一种基于rbf神经网络的棉花异质纤维鉴别方法
【技术领域】
[0001] 本发明涉及棉花异质纤维鉴别技术领域，尤其涉及一种基于RBF神经网络的棉花 异质纤维鉴别方法。
【背景技术】
[0002] 棉花异质纤维，又称"三丝"，是指棉花中混入非棉性纤维，包括化学纤维、丝、麻、 毛发和塑料等杂质。按形状划分，"三丝"可分为块状杂质、条状杂质和丝状杂质三类。
[0003] "三丝"来源极为广泛，棉花从采摘到加工的各个流程均会混入"三丝"。棉花中混 入的"三丝"比重虽然很小，但是危害很大。在棉花加工过程中，棉花中混入的"三丝"很容 易被打碎分成无数更小更细的纤维小疵点，数量成倍增加，并且随机分布在棉花中，因而难 以清除。这些纤维小疵点容易使纱线断头，降低生产效率且造成布料染色不均，影响布料外 观。针对以上问题，棉纺企业不得不组织大量人力在棉花投料前将棉包逐包打开，逐块撕扯 松散，逐根挑拣，在纺纱的各道工序也随时清拣，因此成本大增，效率低下，造成我国棉纺织 品质量降低，竞争力减弱。因此，实现自动分拣和剔除棉花异质纤维是目前棉纺技术领域中 研究的热点之一。自动分拣和剔除棉花异质纤维的关键技术如何精确识别和定位"三丝"， 是实施提1?皮棉品质的必要条件。
[0004] 近年来，随着计算机图像处理技术的快速发展，实现"三丝"的识别和精确定位是 完全可行的。目前采用机器视觉分拣"三丝"的方法有很多，主要是通过采集棉花样本图片， 然后利用图像模式识别棉花异质纤维，并根据识别结果进进行定位。现有棉花异质纤维的 识别及定位技术中多采用颜色识别完成，如公开号为201269857的中国专利申请中公开了 一种基于彩色和黑白识别棉花异质纤维识别方法。该识别方法效率低，容易出现误判的情 况，识别精度还有待进一步提商。
【发明内容】
[0005] 针对现有技术的不足，本发明提供了一种基于RBF神经网络的棉花异质纤维鉴别 方法。
[0006] -种基于RBF神经网络的棉花异质纤维鉴别方法，包括：
[0007] (1)采集待检测样品的图像，并对采集到的图像进行预处理，得到预处理后的图 像；
[0008] (2)对预处理后的图像进行二值化，得到二值化图像；
[0009] (3)将二值化图像划分为若干个窗口，以包含像素值为0的像素点的窗口作为目 标窗口；
[0010] (4)根据二值化图像中各个目标窗口内的所有像素点的像素值，采用灰度共生矩 阵分析法获取各个目标窗口的灰度共生矩阵；
[0011] (5)针对每个灰度共生矩阵，计算该灰度共生矩阵的特征值，并以计算得到的特征 值作为该灰度共生矩阵的特征向量；
[0012] (6)分别将各个灰度共生矩阵的特征向量输入分类器中鉴别各个灰度共生矩阵对 应的目标窗口是否为异质纤维，并在二值化图像中标记鉴别结果为异质纤维的窗口，
[0013] 所述的分类器为训练好的RBF神经网络。
[0014] 本发明中多通过C⑶获取待检测样品的图像。步骤(6)中根据分类器的鉴别结果 进行标记，完成对鉴别出的异质纤维的定位。
[0015] 本发明的棉花异质纤维鉴别方法中采集待检测样品的图像，并对采集到的图像进 行预处理以及二值化处理，并对二值化处理后的图像进行窗口划分，根据二值化处理后的 图像像素，确定目标窗口，并提取各个目标窗口的特征向量，以训练好的RBF神经网络作为 分类器，根据各个特征向量鉴别各个目标窗口对应的像素点是否为异质纤维，并标记异质 纤维。
[0016] RBF 神经网络（径向基函数神经网络，Radial Basis Function neural network) 的多维非线性映射能力强，能够任意精度逼近任意的非线性函数，且具有全局逼近能力，以 训练好的RBF神经网络的作为分类器，能够大大提高棉花异质纤维识别的精度，与现有的 基于颜色识别的棉花异质纤维鉴别方法比较，大大提高了棉花异质纤维识别鉴别精度，降 低误判概率。
