一种棉花轧工质量检测系统及棉花轧工质量图像检测方法

摘要

本发明公开了一种棉花轧工质量检测系统，包括图像采集模块、计算机和中空的棉样放置平台，棉样放置平台内设置有照明装置，棉样放置平台的上面板为光学玻璃板；图像采集模块设置在棉样放置平台内，图像采集模块的信号输出端通过数字图像采集卡连接计算机。本发明利用照明装置产生不同波长的光对棉样进行照射，利用CCD摄像机进行拍摄不同波长的光照射到棉样表面的图像，并将图像通过数字图像采集卡传输至计算机进行分析和判断，再利用图形获取到外部形态纹理数据和疵点种类及数量数据，通过机器学习计算出优化的权值，采取基于权重的欧式距离判决方法，根据国家标准GB1103-2012中棉花轧工质量指标要求，计算出棉花轧工质量等级。

说明书

技术领域

本发明涉及棉花轧工质量检测领域，尤其涉及一种棉花轧工质量检测系统及棉花轧工质量图像检测方法。

背景技术

棉花轧工质量是指籽棉经过加工后，皮棉外观形态粗糙和所含疵点种类的程度。皮棉疵点是由于棉花生长发育不良和轧工不良而形成的对纺纱有危害的物质，包括带纤维籽屑、不孕籽、破籽、棉结、索丝、软籽表皮、僵片七种，这些疵点在纺纱工艺中不易清除。如果棉花轧工质量不佳，外观形态粗糙、疵点过多，将会造成棉纱断头、条杆不均、染色不匀、损耗过大，严重时还会造成产品的废品、次品率较高，给国家和企业造成经济损失。因此，棉花轧工质量的准确检测在皮棉的流通顺畅、加工工艺改进以及纺织质量提高具有重要的意义。

目前，现有的棉花轧工质量检测主要通过专业技术人员人工分拣，该方法简单易行，被大多数棉纺企业所采用。但这种人工分拣方式极易造成人眼疲劳，加大分拣人员的劳动强度；同时，由于分拣人员的视觉范围有限，对某些波段的光不敏感，分拣的效果和效率难以保证。因此，亟需一种科学的棉花轧工质量检验系统，能够提高棉花轧工质量检测效率，降低分拣人员的劳动强度。 

发明内容

本发明的目的是提供一种棉花轧工质量检测系统及棉花轧工质量图像检测方法，能够自动判断棉花轧工质量等级，弥补现有检测方法中感官检验的主观性缺陷，提高棉花轧工质量检验效率和效果，降低分拣人员的劳动强度。

本发明采用下述技术方案：

一种棉花轧工质量检测系统，包括图像采集模块、计算机和中空的棉样放置平台，棉样放置平台内设置有照明装置，棉样放置平台的上面板为光学玻璃板；图像采集模块设置在棉样放置平台内，图像采集模块的信号输出端通过数字图像采集卡连接计算机。

所述的图像采集模块采用CCD摄像机。

所述的照明装置采用LED照明装置。

所述的照明装置采用两套LED照明装置，两套LED照明装置分别设置在棉样放置平台内光学玻璃板下方两侧。

所述的LED照明装置连接有颜色调节电路和亮度调节电路。

所述的棉样放置平台上设置有棉样下压装置。

所述的棉样下压装置采用由气动装置驱动的透明压板。

一种棉花轧工质量图像检测方法，其特征在于，包括以下步骤：

A:利用摄像装置采集不同波长的光照射到棉样表面的图像，然后进入步骤B；

B:对采集到的棉样表面图像分别进行外部形态检测和疵点数量检测；进行外部形态检测时进入C；进行疵点数量检测时进入步骤F；

C:将采集到的棉样表面图像转换为位图，并解析位图文件数据，获取每个像素点的R、G、B数据，然后进入步骤D；

D:分别计算0°、45°、90°、135°四个方向的灰度共生矩阵，然后进入步骤E；

E: 根据灰度共生矩阵计算图像的能量、熵、相关性、惯性矩纹理特征值，然后进入步骤H；

F: 确定采集到的棉样表面图像中的所有待测点，所述的待测点指图像中灰度发生突变或者不连续的像素点的集合所构成的区域；然后对所有待测点逐一进行疵点类型判断；对每一个待测点进行疵点类型判断的步骤为

