趙文森 梁文宏 付瑾 李翔 朱慧慧

基金項(xiàng)目：陜西省西安市未央?yún)^(qū)科技局資助項(xiàng)目（批準(zhǔn)號(hào)：202112）資助的課題。

作者簡(jiǎn)介：趙文森（1996-），碩士研究生，從事圖像處理和缺陷檢測(cè)的研究。

通訊作者：梁文宏（1977-），講師，從事超精密測(cè)量技術(shù)、機(jī)電系統(tǒng)仿真與設(shè)計(jì)的研究，xws?liangwenhong@163.com。

引用本文：趙文森，梁文宏，付瑾，等.基于數(shù)字圖像處理的醋酸纖維絲束在線厚度檢測(cè)[J].化工自動(dòng)化及儀表，2024，

51（3）：396-402.

DOI：10.20030/j.cnki.1000?3932.202403004

摘 要 針對(duì)醋酸纖維絲束厚度檢測(cè)缺乏成熟的非接觸式檢測(cè)方案的現(xiàn)狀，基于絲束厚度與本身均勻性以及所受拉力有關(guān)，不同厚度的絲束區(qū)域透光性不同，呈現(xiàn)在圖像中的灰度不同的原理，提出基于數(shù)字圖像處理的絲束在線厚度檢測(cè)方法。首先采用圖像濾波去除噪聲;接著通過Otsu閾值分割實(shí)現(xiàn)目標(biāo)和背景的精確分離;隨后進(jìn)行連通區(qū)域劃分，不同區(qū)域分別提取灰度信息，并結(jié)合光學(xué)領(lǐng)域知識(shí)，構(gòu)建在線厚度檢測(cè)模型，實(shí)現(xiàn)了對(duì)絲束厚度的準(zhǔn)確檢測(cè)。實(shí)驗(yàn)結(jié)果表明：該方法實(shí)現(xiàn)了對(duì)絲束區(qū)域的劃分和對(duì)絲束厚度的計(jì)算，其厚度計(jì)算值與實(shí)際測(cè)量值的偏差不超過8.00%，滿足實(shí)際檢測(cè)需求。

關(guān)鍵詞 厚度檢測(cè) 圖像處理 醋酸纖維 灰度特征 Otsu算法

中圖分類號(hào) TP212?? 文獻(xiàn)標(biāo)志碼 A?? 文章編號(hào) 1000?3932（2024）03?0396?07

醋酸纖維是一種從醋酸酯化木材、棉花、亞麻等植物中的纖維素分子中得到的天然高聚

物[1]，是最早的人造纖維之一。醋酸纖維絲束作為煙嘴過濾材料，以其無毒、無味、耐沖擊、耐油、無靜電、低吸阻、強(qiáng)吸附等特性備受青睞[2]，其優(yōu)秀的熱穩(wěn)定性和彈性，使其能夠選擇性地吸附有害成分，同時(shí)保留煙草原味。醋酸纖維絲束的厚度值與其設(shè)計(jì)股數(shù)相關(guān)，通常較小，厚度的均勻性直接影響絲束的過濾性能，而香煙濾嘴的過濾性能是影響香煙整體質(zhì)量的重要指標(biāo)之一。然而，目前的醋酸纖維絲束生產(chǎn)過程中，由于生產(chǎn)工藝、原料、機(jī)器、環(huán)境等多因素的綜合影響，常出現(xiàn)橫移折疊、不均勻等問題，導(dǎo)致絲束厚度不均勻，質(zhì)量下降。因此，高效準(zhǔn)確地檢測(cè)絲束厚度成為亟待解決的問題。學(xué)者們對(duì)非織造布厚度一致性的檢測(cè)進(jìn)行了一系列研究，但對(duì)于醋酸纖維絲束的厚度檢測(cè)研究比較少，文獻(xiàn)[3]利用Matlab，采用計(jì)算灰度平均值的方法對(duì)非織造布圖像進(jìn)行分析，通過比較不同區(qū)域間的差值，精確定位出厚度不一致區(qū)域;文獻(xiàn)[4]對(duì)醋酸纖維網(wǎng)的均勻性進(jìn)行了深入探討，并提出相應(yīng)的表征及測(cè)定方法，通過圖像處理獲取了醋酸纖維網(wǎng)不同區(qū)域內(nèi)的纖維覆蓋面積，并計(jì)算出了纖維覆蓋率，通過建立纖維覆蓋率與纖維網(wǎng)均勻性間的關(guān)系，有效表征了醋酸纖維網(wǎng)的均勻性;文獻(xiàn)[5]測(cè)量了薄型非織造布的均勻性，對(duì)數(shù)字圖像預(yù)處理后，通過目標(biāo)區(qū)域提取、中值濾波及二值化等操作，直接計(jì)算像素點(diǎn)的個(gè)數(shù)表示材料的均勻性;文獻(xiàn)[6]設(shè)計(jì)了一種基于機(jī)器視覺的方法，通過計(jì)算設(shè)定厚度一致區(qū)域的灰度值范圍，實(shí)現(xiàn)對(duì)熔噴布厚度不一致區(qū)域的粗提取，然后利用自適應(yīng)參數(shù)的DBSCAN聚類算法，并通過輪廓系數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)了對(duì)熔噴布厚度不一致區(qū)域的精確分類。

