（机械设计及理论专业论文）异性纤维检测装置的研究.pdf

摘要 近年来，棉花中异性纤维问题始终困扰着纺织工业的生产与发展，由于人工分拣 难度大，从原棉中拣净异性纤维相当困难，残留的异性纤维经清梳工序打击，纵向断 裂、横向分开，数量成倍增加，严重时会缠绕刺辊，造成机械运转困难。不仅如此， 布面由于含有异性纤维易形成大量疵点，印染时布面因异性纤维性质的不同而染不上 色，导致布匹“染花”，严重影响棉织物质量。另外，国外设备制造厂商的异性纤维 分拣产品的昂贵的价格是我国棉纺织企业无法接受的，而且国外设备与我国棉纺织企 业现有的设备难以配套使用。课题正是在这种背景情况下提出来的，旨在开发出拥有 我国自主知识产权的异性纤维检测装置。与国外同类产品相比，课题所研究的异性纤 维检测装置不仅可以使价格大幅度降低，摆脱对同类国外产品的依赖，而且有助于提 高我国纺织工业的自动化水平，改善产品质量，增加纺织企业的竞争力。 本文研究的重点是异性纤维检测装置的识别算法及装置结构的可行性。 异性纤维检测识别算法是装置的关键部分，只有对采集的原棉图像信号进行一定 的分析处理，才能有效地识别出原棉中存在的异性纤维。本文在分析了数字图像处理 和图像的模式识别两方面理论知识的基础上，提出了“三基色r g b 最佳闽值识别算 法”，此算法对与棉花颜色有较大差别的异性纤维有较好的识别效果，而对与棉花颜 色相近的异性纤维的识别效果不是很好。针对这种情况，本文基于纹理上的差异对与 棉花颜色相近的异性纤维进行分析，并取得了明显的效果。 异性纤维检测装置结构的可行性研究可以保证装置能够按照指定参数正常运行。 本文所设计的异性纤维检测装置有以下5 个部分组成：原棉输送系统、光学系统、图 像采集系统、图像识别定位系统、异型纤维自动剔除系统。对于装置的5 个组成系统 本文都进行了详细的分析与设计。 为了使整个检钡十装置正常运行，发挥其功效，本文通过在w i n d o w s 2 0 0 0 操作平 台上，采用v i s u a lb a s i c6 0 为主要开发工具，采用模块化的思想来进行设计、开发了 异性纤维检测装置的软件系统。 本文的最后，在综合以上研究的基础上，通过实验台验证了异性纤维检测识别算 法和装置结构的可行性。实验数据表明，装置基本达到了预期的识别效果。相信只要 对实验台加以改善，本装置完全可以达到提高棉纺清棉车间的效率，改善工人的劳动 环境，提高产品质量的目的。 关键字：异性纤维；数字图像处理；模式识别；闽值：模块化 一一一 垒! ! 塑! ! r e s e a r c ho nt h ed e t e c t i n gd e v i c e o ff o r e i g nf i b e r a b s t r a c t f o rr e c e n ty e a r s ，f o r e i g nf i b e ri nc o t t o nh a sb e e nt h e p r o d u c t i o na n dd e v e l o p m e n ti n t e x t i l ei n d u s t r y i ti sd i f f i c u l tt op i c ko u tt h ef o r e i g nf i b e r sc o m p l e t e l y t h el e a k e df o r e i g n f i b e r sw i l lb ep r o c e s s e db ys t r a i g h t e n i n gm a c h i n e s ，s ot h ef o r e i g nf i b e r sa r eb r o k e n l e n g t h w a y sa n dp a r t e di n t op i e c e sb r e a d t h w i s ea n ds ot h en u m b e rd o u b l e s ，s o m e t i m e se v e n 、i n dl i c k e r - i nw h i c hb r i n g sg r e a tn m n i n gd i f f i c u l t i e s m o r e o v e r , w h e nd y i n g c l o t hc a n n o t b ed y e ds u c c e s s f u l l yt op r o d u c ef l a w sb e c a u s eo fd i f f e r e n tq u a l i t i e so ff o r e i g nf i b e r s ， w h i c ha f f e c tt h eq u a l i t yo fs o f tg o o d ss e r i o u s l y a n d ，t h eg r e a tc o s to ff o r e i g nm a n u f a c t u r e s o fd e v i c ec a n n o tb ea c c e p t e db yo u rt e x t i l ee n t e r