（纺织工程专业论文）基于curvelet变换和bp神经网络的织物疵点检测.pdf

苏州大学学位论文使用授权声明 本人完全了解苏州大学关于收集、保存和使用学位论文的规定， 即：学位论文著作权归属苏州大学。本学位论文电子文档的内容和纸 质论文的内容相一致。苏州大学有权向国家图书馆、中国社科院文献 信息情报中心、中国科学技术信息研究所( 含万方数据电子出版社) 、 中国学术期刊( 光盘版) 电子杂志社送交本学位论文的复印件和电子 文档，允许论文被查阅和借阅，可以采用影印、缩印或其他复制手段 保存和汇编学位论文，可以将学位论文的全部或部分内容编入有关数 据库进行检索。 涉密论文口 本学位论文属 在年一月解密后适用本规定。 非涉密论文口 论文作者签名：鸳! ! ：熟 e t 导师签 期： 2 , 0 t o 殳- 日期：如f o r 、， 1 基于c u r v e l e t 变换和b p 神经网 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 中文摘要 在织物检测项目中，布面疵点检验是一个必不可少的环节。依靠人工的检测存 在着劳动强度大，效率低，漏检率高，检测结果易受检验人员主观因素影响等弊端。 随着图像处理技术和人工智能的发展，使得基于计算机视觉的织物疵点自动检测代 替传统的人工检测成为可能。 织物图像在形成、传输、接受和处理中会被噪声污染。为获得高质量的织物图 像，去噪处理很重要。本文运用基于c u r v e l e t 变换的织物图像去噪方法，获得了优 于小波去噪的织物疵点图像。 利用图像处理技术完成织物疵点检测是一个纹理特征提取和模式识别问题。织 物图像的纹理特征提取是一个关键的步骤。本文采用经c u r v e l e t 变换后各子带的 统计特征能量和熵来表达织物图像的纹理特征。对于织物疵点的识别分类，本 文设计了一个三层b p 神经网络，经试验验证对六类织物图像的正确识别率可达 9 5 8 3 。 关键词：织物疵点；c u r v e l e t 变换；神经网络 作者：钟小勇 指导教师：左保齐教授 英文摘要基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 t h ei d e n t i f i c a t i o no ff a b r i cd e f e c t sb a s e do nc u r v e l e t t r a n s f o r ma n db pn e u r a ln e t w o r k a b s t r a c t d e f e c ti n s p e c t i o ni so n eo ft h ei n d i s p e n s a b l es t e p si nt h ef a b r i cd e t e c t i o n s t h e d e t e c t i n gd e p e n do nm a n u a ll a b o rh a sm a n yd r a w b a c k s ，b yw h i c ht h e r ei sh i g hr a t eo f m i s s e dd e t e c t i o n , l o we f f i c i e n c ya n dl o wr e l i a b i l i t y w i t ht h ed e v e l o p m e n to fi m a g e p r o c e s s i n gt e c h n o l o g ya n da r t i f i c i a li n t e l l i g e n c e ，a u t o m a t i ci n s p e c t i o no ff a b r i cd e f e c ta s a r e p l a c e m e n to fm a n u a ll a b o ri sb e c o m i n gp o s s i b l e f a b r i ci m a g e sc a l lb ec o n t a m i n a t e db yn o i s eo nt h ep r o c e s s e so ff o r m a t i o n ， t r a n s m i s s i o n ，r e c e p t i o na n dp r o c e s s i n g t or e c e i v eh i g hq u a l i t