，并且可在一定條件下進行實時檢測。Pinto等［7］使用平行電容傳感器，結(jié)合用于檢測周期誤差的信號處理技術(shù)，設計了測量1 mm范圍內(nèi)紗線條干均勻度的量程系統(tǒng)，該系統(tǒng)減小了測量誤差，實現(xiàn)了紗線的微小變化檢測，且能夠在測量過程完成實時控制，在檢測的精確度和準確度上均有較明顯的提升。

電容式檢測系統(tǒng)包含數(shù)據(jù)采集和處理兩個過程，即采集紗線數(shù)據(jù)并進行分析和計算。Monteiro等［8］提出了一種基于脈沖頻率測定算法，主要用于具有較短占空比的長周期信號，但受內(nèi)存要求和處理時間的制約，所提出的方法在面對大量樣本時很難實現(xiàn)，如果可以應用類似快速傅里葉變換（Fast fourier transform， FFT）的方法，與純數(shù)學方法結(jié)合，檢測性能會得到更進一步的提升。另兩種基于窄帶的FFT模型聚合諧波和基于沃爾什-哈達瑪變換（Walsh-hadamard transform， WHT）的方法，能夠分析被測樣品的數(shù)據(jù)信號波長，從而檢測出常見的紗線瑕疵，兩種方法各有特點，F(xiàn)FT分析方便，但需要大量數(shù)學處理；WHT計算量小，卻需要對所有獲取的樣本進行頻譜分析，這使得分析難度較大［9］。

小波分析法在特定瑕疵檢測上表現(xiàn)出較明顯優(yōu)勢，彌補了FFT無法直接檢測紗線信號的局部頻率變化的缺陷。Liu等［10］提出了一種基于小波分析的紗線棉結(jié)鑒定新方法，該方法能夠高效地鑒定棉結(jié)，鑒定率高達97%。Süle［11］采用小波分析法來預測由于密度空間周期變化引起的紗線扭轉(zhuǎn)水平和捻度的變化，并獲取局部頻率的變化，該研究結(jié)果顯示，對于扭轉(zhuǎn)水平的預測，相對平均誤差僅為1.6%，而對于捻度變化的預測，相對平均誤差較高，為37%，因此，該方法在預測扭轉(zhuǎn)水平方面表現(xiàn)出較高的精度，但在捻度變化的預測方面存在一定的誤差。

由于現(xiàn)有紗線瑕疵檢測方法特征提取困難和特征提取準確率低，孫通等［12］提出了一種基于時頻特征學習的分布式紗疵檢測方法，在識別精度上比傳統(tǒng)方法高10%左右，平均檢測耗時僅為傳統(tǒng)方法的1/5。楊蕓等［13］在電容式檢測技術(shù)的基礎上，提出一種基于異構(gòu)集成學習的紗疵定量分析方法，該方法比其他單模型回歸擬合方法的檢測準確率提升約10%。Wang等［14］開發(fā)了半監(jiān)督序列高斯混合自動編碼器模型，并結(jié)合Seq2Seq模型來預測和分類CV值，不同的是，該模型一定程度上實現(xiàn)了條干均勻度的在線檢測，其檢測速度達到了6000 m/min，而檢測的準確度也在85%以上。

電容式檢測常用的傳感器類型有圓柱形電容傳感器和平行板電容傳感器［15］?？紤]到紡紗技術(shù)、纖維類型和纖維比例對紗線直徑有顯著影響，Ishtiaque等［16］提出了一種新的經(jīng)驗模型，該模型在很大程度上考慮了影響紗線直徑的參數(shù)，包括紗捻、紡紗技術(shù)、纖維類型等，因此能夠更準確地預測紗線直徑，但由于多維參數(shù)的引入，計算難度增加，檢測速度降低。Gurkan［17］提出了一種基于差分平行板法的電容式檢測電路，可以測量紗線不規(guī)則性，并且和常見的平行板電容器對比，檢測性能更好。周彬等［18］設計一種同步測試紗線長、短片段不勻率的測試裝置，解決了以往紗線長、短片段不勻率需要分步測試且測試紗樣不是同一段紗線的問題，且該裝置在條干均勻度等項目的檢測結(jié)果與傳統(tǒng)商業(yè)儀器相比并無明顯劣勢。

現(xiàn)階段電容式檢測技術(shù)在紡織工業(yè)生產(chǎn)中應用最為廣泛，目前國際上主流的Uster條干儀、國內(nèi)蘇州長風生產(chǎn)的條干儀等大多使用電容式檢測技術(shù)來測量條干均勻度，國內(nèi)外主要條干儀設備如表1所示。電容式檢測技術(shù)方法簡單、速度快，且適用于不同形狀的紗線，在檢測具有高介電系數(shù)的紗線（棉、麻等）時具有明顯優(yōu)勢。因此在傳統(tǒng)紡織行業(yè)的高速生產(chǎn)線上，電容式檢測技術(shù)有更優(yōu)秀的表現(xiàn)，對紡紗生產(chǎn)的各個過程具有很大的指導意義。

