棉花質(zhì)量檢測技術研究

基于彩色與近紅外圖像信息融合的軋棉質(zhì)量分級方法匯報內(nèi)容背景介紹及研究內(nèi)容實驗及處理結(jié)果結(jié)論2/3/20232/3/20231、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，對染色質(zhì)量影響也較大。因此原棉的質(zhì)量檢測是棉紡行業(yè)中一項重要的流程，直接關乎整個棉紡織業(yè)。而軋工質(zhì)量分級主要是依據(jù)樣棉的外觀形態(tài)與疵點種類及其程度來進行。而目前國內(nèi)檢測方式人工肉眼識別,該方法有一定經(jīng)驗，但費時費力。

各種疵點及外觀形態(tài)：帶纖維籽屑僵棉棉結(jié)破籽2/3/2023

隨著機器視覺技術的不斷發(fā)展，為軋棉質(zhì)量檢測提供了一種自動，無損，高效的方法。目前，軋棉質(zhì)量檢測成為此行業(yè)的熱點，國內(nèi)外學者對基于圖像的分級方法進行了大量研究，但大多數(shù)軋棉質(zhì)量的分級依據(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，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)量的多指標分級要求。

本文采用信息采用信息融合技術利用彩色和近紅外兩種圖像信息進行特征提取，然后采用BP神經(jīng)網(wǎng)絡構(gòu)建分類器分別進行等級識別，最后，利用D-S證據(jù)理論對識別結(jié)果進行決策級融合，實現(xiàn)軋棉質(zhì)量的分級。2/3/20232、彩色圖像檢測圖2.1彩色系統(tǒng)示意圖2.1實驗裝置如圖2.1所示2/3/2023

在疵點識別過程中，將三通道分別進行形態(tài)學處理，利用膨脹相減，腐蝕，然后利用歐式距離法將其融合為一個通道進行疵點提取。在疵點識別時使用面積法，將僵棉、破籽、帶纖維屑進行識別。

彩色圖像僵棉破籽籽屑2.2.1基本原理2/3/2023圖2.2僵棉與破籽面積所占像素點2/3/2023讀取圖像R,G,B三通道形態(tài)學處理融合及分割填充二值化連通圖像破籽個數(shù)加1僵棉個數(shù)加1籽屑個數(shù)加1>10000>150是否是否連通域面積彩色圖像處：理原理圖2.3算法流程圖2/3/20232.1.2實驗結(jié)果

我們可以根據(jù)GB1103-2012《棉花細絨棉》國家標準的分類標準，通過對各疵點的種類和數(shù)目完成軋棉質(zhì)量分級，通過對優(yōu)，良，中，差四個等級的樣棉各20個分別進行處理，以上方法對疵點的識別有較高的正確率，并且最終對軋棉質(zhì)量的分級準確率達到了71.25%。2/3/20232.2.1紋理分析關于圖像外觀形態(tài)的表面平滑度，棉層蓬松度，先前所述的方法就不再適用，因此我們采用對其紋理的分析。

圖像的紋理表現(xiàn)為圖像像素灰度級的某種變化,在圖像分類中得到廣泛應用,紋理分析中利用灰度共生矩陣作為描述參量。計算了局部平穩(wěn)(L)、熵(H)、慣性矩（I）和能量(E)4種紋理特征

。式中:i和j的取值由目標圖像的范圍定,P(i,j)為圖像灰度值。2/3/20232.2.2基于BP神經(jīng)網(wǎng)絡的分類器設計BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鱾鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，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)絡的實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2.2.2BP神經(jīng)網(wǎng)絡結(jié)構(gòu)2/3/2023選取40個訓練樣本的局部平穩(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)量等級為輸出，對BP神經(jīng)網(wǎng)絡分離器進行訓練，并對每個等級20個測試樣本進行識別，識別正確率為73.75%。2.2.3實驗結(jié)果2/3/20233、近紅外圖像檢測

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方法，該方法利用線結(jié)構(gòu)近紅外激光器作為光源，對原棉進行線掃描，對掃描后的圖像進行減法運算，將其融合為一幅圖像，可以有效的提取出棉結(jié)、索絲。再對提取的棉結(jié)、索絲進行斷點連接、形態(tài)學等處理，可以有效的提取出原棉中的棉結(jié)和索絲。2/3/20233.1基本原理3.1.1單纖維模型