p r i s e s ，a n dt h ef o r e i g nd e v i c e sc a n n o t e q u i pw i t ht h o s ei nc h i n a t h et a s ki sp r o d u c e du n d e r t h i sb a c k g r o u n d i no r d e rt od e v e l o p o u rf o r e i g nf i b e rd e t e c t i n gd e v i c ew i t hc h i n e s ei n t e l l e c t u a lp r o p e r t yr i g h t s c o m p a r e dw i t h t h es a m ek i n do ff o r e i g np r o d u c t s ，f o r e i g nf i b e rd e t e c t i n gd e v i c er e s e a r c h e di nt h i st a s kc a n n o to n l yr e d u c et h ec o s ta n db ei n d e p e n d e n to nf o r e i g np r o d u c t sb u ti r e p r o v et h ea u t o m a t i c l e v e la n dq u a l i t yo f p r o d u c t sa n dt h e ns t r e n g t h e nc o m p e t i t i o no f t e x t i l ee n t e r p r i s e s n l ef o r e i g nf i b e rd e t e c t i n gd e v i c ei nt h et a s km a i n l ye m p h a s i z e so nf o r e i g nf i b e r d e t e c t i n ga r i t h m e t i ca n ds t r u c t u r ef e a s i b i l i t yo f t h ed e v i c e d i s c r i m i n a t i n ga r i t h m e t i co f f o r e i g nf i b e rd e t e c ti st h ek e yp a r ti nt h ed e v i c e a f t e rt h e i m a g es i g n a lo fc o l l e c t e dc o t t o nw o o li sa n a l y z e d , t h ef o r e i g nf i b e rc a nb er e c o g n i z e d e f f i c i e n t l y b a s e do nt h et w ot h e o r i e so fd i g i t a li m a g ep r o c e s s i n ga n dp a t t e mr e c o g n i t i o n ， t h i s p a p e ra d v a n c e s t h eb e s t r g bt h r e s h o l dr e c o g n i z i n g a r i t h m e t i c ，w h i c hc a n r e c o g n i z ef o r e i g nf i b e rw i t hg r e a td i f f e r e n c ei nc o l o rb u tn o tw i t h s i m i l a rc o l o nf o rt h i s p r o b l e m ，t h i sp a p e ra n a l y z e sf o r e i g nf i b e r s 、v i t hs i m i l a rc o l o ro fc o t t o nb a s e do nt h e d i 仃e r e n c eo f t e x t u r ea n dg e t sg r e a ts u c c e s s f e a s i b i l i t yr e s e a r c ho ff o r e i g nf i b e rd e t e c t i n gd e v i c es t r u c t u r ec a nm a k ed e v i c er u n p r o p e r l ya c c o r d i n g t oa p p o i n t e dp a r a m e t e r s f o r e i g nf i b e rd e t e c t i n gd e v i c ed e s i g n e di nt h i s p a p e ri sm a d eu po f5p a r t s ：c o t t o nf e e d i n