電容式檢測技術(shù)也存在一些局限性，例如不適用于含有導電纖維（金屬絲、碳纖維等）的紗線，對環(huán)境干擾敏感（電磁干擾、環(huán)境濕度干擾等），且較難檢測毛羽等微小瑕疵。另外，由于電容式測量條干均勻度關(guān)注紗線的內(nèi)在質(zhì)量，對纖維抱合的緊密與疏松程度（即紗線外觀）不敏感，導致檢測結(jié)果與人眼觀察到的結(jié)果存在一定差異，與織物最終的質(zhì)量相關(guān)性不夠強。

3 光電式條干均勻度檢測技術(shù)

光電式檢測技術(shù)是一種基于光電效應原理的紗線條干均勻度檢測技術(shù)，其主要通過光電傳感器測量紗線的外觀直徑，這與紗線織物的產(chǎn)品布面狀況較為相關(guān)［19］。

在紡織工業(yè)中，光學傳感器及相關(guān)系統(tǒng)被廣泛應用于紗線數(shù)據(jù)采集和質(zhì)量評估的研究，這些研究不斷推進，以提高紗線質(zhì)量的檢測能力。Roy等［20］開發(fā)了一種帶有光學傳感器的低成本高分辨率紗線特征表征設備，用于測量紗線平均直徑、直徑的變化量、紗線質(zhì)量的變化程度、紗線瑕疵、與紗芯特定距離處的毛羽數(shù)量、單次運行的平均絕對偏差和變異系數(shù)，該設備制造成本比商業(yè)儀器更低，分辨率提高了8倍，且提供紗芯的絕對質(zhì)量和直徑等信息，但檢測速度相較于商業(yè)檢測設備減慢近40倍。Zhou等［21］設計并開發(fā)了一種同步測量重量和長度的測試裝置，使紗線可連續(xù)、可回收、可重復使用，相比于傳統(tǒng)儀器的通過長度計算來切割和測量重量的過程具有明顯優(yōu)勢。

Qin等［19］結(jié)合現(xiàn)代控制理論和紡織技術(shù)原理，采用雙電荷耦合器件（Charge Coupled Device， CCD）并行排列方案，設計了一套控制系統(tǒng)，對測量數(shù)據(jù)進行實時采集和處理。在此基礎上，Qin［22］對原有系統(tǒng)進行升級，使用2.5×105像素的CCD，可以更輕松地獲得紗線的條干均勻度。然而，該系統(tǒng)忽略了現(xiàn)場環(huán)境的細節(jié)影響，并且沒有解決CCD采樣頻率較低的限制。為了解決上述問題，Li等［23］采用了雙軸向正交CCD傳感器的設計思想，在室溫為（20±2） ℃，濕度為（65±2）%的環(huán)境條件下搭建了一套條干均勻度檢測系統(tǒng)，并與Uster Tester 5進行了對比驗證，實驗結(jié)果顯示，該系統(tǒng)的采樣頻率是Uster Tester 5的4倍，檢測結(jié)果與Uster Tester 5具有較高的一致性，特別是在檢測具有近似橢圓形不規(guī)則截面的紗線時，該系統(tǒng)的測量結(jié)果更為準確。

Carvalho等［24］使用相干光信號處理技術(shù)來測量紗線毛羽，并對傳統(tǒng)商業(yè)機器測得的毛羽參數(shù)進行了量化處理。在此研究基礎上，Carvalho等［25］使用單個光電二極管和附加電子設備，結(jié)合相干光信號處理方法，實現(xiàn)紗線直徑變化的測量，該方法可以量化與直徑相關(guān)的紗線瑕疵，且不依賴光源相干性，可以適用于各種不同類型的光源，但測量結(jié)果易受紗線毛羽影響，導致檢測性能下降。因此Carvalho等［26］提出了一種紗線直徑和毛羽系數(shù)測定方案，結(jié)合了光學傳感器和基于傅里葉分析的集成光信號處理技術(shù)，與平行板電容式傳感器進行了比對，結(jié)果顯示，僅使用光學傳感器就能夠準確地對紗線進行表征，同時降低了系統(tǒng)的成本和復雜性，并提高了測量效率。

為了實現(xiàn)紗線瑕疵的測量與分類，Yadav等［27］開發(fā)了一種紗線缺陷系統(tǒng)用于測量條干均勻度，并根據(jù)紗線的幾何尺寸對紗線的瑕疵進行了分類，在±35%的靈敏度水平下，細紗的平均紗疵長度較高，而在±50%的靈敏度水平下，平均紗疵長度較低。此外，Yan等［28］設計了一種基于光學反射的設備，用于紗線瑕疵檢測，該設備通過增強微弱信號，能夠有效地檢測紗線的瑕疵情況，并成功應用于自動經(jīng)編機斷紗檢測。Chaitavon等［29］提出并設計了一種光學檢測系統(tǒng)，可以同時評價紗線的直徑、纖度和顏色變化的均勻性。Alikhonov［30］設計了自動控制和穩(wěn)定棉帶重量的裝置，該裝置使用光電方法檢測紗線的線密度，實現(xiàn)從紗線的生產(chǎn)端提高紗線質(zhì)量的目的。