yf a b r i ci m a g e s ，d e - n o i s i n g i si m p o r t a n t d e - - n o i s i n gb a s e do nc u r v e l e tt r a n s f o r mc a nr e c e i v eb e t t e r f a b r i cd e f e c t i m a g et h a nd e - n o i s i n gb a s e do nw a v e l e tt r a n s f o r m f a b r i cd e f e c ti n s p e c t i o nu s i n gi m a g ep r o c e s s i n gt e c h n o l o g yi sap r o b l e mo f e x t r a c t i n go f t e x t u r a lf e a t u r e sa n dp a t t e r nr e c o g n i t i o n e x t r a c t i n go ft e x t u r a lf e a t u r e so f f a b r i ci m a g e si sak e yp r o c e s s e n e r g ya n de n t r o p yw h i c ha r es t a t i s t i cf e a t u r e so f s u b - i m a g eo fc u r v e l e tt r a n s f o r m i n ga r ee m p l o y e d t od e s c r i b et h ef a b r i ci m a g e s f o rt h e p a r to fi d e n t i f i c a t i o no ff a b r i cd e f e c t s ，at h r e el a y e rb pn e u r a ln e t w o r ki sd e s i g n e d a f t e rt e s t i n g ，s i xc l a s s e sf a b r i ci m a g ec a nb ec o r r e c t l yi d e n t i f i e db yt h er a t eo f 9 5 8 3 k e y w o r d s ：f a b r i cd e f e c t s ；c u r v e l e tt r a n s f o r m ；n e u r a ln e t w o r k w r i t t e n b y ：z h o n gx i a o - y o n g s u p e r v i s e db y ：p r o f b a o q iz u o 1 3c u r e l e t 变换理论发展与应用。6 1 4 市场化的织物疵点自动检测系统7 1 5 本文研究的主要内容。9 第二章c u r v e l e t 变换理论- 1 1 2 1 傅立叶变换一11 2 2 小波变换1 2 2 2 1 连续小波变换“1 2 2 2 2 离散小波变换：一1 3 2 2 3 多分辨率分析1 4 2 3r i d g e l e t 变换基本理论1 5 2 3 1r i d g e l e t 变换1 6 2 3 2r i d g e l e t 变换与r a d o n 变换的关系1 7 2 4c u r v e l e t 变换2 0 2 4 1 第一代c u r v e l e t 变换2 0 2 4 2 第二代c u r v e l e t 变换2 2 2 5 本章小结2 5 第三章基于c u r v e l e t 变换的织物图像去噪2 6 3 1 图像噪声概述2 6 3 1 1 图像噪声的来源2 6 3 1 2 图像噪声的分类2 7 3 2 图像质量的评价2 7 3 3 基于小波变换的图像去噪2 9 3 1 小波阈值去噪原理。3 0 3 2 小波阈值去噪阈值选择3 l 基于c u r v e l e t 变换图像去噪3 2 织物图像c u r v e l e t 去噪试验3 3 3 1 试验l 3 3 3 2 试验2 3 5 本章小结3 8 第四章基于c u r v e l e t 变换和b p 神经网络的织物疵点识别3 9 4 1 织物纹理描述3 9 4 1 1 织物图像纹理简介。