一種基于oca聚類的棉花異質(zhì)纖維鑒別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及棉花異質(zhì)纖維鑒別技術(shù)領(lǐng)域，尤其涉及一種基于OCA聚類的棉花異質(zhì) 纖維鑒別方法。
【背景技術(shù)】
[0002] 棉花異質(zhì)纖維，又稱"三絲"，是指棉花中混入非棉性纖維，包括化學(xué)纖維、絲、麻、 毛發(fā)和塑料等雜質(zhì)。按形狀劃分，"三絲"可分為塊狀雜質(zhì)、條狀雜質(zhì)和絲狀雜質(zhì)三類。
[0003] "三絲"來源極為廣泛，棉花從采摘到加工的各個(gè)流程均會(huì)混入"三絲"。棉花中混 入的"三絲"比重雖然很小，但是危害很大。在棉花加工過程中，棉花中混入的"三絲"很容 易被打碎分成無數(shù)更小更細(xì)的纖維小疵點(diǎn)，數(shù)量成倍增加，并且隨機(jī)分布在棉花中，因而難 以清除。這些纖維小疵點(diǎn)容易使紗線斷頭，降低生產(chǎn)效率且造成布料染色不均，影響布料外 觀。針對(duì)以上問題，棉紡企業(yè)不得不組織大量人力在棉花投料前將棉包逐包打開，逐塊撕扯 松散，逐根挑揀，在紡紗的各道工序也隨時(shí)清揀，因此成本大增，效率低下，造成我國(guó)棉紡織 品質(zhì)量降低，競(jìng)爭(zhēng)力減弱。因此，實(shí)現(xiàn)自動(dòng)分揀和剔除棉花異質(zhì)纖維是目前棉紡技術(shù)領(lǐng)域中 研究的熱點(diǎn)之一。自動(dòng)分揀和剔除棉花異質(zhì)纖維的關(guān)鍵技術(shù)如何精確識(shí)別和定位"三絲"， 是實(shí)施提1?皮棉品質(zhì)的必要條件。
[0004] 近年來，隨著計(jì)算機(jī)圖像處理技術(shù)的快速發(fā)展，實(shí)現(xiàn)"三絲"的識(shí)別和精確定位是 完全可行的。目前采用機(jī)器視覺分揀"三絲"的方法有很多，主要是通過采集棉花樣本圖片， 然后利用圖像模式識(shí)別棉花異質(zhì)纖維，并根據(jù)識(shí)別結(jié)果進(jìn)進(jìn)行定位。現(xiàn)有棉花異質(zhì)纖維的 識(shí)別及定位技術(shù)中多采用顏色識(shí)別完成，如公開號(hào)為201269857的中國(guó)專利申請(qǐng)中公開了 一種基于彩色和黑白識(shí)別棉花異質(zhì)纖維識(shí)別方法。該識(shí)別方法效率低，容易出現(xiàn)誤判的情 況，識(shí)別精度還有待進(jìn)一步提商。

【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種采基于OCA聚類的棉花異質(zhì)纖維鑒別方 法。
[0006] -種基于OCA聚類的棉花異質(zhì)纖維鑒別方法，獲取待檢測(cè)樣品的特征向量，并將 各個(gè)特征向量輸入訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)，鑒別待檢測(cè)樣品是否為異質(zhì)纖維，所述的RBF神 經(jīng)網(wǎng)絡(luò)基于OCA聚類完成訓(xùn)練，包括：
[0007] (1)獲取用于訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集和測(cè)試樣本集；
[0008] (2)以測(cè)試樣本集中各個(gè)測(cè)試樣本的維數(shù)作為輸入層的節(jié)點(diǎn)數(shù)目，并設(shè)定RBF神 經(jīng)網(wǎng)絡(luò)的輸出層的節(jié)點(diǎn)數(shù)目、隱層的隱節(jié)點(diǎn)數(shù)目以及各個(gè)隱節(jié)點(diǎn)的中心值，構(gòu)建得到初始 RBF網(wǎng)絡(luò)，
[0009] 其中，基于OCA聚類設(shè)定隱層的隱節(jié)點(diǎn)數(shù)目和各個(gè)隱節(jié)點(diǎn)的中心值；
