棉花質(zhì)量檢測技術(shù)研究

基于彩色與近紅外圖像信息融合的軋棉質(zhì)量分級方法匯報內(nèi)容背景介紹及研究內(nèi)容實驗及處理結(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，對染色質(zhì)量影響也較大。因此原棉的質(zhì)量檢測是棉紡行業(yè)中一項重要的流程，直接關(guān)乎整個棉紡織業(yè)。而軋工質(zhì)量分級主要是依據(jù)樣棉的外觀形態(tài)與疵點種類及其程度來進行。而目前國內(nèi)檢測方式人工肉眼識別,該方法有一定經(jīng)驗，但費時費力。

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

隨著機器視覺技術(shù)的不斷發(fā)展，為軋棉質(zhì)量檢測提供了一種自動，無損，高效的方法。目前，軋棉質(zhì)量檢測成為此行業(yè)的熱點，國內(nèi)外學(xué)者對基于圖像的分級方法進行了大量研究，但大多數(shù)軋棉質(zhì)量的分級依據(jù)過于單一，側(cè)重于棉花中異性纖維、僵棉、籽屑等某種單一的疵點，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)建分類器分別進行等級識別，最后，利用D-S證據(jù)理論對識別結(jié)果進行決策級融合，實現(xiàn)軋棉質(zhì)量的分級。2/3/20232、彩色圖像檢測圖2.1彩色系統(tǒng)示意圖2.1實驗裝置如圖2.1所示2/3/2023

在疵點識別過程中，將三通道分別進行形態(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通道進行疵點提取。在疵點識別時使用面積法，將僵棉、破籽、帶纖維屑進行識別。

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數(shù)加1僵棉個數(shù)加1籽屑個數(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實驗結(jié)果

我們可以根據(jù)GB1103-2012《棉花細(xì)絨棉》國家標(biāo)準(zhǔn)的分類標(biāo)準(zhǔn)，通過對各疵點的種類和數(shù)目完成軋棉質(zhì)量分級，通過對優(yōu)，良，中，差四個等級的樣棉各20個分別進行處理，以上方法對疵點的識別有較高的正確率，并且最終對軋棉質(zhì)量的分級準(zhǔn)確率達到了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，因此我們采用對其紋理的分析。

圖像的紋理表現(xiàn)為圖像像素灰度級的某種變化,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)量等級為輸出，對BP神經(jīng)網(wǎng)絡(luò)分離器進行訓(xùn)練，并對每個等級20個測試樣本進行識別，識別正確率為73.75%。2.2.3實驗結(jié)果2/3/20233、近紅外圖像檢測

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的方法就不再適用。

我們通過建立索絲棉結(jié)模型，提出了一種有效的檢測方法，該方法利用線結(jié)構(gòu)近紅外激光器作為光源，對原棉進行線掃描，對掃描后的圖像進行減法運算，將其融合為一幅圖像，可以有效的提取出棉結(jié)、索絲。再對提取的棉結(jié)、索絲進行斷點連接、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，會發(fā)生正反射光、表面散射光、來自內(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，會有一部分透射如棉纖維，會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)對于標(biāo)準(zhǔn)棉來說，d相對較小，因此當(dāng)平行光進行照射時，索絲棉結(jié)更加明亮。

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

因為在棉纖維所產(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)合暗場照明，可以實現(xiàn)圖像灰度的高對比度，從而便于疵點的提取。

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，在檢測時，應(yīng)盡量減小入射角

，從而可以實現(xiàn)索絲棉結(jié)出亮度比標(biāo)準(zhǔn)棉亮度高，可實現(xiàn)對索絲棉結(jié)的提取識別。

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實驗裝置圖3.2實驗裝置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：在線掃描過程中，線與線間會出現(xiàn)間斷現(xiàn)象，為了是掃描后的圖像盡量還原為真實，需對減法處理后的圖像進行間斷點連接處理，實現(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)進行處理讓圖像更加圓滑；去除小面積，減少噪聲對結(jié)果的影響；并將孔洞部分進行填充，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對所得疵點進行區(qū)域分離，求取棉結(jié)，索絲兩種疵點的形狀特征參量并統(tǒng)計，以便進行區(qū)分.3.4基于BP神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計離散指數(shù)長方形度2/3/2023長軸短軸比擴展度固靠度離心率2/3/2023由統(tǒng)計圖可看出，棉結(jié)，索絲的以上六個形狀參量有明顯區(qū)別。以選取40個訓(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)的識別率作為輸出，對BP神經(jīng)網(wǎng)絡(luò)分離器進行訓(xùn)練，進而得到軋棉質(zhì)量的分級情況，對每個等級20個測試樣本進行識別，識別正確率為81.25%。3.5實驗結(jié)果2/3/20234.基于D-S證據(jù)理論的決策級融合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的模式識別問題。其多個概率分配函數(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RBFNN分類器的輸出結(jié)合各自的識別正確率分別構(gòu)造每個樣本的基本概率分配函數(shù)。每個樣本的BPA構(gòu)造公式為：式中，n=1表示彩色圖像中對顏色特征識別結(jié)果，n=2表示彩色圖像中對紋理特征識別結(jié)果，n=3表示對近紅外圖像特征識別結(jié)果，i=1，2，3，4表示軋棉質(zhì)量優(yōu)，良，中，差4個等級。2/3/20234.1算法步驟：2/3/2023軋棉質(zhì)量分級優(yōu)2013141819近紅外（形狀）中2016131419差2013151618實際數(shù)量正確識別個數(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融合的軋棉質(zhì)量等級識別方法。

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通道進行疵點提取。并在疵點識別時使用面積法，識別出疵點并進一步實現(xiàn)分級。提取紋理參量，利用BP神經(jīng)網(wǎng)絡(luò)分類