吳婷榮， 陳亞軍， 楊舒涵， 史書偉， 李夢輝， 夏 彬

(1.西安理工大學 印刷包裝與數字媒體學院， 陜西 西安 710054；2.中華全國供銷合作總社 鄭州棉麻工程技術設計研究所， 河南 鄭州 450004)

棉花是紡織業(yè)的主要原材料之一，而雜質的存在卻一直是一個不可避免的難題。其中，籽棉中的雜質含量尤為突出，若不對籽棉中的雜質進行去除處理，會使皮棉的含雜量增加，品級降低，也會影響到后續(xù)的加工質量。粗大的雜質更是容易堵塞機器，從而加快機器的磨損[1]。在棉花的加工過程中，主要有籽棉清理、軋花、皮棉清理、打包等工藝環(huán)節(jié)，含雜率的檢測，可以明確籽棉中雜質的含量，為清除工序的安排提供依據，同時也可用于判定籽棉的質量是否符合標準。因此，籽棉含雜率的檢測對于棉紡織業(yè)來說，具有重要意義。

依據國家標準，籽棉含雜率的檢測是通過將雜質與籽棉分離，然后分別稱重、計算，得出雜質的質量百分比。然而這種方法效率較低，需消耗一定時間，在快速、自動化的生產線環(huán)節(jié)中運用存在一定難度。圖像處理技術的真實性、便捷性和準確性，使其在紡織行業(yè)中的應用越來越多。近年來，國內外研究人員將其應用到了棉花檢測領域中，并取得了較好的成果。其中，Wang、王飛等[2-6]運用閾值分割法和邊緣檢測對棉花圖像進行分割，檢測其中存在的異物。王欣、楊程午等[7-11]根據特征的不同，進行棉花圖像中異性纖維和雜質的檢測識別。Yang等[12]針對彩色圖像，提取出顏色和亮度顯著性圖，進而分割出異性纖維。Jiang[13]、Mustafic[14]等利用高光譜成像系統，依據棉花與異物光譜圖像的差異，實現異物的檢測分類。Jiang[15]、Zhang[16]等運用mRMR特征選擇方法，從高光譜成像數據中選擇出最佳波長、波段，用于棉花異物的分類。Cai[17]、何曉昀[18]和杜玉紅[19]等利用深度神經網絡對棉花中存在的異物進行分類和定位。

目前，基于圖像的棉花檢測更多傾向于異性纖維的檢測與剔除，而針對含雜率的運用相對較少。因此，本文基于圖像分析，對籽棉圖像的含雜率進行了研究，以便估計、了解棉花加工過程中的含雜情況，為后續(xù)清花工藝提供一定的依據。本文分別運用最大類間方差法和多種算子結合的邊緣檢測分割籽棉圖像，并利用連通區(qū)域分析得出基于像素面積的含雜率。此外，為了對比，也進行了質量法檢測籽棉含雜率的實驗，手工分離雜質后，借助電子天平稱重，得出質量比。

1 籽棉圖像采集

圖像采集是圖像處理的第一個環(huán)節(jié)，采集得到的圖像質量直接影響后續(xù)算法處理的結果。所以，在棉花加工線上采集圖像時，要充分開松籽棉形成薄棉層，并經抓棉機構抓棉，再用高透光玻璃壓實，方便專業(yè)相機拍照。同時，為了避免產生不必要的陰影和反射光，一定要選擇合適的照明光源及角度。圖1為棉花加工生產線上采集的含雜籽棉圖像樣本。

圖1 生產線上籽棉圖像樣本Fig.1 Sample of seed cotton image on production line

生產線上采集所得籽棉圖像主要用于基于圖像的含雜率檢測實驗，但因本文也進行了基于質量的含雜率檢測對比實驗，所以又利用實驗室的機器視覺平臺采集了質量法檢測時所用籽棉樣本的圖像，如圖2所示。

圖2 機器視覺平臺采集的籽棉圖像Fig.2 Seed cotton image collected by machine vision platform

籽棉中的雜質種類多樣，如棉鈴殼、棉葉和棉桿等粗大雜質，經過前端風選、纏繞等雜質清除機構后，還有少許顏色較淺、顏色與棉花相近或透明的其他雜質。本文的研究主要針對籽棉加工線上的主要雜質，即以棉鈴殼、棉葉、棉桿和僵瓣為主，而對于少量顏色較淺、顏色與棉花相近或透明的其他雜質，可在皮棉清理環(huán)節(jié)中借助紫外、偏振等多光源成像系統，實現與棉花的區(qū)分成像，并進行檢測剔除。

