基于機器視覺(jué)的紗線(xiàn)管顏色和紗線(xiàn)量識別研究

作者 盧萌萌1 安俊峰2 孫麗萍1 崔英英1 1.山東勞動(dòng)職業(yè)技術(shù)學(xué)院(山東 濟南 250000)2.濟南軌道交通集團有限公司(山東 濟南 250000)

　　盧萌萌(1989-)，女，碩士，研究方向：電力電子與電力傳動(dòng)、模式識別及圖像處理。

摘要：機器視覺(jué)能幫助解決較繁瑣工作，實(shí)現自動(dòng)化流程，節約人力物力。紗線(xiàn)管的顏色識別和紗線(xiàn)量的多少確定是流水線(xiàn)上重要的問(wèn)題，對紡紗管的圖像進(jìn)行顏色識別和紗線(xiàn)量多少的研究是本文的重點(diǎn)。采用MATLAB工具進(jìn)行計算機算法設計，分為兩個(gè)主要部分：第一部分為紗線(xiàn)管顏色識別，包括訓練集的搜集：將所收集的圖片分成紅色、黃色、黑色和藍色四類(lèi);求解每一類(lèi)圖片的顏色特征;輸入一張紗線(xiàn)管圖片，通過(guò)svm算法來(lái)判斷紗線(xiàn)管顏色。第二部分是判斷紗線(xiàn)管的紗線(xiàn)量，具體做法是將圖像先進(jìn)行圖像預處理工作;對紗線(xiàn)管分別進(jìn)行濾波、閾值分割、灰度投影，對灰度投影的曲線(xiàn)進(jìn)行平滑處理，這樣就可以得到紗線(xiàn)管的紗線(xiàn)位置，進(jìn)而通過(guò)比例計算得到紗線(xiàn)量。研究的算法可以運用到紡紗生產(chǎn)中，提高自動(dòng)化程度。

0 前言

　　紡織行業(yè)是輕工業(yè)的范疇，近些年來(lái)應用計算機技術(shù)進(jìn)行數字化紡織的研究成為一種主流，對紡織業(yè)的發(fā)展起到了巨大的作用，促進(jìn)了經(jīng)濟的發(fā)展。工業(yè)程度的重視既是機遇，又是挑戰，通過(guò)應用計算機技術(shù)、物聯(lián)網(wǎng)技術(shù)、大數據、人工智能等技術(shù)進(jìn)行紡織行業(yè)的更新和研究必將取得重大的突破。

　　紡織生產(chǎn)裝備的數字化、網(wǎng)絡(luò )化和自動(dòng)化是必然趨勢，機器視覺(jué)、先進(jìn)制造技術(shù)、大數據技術(shù)、智能和圖像處理技術(shù)經(jīng)常被應用于紡織生產(chǎn)的各個(gè)環(huán)節中并產(chǎn)生重大的價(jià)值。其中紗線(xiàn)管是本文研究的重點(diǎn)，圖1為紗線(xiàn)管的圖像。

   高質(zhì)量紡織產(chǎn)品的誕生離不開(kāi)紗線(xiàn)研究，織物結構參數分析尤其重要，實(shí)現紡紗管的自動(dòng)識別和紗線(xiàn)量多少的識別，滿(mǎn)足紡織行業(yè)高效率的技術(shù)要求。紡紗自動(dòng)化已經(jīng)緊密結合計算機視覺(jué)和計算機技術(shù)成為一種主流技術(shù)。如果借助計算機來(lái)實(shí)現紡紗自動(dòng)化，將紗線(xiàn)管的顏色和紗線(xiàn)量進(jìn)行分析，利用攝像頭觀(guān)察識別，并在發(fā)現紗線(xiàn)量過(guò)低或者紗線(xiàn)管顏色錯誤的時(shí)候進(jìn)行警報，這樣就降低了人力的投入，提高了自動(dòng)化程度，對于以后批量生產(chǎn)紡織品有著(zhù)重大意義^[1-5]。