gs y s t e m ，o p t i c a ls y s t e m ，i m a g ec o l l e c t i n gs y s t e m ， i m a g er e c o g n i z i n ga n do r i e n t i n gs y s t e ma n df o r e i g nf i b e ra u t o m a t i cr e m o v i n gs y s t e m t h j s 5p a r t sa r ea n a l y z e da n dd e s i g n e di nd e t a i l i no r d e rt om a k et h ew h o l ed e t e c t i n gd e v i c er u np r o p e r l ya n dp u ti ti n t ou s e ，t h i s p a p e rd e s i g n sa n dd e v e l o p st h es o f ts y s t e mo ff o r e i g nf i b e rd e t e c t i n gd e v i c eb yt h e d e v e l o p i n gt o o lv i s u a lb a s i c6 0a n db l o c k i n gi d e ai nt h ew i n d o w s2 0 0 0 a tl a s t , b a s e do na l lt h er e s e a r c h e s ，f o r e i g nf i b e rd e t e c t i n gr e c o g n i z i n ga r i t h m e t i ca n d f e a s i b i l i t yo ft 1 1 ed e v i c es t r u c t u r e a r ev a l i d a t e da c c o r d i n gt ot h es a m p l em a c h i n e e x p e r i m e n td a t as h o wt h a tt h ed e v i c ec o m e st o t h ed u ep u r p o s ef o rr e c o g n i z i n g w e b e l i e v et h a tt h ed e v i c ec a l li m p r o v et h ee f f i c i e n c yi nt e x t i l ep l a n t ，b e t t e rt h el a b o r e n v i r o n m e n to fw o o e r sa n di m p r o v et h eq u a l i t yo nc o n d i t i o nt h a tt h es a m em a c h i n e s 2 a b s t r a c t p e r f e c t e d k e y w o r d s ：f o r e i g nf i b e r ；d i g i t a li m a g ep r o c e s s i n g ；p a ：t t e r nk e e o g u i t i o n ；t h x e s h o i d ； b l o c k i n g 3 第一章绪论 1 1 引言 1 绪论 近年来，国产棉花中的异性纤维含量逐年增多，几乎遍及全国各棉产地，并波及 全国棉纺织企业。各生产厂不得不投入大量人力、物力、财力组织分拣，但由于人工 分拣难度大，从原棉中拣净异性纤维相当困难，遗留的异性纤维经过纺织机械打击分 梳( 分梳：把棉花分割梳理为碎片) 后，异性纤维纵向断裂、横向分开，数量成倍增加， 严重时会缠绕刺辊( 刺辊：纺织机械上圆柱形、能旋转的部件) ，影响机械正常运转。 而且，白坯布面由于含有异性纤维容易形成大量疵点，印染时布面因异性纤维性质的 不同而染不上色，导致布面“染花”。可见对于棉织物来说，每多一点异性纤维，品 质就会大打折扣，价值也会受到严重的影响，国际贸易中我国的棉织物由于异性纤维 的存在，影响产品质量而招致外商索赔，经济损失较大。所以，在原棉中含有异性纤 维，不仅直接影响棉纺织企业的利益，还关系到我国棉织物所占的国际市场份额f 】 引。 修订的g b l l 0 3 1 9 9 9 棉花细绒棉中，在质量方面增加了“棉花中严禁混入 危害性杂物”的有关规定。棉花中的异性纤维属危害性杂物，有其自身的特殊性，其 主要特征为：1 、非棉( 纤维) 性一异性，其属性不同于棉纤维，如丙纶丝、塑料膜；2 、 纤维性，经打击梳理后成纤维状或纤维疵点：3 、不易排除性，重量轻且柔软，在籽 棉加工和纺纱加工工艺中很难清除：4 、危害性，异性纤维附着在棉纤维上，导致成 纱布面出现异纤疵点，影响棉织物外观质量及其使用性能；5 、杂质性，以纤维状杂 质为主；6 、多样性，如性能、色泽、形状、大小不相等。