（机械电子工程专业论文）基于计算机视觉的织物疵点检测与分类方法的研究.pdf

摘要 织物疵点检测是纺织生产过程中的关键工序之一。为克服目前人工目测方法疵 点检出率低、效率低、劳动强度大的缺点，开展基于计算机视觉的织物疵点自动检 测技术的研究十分必要，有重要工程意义。 本文在分析比较现有疵点检测理论和方法的基础上，对基于计算机视觉的织物 疵点自动检测的图像预处理、特征值提取和应用b p 神经网络的疵点分类方法进行 较深入的理论分析和实验研究。 首先对所采集织物图像的噪声及其产生原因进行分析，给出中值滤波与小波去 噪相结合的去噪方法，改进了去噪效果；针对去噪后图像细节信息变模糊的问题， 采用拉普拉斯算子作为检测算子对去噪图像进行锐化处理，使得预处理后图像更加 清晰，易于特征值的提取。 其次给出了利用自相关函数的周期性对预处理图像进行窗口分割的方法，根据 小窗口的灰度均值与图像整体均值的差异初步确定可能含有疵点的窗口，再进行九 宫格扩散构成待检区域，提高了检测速度。采用小波分析方法提取待检区域的能量、 方差、熵值、极差、逆差矩和对比度这六个特征值作为疵点识别的依据，提高了疵 点识别的准确率。 另外给出了基于3 层b p 神经网络对疵点进行识别与分类的方法。较深入探讨 了b p 神经网络的结构特性和算法选取，对神经网络的结构进行优化设计，给出了 输入层神经元数、隐层神经元数和输出层神经元数的优化结果。 最后在理论研究的基础上，以平纹坯布为实验对象，对飞花、掉扣、断经、破 洞、色污、白杠、断纬、杂纤维、绞纱和无疵点平纹织物共十种样片进行检测实验 与分析。实验结果验证了文中理论方法的可行性和有效性。 关键词：计算机视觉；织物疵点检测；图像预处理；小波分析；b p 神经网络 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 so n eo ft h ek e ys t e p si 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 i no r d e rt oo v e r c o m et h ed i s a d v a n t a g e so fp r e s e n tv i s u a li n s p e c t i o n ，w h i c ha r el o w d e t e c t 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 ya n dh e a v yl a b o ri n t e n s i t y , i t sp a r t i c u l a r l y n e c e s s a r yt or e s e a r c ht h ef a b r i cd e f e c td e t e c t i o nt e c h n o l o g yb a s e do nc o m p u t e rv i s i o n ， a n di th a si m p o r t a n te n g i n e e r i n gs i g n i f i c a n c e 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 ec o m p a r i s o no fe x i s t i n gd e f e c td e t e c t i o n t h e o r i e sa n dm e t h o d s ，t h em e t h o d so ff a b r i ci m a g ep r e - p r o c e s s i n g ，e i g e n v a l u ee x t r a c t i o n a n dt h ed e f e c tc l a s s i f i c a t i o nb a s e do nt h eb a c k p r o p a g a t i o nn e u r a ln e t w o r kf o rc o m p u t e r v i s i o na r ea n a l y z e da n dr e s e a r c h e dd e e p l y f i r s to fa l l ，t h en o i s ec h a r a c t e r i s t i c sa n dt h en o i s es o u r c eo ff a b r i ci m a g e sa r e a n a l y z e d ，am e t h o dt h a tc o m b i n e st h e m e d i a nf i l t e r i n gw i t ht h ew a v e l e td e n o i s i n g a l g o r i t h mi sp r e s e n t e d ，w h i c hh a sg a i n e dg o o dd e n o i s i n ge f f e c t d i r e c t e dt o w a r d st h