[0010] ⑶按照設(shè)定的學(xué)習(xí)速率和擴(kuò)展參數(shù)，利用訓(xùn)練樣本集訓(xùn)練所述的初始RBF網(wǎng)絡(luò)， 得到初始隱層（從輸入層到輸出層的第一個(gè)隱層）到輸出層的權(quán)值，直到滿足設(shè)定的誤差 范圍時(shí)完成訓(xùn)練，得到訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)。
[0011] 待檢測(cè)樣品的圖像多通過CCD獲取。本發(fā)明的棉花異質(zhì)纖維鑒別方法中采集待檢 測(cè)樣品的特征向量，以訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)作為分類器，根據(jù)各個(gè)特征向量鑒別各個(gè)目 標(biāo)窗口對(duì)應(yīng)的像素點(diǎn)是否為異質(zhì)纖維。
[0012] RBF 神經(jīng)網(wǎng)絡(luò)（徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，Radial Basis Function neural network) 的多維非線性映射能力強(qiáng)，能夠任意精度逼近任意的非線性函數(shù)，且具有全局逼近能力，以 訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)的作為分類器，能夠大大提高棉花異質(zhì)纖維識(shí)別的精度，與現(xiàn)有的 基于顏色識(shí)別的棉花異質(zhì)纖維鑒別方法比較，大大提高了棉花異質(zhì)纖維識(shí)別鑒別精度，降 低誤判概率。
[0013] 本發(fā)明中的RBF神經(jīng)網(wǎng)絡(luò)具有收斂速快的特點(diǎn)，通過訓(xùn)練獲取各個(gè)徑向基函數(shù)的 中心、方差以及隱含層導(dǎo)輸出層的權(quán)值。根據(jù)徑向基函數(shù)中心選取方法的不同，具有以下訓(xùn) 練方法：隨機(jī)選取中心法、自組織選取中心法和有監(jiān)督選取中心法等等。本發(fā)明中采用基于 OCA聚類（即OCA客觀聚類）的方法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即通過OCA聚類法獲取徑向 基函數(shù)的中心。OCA聚類法基于自組織數(shù)據(jù)挖掘思想GMDH(數(shù)據(jù)分組處理方法），能夠自適 應(yīng)地確定聚類個(gè)數(shù)和各類樣本，過程簡(jiǎn)單易于實(shí)現(xiàn)。
[0014] 所述輸出層的節(jié)點(diǎn)數(shù)目為1。
[0015] 所述的特征向量利用灰度共生矩陣法獲取，特征向量的維數(shù)為4。
[0016] 本發(fā)明中設(shè)定特征向量為4維，相應(yīng)的訓(xùn)練樣本集中的訓(xùn)練樣本和測(cè)試樣本也應(yīng) 該為4維。鑒別時(shí)，直接將特征向量輸入訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)中，根據(jù)其輸出，即輸出層 的各個(gè)節(jié)點(diǎn)的值即為鑒別結(jié)果。如RBF神經(jīng)網(wǎng)絡(luò)的輸出大于0. 5,則鑒別結(jié)果為該待檢測(cè)樣 品為棉花異質(zhì)纖維，否則，說明該待檢測(cè)樣品不是棉花異質(zhì)纖維。
[0017] 在實(shí)際檢測(cè)過程中，待檢測(cè)樣品較大，得到的待檢測(cè)樣本的圖像較大，這樣需要將 采集到的待檢測(cè)樣品的圖像劃分為若干個(gè)窗口，按照窗口進(jìn)行鑒別，鑒別時(shí)首先提取各個(gè) 窗口的特征向量。由于異質(zhì)纖維屬于雜質(zhì)，對(duì)于整個(gè)待檢測(cè)樣品而言畢竟分量比較少，因此 為提高鑒別效率，首先根據(jù)各個(gè)窗口中所有像素點(diǎn)的像素值，從所有的窗口中挑選若干個(gè) 作為目標(biāo)窗口，只對(duì)目標(biāo)窗口進(jìn)行鑒別。一個(gè)待檢測(cè)樣品實(shí)際上包括一系列特征向量，每個(gè) 特征向量對(duì)應(yīng)一個(gè)窗口。
