起毛工藝后織物表面絨毛質(zhì)量的視覺檢測(cè)方法

金守峰，林強(qiáng)強(qiáng)，唐 凡，高 磊

(西安工程大學(xué) 機(jī)電工程學(xué)院，陜西 西安 710048)

隨著人們物質(zhì)生活質(zhì)量的提高，對(duì)織物的時(shí)尚性、舒適性等性能要求也在不斷提升。為了增加織物的外觀時(shí)尚性、手感及保暖性，在織物表面進(jìn)行起毛整理，使織物表面獲得一定厚度，且分布一致的絨毛，該絨毛的狀態(tài)影響著起毛后織物表面的性能和質(zhì)量[1-2]。由于織物起毛后其表面絨毛的長度和形態(tài)較為復(fù)雜，現(xiàn)階段對(duì)織物起毛的絨毛質(zhì)量的檢測(cè)方法主要以有經(jīng)驗(yàn)的工藝人員通過視覺和觸覺的主觀判斷為主，檢測(cè)人員的主觀經(jīng)驗(yàn)起主導(dǎo)作用，無法量化絨毛質(zhì)量參數(shù)，檢測(cè)的精度和效率較低。

機(jī)器視覺技術(shù)在紡織品表面檢測(cè)中已廣泛應(yīng)用，在織物表面疵點(diǎn)檢測(cè)中，MAK等[3]利用可匹配多層次的Gabor函數(shù)濾波器檢測(cè)織物瑕疵；JING等[4]利用Mean Shift濾波算法、小波變換和神經(jīng)網(wǎng)絡(luò)融合算法有效的提取了織物疵點(diǎn)的細(xì)節(jié)特征；李春雷等[5]利用方向梯度直方圖和低秩分解算法實(shí)現(xiàn)了織物疵點(diǎn)的快速分離，有效提取織物疵點(diǎn)特征；楊曼等[6]利用二維Otsu算法在效保留織物圖像的邊緣信息的同時(shí)快速檢測(cè)出織物疵點(diǎn)；何峰等[7]提出窗口跳步形態(tài)學(xué)法紋理織物疵點(diǎn)檢測(cè)算法，該方法檢測(cè)速度超過80 m/min，疵點(diǎn)檢測(cè)精度為0.1 mm；KIM等[8]利用織物紋理的周期性，采用傅里葉變換將織物圖像變換至頻域，在頻域內(nèi)完成了織物表面起球的有效分割；汪亞明等[9]應(yīng)用小波變換及Gabor濾波實(shí)現(xiàn)了織物毛球的分割；周圓圓等[10]在頻域中完成織物圖像分割的基礎(chǔ)上，建立織物起毛起球等級(jí)評(píng)價(jià)指標(biāo)；楊松林等[11]將織物表面彎折一定角度，采用0.7～4.5倍的放大鏡頭獲取織物表面絨毛的微觀截面圖像，建立了絨毛率檢測(cè)的數(shù)學(xué)模型，實(shí)現(xiàn)了織物表面采樣長度400 mm內(nèi)的表面絨毛率的測(cè)量，該方法由于采樣長度較小，不能真實(shí)反映整幅織物表面的絨毛狀態(tài)。

為了提高織物在起毛工藝后的絨毛質(zhì)量檢測(cè)效率、量化絨毛質(zhì)量參數(shù)，本文提出了面向紡織智能檢測(cè)的織物起毛后表面絨毛質(zhì)量參數(shù)的視覺檢測(cè)方法。該方法通過視覺系統(tǒng)獲取織物表面絨毛的切向圖像，提取絨毛與底布的亞像素邊界，以最小二乘法擬合基準(zhǔn)線，在此基礎(chǔ)上構(gòu)建絨毛厚度、間距的數(shù)學(xué)模型，實(shí)現(xiàn)絨毛質(zhì)量的量化及高效率檢測(cè)。