e p r o b l e mt h a tt h ei m a g ed e t a i li sb l u r r e di nt h ed e n o i s i n gp r o c e s s ，t h es h a r p e n i n gp r o c e s s t ot o n eu pt h ed e t a i l si sc a r d e do u tb yu s eo ft h el a p l a c i a no p e r a t o r 够t h es h a r p e n i n g o p e r a t o r , w h i c hm a k e st h ei m a g ea f t e rp r e - p r o c e s s i n gm o r es h a r pa n de a s yf o re i g e n v a l u e e x t r a c t i o n s e c o n d l y , am e t h o dt od i v i d et h ei m a g ea f t e rp r e - p r o c e s s i n gi sp r e s e n t e db y u s eo f t h ep e r i o d i c i t yo fa u t o c o r r e l a t i o nf u n c t i o n ，a n dap o s s i b l ed e f e c tw i n d o ww e r ed e t e r m i n e d p r e l i m i n a r i l ya c c o r d i n gt ot h ed i s c r e p a n c yb e t w e e nt h ew i n d o w sg r a ym e a na n dt h e w h o l ei m a g e sa v e r a g eg r a ym e a n ，t h e nt h ew i n d o wi sm a d e 舔t h ef u r t h e rd e t e c t i o na r e a b yap r o l i f e r a t i o no fj i u - g o n g g e ，w h i c hs p e e d su pt h es p e e do fd e f e c td e t e c t i o n t h e w a v e l e ta n a l y s i sa l g o r i t h mi su s e dt oe x t r a c ts i xe i g e n v a l u e so ft h a ta r e a , n a m e l yt h e e n e r g y , t h ev a r i a n c e ，t h ee n t r o p y , t h ed i f f e r e n c e ，t h ec o n t r a s ta n dt h ei n v e r s ed i f f e r e n c e f e a t u r e s ，a st h eb a s i so fd e f e c ti d e n t i f i c a t i o n ，w h i c hi m p r o v e st h ed e f e c td e t e c t i o n a c c u r a c yo b v i o u s l y t h i r d l y , am e t h o dt oi d e n t i f ya n dc l a s s i f yd e f e c t s b a s e do n3 - l a y e rb pn e u r a l n e t w o r ki sp r e s e n t e d t h es t r u c t u r ec h a r a c t e r i s t i c sa n dt h ea l g o r i t h ms e l e c t i o no ft h eb p n e u r a ln e t w o r ka r ed i s c u s s e dt h o r o u g h l y b yo p t i m i z i n gt h es t r u c t u r eo fb pn e u r a l n e t w o r k ，a no p t i m i z a t i o nr e s u l to ft h en u m b e ro ft h ei n p u tl a y e rn e u r o n s ，t h eh i d d e nl a y e r n e u r o n sa n dt h eo u t p u tl a y e rn e u r o n sa r ep r e s e n t e d f i n a l l y , o nt h e b a s i so ft h et h e o r e t i c a l s t u d y , t h et a