基于機器視覺的紗線管顏色和紗線量識別研究

作者 盧萌萌1 安俊峰2 孫麗萍1 崔英英1 1.山東勞動職業技術學院(山東 濟南 250000)2.濟南軌道交通集團有限公司(山東 濟南 250000)

　　盧萌萌(1989-)，女，碩士，研究方向：電力電子與電力傳動、模式識別及圖像處理。

摘要：機器視覺能幫助解決較繁瑣工作，實現自動化流程，節約人力物力。紗線管的顏色識別和紗線量的多少確定是流水線上重要的問題，對紡紗管的圖像進行顏色識別和紗線量多少的研究是本文的重點。采用MATLAB工具進行計算機算法設計，分為兩個主要部分：第一部分為紗線管顏色識別，包括訓練集的搜集：將所收集的圖片分成紅色、黃色、黑色和藍色四類;求解每一類圖片的顏色特征;輸入一張紗線管圖片，通過svm算法來判斷紗線管顏色。第二部分是判斷紗線管的紗線量，具體做法是將圖像先進行圖像預處理工作;對紗線管分別進行濾波、閾值分割、灰度投影，對灰度投影的曲線進行平滑處理，這樣就可以得到紗線管的紗線位置，進而通過比例計算得到紗線量。研究的算法可以運用到紡紗生產中，提高自動化程度。

0 前言

　　紡織行業是輕工業的范疇，近些年來應用計算機技術進行數字化紡織的研究成為一種主流，對紡織業的發展起到了巨大的作用，促進了經濟的發展。工業程度的重視既是機遇，又是挑戰，通過應用計算機技術、物聯網技術、大數據、人工智能等技術進行紡織行業的更新和研究必將取得重大的突破。

　　紡織生產裝備的數字化、網絡化和自動化是必然趨勢，機器視覺、先進制造技術、大數據技術、智能和圖像處理技術經常被應用于紡織生產的各個環節中并產生重大的價值。其中紗線管是本文研究的重點，圖1為紗線管的圖像。

   高質量紡織產品的誕生離不開紗線研究，織物結構參數分析尤其重要，實現紡紗管的自動識別和紗線量多少的識別，滿足紡織行業高效率的技術要求。紡紗自動化已經緊密結合計算機視覺和計算機技術成為一種主流技術。如果借助計算機來實現紡紗自動化，將紗線管的顏色和紗線量進行分析，利用攝像頭觀察識別，并在發現紗線量過低或者紗線管顏色錯誤的時候進行警報，這樣就降低了人力的投入，提高了自動化程度，對于以后批量生產紡織品有著重大意義^[1-5]。

1 主框架設計

　　圖2是紡紗識別系統的示意圖。通過圖2總體構架可以看出，進行顏色分類和紡紗量多少的確定是最主要的部分。

　　1.1 顏色識別過程中主要注意事項

　　顏色的確定。紗線管的顏色較多，可能有赤橙黃綠青藍紫七種顏色，本文主要研究四種，紅色、黃色、黑色和藍色。用這四種來做研究說明。

　　(1)每一種顏色的紗線管數目要多，有一定的典型性和代表性，便于后面處理算法。

　　(2)采用的紗線管上都含有紗線，一般紗線管的兩端是漏出的，在兩端可以看出顏色，因此選擇紗線管訓練樣本時候盡可能選擇能夠清晰辨別出紗線管顏色的樣本。

　　(3)每一種紗線管圖像采集時，攝像頭的拍攝位置、角度、方位和光照強度保持一致。使得后期分類正確率提高。

　　1.2 紗線管含量確定主要注意事項

　　(1)固定目標位置，選擇優質圖片，便于識別

　　該部分主要是定位到紗線量最佳視角，找到拍攝的好角度。遇到拍攝的圖像對紗線管定位模糊，紗線特征不直觀的情況下，快速、準確地找出定位目標尤為重要。首先紗線是存在的，不可能是單一點。把所有紗線的位置統計出來，進行大范圍檢測。總有幾個角度適合，分別保存選擇圖像效果最好的進行圖像處理。將拍攝的初始圖像輸進計算機，然后處理該圖像，將所需部分單獨分割處理，然后結合數字圖像處理技術，對比分析如果紗線量含量過低，就進行預警。

