（机械设计及理论专业论文）织物疵点自动检测系统的研究.pdf

摘要纺织品生产中，质量控制与检测是非常重要的，织物疵点控制与检测是其中最为主要的部分。由于织物疵点类型繁多，难以选择普遍适用的识别算法，所以目前多数纺织企业仍采用人工视觉离线来进行织物疵点检验。但因受劳动强度和环境条件等因素限制，无法确保高准确性。并且人工检验方法还存在检测速度低、验布结果受验布人员主观影响较大、误检率和漏检率高等缺点。基于以上原因，织物疵点的自动检测是近年来国内外学者共同关注和研究的热门话题之一。随着计算机技术、数字图像技术和神经网络技术的发展，使得基于图像处理和微型机算计平台的织物疵点检验成为可能。一般来讲，基于图像处理的疵点检测过程包含采集织物图像、图像预处理、图像分析和疵点检测分类等阶段，包括训练或学习过程和检测过程。疵点自动检测技术的核心内容是对采集的织物图像进行处理的算法。本文提出运用织物图像的直线纹理特征，由概率统计生成直方图，有效地提取织物图像的特征波形，经大量检测试验证明特征波可靠稳定。基于波形特征参数对比，能准确定位织物纹理结构异常的位置，正确识别织物疵点。为简化识别算法，可引入阈值过滤，允许正常波形参数通过过滤，而记录异常波形变化，用过滤单一的正常纹理来识别类型复杂的织物疵点。通过对织物结构的特征分析和大量识别算法试验，直方统计能准确提取各类织物图像的纹理结构特征，且直方纹理波形规则，易于计算特征参数均值、幅度和周期。引入织物图像预处理，设置合理的检测阈值，可迅速识别织物疵点并确定其位置。该识别算法原理简单、运算快捷、可靠稳定，而且适应性强。关键词：数字图像图像处理疵点检测模式识别r e s e a r c ho ff a b r i cb l e m i s ha u t o m a t i s md e t e c t i o ns y s t e ma b s t r a c td u r i n l gt h ep r o d u c t i o no ft e x t i l e ，q u a l i t yc o n t r o la n dd e t e c t i o ni sv e r yi m p o r t a n ta n df a b r i cb l e m i s hd e t e c t i o ni st h em o s tp r i m a r yp a r t t h ek i n do ff a b r i cb l e m i s hi ss ob i gt h a ti ti sd i f f i c u l t yt op r o g r a mt h ed e t e c t i o na r i t h m e t i c 稻aw h o l e s oa tp r e s e n t m a n u a lv i s i o nf a b r i cb l e m i s hd e t e c t i o ni sa d o p t e db ym a n yt e x t i l em i l l s b e c a u s eo fm a n yf a c t o r s s u c ha sl a b o ri n t e n s i t y , e n v i r o n m e n tc o n d i t i o na n ds oo n , h i 曲v e r a c i t yc a n n o tb ei n s u r e d a n dt h em a n u a ld e t e c t i o ns t i l lh a ss u c hd i s a d v a n t a g e sa sl o we f f i c i e n c y , g r e a t e rp e r s o n a li n f l u e n c e m o l ea 恻a n dt h em i s so f d e t e c f i o n b a s e d0 1a b o v e , f a b r i cb l e m i s ha u t o m a t i s md e t e c t i o ni sr e c e n t l yp a i dm u c ha t t e n t i o nb yd o m e s t i ca n do v c r 翻娜r e l a t i o n a ls c h o l a r s a l o n gw i t ht h ed e v e l o p m e n to fc o m p u t e rt e c h n i q u e 、d i g i u ai m a g et e c h n i q u ea n dn e r v en e t w o r kt e c h n i q u e ，f a b r i cb l e m i s hd e t e c t i o nb e c o m ep o s s i b l eb a s e do nt h ep l a to fi m a g ep r o c e s sa n dm i c r o c o m p u t e r a n db l e m i s hd e t t i o l ip r o c e s sb a s e do ni m a g ep r o c e s s i n gc o