3 9 4 1 2 纹理描述的基本方法4 0 4 1 3 基于c u r v e l e t 的织物纹理特征提取4 0 4 1 4 特征统计直方图分析4 3 4 2 织物疵点的分类和识别5 2 4 2 1b p 神经网络算法5 3 4 3 2b p 神经网络的设计5 6 4 3 织物疵点识别试验6 1 4 4 本章小结6 3 第五章结论与展望6 4 5 1 结论6 4 5 2 展望6 4 参考文献6 5 在读期间发表论文7 1 致谢7 2 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测第一章 第一章绪论 1 1 课题研究的目的及意义 纺织工业是我国国民经济的重要组成，是我国出口创汇的重要行业。2 0 0 8 年全 球性金融危机爆发后，国务院将纺织工业列入九个重点支持发展产业，足见纺织行业 对我国经济的重要支持作用。在我国，纺织行业能够快速发展起来得益于改革开放。 改革开放改变了纺织工业过去生产自动化程度低，效率低的局面。如今，我国的纺织 工业普遍的使用自动化技术，整个生产流程的连续化，使生产效率得到了极大的提高， 产品数量和种类日益丰富。但同时纺织产品质量良莠不齐，质量没有得到有效地保证 和控制。而如今产品质量已成为纺织行业竞争的关键，质量控制越来越受到现代企业 的关注 1 1 1 2 1 。 纺织产品质量的提升，检测是一个至关重要的环节。在纺织领域中，产品的检测 主要有纤维检测、纱线检测和织物检测。其中，在织物检测项目中，布面疵点检验是 一个必不可少的环节。布面疵点影响着织物品质，同时给后续加工带来很大的麻烦。 据统计，在美国，约8 5 的服装劣质原因与织物疵点相关【3 】。长期以来，织物疵点的 检测都是依靠人工来完成的。人工检测存在着检测速度慢( 一般在1 5 - 2 0 米分) ，过 度依赖人员经验，评价标准稳定性和一致性差，误检率和漏检率高等缺点。同时，织 物疵点检测又是一项繁重无味的体力劳动，伤害着验布工人的眼睛。随着图像处理技 术和人工智能的发展，使得基于计算机视觉的织物疵点自动检测代替传统的人工检 测成为可能。计算机视觉技术在织物疵点检测的应用，将会提高织物检测的质量，提 高检测速度，大量节省人力和物力。对于纺织品贸易来说，织物疵点自动检测可以为 纺织品的等级评价提供双方可信的参考数据，从而促进纺织品贸易的开展 4 1 。 1 9 9 9 年开始，国外已推出了几套商用的织物疵点自动检测设备，但其检测技术 有待完善，而且设备高昂的价格让中国企业望洋兴叹；同时，我国的纺织工业有着自 己的特点，设计适应我国纺织业的检测设备，以满足国内市场的迫切需求是非常必要 的。研究和开发织物疵点自动检测系统，在促进我国纺织工业的科技进步、满足我国 纺织工业的发展需求、替代进口、发展自主技术产品等方面都具有重大意义【5 1 。 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 下，结合现在前沿的图像处理技术，运用c u r v e l e t 分析和神 进行自动识别，探索织物疵点自动检测系统的开发方法。 人们就开始着手计算机视觉技术在织物疵点检测领域应用 的研究1 6 1 1 7 1 。从2 0 世纪9 0 年代初开始，这一领域的研究开始进入一个高潮期。来自 中国台湾、韩国、日本、美国、以色列以及瑞士等多个国家的学者发表了大量研究论 文，他们借鉴了其他工业检测系统的开发经验及数学和计算机等的先进技术研究成 果，为这一领域书写了崭新的一页。9 0 年代末，中国的学者也开始将图像处理技术 引入织物疵点自动检测领域，他们吸收了国外先进的研究成果，提出了各种有效的改 进方案。 基于计算机视觉的织物疵点检测技术结合了计算机技术、图像处理技术和人工智 能等学科。从其研究的成果可以看出，织物图像的特征提取和识别是这一课题的核心 内容。在织物图像特征提取的研究途径上来看，主要可以分为两种方法： 一是在空间域( 时域) 上对图像的灰度值进行特征提取，二是通过傅立叶变换、 小波变换等，将图像转换到频域空间，再进行特征的提取 6 1 。本文就这两方面的研究 成果进行简要概述。 1 2 1 基于空间域织物疵点检测 数字图像是一种灰度或亮度在二维空间变化的信息。图像的纹理特征通常是物体 位置、走向、尺寸、形状等信息在图像中的反应，提取纹理特征就是对物体图像灰度 级变化特征进行量化的过程。对图像灰度值直接进行计算，如自相关函数、灰度共生 矩阵等，是纹理分析的常用方法阎。 日本的y o s h i o 等人早在1 9 9 0 年，通过织提取织物图像的灰度共生矩阵的特征值， 再经贝叶斯决策对疵点进行分类，采用图像匹配的方法建立起织物疵点检测专家系统。 