筆者提出基于數(shù)字圖像處理的絲束厚度檢測(cè)方法，針對(duì)不同厚度絲束在圖像中的透光性差異，利用圖像處理技術(shù)（包括圖像濾波、閾值分割、形態(tài)學(xué)處理、灰度信息提取等方法），獲取了絲束目標(biāo)整體的灰度信息，結(jié)合光學(xué)領(lǐng)域知識(shí)，構(gòu)建了一個(gè)厚度檢測(cè)模型，以期實(shí)現(xiàn)對(duì)醋酸纖維絲束厚度的準(zhǔn)確檢測(cè)。

1 實(shí)施方案

機(jī)器視覺是一門跨學(xué)科技術(shù)，涵蓋機(jī)械工程、光學(xué)、圖像處理等領(lǐng)域，其基本原理是利用計(jì)算機(jī)、相機(jī)、光源等設(shè)備，代替人工進(jìn)行目標(biāo)物體的測(cè)量和檢測(cè)[7]。機(jī)器視覺系統(tǒng)一般由光源、圖像采集設(shè)備、圖像傳輸設(shè)備和計(jì)算機(jī)組成。

基于數(shù)字圖像處理的醋酸纖維絲束在線厚度檢測(cè)實(shí)施方案如圖1所示，首先光源照射絲束，由工業(yè)相機(jī)采集絲束圖像，經(jīng)由千兆以太網(wǎng)將圖像信息傳輸?shù)接?jì)算機(jī)，最后采用圖像處理算法進(jìn)行絲束分析和厚度計(jì)算并輸出。

在線厚度檢測(cè)實(shí)施方案

針對(duì)絲束圖像的寬度特點(diǎn)和厚度檢測(cè)要求，選擇?？低昅V?CS004?11GM黑白千兆網(wǎng)CMOS工業(yè)相機(jī)作為圖像采集設(shè)備?？紤]到絲束為矩形形狀，使用白色矩形LED面光源來確保光照的均勻和恒定，并采用背向照明方式。采集到的絲束圖像如圖2所示。

2 實(shí)驗(yàn)與分析

為闡明絲束圖像灰度與絲束厚度的數(shù)學(xué)關(guān)

系，需在理論上明確兩者的關(guān)系，并通過實(shí)驗(yàn)確定關(guān)鍵參數(shù)。

2.1 灰度與厚度的數(shù)學(xué)關(guān)系建立

當(dāng)物體受到光照時(shí)，光照度E與光強(qiáng)I、物體到光源的距離r間的關(guān)系如下：

E=（1）

同時(shí)，物體表面的亮度L′與光照度E之間存在以下關(guān)系：

L′=R×E（2）

其中，R為反射系數(shù)。

根據(jù)式（1）可知，當(dāng)物體與光源的距離不變時(shí)，光照度與光強(qiáng)成正比關(guān)系。根據(jù)式（2）可知，物體表面的亮度與光照度成正比關(guān)系。因此，可以推導(dǎo)出物體表面的亮度與光強(qiáng)成正比關(guān)系。

