一种基于光学手段的纺织材料表面毛羽程度识别方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种基于光学手段的纺织材料表面毛羽程度识别方法。


背景技术：

2.纱线是由一根一根或长或短的纤维经过加捻卷绕捻合凝聚而成的，因此有纤维伸出纱线主体是必然的，纱线毛羽是相伴于生产中纤维运动、工艺配置和机械作用的综合因素而形成的。纱线毛羽是衡量纱线基本结构和外观的特征之一，也是评定纱线品质的重要参考指标。纱线上适量的短毛羽可使织物外观更加丰满，且使衣服穿着更加舒适、柔软；纱线上长毛羽过多会造成纱线外观毛糙，还可能会使相邻的经纱之间相互缠结，从而降低织机开口的有效高度，造成织机开口不清因而出现“假吊经”、断头增加和引纬困难，以及纬纱飞行受阻而造成停台。
3.纺织纱线毛羽这种新材料检测的传统方法为：利用光学手段获取纱线图像，手动测量放大的纱线图像，将微观的纱线图像投影到大屏幕上或者进行拍照，根据图像中毛羽的物理性质如颜色、长度等，判断纱线毛羽瑕疵的缺陷程度，但这种方法既费时又费力，并且存在纱线边界定义困难的问题。


技术实现要素：

4.为了解决现有方法存在的无法对毛羽瑕疵进行自动化检测的问题，本发明的目的在于提供一种基于光学手段的纺织材料表面毛羽程度识别方法，所采用的技术方案具体如下：本发明提供了一种基于光学手段的纺织材料表面毛羽程度识别方法,该方法包括以下步骤：获取纺织纱线的表面灰度图像，采用图割算法分割出纺织纱线的表面灰度图像中的纱线条干区域的图像，得到目标区域的图像；将目标区域的图像划分为设定个数的区域图像：对于任一区域图像：根据该区域图像中像素点的灰度值，计算该区域中任一灰度值对应的像素点的关注程度，将关注程度大于等于设定阈值的像素点进行标记；根据该区域中标记像素点的关注程度对标记像素点进行聚类，得到该区域对应的各亮区连通域；根据各亮区连通域中各标记像素点的梯度变化方向的方向向量，计算各亮区连通域的主方向向量；对于任一区域图像中的任一亮区连通域：根据该亮区连通域的主方向向量和与该亮区连通域距离最近的相邻亮区连通域的主方向向量，计算该亮区连通域和与其距离最近的相邻亮区连通域的主方向的相似性；判断所述相似性是否大于第一阈值，若大于，则根据对应两个亮区连通域主方向周围设定范围内各像素点的梯度方向和对应连通域亮区主方向的相似性，计算对应两个亮区连通域主方向周围设定范围内像素点的梯度方向与亮区主方向的一致性指标，判断所述
一致性指标是否大于第二阈值，若大于，则根据对应两个亮区连通域之间各像素点的梯度幅值，判断两个亮区连通域之间的各像素点是否与对应的两个亮区连通域内的像素点隶属于同一毛羽；根据各区域图像中毛羽的数量和毛羽的长度计算毛羽瑕疵的严重程度指标。
5.优选的，采用如下公式计算该区域中任一灰度值对应的像素点的关注程度，包括：其中，为任一灰度值对应的像素点的关注程度，为像素点的灰度值，为该区域中像素点的最大灰度值，为自然对数的底数，为灰度阈值。
6.优选的，采用如下公式计算各亮区连通域的主方向向量：其中，为任一亮区连通域的主方向向量，为该连通域中标记像素点的个数，为该连通域中第个标记像素点梯度变化方向的方向向量。
7.优选的，采用如下公式计算对应两个亮区连通域主方向周围设定范围内像素点的梯度方向与亮区主方向的一致性指标：其中，为对应两个亮区连通域主方向周围设定范围内像素点的梯度方向与主方向的一致性指标，为其中一个亮区连通域主方向周围设定范围内像素点的个数，为该亮区连通域主方向周围设定范围内第个像素点的梯度变化方向的方向向量，为该亮区连通域的主方向向量,为另一个亮区连通域主方向周围设定范围内像素点的个数,为该亮区连通域主方向周围设定范围内第个像素点的梯度变化方向的方向向量，为该亮区连通域的主方向向量。