Abdolkarim等［31］將光學和電子顯微鏡結(jié)合，研究靜電紡絲納米纖維的外貌和橫截面形狀，從而對紗線的均勻度進行評價。而Wang等［32］通過3D激光掃描共聚焦顯微鏡掃描樣品的橫截面，得到合成激光圖像，進而獲得被測樣品單紗的單絲直徑，實驗結(jié)果表明，合成激光法可以測量90%以上的單絲直徑，與傳統(tǒng)方法測得的直徑數(shù)據(jù)相差不超過2%。

光電式檢測技術(shù)具有非接觸、高精度、高速度等優(yōu)點，對紗線材料和結(jié)構(gòu)的依賴性較小，能夠檢測絕大部分紗線品種（包括含導電纖維紗線），并且對除光照條件以外的環(huán)境因素（例如環(huán)境溫濕度）敏感度較低。另外，光電式檢測條干均勻度偏重外形尺寸，測得的結(jié)果與傳統(tǒng)黑板條干法符合度較高，同人眼直觀感受較為一致，和織物成品質(zhì)量相關(guān)性較好。因此光電式檢測特別適合識別紗疵、毛羽、混色、異纖、斷紗等會影響紗線透光性或反射性的質(zhì)量問題。

然而，光電式檢測的測量結(jié)果通常受光源等較多因素影響，使其在分析條干不勻時較為困難。此外，紗線的抖動還會使被測紗線偏離光電接收單元的中心位置，對檢測結(jié)果也會產(chǎn)生一定的影響。

4 圖像處理條干均勻度檢測技術(shù)

圖像處理檢測技術(shù)是當下條干均勻度檢測方向的熱門研究領(lǐng)域，主要通過計算機視覺對紗線圖像進行處理和分析，從而計算出條干均勻度。

目前，已有多種基于圖像處理技術(shù)的方法來檢測和評估不同的紗線瑕疵，如Guo等［33］借助計算機視覺的方法測量紗線毛羽，Sule［34］使用傅立葉光學方法獲取紗線背光非相干照明的特征參數(shù)，Wang等［35］通過分析黑板上紗線外觀預測紗線的毛羽系數(shù)等。而Li等［2］提出了一種新方法，定義了直徑圖像處理單元（Diameter image processing unit， DIPU），通過調(diào)整DIPU的參數(shù)應對不同的紗線特征，從而更加靈活地實現(xiàn)紗線評價。Wu等［36］設計并實現(xiàn)了基于圖像處理的紗線毛羽儀，以滿足毛羽定位的需要，與Uster Zweigle HL400毛羽度測試儀相比，紗線在400 m/min檢測速度條件下，毛羽儀所測得的毛羽系數(shù)相對偏差率僅為6.2%，并且該設計的測試數(shù)據(jù)離散程度小，檢驗重復性好，穩(wěn)定性優(yōu)秀。Khaddam等［37］提出了一種基于數(shù)字圖像處理和神經(jīng)網(wǎng)絡的新方法，用于確定棉紗直徑，與使用經(jīng)驗公式計算的結(jié)果相比，誤差更小。Abdelkader［38］提出了一種簡便的基于圖像處理算法的方法，可測量紗線直徑和單個纖維直徑，適用于顯微數(shù)字圖像。Haleem等［39］開發(fā)了一種在線紗線條干均勻度測試系統(tǒng)，采用Viola-Jones目標檢測算法實時檢測棉結(jié)，該方法的棉結(jié)檢測成功率達92%。Chen等［40］使用圖像處理來進行斷紗檢測，處理一張圖片的時間約為1 ms，遠小于標準的10 ms。而Idzik等［41］則利用過濾、自適應閾值和形態(tài)轉(zhuǎn)化等技術(shù)，檢測800 tex及以下紗線的斷裂情況，從而保證紗線的生產(chǎn)質(zhì)量。