综合以上分析，对棉花中 的异性纤维试定义为：“棉花在采摘、摊晒、存放、收购、加工过程中混入有危害性 的非棉维性杂物，一般在纺织加工工艺中不易排除” 3 4 1 o 1 2 论文的目的及意义 异性纤维对棉织物的影响得到了纺织设备制造厂商的充分认识，德国、瑞士、意 大利等国已生产出用不同方法实现异性纤维检测剔除的装置，然而国外产品昂贵的价 格( 每台定位在人民币2 0 0 万元左右) 是我国棉纺织企业无法接受的，另一方面国外 的设备与我国棉纺织企业现有的设各难以配套使用。因此，本课题将机器视觉技术应 用于传统工业，从而有效地克服手工进行异性纤维分拣时效率低、产品合格率难以控 制等一系列缺点，旨在开发出拥有我国自主知识产权的异性纤维检测装置。与国外同 类产品相比，本文所研究的装置不仅在技术上有所创新，而且，更符合我国各棉纺织 第一章绪论 企业的实际情况、更贴近市场。由于拥有我国自主知识产权的系统，可以使价格大幅 度降低( 价格定位在每台人民币4 0 万元左右) ，可以摆脱对同类国外产品的依赖，为 中国纺织工业的发展做出贡献。 本课题受陕西省教委专项基金资助。 1 3 异性纤维检测装置的国内外研究现状 国内外一些公司和研究单位对棉花异性纤维检测与剔除系统作了许多深入的研 究。从基本原理上来看，可分为两大类：1 、采用光学检测，即采用高速c c d 摄像机， 对原棉进行扫描，扫描信号送入计算机系统进行处理，发现异性纤维时计算机向控制 系统发出指令，驱动执行机构将异性纤维剔除。2 、采用传感器来检测，当光源照射 在原棉上，因不同性质的材料所反射的亮度不同，传感器就会判断哪些是异性纤维而 发出指令停车排除，这种形式因其局限性，多用在棉条或纱线的通道上检测。由于第 二类原理不适合在连续的生产线上工作，因此普遍采用的是第一类光学检测。在本课 题调研过程中，获悉国内有数家单位也正在迸行这方面的研究工作。但通过联机检索 和手工检索信息表明，这些研究目前尚未达到产品化的水平芦j 【6 j 【7 j 。 以下基于这两大类原理简要介绍国外的发展情础“。 1 3 1 瑞士j o s s i 公司的异| 生纤维捡出机 瑞士j o s s i 公司，是最早开发研制异性纤维捡出机的厂家，目前己占有国际市场 6 0 7 0 的份额。据介绍已有大约近5 0 0 台该装置在世界各个国家的纺织厂使用，取 得较好的效果。目前我国也进口了该公司生产的异性纤维捡出机。下面简单介绍瑞士 j o s s l 公司的异性纤维捡出机的主要特点。 该机采用垂直过棉形式( 图卜1 ) ，当原棉流从上面的进棉管道进入该设备中部的 扁平透明通道时，已成均匀分布状，透明管道两侧的高速c c d 彩色摄像机同时对棉 流进行全方位的扫描，将各种数据传输到计算机中分析处理。该设备采用了 f u z z y l o g i c 软件，可以识别出与棉花有微小差别的异性纤维，发出指令到高压喷 嘴将其排出。该设备可以和各种清联流程直接联接，如利达、特吕茨勒、马佐里、克 鲁斯罗尔等厂家的设备相联。该公司建议异性纤维捡出设备应安装在开清棉的流程中 最后个机台之后为最佳，因为此时棉纤维己被彻底开松梳理，对检测异性纤维极为 有利，捡出率可进一步提高。 第一章绪论 图1 1 瑞士j o s s i 公司的异性纤维捡出机 1 3 2 德国特吕茨勒公司的s c f o 异纤检测及分离装置 口 该机( 图1 2 ) 已作为特吕茨勒公司推荐的清梳联流程中的定型产品供给客户， 安装在开清棉生产线的最后位置。在这一位置，棉纤维已经得到充分的开松，异性纤 维基本暴露在棉花的表面，因此特别利于检测和清除。该机的工作原理是：前部经过 充分开松的棉纤维，经喂撩风机吹入棉箱内，细小的微尘通过网目曼板排出，进入搞箱 内的棉纤维在给棉罗拉握持下，进入打手室内被刺辊打手进行最后的开松梳理。此时 两架高速电子数码摄像机对梳理后的槁流进行扫描，整个机幅宽1 6 0 0 毫米，每秒钟 扫描1 0 2 4 线，每行扫描2 0 4 8 个像素，可分辨0 8 毫米内的异性纤维，扫描后的图 像被送到计算机进行分析，根据异性纤维的颜色、几何形状、透明度及反射度来和标 准棉花资料对比，确定异性纤维的大小及位置，发出指令给与打手平行排列的3 2 只 高速空气喷嘴，触发异性纤维所在对应位置的喷嘴，将异性纤维吹出。该机实际是把 异性纤维检测和除微尘机结合在一体，功能更为齐全。由于是在最后一道机台。所以 异性纤维捡出率很高，高速空气喷嘴动作速度极快，仅为千分之一秒，包括异性纤维 在内的棉花只有1 2 克。 第一章绪论 摄像帆 出棉口 聪 一 魏 一 - t l 一 。 ， | o 。1 。 ， _p r - ， 卜 色数码摄像机 图1 2 德国特吕茨勒公司的s c f o 异纤检测及分离装置 1 3 3 香港至德( p o i n th o p e ) 公司的棉花异歼分捡机 该公司生产传感器形式的异性纤维捡出装置，可用于梳棉机、并条机、络筒机使 用。该装置将棉条穿过一个垂直的透明导管，光源照亮导管密封的内部，当棉条通过 时，就会反射亮度，光源接收传感器则会随时检测反射光的亮度，异性纤维反射的亮 度与棉纤维不同，这时就会停车，同时发出报警信号，方便操作工人排除。这种装置 灵敏度可分2 5 个等级，使用者可根据具体情况来调整，防止不必要的停车，又不放 过杂物。 