（机械制造及其自动化专业论文）基于计算机视觉的织物疵点识别方法研究.pdf

摘要 在纺织品生产中，质量控制与检测是十分重要的，而织物疵点检测是其 中最为主要的部分。疵点检测识别的目的就是在织造和验布过程中及时发现 疵点，通过修复和整理，尽可能降低由疵点导致的织物质量的下降。随着计 算机技术、图像处理技术的发展，使得基于计算机视觉的织物疵点检测识别 成为可能。利用计算机视觉对织物疵点进行检测识别，不但能提高纺织企业 的生产效率，而且为织物疵点的种类、大小以及对产品质量的评估制定客观 标准打下基础。 本文在对国内外织物疵点自动检测系统和理论研究成果的学习与研究的 基础上，选择合适的特征值提取算法和识鄹算法并进一步优化，并在此基础 上提出了基于计算机视觉的织物疵点检测识别方法，即运用小波分析理论结 合织物图像纹理特征对图像进行分解、分割并且在子图像分割窗口中利用灰 度统计法提取特征值，最后利用b p 神经网络进行疵点的自动检测识别。该方 法的重点内容包括特征值的选取、特征值的提取和疵点的识别三部分。本文 主要围绕这三个方面进行理论研究。 一、通过对各种疵点特征值的介绍，选用了能量、熵、方差和极差作为 本文的特征值，经多次试验可知这四个特征值可以较好的反映出待识男i j 的疵 点信息。 二、介绍了小波分析理论知识，在此基础上选择了适合待检织物纹理特 征的分解小波和分解方法，并提出了通过自楣关函数法计算纹理周期，确定 子图像的分割窗口的大小。通过多次试验可知，本文选用的分解小波和分解 方法能较好的反映出织物纹理特征，为特征值的充分提取做好了基础。从子 图像分割窗口提取出的特征值可知不同的疵点均由不同的特征值反映出来。 三、介绍了神经网络理论，在此基础上介绍了b p 神经网络的结构、工作 原理等知识，并提出了运用3 层b p 神经网络对本文的待识别疵点进行了训练 与识别。 本文提出的检测识别算法在平纹织物疵点的识别中取得了较好的效果， 通过不断的试验，对平纹织物中最常见的重纬、缺纬、重经、断经和破洞疵 点的正确识别率达到9 7 。 关键词：织物疵点、自动检测识别、小波分解、b p 神经网络 a b s t r a c t i nt h et e x t i l ep r o d u c t i o n ，t h eq u a l i t yc o n t r o la n dt h ee x a m i n a t i o na r e e x t r e m e l yi m p o r t a n t ，a n dt h ee x a m i n a t i o no ff a b r i cd e f e c t si s t h em o s t i m p o r t a n tp a r t t h ep u r p o s eo ft h ef a b r i cd e f e c t si d e n t i f i c a t i o n i st o d i s c o v e rt h e mi nt i m ei nt h ew e a v i n ga n de x a m i n i n go ft h ec l o t hp r o c e s s a n dr e d u c et h ef a b r i cq u a l i t yd r o pw h i c hc a u s e sb yt h ed e f e c t sa sf a ra s p o s s i b l et h r o u g ht h er e p a i ra n dt h er e o r g a n i z a t i o n w i t ht h ed e v e l o p m e n to f t h ec o m p u t e rt e c h n o l o g ya n dt h ei m a g e r yp r o c e s s i n gt e c h n o l o g y ，i ti s p o s s i b l et oi d e n t i f yt h ef a b r i cd e f e c t sb a s e do nt h ec o m p u t e rv i s i o n i tn o t o n l yc a ne n h a n c et h ep r o d u c t i o ne f f i c i e n c yo ft e x t i l eb u ta l s ob u i l d st h e f o u n d a t i o no fo b j e c t i v es t a n d a r dt ot h ef a b r i cd e f e c t st y p e ，t h es i z ea n dt h e p r o d u c tq u a t i t ya p p r a i s a lf o r m u l a t i o n b a s e do nt h es t u d ya n dr e s e a r c ho ft h ed e v e l o p m e n to ft h ea u t o m a t i c d e t e c t i n gt e c h n o l o g y ，w e