[0018] 本發(fā)明中基于灰度共生矩陣法提取待檢測(cè)樣品的特征向量過程如下：
[0019] (SI)采集待檢測(cè)樣品的圖像，并對(duì)采集到的圖像進(jìn)行預(yù)處理，得到預(yù)處理后的圖 像；
[0020] (S2)對(duì)預(yù)處理后的圖像進(jìn)行二值化，得到二值化圖像；
[0021] (S3)將二值化圖像劃分為若干個(gè)窗口，以包含像素值為0的像素點(diǎn)的窗口作為目 標(biāo)窗口；
[0022] (S4)根據(jù)二值化圖像中各個(gè)目標(biāo)窗口內(nèi)的所有像素點(diǎn)的像素值，采用灰度共生矩 陣分析法獲取各個(gè)目標(biāo)窗口的灰度共生矩陣；
[0023] (S5)針對(duì)每個(gè)灰度共生矩陣，計(jì)算該灰度共生矩陣的特征值，并以將計(jì)算得到的 特征值作為該灰度共生矩陣對(duì)應(yīng)的目標(biāo)窗口的特征向量。
[0024] 所述步驟（SI)中的預(yù)處理過程包括如下步驟：
[0025] (Sl-I)采用加權(quán)平均法對(duì)采集得到的圖像進(jìn)行灰度化處理得到灰度圖像；
[0026] (S1-2)通過灰度直方圖規(guī)定化對(duì)灰度圖像進(jìn)行光線校正；
[0027] (S1-3)采用高斯濾波對(duì)光線校正后的灰度圖像進(jìn)行去噪。
[0028] 步驟（Sl-I)中加權(quán)平均法對(duì)圖像灰度化處理時(shí)的權(quán)值可以根據(jù)實(shí)際情況調(diào)節(jié)。 通過預(yù)處理，將圖像轉(zhuǎn)為灰度圖像，然后進(jìn)行光線校正，消除光線不均勻?qū)D像的影響，并 進(jìn)行去噪，消除噪聲影響，提高后續(xù)處理的精度。
[0029] 所述步驟（S2)中采用基于Otsu算法和局部閾值分割算法對(duì)預(yù)處理后的圖像進(jìn)行 二值化，具體如下：
[0030] (S2-1)對(duì)灰度圖像中任意一個(gè)像素點(diǎn)，確定當(dāng)前像素點(diǎn)的3鄰域像素點(diǎn)，并計(jì)算 當(dāng)前像素點(diǎn)對(duì)應(yīng)的所有3鄰域像素點(diǎn)的平均像素值；
[0031] (S2-2)采用otsu算法確定灰度圖像的最佳閾值，對(duì)灰度圖像中任意一個(gè)像素點(diǎn)， 將當(dāng)前像素點(diǎn)對(duì)應(yīng)的平均像素值滿足條件：
[0032] Pni > (!"-5,且 Pni > T，
[0033] 則令當(dāng)前像素點(diǎn)的像素值為255,否則,令該當(dāng)前像素點(diǎn)的像素值為0, pm為當(dāng)前像 素點(diǎn)的像素值，dm為當(dāng)前像素點(diǎn)對(duì)應(yīng)的平均像素值，T為該灰度圖像的最佳閾值。
[0034] 所述步驟（S3)中的窗口為矩形窗口，大小為16X16。
[0035] 所述步驟（S4)中的特征值包括角二階矩、對(duì)比度、熵和逆差矩。
[0036] 其中，能量f,(角二階矩），根據(jù)其公式：
[0037]
[0038] 計(jì)算得到，能量為灰度共生矩陣中各元素的平方和，反映了圖像紋理粗細(xì)度和灰 度分布均勻程度。越大，能量越大，紋理越粗；反之，越小，能量越小，紋理越細(xì)。
[0039] 對(duì)比度f 9 (慣性矩），根據(jù)公式：
[0040]
[0041] 計(jì)算，對(duì)比度反映了圖像的清晰度。f2大，紋理的溝越深，效果越清晰；反之，越 小，溝越淺，效果越模糊。
[0042] 熵根據(jù)公式：
[0043]
[0044] 計(jì)算得到，熵反映了圖像紋理的復(fù)雜程度和非均勻度。f3越大，紋理越復(fù)雜，灰度 共生矩陣中元素差異越小；反之，f 3越小，紋理越簡(jiǎn)單，元素差異越大。
[0045] 逆差矩f4，根據(jù)公式：
[0046]
[0047] 計(jì)算，逆差矩反映 /圖傢紋理的同質(zhì)性，即圖像紋理不同區(qū)域間的變化大小。
[0048] 其中，i, j為灰度共生矩陣中各元素