n s i s t so fa c q u i r i n gi m a g e ，i m a g ep r e t r e a t m e n t , i m a g ea n a l y s i sa n dd e t e c t i o ns o r t s ，i n c l u d i n gi nt r a i n i n go rs t u d y i n ga n dd e t e c t i n g a n dt l mc o r ec o n t e n ti si m a g e - p r o c e s s i n ga r i t h m e t i c b a s e do nl i n e a rf e a t u r et e x t u r eo ff a b r i c ，a c h i e v e ds t a t i s t i ch i s t o g r a mc a na b s t r a c tf a b r i cc h a r a c t e r i s t i c sp e r f e c t l y t h e s ef e a t u r ew a v e sp r o v et ob er e l i a b l ea n ds t a b l ed u r i n gn u m e r o u st r y i n gt e s t s b yc o m p a r i n gw a v ef e a t u r e s ，a b r u p to ra b n o r m a lc h a n g e sc a nb cl o c a t e dp r e c i s e l ya n d 五b b r i cd e f e c t sc a nb ep i c k e do u tc o r r e c t l y t os i m p l i f yt h ei d e n t i f i c a t i o n , t h r e s h o l df i l t e rs h o u l db ei n t r o d u c e dt oo v e rp a s sg e n e r a lw a v ea n dr e c o r da b n o r m a ls t a t u s f i l t e r i n gg e n e r a lu n i q u et e x t u r ec a l ld e t e c tv a r i o u sa n dc o m p l e xd e f e c t ss u c c e s s f u l l y b ya m d y s i so ff a b r i cs t r u c t u r ea n dt e s to fd e t e c t i o na r i t h m e t i c ，s t a t i s t i ch i s t o g r a mc a ne x a c t l yd i s t i l lt e x t u r ec h a r a c t e ro ff a b r i ci i 婶，a n dh i s t o g r a mt e x t u r ew a v ei sr e g u l a ra n di ti se a s yt oc a l c u l a t ec h a r a c t e rp a r a m e t e ro fa v e r a g ev a l u e ，s c o p ev a l u ea n dc y c l ev a l u e d e t e c t i n gb l e m i s ha n dd i s c o v e r i n gp o s i t i o nb e c o m em o r er a p i db e e a t l s eo f t h ei n t n ) d u e t i o no f i m a g ep r e t r e a t m e n ta n ds e t t i n gd e t e c t i o nt h r e s h o l dv a l u e t h ed e t e c t i n ga r i t h m e t i ch a sm a n ya d v a n t a g e s , i n c l u d i n gs i m p l et h e o r y , r a p i do p e r a t i o n , g o o ds t a b i l i z a t i o na n da d a p ta b i l i t y k e y w o r d s ：d i g i t a li m a g e ，i m a g ep r o c e s s i n g ，b l e m i s hd e t e c t i o n , p a r e r nr e c o g n i t i o n第一章绪论1 1 课题意义1 绪论织物疵点自动检测代替传统的人工检测方法是纺织品质量控制和管理的重要环节，同时又是纺织自动化的重要标志之。基于图像处理的织物疵点检测，主要是通过图像分析，从图像中发现与正常纹理不同的部分。这方面的研究一直在持续，新的方法不断出现但较为成熟的检测系统较少。