1 9 9 1 年c o h e n 等采用高斯冯尔可夫随机场( g m r f ) 纹理模型对织物的疵点检 测进行了研究，他们通过从正常纹理图像中提取模型参数，在通过统计假设检验判别 疵点是否存在。东华大学的贡玉南【9 】等也对此种方法进行了研究，并取得了不错的效 果。 2 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 第一章 2 0 0 0 年，b o d n a r o v o o 等人则采用了灰度共生矩阵法、归一化交叉相关法、纹理 结构检测法、谱分析法四种方法对织物疵点进行检测，发现虽然归一化交叉相关法计 算量大，但其正确率高，希望能通过改进，将其应用到在线检测上。 2 0 0 1 年，r a d o v a ns t o j a n o v i c t l l l 等人和a n a g n o s t o p o u l o s 1 2 等人分别设计了一套用 于织物疵点检测的系统。系统包括了织物退绕系统、图像采集系统、照明系统、控制 系统以及图像处理分析系统。前者可以检测无疵点、经向黑色疵点、经向白色疵点、 纬向黑色疵点、纬向白色疵点、折皱、黑斑、白斑。在实时检测时，检测速度为 1 2 0 m m i n ，织物幅宽为l m ，空间分别率为o 5m m ，其正确实别率为8 6 2 。后者采 用了简单的分割算法，应用神经网络的方法进行识别，能够识别松纬、落棉、色差、 破洞、缺纬和结点等七类疵点。 l a b v i e w 软件由于其优秀的图像处理功能，也被应用到织物疵点检测系统。s u n g h o o nj e n o g t l 3 】等就是使用l a b v i e w 软件对织物疵点图像通过二值化、中值滤波、形态 学处理、k 均值算法等对织物疵点进行识别。结果显示，此方法能正确识别疵点图像 和非疵点图像，并且有较快的运算速度。蔡亚【1 4 】在其硕士论文中也采用了l a b v i e w 软件，通过阈值化，提取疵点特征对疵点图像进行分类，评级。 国立台湾科技大学的c h u n g - - f e n g t 汐1 刀等也做了大量的研究工作。他们将拍摄到 的织物图像经滤波和阈值化后，提取图像的特征值：疵点长径、短径和纹理特征。再 以此为特征，使用3 层b p 神经网络进行训练，最后把训练好的网络运用到在线检测 上。随后，他们又加入灰度值特征，对包括断经、断纬、油污和破洞四类疵点进行识 别，得到较高的识别率。另外，他们在此基础上采用灰度共生矩阵各方向上提取的纹 理特征，包括能量、熵、对比度和不一致性，使用b p 神经网络进行训练，检测图像 中是否含有疵点以及疵点的种类，最后达到了9 4 的正确率。 努尔顿【1 8 】等对拍摄获得的图像二值化处理后，运用形态学滤波的方法获取疵点的 形态特征，再结合灰度特征，使用b p 神经网络进行训练识别，能有效识别丝织物档 疵、缺经、缺纬、重纬、油污疵点。 徐增波i 均1 等基于w o l d 纹理模型和分形理论对织物疵点进行检测和识别。首先基 于w o r l d 纹理模型去除纹理结构中结构性和准结构性纹理，再应用分形理论，从织物 非结构性纹理中提取出表面分形特征曲线，通过待测织物和标准织物分形特征曲线的 比较，采用距离判别方法，在距离分布图中以简单的全阈值检测和定位织物疵点。蒋 第一章基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 忠仁 2 0 l 也采用了分形理论的思想，用离散分形布朗增量随机场( d f b i r ) 场作为图 象处理的模型，通过分形维数等特征参数的提取、k - - m e a n s 法的聚类，将织物图象分 割，达到织物疵点检测的的。 高晓丁【2 1 】采用统计的方法得到织物疵点图像的直方图波形图，再提取波形图的特 征，以此作为支持矢量机的输入参数，训练特征样本集，获得支持矢量，最后对识别 对象进行识别分类，将识别对象归入最优匹配类中。 e t a j e r i p o u r ( 2 2 】等引入了局部二值模式。在训练阶段，先用参考的局部二值模式对 无疵点织物图像统计，以各模式的数量为特征进行训练。检测阶段，通过统计局部二 值模式各模式的数量，以无疵点图像的训练结果为参考，对图像中是否含有疵点进行 判别。由于其方法简单易行，适合在线检测。 1 2 2 基于频域的织物疵点检测 傅立叶变换是首先被用在织物疵点检测的频域方法。