抓毛織物表面質(zhì)量的視覺檢測(cè)方法

魏哲 李安然 羅文量 付子強(qiáng) 李博 王旭

摘 要：針對(duì)抓毛織物表面質(zhì)量的量化檢測(cè)問題，提出一種基于計(jì)算機(jī)視覺的抓毛織物表面質(zhì)量檢測(cè)方法。采用切向背光法獲取抓毛織物的輪廓圖像，根據(jù)絨毛區(qū)域的灰度直方圖特征，對(duì)絨毛區(qū)域進(jìn)行分割，再利用形態(tài)學(xué)算法對(duì)絨毛區(qū)域內(nèi)出現(xiàn)的空洞進(jìn)行填充，從而得到完整的絨毛區(qū)域。通過Freeman編碼提取絨毛區(qū)域的兩側(cè)邊緣坐標(biāo)，利用最小二乘算法擬合絨毛下邊緣得到絨毛厚度基準(zhǔn)線并建立絨毛厚度模型。同時(shí)采用統(tǒng)計(jì)直方圖構(gòu)建絨毛分布狀態(tài)參數(shù)模型。結(jié)果表明：該方法對(duì)織物的顏色、底布的紋理不敏感，可以實(shí)現(xiàn)對(duì)抓毛織物表面質(zhì)量進(jìn)行綜合量化評(píng)定。

關(guān)鍵詞：抓毛織物;視覺檢測(cè);最小二乘擬合;統(tǒng)計(jì)直方圖

Abstract：Aiming at the problem of quantitative detection of surface quality of fluff fabric， a method based on computer vision for detecting the surface quality of fluff fabric was proposed. The tangential backlight method was used to obtain the contour image of the fluff fabric. According to the gray histogram feature of the fluff region， the fluff region was segmented， and then the morphological algorithm was used to fill the voids in the fluff region. Thus， a complete Fluff area was obtained. The edge coordinates of the two sides of the fluff region were extracted by Freeman coding， and the lower edge of the fluff was fitted by the least squares algorithm to obtain the fluff thickness reference line. As well， the fluff thickness model was established. At the same time， the statistical histogram was adopted to construct the parameter model of fluff distribution state. The experimental results show that the method is not sensitive to the color of the fabric and the texture of the base fabric， and the surface quality of the fluff fabric can be comprehensively evaluated by this method.

Key words：fluff fabric; visual inspection; least square fitting; statistical histogram

抓毛工藝是織物的后整理工序，包裹有針布的輥?zhàn)釉阱a林上呈圓周分布，織物緊貼在輥?zhàn)颖砻妫咧g產(chǎn)生相對(duì)運(yùn)動(dòng)，同時(shí)輥?zhàn)蛹扔凶赞D(zhuǎn)又繞著錫林進(jìn)行公轉(zhuǎn)，在織物的表面形成柔軟、致密的絨毛[1]。織物抓毛工藝是一個(gè)動(dòng)態(tài)的物理變化過程，針布上針的狀態(tài)、織物的張力、輥?zhàn)拥霓D(zhuǎn)速等工藝參數(shù)都將影響到抓毛產(chǎn)品的風(fēng)格和質(zhì)量[2-4]。目前，對(duì)織物表面的絨毛狀態(tài)檢測(cè)主要采用人為經(jīng)驗(yàn)的主觀評(píng)判，該方法檢測(cè)效率低，且檢測(cè)結(jié)果容易受到外界因素的影響。