8.优选的，若所述相似性小于等于第一阈值，则判定两个亮区连通域中的像素点不属于同一毛羽的像素点。
9.优选的，所述判断两个亮区连通域之间的各像素点是否与对应的两个亮区连通域内的像素点隶属于同一毛羽，包括：利用滑窗对对应两个亮区连通域主方向之间的像素点进行检测，连接两个亮区连通域的主方向向量上距离最近的两个像素点，将连线上的中点作为滑窗的初始中心点；计算滑窗内像素点的梯度幅值的方差，将所述方差作为滑窗内对应像素点的波动程度；
判断所述波动程度是否大于等于波动程度阈值，若大于等于，则判定滑窗内的像素点与对应两个亮区连通域内的像素点隶属于同一毛羽。
10.优选的，若所述一致性指标小于等于第二阈值，则判定对应两个亮区连通域中的像素点不属于同一毛羽的像素点。
11.优选的，采用如下公式计算毛羽瑕疵的严重程度指标：其中，为毛羽瑕疵的严重程度指标，为第个区域中大于设定长度的毛羽的数量，为第个区域中小于等于设定长度的毛羽的数量，为区域的总数量。
12.本发明具有如下有益效果：本发明的目的是检测纺织纱线表面瑕疵的严重程度，因此需要对纺织纱线这种新材料进行缺陷检测，考虑到纱线毛羽的长度和长毛羽的密集程度会影响纱线的质量，本发明缺陷检测主要是对毛羽的长度和长毛羽的数量进行计量，根据毛羽的长度和长毛羽所占的比例判断毛羽瑕疵的缺陷程度。本发明首先利用光学手段获取了纺织纱线的表面灰度图像，然后分割出纱线条干区域的图像，得到目标区域的图像，排除了一些无用像素点对计量结果的干扰，同时减小了计算量；毛羽上像素点有的较亮，有的偏暗，本发明先获取毛羽上较亮的像素点构成的连通域，如果同一毛羽上有多个亮区连通域，那么该毛羽上亮区连通域的主方向具有较高的相似性，本发明计算了相邻亮区连通域主方向的相似性，判断相似性是否大于阈值，若大于，说明对应两个亮区连通域很可能属于同一毛羽，然后计算对应两个相邻亮区连通域周围像素点与对应两个亮区连通域主方向的一致性指标，接着判断一致性指标是否大于阈值，若大于，再判断两个亮区连通域之间的灰度值较小的像素点是否与两个亮区连通域中的像素点属于同一毛羽上的像素点，判断完毕后采用骨架提取算法提取毛羽的骨架；对毛羽的数量和长度进行计量，根据毛羽的数量和长度计算毛羽瑕疵的严重程度指标。该方法是一种利用光学手段（具体是利用可见光图像），检测纺织材料的方法，具体是检测纺织材料表面毛羽瑕疵的存在。该方法能够应用于新材料相关服务，可以实现新材料检测、计量、相关标准化、认证认可服务等。本发明提供的方法能够对毛羽瑕疵进行自动化检测，无需人工检测纱线毛羽瑕疵的严重程度，节省了时间，提高了检测效率。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
14.图1为本发明提供的一种基于光学手段的纺织材料表面毛羽程度识别方法的流程图；图2为本发明提供的图像采集系统的示意图；图中：1.纱线传动系统；2.第一光源；3.第二光源；4.纱线；5.背景板；6.图像采集设备。
具体实施方式
15.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于光学手段的纺织材料表面毛羽程度识别方法进行详细说明如下。
16.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
17.下面结合附图具体的说明本发明所提供的一种基于光学手段的纺织材料表面毛羽程度识别方法的具体方案。
18.一种基于光学手段的纺织材料表面毛羽程度识别方法实施例现有方法存在无法对毛羽瑕疵进行自动化检测的问题。为了解决上述问题，本实施例提出了一种基于光学手段的纺织材料表面毛羽程度识别方法，如图1所示，本实施例的一种基于光学手段的纺织材料表面毛羽程度识别方法包括以下步骤：步骤s1，获取纺织纱线的表面灰度图像，采用图割算法分割出纺织纱线的表面灰度图像中的纱线条干区域的图像，得到目标区域的图像。