开发适合我国纺织业的织物测点自动检测系统，具有深远意义m 瞳”。1 1 1 纺织品生产过程质量检验的重要性娜m 叫纺织品生产中。质量控制与检测是非常重要的，织物疵点是其中最为主要的部分。国内迄今为止，织物疵点的检测是由人工视觉离线检测来完成的。该方法存在检澳0 速度低，验布结果受验布人员主观影响较大，误检率和漏检率高等缺点。基于以上原因。织物疵点的自动检测是近年来国内外学者共同关注和研究的热门课题之一。从2 0 世纪7 0 年代起，人们便开始在这一领域进行探索，经过3 0 多年时间的研究，已经取得了许多成果，其中大部分以算法、专利或样机的形式被报道，而较为成熟的商用织物疵点自动检测系统直到最近才开始进入市场。随着计算机技术、数字图像处理和神经网络技术的发展，使得基于图像处理和微型计算杌平台的织物疵点检验成为可能。因此，从2 0 世纪9 0 年代初开始一直到现在，图像处理用于疵点检测的研究形成了一个高潮。中国台湾、韩国、日本、美国、以色到和瑞士等国家的学者发表了大量的研究论文、文章参考和借鉴了其他工业检测系统的开发经验以及教学和计算机等学科的最新科研成果，理论水平不断提高。一般来讲，基于图像处理的疵点检测过程分采集织物图像、图像与处理、图像分析和疵点检测分类等阶段，包括训练或学习过程和检测过程( 如图1 1 所示) ，疵点自动检测技术的核心内容是对采集的织物图像进行处理的方法。按照图像处理的方法，研究的途径可分为两种：一种是直接对图像的灰度值在空间域计算，抽取特征值；另外一种是把图像转换到频域后再进行分析。纺织品检验中织物疵点检验是最重要的检验项目之一，目前基本用人工北光检测或机械灯光检测，也就是检验人员在没有眩光的北面窗旁或日光灯照明条件下按照自己经验和织物评分、评等标准对织物等级做出评定，并填写各种织物疵点报表。这种方法存在劳动强度大、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。而用计算机图像识别技术进行检验工作可以弥补这方面缺陷，织物疵点的图像第一章绪论检测结果图1 1 织物疵点自动检测和分类的工作过程识别是指按照某一种算法对织物表面图像进行处理并识别出疵点的种类、程度等的方法织物疵点自动控制“图像识别”是对织物质量进行控制和实现织造及检验工序自动化、无人化的关键环节。目前用计算机进行织物疵点检验研究在国外已经开始，如1 9 8 3 年瑞士z e l l w e g e ru s t e r 公司推出的用神经网络识别技术开发的自动验布系统；1 9 8 7 年在巴黎i t m a 展览会上推出u s t e rv i s ot e x 机型的自动验布系统。1 9 8 8年t a k a t o 用灰度匹配法对织物疵点进行了识别工作；1 9 8 9 年s h i z i m u 用专家系统对织物疵点进行了识别；1 9 9 1 年c o h e n 用高斯马克随机场进行了疵点识别；1 9 9 3 年w a n g h e l u w e 用神经网络技术对织物疵点进行了识别；1 9 9 6 年m c h u 和i s t s a i 用傅立叶变换和神经网络对织物疵点进行了识别。1 1 2 织物疵点机器视觉自动检测的优点织物疵点有些是由于织机的误动作形成，有些则因纱线自身的原因所导致。疵点的存在影响了织物的外观，直接关系到成品的等级划分目前我国决大多数企业的织物疵点检验都是依赖人工，靠肉眼进行。人工检验主要有以下不足之处嘲：一检验员效率低，漏检率高达2 0 3 0 9 6 ：二检验员的检验能力不稳定，个体差异明显，无法形成统一的检验标准；与人工检验比较，织物自动视觉检测的优点在于：一可同时对织物中疵点进行检测和分类、定位；二对疵点检测精度高，可以检测出所有肉眼可见疵点；三始终客观和可再现的评价织物，提供更为一致和可靠的检验结果；四检验速度高达人工检验的5 1 0 倍，大幅度节约人力成本：2第一章绪论五提供数字化的疵点数据文档，可对数据文档进行分析和数据挖掘，指导工艺与设备的调整，改善整个生产和管理过程。本系统的研究成功，将使我省众多的大中型纺织企业改变织物疵点检验依靠人工的局面，提供可靠的质量保证：同时，作为一种自主知识产权的光机电一体化产品，在国内外纺织设备市场具有较强的竞争力。1 i 3 应用前景和预期经济、社会效益分析本项目拟发展的织物自动视觉检测系统，其主要工作在与算法的选取与实现，硬件成本低廉，具有较高的性价比由于根据我国的织物检验标准进行设计，具有国外类似产品不可比拟韵优势我国目前还没有类似产品在市场出现，本项目在完成产业化推向市场后，将被国内和周边国家的众多纺织企业关注和欢迎，可以在很大程度上替代现行人工检验陕西省作为据有众多纺织和纺机企业的纺织大省，亟需发展和应用新型的纺织设备用信息化促进产业化，增强企业的市场竞争力。本项目刚好适应了这些需求。同时本项目属于光机电一体化产品的研发符合我省的产业开发重点。与国外的类似产品比较，本项目发展的设备价格低廉。更适合我国的国情，具有明显的市场竞争优势。发展具有自主知识产权的织物视觉检验系统，形成适合我国国情的织物疵点检验标准，对于我省振兴纺织行业。提升光机电一体化产品的技术水平，促进区域经济发展，都具有深远的意义以西安莱纺织厂为倒，该厂的纯棉白坯布每月定额为6 2 0 万米，某验布车问现有检验员3 2 0 人，据统计人工检验的疵点漏捡率在2 0 左右。