皮棉表面单类异性纤维的高光谱图像检测

皮棉杂质直接影响棉包定级和棉纺织品品质。国内外学者采用机器视觉等技术,能够有效检测着色较深、面积较大和含有荧光物质的部分棉花杂质。但是,针对纤细、浅色、白色和透明杂质检测效果不佳。因此,该文采用高光谱成像系统获取纤细、浅色、白色及透明异性纤维的棉花高光谱图像,异性纤维包括灰色,白色和透明的丙纶丝、黑色人发、黑色和白色的猪毛、黑色或者透明的聚乙烯地膜碎片。采用主成分分析、独立成分分析、双波段比分析和波长合并四种降维方法,对比其异性纤维分割效果,确定最佳预分割图像。随后,采用Sobel算子边界提取和形态学处理分割这些图像,再采用膨胀和收缩等形态学运算分割出目标区域,最后采用面积单值滤波剔除二进制图像中的噪声点和伪目标区域。统计结果,训练和验证集异性纤维的识别准确度分别为73.2%和75.3%,其中,灰色丙纶丝和黑色毛发的识别率超过93%,白色丙纶丝的精确分割大于80%,结果表明,高光谱图像系统可以准确检测部分浅色、白色和黑色纤细的异性纤维,白色纤细毛发和透明的聚乙烯地膜碎片检测效果较差。     

棉花异性纤维图像在线分割方法

图像分割是基于机器视觉检测棉花中异性纤维含量的关键技术。棉花图像的背景（棉花纤维）简单,灰度服从正态分布,目标（异性纤维）一般都比背景暗,但是细小且灰度分布方差大。该文有针对性地提出一种背景估计阈值BET（Background Estimation Thresholding）方法对棉花图像进行分割,并选择3类典型棉花图像样本与Otsu方法进行了对比试验。BET方法能得到更好的分割结果,并且算法速度快,100万次分割耗时仅8.46 s。试验结果表明该方法简单有效,速度快,可应用于大批量棉花异性纤维的实时在线     

棉花中白色异性纤维的线扫描激光成像检测方法

在可见光和紫外光照明条件下,皮棉中白色异性纤维和棉花背景的颜色相近,很难用现有的机器视觉系统或人工方法检测出来。该文以12种典型白色异性纤维为样本,采用线扫描相机,分别在红色激光（波长658 nm）、蓝色激光（波长405 nm）和红外激光（波长850 nm）3种照明条件下,改变激光功率和曝光时间,获取了300幅白色异性纤维与棉花的图像。在此基础上,根据同一图像中目标和背景的平均灰度值计算了图像的对比度,然后作出了不同激光波长、功率、曝光时间和图像对比度之间的关系曲线,最后,在该试验装置的条件下,该文确定了线激光成像的最佳检测波长为658 nm、光功率为55 mW和曝光时间为36 μs,发现采用优化的线激光参数成像,图像中12种白色异性纤维灰度值已经接近饱和而棉花还处于欠饱和状态,"目标"和"背景"的对比度达到最大,利用两者平均灰度值的明显差异可以检测出棉花中的白色异性纤维。试验结果表明,采用优化的线激光成像参数获取730幅棉花图像,利用简单的Prewitt算子边缘检测法和固定阈值的二值化方法对图像进行分割,12种典型白色异性纤维样本的正确识别率分别可达93.7%和92.9%。     

基于线激光与LED的棉花中异性纤维检测方法

激光成像可以检测出皮棉中的白色异性纤维,而深色和有色的异性纤维反光性能差,激光成像难以检测。该文提出了一种基于LED与线激光的双光源一次成像方法,可以检测出各种颜色的异性纤维。试验以白色、深色和浅色共20种典型异性纤维和皮棉作为样本,在相机曝光时间与光圈不变的条件下,逐步改变LED亮度和线激光功率,发现在RGB颜色空间,利用R(红色)通道,白色异性纤维与棉花的可分度随着激光功率的增大而增大,达到峰值之后又逐步减小;在HIS颜色空间,利用S(饱和度)通道,有色异性纤维与棉花的可分度随着LED亮度的增大而增大,达到峰值之后又逐步减小。在此基础上,该文获取了310幅棉花与异性纤维的图像,作出了基于R与S通道的图像可分度、LED亮度与激光功率的对应变化曲线,然后将两种曲线进行融合,在曝光时间106μs、光圈2.8C条件下,发现线激光功率7.01 m W、LED亮度3 326 lx时,白色异性纤维和深色、有色异性纤维与棉花的可分度最大。采用上述双光源成像参数和该文的成像装置获取840幅图像,通过简单的二值化图像分割算法,白色异性纤维的正确识别为84.1%,深色和有色异性纤维正确识别为93.9%,优于单独激光成像或单独LED成像的识别率。     

基于最小噪声分离的籽棉异性纤维高光谱图像识别(英文)

