基于自动视觉检测的异性纤维模糊分类系统及其方法

摘要

本发明涉及一种棉花异性纤维分类系统及其方法，通过选择颜色特征、形状特征和纹理特征构成多特征向量，并分别构建相应的模糊分类器，实现对异性纤维的种类识别，从而方便、快捷、准确地测定棉花中的异性纤维含量，给棉花分等定级，以便促使棉花销售者自觉降低棉花中异性纤维的含量。

说明书

技术领域

本发明涉及棉花异性纤维分类领域，具体涉及一种基于自动视觉检测的棉花异性纤维模糊分类系统及其方法。

背景技术

棉花中的异性纤维是指在棉花采摘、摊晒、收购、储存、运输、加工过程中，混入棉花中的对棉花及其制品的质量有严重影响的非棉纤维和色纤维，俗称“三丝”，主要包括编塑料布、布条、头发、麻绳、丙纶丝和鸡毛等。

异性纤维在皮棉中的含量虽少，但对棉纺织品的质量影响严重，一旦混入并参与纺织将影响纱线强力，且在染色时影响着色，会对棉纺织工业造成重大经济损失。目前普遍的解决方法是通过挑拣来降低异性纤维的含量。但很多棉花行业的专家一致认为，通过挑拣(无论是人工还是机械)的方式来降低异性纤维的含量，总是被动和消极的；更为主动和积极的办法应该是从源头抓起，切断异性纤维混入的途径，让棉农、棉花收购者和加工企业都自觉地防范异性纤维混入。而在籽棉收购或交易环节如何准确分析籽棉中的异性纤维含量就成为问题的关键所在。

目前国内对棉花异性纤维含量的检测仅限于皮棉。普遍的做法是：对轧花厂生产的皮棉棉包进行取样，然后送到纤维检验机构留样，并分析确定异性纤维的含量。这种方法还未在籽棉收购环节中应用，因此目前还无法利用异性纤维含量来影响籽棉的收购价格。

AVI(Automated Visual Inspection，自动视觉检测)是利用光学器件进行非接触感知，自动获取待测目标的各种视觉特性，并对之进行分析和判断，以便达到对某些指定参数进行检测的目的。AVI技术已经在工业零件缺陷检测、PCB板缺陷检测、食品安全检测、水果分级等领域进行了成功运用，并达到了很好的效果。而利用AVI技术进行棉花异性纤维含量的在线计量，在国内外文献中还未见报道。

利用AVI技术进行棉花异性纤维含量的在线计量，关键是对分割出来的异性纤维目标进行分类，分类的正确率将直接影响后续进行的计量工作。特征提取和特征分类是AVI技术的核心部分，主要任务是产生特征向量并进行模式识别。目前关于特征提取的方法主要有颜色特征提取、形状特征提取、纹理特征提取等；用于模式识别的分类器包括基于概率统计的分类器、基于人工神经网络的分类器、基于模糊数学的模糊分类器等。

尽管目前对于特征提取和模式识别的研究已经取得了很多成果，也有很多成果已经在实际生产中进行了成功的应用，但目前还没有一种通用的方法可以解决所有模式识别问题。更由于棉花中的异性纤维种类繁杂、颜色形状各异，很难找到一种合适的成熟的方法对其进行准确分类。

发明内容

本发明的目的是提供一种基于AVI的棉花异性纤维模糊分类方法和系统，该方法选择颜色特征、形状特征和纹理特征构成多特征向量，并分别构建相应的模糊分类器，然后进行集成，实现对异性纤维的种类识别从而对所述异性纤维进行分类。

为了达到以上目的，本发明提供了一种基于AVI的棉花异性纤维模糊分类方法，所述方法包括以下步骤：

S1，对待识别异性纤维目标的颜色特征、形状特征和纹理特征进行特征选择，得到三者各自具有分类价值的特征向量；

S2，提取S1所得的待识别异性纤维目标的颜色特征向量、形状特征向量和纹理特征向量；

S3，利用S2中所得到的颜色特征向量、形状特征向量和纹理特征向量，得到待识别异性纤维目标属于不同异性纤维类别的隶属度颜色级分量、隶属度形状级分量以及隶属度纹理级分量；