19.纱线毛羽缺陷，即是在纱线生产过程中，纤维未能被卷入纱线条干而伸出纱线主体的部分，或由于生产过程中机械控制不当导致拉力过大使得纱线毛羽纤维断裂。纱线毛羽在实际生产中，其形态、长短、数量及其分布对后道工序生产效率及终端产品质量有极其重要的影响。纱线毛羽的长度一般在1mm到3mm之间，不同产品对纱线毛羽的长度要求不同，对于柔软的面料来说，适当增加毛羽的长度可以增加面料的柔软性，但是3mm以上的毛羽会使产品外观粗糙，影响产品的质量与价值，故3mm以上的毛羽是不被允许存在的。
20.本实施例的具体场景为：对生产完成的纺织纱线进行图像采集，纱线通过传动装置系统进入检测区域，检测区域通过打光并进行图像采集，获取纱线表面灰度图像，对采集到的纱线进行分析，检测长毛羽的含量并计算毛羽瑕疵的严重程度指标。
21.由于纱线毛羽的长度、倾斜角度不同，采集的纱线图像中的毛羽几乎是形态各异、杂乱无章的。如何捕获纱线中毛羽真实、完整、清晰的图像，是基于图像处理检测纱线毛羽的基础。同其他机器视觉检测系统一样，本实施例提供的纱线毛羽图像法测量系统中包含联合工作的不同组件。
22.本实施例需要识别纺织纱线不同形态的毛羽的缺陷，因此先利用光学手段采集纺织纱线表面图像。如图2所示，纱线4经过纱线传动系统1进入图像采集系统，图像采集系统采集纱线表面图像，图像采集系统包括静电装置、第一光源2、第二光源3、背景板5和图像采集设备6（图像采集设备包括工业ccd相机、视频显微镜和高速数码相机）。常见的毛羽大部分为端毛羽，设置静电装置的目的是使纱线毛羽在静电的作用下最大限度的张开，尽可能地避免多根毛羽缠绕在一起，便于后续对毛羽真实长度的检测和毛羽数量的统计，工业ccd相机、视频显微镜和高速数码相机处于纱线的正上方，俯视采集纱线表面图像，光源采用opt机器视觉光源对被测纱线表面进行光照补偿，光源位于纱线斜上方，布置黑色背景板，黑色背景板位于纱线正下方，本实施例提前调整相机的视野范围，使得相机采集到的图像为黑色背景板区域的图像。
23.本实施例对采集到的纱线表面图像进行处理，去除其他环境干扰和噪声的影响，并将获取的图像进行灰度化处理，得到纺织纱线的表面灰度图像。
24.骨架提取算法对目标的主体骨架获取有较好的效果，通过分析目标的骨架可以减少不必要的计算，同时使得对目标的长度计算更加准确。基于距离场的骨架提取算法对目标边界明确的距离场计算效果较好，但对于边界模糊或目标存在较大灰度差导致目标整体性不强的目标骨架提取时，极易导致骨架提取不准，且容易造成同一目标提取出若干个小骨架，失去了对目标骨架分析的参考性，因此，基于距离场的骨架提取算法对目标边界的明确性要求较高。由于纱线毛羽的长短、辐射方向、倾斜角度不尽相同，故采集的纱线图像中毛羽存在较亮与较暗的部分，由于较暗部分的灰度值较低，故采用阈值分割时会使同一根纱线毛羽被分割成若干小段，对于同一根毛羽，其像素点的局部梯度变化的垂直方向是相似的，同时梯度变化存在一定的相似性规律，故由此确定毛羽所在的大致区域，再进行骨架提取获取毛羽。
25.本实施例的目的是判断纱线的毛羽是否存在缺陷，纱线条干上像素点的存在会对毛羽的检测产生干扰，会增加计算量，因此首先从纱线表面图像中分割出纱线条干，用于后续纱线毛羽的检测，毛羽一般存在于纱线条干两侧的一定范围内，通过分割出纱线条干确定毛羽存在图像中的范围，从而缩小计算量。具体的，采用图割算法对纱线条干上的像素点与其它像素点进行区分，该方法通过计算所有分割中满足一些对物体和背景的权，来选择全局最优阈值将图像分割成子区域，图像被构建成无向图，其中节点代表像素，权代表边界能量。物体和背景之间的边界是根据最大流最小割定理来定义，当最大流经由图表从源-s 到汇-t 时，边缘达到饱和同时确定物体和背景的分界线。图割算法为现有技术，此处不再赘述。至此，分割出纱线条干区域的图像。
