应用机器视觉的织物表面绒毛率测试系统

杨松林， 马 帅， 丁朝鹏， 范红丽， 薛欢欢

(河北科技大学 机械工程学院， 河北 石家庄 050018)

应用机器视觉的织物表面绒毛率测试系统

杨松林， 马 帅， 丁朝鹏， 范红丽， 薛欢欢

(河北科技大学 机械工程学院， 河北 石家庄 050018)

目前织物表面绒毛含量大都采用人工方式检测，存在效率低、准确度不高等问题。为此，应用机器视觉和图像处理技术，研制了一套织物表面绒毛率测试系统。介绍了织物表面绒毛率测试原理，包括织物表面绒毛率检测数学模型、检测算法和阈值的确定方法，并介绍了织物表面绒毛率测试系统的软硬件组成。采用该测试系统检测了5种织物的表面绒毛率，并与人工检测结果进行了对比分析。结果表明：该测试系统能够高效地测定织物表面绒毛率，且与人工检测结果呈现高度正相关；系统重复检测偏差范围为1.18%～7.25%，可满足织物表面绒毛率的检测需求。

织物表面绒毛率； 机器视觉； 图像分析； 绒毛率测试系统

在牛仔服装经过酶洗后，需要评价其光洁程度，通常是对牛仔布表面绒毛的含量多少进行客观判断。许多机织物(如平纹织物或斜纹织物)表面绒毛是易起球的有害绒毛。在纺织品加工过程中，织物表面绒毛高低及其含量直接关系到产品的质量及后续加工的顺利进行[1-2]。这些织物表面的绒毛直径属于微米级，且其长度差异大，自然状态复杂，裸眼很难区分清楚，无法用普通放大镜类测量仪器鉴定，必须采用电子显微镜级别的机器识别，且采取特殊的测量方法去客观准确分辨和评价[3]，显然高效、客观给出其评价结果是非常重要的。

国内纺织领域中，织物表面质量检测基本还是凭借人工视觉手段完成对织物外观质量检验及判定[4]。现有的自动检测系统不仅价格昂贵、操作复杂，而且能真正投入市场应用的并不多[5]。准确检测绒毛率这一参数，判断绒毛率的特征具有重要的工程意义[6-7]。据统计，检验人员在保证织物宽度不超过2m，且织物移动速度不超过20 m/min的情况下，只能检测到织物中60%的绒毛率[8-9]，无法满足工业生产中绒毛率检测的市场需求。关于织物自动测量方面，国内外大都是基于织物疵点、纺织品分类、织物反射特性、织物组织结构的自动识别及织物的经纬纱密度检测等方面进行研究[10-12]，而织物表面绒毛率自动测量方面，由于测量方法及其绒毛的结构和状态参数非常复杂，导致其在工业生产中还没得到实际应用。

现有的纺织品检测系统，在测试精度和测试准确性方面并不能符合织物表面绒毛率的测试需求[13-14]，因此有必要研制织物表面绒毛率测试系统，满足绒毛率自动化检测及判定的需要[15]。本文应用机器视觉和图像分析处理技术，开发了织物表面绒毛率测试系统。该系统通过对折法将织物表面弯折，其弯折角度介于175°～180°之间，使得织物表面绒毛变成截面显示效果，在绒毛截面一侧放置背景板，其颜色与绒毛颜色反差非常大，以备拍照识别之用。将机器视觉镜头放在绒毛截面的另一侧，在软件控制下进行图像拍摄，再经图像灰度化处理，用实验法进行绒毛与背景板识别阈值确定，取得绒毛截面图像有效像素覆盖整个测量区域面积全部像素的比值，构建并确定了绒毛率检测数学模型。将检测结果与人工检测数值相对比，该系统不仅可实现织物表面绒毛率检测快速、精确评价的目的，同时可以替代人工检测为织物表面外观质量检测提供了理论参考。

1 织物表面绒毛率测试原理

1.1 绒毛率检测数学模型

绒毛率单元值定义为绒毛覆盖单元检测区像素点面积与相应单元检测区所有像素点面积的比值。绒毛率单线值定义为单行n列(1×n)个绒毛率单元值的均值(%)。织物表面绒毛率定义为单位检测面积内m行n列(m×n)个单元绒毛率均值。首先求得绒毛率单元值，再经织物表面横向移动求得绒毛率单线值，最终纵向移动求得绒毛率单位面积值，故由单元点到线，由线到面，即检测得到单位面积织物表面绒毛率。织物表面绒毛率检测数学模型如图1所示。