1 9 9 6 年t s a i 2 3 1 等通过织物 图像的傅立叶功率谱得到的九个参数，以此为特征值，应用b p 神经网络检测缺经、 缺纬、油污和破洞疵点，分类正确率可达8 8 。c h e n l 2 4 ) 等，由经、纬向两个一维快 速傅立叶变换得到织物图像功率谱，并提取9 3 个特征参数用于b p 神经网络训练， 最后对织物图像进行检测和分类。c h i - h oc h a n ( 捌等对获取的织物图像先进行直方图 均衡化，然后再经快速傅立叶变换得到图像的功率谱，由此计算出七个特征参数，分 别表示织物的不规则结构、纬纱结构和经纱结构，可以检测出重经( 纬) 、缺经( 纬) 、 破洞和密度波动四类疵点。 利用g a b o r 滤波的方法，获取织物疵点图像的特征，是一种广泛被研究的方法。 c e ul b e i r a o 2 6 等人使用g a b o r 滤波的方法，结合主元素分析法和图像分类方法对合 成的和实际织物疵点图像进行识别，使用全局高斯模型、局部高斯模型和第一最近邻 域法三种方法进行分类，发现全局高斯模型分类法计算耗时小，具有较高性价比，适 合实时检测。t s a i 【2 刀等利用g a b o r 滤波的方法，对彩色纹理图形上的疵点进行分割， 发现分割的效果对图像的亮度及疵点的大小并不敏感，而主要取决于g a b o r 滤波器的 方向选择。国内学者，也有很多人对o a b o r 滤波器在织物缺陷检测中的运用做了研究。 袁端磊等建立了一种基于g a b o r 滤波器的织物缺陷自动检测方法，即首先根据无缺陷 织物的结构特征，应用小生境遗传算法寻找最优的g a b o r 滤波器参数和分割阂值；然 4 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 第一章 后将待检图像通过滤波和分割来得到检测结果，同时根据响应矩阵的极小值点来计算 缺陷的形状特征冽。邢亚敬1 2 9 】等提出了一种优化g a b o r 滤波器的方法，他们针对一 幅标准织物图像，通过计算g a b o r 滤波器与标准织物图像卷积结果的f i s h e rc o s t 函数 最小值得到一组优化g a b o r 滤波器参数。张五_ _ 1 3 0 1 等基于多通道g a b o r 滤波器技术， 在多尺度多方向上分别对具有规则纹理结构的织物图像进行g a b o r 滤波，并对滤波后 的多幅子图像进行融合分割处理，将疵点从织物背景中分割出来，从而实现对织物疵 点的实时检测。 在众多的基于频域的方法中，基于小波的织物疵点检测是国内外学者研究最多的 方法，他们从各个角度对小波变换在织物疵点检测上的运用进行了研究。 l a f i f - a m e t t 3 1 1 等人将小波变换理论和灰度共生矩阵结合起来，采用马氏距离分类 器有效识别了织物疵点和非疵点织物图像。具体做法是将织物图像经小波分解后，选 择符合标准的子带，再提取子带图像的灰度共生矩阵的熵、能量、对比度和逆差矩特 征；以四个特征的均值和方差作为马氏距离分类器训练和识别的输入参数。 李立轻【3 粥5 1 等人提出了织物自适应小波的构造方法，通过自适应小波对织物图 像分解，然后对织物的纬向和经向子图像提取特征，由特征值检测和识别疵点。试验 发现该方法对素色织物的常见疵点具有快速、准确的检测效果。 k a r r a s t 3 6 】等人研究了各种小波基对织物图像分解后的效果，发现使用h a r t 小波基 和d b 小波基对织物图像进行三层离散分解能达到较好的效果，并发现在采用自组织 神经网络识别时，运用主元素分析法选取有效的特征经归一化处理后，识别率能有所 提高。 t s a i t 3 7 1 等人采用s y m 8 小波基对织物疵点图像进行分解，根据相邻两层高频子带 图像最小时能消除背景纹理，确定最佳分解层。创建子带重构规则时，只对符合规则 的子带进行重构。采用阈值分割的方法对重构图像疵点进行分割。 y a n g i 3 8 1 等人比较了基于小波变换的六种疵点识别方法，分别是采用极大似然算 法的欧氏距离分类器、采用b p 算法的神经网络分类器、采用最小错误率算法的欧氏 距离分类器和神经网络分类器相结合、采用线性变换的矩阵特征提取器与特征可区分 欧氏距离分类器相结合、自适应小波变换提取器和特征可区分欧氏距离分类器相结 合。经试验发现自适应小波变换提取器和特征可区分欧氏距离分类器相结合识别的正 确率最高。 滤 利 状 出的疵点进行分割表征，根据人工验布的评分标准结合小波疵点检测和图像分割疵点 的特点制定的自动评分准则，并对表征的疵点进行评分，从而实现对织物等级的自动 评定。 