26.由于纱线毛羽仅存在于纱线条干附近的一定范围内，采集的纱线图像中存在大量的背景板，对采集的纱线图像处理会大大增加计算量，同时还会受到噪声点或其他光照因素的影响，故以分割出的纱线主干为图像中心，沿着纱线条干边缘像素点上下延伸x个像素点，分割出毛羽存在的粗略区间，该区域即为目标区域，该区域中不包含纱线条干。后续针对该区域像素点进行计算。本实施例设置x的值为300，在具体应用中，根据实际需要进行设定。
27.步骤s2，将目标区域的图像划分为设定个数的区域图像：对于任一区域图像：根据该区域图像中像素点的灰度值，计算该区域中任一灰度值对应的像素点的关注程度，将关注程度大于等于设定阈值的像素点进行标记；根据该区域中标记像素点的关注程度对标记像素点进行聚类，得到该区域对应的各亮区连通域。
28.本实施例将步骤s1中得到的目标区域的图像划分为个大小相等的区域图像，接下来对每个区域图像进行单独分析，最终根据每个区域图像中毛羽的长度和毛羽的密集程度判断纱线毛羽瑕疵的严重程度。的值根据具体情况进行设定。
29.对于纱线毛羽而言，在光照作用下，毛羽像素点相对于背景板上的像素点而言灰度值较大，又由于纱线毛羽的长短、辐射方向、倾斜角度不尽相同，导致同一毛羽上的像素点的灰度值存在较大差异，即存在灰度值较大的亮区，也存在灰度值较小的暗区，故先确定出最有可能为毛羽的像素点的灰度级。对于任一区域图像：计算该区域中任一灰度值对应的像素点的关注程度，即：
其中，为任一灰度值对应的像素点的关注程度，为该区域中像素点的最大灰度值，为像素点的灰度值，为自然对数的底数，取值为，为灰度阈值，本实施例中，在具体应用中，根据具体情况进行设定。
30.考虑到目标区域图像中可能存在白噪声，背景虽然为黑色，但是背景中像素点的灰度值也略有差别，为了防止将噪声点和背景中的像素点识别为毛羽像素点，本实施例首先关注毛羽中亮度较大的像素点，给予该类像素点较大的关注程度。即q的值越大，表示该灰度值对应的像素点越值得关注。本实施例设置关注程度阈值，当像素点的关注程度大于等于时，判定该像素点为纱线毛羽上灰度值较大的像素点，对此类像素点进行标记，标记的像素点为纱线毛羽上亮区的像素点。本实施例中设置的值为0.8，在具体应用中，根据具体情况进行设置。
31.毛羽亮区的像素点通常成簇存在，即毛羽亮区的像素点形成一个连通域，因此本实施例基于像素点的关注程度采用区域生长法对标记像素点进行聚类。具体的，选取标记像素点中关注程度最大的像素点作为生长种子点，若存在多个关注程度值最大值，则随机选取其中一个，在选取的像素点的8邻域内进行搜索，邻域内的像素点属于关注程度的像素点的被保留，将其合并为一个区域，此时以此区域为新的生长种子点，再次在其邻域内进行搜索，邻域内的像素点属于关注程度的像素点被保留，更新新的区域，得到新的种子点区域，迭代多次，直至邻域中不含关注程度的像素点时停止，此时得到第一个连通域，对于剩下的像素点，同理选取剩下的关注程度的最大的像素点作为生长种子点，若存在在多个关注程度的最大值，则随机选取其中一个，在选取的像素点的8邻域内进行搜索，邻域内的像素点属于关注程度的像素点的被保留，将其合并为一个区域，此时以此区域为新的生长种子点，再次在其邻域内进行搜索，邻域内的像素点关注程度的像素点被保留，更新新的区域，得到新的种子点区域，迭代多次，直至邻域中不含关注程度的像素点时停止，此时得到第二个连通域，对剩下的像素点重复上述操作，迭代得到多个连通域，直至关注程度的像素点被聚类完，此时得到该区域对应的多个亮区连通域。
32.步骤s3，根据各亮区连通域中各标记像素点的梯度变化方向的方向向量，计算各亮区连通域的主方向向量；对于任一区域图像中的任一亮区连通域：根据该亮区连通域的主方向向量和与该亮区连通域距离最近的相邻亮区连通域的主方向向量，计算该亮区连通域和与其距离最近的相邻亮区连通域的主方向的相似性。