針對已采集圖像的處理也是檢測步驟的關(guān)鍵一環(huán)。自適應中值濾波去噪算法［42］、亞像素邊緣檢測算法［1］、改進的Canny邊緣檢測算法［43］等在這一過程中有較為突出的性能表現(xiàn)。而Zhang等［44］則是從不同角度出發(fā)，提出一種基于主成分分析（Principal component analysis， PCA）和自動相關(guān)確定（Automatic relevance determination， ARD）的貝葉斯算法P-ARD，以克服工廠數(shù)據(jù)樣本少、參數(shù)多、參數(shù)間共線性強等問題，實驗結(jié)果表明，P-ARD比傳統(tǒng)的基于ARD的貝葉斯方法具有更好的預測能力。除此以外，結(jié)合神經(jīng)網(wǎng)絡的圖像處理方式也開始逐漸得到了應用，包括基于深度學習的知識增強輪廓檢測方法［45］以及基于廣義回歸神經(jīng)網(wǎng)絡的預測方法［46］。其中，基于廣義回歸神經(jīng)網(wǎng)絡的研究有較為明顯的進展。Jiang等［47］提出了一種基于寬度學習的多層神經(jīng)網(wǎng)絡，稱為廣多層神經(jīng)網(wǎng)絡。Zhang等［48］提出一種基于廣義回歸神經(jīng)網(wǎng)絡和傳統(tǒng)神經(jīng)網(wǎng)絡模型的紗線不均勻性預測方法，設計了包含三層神經(jīng)網(wǎng)絡、四層神經(jīng)網(wǎng)絡、五層神經(jīng)網(wǎng)絡和廣義回歸神經(jīng)網(wǎng)絡的紗線條干均勻度檢測模型。對比結(jié)果顯示廣義回歸神經(jīng)網(wǎng)絡的平均相對誤差降低了0.57%，運行速度提高了74.70%，綜合性能優(yōu)于最好的四層神經(jīng)網(wǎng)絡。

除上述方法以外，使用深度置信神經(jīng)網(wǎng)絡的方法［49］以及使用基于L0范數(shù)平滑和期望最大化的方法［50］，在對紗線圖像進行直徑預測，從而計算出條

干均勻度的表現(xiàn)上，呈現(xiàn)出較強的技術(shù)可擴展性和較高的檢測效率。此外，陶靜等［51］針對紗線高速回轉(zhuǎn)、毛羽交織導致的紗線輪廓特征難以準確提取的問題，提出了深度學習與形態(tài)學運算融合的在線提取方法，實現(xiàn)了毛羽干擾下的紗線輪廓準確提取，該方法在CV值測量方面與CT3000條干儀進行了對比，平均誤差小于4%，但對單組管紗的測量穩(wěn)定性不高，CV值測量精確率最高為99%，最低為92%。

為了得到更為優(yōu)質(zhì)的紗線，Liyakat等［52］提出從紗線中精確地檢測更多的除長度和直徑以外的紗線數(shù)據(jù)，例如紗線的規(guī)律性、毛羽、顏色變化、污染物等，這利于制造各種不同特性的變體紗線，這為檢測工作提供了一個新的研究思路。Ma等［53］設計了三維紗線條干均勻度檢測方法，測量結(jié)果與Uster Tester 5對比，CV值的相關(guān)系數(shù)達到了94.4%，直徑的相關(guān)系數(shù)為75.9%，并且由于3D檢測的特點，該方法可以反映紗線的結(jié)構(gòu)特征，能夠從不同角度去獲得更多的紗線細節(jié)。而Pereira等［3］提出了集成計算機視覺系統(tǒng)的機電原型，該模型能夠?qū)崟r分析和分類紗線毛羽等參數(shù)，確定紗線質(zhì)量分析固有的其他特征，如線直徑、捻度、平均質(zhì)量偏差、變異系數(shù)、毛羽系數(shù)等，并執(zhí)行光譜分析，與Uster Tester 3的條干均勻度檢測對比結(jié)果表明，該模型在測量CV值時存在9%左右的誤差。Caldas等［54］提出了一種自動放卷和絡筒系統(tǒng)，該系統(tǒng)不僅體積小、重量輕，而且能夠檢測紗線的多種數(shù)據(jù)，包括紗線捻度以及相對紗芯的毛羽位置，但在檢測紗線變異系數(shù)方面，該系統(tǒng)的檢測精度與Uster條干儀相比，仍具有6%左右的誤差率。

較前兩種檢測方式，圖像處理檢測技術(shù)的檢測精度更高，且不同于光電式檢測技術(shù)，圖像處理的研究對象是紗線的主干圖像，而不是光電傳感器所得到的電信號，因此可以獲得更多的外觀信息，從而進行更為直觀的評價以及更為準確的預測。在上述優(yōu)勢條件下，圖像處理檢測不僅可以檢測絕大多數(shù)類型紗線，而且在檢測紗線的外觀質(zhì)量、顏色、紋理等方面以及高精度檢測具有顯著優(yōu)勢。此外，圖像處理檢測還可以通過軟件實現(xiàn)條干均勻度檢測的自動化和智能化，降低人工成本和誤差率。

然而，目前所搭建的圖像處理檢測系統(tǒng)多采用先采集后處理的方案，對實時檢測沒有深入探討，這對檢測的連續(xù)性有較大的影響，系統(tǒng)的完整性以及檢測速度難以提高，阻礙了圖像處理檢測條干均勻度的商業(yè)化、工業(yè)化發(fā)展。

