（机械电子工程专业论文）基于计算机视觉的织物疵点自动检测技术研究.pdf

a b s t r a c t f a b r i cd e f e c td e t e c t i o ni sa l li m p o r t a n ts t e pi nt h ep r o d u c t i o np r o c e s so ft e x t i l e s a t p r e s e n t ，f a b r i cd e f e c td e t e c t i o nm a i n l yr e l i e so nv i s u a li n s p e c t i o n ，i t sd i s a d v a n t a g e sa r c h i g hf a l s ed e t e c t i o nr a t e ，h i g ho m i s s i o nr a t e ，l o wd e t e c t i o ne f f i c i e n c y , h e a v yl a b o r i n t e n s i t y , a n dh a r mt ow o r k e r s t h e r e f o r e ，i t sp a r t i c u l a r l ys i g n i f i c a n tt od e v e l o pt h e t e c h n o l o g yt od e t e c tf a b r i cd e f e c ta u t o m a t i c a l l y i nt h i sp a p e r , b a s e do nt h ea n a l y s i sa n dt h es y n t h e s i so fe x i s t i n gf a b r i cd e f e c t d e t e c t i o nt h e o r i e sa n dm e t h o d s ，t h em e t h o do ff a b r i ci m a g ep r e p r o c e s sa n da u t o m a t i c i d e n t i f y i n gm e t h o db a s e do nw a v e l e ta n a l y s i sw e r er e s e a r c h e dd e e p l y t h ee x p e r i m e n t a l r e s u l t sv e r i f i e dt h ef e a s i b i l i t ya n d v a l i d i t yo ft h em e t h o d f i r s to fa l l ，t h en o i s es o u r c ea n dn o i s ec h a r a c t e r i s t i c so ft h ef a b r i ci m a g ea n dt h e d e n o i s i n gm e t h o d sw e r ea n a l y z e d d i r e c t e dt o w a r d st h ep r o b l e mt h a t t h ed e t a i l i n f o r m a t i o nw a sl o s ti nt h ed e n o i s i n gp r o c e s s ，t h em e d i a nf i l t e r i n ga n de d g es h a r p e n i n g h a db e e nu s e dt op r e p r o c e s st h ei m a g e ，s oa st oi m p r o v et h ei m a g ev i s u a le f f e c t s ，m a k e t h ee d g ea n do u t l i n eo ft h eo b j e c ti nt h ei m a g es t a n do u t ，a n dm a k ei te a s yf o r c o m p u t e rt o p r o c e s sa n da n a l y z et h ei m a g e s e c o n d l y , i no r d e rt or e d u c et h ee n v i r o n m e n ti m p a c to nd e f e c ti d e n t i f i c a t i o na n d i n c r e a s et h es p e e do fd e f e c td e t e c t i o n ，t h ep a