基于高低阈值迭代优化的原棉图像杂质检测

齐英兰

摘 要：在原棉杂质图像的Canny边缘检测中，高低閾值直接影响到杂质检测结果的准确性，而目前高低阈值主要靠人工经验来设定，针对这一问题，提出一种改进的原棉杂质图像识别方法。方法在传统Canny方法的基础上，通过新加入45°、135°方向模板求取梯度幅值，在采用线性插值法进行非极大值抑制的同时，进行高低阈值的迭代优化，进而实现阈值的自动优化以及伪边缘的抑制。仿真实验表明，本文方法在有效抑制噪声的同时，能够自适应地优化高低阈值，一定程度上的减少了伪边缘的出现，检测到的原棉杂质边缘完整，尤其对于破籽的识别，其相符率达到93.2%，能够有效应用于原棉中杂质的识别与检测。

关键词：原棉;图像分析;边缘检测;迭代优化

中图分类号：TS111.8;TP37

文献标志码：A

文章编号：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

中国拥有悠久的种植棉历史，是世界上重要的产棉国、用棉国，同时也是棉花进口大国。特别是近年来，在中国主要植棉区新疆，机采棉技术广泛应用，籽棉在快速收割的同时，大量杂质也一并混合其中，即使经过清理和轧花，仍然维持了较高的着生性纤维杂质。原棉作为纺织工业的主要原料，需要对其含杂状况进行检测，以维护好农、工、商各方利益。根据国家GB/T 6499—2012《原棉含杂率试验方法》标准[1]，含杂率采用杂质分析机与人工挑拣、称重的方式进行检验，该检验方式劳动强度大，耗时长，难以保证检验效率与效果，这也与国家仪器化快速检验的目标不相适应。

随着计算机视觉检测技术的快速发展[2-4]，原棉含杂相关自动化检测也取得了许多研究成果。在众多成果中，Canny边缘算子采用最优化的检测思想，能够实现原棉杂质的自动化检测与识别，具有较高的信噪比和检测精度，应用较为广泛[5-6]。但也存在不足，主要体现在：首先，对图像进行高斯滤波的方程方差以及阈值需要人工自主设定，自适应性不足;其次，Canny算子对噪声较为敏感，对于半嵌在棉层中的破籽，出现边缘检测不完整、伪边缘增多的情况。此外，国外研究人员有将小波变换与Canny算子相结合，无疑增加了计算的复杂度[7-8];国内相关研究主要在梯度模板方向、模板算子大小以及梯度幅值计算等方面进行改进在对传统Canny方法进行改进时，通常从梯度模板方向，梯度幅值计算以及模板算子大小等方面进行改进[9-10]，但是对于噪声干扰较大的杂质，仍然存在继续优化与改进的空间。

针对上述存在的问题，结合原棉杂质的特点，本文设计了一种基于改进Canny的杂质识别方法，通过新加入45°、135°方向模板求取梯度幅值，在此梯度幅值的基础上，采用线性插值法进行非极大值抑制，进行高低阈值的迭代优化，实现阈值的自动优化以及伪边缘的抑制，并通过仿真实验进一步验证本文方法的有效性，为进一步优化改进原棉杂质自动化检测技术提供理论依据与参考。

1 高低阈值迭代优化的原棉杂质检测

在原棉图像杂质检测中主要有2个性能的影响因素：第一，减少噪声的影响;第二，选取准确的阈值。据此，本文在选取二维高斯滤波的基础上，改进原棉图像梯度与方向的计算方法，并采用迭代算法确定优化的高低阈值，进而提高算法的检测性能。

1.1 图像平滑

2 仿真實验与结果讨论

2.1 实验平台

实验材料选自于新疆地区棉花加工厂生产的原棉，原棉颜色级以白棉3级为主，在此基础上，通过棉样图像采集系统、工控机硬件平台、仿真实验程序进行图像的采集、分析与处理。

图像采集系统采用MV-500UC系列高分辨率工业数字摄像机，最高分辨率达2 592 pixel×1 944 pixel，像素尺寸2.2 μm×2.2 μm，像元长度5.12 mm、宽度3.84 mm，信噪比大于42 dB。

工控机采用研祥IPC-610系列，性能稳定性优越。仿真程序采用VC++结合OpenCV视觉库的方式实现，完成图像拍摄与边缘检测算子的性能仿真。

在上述实验平台的基础上，为进一步评价本文方法的性能，从杂质识别效果、检测耗时、杂质识别方法间对比分析3个方面进行实验仿真与结果讨论。

2.2 结果与讨论

2.2.1 本文方法杂质识别效果分析

实验通过图像采集系统采集了棉样图像，其分辨率为1 642 pixel×1 800 pixel，如图1（a）所示。在此基础上，仿真程序针对采集的原棉图像进行检测，为了便于观察识别出来的原棉杂质的边缘细节，对结果图像进行了反色处理，其结果如图1（b）所示。

