紗線毛羽路徑匹配追蹤檢測

鄧中民， 于東洋， 胡灝東， 李 童， 柯 薇

武漢紡織大學 省部共建紡織新材料與先進加工技術(shù)國家重點實驗室， 湖北 武漢 430200)

紗線中毛羽的多少會直接影響紗線質(zhì)量，對紗線后續(xù)織造加工產(chǎn)生影響，同時也會影響織物外觀和手感[1-2]。目前，常用的毛羽評價指標有毛羽量、毛羽伸出長度、毛羽指數(shù)，對應的紗線毛羽檢測方法有光電法和人工計數(shù)法[3]。由于毛羽形態(tài)的彎曲性和相互交叉性，光電法忽略了毛羽形態(tài)的影響造成檢測結(jié)果不準確[4-5]；人工計數(shù)法檢測速率慢，耗費大量人力、物力。

隨著計算機圖像處理技術(shù)的發(fā)展，利用其對毛羽進行檢測越來越普遍。孫銀銀等[6]提出的紗線毛羽骨架追蹤方法以紗線條干上下分割線為起點，對多交點邊判斷邊消除，得到不同長度毛羽數(shù)量，結(jié)果較為準確，但存在檢測盲區(qū)，無法對重疊毛羽進行檢測。吳珍[7]提出通過提取毛羽邊緣進行追蹤的方法，不受彎曲毛羽形態(tài)影響，檢測速率快，但對交叉毛羽無法進行準確計算。Jing等[4]提出基于MRMRF算法，以紗線主干為基準進行檢測的方法，但該方法無法檢測彎曲毛羽長度。

為解決上述圖像檢測法中存在的缺陷，本文提出一種毛羽路徑匹配追蹤檢測方法。即對毛羽骨干圖像進行遍歷獲取毛羽起點，對毛羽點八鄰域按不同情況進行判斷實現(xiàn)毛羽追蹤；在毛羽交叉部位通過選取毛羽交叉點前部分毛羽路徑點，計算斜率并動態(tài)分配權(quán)重得到交叉區(qū)域毛羽斜度，以此來對多路徑點進行匹配，找到最佳毛羽點實現(xiàn)毛羽路徑匹配跟蹤；最后依次記錄毛羽路徑得到毛羽總像素數(shù)，轉(zhuǎn)化為毛羽的長度，實現(xiàn)毛羽長度檢測。

1 紗線圖像采集

本文實驗采用RH2000視頻顯微鏡采集紗線毛羽圖像，選取紗線樣本為29.5 tex棉紗。為保證采集紗線圖像清晰、完整和具有參考性，采集圖像分辨率為1 920像素×1 200像素，放大倍數(shù)為50倍；同時保證紗線位于相機視野中間，軸線保持水平，調(diào)整光源和焦距使毛羽圖像清晰[8-9]。采集紗線圖像如圖1所示。

圖1 原始紗線圖像

2 紗線圖像處理

2.1 圖像預處理

由于紗線毛羽主干和采集過程中的噪點會對后續(xù)紗線毛羽的處理產(chǎn)生影響[10]，為消除這些影響，利用MatLab圖像處理軟件對采集的紗線毛羽圖像進行灰度化、濾波處理、OTSU圖像分割、形態(tài)學運算，獲取預處理毛羽圖像[11-12]如圖2所示。

圖2 預處理后紗線圖像

2.2 毛羽骨干化處理

預處理后的毛羽圖像中毛羽直徑由多個像素點構(gòu)成，運用本文提出的毛羽路徑匹配追蹤算法對毛羽進行追蹤，需要對獲取的預處理毛羽圖像進行骨干化處理，獲取以單個像素點為直徑的骨干化毛羽圖像。骨干化處理后毛羽圖像像素值取反后圖像如圖3所示。

圖3 取反后毛羽骨干化圖像

3 毛羽路徑追蹤

3.1 毛羽起始點確定

實現(xiàn)毛羽骨架追蹤，需要確定毛羽起始點位置。在毛羽骨干化圖像矩陣中從上到下逐行進行遍歷，以搜尋到各毛羽骨架第1個端點作為各毛羽起始點。毛羽追蹤完成后，從該起始點位置繼續(xù)向后遍歷搜尋下一根毛羽起始點。起始點判定過程如下：1)從上到下逐行遍歷毛羽骨架圖像矩陣，找到像素值為1的像素點，記作B；2)對像素點B周圍八鄰域像素值為1的像素點個數(shù)進行判斷，若像素點B八鄰域中像素值為1的像素點個數(shù)為1個，則判定像素點B為毛羽起始點。