1 光切成像原理與自適應(yīng)圖像分割

1.1 光切成像原理

通過起毛工藝在織物表面形成具有一定厚度的致密絨毛，為了獲取織物表面絨毛厚度與分布狀態(tài)信息，本文采用光切成像原理，如圖1所示。

圖1 光切成像原理

相機(jī)與條形光源分別置于被測(cè)織物的兩側(cè)，條形光源置于輥?zhàn)拥恼路剑构饩€與輥?zhàn)虞S向輪廓邊緣相切，采用背景光成像可以避免受織物表面紋理及顏色特征的干擾，突出被測(cè)織物表面的絨毛邊緣輪廓?？椢锇苍谳?zhàn)颖砻?，隨輥?zhàn)觿蛩俎D(zhuǎn)動(dòng)，當(dāng)旋轉(zhuǎn)至拍攝位置時(shí)，織物表面的絨毛在輥?zhàn)拥膹埩ψ饔孟陆q毛厚度及分布狀態(tài)最為明顯，此時(shí)相機(jī)所獲取到織物圖像如圖2所示。

圖2 絨毛織物切向圖像

1.2 自適應(yīng)圖像分割

將圖像進(jìn)行分割，將絨毛區(qū)域的特征提取出來，同時(shí)將背景區(qū)域和底布分開。由圖3所示的灰度直方圖分布特征，利用最大類間方差法對(duì)圖像進(jìn)行自適應(yīng)分割來提取絨毛區(qū)域特征，如圖4所示。

圖3 灰度直方圖

圖4 絨毛區(qū)域

2 基于絨毛與底布邊緣的基準(zhǔn)線擬合

2.1 絨毛與底布邊緣的亞像素定位

絨毛與底布邊緣是絨毛區(qū)域的開始，以此作為絨毛厚度評(píng)定的基準(zhǔn)。在經(jīng)典的Canny算子進(jìn)行邊緣像素級(jí)檢測(cè)的基礎(chǔ)上，利用改進(jìn)的Zernike矩對(duì)邊緣進(jìn)行亞像素的精確定位。

絨毛圖像構(gòu)造的邊緣模型如圖5所示。其中：圓心位置O為絨毛圖像中的某個(gè)像素點(diǎn)，h為絨毛圖像的背景灰度，k為階躍灰度，則斜線部分的灰度值為h+k，在邊緣垂直線與x軸的夾角為?時(shí)，圓心到邊緣的垂直距離為l。設(shè)絨毛與底布邊緣為f(x,y)將該圓分割成2個(gè)部分，則邊緣f(x,y)的n階m次Zernike矩定義為[12-13]：

(1)

圖5 構(gòu)造的邊緣模型

將圖像順時(shí)針旋轉(zhuǎn)角度φ(圖5(b))，使φ=0，則邊緣f(x,y)與y軸平行，旋轉(zhuǎn)后的邊緣為f′(x,y)，則有：

?x2+y2≤1f′(x,y)ydxdy=0

(2)

(3)

圖像旋轉(zhuǎn)角度為：

φ=arctan(ImA11/ReA11)

(4)

由于Zernike矩具有旋轉(zhuǎn)前后相角改變，幅值不變的特性。由此可推導(dǎo)出A00、A11、A20所對(duì)應(yīng)的積分核函數(shù)為：

V00=1

V11=x+jy

V20=2x2+2y2-1

旋轉(zhuǎn)后圖像的Zernike矩為：

(5)

(6)

(7)

由(5)、(6)、(7)式聯(lián)立可求解其參數(shù)為：

在絨毛與底布邊緣檢測(cè)中采用N×N的模板，其中N為模板大小/(pixel)；對(duì)放大效應(yīng)進(jìn)行修正，利用Zernike矩進(jìn)行亞像素邊緣檢測(cè)的計(jì)算公式為：

(8)