5 技術(shù)對比

近幾年最新的檢測技術(shù)誤差對比如表2所示。從表2可以看出，圖像處理檢測設計的檢測誤差小于電容式檢測和光電式檢測，這表明圖像處理在條干均勻度檢測的準確性方面具有明顯優(yōu)勢。電容式檢測的兩項設計誤差相對較高，但檢測速度有明顯優(yōu)勢，特別是設計2實現(xiàn)了在線檢測，檢測速度高達6000 m/min。光電式檢測的誤差大小居于二者之間，略小于圖像處理的檢測誤差，但檢測方式為動態(tài)采集數(shù)據(jù)，這區(qū)別于圖像處理的靜態(tài)獲取圖像方式，具有實時檢測的優(yōu)勢。

不同檢測技術(shù)的優(yōu)缺點對比如表3所示。電容式檢測技術(shù)有簡單、快速、低成本等優(yōu)點，適用于不同類型的紗線，但檢測結(jié)果與實際觀測存在偏差。光電式檢測技術(shù)對毛羽等細節(jié)缺陷敏感，但容易受光源和環(huán)境光影響。圖像處理檢測技術(shù)具有靈活的分析方式，多樣的特征數(shù)據(jù)獲取類型，檢測精度高，但需要高分辨率攝像設備和圖像處理軟件，成本高，且連續(xù)性差、檢測速度慢，工業(yè)化和商業(yè)化應用仍需進一步研究。

6 結(jié)論與展望

本文綜述了電容式、光電式、圖像處理3種主要的條干均勻度檢測技術(shù)，介紹了紗線條干均勻度的測量方法以及和紗線、織物質(zhì)量之間的關(guān)系，總結(jié)了近年來這3種技術(shù)在條干均勻度檢測等紡織工業(yè)領(lǐng)域的應用情況，并對3種不同技術(shù)之間存在的優(yōu)缺點進行了對比，主要得出了以下結(jié)論：

a）電容式檢測技術(shù)簡單快速，但檢測結(jié)果與織物質(zhì)量相關(guān)性不高。

b）光電式檢測技術(shù)對微小瑕疵有高敏感度，檢測結(jié)果與織物質(zhì)量相關(guān)性高，但易受外界光干擾，并且分析條干不勻的原因也較為困難。

c）圖像處理檢測技術(shù)精度高，能夠獲取更全面的外觀信息，但設備成本和算法要求較高，且目前相關(guān)的檢測系統(tǒng)完整性較差。

為了提高不同檢測方式在不同環(huán)境和材料下的性能，未來需要在不同層面上進一步結(jié)合生產(chǎn)中的各個環(huán)節(jié)，以建立完整的條干均勻度評價體系。在設備層面，需要研發(fā)更為精準且穩(wěn)定的檢測儀器。在算法層面，應專注于開發(fā)更高效且準確的圖像和數(shù)據(jù)處理算法。在系統(tǒng)架構(gòu)層面，需要構(gòu)建更智能和自動化的評價體系。此外，綜合運用多種技術(shù)手段，實現(xiàn)優(yōu)勢互補也是未來的重要研究方向。例如，可以結(jié)合電容和光電檢測方法。首先，利用電容式檢測對紗線的質(zhì)量和直徑進行初步測量，獲取大致的條干均勻度信息；然后，使用光電式檢測對紗線的微小瑕疵，如毛羽等進行進一步檢測。通過這種方式，既能有效指導紡紗生產(chǎn)，又能增強檢測結(jié)果與織物質(zhì)量之間的相關(guān)性。通過充分發(fā)揮各自的優(yōu)點，可以提高檢測的全面性和準確性。此外，將人工智能和機器學習技術(shù)引入條干均勻度檢測中，通過大量數(shù)據(jù)的訓練，實現(xiàn)自動識別和評估，從而降低人工成本和檢測誤差，這也是一個充滿潛力的研究方向。

參考文獻：

［1］ZHANG H H， ZHAO Y， JING J F， et al. Yarn evenness measurement based on sub-pixel edge detection［J］. Journal of Textile Research， 2020， 41（5）： 45-49.

［2］LI Z S， ZHONG P， TANG X， et al. A new method to evaluate yarn appearance qualities based on machine vision and image processing［J］. IEEE Access， 2020， 8： 30928-30937.

［3］PEREIRA F， MACEDO A， PINTO L， et al. Intelligent computer vision system for analysis and characterization of yarn quality［J］. Electronics， 2023， 12（1）： 236.

［4］PINTO J， MONTEIRO J， VASCONCELOS R， et al. A new system for direct measurement of yarn mass with 1mm accuracy［C］ //2002 IEEE International Conference on Industrial Technology， 2002. IEEE ICIT'02. Bankok， Thailand. IEEE， 2002， 2： 1158-1163.

［5］CARVALHO V， PINTO J， MONTEIRO J， et al. Yarn parameterization based on mass analysis［J］. Sensors and Actuators A： Physical， 2004， 115（2/3）： 540-548.

［6］CARVALHO V， PINTO J， MONTEIRO J， et al. On-line measurement of yarn evenness［C］//2003 IEEE International Symposium on Industrial Electronics （Cat. No.03TH8692）. Rio de Janeiro， Brazil. IEEE， 2003， 2： 1059-1064.

