棉花質(zhì)量檢測(cè)技術(shù)研究

1、基于彩色與近紅外圖像信息融基于彩色與近紅外圖像信息融合的軋棉質(zhì)量分級(jí)方法合的軋棉質(zhì)量分級(jí)方法匯報(bào)內(nèi)容 背景介紹及研究?jī)?nèi)容背景介紹及研究?jī)?nèi)容 實(shí)驗(yàn)及處理結(jié)果實(shí)驗(yàn)及處理結(jié)果 結(jié)論結(jié)論5/27/20225/27/20221 1、背景介紹、背景介紹 軋棉質(zhì)量直接決定了紡織品的質(zhì)量，它不僅影響紡織品的質(zhì)量，對(duì)染色質(zhì)量影響也較大。因此原棉的質(zhì)量檢測(cè)是棉紡行業(yè)中一項(xiàng)重要的流程，直接關(guān)乎整個(gè)棉紡織業(yè)。 而軋工質(zhì)量分級(jí)主要是依據(jù)樣棉的外觀形態(tài)與疵點(diǎn)種類及其程度來進(jìn)行。而目前國(guó)內(nèi)檢測(cè)方式人工肉眼識(shí)別,該方法有一定經(jīng)驗(yàn)，但費(fèi)時(shí)費(fèi)力。 各種疵點(diǎn)及外觀形態(tài)：帶纖維籽屑僵棉棉結(jié)破籽5/27/2022 隨著機(jī)器視覺技術(shù)的不

2、斷發(fā)展，為軋棉質(zhì)量檢測(cè)提供了一種自動(dòng)，無損，高效的方法。目前，軋棉質(zhì)量檢測(cè)成為此行業(yè)的熱點(diǎn)，國(guó)內(nèi)外學(xué)者對(duì)基于圖像的分級(jí)方法進(jìn)行了大量研究，但大多數(shù)軋棉質(zhì)量的分級(jí)依據(jù)過于單一，側(cè)重于棉花中異性纖維、僵棉、籽屑等某種單一的疵點(diǎn)，然而，僅以單特征信息的判斷存在片面性，容易誤判，不能真正滿足軋棉質(zhì)量的多指標(biāo)分級(jí)要求。 本文采用信息采用信息融合技術(shù)利用彩色和近紅外兩種圖像信息進(jìn)行特征提取，然后采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建分類器分別進(jìn)行等級(jí)識(shí)別，最后，利用 D-S 證據(jù)理論對(duì)識(shí)別結(jié)果進(jìn)行決策級(jí)融合，實(shí)現(xiàn)軋棉質(zhì)量的分級(jí)。5/27/20222、彩色圖像檢測(cè)、彩色圖像檢測(cè)圖圖2.1 彩色系統(tǒng)示意圖彩色系統(tǒng)示意圖2.1

3、實(shí)驗(yàn)裝置如圖實(shí)驗(yàn)裝置如圖2.1所示所示5/27/2022 在疵點(diǎn)識(shí)別過程中，將三通道分別進(jìn)行形態(tài)學(xué)處理，利用膨脹相減，腐蝕，然后利用歐式距離法將其融合為一個(gè)通道進(jìn)行疵點(diǎn)提取。在疵點(diǎn)識(shí)別時(shí)使用面積法，將僵棉、破籽、帶纖維屑進(jìn)行識(shí)別。彩色圖像僵棉破籽籽屑2.2.1 基本原理基本原理5/27/2022圖2.2 僵棉與破籽面積所占像素點(diǎn)5/27/2022讀取圖像R,G,B三通道形態(tài)學(xué)處理融合及分割填充二值化連通圖像破籽個(gè)數(shù)加1僵棉個(gè)數(shù)加1籽屑個(gè)數(shù)加110000150是否是否連通域面積彩彩色色圖圖像像處處 ：理理原原理理圖2.3 算法流程圖5/27/20222.1.2 實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果 我們可以根據(jù)GB

4、1103-2012棉花 細(xì)絨棉國(guó)家標(biāo)準(zhǔn)的分類標(biāo)準(zhǔn)，通過對(duì)各疵點(diǎn)的種類和數(shù)目完成軋棉質(zhì)量分級(jí)，通過對(duì)優(yōu)，良，中，差四個(gè)等級(jí)的樣棉各20個(gè)分別進(jìn)行處理，以上方法對(duì)疵點(diǎn)的識(shí)別有較高的正確率，并且最終對(duì)軋棉質(zhì)量的分級(jí)準(zhǔn)確率達(dá)到了71.25%。5/27/20222.2.1 紋理分析紋理分析 關(guān)于圖像外觀形態(tài)的表面平滑度，棉層蓬松度，先前所述的方法就不再適用，因此我們采用對(duì)其紋理的分析。 圖像的紋理表現(xiàn)為圖像像素灰度級(jí)的某種變化, 在圖像分類中得到廣泛應(yīng)用 , 紋理分析中利用灰度共生矩陣作為描述參量。計(jì)算了局部平穩(wěn)( L) 、熵( H ) 、慣性矩（I）和能量( E ) 4 種紋理特征 。式中:i 和j