1 4 论文的主要工作 本课题研究目的是要研制代替手工劳动的棉花异性纤维检测装置，本文在设计了 异性纤维检测装置整体结构的基础上，着重研究异性纤维检测装置的识别算法。围绕 这一目标，本课题的主要工作如下： ( 1 ) 分析了统计模式识别系统的基本理论和r g b 色度空间模型，在此基础上提出 了“三基色r g b 最佳闽值识别算法”。 ( 2 ) 由于异性纤维种类的多样性，而且一些异性纤维的颜色与棉花颜色较为接近， 所以，单纯从像素点颜色差异上难以区分。针对这种情况，本文研究了基于纹理特征 进行识别的算法。 ( 3 ) 对异性纤维检测装置的整体结构进行了设计，提出了传送带与风压装置耜结 4 第一章绪论 合的输送原棉结构方案，同时对检测装置的硬件的原理及选用进行了详尽的分析与设 计。 ( 4 ) 设计并开发了异性纤维检测装置的软件系统，实现了装置各功能模块的集成 化。 ( 5 ) 在以上的分析基础上，通过异性纤维检测装置的实验台，验证了识别算法对 异性纤维的识别效果和装置结构的可行性，并对实验结果进行了分析，说明了误差产 生的原因和相应的解决办法，为建造实用性的样机提供依据。 1 5 本章小结 本章在介绍了异性纤维的概念、特点及其对我国纺织工业影响的基础上，指出了 异性纤维检测装置研究的重要性和必要性，进而分析了目前异性纤维检测剔除系统的 国内外发展状况，最后阐述了本文主要研究的内容和方法。 第二章异性纤维检测装置的识别理论基础 2 异性纤维检测装置的识别理论基础 在异性纤维检测装置的研究中，关键问题是：如何对c c d 摄像机采集的原棉图 像中的异性纤维进行有效的识别。图像识别从逻辑上可分为两个阶段：i 虱像处理和图 像的模式识别。在成像过程中，因受各种条件的限制和许多随机因素的干扰，由成像 装置获得的数字图像必须要经过数字图像处理来改善图像的质量。图像处理主要完成 对原始图像的噪声滤波、灰度校正、图像变换、图像增强等处理。图像的模式识别是 从大量图像数据中，提取有利于图像识别和理解的主要特征量，用有限的特征量来描 述原始图像中的目标1 9 o 】i l l j 。 2 1 数字图像处理的基本理论 所谓数字图像处理就是利用计算机对给定的图像进行某些变化。从而得到清晰的 图像的过程。它最早出现在2 0 世纪5 0 年代，人们开始利用计算机来处理图形和图像 信息，它以人为对象，以改善人的视觉效果为目的，使人的视觉效果更好。从7 0 年 代中期开始，随着计算机技术、人工智能等科学研究的迅速发展，数字图像处理向更 高、更深层次发展。人们开始研究如何用计算机系统解释图像，实现类似人类视觉系 统来理解外部世界，这被称为图像理解或计算机视觉，其中代表性的成果是7 0 年代 末m r r 的m a n 提出的计算机视觉理论，这个理论成为机器视觉领域其后十多年的主 导思想【1 2 j 【i 3 j f l 4 1 。 2 。1 1 图像的变换 在数字图像处理技术中，图像的变换有着广泛的应用，是图像处理的重要工具。 通过图像变换，改变图像的表示域及表示数据，可以给后续工作带来极大的方便。如： 傅立叶变换后的平均值正比于图像灰度的平均值，高频分量表示图像中目标的边缘信 息，利用这些性质可以从图像中抽取特征。又如：在变换域中，图像能量往往集中在 少数项上，或者说能量主要集中在低频分量上，这时对低频成分分配较多的比特数， 对高频成分分配较少的比特数，即可实现图像数据的压缩编码。再者，舍弃变换数据 阵中的某些幅度小的系数，可缩减计算维数，提高计算的速度。 2 1 。2 图像的增强 图像增强的目的有两个：1 、改善图像的视觉效果，提高图像成分的清晰度；2 、 使图像变得更有利于计算机处理。从图像增强处理的作用域出发，可分为空间域和频 6 第二章异性纤维检测装置的识别理论基础 率域两大类。空间域处理是直接面对图像灰度级作运算。频率域处理是在图像的某种 变换域内，对图像的变换系数值进行运算，即作某种修正，然后通过逆变换获得增强 的图像，这是一种间接的方法。通常采用直方图修正技术进行图像增强，图2 1 表示 直方图均匀化前后的图像效果及其直方图【1 6 】。 2 1 3 图像的平滑去噪 图2 1 直方图均匀化 任何一幅未经处理的图像，都存在一定程度的噪声干扰。噪声恶化了图像的质量， 使图像模糊，甚至淹没特征，给分析带来困难。消除图像噪声的工作称为图像平滑或 滤波【1 7 j 【”j 。平滑滤波的目的有两个：l 、抽出对象的特征作为图像识别的特征模式； 2 、为适应计算机的要求，消除图像数字化时所混入的噪声。线性滤波器以其完善的 理论基础，数学处理方便，易于采用f f t 和硬件实现等优点，一直在图像滤波领域 占有重要地位，其中以w i e n e r 滤波器理论和卡尔曼滤波理论为代表。但是线性滤 波器存在着计算复杂度高，不便于实时处理等缺点。虽然它对高斯嗓声有良好的平滑 作用，但对脉冲信号干扰和其它形式的噪声干扰抑制效果差，信号边缘模糊。非线性 滤波器一中值滤波器，即把局部区域中灰度的中值作为输出灰度，并将其与统计学理 论结合起来，使用迭代方法。比较理想地将图像从噪声中恢复出来，并且能保护图像 的轮廓边界，不使其变模糊。 2 1 4 边缘锐化 图像在传输和转换的过程中，一般来讲，除了噪声的因素外，图像一般都要变得 模糊。