图1 织物表面绒毛率检测数学模型Fig.1 Mathematical model of fluff rate detection on fabric surface

绒毛率单元标定尺寸可以根据摄像机拍摄图像的可见清晰程度确定，本文测量区长度取L为2～10 mm，高度H为1～2 mm。绒毛率测量精度受取样面积、单线绒毛率划分区域影响，取样面积越大，划分区域越精密，测量精度越高。

1.2 绒毛率检测算法

本文采用加权平均法对绒毛图像进行灰度化处理，在MatLab中通过调用函数rgb2gray()，将绒毛彩色图像I转换为灰度图像X，其调用格式为X=rgb2gray(I)[16]。

对经过灰度化处理后的图像，绒毛率单元值、绒毛率单线值及表面绒毛率的计算式如下：

(1)

(2)

(3)

式中：Sij为i行j列处的绒毛率单元值；r为绒毛覆盖单元检测区像素点面积；R为单元测量区所有像素点面积；X1n为首行n列绒毛率单元平均值，即绒毛率单线值；Ymn为m行n列的单位面积绒毛率，即织物表面绒毛率。

1.3 阈值确定

对于颜色不同织物表面的绒毛率检测，需要事先确定织物颜色色度，根据其色度与背板的反差量，选择其采用的黑白颜色背板。摄像机拍摄图像的每个像素所对应的灰度值的范围为0～255，阈值是其范围内的一个数值。而此阈值的设定跟光照强度、织物颜色、光圈大小以及周围环境亮度有关。本文中阈值的设定是通过对比实验来确定[16]，以采用当前阈值时绒毛可很好地与背景区别开为标准，来设定阈值，从而可得到较为理想的测量效果。最终确定的阈值为110，考虑背景变换因素，当灰度值大于或小于阈值时，标定为绒毛像素点；反之标定为背景板像素点。

2 织物表面绒毛率测试系统组成

织物表面绒毛率测试系统主要由自动化摄像测试平台及附属装置、步进电动机驱动器和控制器装置、图像采集处理系统及织物表面绒毛率检测数据分析和实时显示装置等组成。系统之间通过相互协调控制使用，实现绒毛率的自动化检测。

2.1 自动化摄像测试平台及附属装置

自动化摄像测试平台及附属装置如图2所示。配合摄像机镜头，实现对织物表面绒毛图像自动拍摄。其中，图2(a)为西南方向侧视图，图2(b)为主视图。测试平台采用质轻、刚性好的铝合金材质，2个直线运动导轨水平放置于底板上，成垂直夹角，配合中心处放置的步进电动机驱动器和控制器控制导轨运行速度，便于绒毛图像的准确采集。测试平台左侧设有镜头夹持板和门，用螺钉固定在导轨上；导轨移动带动门水平推进，形成暗室环境，便于减少拍摄绒毛图像时的外光影响。测试平台右侧设有背景板架，用螺钉固定在导轨上；背景板架上设置直角块，确保背景板垂直固定，背景板上分别固定张紧轮、摩擦轮及楔形块，用以夹持待测布环，避免测试对象出现破损。

待测织物表面缠绕在测试平台的摩擦轮上，步进电动机带动布环滚动，完成织物表面的装夹。X方向直线运动导轨水平移动；Y方向上，直线导轨水平移动调焦，带动门水平推进，形成暗室环境。当背景板、布环和摄像机镜头在一条直线上时实现对图像的采集。步进电动机驱动器和控制器自动控制步进电动机驱动摩擦轮带动布环滚动，摄像机镜头再次摄像。连续测量结束后步进电动机驱动摩擦轮回到初始位置，将布环取下来进行下一待测织物表面的检测，从而实现单元—线—面—连续的自动化循环测量。

