紗線毛羽骨架及長度的跟蹤測量

孫銀銀， 張 寧， 吳 洋， 潘如如， 高衛東

(1. 常熟理工學院 藝術與服裝工程學院， 常熟 江蘇 215500; 2. 江南大學 紡織服裝學院， 無錫 江蘇 214122)

紗線毛羽骨架及長度的跟蹤測量

孫銀銀1， 張 寧2， 吳 洋2， 潘如如2， 高衛東2

(1. 常熟理工學院 藝術與服裝工程學院， 常熟 江蘇 215500; 2. 江南大學 紡織服裝學院， 無錫 江蘇 214122)

針對現有圖像法毛羽測量存在的缺陷，提出了一種用于毛羽分析和長度測量的紗線毛羽骨架跟蹤算法。首先以10像素為步長，作紗線條干邊緣曲線對毛羽骨架的分割線，得到毛羽起點；接著在毛羽延伸方向上對毛羽起點的上5-鄰域點或下5-鄰域點進行判斷，得到新的毛羽路徑點，進行鄰域點的重復判斷，直到沒有毛羽路徑點存在，依次記錄所有毛羽點生成毛羽路徑，并提出了多毛羽路徑點和交叉毛羽的解決方案；最后根據2點間的距離計算出毛羽路徑中相鄰毛羽路徑點的像素，從而得到毛羽的測量長度。對長毛羽的跟蹤測量和固定分割長度測量的結果顯示，毛羽骨架及長度的跟蹤測量算法可將測量長度提高24.3%～666%，測量結果較為精確。

紗線毛羽； 毛羽骨架； 毛羽長度； 跟蹤算法

紗線毛羽是衡量紗線和織物外觀與質量的重要指標之一[1-2]。長毛羽過多會使織造和染色工序生產效率降低，且布面易起球[3-4]。在紗線生產過程中對紗線毛羽進行準確檢測，有效控制毛羽的產生，一直是紡織企業面對產品質量控制的主要任務之一[5-6]。紗線毛羽空間形態的復雜多變，使得現有的光電式毛羽儀在測量毛羽長度時，存在檢測盲區和信息采集不全等缺陷[7-8]。隨著科學的不斷發展和學科間的相互交叉、融合，采用圖像處理和分析技術實現對紗線毛羽測量也有了新的發展趨勢[9-11]。在現有的研究中，由于圖像中毛羽彎曲多變，相互交叉，因此現有毛羽分析算法無法獲取形態復雜多變的毛羽全部信息，達到對毛羽長度的準確測量。

本文在已有毛羽分析、測量算法的基礎上，提出基于毛羽骨架分析和跟蹤算法，用于得到完整的毛羽骨架信息，較好地避免了毛羽信息的遺漏。以紗線條干邊緣曲線毛羽測量基準線，先檢測出毛羽起點，對毛羽起點的上、下5-鄰域點進行毛羽點判斷，直到沒有新的毛羽點存在，依次記錄所有毛羽點生成毛羽路徑，計算出毛羽路徑中所有毛羽點的總像素，從而得到毛羽的測量長度。

1 毛羽長度測量

由于不同纖維的自身特性，使得紗線毛羽空間形態各異，延伸方向多變，采集的紗線圖像中毛羽排列雜亂無章，造成毛羽精確測量的困難，紗線毛羽樣本的6幀圖像均是由MOTIC視頻顯微鏡捕獲。為便于對毛羽進行測量，運用MatLab圖像處理軟件對所有圖像進行灰度轉換、OTSU圖像分割、形態學運算和圖像骨架一系列圖像處理后，分別得到紗線條干和毛羽骨架[7]，如圖1、2所示。

圖1 紗線條干二值圖像Fig.1 Binary images of yarn core. (a) Sample 1; (b) Sample 2; (c) Sample 3; (d) Sample 4; (e) Sample 5; (f) Sample 6

圖2 紗線毛羽骨架Fig.2 Yarn hairiness skeletons. (a) Sample 1; (b) Sample 2; (c) Sample 3; (d) Sample 4; (e) Sample 5; (f) Sample 6

將條干邊緣曲線設置為測量分割線，平行于紗線條干，做毛羽骨架的等距分割線，距離為1 mm，測量6幀紗線毛羽樣本圖像中大于等于1、2、3、4、5、6 mm的毛羽根數，即采用固定長度法得到毛羽長度和根數的分級統計結果，如表1所示。