p e r p r e s e n t saw i n d o ws e g m e n t a t i o nm e t h o d b a s e do ng r a y b yc o n t r a s taw i n d o w sg r a ym e a nt ot h ew h o l ei m a g e sg r a ym o a n , t h e w i n d o ww h o s eg r a ym e a ne x c e e d st h es e t t i n gt h r e s h o l dw o u l db em a d eap r o l i f e r a t i o no f j i u g o n g g e ，a n dt h en e ww i n d o wf o r m e di nd o i n gs ow o u l da c ta st h ea l c at ob ed e t e c t e d t h e n ，t h ew a v e l e ta n a l y s i sw a su s e dt oe x t r a c tf e a t u r ev a l u e s ，w h i c he f f e c t i v e l yr e d u c e d t h ea m o u n to fc a l c u l a t i o nt oe x t r a c tf e a t u r ev a l u e sa n dt h en u m b e rt oc a l c u l a t et h e w i n d o w t h i r d l y , a u t o m a t i cd e f e c td e t e c t i o nb a s e do nw a v e l e ta n a l y s i sw a sp r e s e n t e d f o u r f e a t u r ev a l u e ，e n e r g y , e n t r o p y , v a r i a n c ea n dr a n g ew e r ee x t r a c t e df r o mt h el a t i t u d ea n d l o n g i t u d es u b - i m a g e sp r o c e s s e db yw a v e l e td e c o m p o s i t i o n a f t e rn o r m a l i z a t i o n ，t h e r e s p o n s i v e n e s so ft h ed i f f e r e n tf e a t u r ev a l u e st od e f e c tw a sc h e c k e du n d e rt h ec o m m o n s i z e ，a n dt h u st h ee x i s t e n c eo fd e f e c t sa n dt h e i re x a c tl o c a t i o n sw e r ed e t e r m i n e d f i n a l l y , t h es o f t w a r et od e t e c tf a b r i cd e f e c ta u t o m a t i c a l l yw a sd e v e l o p e db yu s eo f l a b v i e w o nas e l f - m a d e e x p e r i m e n t a ld e v i c e ，e i g h tk i n d so fc o m m o nd e f e c t s ， b u t t o n h o l e ，h y b r i df i b e r , l o o mw a s t e ，h o l e ，o i ls a n d s ，a n t i - w i r e ，d i r ta n dr e s i d u ew e r e d e t e c t e da n da n a l y z e d t h ee x p e r i m e n t a lr e s u l t ss h o w e dt h a tt h em e t h o dc o u l da c c u r a t e l y d e t e c tt h ee x i s t e n c eo fd e f e c t sa n dd e t e r m i n et h e i rl o c a t i o nf a s t e r t h er e s e a r c h e s p r o v i d e dt h e