基于改进OTSU法的原棉破籽类杂质快速检测

齐英兰

(河南轻工职业学院 信息工程系，河南 郑州 450002)

近年来，我国棉花产量一直位居世界前列，2020年我国棉花产量约 591万t，约占全球棉花总产量的25.4%[1]。作为主要纺织原材料，棉花与农业、工业、商业等领域都息息相关。棉花在加工过程中，即使经过籽棉清理，原棉中仍会留存杂质，这些杂质在轧花过程中被打散成更细小的杂质微粒混杂在棉纤维中，增加了后续工艺中清除的难度，也降低了棉纺成品的质量和价格[2]。在原棉杂质中，包括破籽、带纤维籽屑、软籽表皮在内的破籽类杂质占比较大，因此，快速准确检测出该类杂质成为亟待解决的难题。

目前，原棉破籽类杂质主要依靠刺辊锯齿分梳松散，在机械和气流的作用下，纤维和杂质分离，该方式人工劳动强度大、耗时长、检测效率低[3-4]。随着机器视觉技术的发展，相关研究主要有，李龙[5]提出基于Mobile-Net-V2模型的棉花表面杂质自动化识别方法；王飞等[6]选取Sobel算子等4种边缘检测方法进行适用性分析；张志强等[7]采用BP神经网络进行训练，获得的BP神经网络权值、阈值进行棉花图像分割；黄仰东等[8]设计了一种基于Mean-shift的图像处理特征识别算法；娄联堂等[9]提出了基于图像灰度变换的OTSU阈值优化算法。由于OTSU最佳阈值需要遍历所有像素值、计算复杂度高、实时性弱等限制了OTSU方法的应用[10]。

针对上述存在的问题，本文结合原棉破籽类杂质的性状特征，通过动态调整惯性权重因子与自适应动态调整学习因子进行优化，迭代整个群体的全局最优位置和粒子自身的历史最优位置，进而求解最大类间方差，获取最优图像分割阈值。

1 图像采集与预处理

对于原棉破籽类杂质图像的采集，本文搭建了基于工业相机与LED光源的视觉图像采集系统，采用海康威视CMOS工业相机，相机具有自动和手动调节增益功能，图像采集最大尺寸2 048 pixel × 1 536 pixel，能够准确获取清晰的杂质图像，光照系统采用LED光源，色温6 500 K。图像处理算法采用VC++与OpenCV实现，计算机硬件为Intel Core i7 CPU、8GB内存。

由于原棉破籽类杂质图像边缘信息复杂，为了更加突出杂质的结构特征，需要对采集的图像进行灰度变换增强处理，在降低噪声的同时获取到杂质真实细节特征信息，进而实现杂质边缘信息的有效提取。

灰度变换具体方法是根据目标条件，按照变换关系逐像素点调整原始图像内各像素的灰度，增强图像动态范围，进而使原棉杂质图像具有较高的对比度，使得主要内容显著且清晰。灰度变换可分为线性变换和非线性变换，本文采用分段线性变换，方法见图1。

图1 分段线性变换Fig.1 Segmented linear transformation

在图1中，设定原棉杂质图像为f(i,j)的灰度值区间为[0，255]，目标灰度值区间为[a,b]，假设变换后的图像g(i,j)将灰度值区间延伸至[c,d]范围内，那么[a,b]区间内的灰度值将被延伸，两端的灰度值将会被压缩，则其相对应的分段线性变换方法见式(1)：

(1)

2 原棉图像中破籽类杂质检测

2.1 OTSU方法

OTSU是用于图像自适应阈值分割的算法，由于其通过图像灰度特征值确定最佳阈值使得检测目标和图像背景2部分的类间方差取最大值。由于方差能够度量图像灰度等级分布相似性，检测目标与图像背景的类间方差越大，检测目标与图像背景差别就越大，因此，确保类间方差最大，使得错分的机率最小。

假设图像目标与背景分割阈值为t，目标像素点平均灰度为μ1，目标占整幅图像像素比为ω2，背景像素点平均灰度为μ2，目标占整幅图像像素比为ω2，整幅图像所有像素平均灰度为μ，则类间方差为σ2的数学表达见式(2)：

σ2=ω1(μ1-μ)2+ω2(μ2-μ1)2

(2)

由于类间方差越大，检测目标与图像背景的像素差异越大，因此，σ2取最大值时的阈值t即为最佳阈值。

2.2 最佳分割阈值计算模型

粒子群算法是群体智能优化迭代算法，它通过研究粒子位置更新模式，以快速准确收敛至全局最优解，即是，将类间方差设置为目标函数，通过整个群体的全局最优位置和粒子自身的历史最优位置，在一定的随机扰动下决定下一步速度，进而求解最大类间方差。

设定d维空间中第i个粒子由 3个d维向量组成当前位置xi、历史最优位置pi、速度vi分别为：

xi=(xi1,xi2,…,xid)

(3)

pi=(pi1,pi2,…,pid)

(4)

vi=(vi1,vi2,…,vid)

(5)

式中，i为粒子群中粒子数目。每次迭代过程中，将粒子i的当前位置与历史最优位置比较，如果当前位置优于其历史最优位置时更新pi，否则维持pi不变。粒子的位置和速度迭代更新依照式(6)进行，