5、的取值由目標(biāo)圖像的范圍定,P(i,j)為圖像灰度值。5/27/20222.2.2 基于基于BP神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計(jì) BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鱾鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其基本原理是采用梯度下降法調(diào)整權(quán)值和閾值使得網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的均方誤差值最小，其模型結(jié)構(gòu)如圖2.2.2所示：圖 2.2.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)5/27/2022 選取40個(gè)訓(xùn)練樣本的局部平穩(wěn)( L) 、熵( H ) 、慣性矩（I）和能量( E ) 4 種紋理特征參量作為輸入層，軋棉質(zhì)量等級(jí)為輸出，對(duì)BP神經(jīng)網(wǎng)絡(luò)分離器進(jìn)行訓(xùn)練，并對(duì)每個(gè)等級(jí)20個(gè)測(cè)試樣本進(jìn)行識(shí)別，識(shí)別正確率為73.75%。2.2.

6、3 實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果5/27/20223 3、近紅外圖像檢測(cè)、近紅外圖像檢測(cè) 由于棉結(jié)、索絲的顏色接近于原棉的顏色，因此先前介紹的彩色圖像檢測(cè)的方法就不再適用。 我們通過建立索絲棉結(jié)模型，提出了一種有效的檢測(cè)方法，該方法利用線結(jié)構(gòu)近紅外激光器作為光源，對(duì)原棉進(jìn)行線掃描，對(duì)掃描后的圖像進(jìn)行減法運(yùn)算，將其融合為一幅圖像，可以有效的提取出棉結(jié)、索絲。再對(duì)提取的棉結(jié)、索絲進(jìn)行斷點(diǎn)連接、形態(tài)學(xué)等處理，可以有效的提取出原棉中的棉結(jié)和索絲。5/27/20223.13.1基本原理基本原理3.1.1 單纖維模型單纖維模型 當(dāng)光線入射到纖維表面時(shí)，會(huì)發(fā)生正反射光、表面散射光、來自內(nèi)部的散射光和透射光所形成。其模型

7、如圖3.1.1a所示：nnsinarcsin0折射角：圖3.1.1a 單纖維模型5/27/2022 設(shè)棉纖維外表面的主反射率為 、主透射率為 、 內(nèi)表面一次反射率為 和透射率為 ，由菲涅爾公式可得：2222sinsintantan21)(R222sin2sin2sincossin2sin2sin21)(T)()(RR)()(TT5/27/2022當(dāng)折射率n=1.58，其仿真結(jié)果如3.1.1b圖所示： 由仿真結(jié)果可以看出，隨著入射角的增大，反射率隨之增大，透射率隨之減小。圖3.1.1b 入射角與反（透）射率關(guān)系5/27/20223.1.2 多層纖維模型多層纖維模型 當(dāng)光線入射到纖維表面時(shí)，會(huì)有一

8、部分透射如棉纖維，會(huì)在下一層棉纖維上繼續(xù)發(fā)生各種光學(xué)現(xiàn)象。其模型圖如圖3.1.2所示：圖3.1.2 多層纖維模型5/27/2022 隨著層間距離的增大S隨之增大。而索絲棉結(jié)現(xiàn)對(duì)于標(biāo)準(zhǔn)棉來說，d相對(duì)較小，因此當(dāng)平行光進(jìn)行照射時(shí)，索絲棉結(jié)更加明亮。22sinsin2ndS 折射率的關(guān)系相互間會(huì)形成一定的位移，其位移量可S 表示為：5/27/2022 因?yàn)樵诿蘩w維所產(chǎn)生的各種光中，漫反射是主要部分，因此，應(yīng)選擇平行光結(jié)合暗場(chǎng)照明，可以實(shí)現(xiàn)圖像灰度的高對(duì)比度，從而便于疵點(diǎn)的提取。 由圖3.2中的棉纖維模型仿真結(jié)果，并結(jié)合3.3 節(jié)中的模型知，在檢測(cè)時(shí)，應(yīng)盡量減小入射角 ，從而可以實(shí)現(xiàn)索絲棉結(jié)出亮度比標(biāo)