o r e t i c a lf o u n d a t i o nf o rt h ep r a c t i c a la p p l i c a t i o no ft h ef a b r i cd e f e c td e t e c t i o n t e c h n o l o g y k e y w o r d s ：a u t o m a t i cf a b r i cd e f e c td e t e c t i o n ，w a v e l e ta n a l y s i s ，t e x t u r ea n a l y s i s ， w i n d o ws e g m e n t a t i o n ，f e a t u r ee x t r a c t i o n 目录 第一章绪论1 1 1 研究的目的和意义。1 1 2 国内外研究动态1 1 2 1 国外研究状态1 1 2 2 国内研究现状5 1 3 本文研究内容6 第二章织物疵点检测理论基础o 8 2 1 检测系统组成8 2 2 疵点检测的理论基础。8 2 2 1 空间域提取特征值9 2 2 2 频域提取特征值1 0 2 2 3 数学形态学方法l l 2 3 小波分析基本理论1 1 2 3 1 小波基的选择1 2 2 3 2 连续小波变换1 2 2 3 3 离散小波变换1 3 2 3 4 多分辨率分析1 4 2 3 5m a lle t 快速算法1 4 2 4 本章小结1 6 第三章织物图像预处理1 7 3 1 图像去噪1 7 3 1 1 噪声的来源和分类。1 7 3 1 2 去噪的基本方法1 7 3 1 3 织物图像去噪。1 8 3 2 图像锐化2 2 3 2 1 拉普拉斯算子2 2 3 2 2 高通滤波2 3 3 3 织物图像的灰度窗口分割一2 4 3 3 1 窗口分割2 4 3 3 2 阈值选取2 5 3 4 本章小结2 5 第四章基于小波分析的织物疵点识别2 6 4 1 小波基的选取2 6 4 1 1 小波基的类型2 6 4 1 2 最佳小波基的选择2 7 4 2 织物特征值提取2 9 4 2 1 织物图像特征3 0 4 2 2 织物纹理的特征值3 0 4 2 3 特征值的归一化处理3 l 4 2 4 特征值阈值选取3 5 4 3 本章小结3 7 第五章织物疵点自动检测实验与结果分析3 8 5 1 试验系统的组成。3 8 5 2 软件设计与编程实现。3 8 5 2 1l a b v i e w 简介3 8 5 2 2i m a q 图像处理包。3 9 5 2 3 程序流程图4 0 5 3 实验结果分析4 0 5 4 本章小结5 5 第六章全文总结与展望。5 6 6 1 全文总结5 6 6 2 存在的不足及进一步的工作5 6 参考文献5 8 攻读硕士期间研究成果6 l 致谢。6 2 学位论文独创性声明6 3 学位论文知识产权权属声明6 3 青岛大学硕士学位论文 1 1 研究的目的和意义 第一章绪论 近年来，国内纺织企业在自动化技术应用上取得了巨大进步，各道工序的生产 效率得以大幅度提高，而唯有纺织品检验的效率没有同步提高。目前，织物疵点检 测这一工序主要是依靠于人工目测。检验人员在没有眩光的背面窗旁或同光灯照明 条件下按照自己的经验对织物疵点进行检测，按评定标准对织物等级做出评定，并 填写各种织物疵点报表。这种方法存在明显缺陷：1 ) 劳动强度大、检测效率低；2 ) 受检测人员主观因素影响大，误检率和漏检率高，一般只能检出4 0 6 0 的疵点； 3 ) 检测人员需要长时间、专心工作，对工人身体健康不利l 。织物疵点检测环节已 成为影响纺织品质量的关键因素。 织物疵点已被证实是整个纺织生产过程中最难实现自动化的工序，长期以来一 直是各国学者关注和研究的热点。由于织物疵点可产生于加工过程中的任何阶段， 种类繁多且呈现复杂的外观形态，加之织物的颜色和式样也多种多样，因此疵点识 别是一项富有挑战的研究课题。国外一些公司在市场上推出了自己的验布系统，但 这些设备不仅造价昂贵，而且可检测的疵点种类存在局限性，不完全适用于国内的 织物疵点检测。因此，自主研究开发织物疵点自动检测系统非常必要。 近年来计算机技术、图像传感器和数字图像处理技术的快速发展，为基于计算 机视觉的织物疵点自动检测提供了强大的硬件基础，使得国内在这方面的研究很活 跃。但目前国内的研究尚处于实验性研究阶段，离实用化还有一定距离。 本项研究的意义主要体现在理论和实际应用两方面。从理论上讲，由于织物疵 点种类繁多、形态各异，如何从扫描图像中提取各种不同疵点的图像特征涉及到复 杂的图像处理与模式识别理论，这决定了本项研究的理论意义；从应用的角度讲， 织物疵点自动检测可显著提高检测效率，大幅度降低误检率和漏检率，提高产品质 量的可信度；减少检验工序的人工费用，降低成本。