c h o o s et h e a p p r o p r i a t e f e a t u r ep a r a m e t e r s e x t r a c t i o na l g o r i t h ma n dt h er e c o g n i t i o na l g o r i t h ma n df u r t h e ro p t i m i z e ， a n dp r o p o s e dt h ei d e n t i f i c a t i o na l g o r i t h mo ff a b r i cd e f e c t sb a s e do n c o m p u t e rv i s i o n w ed e c o m p o s ea n dd i v i d et h ei m a g et h r o u g ha p p l y i n gt h e w a v e l e ta n a l y s i sa n dt h ei m a g ec h a r a c t e r i s t i c ，a n de x t r a c tt h ef e a t u r e p a r a m e t e r si nt h es u b i m a g e sb yu s i n gt h es t a t i s t i cm e t h o do fg r a y , f i n a l l y i d e n t i f y i n gt h ed e f e c t sb yu s i n gt h eb pn e u r a ln e t w o r k t h ek e y c o n t e n to f t h em e t h o di n c l u d e st h ef e a t u r ep a r a m e t e r ss e l e c t i o n ，t h ef e a t u r ep a r a m e t e r s e x t r a c t i o na n dt h ed e f e c t si d e n t i f i c a t i o n t h i sa r t i c l em a i n l yr e v o l v e st h e s e t h r e ea s p e c t st oc o n d u c tt h ef u n d a m e n t a lr e s e a r c h f i r s t ，w ei n t r o d u c ed i f f e r e n tf e a t u r ep a r a m e t e r sa n dc h o o s et h ee n e r g y , t h ee n t r o p y ，t h ev a r i a n c ea n dt h ed i f f e r e n c ea st h ef e a t u r ep a r a m e t e r so ft h i s a r t i c l e a f t e rm a n yt i m e so fe x p e r i m e n t sw e k n o wt h e s ef o u rf e a t u r e p a r a m e t e r st ob ep o s s i b l et h eg o o dr e f l e c t i o nt ot r e a tt h er e c o g n i t i o no f t h e d e f a u l t s s e c o n d ，w ei n t r o d u c et h ew a v e l e ta n a l y s i s w ec h o o s et h ed e c o m p o s i n g w a v e l e ta n d d e c o m p o s i n g m e t h o d a c c o r d i n g t ot h ef a b r i ct e x t u r e c h a r a c t e r i s t i ca n dp r o p o s et h em e t h o do ft e x t u r ec y c l et h r o u g ht h e l i a u t o c o r r e l a t i o nf u n c t i o n ，t h e nw ed e f i n et h ed i v i s i o nw i n d o ws i z e t h r o u g h e x p e r i m e n t sm a n yt i m e sw e k n o wt h e d e c o m p o s i n g w a v e l e ta n d d e c o m p o s i n gm e t h o dw ec h o o s ec a nr e f l e c tt e x t u r ec h a r a c t e r i s t i ca n db u i l d s t h ef c u n d a t i o nf o rt