龙世忠 4 4 1 在其硕士论文中着重分析了小波理论在织物疵点分割上的应用，提出了 基于自适应小波的织物疵点自动分割方法。其具体是以边缘和非边缘的模值均值比、 最优检测和定位精度的积为优化目标函数构造小波的方法，实现自适应双正交小波的 织物疵点边缘分割。 胡艳【钢等为了精确确定织物疵点边缘，提出了一种基于小波变换和形态学的织物 疵点边缘检测方法。在利用形态学实现疵点检测后，对其进行小波分解，用小波模极 大值法和基于数学形态学的算法分别提取高低频子图像的疵点边缘，采用合理的融合 规则将两个边缘图像进行融合。试验结果表明，该算法能有效地抑制噪声，且边缘清 晰、准确，效果优于经典的边缘检测算法，具有可行性和有效性。 王学文脚1 等根据疵点形态特征上的差异而采用不同检测方案的思想，在图像的空 间域中，采用改进的标准差方法检测油污、破洞等没有方向性的疵点；在图像频率域 中，结合二阶统计分析，分别用纬向、经向的矩形窗e 1 分割图像小波分解的垂直、水 平分量以检测纬向疵点和经向疵点。为确定窗口分割的最佳宽度，研究提出一种基于 灰度差分和窗口分割迭代算法。试验表明，方法实现了油污、破洞、断经、缺纬4 类疵点的准确检测与分类。 1 3c u r e l e t 变换理论发展与应用 在寻求更优的图像表示工具过程中，1 9 9 8 年，c a n d e s 提出了r i d g e l e t 理论的基 本框架4 7 1 。r i d g e l e t 理论结合现代调和分析、群理论和小波分析理论，并在此基础上 6 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 第一章 发展而来，它在对图像直线进行描述时，比小波变换更有效，但在描述曲线时，r i d g e l e t 变换却不能取得较好的效果。为此，d o n o d o 4 8 1 等人在r i d g e l e t 变换的基础上提出了 c u r v e l e t 变换，这就是第一代c u r v e l e t 变换理论。然而第一代c u r v e l e t 变换的数字实 现比较复杂，需要子带分解、平滑分块和r i d g e l e t 分析等一系列步骤，而且c u r v e l e t 变换金字塔的分解也带来了巨大的数据冗余量，因此c a n d e s 等又提出了实现更简单、 更便于理解的快速c u r v e l e t 变换算法1 4 9 5 0 1 ，即第二代c u r v e l e t 变换【5 1 1 。 c u r v e l e t 变换相对于小波变换最大的特点是具有高度的各项异性，因此具有更强 的表达图像“沿”边缘信息的能力。在图像处理中，边缘往往是最重要的特征，它对于 进一步的处理和分析有着至关重要的意义。因此，c u r v e l e t 变换在图像去噪、增强、 融合、恢复等领域广泛被应用。 s t a r c k t 5 2 】等提出了基于c u r v e l e t 的阈值去噪算法，具体是对经c u r v e l e t 变换的到 的子带变换系数进行阈值处理，再通过c u r v e l e t 逆变换的到去噪后的图像，方法易行， 有效。秦雪涛5 3 1 利用c u r v e l e t 系数在不同尺度上同样的位置和同样的方向上具有相关 。性的特性，采用多个相邻尺度的同位置、同方向的系数相乘的方式来定位边缘，这样 对边缘系数乘积的结果会成倍增加，而对噪声系数乘积的结果则增加较少，由此达到 增强特征，抑制噪声的目的。u l f a r s s o n t 矧等人也成功地利用c u r v e l e t 变换良好的边缘 表达特性解决了s a r 图像中斑点噪声问题。 g a r z e l l i t 5 5 】等人提出了基于c u r v e l e t 域的多光谱和全色卫星遥感图像融合算法， 该算法在图像的几何、放射、光谱保真度等方面比现有的图像融合方法表现更佳，融 合得到的图像具有很高的分辨率，更好地保持原始多光谱图像的光谱信息。 焦李成【5 6 】等将经c u r v e l e t 分解的各层子带采用不同的特征提取方法，使用k 小附 分类器对b r o d a t z 纹理库中的纹理图像进行分类，得到的分类效果优于灰度共生矩阵 法、g a b o r 变换方法、小波变换方法提取特征后分类的效果。 