2 基于圖像分析的籽棉含雜率檢測與實驗

含雜率是衡量棉花質量的重要指標，籽棉的含雜率更是決定最終棉花產品品質的關鍵要素之一[20]?；趫D像分析的籽棉含雜率檢測，具體方案為：首先，對原圖像進行預處理，提高圖像對比度，使目標區(qū)域清晰突出；其次，運用兩種不同的分割方法分別對圖像進行分割，區(qū)分出雜質和籽棉區(qū)域；然后，運用數學形態(tài)學進一步改善圖像，并實現雜質區(qū)域的連通區(qū)域分析；最后，利用連通的雜質區(qū)域，計算得出雜質與整個圖像的像素面積之比，即為籽棉圖像的含雜率，具體檢測流程如圖3所示。

圖3 基于圖像的籽棉含雜率檢測流程圖Fig.3 Flow chart of seed cotton impurity ratio detection based on image

2.1 圖像預處理

棉花加工生產線上，相機采集的樣本圖像其目標與背景對比不太明顯，并且籽棉圖像中部分區(qū)域的棉花顏色偏黃，與周圍的白色棉花形成明顯對比。若不進行預處理而直接分割，會導致發(fā)黃的區(qū)域被誤當作雜質分離，進而造成較大的誤差。因此，本文選用圖像灰度化、灰度拉伸和中值濾波等預處理方法，使圖像變得清晰，對比度得到提高，為后續(xù)處理過程提供良好的基礎。籽棉圖像預處理前后的效果對比，如圖4所示。

2.2 圖像分割

圖像分割是指把圖像分成各具特殊意義的區(qū)域，并提取出感興趣部分的過程[21]。其中，感興趣的部分即為目標區(qū)域，其余部分則為背景區(qū)域，目標區(qū)域內的像素特性與背景區(qū)域不同，分割時可根據紋理、灰度、顏色等特征進行劃分。本文選用的籽棉圖像分割方法為最大類間方差法和邊緣檢測。

2.2.1最大類間方差法

最大類間方差法是指在某個灰度值處把圖像分為兩個部分，當兩部分的方差達到最大值時，則選用該灰度值為閾值進行整個圖像的分割[22]，具體實現步驟如下：

1) 設一幅圖像的像素值總數為N，灰度值范圍為[0,L-1]。其中灰度級為i的像素點有ni個，則i出現的概率為：

(1)

2) 在灰度值T處將圖像內所有的像素分為A、B兩個組，A組的灰度值范圍為[0,T]，B組灰度值范圍為[T+1,L-1]。A、B兩組的類間方差為：

σ2=ω0(u0-uT)2+ω1(u1-uT)2

(2)

3) 讓T在灰度范圍[0，L-1]內依次取值，直到類間方差σ2的值達到最大，這時的灰度值T即為最優(yōu)閾值。

2.2.2邊緣檢測

邊緣檢測是通過檢測圖像中各區(qū)域的邊緣來分割目標與背景的，其本質就是利用不同區(qū)域間像素灰度不連續(xù)的特點,借助某種特定的算子來提取出目標區(qū)域與背景區(qū)域之間的分界線[23]。常用的邊緣提取算子有Roberts算子、Sobel算子、Prewitt算子、Log算子和Canny算子等。

利用最大類間方差法和邊緣檢測分別對預處理后的樣本圖像進行分割。最大類間方差法實現簡單，在一定條件下不受圖像對比度與亮度變化的影響,其依靠方差可以衡量圖像的灰度分布均勻性，方差值越大，表示目標和背景的差別越大，分割效果越好。當有小部分的目標被錯分為背景、或者是小部分的背景被錯分為目標時，都會使得目標和背景的差別減小。因此，使得類間方差最大，就意味著誤分率最小。

邊緣檢測依靠邊緣提取算子得到目標區(qū)域邊界完成分割。其中，Roberts算子定位精準度高，但對噪聲較為敏感；Sobel算子和Prewitt算子可抑制噪聲，但存在較多間斷點；Log算子對孤立點和細線的檢測效果較好，卻易受噪聲影響；Canny算子檢測精度高，對虛假邊緣有抑制作用，不易受噪聲干擾，但就本文實驗中含雜籽棉圖像而言，Canny算子的檢測過于細致，往往像素灰度存在細微差異、紋理豐富的棉花區(qū)域都會被檢出，存在一定的缺陷。因此，本文中邊緣檢測算法的實現是通過多種邊緣提取算子結合完成的，分別運用Prewitt、Roberts、Sobel和Canny算子對預處理后的圖像進行邊緣檢測，然后將各個算子所得圖像進行融合，得到最終的分割圖像。

