棉花质量检测技术研究

1、基于彩色与近红外图像信息融基于彩色与近红外图像信息融合的轧棉质量分级方法合的轧棉质量分级方法汇报内容 背景介绍及研究内容背景介绍及研究内容 实验及处理结果实验及处理结果 结论结论5/27/20225/27/20221 1、背景介绍、背景介绍 轧棉质量直接决定了纺织品的质量，它不仅影响纺织品的质量，对染色质量影响也较大。因此原棉的质量检测是棉纺行业中一项重要的流程，直接关乎整个棉纺织业。 而轧工质量分级主要是依据样棉的外观形态与疵点种类及其程度来进行。而目前国内检测方式人工肉眼识别,该方法有一定经验，但费时费力。 各种疵点及外观形态：带纤维籽屑僵棉棉结破籽5/27/2022 随着机器视觉技术的不

2、断发展，为轧棉质量检测提供了一种自动，无损，高效的方法。目前，轧棉质量检测成为此行业的热点，国内外学者对基于图像的分级方法进行了大量研究，但大多数轧棉质量的分级依据过于单一，侧重于棉花中异性纤维、僵棉、籽屑等某种单一的疵点，然而，仅以单特征信息的判断存在片面性，容易误判，不能真正满足轧棉质量的多指标分级要求。 本文采用信息采用信息融合技术利用彩色和近红外两种图像信息进行特征提取，然后采用BP神经网络构建分类器分别进行等级识别，最后，利用 D-S 证据理论对识别结果进行决策级融合，实现轧棉质量的分级。5/27/20222、彩色图像检测、彩色图像检测图图2.1 彩色系统示意图彩色系统示意图2.1

3、实验装置如图实验装置如图2.1所示所示5/27/2022 在疵点识别过程中，将三通道分别进行形态学处理，利用膨胀相减，腐蚀，然后利用欧式距离法将其融合为一个通道进行疵点提取。在疵点识别时使用面积法，将僵棉、破籽、带纤维屑进行识别。彩色图像僵棉破籽籽屑2.2.1 基本原理基本原理5/27/2022图2.2 僵棉与破籽面积所占像素点5/27/2022读取图像R,G,B三通道形态学处理融合及分割填充二值化连通图像破籽个数加1僵棉个数加1籽屑个数加110000150是否是否连通域面积彩彩色色图图像像处处 ：理理原原理理图2.3 算法流程图5/27/20222.1.2 实验结果实验结果 我们可以根据GB

4、1103-2012棉花 细绒棉国家标准的分类标准，通过对各疵点的种类和数目完成轧棉质量分级，通过对优，良，中，差四个等级的样棉各20个分别进行处理，以上方法对疵点的识别有较高的正确率，并且最终对轧棉质量的分级准确率达到了71.25%。5/27/20222.2.1 纹理分析纹理分析 关于图像外观形态的表面平滑度，棉层蓬松度，先前所述的方法就不再适用，因此我们采用对其纹理的分析。 图像的纹理表现为图像像素灰度级的某种变化, 在图像分类中得到广泛应用 , 纹理分析中利用灰度共生矩阵作为描述参量。计算了局部平稳( L) 、熵( H ) 、惯性矩（I）和能量( E ) 4 种纹理特征 。式中:i 和j

5、的取值由目标图像的范围定,P(i,j)为图像灰度值。5/27/20222.2.2 基于基于BP神经网络的分类器设计神经网络的分类器设计 BP神经网络是一种按误差逆传传播算法训练的多层前馈网络，其基本原理是采用梯度下降法调整权值和阈值使得网络的实际输出值和期望输出值的均方误差值最小，其模型结构如图2.2.2所示：图 2.2.2 BP神经网络结构5/27/2022 选取40个训练样本的局部平稳( L) 、熵( H ) 、惯性矩（I）和能量( E ) 4 种纹理特征参量作为输入层，轧棉质量等级为输出，对BP神经网络分离器进行训练，并对每个等级20个测试样本进行识别，识别正确率为73.75%。2.2.

6、3 实验结果实验结果5/27/20223 3、近红外图像检测、近红外图像检测 由于棉结、索丝的颜色接近于原棉的颜色，因此先前介绍的彩色图像检测的方法就不再适用。 我们通过建立索丝棉结模型，提出了一种有效的检测方法，该方法利用线结构近红外激光器作为光源，对原棉进行线扫描，对扫描后的图像进行减法运算，将其融合为一幅图像，可以有效的提取出棉结、索丝。再对提取的棉结、索丝进行断点连接、形态学等处理，可以有效的提取出原棉中的棉结和索丝。5/27/20223.13.1基本原理基本原理3.1.1 单纤维模型单纤维模型 当光线入射到纤维表面时，会发生正反射光、表面散射光、来自内部的散射光和透射光所形成。其模型