根據(jù)上述判斷可以準確找到毛羽端點即毛羽起始點位置，避免以毛羽骨架中間某像素點作為起始點情況。

3.2 交叉區(qū)域多路徑點匹配

毛羽形態(tài)彎曲多變、情況復雜，在毛羽交叉區(qū)域會出現(xiàn)多路徑毛羽點情況(即交叉部位毛羽點八鄰域中存在多個像素值為1 的新毛羽路徑點)，如圖4中2根毛羽路徑點[B(i),B(i+1),B(i+2),B(i+3),B(i+4),B(i+5)]和[A(j),A(j+1),B(i+3),A(j+2),A(j+3)]在交叉部位毛羽點B(i+3)周圍出現(xiàn)多路徑點情況。

圖4 多路徑毛羽點

為準確追蹤毛羽路徑點，需要根據(jù)毛羽走向確定多毛羽中正確的毛羽路徑點。利用毛羽在交叉部位局部斜度對多路徑毛羽點進行匹配進而確定下個毛羽路徑點位置。通過統(tǒng)計該毛羽點前跟蹤所得毛羽路徑數(shù)量n，動態(tài)選取臨近交叉點n/3的毛羽路徑點，計算每2個相鄰毛羽點B(i)和B(i+1)之間斜率，并按照毛羽點位置賦予斜率動態(tài)權(quán)重(p(i)):

式中：i為每2個相鄰毛羽點序號；a為交叉點前n/3毛羽路徑點數(shù)量。

由p(i)計算交叉匹配值(k)，公式為

式中：y(i)和y(i+1)為選取的毛羽點在矩陣中的列值；x(i)和x(i-1)為選取的毛羽點在矩陣中的行值。

離交叉點越近分配的權(quán)重越大，進而得到毛羽交叉位置準確的毛羽斜度。計算毛羽點B(i+3)八鄰域中未追蹤毛羽點與B(i+3)的斜率，將得到的斜率和交叉匹配值k進行匹配，將斜率最接近交叉匹配值的毛羽點確定為下一個最佳毛羽點，實現(xiàn)交叉部位多路徑點匹配追蹤。

3.3 毛羽追蹤

毛羽形態(tài)彎曲多變并伴隨有交叉情況產(chǎn)生，造成毛羽追蹤情況復雜，在毛羽追蹤過程中會出現(xiàn)不同數(shù)量的新毛羽路徑點情況。為準確追蹤毛羽路徑點，獲取各毛羽骨架長度，根據(jù)毛羽路徑實際情況，針對不同毛羽路徑點數(shù)量需要提出不同方案進行處理，毛羽處理和判斷流程如圖5所示。

圖5 毛羽追蹤流程圖

根據(jù)上述毛羽在不同情況下的判斷流程對毛羽進行追蹤，追蹤過程如圖6所示，圖中×表示像素值為0。以圖6(a)中毛羽點B作為毛羽起始點對八鄰域像素點(a1,a2,a3,a4,a5,a6,a7,a8)進行判斷。

圖6 毛羽路徑

毛羽路徑匹配追蹤過程及追蹤步驟如下。

1)從毛羽起始點B開始追蹤,毛羽路徑為[B],判斷其八鄰域位置像素點(見圖6(b))，周圍僅有1個像素點B1像素值為1，對比毛羽路徑判斷該像素點未被追蹤，將該像素點作為下一個毛羽路徑點，得到新毛羽路徑為[B,B1]。

2)以毛羽路徑點B1作為新的毛羽起始點，判斷點B1八鄰域得到2個像素點B和B2像素值為1(見圖6(c)), 對比毛羽路徑判斷像素點B2未被追蹤，是新的毛羽路徑點，將該像素點作為下一個毛羽路徑點，得到新毛羽路徑為[B,B1,B2]。

3)以毛羽路徑點B2作為新的毛羽起始點，判斷點B2八鄰域得到4個像素點(B1,J1,B3,J3)像素值為1(見圖6(d))，判定B2毛羽點出現(xiàn)多路徑點情況。對比毛羽路徑判斷像素點(J1,B3,J3)未被追蹤，是新的毛羽路徑點，對這3個像素點(J1,B3,J3)執(zhí)行交叉區(qū)域路徑匹配處理，計算3個像素點和B2點的斜率，與交叉匹配值k進行匹配，獲取正確毛羽路徑點B3，將該像素點作為下一個毛羽路徑點，得到新毛羽路徑為[B,B1,B2,B3]。