b b y c l o t hi sc h o s e na s e x p e r i m e n t a lo b j e c t ，a n dt e nf a b r i cs a m p l e sc o n t a i n i n gl y c r a ，b u c k l e o f f , w a r p l a c k i n g ， h o l e ，u n c l e a nc o l o r , w h i t ep o l e ，w e f t l a c k i n g ，m i s c e l l a n e o u sf i b e r , y a ma n dn o n - d e f e c t f a b r i cw e r ei n s p e c t e da n da n a l y z e dr e s p e c t i v e l y t h ee x p e r i m e n t a lr e s u l t sv 嘶母t h e f e a s i b i l i t ya n d t h ev a l i d i t yo ft h ep r o p o s e dt h e o r e t i c a lm e t h o d k e y w o r d s ：c o m p u t e rv i s i o n ，f a b r i cd e f e c td e t e c t i o n ，i m a g ep r e - p r o c e s s i n g , w a v e l e ta n a l y s i s ，b pn e u r a ln e t w o r k 第一章绪论 1 1 课题研究的目的与意义 第一章绪论弟一早三百t 匕 我国纺织行业竞争激烈，布匹质量优劣对纺织生产影响很大，含有疵点的服装 将按折扣价销售，从而纺织企业面临着高质量、低成本的巨大压力。因此各企业都 努力加快生产结构调整步伐，提高竞争力，以求在同行业中立于不败之地。随着自 动化和信息化技术的高速发展，国内纺织企业普遍采用了自动化很强的新型纺织机 械，大幅度提高了各道工序的生产效率，生产成本也得以降低。然而，织物疵点作 为影响布匹质量的关键因素，其检测效率却没有同步提高，成为影响纺织企业生产 效率迸一步提升的瓶颈，降低了纺织品的出口竞争力。 目前国内绝大多数企业还是采用人工目测的方法检测布匹质量，即检验工人 站在没有眩光的背面窗旁或在目光灯照射下，通过肉眼观察，发现疵点后进行标记 或修正，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。这种人工检 测方法有明显缺陷，如检验结果受验布工的熟练程度、身体状况、车间环境、疵点 大小及出现频率等主客观因素影响大；验布工需长时间专注布匹运动，极易造成视 觉疲劳，劳动强度大，对工人身体健康不利：人工目测效率低，误检和漏检率高， 可靠性低。因此，为提升我国纺织企业生产效率和布匹质量，研究高效可靠的织物 疵点自动检测系统非常必要。 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，为疵点识别 带来了诸多困难。 早在上世纪8 0 年代初，国外即开始对基于计算机视觉的织物疵点自动检测进行 研究，先后提出了许多关于疵点检测与识别的算法，但仅有以色列埃尔博特( e v s ) 公司的i - t e x 验布系统、瑞士u s t e r 公司的f a b r i s c a n 自动验布系统和比利时b a r c o 公司的验布系统【2 _ 4 】真正推向了市场。这些疵点检测设备不仅造价昂贵，给国内企业 引进带来很大困难，而且可检测的疵点种类有局限性，一般仅能检测几种特定的疵 点。此外，我国布匹结构与国外有一定差异，因此，自主研发织物疵点自动检测系 统非常必要。 近年来，计算机、图像传感器c c d ( c h a r g ec o u p l e dd e v i c e ，电荷耦合器件) c m o s ( c o m p l e m e n t a r ym e t a lo x i d es e m i c o n d u c t o r ，互补金属氧化物半导体) 和数 字图像处理技术的快速发展，为计算机视觉在工业检测领域的应用提供了强大的硬 件基础。采用计算机视觉对织物疵点进行自动检测，不仅检测速度和检测准确率远 青岛人学硕士学位论文 优于人工目测，而且可对疵点的数量和种类进行及时统计分析，实现快速信息反馈， 以便及时调整相关的工艺参数或执行停机操作，尽量减少同类疵点的连续大量发生， 进而提升织物品质，降低成本，具有显著的经济效益和社会效益。 1 2 国内外研究动态 1 2 1 基于计算机视觉的织物疵点检测 计算机视觉就是用计算机代替人眼来做测量和判断，借助图像获取装置将被摄 取目标转换为图像信号，传送给计算机以进行处理和分析。计算机视觉可自主适应 环境，其最高研究目标就是使计算机能像人那样通过视觉观察和理解世界。 计算机视觉领域的先驱可追溯到更早时候，但直到2 0 世纪7 0 年代后期，当计 算机的性能达到足以处理图像等较大数据时，计算机视觉才得到真正发展，到目前 为止已取得了很大成就【2 】。