如果该车间全部采用自动检验，至少有2 0 0 人可以抉到其它岗位，雨与此同时潺检奉将降虱l 傩左右。该厂弓!进5 6 套设备将能够完全满足检测的器求。按每台2 0 万元计算，考虑到更换设备对生产的影响，设备投资的回报期将在6 个月以内考虑到全国的情况。该设备的市场份额应该在1 5 亿元以上，同时给纺织企业降低了成本，经济效益非常可观。织物自动检测的社会效益主要来自3 个方面m 1 ：1 推动纺织企业的技术进步，增强企业的竞争力；2 促进图像处理技术在纺织行业的应用，带动一系列相关设备的发展：3 有助于形成我臣自身的织物自动检验标准，建立相关的认证体系，以应对经济全球化趋势给我国纺织行业带来的挑战第一章绪论1 2 国内外研究的现状1 。2 。1 国外织物疵点祝觉检验发展的现状“”州埘o ”o ”在空间域处理图像的疵点检测方法：在数字图像处理中，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。对图像灰度值直接计算，如灰度共生矩阵、马尔科夫随机场等，是纹理分析常用的方法，例如，许多基于共生矩阵的特征已被验证，包括熵、对比度和二阶矩等，但也存在计算量大导致处理速度慢等缺点。y o s h i o s 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了织物疵点检测专家系统。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。首先对没有任何疵点的织物图像进行调练，得蓟表示该种织物纹理的g g r f 参数，作为检测过程的参考指标。检测时，对检测织物图像分块( 如每块大小为8 x 8 或1 6 x1 6 象素) ，每个图像块内计算6 h r f 参数同参考指标的“距离”，以确定图像块是否存在疵点。s a r s a r d y 等探讨了采用神经网络对平纹、斜纹和缎纹等不同种类织物上的疵点进行检测分类的可行性。首先对获取的织物图像提取纹理特征包括姗重( e m p h a s i s ) 、二阶矩、熵、不一致性( n o n u n i f o r m i t y ) 等，然后将特征值输入三层的神经网络进行分类，该方法检测的疵点种类包括断纬、纬向不匀、筘痕和杂质四类，其工作也仅眼于实验室阶段。1 9 9 5 年z h a n g 等在对疵点检测和分类的研究中，采用了两种方法对粗节和结头疵点进行分析。一种是采用计算灰度值的统计特性的方法，采集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，作为检铡窗口的高度和宽度。窗口大小确定后，对织物图像划分窗口，计算窗口内部和窗口之间的灰度均值和标准方差，然后可得到该织物的阈值。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，最后计算超过阈值的窗口数日以决定是否包含疵点。第二种方法为采用数学形态学图像处理的方法，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，对二值化图像由结构元素进行腐蚀( e r o s i o n ) 和膨胀( d i l a t i o n ) 后确定疵点的种类。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了检测。在训练阶段。该方法首先计算出采集图像的共生矩阵，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。根据这两个周期值，可由共生矩阵计算出不同角度、不同距离的6 个对比度，输入到神经网络进行训练。这一过程费4第一章绪论时较长，只能事先离线进行。检测时，仅需由待检测织物图像的灰度共生矩阵计算6个对比度，输入神经网络识别和分类即可。作者指出。对于i o o x1 0 0 象素的数字图像，计算6 个特征值参数就需要约3 0s 的时间，经我们实际计算，也认为该方法耗时较多，检测速度必然较慢。这些研究，由于软硬件的局限，检测疵点的种类较少，精确度低，难以适应工业化需要。2 0 世纪9 0 年代中期以后，由于小波分析等现代数学工具的兴起，疵点检测研究以在频域对图像分析为主。频域处理图像的疵点检测方法：由于对给定图像其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。而小波变换则由于其检测奇交信号的优良特性，使之成为傅立叶变换之后在信号检测中最具发展前途的研究工具之一。傅立叶分析法按照获取和处理图像方式的不同，近年来在频域处理织物疵点图像的研究成果分为两类：一种以c o b 采集织物图像信息，经图像卡数字化后，由计算机软件处理，对织物疵点加以识别其特点是识别效果和速度受计算机软硬件的影响较大，但灵活性强，可以方便地变换不同的算法，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，识别出疵点，其特点是速度快，但灵活性相对较差1 9 9 6 年t s a i 等研究用后传播( b p ) 神经网络检测缺经、缺纬、油污和破洞疵点，输入神经网络的特征值是由织物图像的傅立叶功率谱得到的9 个参数，分类正确率为8 8 。1 9 9 7 年r a j a s e k a t a n 采用交互传播网络( c p n ) 代替b p 神经网络，速度据称提高了3 0 0 0 倍。