纺织行业作为我国传统的支柱 产业之一，企业数量众多，对疵点自动检测技术和产品的需求量很大，故本项研究 潜在的经济效益和社会效益显著。 1 2 国内外研究动态 1 2 1 国外研究状态 基于计算机视觉的织物疵点检测研究始于2 0 世纪8 0 年代，是随着计算机和图 像传感器的发展而兴起的，属于纺织学科、计算机、传感器、图像处理和模式识别 第一章绪论 等多学科交叉的前沿研究领域。最先开展这方面研究的是美国、以色列、韩国、日 本等国家的学者1 1 叫。 在基于计算机视觉的织物疵点检测中，织物图像特征值的提取和识别是核心内 容。目前为止，对织物疵点特征值的提取方法可分为两类：一是在空间域，即直接 对织物图像的灰度值进行计算以提取特征值：二是在频率域，即通过快速傅罩叶变 换( f a s tf o u r i e rt r a n s f o r m ，缩写f f t ) 、g a b o r 变换、小波变换等方法，将织物图像 变换到频率域后再提取特征值【s , 6 1 。 ( 1 ) 基于空间域的织物疵点检测 在空间域直接对织物图像灰度级变化的特征进行量化，主要有狄度共尘矩阵、 灰度直方图统计、高斯马尔科夫随机场、灰度匹配等方法。 y o s h i os h i m i z u 等【7 】采用图像灰度共生矩阵提取特征值，通过贝叶斯决策对疵点 进行分类，用图像匹配的方法建立了织物疵点检测专家系统。 ，耶c o h e n 等【8 】采用高斯马尔科夫随机场( g m r f ) 纹理模型对织物疵点进行检 测。首先训练无疵点的织物图像，得到表示该种织物图像纹理的g m r f 参数，以此 作为检测过程的参考指标。检测时，将待检测织物图像分块( 如每块8 8 或1 6 1 6 像素) ，在每个图像块内计算g m r f 参数与参考指标的“距离”，从而确定图像块 是否存在疵点。 s a ts a r d y 等【9 】采用神经网络对平纹、斜纹和缎纹等不同种类织物的疵点进行检 测分类。首先提取所获取织物图像的纹理特征，如加重( e m p h a s i s ) 、二阶矩( s e c o n d m o m e n t ) 、熵( e n t r o p y ) 、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，可以检测出断纬、纬向不均、杂质和筘痕四类疵点。然而此 法也只是限于实验室的应用，未应用于实际生产。 2 0 0 1 年，a n a g n o s t o p o u l o s 等1 1 0 l 采用图像归一化分块算法设计了一套用于疵点检 测的系统，其中硬件主要包括c c d 摄像机、照明光源系统、控制台、数据传输线和 操作端等。他们采用简单的算法分割出疵点，输入到神经网络进行识别。此系统对 松纬、落棉、色差、破洞、缺纬和结点等七类疵点的识别率高达1 0 0 。 j e n o g 等1 1 1 】以l a b v i e w 作为软件平台，对织物疵点图像进行检测。综合应用图 像转换( 灰度图像转换为二值图像) 、中值滤波、形态学处理和k 均值算法等图像 处理方法对疵点进行分类，可准确区分疵点和非疵点图像，处理速度也较快。 2 0 0 2 年，t i l o c c a 等1 1 2 1 采用激光传感器从织物表面获取织物图像信息，将图像像 素值和变换后的织物三维轮廓数据直接输入到输入层为5 0 个神经元，隐含层为2 4 个神经元，输入层为3 个神经元的三层b p 神经网络中对织物疵点进行识别。织物 图像被分成无疵点织物、无明显疵点织物和有明显疵点织物，从这三类织物中选取 1 5 0 0 幅图像作为训练样本，5 0 0 幅作为测试样本图像。通过对样本图像实验结果的 2 青岛人学硕士学位论文 分析研究，此种方法对于疵点的平均正确识别率为9 3 2 ，然而训练和识别时间需 要1 7 分钟。 2 0 0 5 年，a b o u e l e l a 等【1 3 j 设计了一套自动计算机视觉系统。该系统硬件采用 p a r s y t c c2 0 0 0 复模平行系统，图像处理算法包括零均值化、中值平滑化、图像分块、 中值滤波和阈值化。对5 0 0 个试样的实验结果进行分析比较，采用均值、方差、中 值这三个较为简单的识别参数，发现该系统对疵点的正确识别率可达到9 1 。 2 0 0 6 年，a t i q u li s l a m 等【1 4 】采用局部阈值化和3 层b p 神经网络对织物疵点进行 识别，提取疵点面积、目标个数和形状因子作为神经网络的输入，以能复位的b p 算法对神经网络进行训练，从对破洞、擦痕等疵点的检测结果的分析来看，该方法 的平均正确识别率为7 6 5 。 在空间域进行的检测，主要是针对比较明显的织物疵点，检测到的疵点种类比 较少，精度较低，速度慢，难以适应实时在线检测的需要。 ( 2 ) 基于频率域的织物疵点检测 c h i h oc h a n 掣1 5 】最先采用傅里叶分析对织物疵点进行检测。