计算机视觉计算理论的创始人、美国麻省理工学院的人 工智能专家d m a r r 首次提出了一个较为完善的计算机视觉理论框架【5 l ，他将计算机 视觉分为低级视觉、中级视觉和高级视觉这三个层次。低级视觉主要处理输入的原 始图像，运用图像处理技术和算法来提取周围景物的表面物理特征；中级视觉主要 恢复对象的2 5 维信息，包括对象的深度、表面法线方向等；高级视觉是在低级视 觉和中级视觉的基础上，重建对象的完整三维图。m a r r 提出的这个理论，使人的视 觉信息处理研究变得愈加严密，成为- i - j 真正的科学。 基于计算机视觉的织物疵点自动检测，首先采用c c d 摄像机获取图像，经图像 采集卡传输到计算机，然后利用相关的软件对图像进行分析处理，根据得到的图像 特征值来检验有无疵点，并进一步分析疵点的类型。 1 2 2 国外研究动态 采用计算机视觉进行织物疵点检测的研究始于2 0 世纪8 0 年代，己取得一定成 果。例如，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 展览会上推出的u s t e rv i s ot e x 机型的自动验布系统 等。但更多的还是以理论算法、实验样机或专利形式呈现的成果，而没有进入实际 应用。2 0 世纪9 0 年代以来，计算机图像处理技术用于织物疵点检测逐渐成为一个 研究热点，美国、日本、瑞士、韩国、以色列等国的学者在参考和借鉴了其它工业 检测系统的开发经验和现代应用数学、计算机科学等学科的最新科研成果后，陆续 发表了大量相关研究论文，不断提高织物疵点检测的理论水平【5 】。 在基于计算机视觉的织物疵点检测研究中，最关键的一步是进行图像特征值的 提取。迄今为止对织物疵点特征值的提取方法可划分为两类：一是直接在空间域对 2 第一章绪论 图像的狄度值进行计算以提取特征值，二是将图像变换到频率域后再提取特征值。 ( 1 ) 基于空间域的织物疵点检测研究 在空间域对图像进行处理的织物疵点检测方法主要有灰度匹配法、m a r k o v 随机 场模型、灰度共生矩阵法、自相关函数分析法、灰度直方图统计法等。 1 9 9 1 年，e s c o h e n 【6 】等采用高斯一马尔科夫随机场( g m r f ) 纹理模型对织物 疵点进行检测。首先对无疵点织物图像进行训练，得到此种织物纹理的高斯一马尔 科夫参数，以此做为后续检测过程的参考指标。检测过程中，将待检织物图像按像 素大小分块( 每块8 8 或1 6 1 6 像素) ，在各个图像块内计算高斯一马尔科夫参数 同参考指标的差距，从而确定图像块是否含有疵点。 1 9 9 3 年，s a rs a r d y 7 】等应用神经网络对平纹、斜纹和缎纹等不同种类织物的疵 点进行检测。首先对待检的织物图像进行纹理特征提取，然后将加重、熵、二阶矩、 不一致性等特征值输入到三层神经网络进行识别分类，该方法检测出了断纬、纬向 不均、杂质和筘痕四类疵点。然而此方法仅限于实验室阶段。 2 0 0 1 年，a n a g n o s t o p o u l o sc 【8 】等采用图像归一化分块算法对织物疵点进行检测， 并设计了一套进行疵点检测的硬件系统，如织物退绕系统、c c d 摄像系统、照明光 源和控制台等，将分割出的疵点输入到神经网络进行分类识别。此系统对松纬、落 棉、色差、破洞、缺纬和结点等疵点的识别率高达1 0 0 。 2 0 0 1 年，s u n gh o o nj e n o g 9 】等运用l a b v i e w 软件对织物疵点图像进行检测，采 用了图像二值转换、中值滤波去噪、形态学处理和k l 均值算法等图像处理方法对 疵点进行检测、识别。该方法可准确区分疵点与非疵点图像，处理速度也较快。 2 0 0 4 年，a n g a n o s t o p o u l o sc t l o 】等提出了一种可调整窗口算法。当织物出现疵点 时，会破坏正常的纹理结构或引起灰度突变，从而出现白点或黑点，其采用v i s u a l c + + 软件编程，在主频为8 0 0 m h z 的pi i 计算机上运行实现。通过对1 3 7 块带有疵 点的织物图像进行实时检测发现，该算法运算速度快，基本适应实时检测的要求， 且受光照的影响小。 2 0 0 5 年，a h m e da b o u e l e l a 【l l 】等设计了一套自动计算机视觉系统对织物疵点进 行检测，其硬件运用p a r s y t e c2 0 0 0 复模平行系统，采用零均值化、中值平滑化、图 像分块、中值滤波和阈值化等图像处理算法。对5 0 0 个样本进行试验，采用均值、 方差、中值这三个简单的参数对疵点进行识别，正确率达到9 1 。 2 0 0 6 年，a t i q u li s l a mm d t l 2 】等采用局部阈值化和神经网络方法对织物疵点进行 识别，提取疵点面积、目标个数和形状因子作为3 层b p ( b a c kp r o p a g a t i o n ) 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，该方法的平均正确识别率 为7 6 5 。 