这主要因为图像的传输和转换系统的传递函数对高频成分的衰减作用，造成图 第二章异性纤维检测装置的识别理论基础 像的细节或轮廓不清晰。图像锐化处理的目的是使边缘和轮廓线模糊的图像变得清 晰，加强图像中的目标边界和图像的细节。图像模糊的实质就是受到平均或积分运算， 因此对其进行逆运算，如微分运算可以使图像清晰。从频谱角度来分析，图像模糊的 实质是其高频分量被衰减，因此可以用高频加重滤波来使图像清晰a 但是要注意进行 图像锐化处理的图像必须有较高的信噪比，否则图像锐化处理后，图像的信噪比降低a 因为锐化处理将使噪声受到比信号还强的增强，所以一般先去除或减轻干扰噪声后才 进行锐化处理 1 7 l ”l 。 2 1 5 图像的数据编码和传输 数字图像的数据量是相当庞大的，一幅5 1 2 x 5 1 2 个像素的数字图像的数据量为 2 5 5 k 字节，若假设每秒传输2 5 帧图像，则传输的信道速率为5 2 。4 m 比特秒。高信 道速率意味着高投资，也意味着普及难度的增加。因此，传输过程中，对图像数据进 行压缩显得非常重要。数据的压缩主要通过图像数据的编码和变换压缩完成。1 、图 像数据编码一般采用预测编码，即将图像数据的空间变化规律和序列变化规律用一个 预测公式表示，如果知道了某一像素的前面各相邻像素值之后，可以用公式预测该像 素值。采用预测编码，一般只需传输图像数据的起始值和预测误差，因此可将8 比特 像素压缩到2 比特像素。2 、变换压缩方法是将整幅图像分成若干个数据块( 一幅 取8 8 或1 6 x 1 6 ) ，再将这些数据块分类、变换、量化，从而构成自适应的变换压缩 系统。该方法可将一幅图像的数据压缩到几十个比特传输，在接收端再进行逆变换即 可 1 9 1 2 0 1 。 2 2 图像的模式识别 所谓的模式识别是要把一种研究对象，根据其某些特征进行识别并分类。具体地 说就是从不相关的细节背景中，抽取数据的有意义的特征或属性，根据这些特征或属 性相同的数据归属为同一类【2 1 】阱1 。模式识别的两种基本方法为：统计识别方法和句 法分析法【2 3 】【2 4 】： l 、统计识别方法也称决策理论方法。它由特征向量表示的模式中抽取特征， 并通过划分特征空间来进行各个模式的识别，其方法是以决策函数为基础，采用定量 描述。 2 、句法分析方法又称结构识别、文法识别或语言模式识别方法。它是基于语 言文法知识，特别是形式语言理论中的概念发展起来的，其中每一个模式是由子模式 或模式元素的分量构成。它指出该模式的结构与语言的句法之间的相似之处，并按一 组给定的语法规则剖析模式结构来实现各个模式识别的。 第二章异性纤维检测装置的识别理论基础 由于棉花与异性纤维的特征分布不具备明显的结构特征，因此，采用定量的描述 方法来描述其特征，定量描述通常使用一组数据来描述模式。为了便于数学处理，把 这些数据特征组成向量，成为特征向量。例如：图像中棉花的颜色，用r g b 三个分量的 数据来表示，相应的特征向量为：x = ( 尺，g ，丑) 7 ，其中t 为转置。针对这种特征描述 方法，我们采用统计模式识别理论来解决棉花与异性纤维的识别问题i 笛1 1 2 6 1 。统计模 式识别的理论模型如图2 2 所示： 处理后的 图像输入 图2 ，2 统计模式识别的理论模型 2 2 1 统计模式识别中的图像分割 目标输出 把图像分割成具有某种意义的部分图像的方法称为图像分g _ l t 2 7 】【2 8 】，按照通用的 分割定义，分割出的区域需要同时满足均匀性和连通性的条件。其中均匀性就是指该 区域中的所有像素点都满足基本灰度、纹理、颜色等特征的某种相似性准则，而连通 性是指在该区域内任意两点存在相互连通的路径。 图像f ( x ，力中所有像素的集合为f ，尸( ) 是某个均匀性假设，分割就是把f 划 分成若干个子集( s ，s ：，s 。) ，其中各个子集构成一个空间连通区域，且满足以下 条件： u s 。= f s , n s ，= 中，f - ， f 1 p ( ) 满足p ( s ) = t r u e ，g i ( 2 1 ) p ( s ，f q s ，) ：f a l s e ，若s ，与s ，在空间相邻 ( 1 ) 灰度直方图的阂值分割方法1 2 9 】 在实际情形当中，阈值的确定通常是依赖于直方图来进行的。灰度直方图是数字 图像处理中一个简单而有用的工具。图2 3 为一幅灰色背景下的棉花图像及其灰度直 方图。 第二章异性纤维检测装置的识别理论基础 图2 3 灰色背景下的棉花图像及其灰度直方图 图2 3 中右图的横坐标是灰度级，纵坐标是该灰度出现的频率( 像素的个数) 。图 2 3 左图中由棉花和背景两个区域组成，则它的直方图中会出现明显的两个峰，其中 一个峰对应于表示棉花的灰度值，另一个蜂对应于表示背景的灰度值。在两个峰之间 选个值t 作为阈值，将灰度低于t 的所有像素的集合作为背景的区域，高于t 的 作为棉花区域，这样就用灰度阈值分割的方法把棉花和背景分割开来了。以上情形是 最简单的二类问题的灰度阈值分割。实际情形当中，图像中除了棉花和背景外，还有 异性纤维，此时，可假设图像f ( x ， 的灰度值在某一个范围之内，而设定t 1 和他 两个闽值，把灰度值在t l 和亿之间的像素点作为棉花，用式( 2 2 ) 表示，g ( x ，y ) 为分割后的图像。 