首先对获取的织物 图像进行直方图均衡化，扩展图像的灰度动态变化范围，以增强图像的细节信息。 然后经两点f f t 算出图像的频域功率谱，由其计算出分别表示织物的不规则结构、 纬纱结构和经纱结构七个参数，根据这些参数的变化可检测出双经( 纬) 、缺经( 纬) 、 破洞和密度波动等四类疵点。 c h i u 等1 1 6 j 采用基于分段布朗运动模型和傅里叶变换的极大似然估计的纹理分 割方法对油污、水渍、破洞等较大疵点进行检测。该方法对较小疵点的检测有待进 步的研究。 2 0 0 1 年，w j j a s p c r 1 7 ，1 8 】研究了自适应小波在纹理描述和疵点检测中的应用。首 先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，然后加上小波滤 波器系数的正交约束条件，构成一个二次函数；其次，以二次函数取极小值为约束 条件，用拉格朗日乘子法计算出满足约束条件的小波滤波器系数，以此代表该织物 的纹理；最后，把织物疵点图像经该滤波器滤波，二值化后在疵点的位置有明显的 峰值。然而该方法存在着一个缺点，即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 小波的反映才敏感。 2 0 0 2 年，k a r r a s 等【1 9 j 运用三层离散小波变换和自组织神经网络对织物疵点进行 识别，在小波域提取疵点特征并进行归一化处理，采用有监督神经网络分类技术对 疵点进行分割。在进行疵点识别时，先应用主元素分析法选取有效特征向量，并进 行归一化处理。在试验中经比较，该方法比文中提到的其它两种方法( 完全采用小 波系数为识别向量和完全采用狄度值为识别向量) 的识别率要高。 3 第一章绪论 2 0 0 2 年，hs a d s a r r a f i 刎丌发了安装于织布机上的疵点检测系统。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作为图像采集设备。 采集的图像经二或三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，否则阀值化后经b l o b 分析将疵点分类。 2 0 0 3 年，m c h u 等f 2 l l 将最优小波包和人工神经网络技术用于检测缺经、缺纬、 油污和破洞四类织物疵点。首先对获取的织物图像进行小波分解，然后计算分解后 子图像的香农熵( s h a n n o ne n t r o p y ) ，选择熵值最小的子图像对其继续分解，共分解 三层。在分解得到的所有子图像中，选择香农熵值最小的六个子图像，将其位置和 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、破洞以及油污四类疵点。 2 0 0 5 年，g h a z is a e i d i 等1 2 2 1 研制出可应用于针织圆机的计算机视觉疵点检测系 统，在实验中对针织物疵点图像进行离散傅罩叶变换、小波变换和g a r b o r 变换三种 谱分析。离线训练时，采用离散傅罩叶变换的疵点f 确识别率仅为1 5 7 1 ，但对疵 点图像进行基于g a b o r 小波变换和b p 神经网络的算法处理后的识别率提高到 7 8 4 ；在线检测时，采用g a b o r 小波变换和b p 神经网络的算法时，其检测的正确 识别率在9 6 5 以上。 2 0 0 5 年，j a s p e r 等人1 2 3 i 采用混合基因算法设计了可分别用于水平、垂直和块状 疵点的小波滤波器，经该滤波器分解后的子带图像熵最小，对于由重复纹理单元组 成的背景有很好的滤除作用。 2 0 0 6 年，a r i v a z h a g a n 等i ，4 l 针对具有纹理特性的材料，提出应用纹理分割的方 法来进行疵点的检测。他们把6 类织物上的1 1 种疵点采用小波变换的方法进行分割， 并且成功地应用于在线检测。该方法的优点是即不需要神经网络，也不需要对特征 值做归一化处理，检测速度较快。 上述这些研究多处于实验研究阶段，疵点检测种类较少，但是可以看出，傅里 叶变换和小波分析已经成为疵点检测领域的重要工具。 ( 3 ) 国外已经推向市场的织物疵点自动检测系统 织物疵点自动检测所针对的织物种类很多，分坯布、成品命、染色布、服装布 料、工业用布等。在大量理论研究的基础上，国外已有一些自动检测系统应用于生 产现场，被真f 推向市场。它们分别足以色列国家爱微丝( e v s ) 公司的i - t e x 2 0 0 0 验布系统1 4 j 、瑞士乌斯特公司的f a b r i s c a n 自动验铂系统以及比利时b a r c o 公司的 c y c l o p s 验命系统等1 2 5 2 6 l 。 