S4，将所述隶属度颜色级分量、隶属度形状级分量以及隶属度纹理级分量进行加权求和，得到待识别目标属于不同异性纤维类别的综合隶属度；

S5，对S4中得到的待识别异性纤维目标属于不同异性纤维类别的综合隶属度求最大值，则具有最大综合隶属度的类别就是待识别的异性纤维目标的最大可能类别。

其中，所述步骤S1中，所选择的具有最大分类价值的颜色特征向量包括红色、绿色、蓝色和亮度的均值，RGB三个分量的标准差；所选择的具有最大分类价值的形状特征向量包括形状因子、扩展比例和欧拉数；所选择的具有最大分类价值的纹理特征向量包括标准偏差和对比度。

其中，利用S2中所得到的颜色特征，通过下式表示的初级分类模型得到待识别异性纤维目标属于不同异性纤维类别的隶属度颜色级分量：

${\overrightarrow{\mu }}^{\mathrm{Color}}=f(\bar{R},\bar{G},\bar{B},\bar{I},{\sigma }_{\mathrm{RGB}})$

其中，R、G、B、I、σ_RGB分别表示待识别目标的红色、绿色、蓝色和亮度均值以及RGB三个分量的标准差；即为待识别异性纤维目标属于不同异性纤维类别的隶属度颜色级分量。

其中，利用S2中所得到的形状特征，通过下式表示的初级分类模型得到待识别异性纤维目标属于不同异性纤维类别的隶属度形状级分量：

${\overrightarrow{\mu }}^{\mathrm{Shape}}=g(S,\mathrm{Ex},\mathrm{Eu})$

其中，S、Ex、Eu分别表示待识别目标的形状因子、扩展比例和欧拉数；即为待识别异性纤维目标属于不同异性纤维类别的隶属度形状级分量。

其中，利用S2中所得到的纹理特征，通过下式表示的初级分类模型得到待识别异性纤维目标属于不同异性纤维类别的隶属度纹理级分量：

${\overrightarrow{\mu }}^{\mathrm{Texture}}=h({\sigma }_{\mathrm{bb}},W_c)$

其中，σ_bb、W_c分别表示待识别目标的标准偏差和对比度；即为待识别异性纤维目标属于不同异性纤维类别的隶属度纹理级分量。

其中，所述步骤S4中，利用下式计算待识别异性纤维目标属于不同异性纤维类别的综合隶属度：

$\overrightarrow{\mu }={\overrightarrow{w}}^{\mathrm{Color}}{\overrightarrow{\mu }}^{\mathrm{Color}}+{\overrightarrow{w}}^{\mathrm{Shape}}{\overrightarrow{\mu }}^{\mathrm{Shape}}+{\overrightarrow{w}}^{\mathrm{Texture}}{\overrightarrow{\mu }}^{\mathrm{Texture}}$

其中，为隶属度颜色级分量的权重，为隶属度形状级分量的权重，为隶属度纹理级分量的权重；为隶属度颜色级分量，为隶属度形状级分量，为隶属度纹理级分量；即为待识别异性纤维目标属于不同类别的综合隶属度。

其中，在步骤S5中，对待识别异性纤维目标属于不同异性纤维类别的综合隶属度求最大值的方法为：

$\mathrm{FFClass}=\arg \max \left(\overrightarrow{\mu }\right|\overrightarrow{\mu }=\left[{\mu }_A{\mu }_B{\mu }_C{\mu }_D{\mu }_E{\mu }_F\right])$

其中，为待识别异性纤维目标属于不同类别的综合隶属度向量，arg表示取max函数所得最大值所代表的类别代码而非最大值本身，FFClass即为向量中具有最大综合隶属度的异性纤维的类别代码。

本发明还提供了一种基于自动视觉检测的棉花异性纤维模糊分类系统，所述系统包括：

特征提取模块，用于进行颜色特征、形状特征和纹理特征的提取；

初级模糊分类模块，与特征提取模块相连，用于获得待识别异性纤维目标属于不同类别的隶属度颜色级分量、形状级分量和纹理级分量；

综合隶属度计算模块，与初级模糊分类模块相连，用于计算待识别异性纤维目标属于不同类别的综合隶属度；

异性纤维模糊分类模块，与综合隶属度计算模块相连，用于对所得到的待识别异性纤维目标属不同类别的综合隶属度求取最大值，具有最大综合隶属度的类别就是待识别目标的最大可能类别。