h ef e a t u r ep a r a m e t e r sf u l le x t r a c t i o n w i t ht h ef e a t u r e p a r a m e t e r se x t r a c t e df r o mt h e5 1 2 b i m a g e sw ek n o wt h ed i f f e r e n td e f e c t s r e f l e c t e db yt h ed i f f e r e n tf e a t u r ep a r a m e t e r s t h i r d ，w ei n t r o d u c et h et h e o r yo fn e u r a ln e t w o r ka n di n t r o d u e et h e s t r u c t u r ea n dt h ew o r kp r i n c i p l eo fb pn e u r a ln e t w o r k w ei d e n t i f yt h e f a b r i cd e f e c t sb yu s i n g3l a y e rb pn e u r a ln e t w o r k t h ei d e n t i f i c a t i o na l g o r i t h mw ep r o p o s e dh a st h eb e t t e r e f f e c ti nt h e i d e n t i f i c a t i o no ft a b b yf a b r i cd e f e c t s t h r o u g ht h ee x p e r i m e n tw ed e t e c t5 k i n d so fm o s tc o n s t a n td e f a u l t so nt h et a b b yf a b r i c ：e n do u t ，d o u b l el o o p s t i t c h ，t h r e a do u t ，d o u b l el o o pp i c k ，b o r e t h ec o r r e c ti d e n t i f i e a t i o nr a t e r e a c h e st o9 7 k e y w o r d s ：f a b r i cd e f e c t ，a u t o m a t i ci d e n t i f i c a t i o n ，w a v e l e td e c o m p o s i t i o n ， b pn e u r a ln e t w o r k n i 武汉理工大学硕士学位论文 1 1 引言 第1 章绪论 国内纺织工业在自动化技术应用上已经取得很大的进展，各道工序的生 产效率也得以大幅度地提高。然而，纺织品检验的效率却并没有同步提高。 目前，这一工序主要还是依赖于人工操作。 众所周知，在纺织品生产中。质量控制与检测是十分重要的，织物疵点 检测是其中最为主要的部分。疵点检测的目的就是在织造完成后，验布过程 中及时发现这些已存在的疵点，通过修复和整理，尽可能降低由疵点导致的 织物质量的下降。迄今为止，传统的织物疵点检测是由人工视觉离线检测来 完成的。这种方法存在一些显然的缺陷，如劳动强度大、效率低、漏检率高、 受检验人员主观因素影响大，难以得到准确的检验结果，而且长时间对人体 健康很不利。有实验表明，一个验布工全神贯注的最长时间约为3 0 分钟，之 后注意力开始下降，所以人工视觉检测的误检率和漏检率较高，而且一般只 能发现约7 0 的疵点。事实已经证明织物检测是所有纺织生产过程中最难实 现自动化的工序，为了提高产品质量管理和控制水平，实现织物疵点的客观 评价，降低成本和减轻验布人员的负担，织物疵点的自动检测日益受到国内 外专家学者的关注，也成为一个关注和研究的热门课题之一。尤其是从上一 世纪8 0 年代后期以来，基于计算机视觉技术的织物疵点自动检测更成了纺织 学科和信息学科的学者积极参与的前沿的交叉研究领域，并取得了一定成果， 但其中大部分是以理论算法、专利或试验样机的形式被报道。 利用计算机视觉对织物疵点进行自动检测，不但能提高纺织企业的生产 效率，而且为织物疵点的种类、大小以及对产品质量的评估制定客观标准打 下基础。然而，我国在应用计算机视觉自动检测织物疵点方面与国外差距甚 大，无论是研究工作还是系统研制方面均较长时间处于空白状态。直到1 9 9 8 年东华大学才开始涉足该领域的应用基础研究，但是没有成熟的样机推出。 我国纺织工业虽有劳动力成本较低的优势，但验布长期依靠人工视觉终究与 我国想成为纺织强国的愿望相悖，并且基于计算机视觉技术的织物疵点自动 检测是现代高新技术的综合应用，本文的选题也正是鉴于以上所述的背景。 武汉理工大学硕士学位论文 1 2 文献综述 随着计算机技术、图像处理技术的发展，使得基于计算机视觉的织物疵 点检测成为可能。所谓计算机视觉就是通过图像来理解所摄对象的几何形状 和尺寸，该对象离观察者距离、对象运动速度以及多个对象间的静态或者动 态关系等。