而且网络不需训练1 9 9 8 年台湾的t 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 神经网络对疵点检涌和分类为节省计算时间，图像的二维快速傅立叶变换( e f t ) 由经向和纬向两个一维的f f r 代替由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 2 5 6 象素的图像，检测和分类时间为0 2s ，而对检测的1 2类疵点中的9 类能够正确识别m a l l i k 等采用光学手段。对检澈织物疵点的光学成像技术进行了分析经激光光源照射的织物。由f f r 镜头转换为功率谱后，再经过一个成像镜头重建为织物图像。若在傅立叶平面插入一个滤波器就会得到滤波后的织物图像如滤波器仅通过沿横向坐标轴的衍射图( 即滤波器为一横向狭缝) ，重构后的图像就为经纱图像。同样，当滤波器为一纵向狭缝或针孔对，则重构纬纱或非周期性疵点图像。作者在实验室中离线情况下验证了这一方法。并指出这种方法可用于织机上的织物疵点在线实时检测。第一章绪论c h i h o c h a n 等研究了傅立叶分析应用于织物疵点检测，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。然后经两点f f f 计算出i 虱像的频域功率谱，由其计算出7 个参数，分别表示织物的不规则结构、纬纱结构和经纱结构。双经( 纬) 、缺经( 纬) 、破洞和密度波动等4 类疵点，可由7 个参数的变化检测出来。小波分析法：小波变换中由于引入了尺度因子，使之具有分析频率降低时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，因而能有效地应用于模式识别、边缘检测等问题，正是在这种意义下，小波分析被誉为数学显微镜。j a s p e r 等对机织物缺纬疵点的检测方法进行了分析和对比。通过把经典的s o b e l边缘算子和f f t 同小波变换比较发现，s o b e l 边缘算子会产生许多人为影响，傅立叶变换不能区分织物布面质量，而小波分析的方法有效且可靠，既能够对织物疵点正确定位，又能对织物质量做出区分。1 9 9 6 年j 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。小波滤波器系数和织物纹理图像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，代表了该织物的纹理。把织物疵点图像经该滤波器滤波，二值化后疵点的位置有明显的峰值。作者发现，当滤波器系数个数同纹理重复单元的象素个数相等时，疵点对自适应小波的反应最敏感，滤波器系数过多或过少都不利于疵点的检测。2 0 0 0 年台湾的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，织物图像被获取后，作小波分解并计算分解后子图像的香农熵( s h a n n o n e n t r o p y ) ，对嫡值最小的子图像继续分解，共分解三层。择香农熵值最小的6 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。检测的4 类疵点是缺经、缺纬、油污和破洞，正确率达到了1 0 0 。如果将疵点检测和分类装置用于织机，即在织机上对疵点进行在线检测和分类，对检测的速度要求同验布相比相对降低。这样既能够对布面质量进行监测，同时当疵点较严重或对继续织造有影响时可停机处理，因此，也有些学者作了这方面的研究。1 9 9 9 年美国的s a r i s a r r a f 等研究了安装于织布机上的疵点检测系统织物图像由数字信号处理器( d s p ) 控制的线扫描摄像头采集，经数字图像卡和计算机处理。图像采集前要测定布机上布面的移动规律和速度。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、纵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 o l b 分析将疵点分类。6第一章绪论可以看出傅立叶变换、小波分析和神经网络是疵点自动检测的重要工具。小波变换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( m u l t i s c a l e ) 的特点以及在时、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，所以应用于疵点的检测其优点是明显的。相对于傅立叶变换，采用小波变换能够更加精确地分析信号中的信息。所以近期在对疵点自动检测的研究中以小波变换为主，并且是今后的发展方向，其应用将会更加广泛。1 2 2 国内织物疵点视觉检验发展现状目前我国还没有自主研发的织物自动视觉检验设备在展览会上出现，但随着微电子技术的发展，图像传感器和微处理器性价比的不断提高，数字图像处理方面的研究与应用非常活跃，所涉及领域日益广泛，水平较高，一些相关成果已经产品化。在织物自动视觉检验领域，国内东华大学等单位已开始立项研究，但尚处于起步阶段。