i - t e x 2 0 0 0 验和系统采j f j1 2 台摄像机、4 组光源，分别从四个不同角度进行监 控，最大速度可达3 0 0 m m i n ，最大检测宽度可达6 m 。在幅宽为3 3 0 c m 时，该系统 4 青岛大学硕士学位论文 能以1 0 0 m m i n 的速度检测出小至0 5 m m 的疵点。 f a b r i s c a n 系统的最高检测速度为1 2 0 m m i n ，最高分辨率达0 3 m m 。该系统能检 验多种织物，包括坯布、劳动布、染色布以及玻璃纤维布等。 c y c l o p s 在线自动检验系统较e v s 系统有一大优势，即c y c l o p s 在线自动检验 系统的扫描头安装在正在织造的机器上，若在织造过程中发现较为严重的疵点，该 系统能自动停止织布机运行，从而减少坏坯布的产生。 国外已有的疵点自动检测系统都是以强大的硬件作为支持，价格昂贵。此外， 由于国内外对于织物检测要求和标准不尽相同，给国内企业直接引进这些先进设备 带来了一定的困难。 1 2 2 国内研究现状 国内对基于计算机视觉的织物疵点自动检测的研究起步晚。主要是针对于各种 算法的研究，还没有完整的检测系统应用于实际生产中。 最先开展这方面研究的是东华大学纺织学院黄秀宝教授课题组。他们分别采用 g m r f ( 高斯马尔科夫随机场) 纹理模型、g a b o r 小波、墨西哥草帽小波对具有统 计特征畸变、方向特征畸变及非结构化畸变的疵点进行了检测，但未给出能同时适 应不同类型疵点的算法【2 7 ，2 8 l 。为此，他们提出了分布满足正交条件的小波滤波器， 并将其成功应用于织物疵点检测【2 9 删；同时应用基于w o r d 纹理模型和分形理论、二 维连续小波变换、二维傅里叶变换轮廓法对织物表面疵点进行识别1 3 i l ；此外，还采 用连续小波变换对非结构化畸变疵点( 游丝和跳纱疵) 的方法进行自动检测，即首 先采用墨西哥草帽小波对织物疵点进行增强，设计疵点自适应小波，确定最佳的小 波参数，并将其应用于织物疵点的自动检测【3 2 l 。 青岛大学的汪黎明、高水平等1 3 3 j 对基于小波分析方法的织物疵点识别进行了研 究，将织物上出现的疵点分为四类：径向疵点、纬向疵点、区域疵点和离散疵点， 并对不同疵点采用不同方法进行分割提取织物疵点的几何形状特征，以用于疵点的 识别。 苏州大学左保齐【卅对丝织物疵点智能化判别进行了研究。对采集的织物疵点图 像提取纹理特征和几何特征，并采用三层b p 神经网络进行识别。从研究的结果看， 采用小波分析与神经网络相结合的方法能较好的对丝织物中常见的断经、断纬、档 疵、重纬、油污与破洞等疵点进行正确识别，而且该方法具有快速、有效、自适应 性强等特点。 华中科技大学易丽华、朱德森1 3 5 l 就织物疵点检测工业视觉系统的设计进行了研 究，在该系统中采用小波分析的方法对织物疵点进行特征提取，并运用了面向对象 的分析方法对疵点自动检测视觉系统中的软件进行功能模块的划分，提出了软件设 5 第一章绪论 计方案，并利用c + + 语言实现了部分功能模块。设计了系统的图像数据库，利用数 据库系统的大二进制型( b l o b ) 数据类型对疵点图像数据进行存储，可以方便操 作人员进一步的处理。 南通大学姜平、周根荣1 3 6 l 对基于计算机视觉的织物疵点自动检测系统的硬件实 现方法进行了研究，其主要包括三部分：图像采集、图像处理、分类与控制。图像 采集由线阵c c d 作为织物图像传感器，实时感应织物图像信息；d s p 实现对c c d 的驱动及信号采集；u s b 作为通信接口，实现高速数据传送。采集的图像选择阀值 对图像进行阂值化处理，给出阈值化图像，突现疵点。分类与控制运用织物疵点的 分类标准和处理方式，利用模式识别等应用数学的知识，给予实时分类，对特殊疵 点的出现给予停机等实时控制。 西安交通大学s h u 等【3 7 】采用g a b o r 滤波、阈值化和图像融合相结合的算法对局 部疵点进行仿真检测。该方法对局部疵点，如油污、缺纬和粗纱，可进行快速有效 的检测。 浙江理工大学的张瑞林f 3 8 l 基于脉冲神经网络( p c n n ) 进行织物疵点边缘检测， 这种方法利用织物表面疵点区域的灰度强度不同于织物表面图像的扶度强度，其根 据p c n n 神经元是否点火来获耿织物疵点信息，然后将所提取的特征点按作用范围 膨胀，并用c a n n y 算子分割出织物疵点，提取出织物疵点边缘。卿湘运等1 3 9 j 提出了 一种基于小波分析和神经网络的织物疵点检测与识别方法。根据小波高频子带反映 不同边缘细节的特点，从2 次小波分解的子带和阀值化后的图像中分别提取几何和 纹理特征，采用改进的3 层神经进行识别，取得了较高的j 下确识别率。 