注：1―步进电动机1；2―步进电动机2；3―背景板架；4―X方向直线运动模块；5―步进电动机3；6―门；7―LED光源；8―镜头；9―Y方向直线运动模块；10―步进电动机4；11―底板；12―摩擦轮；13―布环；14―楔形板；15―张紧轮；16―背景板。 图2 织物表面绒毛率测试系统总体装置Fig.2 Overall device of fabric hairiness test system.(a) Southwest side view; (b) Main view

2.2 系统主要硬件选择

2.2.1 步进电动机驱动器选择

步进电动机驱动器能够通过控制脉冲个数及脉冲频率来控制电动机角位移量及电动机转动的速度和加速度，实现织物表面绒毛率测试系统自动精准测量。步进电机带动的轴半径为25 mm，每次运动的尺寸可在软件系统中设置给定的进给量。在布环检测过程中，因布环进给量大于相机拍摄尺寸大小，属于布环间隔取点检测，所以不涉及到图像的拼接问题。为使织物表面绒毛率测试系统的绒毛率测试精度不受步进电动机驱动器的影响，选择性能较好的深圳市雷塞智能控制股份有限公司的DMA860H驱动器。该型号步进电动机驱动器为DSP两相步进驱动器，工作电流为2.4～7.2 A，工作电压为18～80 V，由SW5～SW8共4个拨码开关来设定16档微步细分，完全能够保证织物表面绒毛率测试系统的测试精度不受步进电动机驱动器的影响。

2.2.2 步进电动机控制器选择

步进电动机控制器能够发出均匀脉冲信号进入步进电动机驱动器，转换成步进电动机所需要的能准确控制其转过每1个角度的强电流信号。为使织物表面绒毛率测试精度不受步进电动机控制器的影响，选择性能较好的深圳市雷塞科技有限公司的SMC-6480控制器。该型号步进电动机控制器控制电动机数为4个，控制电动机指令脉冲频率为1～5.0 MHz，频率精度为±0.1 Hz，支持Windows VISTA/XP/2K/98/CE系统，完全能够保证织物表面绒毛率测试系统的测试精度不受步进电动机控制器的影响。

2.2.3 相机的选择

在机器视觉系统研制过程中，应选择与系统性能最为匹配的工业相机。相机采用迈德威视科技有限公司生产的MV-UB500彩色相机，分辨率为2 592 dpi×1 944 dpi时，帧频最高为9帧/s，镜头选用三锵科技生产的XDS-10A型工业镜头，其放大倍数为0.7～4.5，且可调，完全能够保证织物表面绒毛率测试系统的测试精度不受相机的影响。

2.3 系统软件设计

数据图像采集及处理程序的编写应以简洁、直观和有效的体现织物表面绒毛率测试数据结果和拍摄图像的实时变化为准则，利用Microsoft VisualC++编写该程序。

软件系统主界面主要包括拍摄图像和捕获图像显示窗口、开始暂停计算等数据采集功能按钮、相机设置按钮、评价参数设置窗口和相机长度标定窗口、测量结果显示和保存窗口、自动测量参数设置窗口等8个部分。软件系统主界面如图3所示。

图3 软件系统主界面Fig.3 Main interface of software system

3 织物表面绒毛率测试系统验证

3.1 试验条件

用设计研发的织物表面绒毛率测试系统进行织物表面绒毛率检测试验，以检验该系统的功能。首先进行待测织物表面的取样，取L=400 mm，H=50 mm。布环在检测区域内包覆摩擦轮、张紧轮、楔形块刀口而形成可转动的张力布环，保证布环呈现相同的初始状态。布环检测区域为张紧轮相对面，而不是整个布环的检测，减少了机件挤压和摩擦问题对检测结果的影响，同时在实际检测过程中发现，如果张紧轮表面比较光滑，且距检测楔形块检测区有一定的距离，张紧轮对绒毛率检测结果影响特别小，可以忽略不计。相机长度标定系数为像素长度与实际长度之比，设定为0.032 15。相机初始位置及织物初始位置为0。织物进给量为50 mm，旋转进给量为40 mm，进给次数均为5次。图像分辨率为259 2 dpi×194 4 dpi，显示和捕获帧率为1.97帧/s(为动态值)。