其中，所述颜色特征包括红色、绿色、蓝色、亮度的均值以及RGB三个分量的标准差；形状特征包括形状因子、扩展比例和欧拉数；纹理特征包括标准偏差和对比度。

其中，所述初级模糊分类模块包括基于颜色特征的初级模糊分类器、基于形状特征的初级模糊分类器和基于纹理特征的初级模糊分类器。

其中，所述异性纤维类别包括塑料布类、布条类、麻绳类、头发类、丙纶丝类和鸡毛类。通过系统扩展，可以识别更多新的异性纤维类别。

其中，所述综合隶属度计算模块包括六个综合隶属度计算器，分别用于计算塑料布类、布条类、麻绳类、头发类、丙纶丝类和鸡毛类的综合隶属度。

本发明所提供的基于自动视觉检测的棉花异性纤维模糊分类系统及其方法，通过选择颜色特征、形状特征和纹理特征构成多特征向量，并分别构建相应的模糊分类器，实现对异性纤维的种类识别，从而方便、快捷、准确地测定籽棉中的异性纤维含量，给销售的籽棉分等定级，以便促使棉花销售者自觉降低棉花中异性纤维的含量。

附图说明

图1为本发明基于自动视觉检测的棉花异性纤维模糊分类方法流程示意图；

图2为本发明基于自动视觉检测的棉花异性纤维模糊分类系统结构示意图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明所提供的一种基于AVI的棉花异性纤维模糊分类方法，利用图像分割得到的异性纤维目标的像素坐标信息，连同原始的异性纤维彩色图像，提取异性纤维目标的颜色特征，包括红色、绿色、蓝色、亮度的均值以及RGB(RGB代表红、绿、蓝三个通道的颜色)三个分量的标准差；提取异性纤维目标的形状特征，包括形状因子、扩展比例和欧拉数；提取异性纤维目标外接矩形区域的纹理特征，包括标准偏差和对比度。然后由初级模糊分类模块根据这些特征进行初级分类，其中基于颜色特征的初级模糊分类器利用颜色特征来初步判断待识别的异性纤维可能属于哪种异性纤维，得到一个隶属度颜色级分量；基于形状特征的初级模糊分类器利用形状特征来初步判断待识别的异性纤维可能属于哪种异性纤维，得到一个隶属度形状级分量；基于纹理特征的初级模糊分类器利用纹理特征来初步判断待识别的异性纤维目标可能属于哪种异性纤维，得到一个隶属度纹理级分量。这些隶属度分量输入给综合隶属度计算模块，计算待识别的异性纤维目标属于塑料布、布条、麻绳、头发、丙纶丝和鸡毛的综合隶属度。最后由异性纤维模糊分类模块对所得到的六个综合隶属度求取最大值，具有最大综合隶属度的类别就是待识别目标的最大可能类别。

如图2所示，本发明所提供的一种基于AVI的棉花异性纤维模糊分类系统，包括特征提取模块、初级模糊分类模块、综合隶属度计算模块以及异性纤维模糊分类模块。

首先定义如下符号：

I_RGB—基于RGB色彩空间的异性纤维原始彩色图像；

I_R—异性纤维原始彩色图像的红色分量；

I_G—异性纤维原始彩色图像的绿色分量；

I_B—异性纤维原始彩色图像的蓝色分量；

IM—异性纤维原始彩色图像的三个颜色分量的均值矩阵；

BW—对异性纤维原始彩色图像进行图像处理得到的二值图像；

FO—图像分割得到的某个异性纤维目标的区域；

N_fo—图像分割得到的某个异性纤维目标的像素数；

FB—图像分割得到的某个异性纤维目标的外接矩形区域；

N_fb—图像分割得到的某个异性纤维目标外接矩形内的像素数。

1、特征提取模块

特征提取模块，用于进行颜色特征、形状特征和纹理特征的提取；其中颜色特征包括红色、绿色、蓝色、亮度的均值以及RGB三个分量的标准差；形状特征包括形状因子、扩展比例和欧拉数；纹理特征包括标准偏差和对比度。在进行特征提取时，颜色特征和形状特征取的是目标区域FO的特征，而纹理特征取的是目标外接矩形区域FB的特征。颜色特征数据取自原始彩色图像I_RGB，形状特征数据取自对异性纤维原始彩色图像进行图像处理得到的二值图像BW，纹理特征数据取自异性纤维原始彩色图像的三个颜色分量的均值矩阵IM(对此矩阵取整，便得到一幅灰度图像，灰度级从0到255)。下面是进行特征提取时用到的计算公式。

待识别异性纤维目标的红色均值定义为：

$\bar{R}=\frac{1}{N_{\mathrm{fo}}}\underset{(i,j)\in \mathrm{FO}}{\Sigma }{I}_R(i,j)$