［7］PINTO J， CARVALHO V， MONTEIRO J， et al. Yarn-mass measurement with 1-mm-length samples［J］. IEEE Transactions on Industrial Electronics， 2007， 54（2）： 1177-1183.

［8］MONTEIRO J， COUTO C. Pulse frequency calculation and estimation in yarn evenness analysis［C］//Proceedings of IECON'95-21st Annual Conference on IEEE Industrial Electronics. Orlando， FL， USA. IEEE， 1995， 2： 985-989.

［9］CARVALHO V， MONTEIRO J， VASCONCELOS R， et al. Yarn mass analysis with 1 mm capacitive sensors［C］//2004 IEEE International Symposium on Industrial Electro-nics. Ajaccio， France. IEEE， 2004， 1： 633-638.

［10］LIU S G， QU P G. Inspection of yarn nep based on wavelet analysis［C］//2007 8th International Conference on Electronic Measurement and Instruments. Xi'an， China. IEEE， 2007： 3-817-3-820.

［11］SULE I. Characterization of twist of fancy yarns using wavelet analysis of sensor signal［J］. Textile Research Journal， 2020， 90（23/24）： 2592-2612.

［12］孫通， 楊蕓， 楊耀， 等. 基于時頻特征學習的分步式紗疵檢測方法［J］.東華大學學報（自然科學版）， 2022， 48（5）：25-34.

SUN Tong， YANG Yun， YANG Yao， et al. A stepwise method of yarn defect detection based on time-frequency feature learning［J］. Journal of Donghua University （Natural Science）， 2022， 48（5）：25-34.

［13］楊蕓， 孫通， 梁振宇， 等. 基于異構(gòu)集成學習的棉紗紗疵定量分析方法［J］. 紡織學報， 2023， 44（5）： 93-101.

YANG Yun， SUN Tong， LIANG Zhenyu， et al. Quantitative analysis method of cotton yarn defects based on heterogeneous ensemble learning［J］. Journal of Textile Research， 2023， 44（5）： 93-101.

［14］WANG S， YU J， LI Z， et al. Semisupervised classification with sequence Gaussian mixture variational autoencoder［J］. IEEE Transactions on Industrial Electronics， 2024， 71（9）： 11540-11548.

［15］YAN G， YAO E T， HUANG S C， et al. The research on high sensitivity and anti-saturation of capacitance sensors for measuring yarn evenness［C］//2016 10th International Conference on Sensing Technology （ICST）. Nanjing， China. IEEE， 2016： 1-6.

［16］ISHTIAQUE S M， DAS A. A new approach of prediction of yarn diameter［J］. Fibers and Polymers， 2013， 14（5）： 838-843.

［17］GURKAN K. Capacitive measurement circuit design for yarn unevenness analysis： Mathematical approach and realization ［J］. Süleyman Demirel niversitesi Fen Bilimleri Enstitüsü Dergisi， 2020， 24（1）： 5-11.

［18］周彬， 王慧玲， 周紅濤， 等.同步測量線密度的紗線條干測試系統(tǒng)研究［J］.棉紡織技術(shù)，2021，49（8）：26-29.

ZHOU Bin， WANG Huiling， ZHOU Hongtao， et al. Study on yarn evenness test system for synchronous test linear density［J］.Cotton Textile Technology， 2021，49（8）：26-29.

［19］QIN W G， HUANG Q L， YANG G Y， Application of on-line yarn evenness measurement through CCD image sensors［C］//2010 International Conference on Computer Application and System Modeling （ICCASM 2010）. Taiyuan， China. IEEE， 2010， 6： V6-112-V6-115.

［20］ROY S， SENGUPTA A， SENGUPTA S. Performance study of optical sensor for parameterization of staple yarn［J］. Measurement， 2017， 109： 394-407.

［21］ZHOU B， WANG H L， WANG K， et al. Nondestructive test technology research for yarn linear density unevenness［J］. Autex Research Journal， 2023， 23（1）： 132-141.

［22］QIN W G. On-line yarn evenness detection using CCD image sensor［C］//2011 Chinese Control and Decision Conference （CCDC）. Mianyang， China. IEEE， 2011： 1787-1790.

［23］LI G Z， AKANKWASA N T， ZHAO Q， et al. A novel system for yarn cross-section analysis based on dual orthogonal CCD sensors［J］. Journal of Natural Fibers， 2019， 16（1）： 114-125.

［24］CARVALHO V H， CARDOSO P J， VASCONCELOS R M， et al. Optical yarn hairiness measurement system［C］//2007 5th IEEE International Conference on Industrial Informatics. Vienna， Austria. IEEE， 2007， 1： 359-364.

［25］CARVALHO V H， BELSLEY M， VASCONCELOS R M， et al. A comparison of mass parameters determination using capacitive and optical sensors［J］. Sensors and Actuators A： Physical， 2011， 167（2）： 327-331.

