克重质量在线检测设计实现

第3章针织物密度在线检测

本章对针织物密度检测采用多种方法进行，采用基于傅里叶变换的频域分析与基于空间域的形态学统计学方法进行研究，比较了两者的优缺点。（尝试性应用BP神经网络特征匹配方法进行了研究，解决了两种方法对图像**的过度依赖，增强了检测算法的鲁棒性）

3.1密度检测的意义及当前发展

织物密度不仅对织物的外观、厚度、手感、抗折性、透气性、耐磨性等机械物理特性有直接影响，而且对生产成本的控制及生产效率的提高也有着重要意义。纺织染整行业现行的密度测量方法多是利用纬密镜进行人工离线测量。人工测量方法在实际操作中存在着诸多弊端：首先，人工离线测量不仅费时费力，而且疲劳后容易产生较大的测量误差。其次，离线测量的时效性较差，无法满足织物密度自动控制装置进行有效控制的要求。随着计算机的发展，数字图像处理技术也不断应用于纺织领域，并且取得许多成果。应用数字图像处理技术对织物密度的研究中多采用傅里叶变换[1]、快速傅里叶变换[2,3]和小波变换[4,5]的方法实现，并且研究多集中在机织物密度的测定，而对针织物密度的测量研究相对较少。现有针对针织物密度的测量研究也多在借鉴机织物密度测量方法上形成。孙晓明，官伟波等人[6]对针织物灰度图像采用逐行相加求一维傅里叶变换和逐列相加求一维傅里叶变换的方法对针织物图像进行了研究，得出了针织物的密度。但由于针织物编织用的纱线捻度较小，所以织物表面的毛羽较多，采集得到的图像干扰也比较严重，采用傅里叶变换方法时对图像预处理阶段有着非常高的要求。赵延旭，龙海如[7]采用快速傅里叶变换方法对针织物密度进行了分析，其重点是对傅里叶算法的改进，提高了计算效率。花勇，龙海如[8]采用小波分析对纬平针织物密度进行了研究，通过对图像纵横向灰度和的二维小波分解与重构，得到波峰频谱图，进而计算出针织物密度。该方法与采用傅里叶变换方法分析类似，都通过对图像纵横向灰度求和的方法弱化针织物线圈不均匀及各线圈不严格沿横向和纵向直线分布的影响。本文主要在空间域对针织物线圈与纱线进行统计分析：首先在对图像增强后通过自适应阈值算法实现了织物图像的二值化得到了反映针织物纹理特征的二值化图像；然后根据针织物组织结构特点提取表征针织物横密的纱线，进而计算出图像中针织物的横纱个数。最后通过横纱分别提取出织物沿横向的线圈所对应的纱线，通过统计分析得到针织物的纵密。

3.2 针织物介绍及其密度定义

针织物是指用织针将纱线构成线圈，再把线圈相互串套而成的织物。所以根据织物的定义不难发现线圈是针织物的最小单元。所以针织物密度定义为单位面积内线圈的个数，其中横向单位长度内线圈的个数为针织物纵密，纵向单位长度内线圈的个数为针织物横密。

按生产方式的不同，针织物主要分为纬编针织物和经编针织物两种。经编是在经向上的一组经纱做纵向运动，配合织针运动形成新的针织线圈。经编针织物和生产它们的经编机，与纬编织物和生产纬编织物的纬编机有着本质上的区别。纱线在经编织物中是经向编织的，就象机织物的经纱一样，由经轴供纱，经轴上

卷绕有大量平行排列的纱线，与机织中的经轴类似。纱线在经编织物中的走向是经向的。在一个横列中形成一个竖直的线圈，然后斜向移动到另一纵行，在下一个横列中形成另一个线圈。纱线在织物中沿长度方向从一边到另一边呈“之”字形前进，一个横列中每一个线圈都是有不同的纱线编制而成的。纬编针织物纱线走的是横向，织物的形成是通过织针在横列方向上编织出一横列一横列的上下彼此联结的线圈横列所形成的。一横列的所有线圈都是由一根纱线编织而成的。纬编针织物可以在横机或圆机上完成。根据纱线喂入是单向还是双向，纬编又可以分为两种：一种是纱线沿一个方向喂，编织成圈，形成织物的是圆机织物；另一种是纱线沿正、反两个方向变换编织成圈，形成织物的是横机织物。

针织品中当以纬编针织物所占比重最大。纬编针织物主要有基本纬编针织物和特殊纬编针织物。罗纹针织物与汗布均属于基本纬编针织物，一般由大圆机编织而成，如图3.1,所示。

图3.1 德国大圆机

汗布与罗纹作为本文的研究重点，对其结构做进一步说明。平针组织织物一面全部是正面线圈，而从另一面看上去则全部是反面线圈。

如图3.2所示：

图3.2 纬平针织物组织结构

罗纹组织织物中线圈纵行由正面线圈和反面线圈交替配置。其组织结构如图3.3所示。一个正面线圈纵行一个反面线圈纵行交替配置称为1+1罗纹，两个正面线圈纵行两个反面线圈纵行交替配置称为2+2罗纹，以此类推。

图3.4 1+1罗纹组织结构图

汗布与罗纹的正面纹理基本相同，不同的是汗布的反面与其正面纹理相差较大，罗纹反面与其正面纹理基本相同。汗布在松弛状态的正面纹理如图3.5所示。其中的列可分为两类，两类中的每一小单元均对应着线圈左右两个边沿，线圈的中间部分排列在织物的背面形成不同的纹理。形成两种类型的原因是大圆机针织过程分上下两个半针，两个半针对纱线的张力等控制是不同的，所以会出现较为致密的列，在人眼识别中视为一条纱线形成，所以我们暂且称为“脊”，疏松的线圈边沿形成的列中每一根小的边沿代表着一个线圈，所以我们称其为“圈径”。脊可以区分相邻的两列圈径，根据针织物密度定义，在针织物密度计算时对于纵密可以计数图像横向上“脊”的条数，即为横向线圈的数目，然后归算至单位长度线圈数即可，对于横密可以计数图像纵向上“圈径”的个数，即为纵向线圈的数目，归算至纵向单位长度线圈数目。

图3.5 纬平针织物正面纹理结构

3.3 针织物图像的预处理

图像的预处理由于针织物表面毛羽对成像造成很大的干扰，图像中的噪声对针织物密度的检测精度有很大的影响，所以在针织物密度分析前需要对其进行预处理。图像的预处理直接决定了图像后期处理的效果及最终织物横纵密度测量的精度。所以对图像进行有效的预处理是实现织物密度准确测量的关键。本文对图像旋转出于编程处理的方便，所以本文的图像中针织物的纵密是实际织物的横密，图像中针织物的横密是实际织物的纵密。

3.4 针织物图像中纱线的提取与识别

3.5【针织物线圈的识别与统计】

3.5.1 基于傅里叶变换方法的针织物密度检测

[采用灰度图与二值化处理图分别进行处理]

(1)傅里叶变换方法简介（如何利用傅里叶变换实现密度检测）

(2)傅里叶变换对灰度图处理

(3)傅里叶变换对二值图进行处理

(4)对灰度图与二值图处理的比较分析

3.5.2 基于概率统计方法的针织物密度检测

(1)图像纱线间距（纱线宽度）？的统计

(2)标准间距（线宽）的获取

3.5.3 傅里叶变换与概率统计方法的比较

3.6 结论