33.考虑到毛羽亮区的像素点的梯度变化方向往往垂直于毛羽主干，故根据标记像素点的梯度变化情况获取毛羽主干方向。利用sobel算子计算目标区域图像中所有像素点
方向的梯度向量和方向的梯度向量，则像素点的梯度幅值，像素点的梯度方向为。
34.接下来，计算每个亮区连通域的主方向向量，即：其中，为任一亮区连通域的主方向向量，为该连通域中标记像素点的个数，为该连通域中第个标记像素点梯度变化方向的方向向量。
35.当两相邻的亮区连通域的主方向相似时，则说明这两个连通域越有可能为同一毛羽。考虑到毛羽普遍较细，毛羽的数量不是特别多，毛羽的长度均为3mm左右，若同一毛羽上有两个以上的亮区连通域，则相邻亮区连通域之间的距离非常近，相邻两根毛羽之间的距离普遍大于同一毛羽上两个相邻亮区连通域之间的距离，因此同一根毛羽上相邻亮区连通域的距离大多都小于不同毛羽上相邻亮区连通域之间的距离，距离最近的两个相邻亮区连通域可能属于同一毛羽，同一毛羽上亮区连通域的主方向相似。本实施例中后续提到的相邻亮区连通域均为距离最近的相邻亮区连通域。对于任一亮区连通域：计算该连通域与其距离最近的相邻亮区连通域主方向的相似性，即：其中，为两个相邻连通域主方向的相似性，为该亮区连通域梯度变化的主方向向量，为与该连通域距离最近的相邻亮区连通域的梯度变化的主方向向量。
36.至此，得到了相邻亮区连通域的主方向的相似性。
37.步骤s4，判断所述相似性是否大于第一阈值，若大于，则根据对应两个亮区连通域主方向周围设定范围内各像素点的梯度方向和对应连通域亮区主方向的相似性，计算对应两个亮区连通域主方向周围设定范围内像素点的梯度方向与亮区主方向的一致性指标，判断所述一致性指标是否大于第二阈值，若大于，则根据对应两个亮区连通域之间各像素点的梯度幅值，判断两个亮区连通域之间的各像素点是否与对应的两个亮区连通域内的像素点隶属于同一毛羽。
38.两个相邻亮区连通域梯度变化的主方向越相似，即两个相邻亮区连通域梯度变化的主方向的相似性的值越趋于1，说明两个相邻连通域为同一毛羽的可能性越大。本实施例设置相似性指标阈值，即第一阈值，判断任意两个相邻亮区连通域主方向的相似性是否大于设定阈值，若大于，则说明这两个相邻亮区连通域越可能为同一毛羽。但由于噪声点或其他因素的影响，导致仅靠两相邻亮区连通域主方向的相似性判断不准，通过分析可得，毛羽亮区到暗区的转化，其间的像素点梯度变化方向与毛羽主干方向相似性较高。任一亮
区连通域主方向的周围像素点的具体获取方法为：以该连通域边缘的第o个像素点为滑窗边缘点，建立的滑窗，所有滑窗中的像素点即为主方向周围像素点，本实施例中的取值为7，在具体应用中，根据具体情况进行设定。然后计算两相邻亮区连通域主方向周围像素点梯度方向与主方向的一致性指标，即：其中，为两相邻亮区连通域主方向周围像素点梯度方向与主方向的一致性指标，为其中一个亮区连通域主方向周围像素点的个数，为该亮区连通域主方向周围第i个像素点的梯度变化方向的方向向量，为另一个亮区连通域主方向周围像素点的个数，为该亮区连通域主方向周围第i个像素点的梯度变化方向的方向向量。的值越大，说明这两个亮区连通域与其主方向周围像素点为同一毛羽的概率越大。本实施例设置一致性指标阈值，即第二阈值，判断一致性指标是否大于，若大于，则进行后续处理，若小于等于，则说明这两个亮区连通域不属于同一毛羽。