在圖像處理領(lǐng)域，亮度可以用灰度來表示，因此灰度值D與光強(qiáng)也成正比關(guān)系，這意味著可以使用灰度來表征光強(qiáng)的強(qiáng)弱?；叶扰c光強(qiáng)的關(guān)系如下：

I∝E，E∝L′，L′∝D?I∝D（3）

在光學(xué)領(lǐng)域，吸光度是用于描述物質(zhì)對(duì)特定波長的光線吸收能力的一種測(cè)量指標(biāo)。吸光度A與物質(zhì)的吸收層厚度b之間呈線性關(guān)系：

A=lg=kbc（4）

其中，I為入射光強(qiáng)，I為透射光強(qiáng)，k是摩爾吸光系數(shù)，c是物質(zhì)的濃度。

由式（3）可知，灰度與光強(qiáng)成正比關(guān)系，可以用灰度來取代式（4）中的入射光強(qiáng)I0與透射光強(qiáng)I1，建立灰度與厚度b之間的數(shù)學(xué)關(guān)系：

A=lg=Kb（5）

其中，D是背景圖像灰度，用來替代入射光強(qiáng);D是目標(biāo)圖像灰度，用來替代透射光強(qiáng);K是比例系數(shù)，它等于摩爾吸光系數(shù)k與物質(zhì)的濃度c的乘積。

2.2 厚度測(cè)量實(shí)驗(yàn)

本研究中，圖像采集過程中光源與絲束間的距離保持固定，同時(shí)光源光強(qiáng)變化量很小，因此這兩個(gè)參數(shù)的變化對(duì)實(shí)驗(yàn)結(jié)果的影響不予考慮。在式（5）中，D和D可以通過圖像處理獲得，K未知，b是要求出的厚度。明顯地，確定了關(guān)鍵參數(shù)K，就可以通過該式求出絲束厚度。因此，這一步的實(shí)驗(yàn)旨在確定K的數(shù)值。

生產(chǎn)中，絲束在行進(jìn)時(shí)受牽引拉力的作用，可以在一定拉力范圍內(nèi)調(diào)整，從而改變絲束的行進(jìn)速度也即生產(chǎn)速度。同時(shí)也會(huì)影響絲束厚度，因此在進(jìn)行絲束厚度測(cè)量時(shí)，考慮的前提條件之一就是拉力值。

實(shí)驗(yàn)設(shè)備參數(shù)見表1。

實(shí)驗(yàn)設(shè)施如圖3所示，包括兩端固定的絲束、一個(gè)用于調(diào)節(jié)拉力的直線模組、拉力傳感器及螺旋測(cè)微器等。

選取10、15、20、25、30 N 5種拉力條件、3種絲束層數(shù)（半層、單層和雙層），共生成15種不同的

情況。在這15種情況下，使用螺旋測(cè)微器對(duì)絲束厚度進(jìn)行測(cè)量，每種情況測(cè)量10次，共獲得150組數(shù)據(jù)。剔除每組數(shù)據(jù)中的2組離群值后，得到120組有效數(shù)據(jù)。測(cè)量過程如圖4所示。

2.3 K值的確定

在上述15種情況下，同時(shí)采集了相應(yīng)的絲束圖像并進(jìn)行圖像分析，提取圖像灰度信息。結(jié)合測(cè)量得到的絲束厚度數(shù)據(jù)，根據(jù)式（5）計(jì)算出K值。具體數(shù)值參考表2。

可以看出，K的大小與拉力值L以及吸光度A存在一定的關(guān)聯(lián)性。為了分析這種關(guān)聯(lián)性，使用Matlab進(jìn)行二階多項(xiàng)式擬合（圖5），在擬合過程中，平方和誤差（SSE）為0.017 06，決定系數(shù)（R?square）為0.942 6，顯示出良好的擬合效果。同時(shí)得到了擬合公式，通過該公式可以準(zhǔn)確確定K的數(shù)值。

3 圖像處理算法設(shè)計(jì)

在圖像采集完成后，要經(jīng)過一系列必要的圖像處理步驟，以實(shí)現(xiàn)對(duì)絲束厚度的精確檢測(cè)。檢測(cè)算法的流程如圖6所示，主要包括圖像濾波、閾值分割、形態(tài)學(xué)處理、區(qū)域劃分、灰度信息提取等步驟。

