基于高低閾值迭代優化的原棉圖像雜質檢測

齊英蘭

摘 要：在原棉雜質圖像的Canny邊緣檢測中，高低閾值直接影響到雜質檢測結果的準確性，而目前高低閾值主要靠人工經驗來設定，針對這一問題，提出一種改進的原棉雜質圖像識別方法。方法在傳統Canny方法的基礎上，通過新加入45°、135°方向模板求取梯度幅值，在采用線性插值法進行非極大值抑制的同時，進行高低閾值的迭代優化，進而實現閾值的自動優化以及偽邊緣的抑制。仿真實驗表明，本文方法在有效抑制噪聲的同時，能夠自適應地優化高低閾值，一定程度上的減少了偽邊緣的出現，檢測到的原棉雜質邊緣完整，尤其對于破籽的識別，其相符率達到93.2%，能夠有效應用于原棉中雜質的識別與檢測。

關鍵詞：原棉;圖像分析;邊緣檢測;迭代優化

中圖分類號：TS111.8;TP37

文獻標志碼：A

文章編號：1009-265X（2019）05-0050-04

Abstract：In the Canny edge detection of raw cotton impurity images， the high and low thresholds directly affect the accuracy of impurity detection results. However， the current high and low thresholds are mainly set by human experience. To solve this problem， an improved raw cotton impurity image recognition method is proposed. Based on the traditional Canny method， the improved method solves the gradient amplitude by adding 45° and 135° direction templates. Linear interpolation was used for non-maximum suppression， and iterative optimization of the high and low thresholds was performed to achieve automatic optimization of threshold value and pseudo-edge suppression. Simulation experiments showed that the proposed method could effectively suppress the noise and adaptively optimize the high and low thresholds. Besides， it reduced to a certain extent the emergence of pseudo-edge. The detected raw cotton edge was intact. Especially for the identification of broken seeds， the matching rate reached 93.2%. Thus， it can be effectively used to identify and detect impurities in raw cotton.

Key words：raw cotton; image analysis; edge detection; iterative optimization

中國擁有悠久的種植棉歷史，是世界上重要的產棉國、用棉國，同時也是棉花進口大國。特別是近年來，在中國主要植棉區新疆，機采棉技術廣泛應用，籽棉在快速收割的同時，大量雜質也一并混合其中，即使經過清理和軋花，仍然維持了較高的著生性纖維雜質。原棉作為紡織工業的主要原料，需要對其含雜狀況進行檢測，以維護好農、工、商各方利益。根據國家GB/T 6499—2012《原棉含雜率試驗方法》標準[1]，含雜率采用雜質分析機與人工挑揀、稱重的方式進行檢驗，該檢驗方式勞動強度大，耗時長，難以保證檢驗效率與效果，這也與國家儀器化快速檢驗的目標不相適應。

隨著計算機視覺檢測技術的快速發展[2-4]，原棉含雜相關自動化檢測也取得了許多研究成果。在眾多成果中，Canny邊緣算子采用最優化的檢測思想，能夠實現原棉雜質的自動化檢測與識別，具有較高的信噪比和檢測精度，應用較為廣泛[5-6]。但也存在不足，主要體現在：首先，對圖像進行高斯濾波的方程方差以及閾值需要人工自主設定，自適應性不足;其次，Canny算子對噪聲較為敏感，對于半嵌在棉層中的破籽，出現邊緣檢測不完整、偽邊緣增多的情況。此外，國外研究人員有將小波變換與Canny算子相結合，無疑增加了計算的復雜度[7-8];國內相關研究主要在梯度模板方向、模板算子大小以及梯度幅值計算等方面進行改進在對傳統Canny方法進行改進時，通常從梯度模板方向，梯度幅值計算以及模板算子大小等方面進行改進[9-10]，但是對于噪聲干擾較大的雜質，仍然存在繼續優化與改進的空間。

針對上述存在的問題，結合原棉雜質的特點，本文設計了一種基于改進Canny的雜質識別方法，通過新加入45°、135°方向模板求取梯度幅值，在此梯度幅值的基礎上，采用線性插值法進行非極大值抑制，進行高低閾值的迭代優化，實現閾值的自動優化以及偽邊緣的抑制，并通過仿真實驗進一步驗證本文方法的有效性，為進一步優化改進原棉雜質自動化檢測技術提供理論依據與參考。

1 高低閾值迭代優化的原棉雜質檢測

在原棉圖像雜質檢測中主要有2個性能的影響因素：第一，減少噪聲的影響;第二，選取準確的閾值。據此，本文在選取二維高斯濾波的基礎上，改進原棉圖像梯度與方向的計算方法，并采用迭代算法確定優化的高低閾值，進而提高算法的檢測性能。

1.1 圖像平滑

2 仿真實驗與結果討論

2.1 實驗平臺

實驗材料選自于新疆地區棉花加工廠生產的原棉，原棉顏色級以白棉3級為主，在此基礎上，通過棉樣圖像采集系統、工控機硬件平臺、仿真實驗程序進行圖像的采集、分析與處理。

圖像采集系統采用MV-500UC系列高分辨率工業數字攝像機，最高分辨率達2 592 pixel×1 944 pixel，像素尺寸2.2 μm×2.2 μm，像元長度5.12 mm、寬度3.84 mm，信噪比大于42 dB。

工控機采用研祥IPC-610系列，性能穩定性優越。仿真程序采用VC++結合OpenCV視覺庫的方式實現，完成圖像拍攝與邊緣檢測算子的性能仿真。

在上述實驗平臺的基礎上，為進一步評價本文方法的性能，從雜質識別效果、檢測耗時、雜質識別方法間對比分析3個方面進行實驗仿真與結果討論。

2.2 結果與討論

2.2.1 本文方法雜質識別效果分析

實驗通過圖像采集系統采集了棉樣圖像，其分辨率為1 642 pixel×1 800 pixel，如圖1（a）所示。在此基礎上，仿真程序針對采集的原棉圖像進行檢測，為了便于觀察識別出來的原棉雜質的邊緣細節，對結果圖像進行了反色處理，其結果如圖1（b）所示。