式中：xi，yi為亞像素坐標(biāo)值；x，y為原點(diǎn)坐標(biāo)值；l為垂直距離。

由式(8)推導(dǎo)出的理想階躍模型邊緣如圖6(a)所示，但由于獲取的絨毛與底布邊緣存在如圖6(b)所示的過渡區(qū)域。

圖6 亞像素邊緣模型

在傳統(tǒng)的Zernike算法中，由于階躍灰度k的范圍較大，閾值T制約著絨毛與底布邊緣的判斷結(jié)果以及算法的精度。本文根據(jù)絨毛與底布邊緣的過渡區(qū)域的灰度值與階躍灰度值在同一像素點(diǎn)具有變化趨勢(shì)相同的特點(diǎn)，基于階躍灰度的最大類間方差法到最優(yōu)的閾值T。通過改進(jìn)的Zernike算法得到如圖7中藍(lán)色線所示的絨毛與底布的亞像素邊緣。

圖7 絨毛與底布的亞像素邊緣

2.2 基準(zhǔn)線擬合

將絨毛與底布的邊緣進(jìn)行最小二乘法擬合后，將其作為評(píng)定絨毛厚度的基準(zhǔn)線。設(shè)圖像坐標(biāo)系為x-o-y，絨毛與底布邊的亞像素邊緣為f(x)，最小二乘擬合基準(zhǔn)線的回歸方程為

y=ax+b

(9)

回歸系數(shù)分別為：

(10)

(11)

式中：m為采樣點(diǎn)數(shù);xi為采樣點(diǎn)x軸坐標(biāo);yi為采樣點(diǎn)y軸坐標(biāo)。

3 絨毛質(zhì)量參數(shù)評(píng)定模型

為了對(duì)起毛工藝后的絨毛表面狀態(tài)進(jìn)行量化評(píng)定，本文建立了厚度參數(shù)模型和間距參數(shù)模型，綜合評(píng)定絨毛質(zhì)量。

3.1 厚度參數(shù)

對(duì)于起毛厚度的量化評(píng)定，建立了厚度參數(shù)(Ra)，在采樣幅寬范圍內(nèi)，絨毛邊緣各點(diǎn)距離基準(zhǔn)線距離的算數(shù)平均值，設(shè)絨毛邊緣為g(x)，則厚度參數(shù)可表示為

(12)

式中：K為物面分辨率；n為幅寬內(nèi)邊緣點(diǎn)個(gè)數(shù)。

對(duì)圖7所示的絨毛區(qū)域進(jìn)行Y軸方向的投影計(jì)算，得到厚度變化曲線如圖8所示，其均值為Ra。Ra越大，則絨毛越高、越厚，客觀地反映絨毛在厚度上的幾何狀態(tài)。

圖8 絨毛厚度變化曲線

3.2 間距參數(shù)

對(duì)于起毛后絨毛在織物表面的分布稀疏程度，本文在厚度參數(shù)評(píng)定基礎(chǔ)上，通過厚度變化曲線建立間距參數(shù)來評(píng)定。間距參數(shù)是以厚度均值作為基準(zhǔn)線，厚度曲線被基準(zhǔn)線所截取的線段綜合與幅寬的比值作為間距評(píng)定參數(shù)，可以表示為:

(13)

式中：m為輪廓單元的個(gè)數(shù);其能Xs為輪廓單元。

Rsm越大，則絨毛越致密，客觀地反映絨毛在間距上的特性。

4 試驗(yàn)與數(shù)據(jù)分析

4.1 試驗(yàn)平臺(tái)

由圖1的成像原理構(gòu)建了如圖9所示的織物起毛后表面質(zhì)量的視覺檢測(cè)試驗(yàn)平臺(tái)，起毛后的織物放置在傳送帶上，由控制裝置調(diào)節(jié)其運(yùn)行速度，調(diào)速范圍為0～50 m/min。視覺采集系統(tǒng)采用AVT GE1050工業(yè)相機(jī)，分辨率為1 024 pixel×1 024 pixel，幀率為59 fps。鏡頭選用Computar鏡頭，焦距為8 mm。光源為條形LED光源，光線經(jīng)磨砂玻璃形成散射，保證亮度和照射方向的均勻性。相機(jī)安裝在距離織物表面300 mm的位置，相機(jī)光軸與傳送帶的中線垂直，采集絨毛織物的幅寬范圍為500～800 mm。