隨著機(jī)器視覺技術(shù)、信息技術(shù)、人工智能等在紡織服裝領(lǐng)域應(yīng)用的深入開展，基于機(jī)器視覺的織物表面質(zhì)量檢測(cè)已成為質(zhì)檢的重要方向?？椢锎命c(diǎn)的識(shí)別與分類中，通過視覺系統(tǒng)獲取織物表面信息，采用結(jié)構(gòu)方法、統(tǒng)計(jì)學(xué)方法、頻譜分析方法、深度學(xué)習(xí)等提取織物疵點(diǎn)典型特征，構(gòu)建織物疵點(diǎn)數(shù)據(jù)庫，實(shí)現(xiàn)了典型疵點(diǎn)的識(shí)別與分類，提高了白坯布等織物表面疵點(diǎn)智能化識(shí)別分類[5-8]?？椢锉砻娴钠鹈鹎蛄炕瘻y(cè)量中，在分析了起毛起球成因的基礎(chǔ)上，通過在空間域、頻域的變換對(duì)各種原因的起毛起球進(jìn)行圖像預(yù)處理、分割、特征提取，構(gòu)建神經(jīng)網(wǎng)絡(luò)等識(shí)別與分類模型，對(duì)起毛起球進(jìn)行等級(jí)評(píng)估[9-12]。楊松林等[13]對(duì)牛仔布表面絨毛采用0.7～4.5倍放大鏡頭的視覺系統(tǒng)采集圖像，通過建立牛仔布表面絨毛率的數(shù)學(xué)模型，對(duì)采樣寬度為2～10 mm內(nèi)的牛仔布表面絨毛率進(jìn)行測(cè)量。該方法的采樣長度較小，不能全面反映整幅牛仔布表面的絨毛狀態(tài)。

為了對(duì)抓毛工藝后的織物表面絨毛質(zhì)量進(jìn)行量化、客觀評(píng)定，實(shí)現(xiàn)自動(dòng)化檢測(cè)，本文提出了面向抓毛工藝織物表面絨毛質(zhì)量評(píng)定的視覺檢測(cè)方法。通過對(duì)抓毛織物表面絨毛輪廓圖像提取出絨毛區(qū)域的邊緣特征，構(gòu)建表征絨毛質(zhì)量評(píng)定的絨毛厚度和絨毛分布程度兩個(gè)量化評(píng)定參數(shù)模型，實(shí)現(xiàn)絨毛質(zhì)量 的量化及客觀評(píng)定。

1 織物表面絨毛圖像的邊緣特征提取

1.1 絨毛輪廓圖像的獲取

如圖1所示，相機(jī)1的光軸Z與輥?zhàn)?的軸向外輪廓（虛線除）相切，被測(cè)織物隨傳送裝置運(yùn)動(dòng)，當(dāng)運(yùn)動(dòng)到拍攝位置（虛線處）時(shí)，得到的絨毛輪廓圖像如圖2所示。

由圖2可知，圖2中A區(qū)域?yàn)榭椢锉砻嬗勺ッに囆纬傻慕q毛區(qū)域，B和C區(qū)域?yàn)楸尘皡^(qū)域和織物底布區(qū)域。

1.2 絨毛區(qū)域的邊緣特征提取

絨毛區(qū)域從織物底布開始到絨毛頂端為止，該區(qū)域是檢測(cè)抓毛工藝質(zhì)量評(píng)定的部分。對(duì)絨毛圖像進(jìn)行預(yù)處理，增強(qiáng)絨毛區(qū)域的對(duì)比度，突出絨毛區(qū)域的特征，提高圖像的質(zhì)量。根據(jù)絨毛圖像的灰度直方圖分布具有峰谷的特征，對(duì)絨毛區(qū)域進(jìn)行最大類間方差法的分割處理。二值化后的絨毛區(qū)域還存在空洞和斷點(diǎn)區(qū)域，對(duì)此采用形態(tài)學(xué)開閉運(yùn)算進(jìn)行填充[14-15]，得到完整的絨毛區(qū)域如圖3所示。