1 3 本文主要工作本课题主要目的是利用计算机数字图像处理技术，结合先进的面向对象程序设计技术，开发出一套能够将传统人工检测织物疵点转化为自动化检测，将主观判断转化为量化指标客观评价织物疵点的方法。本文的主要工作内容包括：( 1 ) 基于数字图像处理技术的机器视觉系统的构建。建立织物疵点图像样本库。( 2 ) 数字图像的预处理，包括图像二值化、图像滤波、闽值选择、边缘提取等，目的是得到织物图像疵点的纹理( 3 ) 对经过数字图像预处理的图像进行特征参数提取与识别，最终判断纹理是否出现异常及出现异常的定位，计算目标点的两维坐标。( 4 ) 建立标准的图像疵点库及标准的图像数据库，以便于待测织物图像的质量检验控制第二章织物疵点视觉检验系统2 织物疵点视觉检验系统2 1 机器视觉系统的组成机器视觉被称为自动化的眼睛，在国民经济、科学研究及国防建设等领域都有着广泛的应用。视觉的最大优点是与被观测的对象无接触，因此对观测与被观测者都不会产生任何损伤，十分安全可靠，这是其他感觉方式无法比拟的。另外，视觉方式所能检测的对象十分广泛。可以说是对对象不加选择。理论上，人眼观察不到的范围，机器视觉也可以观察，例如红外线、微波、超声波等人类就观察不到，而机器视觉则可以利用这方面的敏感器件形成红外线、微波、超声波等图象。因此可以说是扩展了人类的视觉范围。另外，人无法长时闻地观察对象，机器视觉则不知疲劳，始终如一地观测，所以机器视觉可以广泛地用于长时间恶劣的工作环境。机器视觉在以下四个领域有着广泛的应用“”；图2 1 机器视觉技术的应用领域机器视觉主要用于工厂环境，它借助计算机软件，对图象进行定量分析。其处理图象的速度与被处理图象的复杂程度有关。它具有快速、可靠、一致性高的优点。对于大批量生产有很好的经济效益。按功能模块划分，机器视觉系统由图象形成、图象处理、图象分析、和结论判定几部分组成。图象的形成是第一也是重要的一步，它影响到系统应用的稳定性和可靠性，由摄像机在灯光和照明装置的帮助下来完成。摄像机中装有数字传感器，是一种分辨率很高的矩阵传感器，能把图象划分成像素组。机器视觉把物体的三维图象处理为二维图象，然后转换成电压信号传给图象处理单元，图象处理单元把电子信号转交为数字图象信号并进行分析。使用特征单元、神经网络或模糊识别的方法确定零件的位置或图8第二章织物麓点视觉检验系统象，最后把结果送给执行机构。图象的处理过程如下图2 2 所示。按系统组成划分，机器视赘通常由下歹| j 部分组成“”：照明部分；光学系统，包括图象传感器和照相机；图象采集卡图象数字化仪，扫描仪，可视的多路传输器；图象处理计算机或视觉处理器：外部接口，包括与机器人的接口、与x y 仪、零件的接口；工作平台：p c 、工作站、用作图象处理的计算机软件等。在工业生产中，大量的工业生产过程中需要进行产品表面质量检测，这是非常重要的。机器视觉在这方面的应用主要解决了以下几个方面的问题：替代人力减少成本：机器视觉的应用可以完全或部分替代人员，以减少人力成本；提高产品质量：在过去的生产过程中，大多数是靠入的肉眼来对产品的检测，这不但存在着许多人为因素，而且也不可能对产品进行毫无遗漏的检测。而应用机器视觉可以对产品表面进行1 0 0 的检测，同时又可将检测数据储存起来利于对造成产品质量问题的原因进行实时分析，从而对生产过程给出建设性的反馈信息。图2 2 计算机视觉系统组成示意图提高生产效率“”：入眼对产品的检测大多是离线检铡，无法与生产线的自动生产配合起来。既便是在线检测，也会严重限制生产线的运行速度，因为当生产线的速度超过3 0 米分钟的时候，人眼已经无法胜任检测工作。而随着计算机技术的迅猛发展，机器视觉可以完全胜任l o o 米分钟的检测速度，如果应用专门的设备可以达到1 0 0 0米分钟。这样的检铡速度将极大地促进生产线速率地提升，必将极大的提高生产效奉。9第二章织物疵点视觉检验系统图2 3 纺织品质量检测2 2 光源的选择和c o d 器件“们嘲瞄1光源是c c d 应用技术中的重要部分，选好光源是c c d 应用的重要环节。光源可分为自然光源和人工光源两类。由自然过程产生的辐射源称为自然光源。各种天体( 包括地球、太阳、星体) 及大气等都是自然光源。自然光源是客观存在，人们只能对其研究和利用，不能改变其发光特性。2 2 1c c o 应用系统中光源和照度的匹配c c d 应用系统可大致分为摄像和检测两种类型。不同类型对照明光源有不同要求，应根据需要选用潮。摄像是为了真实地记录景物的结构、状态和颜色。而从色度学知道，景物的颜色与照明光源的光谱功率分布有关人们对景物的观察一般是在日光照明下形成的，所以摄像应在日光或近似日光照明下进行检测系统一般有两种，一种是通过涮量被检测物体的像来溅量被铡量物体的某些特征参数；另一种是通过测量拨检物体的空间频谱分布确定被检物体的某些特征参数。对于前者，只要选用白炽灯或卤钨灯作为照明光源l 而对于后者，应选用激光照明。因为它能满足单色性好、相干性好、光束准直精度高等要求。c c d 器件的光谱响应范围为0 2 1 1l lm ，峰值响应波长为0 5 5l l9 1 ，氮氖气体激光器的激光波长为0 6 3 2 8um ，光谱响应灵敏度很接近于其峰值响应波长的光谱灵敏度，与其他激光器相比，用楣同功率光束照嘿，可得到较大的输出信号。并且，此种激光嚣的制造技术比较成熟，且结构简单、使用方便、价格便宜，故常被选用c c d 器件是积分型器件，输出电流信号既和c c d 器件光敏面上的照度有关，也和两次取样的同隔时间，即积分时问有关。