通过图1（b）的杂质识别结果可以看出，本文方法有效消除了图像的背景噪声，杂质与背景的分离效果明显，杂散点少且杂质边缘刻画的清楚、流畅，同时，避免了部分嵌入棉层中杂质中的虚假像素点，能够有效识别出原棉中实际存在的杂质，取得了一定的识别效果。

2.2.2 方法耗时对比

针对实验采集的材料中选取的样品，实验分别采集了6种不同分辨率的原棉图像，采用LoG方法、传统Canny方法以及本文方法分别进行检测实验，进行检测耗时的对比分析。图2的对比结果显示，当棉样图像分辨率低于600 pixel×800 pixel的情况，各方法耗时相当，维持在0.29 s 附近;当分辨率高于1 640 pixel×1 800 pixel时，LoG方法、传统Canny方法耗时较本文方法耗时增幅显著，最大增幅达1.9 s ，而本文方法在改进传统Canny方法的基础上，较传统Canny方法耗时平均将低0.3 s，这在大运算量的图像分析系统中，具有积极意义。

2.2.3 杂质识别性能对比

在方法的杂质识别性能对比上，从两方面进行分析，首先，同一原棉样本不同方法间识别效果对比;其次，针对常见的原棉杂质，不同方法杂质识别相符率对比。

首先，不同方法间识别效果对比。针对同一原棉杂质图像，采用LoG方法、传统Canny方法以及本文方法对杂质识别结果进行对比分析，截取局部识别结果如图3所示。对半内嵌在棉层中的杂质如图3（a）所示，本文方法能够识别出其杂质轮廓，减少了边缘细节信息丢失的可能性，避免了一定程度的边缘点漏检，取得了较好的杂质识别效果，如图3（c）所示。

其次，不同方法杂质识别相符率对比。针对常见的杂质，采用检测相符率作为检测效果的评价准则。其中，在整个样品数据集中，对于任一类杂质，其检测相符率的计算按式（9）进行：

式中：P是检测相符率;Nm是按照GB/T 6499—2012《原棉含杂率试验方法》标准检验的杂质数量;Np是实验仿真程序检测结果中与标准检验结果一致的杂质数量。

在此基础上，选取1 200例原棉样品并采集其图像，选定棉叶、破籽类、不孕籽、僵片、软籽表皮5类常见的杂质进行检测，通过仿真程序逐一计算上述5类杂质的识别结果，同时，根据GB/T 6499—2012《含杂率试验方法》规定的方法计算上述5类杂质的检验结果，根据式（9）分别求得识别相符率，结果见图4。

与LoG方法、传统Canny方法相比，本文方法采用线性插值法进行非极大值抑制，进行高低阈值的迭代优化，实现阈值的自动优化以及伪边缘的抑制，使得提取的图像边缘连续性好。其检测效果明显优于LoG算子、传统Canny方法，尤其在破籽类杂质的识别方面，识别相符率达到93.2%，能够有效检测出原棉中的破籽类杂质。

2.2.4 小 结

对于LoG方法来讲，Gauss函数标准差具有控制平滑的作用，因此σ的取值很关键。具体的：σ值越大，用于平滑的Gauss滤波模板越大，图像中高频部分的抑制效果增强，有效避免孤立点及虚假边缘点的检出，同时，Gauss滤波器的平滑作用会消除一部分边缘细节，造成一定程度的边缘点漏检，造成边缘定位的偏移，降低了边缘的定位精度;相反，σ值越小，边缘定位准确，但平滑、去噪性能降低。

对于传统Canny方法，特别是在二维坐标空间下，由于Canny检测算子具有方向特性，使其在寻找与定位边缘的性能上要优于LoG方法。但是，其对图像进行高斯滤波的方程方差以及阈值需要人工自主设定，自适应性不足;其次，Canny方法对噪声较为敏感，对于半嵌在棉层中的破籽，出现边缘检测不完整、伪边缘增多的情况。

对于本文方法，通过新加入45°、135°方向模板求取梯度幅值，在此梯度幅值的基础上，采用线性插值法进行非极大值抑制，进行高低阈值的迭代优化，实现阈值的自动优化以及伪边缘的抑制，检测到的边缘连续性好、背景噪声小，尤其适用于原棉中破籽类杂质的分析与识别。

3 结 语

针对如何选择适合原棉图像的边缘检测方法，高效地进行含杂分析与识别的问题，本文提出一种改进的原棉杂质图像识别方法。方法在Canny算子的基础上，通过新加入45°、135°方向模板求取梯度幅值，并采用线性插值法进行非极大值抑制，进行高低阈值的迭代优化，进而实现阈值的自动优化以及伪边缘的抑制。仿真实验表明，本文方法在有效抑制噪声的同时，能够自适应地优化高低阈值，一定程度上减少了伪边缘的出现，检测到的原棉杂质边缘完整，尤其对于破籽的识别，相符率达到93.2%，能够有效应用于原棉中杂质的识别与检测，进一步验证了方法的有效性，也为杂质图像边缘检测方法的选取提供了参考依据。