选择3种不同颜色的水洗牛仔布和2种不同颜色的纯棉布进行织物表面绒毛率检测。调节摄像机镜头焦距及水平导轨左右位置以确定布环单点检测区。测试准备就绪后，摄像机镜头取单点拍照、捕获图像并实时显示。横向移动摄像机镜头，实现多个单点拍摄，既得单线织物表面得单线绒毛率量；摩擦轮转动使布环纵向滚动得多个单线绒毛率量。测试结束，织物表面绒毛率拍摄和捕获图以.jpg的格式保存到用户指定文件夹数据图像采集及处理程序对保存的数据进行运算，获得织物表面总平均绒毛率量。

3.2 试验结果和讨论

为对比织物表面绒毛率测试系统与人工检测的检测结果，在人工检测环境下，对已经由该系统检测过的3种不同颜色的水洗牛仔布和2种不同颜色的纯棉布再次进行人工绒毛率检测。人工检测方法为：将织物面对折绕过钢尺，带有一定张力，使绒毛清晰显示在钢尺边缘，利用摄像机镜头成像系统采集钢尺边缘检测区绒毛图像并传输到计算机中，使用Photoshop软件对图像进行灰度处理，并用具体尺寸标示出绒毛区域，通过裸眼对比已有的绒毛率标准等级模板图像，判断出某种织物表面绒毛率的等级数值。其测量结果数据对比如表1所示。

由表1可知，人工和系统检测结果成正相关，在可允许范围内。织物表面绒毛率测试系统完全可实现代替人工来进行绒毛率检测。

为验证系统检测性能的稳定性和准确性，对5种织物表面绒毛率，重复测量10组，每组10次，分别计算其平均值，然后由测量值与平均值的差得到绝对误差值，最后由绝对误差值与平均值相比得到相对误差值，数据分析结果如表2所示。

表2 5种织物重复检测绒毛率数据分析

由表2可知，系统重复检测绒毛率数据分析结果表明：织物表面绒毛率检测结果绝对误差不超过0.3%，相对误差不超过7.25%，其方差值均低于0.6，检测数据准确且稳定。

4 结 语

根据纺织服装生产加工过程对织物表面绒毛率的测试需求，运用机器视觉及图像分析处理技术、机电控制、软件编程开发，研制了织物表面绒毛率测试系统。调试运行结果表明：本系统能够准确、快速地实现织物表面绒毛率的检测，可实现对织物表面绒毛拍摄图像和处理数据的保存。证明本检测方法有效可行，为准确评价织物表面绒毛含量建立了客观理论基础，为其绒毛率自动化测量提供了有效的技术手段。

FZXB

[ 1] PRIYA D,RAJASELVI V M. Estimation of yarn hairiness using image processing [J]. Geochemistry Geophysics Geosystem, 2014, 15(7): 2821-2839.

[ 2] 胡玉珍. 加强纺织品安全性能检测的重要性[J].中国纤检,2010(22): 38-41. HU Yuzhen. The importance of strengthen textile safety testing [J]. China Fiber Inspection, 2010(22): 38-41.

[ 3] 章国红, 辛斌杰. 图像处理技术在纱线绒毛率检测方面的应用[J]. 河北科技大学学报, 2016, 37(1):76-82. ZHANG Guohong, XIN Binjie. Application of image processing technology in yarn hairiness detection[J]. Journal of Hebei University of Science and Technology, 2016, 37(1):76-82.

[ 4] 努尔顿,左保齐. 丝织物疵点智能化判别[J]. 丝绸, 2003(11):28-31. NU Erdun, ZUO Baoqi. Intelligent recognition of silk fabric defects [J]. Journal of Silk, 2003(11): 28-31.

[ 5] 王三武, 祁林. 织物疵点自动识别方法的研究及应用现状[J]. 纺织科技进展, 2005(6): 67-69. WANG Sanwu, QI Lin. Research and application actuality on methods of automatic identification textile defects [J]. Textile Technology Development, 2005(6): 67-69.

[ 6] KARRAS D A, MERTZIOS B G. Improved defect detection using novel wavelet feature extraction involving principal component analysis and neural network technique[J]. Lecture Notes in Computer Science, 2002(25): 368-647.

[ 7] 陈新华, 周彩琴, 孙银银,等. 基于纱线条干边缘曲线切点的纱线绒毛率检测[J]. 江苏纺织, 2013(9):44-49. CHEN Xinhua, ZHOU Caiqin, SUN Yinyin, et al. Yarn hairiness detection based on the edge of evenness curve tangent point [J].Jiangsu Textile, 2013(9):44-49.