具體的，兩種圖像分割方法的分割效果如圖5所示。其中，為了可以清楚地對比兩種方法的分割效果，所給邊緣檢測的效果圖為進行區(qū)域填充后的圖像。

圖5 兩種方法分割效果圖Fig.5 Segmentation effect drawing by two methods

2.3 數學形態(tài)學操作

數學形態(tài)學是指通過集合論語言的描述，利用具有一定形態(tài)的結構元素，對圖像中的目標形狀進行度量和提取。其有四種基本運算，分別是膨脹、腐蝕、開運算和閉運算。數學形態(tài)學的操作可以除去圖像中無關的結構，同時還可以保持圖像的基本特征不發(fā)生改變[24]。

圖像經過分割后，變成了只有黑白兩種顏色的二值圖像，可以清楚地看到目標的大致輪廓。為了使目標的輪廓更加真實，方便后續(xù)操作，可以運用數學形態(tài)學進一步優(yōu)化。本文運用的形態(tài)學操作為區(qū)域填充、閉運算和刪除小面積。其中，籽棉的含雜率是通過雜質區(qū)域與整體區(qū)域的像素面積比得出的，所以要對雜質區(qū)域進行填充，方便面積的計算；閉運算可以連接圖像中細小的間斷點，填充區(qū)域內比較小的孔洞，同時也可以平滑區(qū)域輪廓。形態(tài)學處理效果如圖6所示。

圖6 形態(tài)學處理Fig.6 Morphological treatment

2.4 連通區(qū)域分析

圖像可以看作是一個由多個像素點組合而成的集合。連通區(qū)域是指對二值圖像中值為0或1的區(qū)域進行檢測，確定像素的區(qū)域，并將擁有相同像素值的相鄰像素點整合成為一個區(qū)域。

形態(tài)學處理后，在籽棉圖像中按照8鄰域的方式，從目標像素點(即像素值為1的點)開始向八個方向進行連通區(qū)域并標記。標記后的二值圖像內，各個連通區(qū)域標有不同的像素數。然后再從上到下、從左到右依次進行掃描，記錄每個連通區(qū)域內的像素個數，并計算得出總的像素個數，即為雜質總像素面積。最后，運用雜質總像素面積和整個圖像總像素面積的比值，得出最終的含雜率，具體計算公式定義如下：

(3)

式中：IR表示籽棉圖像含雜率；s表示圖像內雜質區(qū)域總像素面積；S表示整個圖像總像素面積。

本文提出的基于圖像分析的籽棉含雜率檢測方法目前已在棉花加工線上得到了應用，該方法在實時了解加工線上籽棉的含雜情況以及后續(xù)工序的調整中發(fā)揮了重要作用。

圖7為棉花加工生產線中進行籽棉含雜率檢測的“棉花加工質量水雜一體在線檢測裝置”。具體檢測時，每隔1分鐘在流速為15～18 m/s的輸棉管道里通過抓棉機構抓取一次樣本籽棉，然后將樣棉壓實到高透光玻璃板上，另一側用相機采集大小為1 800×1 642像素的圖像，最后運用本文提出的方法經過20 ms的處理計算，得出基于像素面積的含雜率。

圖7 籽棉含雜率在線檢測裝置Fig.7 Online detection device for impurity ratio of seed cotton

3 基于質量法的籽棉含雜率檢測實驗

基于圖像分析的籽棉含雜率檢測主要利用的是像素面積，也就是用雜質區(qū)域占整個籽棉區(qū)域的像素面積比作為含雜率。然而籽棉中的雜質是多樣的，即使在圖像中擁有相同的面積，在現實中不同雜質的質量也有一定差別，比如，棉鈴殼、僵瓣的質量明顯高于棉葉的質量，然而在圖像中它們有時會出現面積相等的情況。因此，在基于圖像分析檢測籽棉含雜率之外，本文還進行了質量法檢測含雜率的實驗。依據國家標準，質量法是檢測含雜率的主要方法。所謂質量法，指的就是用樣本中雜質質量占含雜籽棉總質量的百分比作為含雜率，具體計算公式如下：

(4)