表1 固定分割測得的毛羽長度和根數

由測得的毛羽長度可知，采用固定長度分割毛羽對毛羽長度的測量存在較大誤差。造成這種結果的主要原因為紗線毛羽不僅在延伸方向存在彎曲和卷曲，而且在紗線條干軸向存在較長的倒向延伸和相互交叉，以至于現有的光電法毛羽儀和圖像毛羽測量，無法實現全毛羽的信息分析，因而不能得到精確的毛羽測量長度。

2 毛羽骨架跟蹤

為獲取完整的毛羽骨架信息，運用跟蹤算法用于確定毛羽骨架路徑。由圖2中6幀紗線毛羽骨架圖像可看出，毛羽形態各異致使現有的跟蹤算法無法實現對不同形態的毛羽進行準確跟蹤，因此要想準確地跟蹤每根毛羽，需設計適應性較好的跟蹤算法。

2.1 毛羽起點

二維紗線圖像中，條干邊緣與毛羽相連的點即是毛羽起點，即毛羽衍生的起始點。要實現毛羽跟蹤，就必須先確定毛羽骨架的起點。從紗線條干圖像中提取條干邊緣曲線，記作E，找出上邊緣點的上鄰域點QS或下邊緣點的下鄰域點QX，如圖3所示。

圖3 紗線條干邊緣點的上、下5-鄰域點Fig.3 Upper and lower 5-neighborhoods of yarn edge points

以QS和QX為毛羽骨架起點，分別對QS的上5-鄰域點(n1，n2，n3，n4和n5)和QX的下5-鄰域點(n1，n2，n3，n4和n5)進行判斷，若n1，n2，n3，n4和n5中存在像素為1的點，那么點QS和QX即為毛羽起點，且QS為上毛羽起點(紗線圖像中，條干上面的部分)，QX為下毛羽起點(紗線圖像中，條干下面的部分)，以此得到圖2的6幀毛羽骨架圖像中的毛羽起點個數見表2中的初始值所列。由表2中所列毛羽起點個數的初始值及表1中毛羽的長度和根數可看出，由上述方法檢測到的毛羽起點存在誤判，起點個數遠多于圖像中毛羽的根數，因此需對所提出的毛羽起點判斷方法進行優化。

表2 圖2中毛羽骨架起點的個數

2.2 毛羽起點的優化

針對毛羽起點判斷存在的錯誤，依次進行以下2步的毛羽起點優化。

1)紗線分割時，條干邊緣的部分粗節和小刺被分割成毛羽，即假毛羽，造成毛羽起點的錯誤和增加，如圖4所示。紗線條干分割出來時，圖4(a)中A部位的部分條干被分割毛羽，如圖4(c)中的A2部位，進而在提取毛羽骨架的過程中，形成毛羽骨架，影響毛羽起點判斷。

圖4 假毛羽的形成Fig.4 Forming of false hairiness. (a) Part of yarn binary image; (b) Part of yarn core; (c) Part of yarn hairiness; (d) Part of hairiness skeleton

為避免因紗線分割對毛羽起點判斷造成的影響，在距離條干邊緣10像素點處，用條干邊緣曲線分割毛羽，邊緣曲線與毛羽的交叉點即為新的毛羽起點。優化中避免了假毛羽的存在對像素點的影響，提高毛羽起點的正確性，優化后的毛羽起點個數，見表2中的改進1所列。優化過程中被忽略的10像素內毛羽長度，可在計算毛羽長度時直接加上10像素。

2)條干曲線分割毛羽時，毛羽中部分直線形態與條干邊緣曲線中的部分直線形態重疊，造成一根毛羽有多個相鄰的毛羽起點。為避免毛羽起點的重復，保留毛羽起點中相鄰且行數相同、列數最小或最大的毛羽起點，其余的刪除。經過這次改進后得到的毛羽起點個數如表2中的改進2所列。結果顯示經過2次優化，毛羽起點的個數大幅度減小，每幀圖像中的毛羽起點可基本確定，最終確定圖2中6幀毛羽骨架圖像中毛羽起點如表3所列。