出朋= 譬茹八班n ( 2 - 2 ) 还有一种常用的半阈值法输出方式，其处理的方法将灰度值低于某一阈值( 或在 两个上下阈值的范围内) 的像素灰度变为0 ，其余像素灰度不变。 ( 2 ) 最佳阈值的计算方法 阈值的选取决定了分割效果的好坏，最佳阈值的含义就是对图像分割效果最好的 阈值1 6 j 【3 0 i 。一般而言，图像分割效果的好坏以像素点的错误分割概率来衡量。以两 类问题的灰度阆值分割为例，分析时假设一幅图像中物体像素的灰度级具有正态分布 的概率密度p ( o ，均值为朋，方差为群；而背景像素的灰度级也具有正态分布的概 率密度q ( f ) 。均值为：，方差为d ；。物体占总面积的百分比为尸，背景占总厦积的 百分比为9 ，p 和q 也分别为物体和背景的先验概率，且满足e + q = 1 。所以这幅图 像总的灰度级概率为： 尸p u ) + 璺曰( ，) ( 2 3 ) 假设t 为阈值，并且把灰度小于f 的全部像素点称为目标物体点，而把灰度大于 或等于，的所有像素点称为背景点。 1 0 第二章异性纤维检测装置的识别理论基础 则背景点误分割为物体点的概率为： 巨( f ) = iq ( 1 ) d l ( 2 4 ) 而物体点误分割为背景点的概率为： e 2 ( f ) = p ( o d l = 1 一fp ( o d t ( 2 5 ) 总的错误分割概率为： e ( r ) = 阳2 ( r ) + 妈( f ) = 雕一i 。p ( o d o + q 。q ( 1 ) d l ( 2 6 ) 当使式( 2 6 ) 所表达的分割误差取极小值时的阚值t ，即为最佳阙值 最佳阈值的示意图如图2 4 所示，图中的y 为闽值，斜线部分的面积表示漏判( 在 棉花异性纤维的识别问题中即为将异性纤维判为棉花) 的概率，点状部分的面积表示 错判( 将棉花判为异性纤维) 的概率。以上分析表明：当y 恰好等于棉花异性纤维两条 灰度分布曲线交界点的横坐标时，漏判和错判的概率之和最小，即图2 4 所示的斜线 部分面积与点状部分面积之和最小。 y 7 。灰度 图2 4 最佳闽值的示意图 ( 3 ) 图像分割中的其他阈值方法【3 i 在许多情况下，对于复杂图像，用单一阈值不能给出良好的分割结果。例如，由 于照射光的不均匀，有可能把图像中某一部分物体和背景分在一起，或者可能把一些 背景也当作物体分割下来。解决这一问题的几种可行方法是：若已知图像上的位置函 数描述不均匀照射，就可设法利用灰度校正技术进行校正，然后采用单一阈值来分割； 另一种方法是把图像分成若干小块，即子图像，并对每个块设置局部阈值，这种方法 称为自适应阈值方法。 2 2 。2 统计模式识别中的特征选取 在模式识别系统中，特征选择与提取是在图像分割之后的一个重要环节。特征选 择与提取的目的是根据所采集的棉花图像信号中所具有的原始信息( 从本文后面各章 第二章异性纤维检测装置的识别理论基础 中可见，这些原始信息表现为图像中各像素点的色度值，即数字化了的r g b 三个色度 分量的值) 中，选择或通过某种变换获取若干个联合起来后能对棉花和异性纤维进行 有效识别的特征参量。 一般而言，良好的特征应具有4 个特点【”】【”】【”】【35 】： l 、可区别性对于属于不同类别的对象来说，它们的特征值应具有明显的差异。 举例来说，棉花异性纤维识别问题中，颜色在很多时候是一个好的特征。 2 、可靠性对同类的对象，特征值应比较相近。例如，对成熟程度不同的苹果来 说颜色是一个不好的特征。换句话说，尽管它们都属于苹果类，但是青苹果与熟苹果 颜色差别很大。 3 、独立性所用的备特征之间应彼此不相关。例如：水果的直径和重量属于高度 相关的特征，因为重量大致与直径的三次方成正比，这两个特征基本上反映的是相同 的属性，即水果的大小。 4 、数量少模式识别系统的复杂度随系统的维数( 特征的个数) 迅速增长。特剐是 在实时性要求高的场合，特征数量过多显然不利。特征抽取的目的是获取一组“少而 精”的分类特征，即获取特征数目少旦分类错误概率小的特征向量。 ( 1 ) 基于距离可分性判据【2 5 基于距离的可分性判据是采用各类模式之间的距离的平均值作为可分性判据。设 个模式分量分属c 类，记为q = 工”= 1 , 2 ，j ) ，i = 1 , 2 ，c ，各类模式之间总的 样本平均值距离为： 丽2 j 1 缶c 只丢c 。瓦瓷善粪d ( 霹川n ) ( z ，) 中d ( z ，) 是。和，f 门问的距离 当取欧式距离时，总的均方距离为； d ( x ) 2 = 毒# o 万 ( 孙( 0x f d ) 7 ( x 卜x ( 2 8 ) i - ij = lv i v ，k = lf 1 或者用下面定义的离差矩阵也可以写出d ( x ) 的表达式 令s 。为类的类内离差距阵，则总的类内离差矩阵定义为： s 。= 只& ，= 只寺( 石f f ) - - m o ) ( 卫卜肌m ) ( 2 9 ) 总的类间离差矩阵定义为： s 8 = 只( m 。