基于机器视觉的竹节纱分析及其三维仿真算法的研究

3

文章编号：1007-757X(2011)09-0023-03基于机器视觉的竹节纱分析及其三维仿真算法的研究

孔祥祥，张宪民

摘要：为对竹节纱进行分析，采用线阵CCD 摄像头采集连续的竹节纱灰度图像。运用图像处理的方法对其进行二值化处理，获取竹节纱主干部分，去除毛羽部分。从而获取竹节纱的径向直径，并通过模式识别算法对其进行分类，则得出竹节纱的基本物理参数。这种新型的检测方法规避了传统检测方法中样本数偏小、主观行为偏差等缺点，对竹节纱的生产有着重要的指导意义。在此基础上，提出基于采集数据的竹节纱三维仿真算法，模拟出该类竹节纱的三维图形，为以后的三维编织仿真打下基础。

关键词：图像采集；竹节纱；机器视觉；三维仿真

中图分类号：TP391.4文献标志码：A

0引言

竹节纱是在细纱机上采用有控制的前罗拉瞬间打顿或

中后罗拉的超喂与基纱有变化的粗节，形成竹节纱。前或中

后罗拉的速度是采用高灵敏，响应快速的电磁离合器与高精

度超越离合器的配合来控制的，产生的竹节纱在一根基纱上

有规律或无规律的竹节效果。在传统竹节纱检测中，主要依

据条干不匀度理论来作为标准。条干不匀度，即沿棉纱长度

方向目测纱线或纱条就会发现其粗细是不均匀的，粗细不匀

是普遍存在的[1]。故提出棉纱条干监测方法。棉纱条干监测

方法有两种，一是黑板条干目测，二是乌斯特条干仪检测纱

线的均匀度。黑板条干目测：这种方法直接用目视检测纱线

表观在黑板上形成的粗细不匀的程度、数量、阴影的深浅，

对照标准照定性评定等级。该方法具有直观、高效的特点；

但同时又因为是人为检测，必然会存在样本数偏少、主观因

素过大等缺点。乌斯特条干仪检测：这种方法利用纱线物理

状态中质量与电容相关的原理检测棉纱的不均匀度。但是对

于竹节纱其本身条干是有规律或无规律地产生粗节，不是均

匀的条干．乌斯特条干仪检测标准粗节+50，细节-50，而

竹节纱的粗节在120％～480%之间，因此不适宜做乌斯特

条干仪的监测[2]。如表1所示：

表1传统检测方法不足不足

黑板条干目测

人工检测、样本数偏少、主观因素大乌斯特条干仪

检测

竹节纱是不均匀条干，不适用该方法

本文采用线阵CCD 摄像头采集连续的竹节纱灰度图

像。运用图像处理的方法对其进行二值话处理，获取竹节纱

主干部分，去除毛羽部分。从而获取竹节纱的径向直径，并通过模式识别算法对其进行分类，则得出竹节纱的基本物理参数。这种新型的检测方法规避了传统检测方法中样本数偏小、主观行为偏差等缺点。在利用本文所提出的方法检测出竹节纱的物理规格以后，我们进一步提出，利用检测结果对竹节纱进行三维重构，并模拟出普通棉纱，从而为实现某种竹节纱的在特定编织方法下的三维仿真打下基础。1竹节纱检测的机器视觉方法1.1竹节纱图像采集系统本文中提出的方法需要采集高质量、大长度的竹节纱径向图像。我们采用高分辨率线阵CCD 摄像头，配合定制的竹节纱匀速走线系统，搭建竹节纱图像采集系统。系统结构如图1

所示：图1竹节纱图像采集系统示意图

该系统由电机驱动主动轮带动从动轮的走线方式，图中为竹节纱的走动方向，这样通过滚动轮和线卡的配合，可以使得竹节纱保持紧绷状态。线阵CCD 摄像头拍摄竹节纱径向图像。该采集系统可连续工作，采集大长度图像。我们在实验中采集500米长的竹节纱作为实验原始图像数据。根据———————————作者简介：孔祥祥，（），男，河南洛阳人，上海交通大学，硕士研究生，研究方向：工业机器视觉和三维仿真，上海，张宪民，（55），男，湖南，上海交通大学，副教授，博士，研究方向：图像处理和模式识别，上海，21987-200240

19-200240

电机的转速、纱轮的直径和CCD 摄像头的参数可通过图像像素点数转化为实际的竹节纱物理长度值。以下为通过本系

统所采集的部分图像，如图2

所示：图2系统采集图像经过本系统采集的图像可以直接用于图像处理，不需要再进行拼接或者旋转等物理形态处理。相比黑板扫描具有连

续性好、分辨率高等优点[3]。

1.2算法分析与实现

1.2.1提取竹节纱主干

如图2中图像所示，竹节纱边缘存在毛羽和虚化部分，

故采用阈值分割的方法将毛羽和虚化部分剔除，得到竹节纱

的真实主干。由于在图像中主干和其它部分的灰度值存在一

定的规律，故根据经验值，确定出最佳阈值，进行分割。

设第n 列第m 个像素点的像素值为X nm ，标记为nm ，nm =1表示为该像素属于主干，nm =0表示该像素不属于主干，阈值为θ，则有

X 1X 0n m nm n m nm θ

θ

≥=≤=（1）然后，对图像进行列扫描，将主干像素累计，即得出竹

节纱在该列的直径。设第n 列直径为n D ,则有n nm D =

∑1.2.2竹节、基纱归类提取出竹节纱主干并得到每列直径后，利用动态聚类方

法将直径集合聚类，得出实验长度竹节纱中统计意义的竹节

和基纱的直径。这里，我们采用K-means 聚类方法。

算法描述：

设{}1,,,,,i N N D D D D D D D D =1２３４…,,为所有列直

径集合，()()12,k k d d 分别为第k 次划分后两类的集合，d D ∈。

Step1.取k =2，设初始中心为(0)(0)

,Z D Z D ==S 样本划分。

()()()121()()()122k k k k k k d Z d Z d d d Z d Z

d d ≤∈≥∈（2）

其中k 为第k 次迭代

Step3.修正两类中心。()1()2(1)11

(1)2211

k k k d d k d d Z d N Z d N +∈+∈=

=∑∑（3）其中12,N N 分别为第k 次迭代后两类中样本总数。Step4.判断是否收敛。若(1)()1,2k k i i Z Z i +==，则收敛停止。否则执行step2。由以上聚类算法，则最终收敛后的12,Z Z 为竹节和基纱直径。对实验图像进行扫描，以()

1212Z Z Z =+为竹节和基纱的归类标准，则将实验图像分为两类。

1.2.3分类滤波

由于竹节纱工艺中存在误差，则经过上述分类后，两类中均存在噪点，即基纱部分有大于分类标准的列存在，且被标记为竹节。竹节部分同理。故需经过滤波，去除噪点。算法描述：建立分类后含有噪点的模型。基纱标记为0，竹节标记为1。设模型集合为

12i 1{,}0,1N N i θθθθθθΘ==，…，，…，，，取滤波窗宽度为W ，滤波窗起点位置为S ，终点位置为S+W ，滤波结果集合为{}12i 1,,0,1N N i λλλλλλΛ==…，，…，，。则有1202S W

i i i S

S W i i i S W W

θλθλ+=+=≥==∑∑p （4）其中,,S =……,N W ，

3分析结论

241122tep2.12-1.