39.当一致性指标大于时，本实施例利用滑窗对两个相邻亮区连通域之间的灰度值较小但可能属于毛羽的像素点进行检测，判断这些像素点是否与这两个亮区连通域中的像素点属于同一毛羽。具体的，建立大小的划窗，将第一个亮区连通域的主方向向量上距离第二个亮区连通域的主方向向量最近的像素点记为第一基准点，将第二个亮区连通域的主方向向量上距离第一个亮区连通域的主方向向量最近的像素点记为第二基准点，连接第一基准点和第二基准点，将连线上的中点作为滑窗的初始中心点，计算划窗中像素点梯度幅值的波动性，即：其中，为划窗中像素点梯度幅值的波动性，为滑窗的边长，为划窗中第r个像素点的梯度幅值，为划窗中像素点的梯度幅值的均值。的值越大，说明滑窗内的像素点越有可能为毛羽像素点，由于背景板为黑色背景板，其像素点的梯度幅值波动程度小，且噪点通常为孤立点，其波动程度也很小，当大于等于时，此时像素点隶属于毛羽像素点，本实施例中设置的值为3，在具体应用中，根据具体情况进行设定。
40.本实施例基于像素点的隶属度采用区域生长法获取毛羽区域，以亮区目标点为区域生长的种子点，进行区域生长，当其八邻域的像素点的波动程度≥3时，说明滑窗内的像素点隶属于毛羽，将符合要求的像素点与亮区合并，此时更新种子点，进行迭代，直至种子点区域不符合迭代要求时停止，此时获取毛羽区域。
41.步骤s5，根据各区域图像中毛羽的数量和毛羽的长度计算毛羽瑕疵的严重程度指标。
42.本实施例是为了获取每根毛羽的长度，因此采用基于距离场的骨架提取算法进行毛羽骨架提取，计算每一个毛羽区域内部点p到毛羽区域边界点b(o)的距离，即d(p)=min(d(p,o)),其中d(p,o)是p点到o点的欧式距离。区域生长法和基于距离场的骨架提取算法均为现有方法，此处不再赘述。至此，获得毛羽的骨架。
43.本实施例在得到了每个区域中纱线毛羽的骨架后，获取每个毛羽的长度，根据每个区域中所有毛羽的长度和长毛羽的密集程度，计算纱线毛羽瑕疵的严重程度指标，即：其中，为纱线毛羽瑕疵的严重程度指标，为第个区域中长毛羽的数量，为第个区域中短毛羽的数量，为区域的个数，所述长毛羽为长度大于3mm的毛羽，短毛羽为长度小于等于3mm的毛羽。长毛羽分布越密集，即长毛羽数量越多，则说明纱线毛羽瑕疵严重程度越大。
44.本实施例根据毛羽瑕疵的严重程度指标对毛羽进行质量分类与负反馈调节，当毛羽瑕疵严重时，对此类纱线进行回收并重新进行捻卷，当毛羽瑕疵较为轻微时，纺织完成后进行相应的烧毛处理。
45.本实施例的目的是检测纺织纱线表面瑕疵的严重程度，因此需要对纺织纱线这种新材料进行缺陷检测，考虑到纱线毛羽的长度和长毛羽的密集程度会影响纱线的质量，本实施例缺陷检测主要是对毛羽的长度和长毛羽的数量进行计量，根据毛羽的长度和长毛羽所占的比例判断毛羽瑕疵的缺陷程度。本实施例首先利用光学手段获取了纺织纱线的表面灰度图像，然后分割出纱线条干区域的图像，得到目标区域的图像，排除了一些无用像素点对计量结果的干扰，同时减小了计算量；毛羽上像素点有的较亮，有的偏暗，本实施例先获取毛羽上较亮的像素点构成的连通域，如果同一毛羽上有多个亮区连通域，那么该毛羽上亮区连通域的主方向具有较高的相似性，本实施例计算了相邻亮区连通域主方向的相似性，判断相似性是否大于阈值，若大于，说明对应两个亮区连通域很可能属于同一毛羽，然后计算对应两个相邻亮区连通域周围像素点与对应两个亮区连通域主方向的一致性指标，接着判断一致性指标是否大于阈值，若大于，再判断两个亮区连通域之间的灰度值较小的像素点是否与两个亮区连通域中的像素点属于同一毛羽上的像素点，判断完毕后采用骨架提取算法提取毛羽的骨架；对毛羽的数量和长度进行计量，根据毛羽的数量和长度计算毛羽瑕疵的严重程度指标。该方法是一种利用光学手段（具体是利用可见光图像），检测纺织材料的方法，具体是检测纺织材料表面毛羽瑕疵的存在。该方法能够应用于新材料相关服务，可以实现新材料检测、计量、相关标准化、认证认可服务等。本实施例提供的方法能够对毛羽瑕疵进行自动化检测，无需人工检测纱线毛羽瑕疵的严重程度，节省了时间，提高了检测效率。
46.需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。