针对籽棉表层多类难检异性纤维,包括纸屑、白发、丙纶丝、化纤和地膜等5种白色物质,采用高光谱技术和最小噪声分离(minimum noise fraction,MNF)分析方法对含有异性纤维的籽棉图像进行研究。该文在400～1 000 nm的光谱范围内采集高光谱图像,根据光谱曲线选取子区域,应用最小噪声分离分析方法降维、去噪。取MNF变换后的前4幅分量图像,通过视觉评价,选定最佳成分图像并融合中值滤波、灰度变化等图像处理的方法确定最佳分割图像,提取异性纤维。试验结果表明,对于以上5种异性纤维,该方法的识别率达到91.0%。该研究可为棉花异性纤维检测系统的开发提供参考。     

棉花中白色异性纤维的激光成像快速检测方法

现有的棉花异性纤维分拣机采用可见光照明成像,难以识别棉花中混杂的白色异性纤维。为了有效地检测出与棉花颜色相同或相近的白色异性纤维,该文采用线激光照明成像的方法,在固定线激光功率、波长和相机光圈的条件下,利用不同的曝光时间,获取了12种典型的白色异性纤维与皮棉的图像,分析其成像曝光时间与图像对比度之间的关系,发现不同的关系曲线存在一段共有的最优曝光峰值时间。在此曝光时间内,同一图像中的白色异性纤维已经"过曝",而棉花还处于欠饱和状态。二者图像灰度值的明显差异可用于检测棉花中的白色异性纤维。该文在线激光功率为0.8 W,波长650 nm,相机光圈为8C,曝光时间为1.6 ms的条件下获取了1 500幅图像。试验表明,采用简单的固定阈值法,皮棉中12种典型的白色异性纤维的识别率达到了95.8%。研究结果为提高棉花中白色异性纤维的识别率和速度提供了一条新途径。     

棉花异性纤维中麻绳与羽毛的分类特征

摘要：为准确识别棉花异性纤维中较难识别的羽毛和麻绳异性纤维,采用机器视觉技术,通过图像处理方法采集异性纤维目标,对羽毛和麻绳异性纤维的色彩和纹理特征进行有效的特征提取,形成异性纤维目标的特征向量。再通过一种自底向上的凝聚型层次聚类算法对提取的羽毛和麻绳的色彩与纹理特征进行层次聚类分析,选择最优特征向量。将8个特征向量进行降维分析并比较各维数下的层次聚类效果,试验结果表明,选取红色(R_ave)、绿色(G_ave)、蓝色(B_ave)、能量、熵、惯性矩等6个特征进行层次聚类效果最好,羽毛识别率达到94%,麻绳识别率达到95%, 说明选择的特征向量对这2种异性纤维具有理想的区分性。该研究可为棉花异性纤维的正确识别提供参考。     

基于改进的粒子群多阈值算法的白色异性纤维检测

为了提高皮棉中白色异性纤维的识别精度,该文提出了一种基于改进混沌粒子群的白色异性纤维检测算法,该算法将图像的像素点按灰度值分为多类,把所有相邻类间方差看做一个粒子种群,以最大类间方差组作为种群适应度评价函数。通过滑动窗口技术判断算法是否陷入局部最优。有效克服了标准粒子群算法容易陷入局部最优的缺陷。通过试验验证,该文提出的算法对白色异性纤维的识别准确率达到98.6%。通过与标准二维Otsu算法的对比分割试验发现在分割较细小的白色异性纤维以及白色纤维与皮棉发生重叠的情况时,该算法的分割结果比标准二维Otsu算法更准确,噪声点更少。为皮棉异性纤维检测与剔除工艺的改善提供了技术依据。     

纤维红外吸收特性及其在皮棉杂质检测中的应用

皮棉异性纤维杂质检测技术是近几年来国内外研究的难点。为有效检测皮棉中与棉纤维外观极其相似的异性纤维杂质，提出了一种显微近红外成像方法用于检测皮棉中异性纤维。该方法将棉纤维与异性纤维在特定红外波段的吸收特性差别，转化为近红外光谱成像系统中两者的灰度、形态图像特征差别，通过显微光路对图像特征差别放大，利用图像分割技术将异性纤维目标分割出来。试验结果表明，采用显微近红外成像方法捕获的图像中，异性纤维灰度、形态特征明显，其检测结果与实际相符，此方法可有效识别皮棉中异性纤维杂质。     

皮棉表面多类异性纤维的高光谱图像检测

为了考察高光谱成像技术检测多类异性纤维共存时的性能,也为其今后用于商业化皮棉质量评价,或在线皮棉杂质分拣提供研究基础,试验采集丙纶丝和毛发共存的样本高光谱图像。依据单一异性纤维分割的最佳波段图像,获得灰度平均和小波变换后融合图像。通过对比小波变换融合图像,灰度平均图像,以及全波段下主成分和独立成分得分图像,获得用于目标分割的最佳图像。采用最优特征集和分类树判别方法,判别最佳图像分割后的连通区域,剔除噪声点和假阳性。依据目标判定原则,训练集和独立验证集的异性纤维识别率分别为84.09%和75.86%。结果表     