待识别异性纤维目标的绿色均值定义为：

$\bar{G}=\frac{1}{N_{\mathrm{fo}}}\underset{(i,j)\in \mathrm{FO}}{\Sigma }{I}_G(i,j)$

待识别异性纤维目标的蓝色均值定义为：

$\bar{B}=\frac{1}{N_{\mathrm{fo}}}\underset{(i,j)\in \mathrm{FO}}{\Sigma }{I}_B(i,j)$

待识别异性纤维目标的亮度均值定义为：

$\bar{I}=\frac{1}{N_{\mathrm{fo}}}\underset{(i,j)\in \mathrm{FO}}{\Sigma }\mathrm{IM}(i,j)$

待识别异性纤维目标的颜色标准差定义为：

${\sigma }_{\mathrm{RGB}}=\sqrt{\frac{1}{N_{\mathrm{fo}}}\underset{(i,j)\in \mathrm{FO}}{\Sigma }{(I_R(i,j)-\mathrm{IM}(i,j))}^2+{(I_G(i,j)-\mathrm{IM}(i,j))}^2+{(I_B(i,j)-\mathrm{IM}(i,j))}^2}$

待识别异性纤维目标的形状因子定义为：

S＝P²/4πA

其中，P为此异性纤维目标的周长，即目标边界的像素总数；A为此异性纤维目标的面积，即目标区域的像素总数。

待识别异性纤维目标的扩展比例定义为：

Ex＝A/A_BoundingBox

其中，A_BoundingBox为此异性纤维目标的外接矩形的面积，用此外接矩形包围的区域的像素总数表示。扩展比例在一定程度上反映目标区域的充实度。

待识别异性纤维目标的欧拉数定义为：

Eu＝N_components-N_holes

其中，N_components为异性纤维目标区域中连通分量的个数；N_holes为异性纤维目标区域中孔洞的个数。

待识别异性纤维目标的标准偏差定义为：

${\sigma }_{\mathrm{bb}}=\sqrt{\underset{(i,j)\in \mathrm{FB}}{\Sigma }{(\mathrm{IM}(i,j)-\bar{I})}^{2}p\left(\mathrm{IM}(i,j)\right)}$

其中，p(IM(i，j))为IM(i，j)在异性纤维目标的外接矩形区域中出现的频度，即IM(i，j)出现的次数除以区域的总像素数。通过对异性纤维目标的外接矩形区域进行灰度直方图统计可得到p(IM(i，j))。标准偏差用来反映异性纤维目标与背景的明暗对比程度。

待识别异性纤维目标的对比度定义为：

$W_c=\underset{(i_1,j_1)\in \mathrm{FB}}{\Sigma }\underset{(i_2,j_2)\in \mathrm{FB}}{\Sigma }|\mathrm{IM}(i_1,j_1)-\mathrm{IM}(i_2,j_2)|p(\mathrm{IM}(i_1,j_1),\mathrm{IM}(i_2,j_2))$

利用颜色均值矩阵IM，通过计算异性纤维目标外接矩形区域的灰度共生矩阵，可得到p(IM(i₁，j₁)，IM(i₂，j₂))。基于灰度共生矩阵的对比度可以反映邻近像素之间的明暗反差，即像素亮度在空间的变化情况。

2、初级模糊分类模块

所述的初级模糊分类模块，由三个初级模糊分类器组成，分别是基于颜色特征的初级模糊分类器、基于形状特征的初级模糊分类器和基于纹理特征的初级模糊分类器；分别得到异性纤维目标属于不同类别的隶属度颜色级分量、形状级分量和纹理级分量。

基于颜色特征的初级模糊分类器可以形式化地定义为：

${\overrightarrow{\mu }}^{\mathrm{Color}}=f(\bar{R},\bar{G},\bar{B},\bar{I},{\sigma }_{\mathrm{RGB}})$

在这个基于颜色特征的初级模糊分类器中，参数R，G，B，σ_RGB主要用于判断特定异性纤维的颜色。比如，头发、鸡毛应该是黑色的(注：本发明所述方法无法识别白色的头发和鸡毛)，麻绳应该是麻黄色的，丙纶丝应该是红色、青色或白色的等。参数I主要用于反映异性纤维的亮度(代表其反射光谱)信息，比如颜色暗淡的异性纤维的亮度较低，而颜色鲜艳的异性纤维的亮度较高。这样，综合考虑颜色和亮度，就可对待识别的异性纤维进行初级模糊分类。