在空间域提取特征值的方法简单直观，但主要针对比较明显的疵点，检测到的 3 青岛大学硕十学位论文 疵点种类少，在处理较大的数字图像数据时，图像阵列大、运算速度低、计算时间 长，从而降低了其在现实生产中的应用价值。 ( 2 ) 基于频率域的织物疵点检测研究 基于频率域的织物疵点检测是经过傅里叶变换或小波变换，将图像从空间域变 换到频率域，从而检测研究图像的频谱特征，并进行滤波处理。这类方法精度高、 预测性好。 2 0 0 0 年，l a t i f - a m e ta t b 】等将小波变换和狄度共生矩阵相结合，采用马氏距离 分类器有效识别出疵点与非疵点织物。整个算法分为两部分：疵点特征值提取和疵 点识别分类。织物图像经小波分解后，按能量大小将四个分解子带与标准进行比较， 保留符合标准的子带，然后对保留下的子带进行非交叉分块( 选取距离为1 ，角度 分别为0 ，x 4 ，万2 ，3 7 r 4 ) ，在分块图像中提取灰度共生矩阵的能量、熵、逆差 距和对比度四个特征参数，将其取均值和方差后，作为马氏距离分类器训练和识别 的输入参数。此方法的正确识别率可达9 1 。 2 0 0 1 年，wjj a s p e r 1 4 】等研究了自适应小波在纹理特征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，将此函数加上 小波滤波器系数的正交约束条件，构成一个二次函数。然后运用拉格朗日乘子法计 算出使二次函数取极小值时的小波滤波器系数，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将有明显的峰值。然而当滤波 器的系数个数过多或过少时，此方法都不利于疵点的检测，只有当滤波器的系数个 数与纹理重复单元的像素个数相同时，疵点对自适应小波的反映才敏感。 2 0 0 2 年，s hc h i u 1 5 】等探讨了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，此方法适宜对油污、水渍、破洞等较大疵点进行检测，对较 小疵点的检测有待进一步研究。 2 0 0 2 年，k a r r a sd “1 6 】等采用三层离散小波变换和自组织神经网络技术对织物 疵点进行检测。在小波域提取疵点特征并对其进行归一化处理，然后采用有监督神 经网络分类技术将疵点从图像中分割出来，最后运用自组织神经网络对疵点进行识 别。该方法比完全采用小波系数作为识别向量和完全采用灰度值作为识别向量的识 别率高。 2 0 0 2 年，hs a d s a r r a f t l 7 】研究了安装于织布机上的织物疵点检测系统，运用基 于数字信号处理器的线扫描摄像头、数字图像卡和计算机作为织物图像的采集装置。 采集的图像经2 或3 层小波分解后，将横向、纵向和对角图像按一定方式融合为一 个图像，然后计算其整体均匀度和局部粗糙度，整体均匀度较大者被视为无疵点， 否则阈值化后经b l o b 分析将疵点进行分类。 4 第一章绪论 2 0 0 5 年，g h a z is a e i d ir 【1 8 】等对可应用于针织圆机上的计算机视觉织物疵点检测 系统进行研究。在实验中对针织物疵点图像进行离散傅里叶变换、小波变换和g a b o r 变换这三种谱分析。结果表明，在离线训练时，采用离散傅里叶变换的疵点正确识 别率仅为1 5 7 1 ，采用g a b o r 变换和b p 神经网络算法处理后的正确识别率达到 7 8 4 ；在线检测时，通过对七种不同的织物疵点采用七种方法进行检测比较发现， 此系统采用g a b o r 变换和b p 神经网络算法处理后的检测效果最佳，正确识别率在 9 6 5 以上。 2 0 0 5 年，j a s p e rw 【1 9 】等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，并能消除由重复纹理单 元组成的背景。 2 0 0 6 年，s a r i v a z h a g a n 2 0 】等提出了一种基于g a b o r 变换的织物疵点图像分割算 法。其模仿早期人类视觉系统，设定一定的阈值，将疵点从正常纹理中分割出来。 通过对样本的检测发现，该方法可靠性高，适用于有规则纹理的织物疵点检测。 2 0 0 9 年，kl m a k t 2 1 】等提出了一种基于形态学滤波器的织物疵点自动检测方 法。首先应用提前训练好的g a b o r 小波网络提取织物的纹理特征值，随后根据提取 出的纹理特征，经形态学处理，将疵点从正常纹理中分离出来。因该方法仅需要几 个形态学滤波器，故计算量小。通过对含有不同种类疵点的多种织物的检测发现， 该方法精确度高，可靠性和稳定性好，且适用于在线实时检测。 1 2 3 国内研究动态 我国对基于计算机视觉的织物疵点检测的研究起步晚，研究内容主要是特征值 的提取算法和疵点的识别分类算法。其中，特征值提取算法主要有空间域的灰度共 生矩阵和频域的小波变换，疵点的识别分类主要采用神经网络算法。我国在这方面 的研究尚处于初级阶段，已取得一些成果，也有专利被申请，但尚未开发出实用的 检测系统。 国内较早对织物疵点自动检测进行研究的是东华大学纺织学院的黄秀宝教授。 