［26］CARVALHO V H， CARDOSO P J， BELSLEY M， et al. Yarn diameter measurements using coherent optical signal processing［J］. IEEE Sensors Journal， 2008， 8（11）： 1785-1793.

［27］YADAV V K， ISHTIAQUE S M， JOSHI S D， et al. Diametric unevenness and fault classification of yarn using newly developed diametric fault system［J］. Fibers and Polymers， 2017， 18（10）： 2018-2033.

［28］YAN N， ZHU L L， YANG H M， et al. Online yarn breakage detection： A reflection-based anomaly detection method［J］. IEEE Transactions on Instrumentation Measurement， 2021， 70： 1-13.

［29］CHAITAVON K， SUMRIDDETCHKAJORN S， KAMTONGDEE C， et al. Optical sensing system for real-time physical quality evaluation of hand reeled silk yarn［J］. IEEE Journal of Selected Topics in Quantum Electronics， 2021， 27（6）： 1-8.

［30］ALIKHONOV E J. Determination of linear density of cotton ribbons by photoelectric method［J］. Science and Education， 2021， 2（11）： 461-467.

［31］ABDOLKARIM HOSSEINI RAVANDI S， ALI ABUZADE R. Objective evaluation of fibrous thread using optical sensors［J］. International Journal of Sensors Wireless Communications and Control， 2013， 2（3）： 168-172.

［32］WANG X， LIAO S Q， HU L Z， et al. A simple method for measuring the monofilament diameter of continuous filament yarn with high bending stiffness via synthetic laser imaging［J］. Science and Engineering of Composite Materials， 2022， 29（1）： 312-321.

［33］GUO M R， GAO W D， WANG J A. Online measurement of sizing yarn hairiness based on computer vision［J］. Fibers and Polymers， 2023， 24（4）： 1539-1552.

［34］SULE I. Inspection and feature specification of the fancy yarns using diffraction limited incoherent imaging［J］. Measurement， 2020， 163： 107924.

［35］WANG L， LU Y C， PAN R R， et al. Evaluation of yarn appearance on a blackboard based on image processing［J］. Textile Research Journal， 2021， 91（19/20）： 2263-2271.

［36］WU C L， HU G， QIU X M， et al. Design and implementation of new high-speed yarn hairiness instrument［J］. Cotton Textile Technology， 2022， 50（611）： 44.

［37］KHADDAM H S， AHMAD G G. A method to evaluate the diameter of carded cotton yarn using image processing and artificial neural networks［J］. The Journal of The Textile Institute， 2022， 113（8）： 1648-1657.

［38］ABDELKADER M. MATLAB algorithms for diameter measurements of textile yarns and fibers through image processing techniques［J］. Materials， 2022， 15（4）： 1299.

［39］HALEEM N， BUSTREO M， DEL BUE A. A computer vision based online quality control system for textile yarns［J］. Computers in Industry， 2021， 133： 103550.

［40］CHEN Y M， YU T， WAN K， et al. Real-time detection of the broken thread of textile products［C］//2021 IEEE International Conference on Advances in Electrical Engineering and Computer Applications （AEECA）. Dalian， China. IEEE， 2021： 988-991.

［41］IDZIK M， RYBICKI T. Real-time yarn breakage detection in the warping machine［J］. IEEE Access， 2023， 11：47501-47509.

［42］WANG X， HOU R M， GAO X Y， et al. Research on yarn diameter and unevenness based on an adaptive median filter denoising algorithm［J］. Fibres and Textiles in Eastern Europe， 2020， 28（1）： 36-41.

［43］ZHANG H H， CHENG S K， ZHAO Y， et al. Measurement of yarn apparent evenness based on modified Canny edge detection［J］. The Journal of The Textile Institute， 2023： 1-7.

［44］ZHANG B W， SONG J X， WANG Y H， et al. Yarn strength CV prediction using principal component analysis and automatic relevance determination on Bayesian platform［J］. Journal of The Institution of Engineers （India）： Series E， 2021， 102（2）： 189-202.

［45］XU C Q， WANG J L， TAO J， et al. A knowledge augmented deep learning method for vision-based yarn contour detection［J］. Journal of Manufacturing Systems， 2022， 63： 317-328.

［46］JIANG H， SONG J X， ZHANG B W， et al. Yarn unevenness prediction using generalized regression neural network under various optimization algorithms［J］. Journal of Engineered Fibers and Fabrics， 2022， 17： 15589250221093019.

［47］JIANG H， SONG J X， ZHANG B W， et al. Prediction of yarn unevenness based on BMNN［J］. Journal of Engineered Fibers and Fabrics， 2021， 16： 15589250211037978.

［48］ZHANG B W， XU L， WANG Y H. Yarn unevenness prediction using generalized regression neural network［J］. Journal of Internet Technology， 2023， 24（3）： 775-781.

［49］MUTHUSAMY R S， SUMATHI B. Prediction of yarn quality by deep belief neural network. ［J］ Journal of Hunan University （Natural Science）， 2022， 49（1）.