絨毛區(qū)域的邊緣是絨毛區(qū)域與背景區(qū)域和織物底布區(qū)域的分界，為了評(píng)定絨毛質(zhì)量，本文采用Freeman編碼提取絨毛區(qū)域的邊緣特征，其計(jì)算過程為：

a）將圖像輪廓邊緣標(biāo)記為M×N，并生成（M+2，N+2）的0矩陣，用以包圍邊緣輪廓，形成8鄰域圖像;

b）尋找第一個(gè)像素為1的坐標(biāo)，建立首個(gè)搜索方向的起點(diǎn)，然后對(duì)其余7個(gè)方向進(jìn)行搜索，尋找下一個(gè)像素為1的坐標(biāo)，全局搜索，并記錄當(dāng)前的坐標(biāo);

c）當(dāng)其余7個(gè)方向均為0時(shí)，則停止計(jì)算，并返回坐標(biāo)值。

通過Freeman編碼算法提取絨毛區(qū)域的邊緣特征如圖2中曲線1和曲線2所示，邊緣曲線1為織物底布與絨毛區(qū)域之間的邊緣，邊緣曲線2為絨毛區(qū)域與背景之間的邊緣，所提取的絨毛區(qū)域邊緣與實(shí)際絨毛區(qū)域基本相吻合。

2 絨毛質(zhì)量評(píng)定參數(shù)模型

抓毛工藝生成的絨毛密實(shí)，表面整齊，為了對(duì)絨毛表面質(zhì)量進(jìn)行量化，本研究將圖2中的絨毛區(qū)域邊緣輪廓曲線由圖像坐標(biāo)變換到如圖4所示的直角坐標(biāo)中。在直角坐標(biāo)中建立絨毛厚度參數(shù)模型和絨毛分布狀態(tài)參數(shù)模型，對(duì)絨毛表面質(zhì)量進(jìn)行量化來綜合評(píng)定。

2.1 絨毛厚度參數(shù)模型

絨毛與織物相連接的邊緣是絨毛區(qū)域開始的地方，通過將絨毛與底布的邊緣f（x）進(jìn)行最小二乘法擬合后，將這條擬合線作為評(píng)定絨毛厚度的基準(zhǔn)線。設(shè)圖像坐標(biāo)系為xoy，采用最小二乘法對(duì)厚度基準(zhǔn)進(jìn)行擬合[16]得到厚度基準(zhǔn)線方程為：

根據(jù)絨毛區(qū)域與織物底布邊緣擬合得到的厚度基準(zhǔn)線如圖4中的點(diǎn)劃線所示。絨毛厚度可定義為絨毛上邊緣輪廓g（x）上各點(diǎn)到最小二乘擬合的基準(zhǔn)線距離的絕對(duì)值的平均值，其表達(dá)式（2）為：

由式（2）可知，ra越大則抓毛生成的絨毛厚度越厚，反之則越薄。

2.2 絨毛分布狀態(tài)參數(shù)模型

絨毛在水平方向的分布狀態(tài)為絨毛區(qū)域與背景的邊緣為絨毛上邊緣輪廓g（x）的分布特征，表征了絨毛表面的分布情況。以絨毛輪廓g（x）的最小二乘中線為基準(zhǔn)線，絨毛上邊緣輪廓各點(diǎn)接近基準(zhǔn)線的點(diǎn)數(shù)越多，則絨毛分布越均勻;反之分布程度越差。以基準(zhǔn)線為零點(diǎn)，將絨毛上邊緣輪廓上接近基準(zhǔn)線的點(diǎn)數(shù)的概率定義為絨毛分布的程度，其表達(dá)式（3）為：

式中：n為絨毛輪廓點(diǎn)的上限，g（n）表示范圍內(nèi)的灰度總點(diǎn)數(shù)，S（k）表示值為k的點(diǎn)數(shù)。

采用統(tǒng)計(jì)直方圖對(duì)靠近原點(diǎn)的絨毛輪廓分布概率進(jìn)行統(tǒng)計(jì)，定量地分析絨毛分布程度。圖4中絨毛輪廓曲線的統(tǒng)計(jì)直方圖如圖5所示，靠近擬合中線的點(diǎn)數(shù)最為集中，其概率最高，則表征絨毛分布程度較好，分布較為均勻。

3 數(shù)據(jù)分析

3.1 試驗(yàn)參數(shù)