她指导的博士生贡玉南、李立轻、徐增波、杨晓波和步红刚分别采用不同的分析方 法对织物疵点检测进行了探索。贡玉南 2 2 - 2 4 】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，但没有给出能同时适应不同类型疵点的算法；李立 轻【2 5 】采用分布满足正交条件的小波滤波器，将其成功应用于织物疵点检测；徐增波 2 6 1 分别采用基于w o l d 纹理模型和分形理论、二维连续小波变换对织物疵点进行识 别；杨晓波【2 7 j 采用连续小波变换对非结构化畸变疵点( 游丝和跳纱疵) 进行自动检 测：步红刚【28 】采用基于多分形特征参数的织物瑕疵检测方法，结合织物纹理图像的 5 青岛人学硕十学位论文 特点提取了四个有效的分形特征，然后采用欧式距离检测器对织物疵点进行检测。 苏州大学的左保齐、努尔顿【2 9 】对丝织物疵点智能化判别进行了研究，用直方图 处理变换等方法对获得的图像数据进行预处理，得到可以分析的织物疵点图像，然 后用灰度统计法提取织物各疵点特征值信息，疵点智能化判别用b p 神经网络来完 成。左保齐、刘建立【3 0 】采用基于小波变换和阈值分割的织物疵点边缘检测方法，首 先去除疵点图像背景，然后对去背景后的图像进行离散平稳小波变换，并结合拉普 拉斯算子进行增强，最后对经增强处理的图像，采用最佳阈值分割和形态学的方法 进行边缘检测，提取织物疵点形状特征。随后他们又采用3 层神经网络对织物疵点 进行识别，用织物疵点识别网络不适宜规则来选择隐含层神经元个数和筛选训练方 法，检测出断经、断纬、重纬、档疵、破洞和油污6 类疵点，平均识别率为9 9 2 ， 无疵点图像的识别率为1 0 0 ，正确识别率高、识别速度快，但此方法当油污面积较 小或零散分布时，会被误判为破洞。左保齐、梁金祥【3 l 】等对织物疵点图像的直方图 处理与增强进行了研究，用直方图处理技术对织物疵点图像进行增强处理，选取不 同的规定化函数对直方图处理的织物疵点图像结果作相关比较。 江南大学的谢春萍 3 2 】等利用两层神经网络和小波分析检验布匹疵点，首先运用 正常织物的灰度特征来训练第一层b p 神经网络，并将训练成功的网络用于判别织 物中是否含有疵点；随后利用疵点图像的小波特征训练第二层b p 神经网络，训练 好的网络用于疵点的具体分类。该方法能检测出大部分的明显疵点，但不明显的疵 点可能被忽略。 北京工业大学的韩武鹏 3 3 】等利用模糊小波分析算法，以滤波后所得的边缘图像 作为识别基础，提取图像边缘特征值，然后利用模糊推理构建的知识规则库优化产 生的小波系数。该方法可检测出毛巾生产过程中出现的断纬、断经、飞毛大套、色 斑等1 0 多种疵点，正确识别率为9 5 。 浙江理工大学的张瑞林【3 4 】等基于p c n n ( 脉冲耦合神经网络) 算法，利用织物 表面疵点区域的灰度强度与无疵点区域灰度强度的差别，根据神经元是否点火，来 获取织物疵点信息，然后将提取的特征值按作用范围膨胀，并用c a n n y 算子分割 出织物疵点，提取织物疵点边缘。 南通大学的姜平、周根荣【3 5 】探讨了基于计算机视觉的织物疵点自动检测方法。 系统主要由图像采集、图像处理、分类与控制三部分组成，由线阵c c d 实时感应织 物图像信息，d s p 实现对c c d 的驱动及其信号采集，u s b 实现高速数据传送：对 疵点图像进行半阈值化处理以突显疵点，用模式识别等给予实时分类，对特殊疵点 的出现给予停机等实时控制。 华中科技大学的朱德森、易丽华【3 6 】研究设计了织物疵点检测工业视觉系统，采 用小波分析方法对织物疵点进行特征提取，运用面向对象的分析方法对疵点自动检 6 第一章绪论 测系统中的软件进行功能模块的划分，提出了软件设计方案，运用c + + 语言实现部 分功能模块。朱德森、邹超【3 7 】等采用基于类别共生矩阵的纹理疵点检测方法，提取 出白疵点增强、黑疵点增强和一致度三个特征参数，最后采用异常点检测的方法区 分工f 常纹理和疵点。该方法比灰度共生矩阵计算量小，并能更好的分辨出正常纹理 和疵点。 河北科技大学的郑广、周力珍【3 8 】等采用图像距离差算法去除织物背景，仅保留 织物的疵点部分，以形成距离差图像，对距离差图像采用动态分区阈值法获得织物 疵点的二值化图像，通过对面积、周长、中心点位置等特征值的归一化测量来识别 出常见的各类疵点。该系统可检测出3 0 多种常见疵点，准确率高达9 2 ，误检率在 5 以下。 西安工程科技学院的高晓丁【3 9 】等人采用基于直方图统计和支撑矢量机的织物疵 点识别算法对织物疵点进行检测，该方法在小样本下运行速度相对r b f 神经网络快 且识别率高。 青岛大学的高水平【删采用小波分析去噪来进行疵点图像的增强以用于织物疵点 的自动检测，他们将疵点分为经向疵点、纬向疵点、区域疵点和离散疵点，分别用 不同方法对不同疵点进行几何形状特征提取。 香港大学的l e et i n c h i 和p a n gg r a n t h a m 4 1 】采用匹配滤波方法，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，一个用来检测横档， 一个用来检测疵点的水平边缘，还有一个均值模板) 对疵点进行检测，平均识别率 为9 6 ，错检率和漏检率为6 。 