从2 0 世纪9 0 年代开始，美国、以色列、韩国、中国台湾、日本 和瑞士等国家的学者陆续发表相关方面的研究论文。这些论文都是参考了该 领域的最新研究成果，还借鉴了其它工业检测系统的开发经验，理论水平不 断提高。 按照图像处理方法的不同，学者在织物疵点自动检测的研究途径方面可 分为两种，一种是在空间域，即直接对图像的灰度值进行计算，并提取特征 值；另外一种是在频率域，即通过快速傅立叶变换( f f t ) 、g a b o r 变换、小 波变换等方法，把图像转换到频率域后再进行分析计算【h 】。 1 2 1 基于空间域图像处理的疵点检测识别方法 在图像处理中，纹理特性提取是对物体图像灰度级变化的特征进行量化， 一般来说，纹理特征与物体的位置、走向、尺寸、形状有关。在空闯域常用 的纹理分析方法有灰度共生矩阵、马尔科夫随机场、灰度直方图统计法和灰 度匹配法等，但这些方法基本上都存在着由于计算量大而导致处理速度慢等 缺点。 y o s h i os h i m i z u 等从图像灰度共生矩阵提取特征，通过贝叶斯决策对疵点 进行分类，采用图像匹配的方法建立织物疵点检测专家系统【9 l 。 s a rs a r d y 等探讨了采用神经网络对不同类织物的疵点进行检测分类【1 0 】。 首先对获取的织物图像提取纹理特征包括加重，二阶矩、熵、不一致性等， 然后将特征值输入三层的神经网络进行分类，该法可以检测断纬，纬向不匀， 杂质和筘痕四类，然而此法也仅限于实验室的应用。 台湾逢甲大学的t s a i 等采用共生矩阵和神经网络对棉结、断经、断纬和 油污疵点进行检测识别【1 1 1 。在训练阶段，该方法首先计算出图像的共生矩阵， 由共生矩阵可计算出角二阶矩，从而判断出织物的经纬密度重复周期。然后 根据这个周期值，可由共生矩阵计算出不同的角度、不同距离的六个对比度， 2 武汉理工大学硕士学位论文 输入到神经网络进行训练。检测时，仅需由待检测织物图像的灰度共生矩阵 计算六个对比度，输入神经网络识别和分类即可。经实际计算，该方法耗时 较多，检测速度必然较慢。 f s c o h e n 等采用高斯马尔科夫随机场( g m r f ) 纹理模型对织物疵 点的检测进行了研究【1 2 1 。首先对没有任何疵点的织物图像进行训练，得到表 示该种织物纹理的g m r f 参数，作为检测过程的参考指标。检测时，对待检 测织物提图像分块( 如每块8 8 或1 6 x1 6 像素) ，每个图像块内计算g m r f 参数与参考指标的“距离”，以确定图像块是否存在疵点。 y f z h a n g 等在其对疵点检测和分类的研究中，采用两种方法对粗节 和结头疵点进行了分析 t 3 1 。一种是采用计算灰度值的统计特性的方法，首先 是采用不含疵点的织物图像经直方图均衡化后，由自相关得到织物图像的经 向和纬向周期性的重复长度，作为检测窗口的高度和宽度。窗口大小确定后， 对织物图像划分窗口，计算窗口内部和外部之间的灰度均值和标准方差，然 后可得到该织物的阂值。检测过程为采集图像后经直方图均衡化，在窗口内 计算均值，并同阈值比较，超过阈值的窗口就是出现疵点的地方。第二种方 法是采用数学形态法图像处理的方法，首先由已知的疵点图像得到疵点部分 的灰度阈值，由已知的无疵点的织物图像得到结构元素。检测时，对由灰度 阈值二值化后的图像，再由结构元素进行腐蚀和膨胀后确定疵点的种类。 这些研究，由于软硬件的局限，只能检测人眼开起来比较明显的疵点， 检测疵点的种类比较少，精确度低，计算速度慢，难以适应工业化需要。 1 2 2 基于频率域图像处理的疵点检测识别方法 在频率域中，主要有傅立叶变换和小波变换等。二维傅立叶变换能包括 全部纹理信息，因此如同从物体本身导出纹理特征一样，从傅立叶频谱导出 特征值也是非常有用的。近几年小波变换【1 4 l5 】由于其检测奇变信号的优良特 性，使之成为傅立叶变换之后在信号检测中最具有发展前途的研究工具之一。 下边就分别介绍基于这两种方法的疵点识别方法。 1 傅立叶分析法 按照获取和处理图像方式的不同，采用快速傅立叶变换( f f t ) 处理织物 疵点图像的研究成果分为两类：一种以c c d 采集织物图像信息，数字化后， 武汉理工大学硕士学位论文 由计算机软件处理，对织物疵点加以识剐。其特点是识别效果和速度受计算 机硬软件的影响较大，但灵活性强，可以方便的变换不同的算法，并且容易 实现。另一种是采用光学透镜，如傅立叶透镜、滤波器透镜等硬件的方式， 获取织物图像并进行处理，从而识别出疵点，它的特点是速度快，但灵活性 相对较差。 1 9 9 6 年t s a i 等研究用b p ( 误差逆向传播) 神经网络检测缺经、断纬、油 污和破洞疵点，输入神经网络的特征值是由图象的傅立叶功率谱得到的9 个 参数，分类正确率达到了8 8 t t 6 。 1 9 9 8 年台湾的c h e n 等人采用光学傅立叶透镜提取织物图像功率谱，经 b p 神经网络对疵点进行检测和分类 1 7 , 1 9 。图像的二维快速傅立叶变换( f f t ) 由经向和纬向两个一维的f f t 代替，这样大大减少了计算量，节省了时间。 由f f t 后的功率谱提取9 3 个特征参数，输入b p 神经网络训练。实验证明， 对一幅2 5 6 x 2 5 6 的图像检测和分类的时间为o 2 秒，对检测的1 2 类疵点中的 9 类能够正确识剐。 