北京工业大学韩武鹏等1 4 0 4 l l 采用模糊小波算法，对滤波后的边缘图像进行特征 提取，形成特征库，采用模糊小波模式识别方法对毛巾织物上的断经、断纬、飞毛 大套和色斑等多种疵点进行识别，其正确识别率为9 5 。 香港大学的l e e 和g r a n t h a m l 4 2 j 采用匹配滤波的方法，设计了五类代表织物纹理 特征的模板( 其中两个用来检测缺纬和错纬疵点：一个用来检测档疵；一个用来检 测疵点的水平边缘，因为疵点占有一定的面积；还设计了一个均值模板) 对疵点进 行检测，平均识别率为9 6 ，错检率和漏检率为6 。 目前，国内对于织物疵点自动检测的研究尚处于实验室阶段，多是在理想的环 境下采集静态的疵点图像，能识别的疵点种类较少，综合检测效率( 检测速度与检 测精度的综合指标) 较低。尚难以应用于生产过程中的实时在线检测。 1 3 本文研究内容 本文在对织物疵点自动检测理论和方法进行分析、综合的基础上，研究小波分 析理论在织物疵点检测中的应用。重点研究图像去噪、图像分割、纹理特征提取等 6 青岛大学硕士学位论文 问题，以提高疵点检测的综合效率。主要研究内容： ( 1 ) 图像预处理 为减小“噪声 干扰，提高织物疵点检测效率和准确性，必须进行图像预处理。 预处理方法主要有中值滤波和图像锐化。中值滤波不但能去除孤立点和单线的噪声， 而且能够很好地保持图像中原有的边缘效果。同时图像锐化能增强图像中物体的边 缘和轮廓，便于提取物体特征而进行识别和分析。 ( 2 ) 织物正常外观特征参数的自动识别 织物具有明显的纹理特征，如平纹、斜纹、缎纹等，疵点检测正是通过疵点处 的纹理结构与正常纹理结构的对比来实现。为此，首先要解决被检织物正常纹理特 征的自动识别和外观特征参数的计算问题，并将正常外观特征参数作为标准图像模 板存入计算机，供检测过程中进行比对。 ( 3 ) 织物图像的灰度窗口分割 选取合适的窗口对整幅图像进行分割，把整幅图像的狄度均值和每个小窗口的 灰度均值分别作比较，粗略确定疵点的有无，然后以含有疵点的小窗口为中心进行 九宫格形式的扩散，以新的区域作为进一步的待检窗口。在此进行窗口分割，减少 了后续特征值提取的计算量，提高了疵点识别速度。 ( 4 ) 纹理特征值的提取 在确定了图像中可能存在疵点的窗口区域后，对该区域特征值的提取决定了疵 点能否被识别并准确定位，因此特征值的确定是关键。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征值。本文拟采用的特征值是能量、方差、 熵、极差。 ( 5 ) 疵点的识别与分类 对无疵点织物与待检测织物得到的特征值分别进行比较，如果任何一个特征值 的变化，超过了设定的阈值，即可认为此处有疵点产生。不同的特征值对不同的疵 点有不同的反应能力，根据此特点可以大体对疵点进行分类。 ( 6 ) 织物疵点自动检测实验与分析 在理论研究的基础上，进行织物疵点检测实验。通过实验结果分析，验证理论 研究的可行性和达到的性能指标。 7 青岛大学硕士学位论文 2 1 检测系统组成 第二章织物疵点检测理论基础 织物疵点检测系统主要由c c d 摄像机、图像采集卡、织物运动机构、照明光源 和计算机组成，见图2 1 。 c c d 摄像部分：采用线阵或面阵c c d 摄像机获取被检织物的图像。从在线检 测实用性和简化系统设计的角度考虑，多采用线阵c c d 摄像装置。与此相对应，照 明光源采用线光源，使得光源的控制较为容易。线阵c c d 的一维扫描与织物的运动 相配合，可获取织物的二维图像。织物运动机构：要保证织物运动过程中，织物表 面维持一定的张力，以便于能够充分暴露织物疵点，柔性压辊正是为了增加张力。 同时织物运动过程中，速度要非常均匀，尤其是在图像采集的过程中，布坯运动区 域上下抖动幅度要尽量小。 照明光源：系统中的线照明光源，透过玻璃板照射到待检织物，清晰的反映出 图像信息。图像采集过程中光线的方向、亮度、稳定性等对采集的图像有明显影响。 对光源的要求是：均匀、稳定、无闪烁，以便采集更多细节的图像信号。 摄像机 蠡 罩： ；7 ， ：；。i 被检织物 图2 1 系统装置简单示意图 2 2 疵点检测的理论基础 图像特征是表述图像的重要属性【4 3 1 ，图像特征的表示和提取是图像处理的重要 8 第二章织物疵点检测理论基础 内容。纹理特征是图像的灰度统计信息、空间分布信息和结构信息的综合反映，是 由象素组成的具有一定形状和大小的集合。与其它图像特征相比，纹理特征能充分 利用图像信息，更好地兼顾图像的宏观性和微观结构。素织物图像的纹理是按设计 要求，采用各种织造工艺，由经纬纱线规律性相互交织而成的，它具有结构性、周 期性、粗糙性、方向性以及连续性等特征，图2 2 展示了素织物图像的几种常见纹 理。 平纹斜纹缎纹 图2 2 织物纹理示意图 纹理是几乎所有图像表面都固有的特性，所以大多数的织物疵点检测方法是基 于纹理特征的。