圖9 視覺檢測(cè)試驗(yàn)平臺(tái)

4.2 視覺系統(tǒng)的標(biāo)定

相機(jī)將視覺坐標(biāo)系中的絨毛表面映射到圖像坐標(biāo)系的像素點(diǎn)，二者的位置之間存在確定的對(duì)應(yīng)關(guān)系，要得到織物表面絨毛的信息必須確定每個(gè)像素所代表的真實(shí)物理尺寸，即物面分辨率。實(shí)驗(yàn)中以標(biāo)準(zhǔn)量塊作為標(biāo)定物，將標(biāo)準(zhǔn)量塊置于傳送帶上，調(diào)節(jié)相同的照明條件與物距，經(jīng)多次測(cè)量得到的物面分辨率K=0.358 mm/pixel。

4.3 試驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方法的精度和穩(wěn)定性，對(duì)4種絨毛織物在運(yùn)行速度為20 m/min，采樣幅寬700 mm的試驗(yàn)條件下進(jìn)行多次測(cè)量，起毛織物試樣見圖10?？梢钥闯觯瑘D10(a)為頭道起毛工藝后的織物，織物表面生成的絨毛厚度不致密，且分布不均；圖10(b)、(c)、(d)為不同顏色織物的末道起毛工藝后的表面狀態(tài)，絨毛致密且分布均勻。

對(duì)圖10的4種不同顏色、不同起毛工藝的織物表面絨毛狀態(tài)采用本文方法及人工方法進(jìn)行評(píng)定結(jié)果如表1所示。由表1可知，根據(jù)本文方法得到評(píng)定參數(shù)對(duì)織物表面絨毛質(zhì)量的評(píng)定結(jié)果與人工評(píng)定的結(jié)果保持一致，且給出了織物絨毛的客觀評(píng)定參數(shù)，將其作為質(zhì)量評(píng)定的依據(jù)。本文方法對(duì)織物的顏色不敏感，具有較好的評(píng)定效果，可實(shí)現(xiàn)代替人工來進(jìn)行織物起毛后表面質(zhì)量的評(píng)價(jià)。

5 結(jié) 論

①為了客觀評(píng)定起毛工藝后織物表面絨毛質(zhì)量，提出了基于機(jī)器視覺的絨毛質(zhì)量檢測(cè)方法，具有客觀、量化、快速、準(zhǔn)確的特點(diǎn)，能夠在起毛工藝的終端及過程中對(duì)絨毛質(zhì)量進(jìn)行在線檢測(cè)。

②采用光切成像原理獲得了清晰的絨毛輪廓圖像，以最大類間方差法有效地分割出絨毛區(qū)域。在分析Zernike矩算法的基礎(chǔ)上結(jié)合絨毛與底布邊緣的特征，提出了改進(jìn)的Zernike矩算法提高了絨毛與底布邊緣的亞像素定位精度，并通過最小二乘法擬合出基準(zhǔn)線。

③建立了評(píng)定絨毛質(zhì)量的厚度參數(shù)模型和間距參數(shù)模型，采用標(biāo)準(zhǔn)量塊對(duì)試驗(yàn)平臺(tái)的視覺系統(tǒng)進(jìn)行標(biāo)定，對(duì)4種不同織物進(jìn)行絨毛厚度和覆蓋率的測(cè)量，并與人工評(píng)價(jià)結(jié)果進(jìn)行對(duì)比，結(jié)果表明：所研究方法實(shí)現(xiàn)織物起毛后表面絨毛質(zhì)量的參數(shù)量化，且對(duì)織物顏色不敏感，評(píng)價(jià)結(jié)果與人工評(píng)價(jià)相一致。