表3 毛羽起點位置

2.3 毛羽路徑

毛羽形態變化的隨機性，使毛羽路徑中相鄰毛羽點的相對位置隨機性較大，造成毛羽路徑跟蹤困難。同一種跟蹤方法無法實現對所有毛羽的同時跟蹤，因此，要以毛羽起點為基點，對所有毛羽進行逐一跟蹤。以毛羽起點為初始點，依次記錄所有毛羽路徑點生成毛羽路徑。紗線毛羽路徑判斷示意圖如圖5所示，A中Q點表示毛羽起點，若Q點為上毛羽起點(紗線圖像中位于紗線條干上部)，n1，n2，n3，n4，n5為Q點的上5-鄰域點；若Q點為下毛羽起點(紗線圖像中位于紗線條干上部)，n1，n2，n3，n4，n5為Q點的下5-鄰域點。

圖5 紗線毛羽路徑Fig.5 Path of yarn hairiness

毛羽路徑點的判斷過程和毛羽路徑生成步驟如下。

1)分別對毛羽起點Q的上、下5-鄰域點進行毛羽路徑點判斷，結果顯示Q的上5-鄰域點中僅有n5的像素為1，其下5-鄰域點中僅有n4的像素為1，這就表明n5和n4分別為Q的上毛羽路徑點和下毛羽路徑點，將n5和n4記作Q1和q1，得到的毛羽路徑分別是[Q,Q1,…]和[Q,q1,…]，如圖5中B所示。

2)將Q1和q1記作新的毛羽起點，分別對Q1上5-鄰域點和q1的下5-鄰域點進行新一輪的毛羽路徑點判斷。其中，Q1的左鄰域點n2和q1的左鄰域點和右鄰域點n1和n2是已知的非毛羽路徑點，可不再進行判斷。對其余的鄰域點進行判斷的結果顯示，Q1的鄰域點n3和q1的鄰域點n5是毛羽路徑點，將這2點分別記作Q2和q2，得到新的毛羽路徑分別是[Q,Q1,Q2,…]和[Q,q1,q2,…]，如圖5中C所示。

3)將Q2和q2記作新的毛羽起點，重復進行步驟2)判斷得到Q2的鄰域點n3和q2的鄰域點n3為毛羽路徑點，分別將這兩點記作Q3和q3，新的毛羽路徑分別是[Q,Q1,Q2,Q3,…]和[Q,q1,q2，q3，…](如圖5中D所示)。將Q3和q3作為新的毛羽起點，繼續上述步驟，直到新的毛羽起點的5-鄰域點和反方向5-鄰域點中都沒有符合毛羽點的點存在時，該毛羽起點為最后一個毛羽路徑點，最終得到的毛羽路徑分別是[Q,Q1,Q2，Q3，…，Qn-1,Qn]和[Q,q1,q2，q3，…，qn-2，qn-1,qn]，如圖5中D所示。

2.4 多毛羽路徑點判斷

毛羽形態的復雜化造成相鄰毛羽點之間的性對位置的隨機性較大，出現同時有多個毛羽點符合新的毛羽路徑點的情況，為了對這些毛羽點在毛羽路徑中的具體位置進一步確定，針對不同情況提出解決方案和判斷流程如圖6所示。

圖6 多毛羽路徑點的算法Fig.6 Algorithm of multi-hairiness path

1)2個毛羽點路徑判斷如圖7、8所示，h表示當前毛羽起點，5-鄰域點h0，h1，h2，h3和h4中，由于h為毛羽點，所以h0和h1是已知的非毛羽點，因此有2個毛羽點共同存在的情況有h2和h3或者h3和h4。檢測到2個毛羽點時，分別對2毛羽點的5-鄰域點進行毛羽路徑點判斷，最終毛羽路徑有以下幾種情況。

圖7 向下延伸的毛羽路徑Fig.7 Hairiness path of downwards extending. (a) Path points h2and h3; (b) Path points h3and h4

圖8 向上延伸的毛羽路徑Fig.8 Hairiness path of upward extending. (a) Path points h2and h3; (b) Path points h3and h4

(i)毛羽點h2和h3中，若h2的5-鄰域中存在毛羽路徑點，毛羽路徑有[…,h,h3,h2,h5,…]或[…,h,h3,h2,h6,…]或[…,h,h3,h2,h7,…]或[…,h,h3,h2,h8,…]；若h3的5-鄰域中存在毛羽路徑點，毛羽路徑有[…,h,h2,h3,h7,…]或[…,h,h2,h3,h8,…]或[…,h,h2,h3,h9,…]，如圖7(a)和圖8(a)所示。