1 主框架設計

　　圖2是紡紗識別系統的示意圖。通過(guò)圖2總體構架可以看出，進(jìn)行顏色分類(lèi)和紡紗量多少的確定是最主要的部分。

　　1.1 顏色識別過(guò)程中主要注意事項

　　顏色的確定。紗線(xiàn)管的顏色較多，可能有赤橙黃綠青藍紫七種顏色，本文主要研究四種，紅色、黃色、黑色和藍色。用這四種來(lái)做研究說(shuō)明。

　　(1)每一種顏色的紗線(xiàn)管數目要多，有一定的典型性和代表性，便于后面處理算法。

　　(2)采用的紗線(xiàn)管上都含有紗線(xiàn)，一般紗線(xiàn)管的兩端是漏出的，在兩端可以看出顏色，因此選擇紗線(xiàn)管訓練樣本時(shí)候盡可能選擇能夠清晰辨別出紗線(xiàn)管顏色的樣本。

　　(3)每一種紗線(xiàn)管圖像采集時(shí)，攝像頭的拍攝位置、角度、方位和光照強度保持一致。使得后期分類(lèi)正確率提高。

　　1.2 紗線(xiàn)管含量確定主要注意事項

　　(1)固定目標位置，選擇優(yōu)質(zhì)圖片，便于識別

　　該部分主要是定位到紗線(xiàn)量最佳視角，找到拍攝的好角度。遇到拍攝的圖像對紗線(xiàn)管定位模糊，紗線(xiàn)特征不直觀(guān)的情況下，快速、準確地找出定位目標尤為重要。首先紗線(xiàn)是存在的，不可能是單一點(diǎn)。把所有紗線(xiàn)的位置統計出來(lái)，進(jìn)行大范圍檢測?？傆袔讉€(gè)角度適合，分別保存選擇圖像效果最好的進(jìn)行圖像處理。將拍攝的初始圖像輸進(jìn)計算機，然后處理該圖像，將所需部分單獨分割處理，然后結合數字圖像處理技術(shù)，對比分析如果紗線(xiàn)量含量過(guò)低，就進(jìn)行預警。

　　(2)目標紗線(xiàn)部分的分割

　　利用圖像分割的操作手段，實(shí)現將紗線(xiàn)管和其紗線(xiàn)部分分割成獨立部分。主要的算法有灰度投影法，氣泡法等，結合本文實(shí)際，選擇最為直接的灰度投影法，原因是紗線(xiàn)管中紗線(xiàn)的含量部分圖像比較突出以及本身體積較小，灰度投影法的效果較好，誤差小。

　　(3)目標紗線(xiàn)部分含量的識別

　　經(jīng)過(guò)對紗線(xiàn)圖像的預處理以及灰度投影法的分割處理，來(lái)實(shí)現突出紗線(xiàn)的特征，常用方法有統計法、模型法、幾何法等。這個(gè)部分為了得到紗線(xiàn)特征尤為重要。通過(guò)算法設計，利用比例法將拍攝圖像的尺寸進(jìn)行統計，便于比較。

2 顏色分類(lèi)的具體算法

　　顏色分類(lèi)的算法設計如圖3所示。

　　鎖定紗線(xiàn)管圖。首先確定紗線(xiàn)管的圖，找到合適的圖形，盡量讓紗線(xiàn)管的兩端露出紗線(xiàn)管的顏色。

　　訓練集的搜集。找到四類(lèi)顏色：紅色、黑色、藍色和黃色。每一個(gè)庫里面包含20張圖片，一共80張圖片，組成訓練集。

　　訓練集特征提取和SVM訓練。對每一類(lèi)顏色的每一張圖片取1個(gè)10*10的正方形范圍大小的圖片樣本。

　　如圖4，首先確定原始圖像的大小，然后找到原始圖像的對稱(chēng)軸，對稱(chēng)軸的上下5個(gè)像素共10個(gè)像素作為樣本的長(cháng)，右側邊緣的后50到后40個(gè)像素作為樣本的寬，那么就組成了樣本的10x10矩陣大小的新圖像。所有80個(gè)樣本都按照這個(gè)方法進(jìn)行實(shí)驗和處理。80個(gè)新樣本組成集合B。