（1）将采集的棉样表面图像转换为灰度图像，二值化后求取轮廓边缘，通过每个轮廓的区域面积大小、颜色和形态特征判断该待测点是否属于破籽、不孕籽、软籽表皮或带纤维籽屑；如果是，则记录该类疵点的数量；如果否，则进入步骤（2）；

（2）将采集的棉样表面图像转换为HSV模型，分割出图像的S空间分量，针对单通道S空间上的图像与白色进行反色，凸显待测点边缘，再进行阈值分割、腐蚀和膨胀处理消除边缘毛刺增强图像，求取待测点轮廓边缘，通过对每个轮廓的区域面积大小和轮廓内平均灰度与整幅图像的平均灰度比较，判断该待测点是否属于僵片；如果是，则记录该类疵点的数量；如果否，则进入步骤（3）；

（3）将采集的棉样表面图像转换为灰度图像，并对灰度图像进行二值化，然后与经过Sobel边缘算子处理过的图像进行反色，凸显待测点的边缘、膨胀处理增强图像、阈值分割、求取目标轮廓边缘，通过对每个轮廓的区域面积大小、轮廓内部平均灰度与整幅图像的平均灰度比较、轮廓内部H分量平均值与整幅图像的H分量平均值比较、轮廓内部S分量平均值与整幅图像S分量平均值比较，识别该类疵点是否属于棉结或索丝；如果是，则记录该类疵点的数量；如果否，则忽略该待测点；

G:结合步骤E中所获取的外部形态纹理特征值数据和步骤F中所获取的疵点种类及数量数据，通过机器学习计算出优化的权值，采取基于权重的欧式距离判决方法，根据国家标准GB1103-2012中棉花轧工质量指标要求，计算出棉花轧工质量等级。

所述的步骤F中（1）步骤，在识别完破籽、不孕籽、软籽表皮或带纤维籽屑后，使用图像背景色填充图像中深色点，所述深色点是指灰度值在[0,40]的像素点集合所构成的区域。

本发明利用照明装置产生不同波长的光对棉样进行照射，同时利用CCD摄像机进行拍摄不同波长的光照射到棉样表面的图像，并将图像通过数字图像采集卡传输至计算机进行分析和判断，利用图形获取到外部形态纹理数据和疵点种类及数量数据，通过机器学习计算出优化的权值，采取基于权重的欧式距离判决方法，根据国家标准GB1103-2012中棉花轧工质量指标要求，计算出棉花轧工质量等级。本发明能够实现棉花轧工质量图像的自动判断，从而提高棉花轧工质量检测效率，降低分拣人员的劳动强度。

附图说明

图1为本发明所述棉花轧工质量检测系统的结构示意图；

图2为本发明所述棉花轧工质量图像检测方法的流程示意图。

具体实施方式

如图1所示，本发明包括图像采集模块、计算机7和棉样放置平台1，中空的棉样放置平台1用于放置棉样4。棉样放置平台1的上面板为高透射率光学玻璃板5，能够透射不同波长的光，同时保证图像采集模块能够采集到清晰的图像。棉样放置平台1内设置有照明装置，照明装置用于产生对棉样4进行照射的不同波长的光。图像采集模块可采用CCD摄像机3，CCD摄像机3设置在棉样放置平台1内，CCD摄像机3的信号输出端通过数字图像采集卡6连接计算机7。CCD摄像机3采用彩色高精度CCD摄像机，能够采集不同波长的光照射到棉样4表面的图像，CCD摄像机3将采集到的图像通过数字图像采集卡6发送至计算机7进行分析和显示。

本发明中，照明装置采用两套LED照明装置2，两套LED照明装置2分别设置在棉样放置平台1内光学玻璃板5下方两侧。LED照明装置2连接有颜色调节电路和亮度调节电路，颜色调节电路可使LED照明装置2产生白光、红光、绿光和黄光四种光色，亮度调节电路可调节LED照明装置2的光线亮度。本发明还在棉样放置平台1上设置有棉样下压装置8，能够对放置在棉样放置平台1上的棉样4产生一定压力，保证CCD摄像机3的拍摄效果。棉样下压装置8可采用由气动装置驱动的透明压板，在此不再赘述。

