應(yīng)用聚類統(tǒng)計分析的棉花異纖圖形檢測算法

杜玉紅, 王加富, 蔣秀明, 周國慶, 羅永恒

(天津工業(yè)大學(xué) 機械工程學(xué)院, 天津 300387)

?

應(yīng)用聚類統(tǒng)計分析的棉花異纖圖形檢測算法

杜玉紅, 王加富, 蔣秀明, 周國慶, 羅永恒

(天津工業(yè)大學(xué) 機械工程學(xué)院, 天津 300387)

在棉紡企業(yè)原棉異性纖維剔除工藝過程中，異性纖維種類及特征多樣，難以構(gòu)造統(tǒng)一的識別模型，為此，提出了一種基于聚類統(tǒng)計分析的棉花異性纖維圖形檢測算法。通過獲取原棉纖維及異性纖維在RGB顏色模型空間的各分量值，進行數(shù)值聚類統(tǒng)計分析，采用RGB彩色圖像閾值聚類統(tǒng)計分類的方法將獲取的圖片信息分為3類，進而判斷有無異性纖維，再經(jīng)過形態(tài)學(xué)等預(yù)處理修繕圖像，對棉花中異性纖維的特征進行提取，較準確地得到異性纖維的面積、質(zhì)心坐標和周長等參數(shù)，為異性纖維的清除提供條件。實驗結(jié)果表明，該算法能較準確地識別異性纖維。

異性纖維； RGB顏色模型； 統(tǒng)計分類； 特征提取

異性纖維混入棉纖維會形成紗疵，對織物的質(zhì)量產(chǎn)生嚴重的影響。目前常用的異性纖維檢測方法主要有圖像處理、超聲波原理、光譜特性等。應(yīng)用最普及的是圖像處理方法，利用CCD高速彩色攝像機，對棉纖維進行掃描，采集圖片，送控制系統(tǒng)處理，當(dāng)識別出異纖時，觸發(fā)氣動高速噴嘴進行剔除。近20年來，國內(nèi)外許多科研單位、院校及企業(yè)都將異性纖維檢測列為主要研究課題。Lieberman等[1]研究了棉花圖像處理，進行棉花雜質(zhì)識別；Thomasson[2]設(shè)計了檢測棉花顏色和雜質(zhì)的檢測系統(tǒng)；Kang等[3]將真彩色原棉圖像中的異性纖維特征描述并求出異物的數(shù)量、種類、大?。悔w學(xué)華等[4]根據(jù)改進蟻群算法對棉花異性纖維目標特征選擇方法進行研究；Zhang等[5]針對不同棉花背景下的異纖特征，采用加權(quán)的貝葉斯K平均原理進行檢出；郟東耀[6]采用多光譜CCD照相機采集最佳吸收波段的異物圖像；師紅宇等[7]差分異纖與原棉的頻率信息，提取異纖信息。

1 異性纖維的顏色模型

異纖的識別和特征顏色有關(guān)，在分割算法前應(yīng)確定適當(dāng)?shù)念伾Ｐ蚚8]。采集原棉及一定數(shù)量的樣品在RGB彩色圖形中的像素點值，進行比較和處理[9]，做出棉花和各種異纖的R、G和B圖，對RGB圖表進行分析與聚類統(tǒng)計，得到棉花的顏色模型及R、G和B分量的均方差。異性纖維顏色大都與棉花不同，利用采集的純棉花圖片進行RGB分量的統(tǒng)計，給出純棉花三原色的平均值及其均方誤差，在誤差范圍內(nèi)判定為無異性纖維，其數(shù)學(xué)表達見式(1)。

(1)

式中：r、g、b是提取圖片的三原色平均值；R、G、B是所提取純棉花的三原色均值；σR、σG、σB是三原色的均方誤差。

提取無異性纖維的棉花數(shù)據(jù)如表1 所示。表 2示出異性纖維的圖像RGB分量數(shù)據(jù)。

表 1 無異性纖維圖像RGB分量Tab.1 RGB color component values without foreign fibers

表2 有異性纖維圖像RGB分量及統(tǒng)計值Tab.2 RGB color component values with foreign fibers

由統(tǒng)計數(shù)據(jù)可取σR=3.8，σG=3.8，σB=3.8；R=161.288 6，G=159.958 2，B=150.467 3。

通常異性纖維顏色與棉纖維不同，據(jù)此進行RGB分量的統(tǒng)計。無異性纖維的圖片色度均勻(每個像素的RGB分量與整幅圖片RGB平均量相差不大)，而含有異性纖維的圖片在異性纖維區(qū)域的色度與平均量相差較大，利用這個特征可以構(gòu)造一種較為簡單的統(tǒng)計方法。利用式(2)進行計算，uR、uG和uB分別是R、G和B的均值。