通過圖1（b）的雜質識別結果可以看出，本文方法有效消除了圖像的背景噪聲，雜質與背景的分離效果明顯，雜散點少且雜質邊緣刻畫的清楚、流暢，同時，避免了部分嵌入棉層中雜質中的虛假像素點，能夠有效識別出原棉中實際存在的雜質，取得了一定的識別效果。

2.2.2 方法耗時對比

針對實驗采集的材料中選取的樣品，實驗分別采集了6種不同分辨率的原棉圖像，采用LoG方法、傳統Canny方法以及本文方法分別進行檢測實驗，進行檢測耗時的對比分析。圖2的對比結果顯示，當棉樣圖像分辨率低于600 pixel×800 pixel的情況，各方法耗時相當，維持在0.29 s 附近;當分辨率高于1 640 pixel×1 800 pixel時，LoG方法、傳統Canny方法耗時較本文方法耗時增幅顯著，最大增幅達1.9 s ，而本文方法在改進傳統Canny方法的基礎上，較傳統Canny方法耗時平均將低0.3 s，這在大運算量的圖像分析系統中，具有積極意義。

2.2.3 雜質識別性能對比

在方法的雜質識別性能對比上，從兩方面進行分析，首先，同一原棉樣本不同方法間識別效果對比;其次，針對常見的原棉雜質，不同方法雜質識別相符率對比。

首先，不同方法間識別效果對比。針對同一原棉雜質圖像，采用LoG方法、傳統Canny方法以及本文方法對雜質識別結果進行對比分析，截取局部識別結果如圖3所示。對半內嵌在棉層中的雜質如圖3（a）所示，本文方法能夠識別出其雜質輪廓，減少了邊緣細節信息丟失的可能性，避免了一定程度的邊緣點漏檢，取得了較好的雜質識別效果，如圖3（c）所示。

其次，不同方法雜質識別相符率對比。針對常見的雜質，采用檢測相符率作為檢測效果的評價準則。其中，在整個樣品數據集中，對于任一類雜質，其檢測相符率的計算按式（9）進行：

式中：P是檢測相符率;Nm是按照GB/T 6499—2012《原棉含雜率試驗方法》標準檢驗的雜質數量;Np是實驗仿真程序檢測結果中與標準檢驗結果一致的雜質數量。

在此基礎上，選取1 200例原棉樣品并采集其圖像，選定棉葉、破籽類、不孕籽、僵片、軟籽表皮5類常見的雜質進行檢測，通過仿真程序逐一計算上述5類雜質的識別結果，同時，根據GB/T 6499—2012《含雜率試驗方法》規定的方法計算上述5類雜質的檢驗結果，根據式（9）分別求得識別相符率，結果見圖4。

與LoG方法、傳統Canny方法相比，本文方法采用線性插值法進行非極大值抑制，進行高低閾值的迭代優化，實現閾值的自動優化以及偽邊緣的抑制，使得提取的圖像邊緣連續性好。其檢測效果明顯優于LoG算子、傳統Canny方法，尤其在破籽類雜質的識別方面，識別相符率達到93.2%，能夠有效檢測出原棉中的破籽類雜質。

2.2.4 小 結

對于LoG方法來講，Gauss函數標準差具有控制平滑的作用，因此σ的取值很關鍵。具體的：σ值越大，用于平滑的Gauss濾波模板越大，圖像中高頻部分的抑制效果增強，有效避免孤立點及虛假邊緣點的檢出，同時，Gauss濾波器的平滑作用會消除一部分邊緣細節，造成一定程度的邊緣點漏檢，造成邊緣定位的偏移，降低了邊緣的定位精度;相反，σ值越小，邊緣定位準確，但平滑、去噪性能降低。

對于傳統Canny方法，特別是在二維坐標空間下，由于Canny檢測算子具有方向特性，使其在尋找與定位邊緣的性能上要優于LoG方法。但是，其對圖像進行高斯濾波的方程方差以及閾值需要人工自主設定，自適應性不足;其次，Canny方法對噪聲較為敏感，對于半嵌在棉層中的破籽，出現邊緣檢測不完整、偽邊緣增多的情況。

對于本文方法，通過新加入45°、135°方向模板求取梯度幅值，在此梯度幅值的基礎上，采用線性插值法進行非極大值抑制，進行高低閾值的迭代優化，實現閾值的自動優化以及偽邊緣的抑制，檢測到的邊緣連續性好、背景噪聲小，尤其適用于原棉中破籽類雜質的分析與識別。

3 結 語

針對如何選擇適合原棉圖像的邊緣檢測方法，高效地進行含雜分析與識別的問題，本文提出一種改進的原棉雜質圖像識別方法。方法在Canny算子的基礎上，通過新加入45°、135°方向模板求取梯度幅值，并采用線性插值法進行非極大值抑制，進行高低閾值的迭代優化，進而實現閾值的自動優化以及偽邊緣的抑制。仿真實驗表明，本文方法在有效抑制噪聲的同時，能夠自適應地優化高低閾值，一定程度上減少了偽邊緣的出現，檢測到的原棉雜質邊緣完整，尤其對于破籽的識別，相符率達到93.2%，能夠有效應用于原棉中雜質的識別與檢測，進一步驗證了方法的有效性，也為雜質圖像邊緣檢測方法的選取提供了參考依據。