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(jì)南 250000)2.濟(jì)南軌道交通集團(tuán)有限公司(山東 濟(jì)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(shí)別及圖像處理。

摘要：機(jī)器視覺能幫助解決較繁瑣工作，實(shí)現(xiàn)自動(dòng)化流程，節(jié)約人力物力。紗線管的顏色識(shí)別和紗線量的多少確定是流水線上重要的問題，對(duì)紡紗管的圖像進(jìn)行顏色識(shí)別和紗線量多少的研究是本文的重點(diǎn)。采用MATLAB工具進(jìn)行計(jì)算機(jī)算法設(shè)計(jì)，分為兩個(gè)主要部分：第一部分為紗線管顏色識(shí)別，包括訓(xùn)練集的搜集：將所收集的圖片分成紅色、黃色、黑色和藍(lán)色四類;求解每一類圖片的顏色特征;輸入一張紗線管圖片，通過svm算法來判斷紗線管顏色。第二部分是判斷紗線管的紗線量，具體做法是將圖像先進(jìn)行圖像預(yù)處理工作;對(duì)紗線管分別進(jìn)行濾波、閾值分割、灰度投影，對(duì)灰度投影的曲線進(jìn)行平滑處理，這樣就可以得到紗線管的紗線位置，進(jìn)而通過比例計(jì)算得到紗線量。研究的算法可以運(yùn)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，近些年來應(yīng)用計(jì)算機(jī)技術(shù)進(jìn)行數(shù)字化紡織的研究成為一種主流，對(duì)紡織業(yè)的發(fā)展起到了巨大的作用，促進(jìn)了經(jīng)濟(jì)的發(fā)展。工業(yè)程度的重視既是機(jī)遇，又是挑戰(zhàn)，通過應(yīng)用計(jì)算機(jī)技術(shù)、物聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)、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(shù)字化、網(wǎng)絡(luò)化和自動(dòng)化是必然趨勢(shì)，機(jī)器視覺、先進(jìn)制造技術(shù)、大數(shù)據(jù)技術(shù)、智能和圖像處理技術(shù)經(jīng)常被應(yīng)用于紡織生產(chǎn)的各個(gè)環(huán)節(jié)中并產(chǎn)生重大的價(jià)值。其中紗線管是本文研究的重點(diǎn)，圖1為紗線管的圖像。

   高質(zhì)量紡織產(chǎn)品的誕生離不開紗線研究，織物結(jié)構(gòu)參數(shù)分析尤其重要，實(shí)現(xiàn)紡紗管的自動(dòng)識(shí)別和紗線量多少的識(shí)別，滿足紡織行業(yè)高效率的技術(shù)要求。紡紗自動(dòng)化已經(jīng)緊密結(jié)合計(jì)算機(jī)視覺和計(jì)算機(jī)技術(shù)成為一種主流技術(shù)。如果借助計(jì)算機(jī)來實(shí)現(xiàn)紡紗自動(dòng)化，將紗線管的顏色和紗線量進(jìn)行分析，利用攝像頭觀察識(shí)別，并在發(fā)現(xiàn)紗線量過低或者紗線管顏色錯(cuò)誤的時(shí)候進(jìn)行警報(bào)，這樣就降低了人力的投入，提高了自動(dòng)化程度，對(duì)于以后批量生產(chǎn)紡織品有著重大意義^[1-5]。

1 主框架設(shè)計(jì)

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

　　1.1 顏色識(shí)別過程中主要注意事項(xiàng)

　　顏色的確定。紗線管的顏色較多，可能有赤橙黃綠青藍(lán)紫七種顏色，本文主要研究四種，紅色、黃色、黑色和藍(lán)色。用這四種來做研究說明。

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

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

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

　　1.2 紗線管含量確定主要注意事項(xiàng)

　　(1)固定目標(biāo)位置，選擇優(yōu)質(zhì)圖片，便于識(shí)別

　　該部分主要是定位到紗線量最佳視角，找到拍攝的好角度。遇到拍攝的圖像對(duì)紗線管定位模糊，紗線特征不直觀的情況下，快速、準(zhǔn)確地找出定位目標(biāo)尤為重要。首先紗線是存在的，不可能是單一點(diǎn)。把所有紗線的位置統(tǒng)計(jì)出來，進(jìn)行大范圍檢測(cè)。總有幾個(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(jì)算機(jī)，然后處理該圖像，將所需部分單獨(dú)分割處理，然后結(jié)合數(shù)字圖像處理技術(shù)，對(duì)比分析如果紗線量含量過低，就進(jìn)行預(yù)警。

　　(2)目標(biāo)紗線部分的分割

　　利用圖像分割的操作手段，實(shí)現(xiàn)將紗線管和其紗線部分分割成獨(dú)立部分。主要的算法有灰度投影法，氣泡法等，結(jié)合本文實(shí)際，選擇最為直接的灰度投影法，原因是紗線管中紗線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(biāo)紗線部分含量的識(shí)別

　　經(jīng)過對(duì)紗線圖像的預(yù)處理以及灰度投影法的分割處理，來實(shí)現(xiàn)突出紗線的特征，常用方法有統(tǒng)計(jì)法、模型法、幾何法等。這個(gè)部分為了得到紗線特征尤為重要。通過算法設(shè)計(jì)，利用比例法將拍攝圖像的尺寸進(jìn)行統(tǒng)計(jì)，便于比較。