當光線入射到纖維表面時，會發(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。其模型如圖3.1.1a所示：折射角：圖3.1.1a單纖維模型2/3/2023

設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：2/3/2023當折射率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）射率關系2/3/20233.1.2多層纖維模型

當光線入射到纖維表面時，會有一部分透射如棉纖維，會在下一層棉纖維上繼續(xù)發(fā)生各種光學現(xiàn)象。其模型圖如圖3.1.2所示：圖3.1.2多層纖維模型2/3/2023

隨著層間距離的增大S隨之增大。而索絲棉結(jié)現(xiàn)對于標準棉來說，d相對較小，因此當平行光進行照射時，索絲棉結(jié)更加明亮。

折射率的關系相互間會形成一定的位移，其位移量可S表示為：2/3/2023

因為在棉纖維所產(chǎn)生的各種光中，漫反射是主要部分，因此，應選擇平行光結(jié)合暗場照明，可以實現(xiàn)圖像灰度的高對比度，從而便于疵點的提取。

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，在檢測時，應盡量減小入射角

，從而可以實現(xiàn)索絲棉結(jié)出亮度比標準棉亮度高，可實現(xiàn)對索絲棉結(jié)的提取識別。

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2/3/2023圖3.2.1實驗裝置圖3.2實驗裝置2/3/20233.3圖像處理算法3.3.1減法算法:

將連續(xù)的線掃描圖像做減法處理，可以有效的消除背景，提取出目標物。圖3.3.1減法算法流程圖2/3/20233.3.2連接算法：在線掃描過程中，線與線間會出現(xiàn)間斷現(xiàn)象，為了是掃描后的圖像盡量還原為真實，需對減法處理后的圖像進行間斷點連接處理，實現(xiàn)圖像的連續(xù)性。圖3.3.2連接算法流程圖2/3/20233.3.3程序算法:利用形態(tài)學進行處理讓圖像更加圓滑；去除小面積，減少噪聲對結(jié)果的影響；并將孔洞部分進行填充，使處理效果更佳。圖3.3.3程序算法流程圖2/3/20233.3.4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)學處理2/3/2023對所得疵點進行區(qū)域分離，求取棉結(jié)，索絲兩種疵點的形狀特征參量并統(tǒng)計，以便進行區(qū)分.3.4基于BP神經(jīng)網(wǎng)絡的分類器設計離散指數(shù)長方形度2/3/2023長軸短軸比擴展度固靠度離心率2/3/2023由統(tǒng)計圖可看出，棉結(jié)，索絲的以上六個形狀參量有明顯區(qū)別。以選取40個訓練樣本的6種形狀特征參量作為輸入層，棉花的索絲，棉結(jié)的識別率作為輸出，對BP神經(jīng)網(wǎng)絡分離器進行訓練，進而得到軋棉質(zhì)量的分級情況，對每個等級20個測試樣本進行識別，識別正確率為81.25%。3.5實驗結(jié)果2/3/20234.基于D-S證據(jù)理論的決策級融合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的模式識別問題。其多個概率分配函數(shù)的組合規(guī)則如下式:其中:2/3/2023

應用該進行信息融合的關鍵是根據(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RBFNN分類器的輸出結(jié)合各自的識別正確率分別構(gòu)造每個樣本的基本概率分配函數(shù)。每個樣本的BPA構(gòu)造公式為：式中，n=1表示彩色圖像中對顏色特征識別結(jié)果，n=2表示彩色圖像中對紋理特征識別結(jié)果，n=3表示對近紅外圖像特征識別結(jié)果，i=1，2，3，4表示軋棉質(zhì)量優(yōu)，良，中，差4個等級。2/3/20234.1算法步驟：2/3/2023軋棉質(zhì)量分級優(yōu)2013141819近紅外（形狀）中2016131419差2013151618實際數(shù)量正確識別個數(shù)正確率（%）10071.2573.7581.2593.75彩色（顏色）彩色（紋理）融合良20151717194.2樣棉融合結(jié)果2/3/20235.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融合的軋棉質(zhì)量等級識別方法。

在彩色圖像的處理上，利用形態(tài)學處理，歐式距離法將其融合為一個通道進行疵點提取。并在疵點識別時使用面積法，識別出疵點并進一步實現(xiàn)分級。提取紋理參量，利用BP神經(jīng)網(wǎng)絡分類