9、準(zhǔn)棉亮度高，可實(shí)現(xiàn)對(duì)索絲棉結(jié)的提取識(shí)別。 其中S隨入射角的變化的仿真結(jié)果如圖3.1.3所示：圖3.1.3 隨入射角的變化5/27/2022圖3.2.1 實(shí)驗(yàn)裝置圖3.2 實(shí)驗(yàn)裝置實(shí)驗(yàn)裝置5/27/20223.3圖像處理算法圖像處理算法3.3.1 減法算減法算法法: 將連續(xù)的線掃描圖像做減法處理，可以有效的消除背景，提取出目標(biāo)物。圖3.3.1 減法算法流程圖5/27/20223.3.2 連接算法連接算法：在線掃描過程中，線與線間會(huì)出現(xiàn)間斷現(xiàn)象，為了是掃描后的圖像盡量還原為真實(shí)，需對(duì)減法處理后的圖像進(jìn)行間斷點(diǎn)連接處理，實(shí)現(xiàn)圖像的連續(xù)性。圖3.3.2 連接算法流程圖5/27/20223.3.3 程序

10、算法程序算法 : 利用形態(tài)學(xué)進(jìn)行處理讓圖像更加圓滑；去除小面積，減少噪聲對(duì)結(jié)果的影響；并將孔洞部分進(jìn)行填充，使處理效果更佳。圖3.3.3 程序算法流程圖5/27/20223.3.4 處理結(jié)果處理結(jié)果:原始圖像減法處理圖濾波，除噪連接處理圖形態(tài)學(xué)處理5/27/2022 對(duì)所得疵點(diǎn)進(jìn)行區(qū)域分離，求取棉結(jié)，索絲兩種疵點(diǎn)的形狀特征參量并統(tǒng)計(jì)，以便進(jìn)行區(qū)分.3.4 基于基于BP神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計(jì)離散指數(shù)長(zhǎng)方形度5/27/2022長(zhǎng)軸短軸比擴(kuò)展度固靠度離心率5/27/2022 由統(tǒng)計(jì)圖可看出，棉結(jié)，索絲的以上六個(gè)形狀參量有明顯區(qū)別。以選取40個(gè)訓(xùn)練樣本的6種形狀特征參量作為輸入層，棉

11、花的索絲，棉結(jié)的識(shí)別率作為輸出，對(duì)BP神經(jīng)網(wǎng)絡(luò)分離器進(jìn)行訓(xùn)練，進(jìn)而得到軋棉質(zhì)量的分級(jí)情況，對(duì)每個(gè)等級(jí)20個(gè)測(cè)試樣本進(jìn)行識(shí)別，識(shí)別正確率為81.25%。3.5 實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果5/27/20224. 基于基于D-S證據(jù)理論的決策級(jí)融合證據(jù)理論的決策級(jí)融合 D-S 證據(jù)理論是由 Demster 和 Shafe 提出的一種信息融合方法，能夠有效解決帶有不確定性知識(shí)的模式識(shí)別問題。其多個(gè)概率分配函數(shù)的組合規(guī)則如下式: 其中 :5/27/2022 應(yīng)用該進(jìn)行信息融合的關(guān)鍵是根據(jù)現(xiàn)有證據(jù)構(gòu)造基本概率分配函數(shù)（BPA）文利用兩個(gè) RBFNN 分類器的輸出結(jié)合各自的識(shí)別正確率分別構(gòu)造每個(gè)樣本的基本概率分配函數(shù)

12、。每個(gè)樣本的 BPA 構(gòu)造公式為： 式中，n=1 表示彩色圖像中對(duì)顏色特征識(shí)別結(jié)果，n=2表示彩色圖像中對(duì)紋理特征識(shí)別結(jié)果，n=3表示對(duì)近紅外圖像特征識(shí)別結(jié)果，i=1，2，3，4表示 軋棉質(zhì)量?jī)?yōu)，良，中，差4 個(gè)等級(jí)。5/27/20224.1 算法步驟：算法步驟：5/27/2022軋棉質(zhì)量分級(jí)優(yōu) 20 13 14 18 19 近紅外（形狀）中 20 16 13 14 19差 20 13 15 16 18實(shí)際數(shù)量 正確識(shí)別個(gè)數(shù)正確率（%）100 71.25 73.75 81.25 93.75 彩色（顏色） 彩色（紋理）融合良 20 15 17 17 194.2 樣棉融合結(jié)果樣棉融合結(jié)果5/27/20225.結(jié)論結(jié)論 我們提出了一種基于彩色與近紅外圖像信息決策級(jí)融合的軋棉質(zhì)量等級(jí)識(shí)別方法。 在彩色圖像的處理上，利用形態(tài)學(xué)處理，歐式距離法將其融合為一個(gè)通道進(jìn)行疵點(diǎn)提取。并在疵點(diǎn)識(shí)別時(shí)使用面積法，識(shí)別出疵點(diǎn)并進(jìn)一步實(shí)現(xiàn)分級(jí)。提取紋理參量，利用 BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行軋棉質(zhì)量等級(jí)