c h i - h oc h a r t 等研究了傅立叶分析应用于织物疵点检测【1 9 】。获取的织物图 像首先经直方图均衡化，目的是使图像的亮度和对比度标准化，然后经二维 f f t 计算出图像的频率功率谱，由其计算出七个参数，分别表示织物的不规 则结构、纬纱结构和经纱结构。本方法可以检测双经( 纬) 、缺经( 纬) 、破 洞和密度波动四类疵点。 采用傅立叶变换对织物疵点检测的研究中还包括去除织物纹理，增强疵 点等方法，一般也是处理较大的疵点。 2 小波分析法 小波变换中由于引入了尺度因子，使之具有分析频率时降低视野自动放 宽的特点，能够将各种交织在一起的不同频率组成的混合信号分解成不相同 频率的块信号，且对高频成分采用逐渐精细的时域或空域取样步长，从而可 以聚焦到对象的任意细节，因而能有效地应用于模式识别和边缘检测等。 2 0 0 1 年wjj a s p e r 研究了自适应小波在纹理描述和疵点检测中的应用f 2 们。 他应用小波滤波器系数和表征织物纹理的矩阵构成二次代价函数，再加上小 波滤波器系数的正交约束条件，构成一个二次函数。采用拉格朗日乘子法计 算出使二次函数取得极小值时的小波滤波器系数，以此代表该织物的纹理。 把织物疵点图像经滤波器滤波并二值化后在疵点的位置具有明显的峰值。然 4 武汉理工大学硕士学位论文 而该方法存在着当滤波器系数过多或过少时都不利于疵点的检测，只有滤波 器系数个数和纹理重复单元的象素个数相等的时候，疵点对自适应小波的反 应最敏感。 2 0 0 2 年h s a r i s a r r a f 研究了安装于织布机上的疵点检测系统 2 i 】。织物图 像的采集采用基于数字信号处理器( d s p ) 的线扫描摄像头、数字图像卡和个 人计算机。采集的图像经2 或3 层小波分解并去掉间隔采样步骤，对横向、 级向和对角图像按一定方式融合为一个图像后计算其整体均匀度和局部粗糙 度，整体均匀度较小者被认为没有疵点，否则阈值化后经b l o b 分析将疵点分 类。 2 0 0 3 年台湾的m c h u 等采用最优小波包和人工神经网络技术检测4 种 织物疵点1 2 2 1 。织物图像获取后作小波分解并计算分解后子图像的香农熵 ( s h a n n o ne n t r o p y ) ，对熵值最小的子图像继续分解，共分解三层，选择香农 熵值最小的六个子图像，其位置和熵值作为2 4 个参数，再加上均值和标准差 共2 6 个特征参数，输入到b p 神经网络训练并检测，可以检测缺经、缺纬、 油污和破洞四类疵点。 上述这些研究都是处于实验研究阶段，检测疵点的种类较少，只能检测 比较明显的疵点。但是我们可以看出疵点自动检测研究都把傅立叶变换、小 波分析和神经网络作为疵点自动识别的重要工具。其中神经网络在基于样本 的自适应学习和故障模式快速分类方面具有非凡的优势，在有实时性要求的 监控场合更有应用价值，这也决定了神经网络在织物疵点自动检测和识别系 统中的重要地位捌j 。 1 2 3 国际上已推向市场的织物疵点自动检测系统 织物疵点自动检测系统的适应面很广，它能检测包括坯布、成品布、服 装面料、染色布，工业用布等各类织物。虽然在疵点自动检测领域的研究工 作已经取得了一些成果，但真正推向市场的检验系统还较少。目前仅有以色 列爱微丝( e v s ) 公司的i - t e x 验布系统【2 5 1 、比利时b a r c o 公司的验布系 统1 2 6 1 和瑞士乌斯特( u s t e r ) 公司的f a b r i s e a n 自动验布系统 2 r l 。下面对其产品 的性能特点分别作简要的说明。 1 e v s 公司的i - t e x 系列验布系统 武汉理工大学硕士学位论文 i - t e x 2 0 0 0 验布系统具有较快的速度和较高的检测精确度，其每套装置的 1 2 台摄像机和4 组光源从4 个检验角度进行监控，最快能每分钟检测3 0 0 米 的织物，最大检测宽度可达6 米。在幅宽为3 3 0 c m 时，该系统能以1 0 0 m r a i n 的速度检测出小至o 5 m m 的疵点。该系统主要软件使用了一种模拟人的视觉 的系统，能学习正常织物的图案纹理，并能通过多重检验算法来区分织物的 正常变化与真正的疵点，一旦疵点被发现，其位置与尺寸将被记录。 2 b a r c o 公司的c y c l o p s 在线自动检验系统 与e v s 不同的是，b a r e o 公司的c y c l o p s 在线自动检验系统的扫描头可以 安装在正在织造的机器上，而e v s 等的扫描头则是被安装在卷布机上或安装 在后整理设备上。因而一旦在织造过程中发现严重的疵点，c y c l o p s 系统能通 过自动停机防止和减少坏布的产生。 c y c l o p s 系统的扫描头包括摄像头和照明系统，摄像头是基于c m o s 技术 制造的。扫描头的移动速度为1 8 厘米秒，最大的检测幅宽是2 6 0 厘米。c y c l o p s 系统使用一种特有的算法，使用嵌入式软件与其内部设计的专用硬件以及中 型计算机相结合完成大量的图像处理运算。该软件具有照相机校准、照明系 统设置、织物经纬密度和组织的测试与调整等功能，并能将疵点图片以j p e g 格式储存。