1 4 市场化的织物疵点自动检测系统 2 0 世纪9 0 年代以来信息技术高速发展，计算机技术、信号处理技术飞速进步， 同时计算机硬件性能不断提高，数字成像系统逐渐成熟，机器视觉开始在工业中广泛 应用，自动检测方法和手段不断更新。经学者多年研究，基于计算机视觉的疵点检测 领域取得了丰硕成果。目前已有市场化的织物疵点自动检测系统，其中市场上主要有 7 第一章 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 以色列爱微丝( e v s ) 公司的i - t e x 验布系统、比利时b a r c o 公司的c y c l o p s 在线验布 系统、瑞士u s t e r 公司的f a b r i s c a n 自动验布系统和德国o p d i x 光电技术公司开发的在 线检测系统【5 7 - 6 0 。 e v s 公司于i t m a 9 9 国际展览会上展出了它的i - t e x 验布系统。该验布系统可 以用于检测单色简单组织织物，在3 3 0 c m 幅宽时能以1 0 0 m m i n 的验布速度检测出 小至o 5i l l n 的疵点。系统采用神经网络技术，检测时，首先是初始学习阶段，用约 1m i n 对织物的第一米记录，学习，得到正常外观特征参数，然后在检测阶段，寻找 与正常外观不同的局部异常，对其分析、标记并记录。另外，检测结果可输入集成的 质量管理系统，对疵点分类，进一步对织物质量评价。i - t e x 2 0 0 0 系统完全用自动检 验代替了人工检验方法，减少检验、标记疵点和开剪操作中的劳动力，运用累计的光 学疵点信息改进生产工序技术并减少疵点率，减少因疵点漏检而造成的客户索赔，提 供储存检验数据包括疵点图像的有效工具，消除“检验瓶颈”，更快地为车间提供质量 反馈。目前，i - t e x 系统已在国内的德州纺织厂得到了应用。 b a r c o 公司的视觉c y c l o p s 在线布匹检测系统拥有一个可以游动的摄像头，这使 得它可以自由的适应布匹的宽度，而无需增加摄像头的数量。c y c l o p s 在线验布系统 和相应的织布机一起工作，是一种在线疵点检测系统。c y c l o p s 当检测到严重疵点或 者一个不断增长的疵点时，便会停车，进行修整。c y c l o p s 扫描系统包括c m o s 摄 像头和照明系统。检测软件在系统特殊硬件里和p c 机里协同工作。每个c y c l o p s 扫 描头能扫描布匹宽度为2 6 0 厘米。 瑞士u s t e r 公司的f a b r i s c a n 全自动验布系统通过高度准确和稳定地获得疵点的数 据取代了传统的人工验布方式。此检测系统分为离线检测系统和在线检测系统，离线 检测系统可以适用于坯布、单色织物、牛仔布和整理后的功能织物，其最快检测速度 可达到1 2 0 m m i r a 而在线检测系统是根据用户的需要进行组装的，根据织机的宽度 和型号定向制造的。最新的在线检测系统不仅适用于坯布和平纹布，而且还包括更复 杂的织物结构、条纹布和色织布。离线系统由照相机系统、光源系统、调制解调器、 操作终端、条形码扫描仪、远程操作终端、报告工作站、专家系统、接缝检测、标签 机、退绕装置和再卷绕装置组成。在线检测系统采用一项专利系统用以补偿因织机震 动而引起的信号误差。由于传感器和布匹直接接触，提高了图像质量，使疵点的精确 8 基于 检测 在u s t e r 公司的f a b r i s c a n 全自动验布系统中，每个疵点都有一个图像，其对疵点的检 测精度可达到0 3 m m ，在检测过程中此系统自动对疵点进行定位、标记和分类，以保 证所有疵点都能找到。在线检测系统若配合以o n - l o o me x p e r t 专家系统，就完全取 代布匹检测，可在线生产质量报告、疵点图像和分布图，也可以通过网络随时获取这 些信息。 德国o p d i x 光电子技术公司开发的在线织物检测系统以s i c c c o m p a c t + 传感器为 主要监测部件，可将其直接安装在织机上。该传感器是光学接触检验系统，具有高达 0 0 6 m m 的分辨力。如果s i c c c o m p a c t + 装在一个配有c a n ( c o n t r o l l e r a r e an e t w o r k ) 总线接口的织机上时，它的操作可以完全与机器操作合为一体。如果这一功能因织机 的陈旧而无法实现，则传感器可以配有一个图形操作板，它使s i c c c o m p a c t + 以最少 的操作步骤开启。