2 顏色分類的具體算法

　　顏色分類的算法設(shè)計(jì)如圖3所示。

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

　　訓(xùn)練集的搜集。找到四類顏色：紅色、黑色、藍(lán)色和黃色。每一個(gè)庫(kù)里面包含20張圖片，一共80張圖片，組成訓(xùn)練集。

　　訓(xùn)練集特征提取和SVM訓(xùn)練。對(duì)每一類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(duì)稱軸，對(duì)稱軸的上下5個(gè)像素共10個(gè)像素作為樣本的長(zhǎng)，右側(cè)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(yàn)和處理。80個(gè)新樣本組成集合B。

　　對(duì)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(biāo)準(zhǔn)差、最大值、最小值和中值特征，每個(gè)樣本有共計(jì)18個(gè)特征;80個(gè)新樣本組成一個(gè)80*18的特征矩陣，對(duì)于特征矩陣進(jìn)行SVM訓(xùn)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(zhuǎn)換成一個(gè)1*100的向量，再求解它的6個(gè)特征;然后對(duì)g，b分量采取相同的措施，得到共計(jì)18個(gè)特征。

　　其中均值、方差、標(biāo)準(zhǔn)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(shù)計(jì)算較為方便。

　　SVM是一個(gè)典型的分類算法，可以實(shí)現(xiàn)多分類的過程，這里采用臺(tái)灣大學(xué)林教授編寫的libsvm工具箱進(jìn)行分類研究，安裝好工具箱后，配置一定的環(huán)境，然后選擇合適的參數(shù)c、g的數(shù)值，進(jìn)行訓(xùn)練集的分類，將SVM網(wǎng)絡(luò)保存供后期的測(cè)試使用。

　　輸入測(cè)試圖像并且進(jìn)行SVM識(shí)別，對(duì)于待檢測(cè)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(shí)別操作，得到相關(guān)的類別標(biāo)簽，也就是判定測(cè)試圖像屬于什么顏色^[6-10]。

　　本文采用多次試驗(yàn)進(jìn)行測(cè)試，得到的SVM識(shí)別結(jié)果如圖5及表1所示。

3 紗線量的確定算法

　　紗線量確定的算法設(shè)計(jì)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(nèi)容，實(shí)現(xiàn)了最后紗線含量的確定^[7-11]。

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

　　(2)輸入原圖之后，對(duì)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部分突出，采用閾值分割算法，求出圖像的最大灰度數(shù)值和最小灰度數(shù)值，應(yīng)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(duì)灰度投影曲線進(jìn)行平滑處理，指令為：smooth(ss,32,'sgolay',11)，平滑后的曲線更容易得到紡紗量的數(shù)據(jù)信息。如圖9所示。

　　通過分析得知，圖9右側(cè)的圖兩個(gè)箭頭所指的位置就是紗線的左側(cè)和右側(cè)邊緣。

　　(5)比例法求解紗線量的多少。

　　通過圖9，求解兩個(gè)拐點(diǎn)a、b，圈出紗線的位置，總長(zhǎng)度為d。

　　根據(jù)公式(4)求解出紗線量的含量：

(4)

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

　　根據(jù)公式4求解紗線含量的比重為：45.75%，與真實(shí)的數(shù)值差距不大，在允許的誤差范圍內(nèi)，證明方法具有可行性，本文采用該方法驗(yàn)證測(cè)試樣本100個(gè)，相對(duì)誤差都在5%以內(nèi)。

4 結(jié)論

　　本文淺談了紡紗工業(yè)的形勢(shì)，主要介紹了顏色分類和紗線量多少的算法設(shè)計(jì)，紡紗管圖像輸入以后可以判斷出紗管的顏色以及紗線量，根據(jù)系統(tǒng)的算法結(jié)果具有可行性和有效性。

　　實(shí)現(xiàn)紡紗自動(dòng)化的研究離不開機(jī)器視覺，未來將是人工智能的時(shí)代，在以后的研究過程中，著重提高幾個(gè)方面：(1)系統(tǒng)能夠滿足更復(fù)雜圖片的識(shí)別，使得識(shí)別的結(jié)果更加精確;(2)爭(zhēng)取使用較多樣本的數(shù)據(jù)庫(kù)，有效的解決大量圖像處理問題，設(shè)計(jì)出一個(gè)軟件體系;(3)提高圖像識(shí)別的速度，魯棒性;(4)采用C語言嵌入到linux系統(tǒng)，結(jié)合硬件設(shè)備。實(shí)現(xiàn)軟硬件結(jié)合的高級(jí)系統(tǒng)。

　　參考文獻(xiàn)：

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

　　[2]付榮.機(jī)器視覺技術(shù)農(nóng)業(yè)生產(chǎn)中的應(yīng)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(yīng)義斌.機(jī)器視覺技術(shù)在農(nóng)作物種子質(zhì)量檢測(cè)中的應(yīng)用研究發(fā)展[J]農(nóng)業(yè)工程學(xué)報(bào)2011,17(6):175-179

　　[6]楊紅珍,張建偉,李湘濤,等.基于圖像的昆蟲遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng)的研究[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(1):188-192.

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

　　[8]鄔書躍.基于支持向量機(jī)和貝葉斯分析技術(shù)的入侵檢測(cè)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(tǒng)的研究與實(shí)現(xiàn)[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(jì)算機(jī)應(yīng)用,2000,09.

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

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