為了驗(yàn)證本文方法的精度和穩(wěn)定性，采用如圖6所示的3種不同顏色、不同織物底布的抓毛織物進(jìn)行試驗(yàn)。

在圖1的檢測(cè)系統(tǒng)中進(jìn)行試驗(yàn)，系統(tǒng)的織物傳送速度控制在0～50 m/min，絨毛織物圖像采集裝置為分辨率1 024×1 024、幀率59 fps的AVT GE1050工業(yè)相機(jī);根據(jù)視場(chǎng)配置f=8 mm的Computar鏡頭，帶磨砂散射的條形LED的光源提供穩(wěn)定照度。相機(jī)安裝的物距為300 mm，采集絨毛織物的幅寬范圍為500～800 mm，視覺系統(tǒng)的標(biāo)定參數(shù)為K=0.358 mm/pixel。

3.2 織物輪廓邊緣提取

在織物運(yùn)動(dòng)速度為20 m/min，采樣幅寬為500 mm，通過本文輪廓邊緣提取算法得到在直角坐標(biāo)中的絨毛區(qū)域邊緣輪廓曲線如圖7所示，圖7中曲線反映了絨毛區(qū)域在厚度和水平方向的分布狀態(tài)。

3.3 絨毛質(zhì)量評(píng)定參數(shù)分析

3.3.1 厚度參數(shù)分析

對(duì)絨毛區(qū)域與織物底布邊緣建立厚度參數(shù)的基準(zhǔn)中線，如圖7中的虛線所示，通過式（2）得到的絨毛區(qū)域厚度平均值及最大厚度值如表1所示。

由表1可知，平均厚度能夠反映出絨毛織物在厚度方向的狀態(tài)，最大高度體現(xiàn)了絨毛自然狀態(tài)下的長度狀態(tài)，但是這兩個(gè)參數(shù)不能客觀表達(dá)水平方向的分布狀態(tài)。

3.3.2 絨毛分布狀態(tài)參數(shù)分析

為了綜合評(píng)定絨毛織物表面狀態(tài)，還需考慮絨毛在水平方向上的分布狀態(tài)，對(duì)3組織物的絨毛輪廓采用統(tǒng)計(jì)直方圖進(jìn)行概率統(tǒng)計(jì)，其結(jié)果如圖8所示，絨毛分布狀態(tài)如表1所示。

由圖8可知，圖8（a）和圖8（b）中靠近原點(diǎn)的概率最高，其曲線變化小，分布較為均勻;圖8（c）中靠近原點(diǎn)的概率最低，其曲線變化大，分布狀態(tài)較差。從統(tǒng)計(jì)直方圖能夠比較形象地反映出絨毛輪廓在水平方向的狀態(tài)。通過統(tǒng)計(jì)直方圖可以對(duì)平均厚度接近的絨毛表面進(jìn)行綜合量化評(píng)定。

綜合利用絨毛平均厚度、最大厚度和絨毛分布狀態(tài)等參數(shù)對(duì)抓毛織物表面質(zhì)量進(jìn)行量化評(píng)定，評(píng)定參數(shù)對(duì)于織物顏色不敏感，織物底布的不同類型對(duì)評(píng)定結(jié)果影響較小。

4 結(jié) 論

a） 構(gòu)建了視覺檢測(cè)系統(tǒng)的試驗(yàn)平臺(tái)，開發(fā)了抓毛織物表面質(zhì)量的視覺檢測(cè)算法，具有客觀、量化、準(zhǔn)確的對(duì)抓毛織物質(zhì)量進(jìn)行評(píng)定。

b）采用切向背光法的成像原理獲取絨毛輪廓圖像，以最大類間方差法有效地分割出絨毛區(qū)域，在此基礎(chǔ)上采用Freeman編碼提取絨毛區(qū)域的兩側(cè)邊緣特征。

c） 建立了評(píng)定絨毛質(zhì)量的厚度參數(shù)模型和絨毛分布狀態(tài)參數(shù)模型，分別在厚度方向和水平方向綜合評(píng)定絨毛質(zhì)量。在構(gòu)建的試驗(yàn)平臺(tái)中對(duì)3種不同顏色和底布的抓毛織物進(jìn)行了方法的驗(yàn)證，結(jié)果表明，本文方法可以有效地對(duì)抓毛織物表面質(zhì)量進(jìn)行綜合的量化評(píng)定。