4)以毛羽路徑點B3作為新的毛羽起點，判斷點B3八鄰域得到2個像素點(B2,B4)像素值為1(見圖6(e)), 對比毛羽路徑判斷像素點B4未被追蹤，是新的毛羽路徑點，將該像素點作為下一個毛羽路徑點，得到新毛羽路徑為[B,B1,B2,B3,B4]。

5)以毛羽路徑點B4作為新的毛羽起點，判斷點B4八鄰域得到1個像素點B3像素值為1，對比毛羽路徑是已追蹤像素點，無新的像素點，追蹤結(jié)束，得到新毛羽路徑為[B,B1,B2,B3,B4]。

追蹤毛羽路徑時，往往當前毛羽起始點周圍出現(xiàn)多個新毛羽路徑點，無法確定下一個毛羽路徑點時，執(zhí)行交叉區(qū)域路徑匹配處理，確定下一個毛羽點位置。對于存在有3個像素點像素值為1的毛羽點路徑情況如圖7所示。

圖7 B1鄰域點

根據(jù)追蹤步驟，當追蹤到點B1時，以點B1為起始點，判斷點B1八鄰域得到3個像素點(B,J1,B2)像素值為1。判定B1毛羽點出現(xiàn)多路徑點情況，對比毛羽路徑判斷像素點(J1,B2)未被追蹤，是新的毛羽路徑點，執(zhí)行交叉區(qū)域路徑匹配，確定下一個毛羽路徑點B2，得到新毛羽路徑為[B,B1,B2]。以B2為起始點重復上述判斷過程得到多毛羽路徑點最終毛羽路徑為[B,B1,B2,B3,B4]。

統(tǒng)計追蹤毛羽路徑中毛羽點數(shù)量，即為毛羽像素數(shù)量，保留交叉部位八鄰域存在有4個路徑點情況的毛羽點，消除已追蹤毛羽路徑，從圖像矩陣中上一根毛羽起始點位置開始向后搜尋下一個毛羽起始點，進行下一次毛羽追蹤。

3.4 多重合交叉優(yōu)化處理

毛羽交叉點的保留處理可以避免交叉毛羽產(chǎn)生中斷，提高交叉毛羽檢測準確性。針對毛羽交叉情況分析，毛羽圖像中由于交叉位置像素的重疊性導致骨干化后，部分交叉會出現(xiàn)多重合交叉點情況，如圖8所示。

圖8 多重合毛羽點交叉

通過實例統(tǒng)計分析,毛羽在交叉部位重合像素數(shù)在14以內(nèi)，針對這一特征提出交叉閾值來實現(xiàn)毛羽交叉區(qū)域毛羽點保留，進而處理單重合交叉點和多重合交叉點情況。在追蹤毛羽時遇到一個交叉區(qū)域,從交叉位置開始標記毛羽路徑點，限制標記毛羽路徑點個數(shù)P在交叉閾值14內(nèi)，如果標記毛羽路徑點中有不小于2個為毛羽交叉點,則找到具有最大路徑間距的2個毛羽交叉點，在毛羽追蹤結(jié)束消除毛羽路徑時，保留這2個交叉點之間的路徑點。毛羽路徑點個數(shù)為

式中:m為毛羽交叉區(qū)域第1個交叉點位置；j為在交叉閾值限制內(nèi)最后1個毛羽點位置。

以N2作為交叉點交叉(區(qū)域如圖9所示)進行交叉點優(yōu)化處理。

圖9 交叉區(qū)域

當毛羽路徑追蹤到N2時，根據(jù)N2八鄰域像素點數(shù)量判斷為多路徑毛羽點情況。從像素點N2開始標記毛羽路徑點，標記個數(shù)限制在交叉閾值內(nèi)，利用八鄰域毛羽點數(shù)量和交叉區(qū)域路徑匹配追蹤，最終得到毛羽路徑為[N1,N2,J3,J4,N5,N6]，找到標記毛羽路徑點中具有最大毛羽路徑間距的2個毛羽交叉點N2和N5。追蹤結(jié)束后對毛羽路徑消除時保留毛羽點N2和N5之間毛羽路徑點[J3,J4]。通過對交叉部位保留處理可提高檢測準確性。