3.1 圖像濾波

圖像濾波的目標(biāo)是消除由傳輸和采集引入的噪聲，從而提高圖像的可識(shí)別性[8]。中值濾波是一種非線性濾波方法，能夠有效去除圖像中的噪聲并保持細(xì)節(jié)[9]。本研究采用了一個(gè)3×3的濾波模板對(duì)采集到的絲束原始圖像進(jìn)行中值濾波操作。

3.2 閾值分割

分割圖像分為目標(biāo)和背景兩個(gè)部分，是一項(xiàng)關(guān)鍵任務(wù)。閾值分割是最常用的方法之一，該方法通過將圖像中的每個(gè)像素點(diǎn)與預(yù)設(shè)的閾值進(jìn)行比較，將小于閾值的像素點(diǎn)歸為一類，將不小于閾值的像素點(diǎn)歸為另一類。閾值分割特別適用于目標(biāo)區(qū)域與背景區(qū)域之間存在明顯差異的圖像。在醋酸纖維絲束圖像中，孔隙區(qū)域與其他區(qū)域存在明顯的灰度值差異，因此基于閾值的圖像分割方法適用于處理絲束圖像。但閾值的確定很重要，由于本研究采用了背向照明，導(dǎo)致圖像中背景的灰度值大于絲束目標(biāo)的灰度值。因此，選擇偏小的閾值可能導(dǎo)致部分目標(biāo)缺失，而選擇偏大的閾值可能將背景錯(cuò)誤地識(shí)別為目標(biāo)。

常用的閾值確定方法包括利用灰度直方圖的峰谷法、全局閾值法、自適應(yīng)閾值法、P參數(shù)法及Otsu算法[10]等。在處理絲束圖像時(shí)，由于存在雙峰情況，灰度直方圖的峰谷法不太適用。對(duì)絲束圖像分別采用其他幾種閾值分割方法，結(jié)果如圖7所示，其中白色為背景，黑色為目標(biāo)。

分割算法的評(píng)價(jià)標(biāo)準(zhǔn)基于與人工手動(dòng)分割的圖像進(jìn)行比較[11]，分析采用不同分割算法生成的二值圖像。對(duì)比正確分割百分比、過分割百分比和欠分割百分比3個(gè)指標(biāo)[12]，結(jié)果如圖8所示。通過分析數(shù)據(jù)發(fā)現(xiàn)，Otsu閾值分割表現(xiàn)出色，其正確分割比例超過93%，因此選擇Otsu算法作為閾值分割方法。

Otsu算法通過計(jì)算圖像中絲束目標(biāo)區(qū)域和背景區(qū)域的灰度值類間方差，尋找使得類間方差最大的閾值。這一方法在絲束圖像中能夠較為準(zhǔn)確地分割出目標(biāo)和背景。Otsu算法流程如下：

a. 假定一原始閾值為P，將絲束圖像分割為目標(biāo)區(qū)域X和背景區(qū)域Y。

b. 將目標(biāo)區(qū)域X和背景區(qū)域Y包含的像素?cái)?shù)分別記為O和O，分別計(jì)算兩區(qū)域內(nèi)的像素灰度均值μ和μ，μ= f（i，j），μ= f（i，j），其中，f（i，j）表示原始絲束圖像灰度值。

c. 計(jì)算目標(biāo)區(qū)域和背景區(qū)域的灰度值類間方差σ（P）=O（P）×O（P）×[μ（P）-μ（P）]2。

d. 將初始閾值P從0～255依次遍歷，分別計(jì)算閾值不同時(shí)的類間方差，當(dāng)類間方差最大時(shí)，對(duì)應(yīng)的P即為最佳分割閾值。然后根據(jù)該最佳閾值進(jìn)行圖像分割。

3.3 形態(tài)學(xué)處理

通過閾值分割，能夠分離出目標(biāo)和背景，但在絲束中仍然可能存在過厚或過薄的區(qū)域，這些區(qū)域的灰度也有所不同，因此需要進(jìn)一步劃分。在劃分區(qū)域過程中，首先要對(duì)目標(biāo)圖像的形狀輪廓進(jìn)行分析，為此選擇圖像形態(tài)學(xué)作為工具，它可以去除不相關(guān)的結(jié)構(gòu)元素從而簡(jiǎn)化圖像。