(ii)毛羽點h3和h4中，若h3的5-鄰域中存在毛羽路徑點，毛羽路徑有[…,h,h4,h3,h7,…]或[…,h,h4,h3,h8,…]或[…,h,h4,h3,h9,…]；若h4的5-鄰域中存在毛羽路徑點，毛羽路徑有[…,h,h3,h4,h8,…]或[…,h,h3,h4,h9,…]或[…,h,h3,h4,h10,…]或[…,h,h3,h4,h11,…]，如圖7(b)和圖8(b)所示。

(iii)在確定毛羽路徑時，圖7(a)和圖8(a)中,h2和h3存在2個共同的鄰域點h7、h8，去掉圖7(a)和圖8(a)中[…,h,h2,h3,h7,…]、[…,h,h2,h3,h8,…]2個毛羽路徑；同樣在圖7(b)和圖8(b)中，h3和h4存在2個共同的鄰域點h8和h9，去掉圖7(b)中和8(b)中[…,h,h4,h3,h8,…][…,h,h4,h3,h9,…]2個毛羽路徑。

2)3個毛羽點路徑判斷如圖9所示，h1點是當前毛羽點，h2，h4和h5是同時檢測到的毛羽點，最終達到的毛羽路徑有以下幾種情況：若h2的5-鄰域點存在毛羽路徑點，得到的毛羽路徑是[…,h,h1,h5,h4,h2,h6,…]或[…,h,h1,h5,h4,h2,h7,…]，如圖9(a)所示；若h4的5-鄰域點存在毛羽路徑點，得到的毛羽路徑是[…,h,h1,h2,h4,h5,h10,…]或[…,h,h1,h2,h4,h5,h11,…]或[…,h,h1,h2,h4,h5,h12,…]或[…,h,h1,h2,h4,h5,h13,…]，如圖9(b)所示；若h5的5-鄰域點存在毛羽路徑點，得到的毛羽路徑是[…,h,h1,h2,h5,h4,h9,…]或[…,h,h1,h2,h5,h4,h10,…]或[…,h,h1,h2,h5,h4,h11,…]，如圖9(c)所示。

圖9 向下延伸的毛羽路徑Fig.9 Hairiness path of downwards extending. (a) Neighborhood points of h2; (b) Neighborhood points of h5; (a) Neighborhood points of h4

在確定毛羽路徑時，圖9(b)、9(c)中，h4和h5存在2個共同的鄰域點h10和n11，去掉圖9(b)中[…,h,h1,h2,h4,h5,h10,…]，[…,h,h1,h2,h4,h5,h11,…]這2個毛羽路徑。

在確定毛羽路徑時，針對毛羽細化圖像中存在毛羽相交的情況，提出相應解決方案，首先應確定并記錄毛羽交叉點信息，然后在進行毛羽路徑判斷。通過毛羽交叉點的鄰域點個數，來確定該毛羽點是否為交叉點，首先應排除該毛羽點8-鄰域中已經確定的毛羽路徑點，然后判斷其余鄰域點是否符合路徑要求，若符合，統計其個數，若有2個及以上的鄰域點是新的路徑點，那么，該毛羽點即為骨架圖像中毛羽交叉點。

3 長毛羽測量

3.1 每幀圖像中毛羽的起點

實驗中，采用圖2中的六幀毛羽骨架圖像為樣本，圖像中紗線是線密度為11.7 tex的純棉紗，運用2.1小節中優化過的毛羽起點算法，在距離紗線條干邊緣10像素點處，做毛羽骨架起點的檢測線，如圖10所示。

圖10 毛羽起點檢測線Fig.10 Detection lines of hairiness skeletons. (a) Sample 1; (b) Sample 2; (c) Sample 3; (d) Sample 4; (e) Sample 5; (f) Sample 6