本发明在使用过程中，首先抓取一定规格的棉样4，利用棉样下压装置8施加一定压力放置在光学玻璃板5上，然后开启LED照明装置2，利用LED照明装置2产生的不同波长的光线对棉样4进行照射，同时利用 CCD摄像机3进行拍摄，并把拍摄图像通过数字图像采集卡6传输至计算机7中，计算机7可将CCD摄像机3拍摄到的图像进行分析，自动判断棉花轧工质量等级。

本发明所述的棉花轧工质量图像检测方法，包括以下步骤：

A:利用摄像装置采集不同波长的光照射到棉样表面的图像，然后进入步骤B；

B:对采集到的棉样表面图像分别进行外部形态检测和疵点数量检测；进行外部形态检测时进入C；进行疵点数量检测时进入步骤F；

C:将采集到的棉样表面图像转换为位图，并解析位图文件数据，获取每个像素点的R、G、B数据，然后进入步骤D；对位图文件数据进行解析属于本领域中的惯用技术手段，在此不再赘述。

D:分别计算0°、45°、90°、135°四个方向的灰度共生矩阵，然后进入步骤E；所述计算四个方向的灰度共生矩阵为本领域现有的技术，在此不再赘述。

E: 根据灰度共生矩阵计算图像的能量、熵、相关性、惯性矩纹理特征值，然后进入步骤H；所述能量、熵、相关性、惯性矩为本领域中的专有名词，其计算有相应的公式，在此不再赘述。

F: 确定采集到的棉样表面图像中的所有待测点，所述的待测点指图像中灰度发生突变或者不连续的像素点的集合所构成的区域；然后对所有待测点逐一进行疵点类型判断；对每一个待测点进行疵点类型判断的步骤为：

（1）将采集的棉样表面图像转换为灰度图像，二值化后求取轮廓边缘，通过每个轮廓的区域面积大小、颜色和形态特征判断该待测点是否属于破籽、不孕籽、软籽表皮或带纤维籽屑；如果是，则记录该类疵点的数量；如果否，则进入步骤（2）；所述的二值化处理属于本领域中成熟的现有技术，在此不再赘述。

（2）将采集的棉样表面图像转换为HSV模型，分割出图像的S空间分量，针对单通道S空间上的图像与白色进行反色，凸显待测点边缘，再进行阈值分割、腐蚀和膨胀处理消除边缘毛刺增强图像，求取待测点轮廓边缘，通过对每个轮廓的区域面积大小和轮廓内平均灰度与整幅图像的平均灰度比较，判断该待测点是否属于僵片；如果是，则记录该类疵点的数量；如果否，则进入步骤（3）；步骤（2）中的处理方法属于图形处理中的现有技术，在此不再赘述。

（3）将采集的棉样表面图像转换为灰度图像，并对灰度图像进行二值化，然后与经过Sobel边缘算子处理过的图像进行反色，凸显待测点的边缘、膨胀处理增强图像、阈值分割、求取目标轮廓边缘，通过对每个轮廓的区域面积大小、轮廓内部平均灰度与整幅图像的平均灰度比较、轮廓内部H分量平均值与整幅图像的H分量平均值比较、轮廓内部S分量平均值与整幅图像S分量平均值比较，判断该类疵点是否属于棉结或索丝；如果是，则记录该类疵点的数量；如果否，则忽略该待测点；

G:结合步骤E中所获取的外部形态纹理特征值数据和步骤F中所获取的疵点种类及数量数据，通过机器学习计算出优化的权值，采取基于权重的欧式距离判决方法，根据国家标准GB1103-2012中棉花轧工质量指标要求，计算出棉花轧工质量等级。

在步骤F中（1）步骤，为了避免深色点在（2）步骤、（3）步骤的疵点识别中的影响，在识别完破籽、不孕籽、软籽表皮或带纤维籽屑后，使用图像背景色填充图像中深色点。所述深色点是指灰度值在[0,40]的像素点集合所构成的区域。