- m ) ( m 一用) ( 2 t o ) 总离差矩阵为： 塑二章异性纤维检测装置的识别理论基础 s r2 专善( 而一m ) “一砷 ( 2 i f ) 上述三式中，z 为o j i 类的样本频率，埘。为劬类的样本均值矢量，m 为总的样本均 值矢量。 在原特征空间中用s w ，s 。，s ，的迹或行列式构造下面的可分性判据。 j l = 7 s s b ( 2 1 2 ) ( 2 ) 基于f i s h e r 方法的特征降维1 3 6 1 3 7 1 将多维样本特征空间降维为一维特征空间，从几何意义上相当于把各样本点向多 维空间中的某一直线进行投影，该直线要满足的条件是使降维后不同类别之间具有最 好的可分性。这样一种变换可通过f i s h e r 方法来实现。 x 2 图2 5f i s h e r 方法降维原理 对于图2 5 两个类别m 和驰，假设各类的特征是二维分布的，将其在“方向上 投影时，可以明显的看到，类问分离的最好。一般情况下，特征向量z 的线性组合y 用式( 2 ，1 3 ) 表示： y = i t ( 2 1 3 ) 当删= 1 时，则y 就是向“方向直线上的投影。 设两类和屿的先验概率分别为p ( c o i ) 和p ( c o ：) ，损失函数取为 l = 五2 = o ， 2 = a 2 i = l 。x c n 维模式工= ( ，x 2 c , x 。) 作变换，“= “( x ) ，使得在此 变换后两类的数学期望e u ( x ) i 国。】= 瓦( f = 1 , 2 ) 之差尽量的大，而各类的方差 仃? = 研( “( x ) 一玩) 2l q 】尽量的小，这样可使变换后的两类分得更开。为此作f i s h e r 准则函数，来测量，即 l ，：咝竺巫；二丝蔓堕善 ( 2 1 4 )一= ：= 一l 1 ， p ( q ) 盯? + p ( c 0 2 ) 求最佳变换函数”= “( x ) 使，取最大值。 第二章异性纤维检测装置的识别理论基础 2 2 3 统计模式识别中的分类理论 经过特征选取，确定了m 种特征来构成特征向量，则特征向量的所有取值范围构 成了一个m 维的特征空间。假设对某个待分类对象( 例如棉花异性纤维图像中的像素 点) 进行检测，得到了一个检测值x = 【一，x 2 c r ，】，j 为r n 维特征空间中的一个点。 分类问题就是要依据一定的分类决策理论和规则，以决定应该把点彳分到各类中的 哪一类中去【2 5 3 2 】。 贝叶斯决策理论是处理模式分类问题的基本理论之一。当要处理的分类问题满足 下列两个条件时，采用贝叶斯决策理论进行分类可得到最优分类结果。 1 、要决策分类的类别数是一定的。 2 、各类别总体的概率分布是已知的。 条件( 1 ) 为假设要研究的分类问题有c 个类别，其中c 的值是预先知道的，可以 假设棉花异性纤维模式识别问题是满足这一条件的。各类别状态用q ，( f - 1 , 2 ，c ) ： 条件( 2 ) 则要求各个类别q 出现的先验概率p ( c o , ) 和类条件概率密度函数尸( x j q ) 是 已知的，条件( 2 ) 等价为待识别客体的特征向量值z 所对应的状态后验概率e ( c o , l 工) 是 已知的。 贝叶斯决策理论中常用的几种常用决策规则有：最小错误概率决策规则、最小风 险决策规则、奈曼皮尔逊决策规则、最小最大决策规则、序贯决策规则等。 2 2 4 分类器设计 分类器是一系列分类方法和步骤的集合。可看成是由硬件或软件组成的“机器”。 分类器设计的过程就是采用一定的决策方法，对观测到的模式进行分类的过程 3 2 13 8 。 最小距离分类器是一种简单的模式分类器，它基于对模式的采样来估计各类模式 的统计参数并完全由各类的均值和方差确定。当两类均值间的距离比类中对应的均值 的分布要大时，最小距离分类器能很好的工作。 设每个模式类用一个均值矢量表示： 坍，= 寺z - ，= 1 如，m ( 2 1 5 ) jx e $ j 其中，表示类j ，中的模式个数。对于一个未知模式矢量进行分类的方法是将这个 模式赋给与它最接近的类。如果利用欧氏距离来确定接近程度，则将问题转化为对距 离的测量： q ( z ) = 忙一历川 j = l ，2 , - - - , m ( 2 1 6 ) 1 4 第二章异性纤维检测装置的识别理论基础 其中，= 7 d ) 托是欧氏模。因为最小距离代表最好的匹配， 最小距离，则将x 赋给类s ，。用式( 2 。1 7 ) 表示： d j ( x ) = x r 聊j i 1m t 聊j ，= 1 ，2 ，m 并且在d ，( x ) 给出最大值时将x 赋给类s ，。 按此情形，最小距离分类器的结 句可用图2 6 所示： 分类结果 所以如果d i ( 工) 是 ( 2 1 7 ) lx ( n ) x ( 1 ) 图2 6 最小距离分类器的结构 最小距离分类器构造简便，对实时性的实现十分有利。如果各模式类的协方差矩 阵不相等时，个近似的方法是：用修正的距离代替欧氏距离后再应用最小距离分类 器。在棉花异性纤维的识别中，由于要求异性纤维的漏判率极低，通常采用在同一个 特征层次上，对各特征单独处理，在依据每个特征都判为棉花时才在该层次上将该样 本判为棉花，这样处理的结果与理论上的最优分类器之间存在微小的