当疵点产生时，系统不仅会促使织机停机，而且发出警报提醒操 作工注意。疵点的类型及其位置将显示在终端上。当接触引起疵点的原因后， 可让机器继续运行。 3 乌斯特( u s t e r ) 公司的f a b r i s c a n 系统 u s t e r 公司的f a b r i s c a n 系统在宽度方向装有2 8 只特制高分辨率线扫描 c c d 摄像机，检测速度最高达1 2 0 m m i n ，最高分辨率达o 3 m m ，检测幅度在 1 1 0 - - 4 4 0 c m 。f a b r i s c a n 能检验坯布、染色布、劳动布甚至玻璃纤维织物。 f a b r i s e a n 的独特之处还在于它将疵点在一种被称作u s t e rf a b r i c l a s s 的矩阵中 进行分析。f a b r i c t a s s 有两条坐标轴，y 轴是疵点特征的对照，而x 轴则是疵 点尺寸的反应。有关疵点的数据将同样被保存在数据库中，便于操作者建立 所需的各种报告。 1 2 4 国内的研究现状 我国在织物疵点自动检测方面的研究起步较晚，研究的内容主要是疵点 6 武汉理工大学硕士学位论文 的识别算法研究、特征值的提取算法研究，其中包括空间域的灰度共生矩阵 等、频率域的小波变换等算法；在疵点的识别和分类中多使用b p 神经网络法 【2 们。比如有卿湘云等将织物图像分成大小相同的局部窗口，在局部熵最小 的窗口区域内分割出疵点图像，并用数学形态法的开运算滤除噪声，计算疵 点形状因子等作为识别参数，此法有效的识别缺纬、断经、油污和破洞四类p l j ； 努尔顿等用阈值对织物图像进行二值化处理，滤波消除二值化图像噪声，从 织物纹理分离出疵点部分，然后用b p 神经网络训练，利用b p 神经网络对疵 点进行识别和分类【3 2 】；徐增波等利用二维连续小波能在时域和频域上对织物 图像同时实现任意尺度和旋转角度变换的特征，通过纹理模型和频谱分析确 定出最优的变换尺度和旋转角度，并由预先确定的全局阈值从小波变换系数 的模中进行疵点的分割，进而进行识别【3 硼；屈萍鸽等将织物图像进行小波分 解，然后把分解后的图像灰度值作为特征参数输入到b p 神经网络进行训练并 且识别，实验结果表明此法的识别率可达到9 5 0 4 1 ；李立轻等在织物图像的 小波分解算法和紧支撑正交小波的基础上提出了织物自适应小波的构造，由 自适应小波对织物图像分解，然后对分解后的纬向和经向子图像提取特征， 由特征值检测和识别疵点。实验证明了该方法对常见疵点具有快速、准确的 检测效果p ”。 1 3 本文研究内容 本文借鉴国外已有产品的模式和技术，在已有算法中选择合适的种类并 进一步优化，主要运用频率域小波分析算法与图像纹理检测识别相结合，并 采用神经网络方法对平纹棉织物中几种最常见的疵点如重经、断经、重纬、 缺纬和破洞进行了检测识别。经多次实验验证取得良好的效果。本文主要研 究内容如下：在特征值选取阶段，选用能量、熵、方差和极差作为本文疵点 检测识别的特征值，通过绘制的特征值曲线可以看出这四个特征值均较明显 的反映出疵点信息；在特征值提取阶段，首先是图像的预处理过程，即为了 增强图像的对比度和清晰度，采用直方图均衡化的方法对疵点灰度图像进行 强化处理，从处理前后的比较可以看出均衡化后的图像纹理更为清晰；其次， 由于织物图像纹理存在一定的重复周期，为了确定纹理周期，本文选用自相 关函数法计算纹理周期，从而确定了图像分割的窗口大小；然后运用小波分 7 武汉理工大学硕士学位论文 析的方法，通过选择合适的分解小波和分解方法将织物图像进行正交分解， 从而得到经向和纬向子图像，从分解的子图像可以看出本文选用的分解小波 和分解方法能较好的反映出织物纹理特征；最后，在子图像的所有分割窗口 中提取特征值并归一化处理，通过特征值曲线可以看出不同的疵点特征对应 着不同的特征值异常变化，从而可检测出疵点；在疵点识别阶段，本文利用 b p 神经网络具有按期望目标进行模式识别和分类的优点对待识别疵点进行了 分类识别，并取得了较好的效果。 s 武汉理工大学硕士学位论文 第2 章织物疵点及其识别方法原理 2 1 本文识别的织物疵点 织物疵点有缺经、缺纬、重经、重纬、断经、断纬、穿错、吊经、松经、 厚段、薄段、换档、破洞、油污、小毛球、游丝等等很多种类。据相关调查， 疵点的种类出现最多的是在织造过程中形成的，大约占所有疵点类型的8 0 ， 而在其它的工艺流程中占地比重很少；再由于疵点的种类繁多，并且大小不 一，要找出一种能检测识别所有疵点的方法极其困难，也不太现实。经调查 可知，重经、断( 缺) 经、重纬、缺( 断) 纬、破洞这五种瘴点的出现率占 所有疵点类型出现率的8 0 以上1 3 “。因此，本文主要研究在织造过程中产生 的这5 种最常见疵点的检测识别方法。具体各类织物疵点图像见本章图2 1 2 5 。 图2 1 重经图2 2 缺纬图2 3 断经 图2 4 重纬图2 5 破洞 9 武汉理工大学硕士学位论文 2 2 织物疵点识别方法原理 本文疵点识别方法原理包括特征值提取方法原理和疵点分类识别方法原 理。特征值提取方法中主要是按照织物的灰度特征和纹理特征进行特征值的 提取。在没有疵点的织物图像上，织物的纹理清晰，其灰度特征中的各个参 数也没有很大的变化；而当织物上出现疵点时，织物纹理和灰度特征的各个 参数便会发生很大的变化，从而我们可以提取出特征值并且根据特征值的变 化检测出疵点的存在。