將毛羽起點根據列數從大到小排列，如表3所列，從中可發現檢測到的不僅有長毛羽起點也有短毛羽起點，且彎曲較大的毛羽檢測到2個毛羽起點，如圖2中毛羽骨架2和5。為便于正確地測量毛羽長度和更好地與固定分割算法進行對比，根據毛羽起點的列數，提取出長毛羽的毛羽起點。結合圖10中分割結果和表3毛羽起點坐標，圖2中毛羽骨架樣本5檢測到1個毛羽起點外，其余的第1個毛羽起點都是長毛羽的起點，進而得到的6幀毛羽骨架圖像中長毛羽起點位置坐標如表4所列。

表4 長毛羽起點

3.2 長毛羽的路徑

以表4中得到的長毛羽起點作為毛羽骨架跟蹤的初始點，運用文中提出的毛羽骨架跟蹤算法，對圖2中6幀毛羽骨架圖像中的長毛羽進行毛羽路徑的跟蹤。毛羽彎曲部位，出現的多個毛羽點情況，可根據多毛羽點的判斷方法進行跟蹤；毛羽卷曲部位，在毛羽延伸方向無毛羽點存在，可在延伸方向的反方向對當前毛羽點的5-鄰域點進行判斷。經過多次判斷后，直到當前毛羽點延伸方向的5-鄰域點和反延伸方向的5-鄰域點中都沒有新的毛羽點存在時，算法停止，從而得到6幀毛羽骨架圖像中6根長毛羽的毛羽路徑和毛羽點個數，如表5所示。

3.3 毛羽長度

毛羽路徑記錄著整根毛羽的重要信息，毛羽點個數、毛羽延伸方向、毛羽形態以及相鄰2毛羽點的相對位置——這個相對位置是計算毛羽長度的關鍵信息。要得到正確的毛羽測量長度，首先根據2點pi(x,y)和pi+1(x,y)之間的距離，計算出相鄰2個毛羽點之間的像素和所有z像素(n-1)的像素和；將得到的像素和加上10像素(因毛羽起點判斷忽略掉的10像素)后，依據圖像中1 mm內有108像素，將得到的整根毛羽的像素轉換成mm的長度單位，測的毛羽測量長度結果見表6所示。

表5 長毛羽路徑

表6 長毛羽的測量長度

將毛羽跟蹤法和固定長度分割法得到的長毛羽的測量長度結果進行對比，如表6所列。從中可看出，跟蹤法得到的毛羽測量長度比固定長度分割法測得的長度都要長，圖2中毛羽長度增加最大達到6.66 mm，如毛羽骨架樣本1；長度增加最小是0.97 mm，如毛羽骨架樣本3，造成這種結果的原因，主要是樣本1在平行于紗線條干的方向上，延伸較樣本3大；而在垂直方向上的延伸較樣本3小，也就是說樣本3毛羽的形態較樣本1規整，因此采用平行的固定分割毛羽骨架時，樣本1比樣本3更容易遺漏毛羽路徑信息，而毛羽跟蹤法則彌補了這一缺陷。毛羽樣本1、2、4和6的2種測試結果顯示，毛羽跟蹤法測得的毛羽長度相對于固定法的長度增長率，最大是666%，且固定長度分割法測得的4根毛羽是短毛羽，而毛羽跟蹤法測得的是長毛羽，從圖中可看出，毛羽跟蹤法比固定長度割算法測得的毛羽長度更準確、更真實，尤其是對于長毛羽和有較多或較大的彎曲或卷曲形態的毛羽，其適用性更好。

4 結 語

本文在毛羽骨架圖像的基礎上，提出了用于毛羽骨架分析、毛羽路徑確定以及毛羽長度測量的跟蹤算法，有效地提取毛羽路徑中的所有毛羽點信息，提高了長毛羽長度測量的準確性。與以往的毛羽固定長度分割法相比，毛羽形態信息提取全面，且毛羽長度的測量結果更接近真實毛羽長度，能更精確地反映出長毛羽的真實形態變化。通過長毛羽對比試驗證明本文所提出的毛羽跟蹤法具有較好的適用性，為將來實現毛羽的準確測量提供理論基礎。

[1] BARELLA A. Yarn hairiness[J]. Textile Progress, 1983, 13(1):1-57.

[2] 姚穆. 紡織材料學[M]. 北京: 中國紡織出版社, 2009:192. YAO Mu. Material of Textile[M]. Beijing: China Textile & Apparel Press, 2009:192.

[3] HALEEM N, WANG Xungai. Recent research and developments on yarn hairiness[J]. Textile Research Journal, 2014, 85(2):211-224.