[0017] 本发明中的RBF神经网络具有收敛速快的特点，通过训练获取各个径向基函数的 中心、方差以及隐含层导输出层的权值。根据径向基函数中心选取方法的不同，具有以下训 练方法：随机选取中心法、自组织选取中心法和有监督选取中心法等等。作为优选，本发明 中采用基于OCA聚类（即OCA客观聚类）的方法对RBF神经网络进行训练，即通过OCA聚 类法获取径向基函数的中心。OCA聚类法基于自组织数据挖掘思想GMDH (数据分组处理方 法），能够自适应地确定聚类个数和各类样本，过程简单易于实现。
[0018] 所述步骤（1)中的预处理过程包括如下步骤：
[0019] (1-1)采用加权平均法对采集得到的图像进行灰度化处理得到灰度图像；
[0020] (1-2)通过灰度直方图规定化对灰度图像进行光线校正；
[0021 ] (1-3)采用高斯滤波对光线校正后的灰度图像进行去噪。
[0022] 步骤（1-1)中加权平均法对图像灰度化处理时的权值可以根据实际情况调节。通 过预处理，将图像转为灰度图像，然后进行光线校正，消除光线不均匀对图像的影响，并进 行去噪，消除噪声影响，提高后续处理的精度。
[0023] 所述步骤（2)中采用基于Otsu算法和局部阈值分割算法对预处理后的图像进行 二值化，具体如下：
[0024] (2-1)对灰度图像中任意一个像素点，确定当前像素点的η邻域像素点，并计算当 前像素点对应的所有η邻域像素点的平均像素值；
[0025] (2-2)采用otsu算法确定灰度图像的最佳阈值，对灰度图像中任意一个像素点， 将当前像素点对应的平均像素值满足条件：
[0026] Pni > (!"-5,且 Pni > Τ，
[0027] 则令当前像素点的像素值为255,否则,令该当前像素点的像素值为0, pmS当前像 素点的像素值，dm为当前像素点对应的平均像素值，T为该灰度图像的最佳阈值。
[0028] 传统阈值算法之所以不能有效分割棉花异质纤维图像，有以下原因：①其不能充 分利用图像邻域像素点的像素信息，因而不能有效检测丝状棉花异质纤维；②会出现某个 像素的邻域恰好全部落在目标或背景区域中，造成块状和条状棉花异质纤维中心部分被错 认为棉花。
[0029] 由于采用的每个像素点η邻域像素点，能够充分利用图像邻域像素信息检测出丝 状棉花异质纤维。由于otsu阈值方法（otsu算法）是全局阈值，因此当出现某个像素的所 有η邻域像素点恰好全部落在目标区域（异质纤维区域）或背景区域（非）异质纤维区域 中情况时，能够根据全局阈值有效检测出块状和条状棉花异质纤维。而由于棉花丝状杂质 的宽度一般只有1~2个像素，所以不会出现某个像素点的所有η邻域全部落入丝状棉花 异质纤维区域中。
[0030] 本发明结合otsu算法良好的全局分割能力和局部阈值的分割思想，克服了经典 图像分割算法不能充分利用图像邻域像素信息和当某个像素的邻域恰好全部落在目标或 背景区域时造成分割错误的缺点，实现了块状、条状和丝状棉花异质纤维的有效检测。
[0031] 作为优选，所述的η为3~5。
[0032] η的取值直接关系到鉴别的精度，η值越大，鉴别精度越高，但是η过大会导致鉴别 效率低下，因此作为优选，η = 3。
[0033] 作为优选，所述步骤（3)中的窗口为矩形窗口。
[0034] 进一步，所述矩形窗口的大小为10X10~16X16。
[0035] 窗口的形状和大小可根据实际情况设定，保证整个图像能够被所有窗口划分。窗 口大小以像素点为单位。
[0036] 所述步骤（4)中采用灰度共生矩阵分析法获取各个目标窗口的灰度共生矩阵前 先将二值化图像的灰度级压缩为8级或16级。
[0037] 通过压缩灰度级数，降低计算量，提高灰度特征矩阵提取的效率。
[0038] 所述步骤（5)中的特征值包括角二阶矩、对比度、熵和逆差矩。
[0039] 其中，能量f,(角二阶矩），根据其公式：
[0040]
[0041] 计算得到，能量为灰度共生矩阵中各元素的平方和，反映了图像纹理粗细度和灰 度分布均匀程度。越大，能量越大，纹理越粗；反之，越小，能量越小，纹理越细。
[0042] 对比度f,(惯性矩），根据公式：
[0043]
[0044] 计算，对比度反映了图像的清晰度。f2大，纹理的沟越深，效果越清晰；反之，越 小，沟越浅，效果越模糊。
[0045] 熵f3根据公式：
[0046]
[0047] 计算得到，熵反映