综上所述，实现织物疵点自动检测是一个难度很大的课题，因为织物疵点可产 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，为疵点识别带来了诸多困难。虽然研究学者们已提出许多检测算 法和系统设计方案，但真正能用于实际生产的却不多。目前国外已推出的自动检测 设备均以强大的硬件作为支撑，国内绝大多数企业难以接受。为此，我们应把重点 放在算法和软件编程设计上，充分利用软件的灵活性和价格合理性，代替昂贵的硬 件设施。我国的研究工作和国外有较大差距，目前多数研究都处于实验室阶段，对 图像拍摄环境进行了理想化，不适宜在线检测。因此，应在总结参考国内外已有经 验的基础上，取长补短，结合我国纺织企业实际情况，研究适合我国纺织生产的织 物疵点自动检测系统。 1 3 本文研究内容 在对国内外织物疵点自动检测方法和理论进行分析综合的基础上，研究基于计 算机视觉的织物疵点自动检测系统中的图像预处理、特征值提取、疵点识别与分类 7 青岛人学硕十学位论文 等主要理论与技术问题的解决方法，具体内容包括： ( 1 ) 织物图像的预处理，分为图像去噪和图像锐化两部分。将中值滤波去噪和 小波去噪相结合，在有效滤除噪声的同时，最大限度地保留了图像的边缘效果，为 使去噪后的图像有更清晰的边缘和轮廓，需对图像进行锐化，以利于后续的特征值 提取和疵点识别分类。 ( 2 ) 无疵点织物特征值库建立与待检织物特征值提取比对。织物有明显的纹理 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不同于正常织 物纹理结构的特点来实现。提取出无疵点织物的纹理特征，将其作为标准模板存入 计算机( 建立特征值库) ，供后续待检织物特征值分析时进行比对。 ( 3 ) 疵点的识别与分类，将得出的待检织物特征值与特征值库中存储的特征值 进行比对后，若待检织物的特征值超过设定的阈值，则认为此处含有疵点，随后输 入到神经网络进行训练，对疵点进行分类。 ( 4 ) 系统相关软件设计，利用l a b v i e w 编程软件对系统中所需的程序进行编 程设计。 ( 5 ) 织物疵点自动检测实验与结果分析。基于理论研究，进行织物疵点检测实 验。通过对实验结果的分析，验证理论方法的可行性和有效性。 第二章织物图像预处理 第二章织物图像预处理 织物图像在采集传输过程中，因受到周围环境和图像采集系统等多种不稳定因 素影响，在最终获取的图像中不可避免地存在噪声。噪声与有用的图像信号混在一 起，降低图像的信噪比，严重影响图像质量，导致一些细节信息难以被辨识，进而 影响到后续的特征值提取和疵点的识别与分类。为减小或消除噪声影响，使图像更 易于计算机的分析与处理，必须对采集的图像进行预处理，改善原图像的视觉效果， 减小或去除噪声，并消除不期望的纹理，突出边缘细节。 2 1 小波分析理论 在基于计算机视觉的织物疵点检测研究中，小波分析方法起着至关重要的作用。 本文中图像去噪、图像的小波分解和特征值提取均应用到小波分析理论。与傅里叶 变换相比，小波变换是时频局部化变换，通过平移和伸缩可对信号进行多尺度细化， 它是泛函分析、样条分析、傅罩叶分析和数值分析的完美结合，广泛应用于应用数 学、计算机科学、物理学、信息处理、图像处理等多个学科领域，被工程界认为是 继傅里叶变换后又一个里程碑的发现。 2 1 1 小波基函数 小波【4 2 1 即小的波形，“小”指它具有衰减性，长度有限；“波指其振幅正负相 间的震荡形式，具有波动性，平均值为0 。小波变换的定义为：把一称为基本小波 ( 小波母函数) 的函数o ) 做位移f 后，再在不同尺度口下与待分析信号z ( f ) 做内积， 即将沙o ) 进行伸缩和平移，得到函数，o ) 陆忑1y ( 等) a , r r ；a o 协， 式中，f 为平移因子，口为伸缩因子( 即尺度因子) ，称帆，o ) 为依赖于参数f 和口 的小波基函数。 小波基函数决定小波变换的效率，既可以灵活选择，又可以根据具体问题进行 构造。常用的小波基函数有d b n 小波、e o i f n 小波、s y m n 小波、h a a r 小波、m e x i c o 草帽小波、m o r l e t 小波、复高斯小波等。选择小波基函数时，应尽量选择和信号波 形相近的小波基，同时要考虑小波函数的有效支撑区域。 9 青岛大学硕十学位论文 2 1 2 连续小波变换 非稳定信号要求变换函数具有时频窗口可调的性质，为此引入窗口函数 。，g ) = 忑i ( 等 ，并定义一维信号厂g ) 的连续小波变换( c 。n t i n u o u s w a v e l e t t r a n s f o r m ，缩写c w t ) 公式为 吁q ，r ) = e 厂g 瓣 ( 2 - 2 ) 式中， ，f ) 为s ( x ) 的连续小波变换，口为尺度因子，表示与频率相关的伸缩； f 为时间平移因子。 因尺度因子口和平移因子r 是连续变化的值，因此称，g ) 为连续小波函数基。 小波母函数沙( x ) 需满足如下可容许性条件 吐匕 ( 2 - 3 ) 式中，r 为实数集。 