(6)

式中：ω为惯性权重因子，c1、c2为学习因子，r1、r2为区间范围[0，1]中的随机数，t为迭代次数。

在现有粒子群算法的基础上，本文采用通过动态调整惯性权重因子与自适应动态调整学习因子进行改进，惯性权重因子与学习因子依照式(7)动态更新，

(7)

在最佳阈值计算模型中，群体中粒子总数为N，则自适应系数按式(8)计算，

(8)

2.3 改进OTSU方法检测流程

在改进的OTSU破籽类杂质检测方法中，通过动态调整惯性权重因子与自适应动态调整学习因子优化，完成粒子位置与速度的迭代更新，进而求取最佳阈值，其检测流程如图2所示。

图2 改进OTSU方法检测流程Fig.2 Improved OTSU method detection process

主要步骤描述为:

步骤1：对原棉图像进行灰度变换增强处理，初始化各粒子的速度和位置。

步骤2：按照式(6)进行信息更新，一般选择c1 =c2 = 2，ω= 0.9。

步骤3：根据式(2)计算每个粒子适应度值，即为其对应阈值的类间方差。

步骤4：将粒子当前适应度与其历史最优值比较，若当前适应度更有优，则更新历史最优值且将当前位置作为粒子最优位置。同样，更新种群历史最优位置。

步骤5：判断粒子群中所有粒子的适应度是否都已经计算完毕，同时，根据式(7)重新计算惯性权重因子和学习因子，返回Step2，直至粒子群计算完成。

步骤6：根据粒子群算法获取的最佳阈值，进行OTSU边缘检测与识别。

3 结果与分析

为验证本文方法的有效性，实验选取含有破籽类杂质的原棉样本50份，每个样品100 g，图像采集系统获取原棉图像，其分辨率为1 400 pixel × 1 800 pixel，位深度24，采用仿真程序进行检测性能分析。

3.1 杂质边缘提取精度分析

破籽类杂质边缘的提取精度直接影响着边缘的检测准确度，在图像采集与仿真实验系统中，实验对比了OTSU、Canny、Sobel方法与本文改进方法在杂质边缘的提取精度上的测试结果。边缘提取精度采用对提取的杂质边缘像素点数量的相对误差进行衡量，即绝对误差与真实测量值的比值乘以100%，50份棉样检测结果取平均值，结果如表1所示。

表1 杂质边缘提取精度对比Tab.1 Impurity edge extraction accuracy comparison

从表1可以看出，根据50例棉样的均值数据统计，OTSU、Canny、Sobel方法检测到的杂质像素都在44 762 pixel以下，漏检至少3 511 pixel，相对误差在7%以上。本文改进OTSU方法的相对误差为6.03%，通过动态调整惯性权重因子与自适应动态调整学习因子优化改进，获得图像分割的最优阈值，使边缘信息的描述更全面地表征杂质像素的属性，与其它方法相比，相对误差平均降低2.74%，杂质漏检减少2 910 pixel，增加了检出杂质量，有效提高杂质边缘提取精度。

3.2 检测耗时分析

为进一步验证本文方法杂质检测的效率，在图像采集与仿真实验系统中，分别采集600 pixel×1 536 pixel等4种不同分辨率的棉样图像进行对比测试。对比结果如图3所示。

图3 检测耗时对比Fig.3 Comparison of testing time consumption

图3对比结果显示，与OTSU方法相比，在高中低分辨率条件下，本文方法采用粒子群优化，由于降低了迭代次数，进而检测耗时较少，平均减少0.21 s，有效减少了图像分割与检测的时间。

3.3 检测效果分析

杂质边缘分割精度的是检测效果的重要体现，基于上述实验环境，分别采集带有破籽类杂质的原棉图像，对图像进行预处理，并将OTSU、Canny、Sobel方法与本文方法的检测效果进行对比，检测效果对比如图4所示。可知，各方法基本都检测到了原始棉样中的杂质，但OTSU方法与Sobel方法存在漏检，Canny方法检测的杂质边缘清晰流畅，但背景噪声较大，且存在误判，本文方法通过动态调整惯性权重因子与自适应动态调整学习因子进行优化，进而获取最优图像分割阈值。相比其他方法，本文方法更能准确刻画杂质的边缘特征，检测到的杂质边缘完整、流畅，避免了杂质边缘的漏检，能够有效提高原棉破籽类杂质的检测效果与效能，但杂质与图像背景分割还不够分明，存在少量背景杂散点，尚需进一步改进优化。

图4 检测效果对比Fig.4 Comparison of testing results. (a) Original cotton sample image；(b) Image pre-processing；(c) OTSU method；(d) Canny method；(e) Sobel method；(f) This article method

4 结 论

在OTSU方法最佳阈值的获取中，本文提出基于粒子群优化最佳阈值的杂质检测方法，通过动态调整惯性权重因子与自适应动态调整学习因子进行优化，进而求解最大类间方差，获取最优图像分割阈值。实验结果表明，与OTSU、Canny、Sobel方法相比，本文方法的杂质检测相对误差平均降低2.74%，检测到的杂质边缘能够有效表征杂质像素，杂质边缘描述明确，提高了杂质检测性能，适用于原棉破籽类杂质快速检测。