基于形状特征的初级模糊分类器可以形式化地定义为：

${\overrightarrow{\mu }}^{\mathrm{Shape}}=g(S,\mathrm{Ex},\mathrm{Eu})$

在这个基于形状特征的初级模糊分类器中，参数Sf主要用于判断异性纤维的圆形度，当目标为圆时，Sf达到最小值1；为其它形状时Sf一般都大于1。观察发现，片状的异性纤维，如塑料布、纸片等的圆形度最好；绒状的异性纤维，如布条、麻绳等的圆形度较差；而线状的异性纤维，如头发等的圆形度最差。参数Ex主要用于判断异性纤维被拉伸的程度，在一定程度上也反映目标区域的充实度。一般情况下，塑料布的扩展比例较小，麻绳、布条和鸡毛的扩展比例较大，头发和丙纶丝的扩展比例最大。Eu反映的是异性纤维目标区域中孔洞的多少。一般情况下，头发等线状异性纤维一般不含孔，除非由于卷曲、堆叠等原因产生孔；塑料布等片状的异纤一般也只有较少的孔出现，而大片的麻绳、鸡毛、布条、丙纶丝等容易产生较多的孔洞，但单根的麻绳丝、鸡毛丝、丙纶丝一般也不会出现孔。

基于纹理特征的初级模糊分类器可以形式化地定义为：

${\overrightarrow{\mu }}^{\mathrm{Texture}}=h({\sigma }_{\mathrm{bb}},W_c)$

在这个基于纹理特征的初级模糊分类器中，参数σ_bb主要用于判断异性纤维所在的外接矩形区域的平均对比度，反映的是像素灰度值与区域灰度均值之间的差异，同时也反映像素在不同灰度级上的分布情况。一般情况下，由于棉花呈白色，比较明亮，因此颜色灰暗的异纤的标准偏差较大，而颜色鲜艳的异纤的标准偏差较小。参数W_c也从另一角度反映异性纤维所在外接矩形区域的灰度变化情况。

3、综合隶属度计算模块

所述综合隶属度计算模块，由六个综合隶属度计算器组成，分别是用于计算塑料布类、布条类、麻绳类、头发类、丙纶丝类和鸡毛类综合隶属度的计算器；通过所述六个计算器，可分别得到异性纤维目标属于塑料布、布条、麻绳、头发、丙纶丝和鸡毛的综合隶属度。

综合隶属度的计算模型表示为：

$\overrightarrow{\mu }={\overrightarrow{w}}^{\mathrm{Color}}{\overrightarrow{\mu }}^{\mathrm{Color}}+{\overrightarrow{w}}^{\mathrm{Shape}}{\overrightarrow{\mu }}^{\mathrm{Shape}}+{\overrightarrow{w}}^{\mathrm{Texture}}{\overrightarrow{\mu }}^{\mathrm{Texture}}$

其中，为隶属度颜色级分量的权重，为隶属度形状级分量的权重，为隶属度纹理级分量的权重；之所以为不同的隶属度分量分配不同权重，是因为不同的特征对不同种类的异性纤维的分类贡献率不同。例如，根据待识别目标的颜色特征确认此异性纤维是黑色的，则此异性纤维可能是头发、鸡毛，也可能是塑料布，布条，一般不会是麻绳，绝对不会是丙纶丝。又如，根据待识别目标的形状特征确认此异性纤维是细长的，则此异性纤维可能是头发、丙纶丝，也可能是麻绳丝或布条丝，一般不会是塑料布；同时考虑颜色特征，黑色细长的异性纤维最可能是头发，也可能是鸡毛丝，还可能是黑色布丝，但基本可以认定不是丙纶丝，因为没有黑色丙纶丝。因此，各个分量的权重是根据异性纤维的特点综合确定的。

4、异性纤维模糊分类模块

所述异性纤维模糊分类模块，用于对所得到的综合隶属度向量求取最大分量，具有最大综合隶属度的类别就是待识别异性纤维目标的最大可能类别。基于最大综合隶属度的模糊分类模型表示为：

$\mathrm{FFClass}=\arg \max \left(\overrightarrow{\mu }\right|\overrightarrow{\mu }=\left[{\mu }_A{\mu }_B{\mu }_C{\mu }_D{\mu }_E{\mu }_F\right])$

例如，若待识别的异性纤维目标的综合隶属度向量中，μ_A分量最大，则此异性纤维最大可能的类别是塑料布；若μ_D分量最大，则此异性纤维最大可能的类别就是头发。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。