织物疵点检测的核心技术是图像特征值的提取。目前的提取方法有 空间域中提取、频域中提取和数学形态学方法。 2 2 1 空间域提取特征值 ( 1 ) 灰度共生矩阵法 由于纹理是由狄度分布在空间位置上反复出现而形成的，因而在图像空间中相 隔一定距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。 灰度共生矩阵就是通过研究灰度的空间相关特性来描述纹理的方法。灰度共生矩阵 中可得出的纹理特征系数有以下几种：角二阶矩、对比度、熵、相关、逆差分矩等 特征值，t a a i 等f 删曾采用此方法对织物疵点进行检测。该方法是分析纹理结构的基 本方法，不足之处是计算量非常大，不适宜在线快速检测织物疵点。 ( 2 ) 图像的自相关函数分析法1 4 5 l 对于含有重复纹理模式的图像，自相关函数表现出一定的周期性，其周期等于 相邻纹理基元的距离。当纹理粗糙时，自相关函数下降缓慢，而纹理较细时，下降 迅速。用此方法可以测量出纹理的周期性以及纹理基元的大小，为图像分割提供一 种划分窗口大小的依据。同时，在每个小窗口内提取图像的特征，确定最有可能存 在疵点的窗口，然后再对有疵点的小窗口进行检测和疵点的分类。 ( 3 ) m a r k o v 随机场法i 蚓 9 青岛大学硕士学位论文 该方法通过对正常织物图像的分析，得出织物纹理的g m r f ( g a u s s m a r k o r a n d o mf i e l d ) 参数，作为特征值用于检测。对于灰度图像而言，g m r f 模型的统计 相关性表现为每个像素的灰度值等于邻域灰度值的线性组合与相应的噪声之和。 c o h e n 等曾将m a r k o v 随机场法用于牛仔布和地毯疵点的检测中。该方法的不足之处 在于仅仅通过随机场模型并不能最大限度地降低图像分析的计算复杂度和提高图像 处理的速度，因而还不能实现织物疵点的快速自动检测。 ( 4 ) 灰度直方图统计法1 4 7 l 灰度直方图统计法就是运用织物图像的直线纹理特征，由概率统计生成直方图， 有效提取织物图像的特征波形，并和无疵点的织物图像进行比较，以确定织物纹理 结构的异常位置，并识别织物疵点。该算法原理简单、运算快捷、可靠稳定，且适 应性强，对经向和纬向疵点有很好的效果，但并不能识别所有类型的疵点。 2 2 2 频域提取特征值 从数学角度看，空间域提取特值是采用微分、积分、多项式运算、坐标变换等 方法对图像进行某种形式的处理，具有方法直观、制作简便等优点。但当处理较大 的数字图像时，由于图像阵列增大，则计算时间长，预测性差，从而降低了其实际 应用价值。而如果把图像从空间域变换到频率域，检测和研究图像的频谱特征，并 进行滤波处理，则可提高处理速度，构成方式清晰，滤波广度大，预测性好；但其 数学过程复杂，不易理解。这类方法主要有傅罩叶分析法和小波分析法。 ( 1 ) 傅里叶分析法 4 7 , 4 8 傅里叶变换是一种复数变换，它把图像从图像空间转换到频率空间。傅晕叶变 换的频谱可按灰度图显示，所得图像可在一定程度上反映原始图像中不同频率分量 的分布情况。尤其是快速傅里叶变换算法使得离散傅里叶变换的计算量大大减少， 极大增强了该算法的实用性，使傅里叶变换在数字图像处理中得到广泛的应用。用 傅晕叶分析法检测织物疵点，其特点是检测速度快，但其灵活性、适应性相对较差。 而且傅里叶分析反映的是信号的整体特征，对信号的局部畸变没有标定和度量能力， 而在织物图像应用中，畸变正是我们所关心的信号在局部范围内的特征，就如其表 达式 厂o ) = ff ( x ) e q “出 ，一田 一样，需要知道信号在时域内的全部信息。另外，傅罩叶变换不能反映信号在各个 指定时刻附近任何频率范围内的频谱信息，即信号在局部时间范围内和局部频带上 的频谱分析，或称为没有局部化的时频窗。 ( 2 ) 小波分析法 为了研究信号在局部时间内的频域特征，g a b o r 在1 9 4 6 年提出了信号的时频局 1 0 第二章织物疵点检测理论基础 部化分析方法，即所谓的g a b o r 变换【4 9 l 。经实际应用中不断发展完善，逐渐形成了 一种新的处理方法加窗傅里叶变换或称为短时傅里叶变换( s 耵叩) 。但由于 s 1 r i 丌的定义决定了其窗函数的大小和形状均与时间和频率无关而保持固定不变，这 对分析时变信号来说是不利的。高频信号一般持续时间很短，而低频信号持续时间 较长，因此，我们期望对于高频信号采用小时间窗，对于低频信号则采用大时间窗 来进行分析。此外，在进行数值计算时，人们希望将基函数离散化，以节约计算时 间和存储量，但g a b o r 基无论怎样离散，都不能构成一组正交基，因而给数值计算 带来不便。这些是g a b o r 变换的不足之处，但恰恰是小波变换的特长所在。小波变 换不仅继承和发展了s t f r 的局部化思想，而且克服了s 1 1 丌窗