［50］ZHANG H H， ZHU H C， YAN K， et al. Yarn apparent evenness detection based on L0 norm smoothing and the expectation maximization method［J］. Textile Research Journal， 2023， 93（1/2）： 422-433.

［51］陶靜， 汪俊亮， 徐楚橋， 等. 基于視覺校準的環(huán)錠紡細紗條干特征在線提取方法［J］. 紡織學報， 2023， 44（4）： 70-77.

TAO Jing， WANG Junliang， XU Chuqiao， et al. Feature extraction method for ring-spun-yarn evenness online detection based on visual calibration［J］. Journal of Textile Research， 2023， 44（4）： 70-77.

［52］LIYAKAT K K S， WARHADE N S， POL R S， et al. Yarn quality detection for textile industries using image processing［J］. Journal of Algebraic Statistics， 2022， 13（3）： 3465-3472.

［53］MA Y J， ZUO X H， WANG L， et al. Three-dimensional measurement of yarn evenness using mirrored images［J］. Measurement， 2022， 191： 110834.

［54］CALDAS P， SOUSA F， PEREIRA F， et al. Automatic system for yarn quality analysis by image processing［J］. Journal of the Brazilian Society of Mechanical Sciences and Engineering， 2022， 44（11）： 565.

Research progress on detection of yarn evenness

GENG" Cong1a，2 ，" WANG" Chengqun1a，2，" XU" Weiqiang1，2

（1a.College of Information Science and Engineering; 1b.College of Textile Science and Engineering，

Zhejiang Sci-Tech University， Hangzhou 310018， China; 2.Key Laboratory of Intelligent Textile

and Flexible Interconnection of Zhejiang Province， Hangzhou 310018， China）

Abstract：

The evenness of yarn is an important parameter for evaluating the quality and texture of yarn. Therefore， the accurate and rapid measurement of yarn evenness occupies a very important position in the entire textile industry. Currently， there are three main techniques used for measuring yarn evenness： capacitive detection， optical detection， and image processing detection. This article describes the basic characteristics of yarn， introduces the evaluation indicators for measuring yarn evenness， and provides a comprehensive overview of the design principles and basic structures of these three different techniques for measuring yarn evenness. Additionally， the article summarizes the research directions of each technique， presents and analyzes the research achievements of these three techniques in different areas， and summarizes their advantages， limitations， and applicable scenarios. Furthermore， considering the current development of yarn evenness measurement techniques， the article explores the future prospects and directions for the development of these three techniques.

The progress of the textile industry is driving the upgrade and iteration of yarn evenness detection technology. Traditional methods for evenness detection are no longer able to meet the high-precision and high-speed requirements in industrial applications. Among the three main technologies， capacitive detection is the most widely used and applied in mainstream evenness detection instruments. Capacitive detection primarily utilizes air capacitance as a sensing component to obtain the evenness index of the yarn relatively easily. However， this method can introduce errors due to variations in moisture content and blending ratio of the yarn. With the advancement of high-precision optical sensors， optical detection has gained wider application. Optical detection involves projecting a light beam onto the surface of the yarn and using optical sensors to collect corresponding data for analysis， thereby obtaining the evenness of the yarn. This method is susceptible to errors caused by factors such as hairiness and tension. On the other hand， the method based on digital image processing utilizes computers and high-resolution image sensors to perform detection using machine vision. It can provide relatively accurate measurements of yarn evenness and detect yarn defects that may not be easily identified by the previous two methods. However， challenges such as slow detection speed and high system architecture costs currently limit its ability to accurately measure the evenness of high-speed moving yarn.

The textile industry plays a crucial role in the national economy. As a pillar industry supporting economic and social development， it not only serves as the foundation industry for meeting people's living needs and improving their quality of life but also represents an advantageous industry for international cooperation and integration. In this context， the rapid and accurate assessment of yarn evenness has significant implications for the healthy development of the textile industry. This article analyzes three widely used techniques for measuring yarn evenness： capacitive detection， optical detection， and image processing detection. It summarizes their respective technical characteristics and makes comparisons among them. Each technique has its unique advantages and limitations. Future research should focus on further optimizing these techniques， starting from practical needs， to improve detection speed， precision， accuracy， and stability. It should also address the upcoming technical challenges to achieve more accurate， efficient， and automated measurement of yarn evenness. In addition， it is worth considering the integration of different techniques to form a diversified system for measuring yarn evenness， catering to the needs of different stages in textile production. For example， by leveraging industrial Internet of Things （IoT） technology， an open digital infrastructure can be designed to collect the maximum value from data gathered throughout the production process through machine networking and integration of information flow from the workshop to the cloud. Ultimately， the development and application of these technologies will contribute to improving the quality and efficiency of textile production， driving the overall development of the textile sector.

Keywords：

yarn evenness; capacitive detection; optical detection; image processing detection; yarn evenness evaluation