若以i 代表输出电流信号，e 代表光敏面的照度，t 代表两次取样的问隔时间，则在正常工作范围内有；第二章织物斑点视觉检验系统i = 皿，= 鲤( 2 1 )式中：k 为比例常数：q = e t ，称为曝光量，单位为i x s 。对于既定元件，曝光量应限定在一定范围之内，其上限为饱和曝光量q 一。对于摄像和以光度测量为基础的c c d 应用系统，光敏面上任何光敏单元上的曝光量q 均应低于q 。，否则将产生画面亮度失真，或产生大的测量误差。因为q = e t ，所以可通过适当选择c c i ) 器件光敏面上照度e 和两次采样间隔时间t两个参数来达到q q - 。但是，采样间隔时间t 一般由驱动器的转移脉冲周期k 确定，常为一确定值。所以调节曝光量通常是通过调节c c d 光敏面上的光照度来实现。要求光敏面上任何点的照度应满足e ，( 2 2 )光敏面的照度也不能太低。如果某些点的照度低于c c d 器件的灵敏阈，这些较暗部便无法测出，从而降低画面亮度的层次或产生测量误差。最好是把光敏面上的最大照度e 。调解为略低于q j t ，以充分利用器件的动态范围。对于c c i ) 应用系统c c d 器件光敏面的照度就是经光学系统成像的像面照度或者是经光学系统进行傅立叶变换后的谱面照度。发光特性接近于余弦辐射体的物体经光学系统成像，其轴上像点的照度或和轴外像点照度e 可分别用下列两式表示反= 凸2 k ：a 【s i n 2u 。( 2 3 )疗e 。= 或c o s ( 2 4 )式中：n7 和n 分别为光学系统的像方和物方介质的折射率；k 为光学系统的投射率：l 为物体的两度；u7 为像方孔径角：w 为所考虑点对应的视场角。对于观测人工照明目标，则可用合理选择照明光源的功率及照明系统的参数来调节被观测对象的亮度值l ，并配以合适的观测光学系统来保持所需要的像面照度有些测量系统像面或谱面照度分布不均匀，最大和最小照度之差远超过c c d 器件响应的范围，这时，单靠调节照明和光学系统的参数不能达到目的。例如，调节光源或光学系统孔径角使像面照度最大值e 。 q j t 为了使在这种情况下能够完成测量，可采用滤光补偿法。这种方法适合于像面或谱面照度分布有一定规律、明暗差较大的情况下滤光补偿就是在c c d 器件光敏面前放置一块透过率按一定规律分布的滤光镜。使高照度区的照度降下来，达到e 。 b 背景此时，把背景误认为对象物的概率：q ( 刃2l g o ) 出( 3 4 )把对象物误认为是背景的概率：1 - p ( 印2ep ( z ) d z( 3 5 )那么错误区分的概率由下式给出t o p ( 一) 】+ ( 1 一，) q ( d( 3 6 )求( 3 6 ) 式为最小值时的0 ，便是阈值。对( 3 6 ) 式微分并使之为零寺 艰一，+ ( 1 一，) - 0一矽( 囝+ ( 1 - t ) q ( o ) = 0( 1 一r ) 口( 口) = 印( 口)( 3 7 )1 9第三章织物腰像的二值他从假定可知p ( 田和鼋( 国为烈力= 去c x p 鼍鹑( 3 8 )= 击e x p 鼍幽( 3 9 )将式( 3 8 ) 和式( 3 9 ) 代入式( 3 ，7 ) ，两边取对数，得h 舢( 1 - r ) 一譬= l n r + i n t - 譬( 3 t o )式( 3 1 0 ) 中是口的二次方程式，所以从md 、f 已知时，可求得阈值p 。根据上述最小误差阕值决定的理论，可以厢p - t i t l e 方法。p - t i t l e 是阈值选择最简单的方法，预先给定对象物在一幅图像中所占面积的比率t 。对于织物疵点的测量，这是比较好确定的。由于c c d 的位置固定，它的取景场固定，而疵点的尺寸通常可根据布匹检验质量确定，那么整幅图像中疵点所占面积的比率t 可以预先估计，再根据实际处理的效果不断修正参数t ，达到选择阈值0 。根据最小误差决定理论，下面关系成立i ，p ( 孑) + ( 1 一，) g ( ：) ) 扛= r( 3 1 1 )满足上述方程的解8 ，便是所求的阈值。具体实现如下，首先作图像的灰度直方图，然后顺次累积直方图，直到和对象物所占面积相近似的灰度值，就是所求的阈值。设对象物所占比率为t ，灰度级i = l ，2 ，n ，计算下式lii即) = 一日l( 3 1 2 )li li然后求得r ( i ) 为最小的灰度值i ，r ( 0 ) - = m i n r ( i ) ，o 就是阅值。灯( d 根据对象物在图像中存在的灰度范围来决定积分方向。织物图像中目标物是疵点的边缘轮廓，它属于高亮区这样日标物就存在高灰度区，相应的应该从高亮区开始积分。但是如果把比率改成( 卜t ) ，那么也可以从低灰度区开始积分而在实际作图像的阈值选择时也是采甩这种方法结果如图3 4 所示，这是图3 2 二值化的效果。通过p - t i t l e 方法计算出图像相应的阈值。由于每幅图像的光照条件，周边环境不可能完全一样，不同种类的织物获酝的罄像灰度值也不一样。但是对象物所占的眈率是基本上保持不变的，利用p - t i t l e 方法可以实现阚值的自动选择。第三章织衔圈豫的二值化图3 2 典型竹节纱疵点图像及灰度直方图图3 3 典型租纬蕺点图像及获度直方图图3 4p - t i t l e 二值化处理效果2 l第三章织物图像的二值化正常织物纹理具有一定的特征性，图像的二值化虽然破坏了这种结构，但它保持了疵点图像的特征，如图3 4 所示。