4 檢測結(jié)果與分析

為檢測測量結(jié)果的準確性，選取圖3毛羽圖像中4幀不同形態(tài)毛羽骨架，檢測毛羽骨架中有交叉毛羽、回型毛羽和彎曲毛羽，如圖10所示。

圖10 毛羽樣本

利用毛羽像素和圖像分辨率的換算關(guān)系得到毛羽圖像中每個像素點代表實際長度為0.004 mm，將路徑匹配法檢測的像素數(shù)量轉(zhuǎn)化為毛羽長度；同時，選用基于投影法的蘇州長風紡織機電科技有限公司CFH400毛羽儀和采集圖像所用到日本浩視株式會社RH2000視頻顯微鏡具有的二維測量工具作為人工法檢測進行對比，結(jié)果如表1所示。

表1 毛羽長度檢測結(jié)果對比

檢測長度結(jié)果表明本文路徑匹配追蹤法測量的毛羽長度比投影法結(jié)果都要長，尤其對于樣本1和2彎曲較多和樣本4傾斜程度較大的毛羽，路徑匹配追蹤方法檢測的毛羽長度與投影法檢測毛羽長度相比差距最大。這是因為投影法測量的是毛羽的絕對長度，無法對彎曲毛羽進行準確統(tǒng)計[13-14]，而本文的路徑匹配追蹤法對彎曲毛羽和交叉毛羽同樣適用。從統(tǒng)計結(jié)果可以看出，毛羽路徑匹配追蹤檢測的結(jié)果更符合毛羽真實長度。

為進一步驗證本文方法的準確性，選取6 個紗線毛羽片段，每個紗線片段連續(xù)采集100 幅毛羽圖像，每幀圖像中紗線毛羽長度為10 mm，紗線實際長度為1 m，進行毛羽長度的統(tǒng)計，實驗取6 次結(jié)果的平均值。本文路徑匹配追蹤方法與視頻顯微鏡人工法檢測和基于投影法的毛羽儀檢測對比結(jié)果如表2、3所示。

表2 路徑匹配追蹤方法與人工法檢測結(jié)果對比

表2中以人工法作為毛羽實際長度基準，誤差范圍在4%以內(nèi)。這是由于本文實驗以圖像實際水平長度和水平像素數(shù)量計算得到單位像素長度，而毛羽彎曲會造成毛羽路徑中一部分相鄰像素點呈非水平或垂直接鄰，導致毛羽長度計算產(chǎn)生誤差。當毛羽長度在4～6 mm范圍內(nèi)，由于毛羽長度統(tǒng)計通常按照向下取整處理，且本文實驗選取樣本中此長度范圍內(nèi)毛羽數(shù)量較少，從而使路徑匹配追蹤法和人工法測得結(jié)果接近。

表3中以路徑匹配追蹤法作為基準，對比投影法檢測結(jié)果可知，毛羽路徑匹配追蹤法檢測不同長度毛羽的數(shù)量都比投影法多。這是由于投影法無法對彎曲毛羽進行有效檢測，對于彎曲越多的毛羽適應性越差；而路徑匹配追蹤法可對各形態(tài)毛羽路徑進行準確追蹤，尤其對較多彎曲和交叉毛羽更為適用，測得的毛羽長度更加真實和準確。

表3 路徑匹配追蹤方法與投影法檢測結(jié)果對比

由于毛羽檢測更多是在線檢測技術(shù)，高效性是其檢測方法能否廣泛應用的基礎(chǔ)，本文提出的毛羽追蹤匹配算法檢測時間與毛羽復雜度和計算機硬件有關(guān)。通過對本文方法檢測單幅圖像中10 mm實際毛羽長度時間進行統(tǒng)計發(fā)現(xiàn)，檢測時間范圍為0.4～1.2 s，可滿足在線檢測技術(shù)的使用要求；同時本文所提檢測方法可有效檢測出交叉毛羽和彎曲毛羽，提高紗線毛羽的檢測準確度，具有可投入實際應用的前景。

5 結(jié) 論

本文基于圖像處理技術(shù)提出的用于紗線毛羽長度檢測的追蹤算法，能夠準確獲取毛羽長度信息，相比于常規(guī)毛羽投影法和圖像檢測法，本文方法可消除彎曲毛羽檢測不準確，毛羽交叉情況無法準確追蹤毛羽路徑的弊端，可以更加全面地反映紗線毛羽的分布情況，提高毛羽檢測準確度。本文提出的紗線毛羽路徑匹配檢測結(jié)果與實際毛羽長度相近，檢測時間具有高效性和可行性，可為將來設計紗線毛羽檢測系統(tǒng)提供參考。