对于二维信号来说，其连续小波变换【4 2 】的表达式为 叼= w o a 弘 o ，= 击少叫等卜 ( 2 4 ) 可以看出，小波变换是一种积分变换。小波基函数具有时频局部化特性，因此 经平移伸缩后的小波函数也具有时频局部化特性。从一定意义上来说尺度的倒数对 应于频率，即频率大小与尺度成反比，而尺度信号又可理解为时间序列，因此这一 点符合时频分布的自然规律，即高频信号持续时间短，低频信号持续时间长。 变换只是简化和处理问题的一种有效手段，最终目的还是要回到原函数的求解， 因此任何变换只有存在逆变换才有实际意义。可以证明，如果采用的小波满足条件 式( 2 3 ) ，则其逆变换存在，并满足如下逆变换公式 厂o ) = 虿1 上万d c te 嘿q ，f 耽，f 2 专r 。警e 吗如) 去攻等卜 协5 ， 式中，q = 尹肾 0 。 2 1 3 离散小波变换 实际应用中，为方便计算机的分析处理，需要把连续小波变换离散化【4 2 1 ，同时 不能丢失检测信号的信息。若取连续小波变换中的尺度因子口和平移因子r 分别为 口= 口i ，f = k a j o r o ，这里= 0 , 1 ，2 ，j | z ，对应的离散小波变换( d i s c r e t ew a v e l e t t r a n s f o r m ，缩写d w t ) 即可表示成 哆，后) = 了1 理t ， o 础 ( 2 7 ) 吖口： ，” 式中，一般取g o = 2 ，则口= 2 0 , 2 1 ，2 i 。对位移离散化时，f 均匀离散取值，以便 覆盖整个时间轴；同时f 必须满足n y q u i s t 采样定理，以防止信号信息的丢失。一 将连续小波变换离散化后，还要解决能否将进行离散小波变换后的函数逆变换 为原函数和是否任意函数均可表示为，b ) 的加权和的问题。已经证明，只要满足 下式条件，即可解决小波变换的这两个问题。 a l s l l 2 硝- b l l y 3 1 2 ( 2 - 8 ) 式中，彳、曰分别为上下界，且0 a b 1 ，则表示当分解层数为以时，近似子图中仍然含有水平、垂直和对角三 个高频细节信息，需进一步分解图像；若厶 1 ，则表示当分解层数为，l 时，近似子 图中不再包含水平、垂直和对角三个高频细节信息，图像便不需要进一步分解。因 此，我们将厶 l ；当分解层数为3 时，厶 1 ，因此选择最佳的小波 分解层数为n = 2 。 3 3 青岛大学硕十学位论文 表3 6 不同分解层下，白杠图像各分解子图能量统计表 分解层数 e s e n e r e nq厶 刀= 10 9 9 7 2 30 0 0 3 3 40 0 0 3 9 20 0 0 1 5 60 0 0 8 7 7 n = 20 9 8 6 2 30 0 1 2 9 60 0 0 9 9 10 0 0 1 9 40 0 2 9 4 53 3 5 8 0 4 n = 3 0 9 7 2 1 50 0 1 4 1 30 o l l 5 50 0 0 2 1 60 0 2 7 8 50 9 4 5 6 7 表3 7 不同分解层下，破洞图像各分解子图能量统计表 分解层数 e s e h e 矿 e dq厶 ，产10 9 9 8 8 30 0 0 0 8 40 0 0 0 2 30 0 0 0 1 l0 0 0 1 1 8 n = 20 9 9 7 0 3o 0 0 1 1 40 0 0 0 9 40 0 0 0 9 90 0 0 3 0 72 6 0 1 6 9 n = 30 9 9 6 9 80 0 0 1 5 9o 0 0 1 0 40 0 0 1 2 30 0 0 2 9 50 9 6 0 9 1 表3 8 不同分解层下，油污图像各分解子图能量统计表 分解层数 e se n e p e dq厶 刀= l0 9 9 6 2 50 0 0 0 1 90 0 0 1 3 80 0 0 0 1 60 0 0 1 7 3 n = 20 9 9 4 2 30 0 0 0 3 50 0 0 4 9 30 0 0 0 2 40 0 0 5 5 23 1 9 0 7 5 n = 30 9 8 0 1 90 0 0 0 5 40 0 0 5 5 60 0 0 0 2 90 0 0 5 4 70 9 9 0 9 4 表3 9 不同分解层下，断纬图像各分解子图能量统计表 分解层数 e se h耳 e dq厶 n = l0 9 9 8 3 70 0 3 2 1 50 0 3 2 1 70 0 0 0 1 20 0 6 0 6 3 n = 20 9 9 7 5 50 1 2 5 4 10 1 0 2 1 10 0 0 0 6 9o 1 8 6 1 73 0 7 0 5 9 n = 30 9 9 7 4 30 1 2 9 1 70 1 0 7 5 90 0 0 1 1 4 o 1 8 2 5 80 9 8 0 7 1 表3 1 0 不同分解层下，断经图像各分解子图能量统计表 分解层数 e s e h e p e dq厶 n = l0 9 9 9 4 80 0 1 4 6 90 0 1 5 9 80 0 0 0 1 3 0 0 2 9 8 9 n = 20 9 9 8 8 70 0 4 4 6