7、如图3.1.1a所示：nnsinarcsin0折射角：图3.1.1a 单纤维模型5/27/2022 设棉纤维外表面的主反射率为 、主透射率为 、 内表面一次反射率为 和透射率为 ，由菲涅尔公式可得：2222sinsintantan21)(R222sin2sin2sincossin2sin2sin21)(T)()(RR)()(TT5/27/2022当折射率n=1.58，其仿真结果如3.1.1b图所示： 由仿真结果可以看出，随着入射角的增大，反射率随之增大，透射率随之减小。图3.1.1b 入射角与反（透）射率关系5/27/20223.1.2 多层纤维模型多层纤维模型 当光线入射到纤维表面时，会有一

8、部分透射如棉纤维，会在下一层棉纤维上继续发生各种光学现象。其模型图如图3.1.2所示：图3.1.2 多层纤维模型5/27/2022 随着层间距离的增大S随之增大。而索丝棉结现对于标准棉来说，d相对较小，因此当平行光进行照射时，索丝棉结更加明亮。22sinsin2ndS 折射率的关系相互间会形成一定的位移，其位移量可S 表示为：5/27/2022 因为在棉纤维所产生的各种光中，漫反射是主要部分，因此，应选择平行光结合暗场照明，可以实现图像灰度的高对比度，从而便于疵点的提取。 由图3.2中的棉纤维模型仿真结果，并结合3.3 节中的模型知，在检测时，应尽量减小入射角 ，从而可以实现索丝棉结出亮度比标

9、准棉亮度高，可实现对索丝棉结的提取识别。 其中S随入射角的变化的仿真结果如图3.1.3所示：图3.1.3 随入射角的变化5/27/2022图3.2.1 实验装置图3.2 实验装置实验装置5/27/20223.3图像处理算法图像处理算法3.3.1 减法算减法算法法: 将连续的线扫描图像做减法处理，可以有效的消除背景，提取出目标物。图3.3.1 减法算法流程图5/27/20223.3.2 连接算法连接算法：在线扫描过程中，线与线间会出现间断现象，为了是扫描后的图像尽量还原为真实，需对减法处理后的图像进行间断点连接处理，实现图像的连续性。图3.3.2 连接算法流程图5/27/20223.3.3 程序

10、算法程序算法 : 利用形态学进行处理让图像更加圆滑；去除小面积，减少噪声对结果的影响；并将孔洞部分进行填充，使处理效果更佳。图3.3.3 程序算法流程图5/27/20223.3.4 处理结果处理结果:原始图像减法处理图滤波，除噪连接处理图形态学处理5/27/2022 对所得疵点进行区域分离，求取棉结，索丝两种疵点的形状特征参量并统计，以便进行区分.3.4 基于基于BP神经网络的分类器设计神经网络的分类器设计离散指数长方形度5/27/2022长轴短轴比扩展度固靠度离心率5/27/2022 由统计图可看出，棉结，索丝的以上六个形状参量有明显区别。以选取40个训练样本的6种形状特征参量作为输入层，棉

11、花的索丝，棉结的识别率作为输出，对BP神经网络分离器进行训练，进而得到轧棉质量的分级情况，对每个等级20个测试样本进行识别，识别正确率为81.25%。3.5 实验结果实验结果5/27/20224. 基于基于D-S证据理论的决策级融合证据理论的决策级融合 D-S 证据理论是由 Demster 和 Shafe 提出的一种信息融合方法，能够有效解决带有不确定性知识的模式识别问题。其多个概率分配函数的组合规则如下式: 其中 :5/27/2022 应用该进行信息融合的关键是根据现有证据构造基本概率分配函数（BPA）文利用两个 RBFNN 分类器的输出结合各自的识别正确率分别构造每个样本的基本概率分配函数

12、。每个样本的 BPA 构造公式为： 式中，n=1 表示彩色图像中对颜色特征识别结果，n=2表示彩色图像中对纹理特征识别结果，n=3表示对近红外图像特征识别结果，i=1，2，3，4表示 轧棉质量优，良，中，差4 个等级。5/27/20224.1 算法步骤：算法步骤：5/27/2022轧棉质量分级优 20 13 14 18 19 近红外（形状）中 20 16 13 14 19差 20 13 15 16 18实际数量 正确识别个数正确率（%）100 71.25 73.75 81.25 93.75 彩色（颜色） 彩色（纹理）融合良 20 15 17 17 194.2 样棉融合结果样棉融合结果5/27/20225.结论结论 我们提出了一种基于彩色与近红外图像信息决策级融合的轧棉质量等级识别方法。 在彩色图像的处理上，利用形态学处理，欧式距离法将其融合为一个通道进行疵点提取。并在疵点识别时使用面积法，识别出疵点并进一步实现分级。提取纹理参量，利用 BP神经网络分类器进行轧棉质量等级