　　對于新樣本集合B采取提取特征，每一個(gè)10x10的矩陣圖作為一個(gè)RGB圖像，分別提取r、g、b分量的均值，方差、標準差、最大值、最小值和中值特征，每個(gè)樣本有共計18個(gè)特征;80個(gè)新樣本組成一個(gè)80*18的特征矩陣，對于特征矩陣進(jìn)行SVM訓練，保存網(wǎng)絡(luò )。

　　求解特征的方法是：首先提取r分量，是一個(gè)10*10的矩陣，轉換成一個(gè)1*100的向量，再求解它的6個(gè)特征;然后對g，b分量采取相同的措施，得到共計18個(gè)特征。

　　其中均值、方差、標準差的公式如式(1)~式(3)，其中，a是1*100的向量。

　　另外，最大值、最小值和中值特征用MATLAB自帶的函數計算較為方便。

　　SVM是一個(gè)典型的分類(lèi)算法，可以實(shí)現多分類(lèi)的過(guò)程，這里采用臺灣大學(xué)林教授編寫(xiě)的libsvm工具箱進(jìn)行分類(lèi)研究，安裝好工具箱后，配置一定的環(huán)境，然后選擇合適的參數c、g的數值，進(jìn)行訓練集的分類(lèi)，將SVM網(wǎng)絡(luò )保存供后期的測試使用。

　　輸入測試圖像并且進(jìn)行SVM識別，對于待檢測圖像，首先獲取樣本圖像，然后提取樣本圖像的特征，進(jìn)而進(jìn)行SVM識別操作，得到相關(guān)的類(lèi)別標簽，也就是判定測試圖像屬于什么顏色^[6-10]。

　　本文采用多次試驗進(jìn)行測試，得到的SVM識別結果如圖5及表1所示。

3 紗線(xiàn)量的確定算法

　　紗線(xiàn)量確定的算法設計如圖6所示。

　　本文部分采用圖像處理技術(shù)進(jìn)行處理，主要涵蓋基本操作等基本內容，實(shí)現了最后紗線(xiàn)含量的確定^[7-11]。

　　(1)鎖定紗線(xiàn)管圖，首先確定紗線(xiàn)管的圖，找到合適的圖形，盡量讓紗線(xiàn)部分區分明顯。

　　(2)輸入原圖之后，對圖片進(jìn)行灰度變換，進(jìn)行灰度變換的代碼指令為rgb2gray，灰度變換以后的圖片如圖7所示。

　　(3)為了讓圖像中的紗線(xiàn)部分突出，采用閾值分割算法，求出圖像的最大灰度數值和最小灰度數值，應用迭代閾值最佳算法進(jìn)行，輸出效果如圖8，為了去除噪聲，一般采用中值濾波進(jìn)行濾波處理。

　　其中中值濾波采用的指令為：b=medfilt2(a,[m,n])。

　　(4)灰度投影法確定紗線(xiàn)部分的位置

　　采用圖像的灰度投影 采用的指令為：ss=sum(b);其中b為中值濾波后的圖像;采用平滑處理方法對灰度投影曲線(xiàn)進(jìn)行平滑處理，指令為：smooth(ss,32,'sgolay',11)，平滑后的曲線(xiàn)更容易得到紡紗量的數據信息。如圖9所示。

　　通過(guò)分析得知，圖9右側的圖兩個(gè)箭頭所指的位置就是紗線(xiàn)的左側和右側邊緣。

　　(5)比例法求解紗線(xiàn)量的多少。

　　通過(guò)圖9，求解兩個(gè)拐點(diǎn)a、b，圈出紗線(xiàn)的位置，總長(cháng)度為d。

　　根據公式(4)求解出紗線(xiàn)量的含量：

(4)