式中：P表示含雜率；m表示雜質質量；M表示含雜籽棉總質量。

具體實驗操作中，手工對樣本籽棉中的雜質進行挑揀，如圖8所示，然后運用精度為0.000 1 g的電子天平分別稱出雜質與籽棉的質量，再計算出質量比作為樣本籽棉的含雜率。

圖8 手工挑揀籽棉雜質Fig.8 Hand picking of seed cotton impurities

4 實驗結果與分析

基于圖像分析的籽棉含雜率檢測，所用籽棉圖像采集于棉花加工生產線，在圖像分割部分，本文選用了最大類間方差法和多種算子結合的邊緣檢測。分別運用兩種圖像分割方法分離籽棉圖像中的雜質與棉花，再經過處理計算，得到基于像素面積的含雜率，具體實驗結果如表1所示。

表1 兩種圖像分割方法對應的籽棉圖像含雜率Tab.1 Impurity ratio of seed cotton image corresponding to the two image segmentation methods

由表1的實驗結果可以看出，多種算子結合的邊緣檢測分割圖像后得出的含雜率稍高于最大類間方差法，這主要是因為邊緣檢測是利用像素值突變的原理來分割圖像，所以會有小部分籽棉亮光區(qū)或陰影區(qū)被誤當作雜質分離，導致最終的雜質面積增加，含雜率升高。

質量法檢測籽棉含雜率，手工挑揀樣本籽棉的雜質后，稱重、計算，具體實驗結果如表2所示。此外，本文還利用實驗室現有的機器視覺檢測平臺，采集了質量法檢測時所用籽棉樣本的圖像，并分別運用最大類間方差法和多種算子結合的邊緣檢測對圖像進行分割，分割后得出對應的面積含雜率。圖9為各含雜籽棉樣本的具體檢測效果圖。

圖9 基于圖像分析檢測籽棉含雜率的效果圖Fig.9 Effect drawing of seed cotton impurity ratio detect based on image analysis

表2 籽棉含雜率Tab.2 Impurity ratio of seed cotton

由表2中6個籽棉樣本的含雜率檢測結果可以看出：基于圖像分析的含雜率檢測，兩種圖像分割方法的檢測結果比較接近，相差并不是很大；基于質量法的含雜率檢測，不同雜質所占比重不同，含有質量較大的雜質時，含雜率會明顯增大。同時由表2也可看出，基于圖像像素面積的含雜率和基于質量的含雜率之間并沒有明顯的相關性，主要原因是各雜質的密度不一樣。實際上，在棉花生產加工過程中，由于非接觸、易實施，基于圖像的含雜率檢測可發(fā)揮巨大作用。然而在實際的離線棉花質量抽檢中，質量法檢測的含雜率才是重要指標。

5 結 論

籽棉的含雜率是衡量籽棉質量的重要指標，也是評價籽棉品質不可缺少的數據之一。含雜率的大小影響著棉花加工流程的設置，決定著最終棉制品的品質，是不容忽視的關鍵信息。本文利用圖像處理技術，基于像素面積，對籽棉含雜率進行了檢測；同時也實施了質量法檢測。

1) 基于圖像分析的籽棉含雜率檢測，其兩種圖像分割方法的檢測結果表明，運用多種算子結合的邊緣檢測所得含雜率稍高于最大類間方差法，但又比較接近。這主要是因為邊緣檢測對灰度突變的區(qū)域較為敏感，小部分亮度較高或較低的籽棉區(qū)域會被誤分割為雜質，導致雜質面積增大，最終含雜率升高。此外，又考慮到最大類間方差法耗時相對較少，且不易受圖像亮度和對比度的影響，所以最終決定選用最大類間方差法為籽棉圖像的主要分割方法，進而實現含雜率的檢測。

2) 本文提出的基于圖像分析的籽棉含雜率檢測方法，雖然算法簡單，但相對于質量法檢測，其可以應用于生產線上，檢測速度快，可實時了解生產線上籽棉各加工工位的含雜狀況，解決了棉花行業(yè)含雜率實時檢測的問題。質量法的檢測需經歷挑揀、稱重和計算等工序，效率低下、實時性差。

今后的研究將著眼于籽棉圖像中各類雜質的智能識別，并基于各雜質的密度值，確定雜質像素面積與質量的關系，建立智能識別與預測模型，實現由面積到質量的預測，進而估算出籽棉圖像基于質量的含雜率。同時，不斷優(yōu)化方案，反復試驗，提升模型精度，從而得到與質量法接近的棉花含雜率精確檢測值。