3 2 2 最大方差阈值的设定o ”这种方法是1 9 8 0 年由日本的大津展之提出，它是在最t b - - - 乘法的原理基础上推导出来的。其原理就是把喜方图在某一阈值处分割成两组，当分成的两组问方差为最大对，该值就是图像二值化的闲值。设一幅图像豹灰度值为1 皿级，灰度值i 的像素数为n 。，此时得到的总像素数= j - i各灰度值的概率疗。n2 膏然后用k 将其分成两组c o = f l k 和c 。= k + 1 舶) ，各组产生概率如下：c 0 产生的概率tw o p j = 毋( 七)( 3 1 3 )mc 。产生的概率c o 的平均值c 。的平均值c 1 w l = a = l - w ( t )i - + l其中= 祝是整体图像的灰度平均值；l - i以全部采样的灰度平均值为( 3 1 4 )( 3 1 5 )( 3 1 6 )i娥向；魏是阈值为k 时灰度平均值，所封= 口i l l f o + i l y l u i( 3 1 7 )两组问的方差用下式求出，仃2(七)=毋i(。一”)2wiq-一)2-wotoi(mt一。)2；j端(318)从1 m 之间改交k ，求上式为最大时的k ，即求m a 】【o2 ( k ) 时的k 值，此时k 值便是器篙=l虹地柏鬈蔓一气一一第三章织物图像的二值化阈值。o2 ( k ) 就是阈值的选择函数。图3 5 是采用最大方差阈值方法，选择阈值得到的二值化图像。从处理结果来看，效果比较明显。但是整个疵点的范围已经不准确，不能正确识别。图3 5 阚值= 2 4 9 ，二值化处理结泉综上所述，可以看到大津阈值判别法不论图像的直方图有无明显的双峰，都能够得到较满意的结果因此这种方法是阈值自动选择的最优方法。相比较来说卜t i t l e方法比较复杂，需要预先知道对象物在整个图像中的比率。而且这个比率并不是次就能得到的，还妥在实际中不断的调整，才能得到一个比较满意的结果。但从应用的角度来讲，采用p - t i t l e 阈值判别法更为有效。从图3 4 和图3 5 的比较中可以看到，图3 4 疵点保留完整，只是存在大量的干扰孤立点。虽然图3 5也保留疵点信息，但丢失了部分信息，给后续的识别带来误差。采用p - t i t l e 方法可以有目的的改变比率t 值，直到保证图像疵点信息完整。虽然可能会是图像存在大量的干扰点，不过这些干扰点采用滤波除去而用比率t 的确比较麻烦，却可以在实际检测前预先完成，不会占用检测时间。所以在实际中采用p - t i t l e 方法。3 3 图像的噪声及消除方法嗍汹1 伽m 1 m无论用什么数字化设备得到的图像都受到或多或少的噪声污染。例如。受非相干光照明的物体在其表面上就已经含有引起波面统计性起伏的噪声。在光学系统中，监测仪器、放大器、量化器等设备及各种计算机处理过程中也会混进噪声。这种噪声给图像的有效利用方面造成极大的伤害。可能导致最后得到的结果与预想结果相去甚远。所以在对数字图像进行其他处理之前，消除图像噪声是图像处理技术必要的一步。对这个图像噪声闯题试作如下数学描述希望知道的是真实图像其灰度可以为坐标( i ，j ) 的函数x ( i ，j ) 。但是x ( i 。j ) 被一般称之为不可预料的噪声n ( i ，j ) 污染了。因此，观测到的图像y ( i ，j ) 是由这两个量构成的在这类污染方式中，能够进行较好的处理的是用处。n = c q ，d + 蛳，穷y 力= x 峨，) ，l ( f ，d表示的两种情况。前者称为加法噪声，后者称为乘法噪声噪声的性质不同，问题的处理方式也需要改变。其中，噪声的统计性质是否依赖于图像xc i ，j ) 的商题是很重要韵。再不依鞍于墨像的情况下，把这种噪声叫傲不依赖于信号的噪声。所谓消除图像噪声的问题，可以说就是从已经给出的图像y ( i ，j ) 中去掉噪声n ( i ，j ) 成分，得到更接近予真实图像x ( i 。j ) 的问题。3 3 1 中值滤波中值滤波的研究始于t u k e y ，它是一种非线性信号处理技术，对抑制图像中的噪声非常有效。在一维形式下，中值滤波器是一个含有奇数个像素点的滑动窗口，窗口正中的像素的灰度值用窗口内各像素的中值代替。当n 为奇数时，离散序列a 。、a 山、a - 的中值即是该序列中的一个元索，有( n 一1 ) 2 个元素则大于或等于它。例如，窗口中各像素的灰度毽为5 0 、6 0 、1 8 0 、9 0 、1 0 0 ，则正中前露素值由9 0 取代。因为它是整理后数列5 0 、6 0 、9 0 、1 0 0 、1 8 0 的中值。在这里例子中，如果1 8 0 是单调增加数列中的一个噪声尖峰，则中值滤波将带来有效的改善另一方面，1 8 0 也可能代表宽频带传感器送来的一个信号脉冲，那么滤波冉簪结果会降低一些分辨率。二维l l 的中值滤波比用t xl 中值滤波更能押锥q 嗓声。滤波窗口的选择为n n ，其中n 为奇数。首先作窗口的直方图( 描述图像中具有该灰度级的像素的个数，其横坐标是灰度级，纵坐标是该灰度出现的频率) ，然后取其中值代替窗口正中像素的灰度值。例如，窗口为3 x 3 的情况，就是在9 个采样之中从小到大取第5 个中值作为滤波器的输出。中值滤波的算法有很多，下面介绍其中一种简单易行的方法，如下：步骤1 取图3 。6 ( a ) 左角3 3