　　(2)目標紗線部分的分割

　　利用圖像分割的操作手段，實現將紗線管和其紗線部分分割成獨立部分。主要的算法有灰度投影法，氣泡法等，結合本文實際，選擇最為直接的灰度投影法，原因是紗線管中紗線的含量部分圖像比較突出以及本身體積較小，灰度投影法的效果較好，誤差小。

　　(3)目標紗線部分含量的識別

　　經過對紗線圖像的預處理以及灰度投影法的分割處理，來實現突出紗線的特征，常用方法有統計法、模型法、幾何法等。這個部分為了得到紗線特征尤為重要。通過算法設計，利用比例法將拍攝圖像的尺寸進行統計，便于比較。

2 顏色分類的具體算法

　　顏色分類的算法設計如圖3所示。

　　鎖定紗線管圖。首先確定紗線管的圖，找到合適的圖形，盡量讓紗線管的兩端露出紗線管的顏色。

　　訓練集的搜集。找到四類顏色：紅色、黑色、藍色和黃色。每一個庫里面包含20張圖片，一共80張圖片，組成訓練集。

　　訓練集特征提取和SVM訓練。對每一類顏色的每一張圖片取1個10*10的正方形范圍大小的圖片樣本。

　　如圖4，首先確定原始圖像的大小，然后找到原始圖像的對稱軸，對稱軸的上下5個像素共10個像素作為樣本的長，右側邊緣的后50到后40個像素作為樣本的寬，那么就組成了樣本的10x10矩陣大小的新圖像。所有80個樣本都按照這個方法進行實驗和處理。80個新樣本組成集合B。

　　對于新樣本集合B采取提取特征，每一個10x10的矩陣圖作為一個RGB圖像，分別提取r、g、b分量的均值，方差、標準差、最大值、最小值和中值特征，每個樣本有共計18個特征;80個新樣本組成一個80*18的特征矩陣，對于特征矩陣進行SVM訓練，保存網絡。

　　求解特征的方法是：首先提取r分量，是一個10*10的矩陣，轉換成一個1*100的向量，再求解它的6個特征;然后對g，b分量采取相同的措施，得到共計18個特征。

　　其中均值、方差、標準差的公式如式(1)~式(3)，其中，a是1*100的向量。

　　另外，最大值、最小值和中值特征用MATLAB自帶的函數計算較為方便。

　　SVM是一個典型的分類算法，可以實現多分類的過程，這里采用臺灣大學林教授編寫的libsvm工具箱進行分類研究，安裝好工具箱后，配置一定的環境，然后選擇合適的參數c、g的數值，進行訓練集的分類，將SVM網絡保存供后期的測試使用。

　　輸入測試圖像并且進行SVM識別，對于待檢測圖像，首先獲取樣本圖像，然后提取樣本圖像的特征，進而進行SVM識別操作，得到相關的類別標簽，也就是判定測試圖像屬于什么顏色^[6-10]。

　　本文采用多次試驗進行測試，得到的SVM識別結果如圖5及表1所示。

3 紗線量的確定算法

　　紗線量確定的算法設計如圖6所示。

　　本文部分采用圖像處理技術進行處理，主要涵蓋基本操作等基本內容，實現了最后紗線含量的確定^[7-11]。

　　(1)鎖定紗線管圖，首先確定紗線管的圖，找到合適的圖形，盡量讓紗線部分區分明顯。

　　(2)輸入原圖之后，對圖片進行灰度變換，進行灰度變換的代碼指令為rgb2gray，灰度變換以后的圖片如圖7所示。

　　(3)為了讓圖像中的紗線部分突出，采用閾值分割算法，求出圖像的最大灰度數值和最小灰度數值，應用迭代閾值最佳算法進行，輸出效果如圖8，為了去除噪聲，一般采用中值濾波進行濾波處理。