[4] 牟俊玲. 旋流噴嘴減少紗線毛羽的研究[D]. 無錫：江南大學, 2009:3-4. MOU Junling. Study of vortex nozzle to reduce yarn hairiness[D]. Wuxi: Jiangnan University, 2009：3-4.

[5] 章國紅, 辛斌杰. 圖像處理技術在紗線毛羽檢測方面的應用[J]. 河北科技大學學報, 2016, 37(1):76-82. ZHANG Guohong, XIN Binjie. Application of image processingtechnology in yarn hairiness detection[J]. Journal of Hebei University of Sciences & Technology, 2016, 37(1):76-82.

[6] 方珩, 辛斌杰, 劉曉霞,等. 一種新型紗線毛羽圖像特征識別算法的研究[J]. 河北科技大學學報, 2015, 36(1):63-72. FANG Heng, XIN Binjie, LIU Xiaoxia,et al. Research of novel method for measuring yarn hairiness based on image recognition[J]. Journal of Hebei University of Sciences & Technology, 2015, 36(1):63-72.

[7] 孫銀銀, 潘如如, 高衛東. 基于數字圖像處理的紗線毛羽檢測[J]. 紡織學報, 2013, 34(6):102-106. SUN Yinyin, PAN Ruru, GAO Weidong.Detection of yarn hairiness based on digital image processing[J]. Journal of Textile Research, 2013, 34(6):102-106.

[8] BLACHOWICZ T. Optical determination of yarn hairiness using statistical methods[C]// AUMANN S, PRU? B. 8th Aachen-Dresden International Textile Conference. Dresden: Institute of Electrical and Electronics Engineers, 2014:27-28.

[9] ROY S. Yarn hairiness evaluation using image process-ing[C]// SENGUPTA A, SENGUPTA S. 2014 International Conference on Control, Instrumentation, Energy and Communication. Calcutta: Elsevier Pub Co, 2014-01-31.

[10] FABIJANSKA A, JACKOWSKA-STRUMILLO L. Image processing and analysis algorithms for yarn hairiness determination[J]. Machine Vision and Applications, 2012, 23(3):527-540.

[11] WANG Rongwu, ZHOU Jinfeng, YU Lingjie, et al. Fusing multifocus images for yarn hairiness measure-ment[J]. Optical Engineering, 2014, 53(12):37-37.

Tracking measurement of yarn hairiness skeleton and length

SUN Yinyin1, ZHANG Ning2, WU Yang2, PAN Ruru2, GAO Weidong2

(1.SchoolofArts&GarmentsEngineering,ChangshuInstituteofTechnology,Changshu,Jiangsu215500,China；2.CollegeofTextileandClothing,JiangnanUniversity,Wuxi,Jiangsu214122,China)

Aiming at the defects on yarn hairiness measurement by the image process in the prior image methods, a new algorithm was proposed for analyzing hairiness and measuring hairiness length by tracking yarn hairiness skeleton. First, using 10 pixels as the step value, the dividing line of hairiness skeleton by the curves of yarn edge were plotted, and the hairiness starting points were obtained. And then, the upper 5-neighborhood points or lower 5-neighborhood points were judged in the extension direction of yarn hairiness, and the new hairiness path points were obtained. The all of path points were judged until no hairiness path points exist, all of which were recorded in sequence to generate a hairiness path, and the solutions of multi-hairiness path points and crossed hairiness were proposed. Finally, the pixel of two hairiness path points was calculated according to the distance between two points, and the hairiness measurement length was obtained. The results of tracking measurement and fixed segment measurement of long hairiness show that the measurement length can be increased by 24.3%-666% by the new method of yarn hairiness measurement using the hairiness tracking, and the measurement results are more accurate.

yarn hairiness; hairiness skeleton; hairiness length; tracking algorithm

10.13475/j.fzxb.20160803707

2016-08-09

2017-05-09

國家博士后基金項目(2013M541602)；教育部博士點基金項目(20120093130001)；霍英東教育基金會高等院校青年教師基金項目(141071)

孫銀銀(1984—)，女，講師，博士。主要研究方向為基于圖像處理技術的紗線毛羽檢測、服裝外觀品質、服裝感性評價。高衛東，通信作者，E-mail:gaowd3@163.com。

TS 101.9

A