疵点分类识别方法中，利用神经网络具有按照期望目 标自动分类和识别的能力，在提取的特征值的基础上，利用b p 神经网络将各 个特征值作为输入进行疵点的分类识别。首先选用一组标准疵点数据对神经 网络进行训练学习，然后再将随机试验样本的各个疵点特征值数据输入训练 好的神经网络进行分类识别。 国内外学者对织物疵点自动识别的研究已有2 0 多年，在发展中算法不断 更新和完善，速度不断提高。然而所有具有实用价值的算法基本遵循先提取 特征值，再输入神经网络进行辩别的过程。 2 2 1 特征值提取方法 提取特征值最初阶段的算法多是利用图像灰度值直接计算，如灰度共生 矩阵、马尔科夫随机场、灰度匹配法等，其中一些算法存在计算量大而导致 处理速度过慢的缺点，而且识别率普遍不高。接着引入的是傅立叶变换，按 照获取和处理图像方式的不同分为两类：一种以c c d 采集织物图像信息，由 计算机软件处理对织物疵点加以识别。另一种是采用光学透镜( 如傅立叶透 镜、滤波器透镜等) 获取织物图像并进行处理。随后则是基于小波分析的特 征值提取，小波分析引入了尺度因子，使之具有分析频率时降低视野自动放 宽的特点，能够将各种交织在一起的不同频率组成的混合信号分解成不相同 频率的块信号，且对高频成分采用逐渐精细的时域或空域取样步长，从而可 以聚焦到对象的任意细节，因而能有效地应用于织物疵点识别。各种方法具 体详见第1 章的文献综述。 从第1 章的一些研究结果可以看出小波分析是疵点自动检测的重要工具。 小波分析是由短时傅立叶变换发展起来的应用数学分支，具有多尺度的特点 武汉理工大学硕士学位论文 以及在时、频两域表征信号局部特征的能力，非常适合检测信号的奇异点， 今后其应用将会更加广泛。因此，本文亦采用小波分析方法先将通过预处理 的织物图像根据织物纹理分解成经向和纬向的子图像，然后根据织物纹理特 征进行子图像窗口分割，再在子图像分割的窗口的基础上利用灰度统计的方 法进行特征值的提取，通过对提取的特征值分析可知，不同的疵点类型对应 着不同的特征值异常，从而可检测出疵点的存在。具体详见第3 章和第4 章 内容。 2 2 2 特征值的选取 得到疵点样本布的图像后，若直接将图像按象素矩阵送入神经网络训练 学习，会使网络运算太过繁重，训练时间极其冗长，甚至可能无法得到结果。 实际上，图像中有许多冗余信息，而网络只关心那些与正常纹理不同的疵点 信息。因此，找到与疵点信息相对应的特征值是检测识别疵点的关键。图像 的特征值应能够最好地反映图像中物体的类型、性质、状态等等特征，它是 对对象进行识别的判据。对于疵点检测来说，织物图像特征值的变化直接决 定了疵点能否被检测出来。因此，特征值的确定是相当重要的。图像的特征 很多，用于表征织物纹理特性的特征值通常都是织物纹理图像的灰度统计特 性值，主要有能量( 二阶矩) 、对比度、熵、方差、逆差矩和极差，此外还有 亮度、经向长度、纬向长度、面积、欧拉数等等。实际中宜采用简单有效， 易于实现的特征算法，并且所选取的特征应能明确区分各类疵点，且特征量 的维数尽量少。这样不仅可减轻神经网络的运算负担，缩短训练时间，还可 提升整个系统的速度。由于本文是在小波分解子图像的分割窗口基础上进行 特征值的提取，因此不易采用亮度、疵点长度、面积和欧拉数等特征值。从 第4 章的分析理论和试验中我们可以看出，能量、熵、方差和极差都能很好 的反映出织物的纹理特征和灰度特征，论文研究的这5 种疵点都能通过这些 特征值体现出来。因此，本论文选取的特征值为：能量、熵、方差和极差。 2 2 3 疵点分类识别方法 从第l 章的文献综述中可以看出，目前国内外大多数疵点的识别都是采 用神经网络。人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称a n n ) 是在人类 武汉理工大学硕士学位论文 对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网 络1 4 s j 。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结 构和功能而建立的一种信息处理系统。实际上是由大量简单元件相互连接而 成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系 实现的系统。它利用大量的非线性并行处理器来模拟人脑众多神经元，利用 处理器间错综灵活的连接关系来模拟人脑神经元间的突触行为。人工神经网 络吸取了生物神经网络的许多优点，比如高度的并行性、高度的非线性全局 作用、良好的容错性与联想记忆功能和十分强的自适应、自学习功能等等。 神经网络的利用具体是先将具有相应特征的疵点样本输入神经网络进行训练 学习，经过有限步的网络训练，最终得到最佳的神经网络权矩阵，将其置入 自动验布系统中，便使系统具备了检测和识别疵点的能力，这种先学习后使 用的方法极大的提高了效率，而且对输入样本有限的情况，用神经网络能完 善解决。 平时的研究中主要采用感知器神经网络和b p 神经网络。 感知器( p e r c e p t r o n ) 是由美国学者罗森布拉特( f r o s e n b l a t t ) 于1 9 5 7 年提出 的，其目的是为了模拟人脑的感知和学习能力。