s i c c c o m p a c t + 是一个独立系统工作，如果它被激活，它就用当前织 物或以存储的参数为基础进行自我学习，以便鉴别和调整。如果织物的基本信息在检 测装置中已经存在，则可以使用一个以神经网络为基础的新软件进行处理，使这些资 料成为识别系统的先验知识，用以同类织物的疵点检验。检测系统可以通过停机、倒 车，写备忘录、将疵点影像归档等方式控制生产过程。该套系统能对织物表面疵点进 行寻找、评定和分类，其能对如下疵点进行识别、标志和分类：污物、破洞、断经、 断纬、跳纱、结子、接结疵和色疵。 国内也有企业推出了织物疵点在线检测系统，无锡众望四维科技有限公司推出了 纺织及服装面料机器视觉在线检测系统【6 1 1 。该系统能快速高效的检测出布匹的颜色是 否合格和存在的瑕疵以及瑕疵的数量。根据纺织服装行业中的污迹、色差、缺失、 抽丝、瑕疵、斜纹、破洞、线结等影响产品质量的因素，通过边缘提取、进光量补偿、 模板平移对位、特征提取、平滑去噪、差值比较、二值化处理等方法进行图像处理， 确定瑕疵经纬方向尺寸、形态进行报警并记录、分析、统计存储入库。 1 5 本文研究的主要内容 在织物疵点自动识别领域，学者提出了很多织物图像的特征的提取方法，并应用 到织物疵点的识别过程中，取得了一些成果。但整体来看，织物图像的特征提取问题 并没有真正解决。c u r v e l e t 变换在图像处理中成功应用，本文尝试将其应用到织物疵 9 三 第一章 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测 点自动识别领域，希望能够找到适合织物图像的特征描述方法。 。 本文主要研究工作和论文章节结构安排如下： 第一章是绪论部分，主要从基于空间域和频域两个方面总结了在织物疵点检测领 域中各学者的研究成果，然后介绍了c u r v e l e t 理论的发展应用情况，最后介绍了国内 外推出市场的织物疵点检测系统。 第二章主要介绍了c u r v e l e t 变换的基本原理，为后面的应用铺垫。 第三章详细讨论了基于c u r v e l e t 变化的去噪方法，并将其应用到织物图像去噪 中，取得优于小波阈值去噪的效果。 第四章论述了基于c u r v e l e t 变换的织物图像的特征提取方法，以及b p 神经网络 的设计过程，实现了织物疵点的分类识别。 第五章是对全文的总结和展望。 1 0 基于c u r v e l e t 变换和b p 神经网络的织物疵点检测第二章 第二章c u r v e l e t 变换理论 傅立叶变换、小波变换和r i g i l e t 变换是c u r v e l e t 变换的基础，本章在简单介绍 了它们的理论基础后详细论述了c u r v e l e t 理论及其实现方法。 2 1 傅立叶变换 傅立叶变换是数字图像处理技术的重要工具，其通过在时空域和频率域来回切换 图像，对图像的信息特征进行提取和分析，被喻为描述图像信息的第二种语言，广泛 应用于图像变换、图像编码与压缩、图像分割、图像重建中。 傅立叶变换理论为图像处理领域诸多问题的解决提供另一种思路，它让我们从事 物的另一侧面来看待问题。在分析问题时，使我们从时域和频域两个角度来考虑，对 问题能更深刻的理解。 以二维空间为例6 2 】【6 3 1 ，设f ( x ，) ，) 为实变i tx ，y 的连续函数且在( 哪，佃) 可积， f ( x ，y ) 的傅立叶变换定义为： f ( m ， ，) = 广rf ( 石，) p 。，2 ，t _ + - ，( 2 - 1 y a x d y 21 ) ( m ， ，) = ii ( 石，) p 叫“曩” ) o - - 其反变换为： ，( x ，y ) = f ( ) e 2 x t _ + m ) d u d v ( 2 - 2 ) f ( u ，) 是两个实频率变量u ，v 的复值函数，频率u 对应于工轴，频率y 对应于y 轴。傅立叶变换可解释为：输入信号f ( x ，y ) 可以被分解成不同频率三角函数的和，每 个三角函数的幅值由f ( u ，v ) 唯一确定信号；信号f ( x ，) ，) 在某点的函数值是不同频率 的三角函数在该点函数值的和。 傅里叶分析是纯频域分析，从信号处理角度讲，傅里叶分析认为信号在每个时刻 t 的值是各个频率复正弦分量的叠加。傅里叶分析揭示了时域与频域之间内在的联系， 反映了信号在整个时间范围内的全部频谱成分。傅立叶变换的作用是将时空域信号转 变为频域信号，在频域上对原信号的频谱进行分析，以便对原信号进行去噪、增强、 压缩等处理。 傅立叶变换是一种很方便