[ 8] 纪惠军, 张小栋, 杨建民. 基于机器视觉的织物疵点检测技术探讨[J]. 现代纺织技术, 2011, 19(2):11-15. JI Huijun, ZHANG Xiaodong, YANG Jianmin. Discussion on the detection technology of fabric defects based on machine vision[J]. Modern Textile Technology, 2011, 19(2):11-15.

[ 9] 谢黎路, 莫静昱, 吴佩云. 我国纱线外观质量检测技术的进步[J]. 棉纺织技术, 2005, 33(9):25-30. XIE Lilu, MO Jingyu, WU Peiyun. Advancement of national yarn appearance quality test technique[J]. Cotton Textile Technology, 2005, 33(9):25-30.

[10] 章国红, 辛斌杰. 图像处理技术在纱线绒毛率检测方面的应用[J]. 河北科技大学学报, 2016, 37(1):76-82. ZHANG Guohong, XIN Binjie. Application of image processing technology in yarn hairiness detection[J]. Journal of Hebei University of Science and Technology, 2016, 37(1):76-82.

[11] 李文羽, 程隆棣. 基于机器视觉和图像处理的织物疵点检测研究新进展[J]. 纺织学报, 2014, 35(3):158-164. LI Wenyu, CHENG Longdi. New progress of fabric defect based on computer vision and image proces-sing[J]. Journal of Textile Research, 2014, 35(3):158-164.

[12] MAHAJAN P M, KOLHE S R, PATIL P M. A review of automatic fabric defect detection techniques[J]. Advances in Computational Research, 2009, 1(2):18-29.

[13] ANIRBAN GUHA, AMARNATH C, PATERIA S, et al. Measurement of yarn hairiness by digital image processing[J]. Journal of the Textile Institute, 2010(101):214-222.

[14] SCHNEIDER D, MERHOF D. Blind weave detection for woven fabrics [J]. Pattern Analysis and Applications, 2015, 18(3): 725-737.

[15] 游达章, 张建钢, 甘勇. 位图图像灰度化的方法及编程实现[J]. 广西科技大学学报, 2004, 15(1):23-26. YOU Dazhang, ZHANG Jiangang, GAN Yong. The method and programming realization of bitmap image grayscale[J]. Journal of Guangxi University of Technology, 2004, 15(1):23-26.

[16] 袁汝旺, 蒋秀明, 周国庆,等. 基于线性阵列的纱线直径与绒毛率测量方法[J]. 纺织学报, 2013, 34(8):132-137. YUAN Ruwang, JIANG Xiuming, ZHOU Guoqin, et al. Measuring method of yarn diameter and hairiness based on linear array[J]. Journal of Textile Research, 2013, 34(8): 132-137.

Fabric surface fluff rate detecting system based on machine vision

YANG Songlin， MA Shuai， DING Zhaopeng， FAN Hongli， XUE Huanhuan

(SchoolofMechanicalEngineering,HebeiUniversityofScienceandTechnology,Shijiazhuang,Hebei050018,China)

The fluff content on the surface of fabric is detected by manual method, which is low in efficiency and accuracy. For this reason, a set of detecting system of fabric surface fluff rate was developed based on machine vision and image processing technology. The detection principle of the fabric surface fluff rate was introduced including the mathematical model, the detection algorithm and the method for determining threshold value, and introduced hardware and software composition of the fabric surface fluff rate detecting system. The surface fluff rate of five kinds of fabrics was detected by the system, and the results were compared with the artificial test results. The results show that the detecting system can efficiently determine the fluff rate of the fabric surface and has a high positive correlation with the artificial test results. The system repeat detection error is between 1.18% and 7.25%, which can meet the fabric surface fluff rate detection needs.

fabric surface fluff rate； vision machine； image analysis； fluff rate detecting system

10.13475/j.fzxb.20160604106

2016-06-16

2017-03-15

杨松林(1961—)，男，教授，硕士。主要研究方向为机械设计与制造，纺织机械与仪器设计制造，工程CAD及三维数字化。E-mail: 375086472@qq.com。

TS 103.7

A