　　其中標記處紗線(xiàn)含量的指令為：rectangle('Position',[a,c,abs(b-a),cc],'LineWidth',2,'LineStyle','-','EdgeColor','r')。其中a是紗線(xiàn)的左側邊緣，c是上側邊緣，cc是上側邊緣和下側邊緣的距離。

　　根據公式4求解紗線(xiàn)含量的比重為：45.75%，與真實(shí)的數值差距不大，在允許的誤差范圍內，證明方法具有可行性，本文采用該方法驗證測試樣本100個(gè)，相對誤差都在5%以?xún)取?/p>

4 結論

　　本文淺談了紡紗工業(yè)的形勢，主要介紹了顏色分類(lèi)和紗線(xiàn)量多少的算法設計，紡紗管圖像輸入以后可以判斷出紗管的顏色以及紗線(xiàn)量，根據系統的算法結果具有可行性和有效性。

　　實(shí)現紡紗自動(dòng)化的研究離不開(kāi)機器視覺(jué)，未來(lái)將是人工智能的時(shí)代，在以后的研究過(guò)程中，著(zhù)重提高幾個(gè)方面：(1)系統能夠滿(mǎn)足更復雜圖片的識別，使得識別的結果更加精確;(2)爭取使用較多樣本的數據庫，有效的解決大量圖像處理問(wèn)題，設計出一個(gè)軟件體系;(3)提高圖像識別的速度，魯棒性;(4)采用C語(yǔ)言嵌入到linux系統，結合硬件設備。實(shí)現軟硬件結合的高級系統。

　　參考文獻：

　　[1]李蘭女.紗線(xiàn)質(zhì)量日常管理中的問(wèn)題及其改進(jìn)[J].上海紡織科技, 2008 , 36 (6):37-39.

　　[2]付榮.機器視覺(jué)技術(shù)農業(yè)生產(chǎn)中的應用[J]呼倫貝爾職業(yè)技術(shù)學(xué)院,2011,(208):6-7.

　　[3]Zhao J H, Luo X W, Liu M H, et al. Application of BP Neural Network to Sugarcane Diseased Spots Classification[A]. Second International Symposium on Intelligent Information Technology Application[C], IEEE Transations,2008:422-425.

　　[4]Li J H, Gao L W, Shen Z R. Extraction and analysis of digital images feature of three kinds of wheat diseases[A]. 2010 3rd International Congress on Image and Signal Processing (CISP2010) [C], IEEE Transations,2010:2543-2548.

　　[5]成芳,應義斌.機器視覺(jué)技術(shù)在農作物種子質(zhì)量檢測中的應用研究發(fā)展[J]農業(yè)工程學(xué)報2011,17(6):175-179

　　[6]楊紅珍,張建偉,李湘濤,等.基于圖像的昆蟲(chóng)遠程自動(dòng)識別系統的研究[J].農業(yè)工程學(xué)報,2008,24(1):188-192.

　　[7]鄔嘯,魏延,吳瑕.基于混合核函數的支持向量機[J];重慶理工大學(xué)學(xué)報(自然科學(xué));2011,10.

　　[8]鄔書(shū)躍.基于支持向量機和貝葉斯分析技術(shù)的入侵檢測方法研究[D].中南大學(xué),2012.

　　[9]朱鑫.基于圖像處理的植物根系分割及定量分析系統的研究與實(shí)現[D].重慶大學(xué),2014.

　　[10]魏曉麗,殷健.物體形狀位置圖像處理算法[J].計算機應用,2000,09.

　　[11]褚文濤.基于復合圖像處理方法的路表面裂縫類(lèi)破損自動(dòng)識別方法研究[D].上海交通大學(xué),2013.

　　本文來(lái)源于《電子產(chǎn)品世界》2018年第7期第45頁(yè)，歡迎您寫(xiě)論文時(shí)引用，并注明出處。