圖像的形態(tài)學(xué)處理可以通過多種操作完成，其中包括膨脹、腐蝕、開運(yùn)算、閉運(yùn)算等。圖像的膨脹操作可以擴(kuò)展物體的邊界點(diǎn)，有助于整合鄰近距離較短的區(qū)域。腐蝕為膨脹的反操作，可以消除邊界點(diǎn)，從而收縮物體的邊界。

以結(jié)構(gòu)元素集合S對(duì)圖像集合Z中每個(gè)像素m進(jìn)行膨脹操作，定義如下：

ZS={m|（S）∩Z≠?}

其中，為膨脹操作符號(hào)。膨脹是通過結(jié)構(gòu)元素在圖像上滑動(dòng)，當(dāng)結(jié)構(gòu)元素與前景物體有重疊時(shí)，將中心像素置為前景色。

腐蝕操作定義如下：

Z！S={m|（S）?Z}

其中，！為腐蝕操作符號(hào)。腐蝕是通過結(jié)構(gòu)元素在圖像上滑動(dòng)，當(dāng)結(jié)構(gòu)元素完全覆蓋住前景物體時(shí)，將中心像素置為前景色。

開運(yùn)算為對(duì)圖像先腐蝕后膨脹，閉運(yùn)算為先膨脹后腐蝕，兩者的定義分別如下：

ZS=（Z！S）S

Z·S=（ZS）！S

首先，對(duì)閾值分割后的圖像應(yīng)用6×3的橢圓形結(jié)構(gòu)元素進(jìn)行開運(yùn)算，開運(yùn)算有助于有效去除圖像中的噪聲，并抑制分割圖像中的小分支;接著，再次使用6×3橢圓形結(jié)構(gòu)元素進(jìn)行閉運(yùn)算，閉運(yùn)算可以填補(bǔ)圖像中的細(xì)小縫隙、空洞等。這一步驟有助于調(diào)整絲束區(qū)域的形狀，使其更為連續(xù)和完整，處理結(jié)果如圖9所示。

3.4 基于連通輪廓的區(qū)域劃分

進(jìn)行形態(tài)學(xué)處理后，通過檢測(cè)圖像中的連通組件，根據(jù)輪廓的連通性將絲束圖像劃分為不同的區(qū)域[7]。隨后，按照各個(gè)區(qū)域的面積進(jìn)行排序，結(jié)果如圖10所示。

3.5 灰度信息提取

為了提取灰度信息，需要將絲束的目標(biāo)圖像與背景圖像分開。

分離目標(biāo)圖像。在背光照明技術(shù)下，目標(biāo)圖像的灰度值應(yīng)小于背景圖像的灰度值。在閾值分割的同時(shí)，可以進(jìn)行分離操作，將目標(biāo)區(qū)域（灰度值低于閾值）的灰度值保持不變，將背景區(qū)域（灰度值高于閾值）的灰度值設(shè)為0，從而生成目標(biāo)圖像。分離背景圖像，將原始圖像減去目標(biāo)圖像即可。分離后的效果如圖11所示。

計(jì)算灰度平均值。在分離得到目標(biāo)圖像和背景圖像后，分別計(jì)算不同區(qū)域的目標(biāo)圖像的灰度均值和背景圖像的灰度均值。這兩個(gè)均值將為絲束的厚度分析提供重要的數(shù)據(jù)基礎(chǔ)。

4 檢測(cè)結(jié)果校驗(yàn)

將擬合公式嵌入圖像處理算法，一旦算法計(jì)算出目標(biāo)和背景的灰度值，即可根據(jù)式（5）計(jì)算出厚度。為了驗(yàn)證圖像算法厚度檢測(cè)方法的準(zhǔn)確性，對(duì)其結(jié)果進(jìn)行校驗(yàn)。首先使用圖像算法處理絲束進(jìn)行厚度檢測(cè)，隨后使用螺旋測(cè)微器對(duì)其實(shí)際厚度進(jìn)行測(cè)量。校驗(yàn)結(jié)果見表3。對(duì)比發(fā)現(xiàn)，相對(duì)于實(shí)際測(cè)量值，算法計(jì)算得到的最大偏差為