　　其中中值濾波采用的指令為：b=medfilt2(a,[m,n])。

　　(4)灰度投影法確定紗線部分的位置

　　采用圖像的灰度投影 采用的指令為：ss=sum(b);其中b為中值濾波后的圖像;采用平滑處理方法對灰度投影曲線進行平滑處理，指令為：smooth(ss,32,'sgolay',11)，平滑后的曲線更容易得到紡紗量的數據信息。如圖9所示。

　　通過分析得知，圖9右側的圖兩個箭頭所指的位置就是紗線的左側和右側邊緣。

　　(5)比例法求解紗線量的多少。

　　通過圖9，求解兩個拐點a、b，圈出紗線的位置，總長度為d。

　　根據公式(4)求解出紗線量的含量：

(4)

　　其中標記處紗線含量的指令為：rectangle('Position',[a,c,abs(b-a),cc],'LineWidth',2,'LineStyle','-','EdgeColor','r')。其中a是紗線的左側邊緣，c是上側邊緣，cc是上側邊緣和下側邊緣的距離。

　　根據公式4求解紗線含量的比重為：45.75%，與真實的數值差距不大，在允許的誤差范圍內，證明方法具有可行性，本文采用該方法驗證測試樣本100個，相對誤差都在5%以內。

4 結論

　　本文淺談了紡紗工業的形勢，主要介紹了顏色分類和紗線量多少的算法設計，紡紗管圖像輸入以后可以判斷出紗管的顏色以及紗線量，根據系統的算法結果具有可行性和有效性。

　　實現紡紗自動化的研究離不開機器視覺，未來將是人工智能的時代，在以后的研究過程中，著重提高幾個方面：(1)系統能夠滿足更復雜圖片的識別，使得識別的結果更加精確;(2)爭取使用較多樣本的數據庫，有效的解決大量圖像處理問題，設計出一個軟件體系;(3)提高圖像識別的速度，魯棒性;(4)采用C語言嵌入到linux系統，結合硬件設備。實現軟硬件結合的高級系統。

　　參考文獻：

　　[1]李蘭女.紗線質量日常管理中的問題及其改進[J].上海紡織科技, 2008 , 36 (6):37-39.

　　[2]付榮.機器視覺技術農業生產中的應用[J]呼倫貝爾職業技術學院,2011,(208):6-7.

　　[3]Zhao J H, Luo X W, Liu M H, et al. Application of BP Neural Network to Sugarcane Diseased Spots Classification[A]. Second International Symposium on Intelligent Information Technology Application[C], IEEE Transations,2008:422-425.

　　[4]Li J H, Gao L W, Shen Z R. Extraction and analysis of digital images feature of three kinds of wheat diseases[A]. 2010 3rd International Congress on Image and Signal Processing (CISP2010) [C], IEEE Transations,2010:2543-2548.

　　[5]成芳,應義斌.機器視覺技術在農作物種子質量檢測中的應用研究發展[J]農業工程學報2011,17(6):175-179

　　[6]楊紅珍,張建偉,李湘濤,等.基于圖像的昆蟲遠程自動識別系統的研究[J].農業工程學報,2008,24(1):188-192.

　　[7]鄔嘯,魏延,吳瑕.基于混合核函數的支持向量機[J];重慶理工大學學報(自然科學);2011,10.

　　[8]鄔書躍.基于支持向量機和貝葉斯分析技術的入侵檢測方法研究[D].中南大學,2012.

　　[9]朱鑫.基于圖像處理的植物根系分割及定量分析系統的研究與實現[D].重慶大學,2014.

　　[10]魏曉麗,殷健.物體形狀位置圖像處理算法[J].計算機應用,2000,09.

　　[11]褚文濤.基于復合圖像處理方法的路表面裂縫類破損自動識別方法研究[D].上海交通大學,2013.

　　本文來源于《電子產品世界》2018年第7期第45頁，歡迎您寫論文時引用，并注明出處。