基于光谱分析的棉花异性纤维最佳波段选择方法

图像采集是基于计算机视觉的棉花异性纤维检测计量系统中的基础环节。为构建有效的图像采集系统以便检测皮棉中的异性纤维并识别其种类,在对棉纤维和异性纤维进行光谱分析的基础上,根据二者的漫反射光谱差异,提出了基于反射差极值分布的最佳检测波段选择方法和基于光谱可区分度的最佳可区分波段选择方法。光谱分析结果表明,紫外波段是带荧光异性纤维的最佳检测波段,可见光波段是带颜色异性纤维的最佳检测波段,而红外波段是塑料薄膜、毛发、羽毛等的最佳检测波段,并初步认定780～1 800 nm的近红外波段为异性纤维间的最佳可区分波段。     

基于费舍尔评分与离散粒子群优化的棉花异性纤维在线检测

为改进基于机器视觉的棉花异性纤维在线检测效率,提出一种基于费舍尔评分与离散粒子群优化的棉花异性纤维特征选择方法。该方法将费舍尔评分滤波式特征选择方法及基于离散粒子群优化的捆绑式特征选择方法组合在一起,首先利用费舍尔评分方法过滤噪声特征,然后利用离散粒子群算法从已去噪的特征集中选取最优特征子集。提出的方法应用于棉花异性纤维数据集,并与费舍尔评分方法、离散粒子群方法、遗传算法、蚁群算法进行对比,试验结果表明该方法可以更有效地选择出有较少特征数目、较高分类精度的特征子集。从75个棉花异性纤维原始特征中选出18个特征组成的特征集,其分类准确度达到93.5%,检测时间仅为0.8231 s,有效地改进了棉花异性纤维在线检测的精度与效率,从而减少异性纤维对棉纺织品的危害,提高棉纺企业经济效益。     

籽棉异性纤维清理机多目标清理自适应控制模型

为了提高异性纤维清理效率、减少棉纤维损伤,该文以MQZY-10型异性纤维清理机为研究对象,设计了四因素二次正交旋转试验,研究了喂花量、籽棉回潮率、缠绕辊转速和风速对异性纤维清理效率和纤维长度损伤的影响,建立了异性纤维清理机多目标自适应控制模型。试验结果表明各因素对线状异性纤维清理效率影响的大小顺序为:缠绕辊转速风速回潮率喂花量,4个因素均为影响显著因素;对片状异性纤维清理效率影响的大小顺序为:风速缠绕辊转速回潮率喂花量,4个因素均为影响显著因素:对纤维长度损伤影响的大小顺序为:缠绕辊转速回潮率风速喂花量,其中影响显著的因素为缠绕辊转速、回潮率和风速。该模型己应用于异性纤维清理机的多目标自适应控制,在实际生产中用户可以依据棉花品级需求对异形纤维清理机进行适用性调节。本试验条件下,相对于经验固定值控制,线状异性纤维清理效率平均提高了约9.4百分点,片状异性纤维清理效率平均提高了约2-3百分点,棉纤维长度损伤平均减少了约0.051百分点,取得了满意的清理效果。     

基于改进全卷积网络的棉田冠层图像分割方法

针对传统的全卷积网络分割精度低、效果差等问题,该文提出一种结合条件随机场的改进全卷积网络棉田冠层图像分割方法。首先通过提取和学习图像特征对全卷积网络进行训练以优化其分割性能,得到初步分割结果和训练后的全卷积网络模型;接着将初步分割结果以像素和像素对应的分类向量形式输入到条件随机场中,同时结合像素间相对关系构建能量函数再进行训练,对初步分割结果进行优化得到训练后的条件随机场模型;进而通过验证过程对全卷积网络和条件随机场模型参数进一步调优,得到最优的全卷积网络和条件随机场;最后结合最优的全卷积网络和条件随机场实现棉田冠层图像分割并进行试验。试验结果表明:该方法的平均像素准确率为83.24%,平均交并比为71.02%,平均速度达到0.33 s/幅,与传统的全卷积网络分割性能相比分别提升了16.22和12.1个百分点,改进效果明显;与Zoom-out和CRFas RNN(conditional random fields as recurrent neural networks)分割方法进行对比,平均像素准确率分别提升了4.56和1.69个百分点,平均交并比分别提升了7.23和0.83个百分点;与逻辑回归方法和SVM(support vector machine)方法进行对比,平均像素准确率分别提升了3.29和4.01个百分点,平均交并比分别提升了2.69和3.55个百分点。该文方法在背景复杂、光照条件复杂等环境下可以准确分割出冠层目标区域,鲁棒性较好,可为棉花生长状态自动化监测提供参考。