感知器是一个具有单层神经 元的网络，网络的激活函数是线性阈值单元。原始的感知器算法只有一个输 出结点，它相当于单个神经元。一 早期的研究人员试图用感知器模拟人脑的感知特征，但后来发现感知器 的学习能力有很大的局限( 如只能对线性可分的输入向量进行分类) ，以至于人 们对它的能力和应用前景得出了十分悲观的结论。尽管如此，这种神经网络 模型的出现对早期神经网络的研究，以及后来许多神经网络的出现产生了极 大的影响。感知器适用于简单的模式分类问题。r o s e n b l a t t 已证明，如果模式 是线性可分的，则算法一定是收敛的。 由于感知器神经网络在结构和学习规则上的局限性，其应用被限制在一 定的范围内。一般来说感知器有以下局限性： 1 ) 由于感知器的激活函数是闰值函数，因此感知器只能用于简单的分类 问题。 2 ) 感知器神经网络只能对线性可分的向量集合进行分类。理论上已经证 明，只要输入向量是非线性可分，并且当输入向量增多时，便难以确定。 3 ) 当感知器神经网络的所有输入样本中存在奇异的样本，即该样本向量 1 2 武汉理工大学硕士学位论文 同其他所有的样本向量比较起来特别大或特别小时，网络训练所花费的时间 将很长。 兼于感知器的这些局限性，我们就要采用多层感知器神经网络和b p 神经 网络来进行疵点的分类识别。本文采用b p 神经网络方法识别疵点。 b p 神经网络，又称作反向传播网络，是由误差反向传播算法( b p 算法) 而得名的，是一种研究比较成熟、应用最为广泛的神经网络，主要用于模式 识别、分类、数据压缩、函数逼近等方面 4 9 1 。b p 算法是一种有监督的学习算 法，其主要思想是从后向前( 反向) 逐层传播输出层的误差，以间接算出隐层误 差。其工作原理：当信号输入时，传到隐层节点，经过激励函数后，把隐层 节点的输出信号传播到输出层节点，经过处理后给出输出结果。它的学习过 程是一种误差反向传播修正的过程，由正向传播和反向传播组成。在正向传 播过程中，输入信号从输入层经隐层单元逐层处理，并传向输出层，每一层 神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输 出，则计算输出层的误差变化值，然后转向反向传播，将输出信号的误差沿 原来的连接通路返回，通过修改各层神经元的权值，使得信号的误差最小达 到期望误差。3 层b p 神经网络的结构图如图2 6 所示。 输出模式 k 输出层 隐含层 输入层 输入模式 图2 63 层b p 神经网络结构图 b p 神经网络的神经元特性可以有多种不同形式，常用的是净输入表达式： 武汉理工大学硕士学位论文 n e t t = 置 f 表示输入层 n e t = d i ，表示隐含层 n e t 。= q l i 表示输出层 ( 2 1 ) ( 2 2 ) ( 2 3 ) 其中置为外界对网络输入层中第f 元的输入信号，和分别为隐含层 和输出层的权值。 激励函数： d = n e t j q = 厂沁r 乒瓦杀丽 ( 2 4 ) ( 2 5 ) o k = 厂( p t k ) 2 瓦石1 丽 ( 2 6 ) 其中口。最都是阈值，酿是偏置值。 激励函数( a c t i v a t i o nt r a n s f c rf u n c t i o n ) 是神经网络的核心，是保证网络 训练收敛和实现网络预期性能的最重要参数。b p 神经网络的激励函数必须是 单调、可微和非线性的，所以在控制识别网络中通常采用s 型的函数。因为s 型函数具有非线性放大系数功能，它可以把输入从负无穷大到正无穷大的信 号，变换成一1 到l 之间输出，对较大的输入信号，放大系数较小；而对较小 的输入信号，放大系数较大，所以采用s 型激活函数可以去处理和逼近非线 性的输入输出关系，因此我们在隐含层采用s 型激活函数；对于输出层，在 一般情况下，均采用线性激活函数，可使网络输出任何值，然而我们设计的 网络的最终输出是0 和l ，所以在输出层也采用s 型激活函数。此外，隐含层 神经元的输出、输出层神经元的输出、误差函数、隐含层的权值变化、输出 层的权值变化等等，这些在m a t l a b3 - 具箱中均已编成函数的形式，通过简 单的书写调用即可方便的获得结果。比如，隐含层的输出若采用对数s 型激 活函数，则用函数l o g s i n m ，若采用双曲正切s 型激活函数，则调用函数 t a n s i g m ；输出层的输出若采用线性激活函数则有p u r e l i n m 与之对应；用函数 l e a m b p m 专门求隐含层和输出层的权值的变化量等等。 武汉理工大学硕士学位论文 第3 章小波分析理论及织物图像小波分解 小波分析是在现代调和分析的基础上发展起来的一门新兴学科，其理论 基础知识涉及到泛函分析、傅立叶分析、数字信号处理等方面，同时具有理 论深刻和应用十分广泛双重意义。基于小波分析方法进行织物疵点的自动检 测是目前许多研究者关注的热点，很多研究者都在寻求基于小波分析的织物 疵点识别的简单有效算法。本文中织物图像的分解算法也是基于图像的小波 分析。 3 。1 小波分析的由来1 3 9 众所周知，自从1 8 2 2 年傅立叶( f o u r