20世纪90年代至今,国内外学者利用图像处理法,对纤维特征参数测量和识别做了大量工作。人工检测作为基础的检验方法,检验时间较长、成本较高,检验结果会受主观情绪和疲劳等外界因素影响,造成检测错误。而图像法测量纤维的特征参数并进行分析和识别,运算速度快,且效率和准确率高。本课题将在调研国内外研究人员所取得研究进展的基础上,提出新的算法,其中棉/麻纤维的横截面图像利用边缘增强图像融合算法进行预处理,达到削弱图像背景、增强目标与背景的对比度的目的。边缘增强图像融合算法首先是对获取的原图像进行灰度化,然后利用边缘检测算子提取纤维边缘,再利用图像融合算法将灰度图像与边缘图像进行融合,对融合后的图像进行阈值分割,最后提取图像中的参数。该方法减少了树脂、刀痕和其他杂质对图像质量的影响,对纤维边缘进行了增强处理,同时增强了目标和背景的对比度。预处理后的纤维横截面图像中的纤维会出现破损和粘连情况,针对这个问题,本文提出了一种基于边界跟踪的纤维修复算法,利用边界跟踪函数对目标纤维进行识别和标记,获得纤维横截面边缘点坐标,然后根据边缘点坐标的变化找到修复的起点和终点,最后利用弧线修复纤维。修复完成后进行横向特征参数的测量。需要测量的棉/麻纤维横截面特征参数包括纤维横截面面积、周长、圆度、最大直径和最小直径。由于需要测量的横向特征参数较多,手动测量较为耗时,因此本文利用边界跟踪算法记录的纤维横截面边缘点坐标,快速测量多个纤维横截面的形态特征参数。而对于纤维的纵向图像采用背景分离算法进行预处理,背景分离算法通过改变均值滤波的滤波模板,实现目标纤维与背景的分离。需要测量的棉/麻纤维纵向特征参数包括纤维细度、中腔占比和扭曲度。本文利用霍夫变换检测直线算法检测纤维纵向边缘,获得两侧的边缘函数式,然后根据函数式计算出纤维细度。由于霍夫变换检测直线的方法无法检测到中腔的边缘,因此本文采用手动取点法测量纤维中腔宽度,然后计算出中腔占比。计算扭曲度时,本文通过调整边缘检测算子的敏感度阈值和去除小像素的方法,使得边缘检测只能检测出一侧边缘线,然后采用边界跟踪法记录边缘点坐标,取第一个点和最后一个点坐标计算出纤维的扭曲度。本文测量棉/麻纤维横纵向参数时,都采用批量处理的方法,测量出的纵向特征和横向特征参数不属于同一根纤维,即棉/麻纤维横纵向参数无法一一对应,本文分别从棉/麻纤维横截面和棉/麻纤维纵向两个方向进行分类识别。在分类器方面,本文选择LSSVM和BP神经网络进行训练测试和分析。