參考文獻(xiàn)：

[1] 孫菲菲，徐平華，丁雪梅.服裝風(fēng)格客觀評(píng)價(jià)的研究現(xiàn)狀與不足[J].上海紡織科技，2017，45（10）：1-4.

[2] 陳慧.毛紡面料特性對(duì)服裝設(shè)計(jì)的影響[J].毛紡科技，2016（8）：48-50.

[3] MAK K L， PENG P， YIU K F C. Fabric defect detection using multi-level tuned-matched Gabor filter[J]. Journal of Industrial and Management Optimization，2012，8（2）：325-341.

[4] JING J F. ZHANG H H， LI P F， et al. Fabric defect detection using Gabor filters and defect classification based on LBP and Tamura method[J]. Journal of the Textile Institute， 2013，104（1）：18-27.

[5] 李春雷，高廣帥，劉洲峰，等.應(yīng)用方向梯度直方圖和低秩分解的織物疵點(diǎn)檢測(cè)算法[J].紡織學(xué)報(bào)，2017，38（3）：149-154.

[6] 楊曼，李仁忠，劉陽陽，等.基于改進(jìn)迭代匹配濾波的織物疵點(diǎn)檢測(cè)[J].西安工程大學(xué)學(xué)報(bào)，2017，31（3）：383-389.

[7] 何峰，周亞同，趙翔宇，等.紋理織物疵點(diǎn)窗口跳步形態(tài)學(xué)法檢測(cè)[J].紡織學(xué)報(bào)，2017，38（10）：124-131.

[8] KIM S M， PPAR CK. Evaluation of fabric pilling using hybrid imaging methods[J]. Fibers and Polymers， 2006，7（1）：71-89.

[9] 宋玉玲，孫淑娟，杜平凡，等.針織用腈綸仿羊絨紗的抗起毛起球性[J].現(xiàn)代紡織技術(shù)，2018，26（6）：39-42..

[10] 周圓圓，潘如如，高衛(wèi)東，等.基于標(biāo)準(zhǔn)樣照與圖像分析的織物起毛起球評(píng)等方法[J].紡織學(xué)報(bào)，2010，31（10）：29-33.

[11] 馬浩，景軍鋒，李鵬飛.基于機(jī)器視覺的管紗毛羽檢測(cè)[J].西安工程大學(xué)學(xué)報(bào)，2017，31（3）：377-382.

[12] 張婉婉，景軍鋒，蘇澤斌，等.紗線條干均勻度檢測(cè)算法研究[J].西安工程大學(xué)學(xué)報(bào)，2017，31（1）：58-64.

[13] 楊松林，馬帥，丁朝鵬，等. 應(yīng)用機(jī)器視覺的織物表面絨毛率測(cè)試系統(tǒng)[J]. 紡織學(xué)報(bào)，2017，38（6）：118-123.

[14] 何立風(fēng)，劉艷玲，鐘巖，等.一種高效的視頻背景提取方法[J].微電子學(xué)與計(jì)算機(jī)，2019，36（2）：57-61，67.

[15] SELVER M A， AVAR V， ZDEMIR H. Textural fabric defect detection using statistical texture transformations and gradient search[J]. Journal of the Textile Institute Proceedings & Abstracts， 2014， 105（9）：998-1007.

[16] 尤中桐，王太勇，劉清建，等.一種基于最小二乘法的離散點(diǎn)螺旋線式擬合算法[J].中國機(jī)械工程，2018，29（20）：2502-2506，2514.