-0.012 mm，最大偏離百分比7.84%，表明檢測(cè)方法相當(dāng)準(zhǔn)確。

5 結(jié)束語

以醋酸纖維絲束為研究對(duì)象，借助于圖像處理技術(shù)給出了絲束厚度的非接觸式測(cè)量方案，校驗(yàn)結(jié)果表明，所提絲束厚度檢測(cè)方法的偏差小于8.00%，滿足實(shí)際檢測(cè)需要，可以優(yōu)化生產(chǎn)工藝，提高絲束的成品率，從而提升產(chǎn)品的整體質(zhì)量，為絲束行業(yè)提供了一種創(chuàng)新的檢測(cè)方法。

參 考 文 獻(xiàn)

[1] 容秀英.煙用醋酸纖維絲束的品質(zhì)控制[J].科技視界，2015（8）：289.

[2] 張淑潔，司祥平，陳昀，等.醋酸纖維的性能及應(yīng)用[J].天津工業(yè)大學(xué)學(xué)報(bào)，2015，34（2）：38-42.

[3] 楊云.基于機(jī)器視覺的非織造材料厚度均勻性檢測(cè)系統(tǒng)的研究[D].武漢：武漢紡織大學(xué)，2011.

[4] 侯文明，王旭，侯玨，等.基于數(shù)字圖像處理的醋酸纖網(wǎng)均勻性檢測(cè)[J].產(chǎn)業(yè)用紡織品，2017，35（2）：37-44.

[5] 方趙琦，張弘楠，王榮武，等.基于數(shù)字圖像處理的非織造布均勻性檢測(cè)[J].產(chǎn)業(yè)用紡織品，2017，35（1）：36-43.

[6] 顏逸洲.基于機(jī)器視覺的熔噴布厚度一致性在線檢測(cè)方法研究[D].常州：常州大學(xué)，2022.

[7] 楊振寧，鐘飛，趙子丹，等.基于機(jī)器視覺的產(chǎn)品表面缺陷檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].包裝工程，2022，43（13）：247-256.

[8] PANG Z F，ZHOU Y M， WU T， et al.Image denoising via a new anisotropic total?variation?based model[J].Signal Processing：Image Communication，2019，74：140-152.

[9] 王福忠，尹凱凱.一種基于中值濾波的局部閾值分割算法[J].電子測(cè)量技術(shù)，2017，40（4）：162-166.

[10] OTSU N.A threshold selection method from gray?level histograms[J].IEEE Transactions on Systems Man & Cybernetics，2007，9（1）：62-66.

[11]?? VIKRAM C.Methodology for evaluation of boundary detection algorithms on medical images[J].IEEE Transactions on Medical Imaging，1997，16（5）：642-652.

[12]?? ORTIZ DE SOLORZANO，CHIN K C，CHOU W S，et al.Measurement of genetic instability in breast cancer by confocal microscopy and 3D image analysis[C]//Annual International Conference of the IEEE Engineering in Medicine and Biology.Atlanta：IEEE，1999：822-826.

（收稿日期：2023-12-14，修回日期：2024-01-18）

Online Thickness Detection of Acetate Fiber Bundles

Based on Digital Image Processing

ZHAO Wen?sen1， LIANG Wen?hong1， FU Jin2， LI Xiang1， ZHU Hui?hui1

（1. School of Mechatronic Engineering， Xian Technological University ;

2.Technology Center， Xian DA AN Chemical Industrial Co.， Ltd.）

Abstract?? Considering the fact that lack of mature non?contact detection scheme for measuring the thickness of acetate fiber bundles which related to its uniformity and tensile force，both light transmittance of the acetate fiber bundle with various thickness and gray level in the image is different， an online thickness detection method based on digital image processing was proposed. in which， having image filtering used to remove noise and then， having Otsu threshold segmentation adopted to accurately separate both object and background and as well as having connected regions divided; in addition， having gray information extracted from different regions; and combined with the optical domain knowledge， having online thickness detection model constructed to realize accurate detection of the thickness of the filament bundle. The experimental results show that， this method can realizes division of the filament bundle area and calculation of the thickness of the filament bundle; and the deviation between calculated thickness value and actual measured thickness value is less than 8.00%， which meets actual detection requirements.

Key words?? thickness detection ， image processing ， acetate fiber ， gray level features， Otsu algorithm