(2)

計算所得棉花及異性纖維RGB分量聚類統(tǒng)計數(shù)據(jù)值如表3所示?？煽闯?，采用B分量易于識別異性纖維，而G分量相對少些，R分量識別效果差。用RGB三個色度分量的全部信息后，顏色相近的異性纖維難于識別，這是因為RGB分量有重疊部分。

表3 棉花及異性纖維RGB分量統(tǒng)計數(shù)據(jù)Tab.3 RGB color component values of cotton and foreign fibers

2 聚類統(tǒng)計分析的異纖識別算法

2.1 異纖圖像聚類統(tǒng)計分類

通過前面圖像RGB各分量的聚類統(tǒng)計分析，可以將圖片分為3類：第Ⅰ類為RGB分布均勻的異性纖維；第Ⅱ類為RGB分布不均的異性纖維；第Ⅲ類為純棉纖維。圖像的統(tǒng)計特征采用均值、中值、方差、變差等方法。在聚類統(tǒng)計中發(fā)現(xiàn)，大量數(shù)據(jù)呈現(xiàn)正態(tài)分布，所以可以用正態(tài)分布來描述。運用正態(tài)分布的3σ原則：數(shù)值分布在(μ-3σ,μ+3σ)中的概率為0.997 4。而且大多數(shù)實際應(yīng)用中，概率接近1，誤差較小，所示廣泛應(yīng)用。

RGB分布均勻的異性纖維和RGB分布不均的異性纖維圖像的區(qū)別在于變差，所以采用變差公式(3)統(tǒng)計區(qū)別2類異性纖維，而有無異性纖維的區(qū)別在于方差大小，所以采用方差公式(4)統(tǒng)計描述。

變差

(3)

方差

(4)

另外取2個自定義的聚類統(tǒng)計參數(shù)見式(5)、(6)。

(5)

C3=max(Rk,Gk,Bk)

(6)

采用方差、變差得到聚類統(tǒng)計參數(shù)表，結(jié)果如表4所示。

表4 聚類統(tǒng)計參數(shù)Tab.4 Cluster statistical parameters

由表4分析，最大統(tǒng)計誤差不超過0.012，完全能夠滿足異性纖維的識別要求。

2.2 異纖圖像分類判斷

在圖像中本文用差的絕對值來表示樣本。算法步驟：1)提取標準棉花的σ、μ值。將R、G、B分量兩兩相減，取絕對值，提取結(jié)果的均值和方差，并比較均值與方差之和，取較大；2)將含有異性纖維的圖像R、G、B分量兩兩相減，并對每個相減的像素點進行比較，若屬于(μ-3σ，μ+3σ)認為是棉纖維，否則判斷為異性纖維。

對比第Ⅰ類RGB分布均勻異性纖維和第Ⅱ類RGB分布不均異性纖維的分量，可知第Ⅱ類異性纖維的RGB各分量差的絕對值較大，圖1、2分別是第Ⅰ類異性纖維和第Ⅱ類異性纖維的RGB分量的三維圖。由圖可知，第Ⅰ類異性纖維的RGB分量保持的對角線左右成棒狀，第Ⅱ類異性纖維的RGB分量分布不均勻，通過比較傳統(tǒng)的閾值分割方法，聚類統(tǒng)計分析相對RGB分布不均勻的異性纖維處理能力較強。

圖1 第Ⅰ類異性纖維RGB分量Fig.1 RGB component of foreign fibers Ⅰ

圖2 第Ⅱ類異性纖維的RGB分量Fig.2 RGB component of foreign fibers Ⅱ

3 異性纖維特征參數(shù)化

原棉異纖動態(tài)識別，最主要的是對圖像中大量數(shù)據(jù)信息處理，進而有效地提取特征。提取異纖相關(guān)特征后，利用幾何特征作為異性纖維識別定位的參數(shù)。

3.1 獲取面積

異性纖維輪廓區(qū)域包容面積的大小即為原棉異纖面積，可通過對某異性纖維圖像輪廓內(nèi)的像素點數(shù)進行統(tǒng)計并計算其面積S。本文選擇統(tǒng)計目標異纖輪廓內(nèi)的像素點個數(shù)來計算目標異纖面積。設(shè)定單像素點的邊長為1，則圖像上一個異性纖維區(qū)域Q內(nèi)，該異纖面積S為隸屬于該區(qū)域的像素個數(shù)統(tǒng)計數(shù)之和。

3.2 提取周長

周長L定義為某異纖區(qū)域輪廓的長度，主要依據(jù)輪廓上的像素點間關(guān)系計算。

異性纖維識別的主要參數(shù)是其幾何特征，通過分析可以看出，幾何特征的提取均是在對異纖二值化后圖像有效輪廓提取出來的基礎(chǔ)上進行測量，進而計算得到的，而形狀特征參數(shù)則由幾何特征參數(shù)進一步計算得到。對于原棉異性纖維輪廓圖像，依從理論角度考慮，在假定不損失面積的情況下，可對圖像進行裁剪、二次拼接，例如頭發(fā)，盡管存在很多彎曲，但從輪廓圖像可看出，頭發(fā)是一個長而窄小的矩形物體；同樣對于塑料薄片可認為是寬和長都較大的矩形物體，采用周長L和面積S進行分析。

4 常見異性纖維上算法應(yīng)用

異纖識別算法綜合應(yīng)用，不同種類的異性纖維采用不同的分割方法，在濾波和白平衡后進行異性纖維的聚類統(tǒng)計分析，相對應(yīng)的進行圖像處理，最后提取特征參數(shù)，得到異纖質(zhì)心坐標、面積和周長。算法的總體結(jié)構(gòu)如圖3所示。圖4示出對麻繩為異纖進行處理的效果。麻繩處理數(shù)據(jù)：質(zhì)心坐標X為0.521；質(zhì)心坐標Y為0.556；面積S為133 941；周長L為3 616。

圖3 算法結(jié)構(gòu)Fig.3 Algorithm structure

圖4 異性纖維為麻繩Fig.4 Foreign fiber of hemp rope. (a) Before processing; (b) After processing

實驗選擇紅色塑料片、窄小有色布條、碎羽毛、細麻繩、樹葉、薄膜6種典型異纖，并選足量、不含異性纖維的原棉, 首先采用原棉鋪放開松機對原棉進行預(yù)先鋪放、充分開松，形成厚2 mm、寬40 cm的均勻連續(xù)棉流層，并在開松過程中逐次、隨機地放入上述異纖樣本，從而得到混有異纖的薄棉流層。采集形成的棉流層圖像，因相機采集獲得圖像整體太大，而異纖目標實際較小，故本文所有實驗圖像均為原圖裁剪后的目標圖像。對各種異性纖維的處理結(jié)果進行歸納，結(jié)果見表5。

表5 歸納結(jié)果Tab.5 Inductive result

1)當(dāng)圖像中出現(xiàn)單一異纖時，其質(zhì)心坐標、異纖面積及周長能準確、快速獲取，異纖識別率達到90% 以上；相對于帶有反光性質(zhì)的薄膜類或與原棉顏色較為相近的白色異纖，其特征提取準確性較差，識別率只達到85% 以上。2)當(dāng)圖像中有多種或多個異纖時，若多個或多類異纖相距有一定的距離，各異纖的特征參數(shù)仍能夠較為準確獲取；若多個或多種異纖之間距離接近微小或重疊時，其各自特征參數(shù)分別獲取，而作為一個整體提取整體的質(zhì)心坐標及面積、周長信息。

5 結(jié)論與展望

本文通過獲取原棉纖維及異性纖維在RGB顏色模型空間的各分量值，進行了數(shù)值統(tǒng)計分析，采用RGB彩色圖像閾值聚類統(tǒng)計分析的方法將異性纖維分為3類，再經(jīng)過形態(tài)學(xué)等預(yù)處理修繕圖像，對棉花中異性纖維的特征進行提取，得到了異性纖維的面積、質(zhì)心坐標和周長等參數(shù)，這些特征參數(shù)為異性纖維的清除機構(gòu)提供了準確的信息。

1)預(yù)處理后得到對比度較強的圖像，去除了隨機噪聲，進行了白平衡，為閾值聚類統(tǒng)計分析判別創(chuàng)造了較好的條件。

2)聚類統(tǒng)計分析方法較為準確地將圖像分為無異性纖維、RGB均勻的異性纖維、RGB不均勻的異性纖維。

3)對識別出的不同類別異纖進行相應(yīng)處理，能準確提取異纖質(zhì)心坐標、面積及周長等信息。

4)對于多類或多個異纖從整體上構(gòu)成異纖特征參數(shù)信息。

FZXB

[1] LIEBERMAN M A, MICHAEL A L, CHARLES K B, et al. Determining gravimetric bark content in cotton with machine vision[J].Textile Research Journal,1998, 68(2):94-104.

[2] THOMASSON J A. Image processing solution to cotton color measurement problems in gin process control[D].Lexington, Kentucky: University of Kentucky,1997, 156-162.

[3] KANG T J,KIM S C.Objective evaluation of the trash and color of raw cotton by image processing and neural network[J].Textile Research Journal, 2002, 72(9): 776-782.

[4] 趙學(xué)華,李道亮，楊文柱，等.基于改進蟻群算法的棉花異性纖維目標特征選擇方法[J].農(nóng)業(yè)機械學(xué)報,2011，42(4): 168-173. ZHAO Xuehua, LI Daoliang, YANG Wenzhu, et al.

Feature selection for cotton foreign fiber objects based on improved ant colony algorithm[J].Transactions of the Chinese Society for Agricultural Machinery, 2011,42(4): 168-173.

[5] ZHANG Y P, SMITH P W. Robust and efficient detection of non-lint material in cotton fiber samples[C]//Proceedings of the Sixth IEEE Workshop on Applications of Computer Vision, 2002:476-484.

[6] 郟東耀.棉花中異纖的多光譜檢測[J].清華大學(xué)學(xué)報:自然科學(xué)版,2005,45(2):193-196. JIA Dongyao. Detecting foreign fibers in cotton using a multi-spectral technique[J].Journal of Tsinghua University: Science and Technology Edition, 2005, 45(2):193-196.

[7] 師紅宇,管聲啟,吳寧. 棉花中異性纖維的圖像多分辨率差分檢測方法[J]. 紡織學(xué)報,2014, 35(5):13-18. SHI Hongyu,GUAN Shengqi,WU Ning. Detection of foreign fibers among cotton based on image multi-resolution difference method[J]. Journal of Textile Research,2014,35(5):13-18.

[8] QU X, DING T. A fast feature extraction algorithm for detection of foreign fiber in lint cotton within a complex background[J]. Acta Automatica Sinica, 2010, 36(6): 785-790.

[9] WANG R, LIU S, WANG Q, et al. Classification features of feather and hemp in cotton foreign fibers[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(SUPPL 2): 202-207.

[10] GUO J, YING Y, CHENG F, et al. Detection of foreign materials on the surface of ginned cotton by hyper-spectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(10): 355-360.

Algorithm for pattern detection of cotton foreign fibers based on cluster statistic analysis

DU Yuhong, WANG Jiafu, JIANG Xiuming, ZHOU Guoqing, LUO Yongheng

(SchoolofMechanicalEngineering,TianjinPolytechnicUniversity,Tianjin300387,China)

Due to the foreign fibers types and characteristics of diversity, it was very difficult to construct a unified recognition model for eliminating raw cotton foreign fibers in cotton spinning enterprises. This paper proposes an image processing algorithm based on the cluster statistic analysis of cotton foreign fibers. The numerical statistical analysis was performed acquiring each component values raw cotton fibers and foreign fibers in RGB color space model, and the image information was divided into three categories by using the RGB color image threshold statistical classification method. Then the foreign fibers was determined. Finally, by adopting image preprocessing for taking a better image and extracting the characteristics of foreign fibers in cotton, the area size, circumference and perimeter of foreign fibers were obtained. This should be the precondition for further eliminating raw cotton foreign fibers. The experimental results show that the algorithm can accurately identify foreign fibers.

foreign fiber; RGB color model; statistical classification; feature extraction

10.13475/j.fzxb.20140306005

2014-03-25

2014-07-17

國家重點基礎(chǔ)研究發(fā)展計劃(973預(yù))資助項目(2010CB334711)；國家自然科學(xué)青年基金項目(51205288)；天津市科委面上基金項目(13jcybjc15900)

杜玉紅(1974—)，女，副教授。主要研究異纖檢測及模式識別。E-mail：duyuhong@tjpu.edu.cn。

TP 391.41

A