基于ga作滤波器的织物缺陷自动检测方法

基于ga作滤波器的织物缺陷自动检测方法

1gabo滤波器在目前的纺织生产中，由于人工鉴定的性质，织物缺陷的检测仍然主要采用人工方法。由于受测试对象的生理、心理、主观意识和其他因素的影响，很难保证测试结果的一致性和可靠性。因此，有必要发展一种新的、快速、准确的自动检测方法。Gabor滤波器是一种具有方向和频率选择性的窄带带通滤波器,Daugman在文献中指出:由于Gabor滤波器能够达到时频测不准的下界,其在空间和频率域上都具有良好的局部性能,因此,Gabor滤波器已被广泛地应用于纹理图像分割与识别、边缘提取和表面检测等领域。织物表面具有典型的结构性纹理,并具有显著的周期性、方向性和均匀性。由于织物缺陷的存在,打破了纹理在频率和方向上的和谐统一性,因此,需要通过Gabor滤波器的不同响应,利用阈值来对有缺陷织物纹理图像进行分割,以便实现织物缺陷的自动分割和识别。2gabo滤波器滤波本文提出的缺陷检测方法分为以下两个过程:学习过程和检测过程(如图1所示),在学习过程中,首先采用无缺陷的织物图像T为模板,经过Gabor滤波器h(Φ)滤波后,得到响应矩阵E,然后以C(Φ,T)为目标函数来寻找最优的Gabor滤波器h(Φopt);最后采用滤波器h(Φopt)对模板T进行滤波,再通过极大似然法来估计响应值的概率分布密度,以确定分割阈值T。在检测过程中,首先应用滤波器h(Φopt)和阈值T检测待检图像S,然后通过提取响应矩阵E的极小值点来计算缺陷的形状特征,用于缺陷类型的识别。3最佳加农费用设计3.12gactor空间方程离散化2维Gabor滤波器的冲击响应可表示为用2维Gauss函数调制的有向复正弦,即h(x,y|Φ)=gδ(x,y)exp[j2π(Ux+Vy)](1)h(x,y|Φ)=gδ(x,y)exp[j2π(Ux+Vy)](1)其中,gδ(x,y)=12πσ2exp(-(x2+y2)2δ2),Φ=(δ,U,V),δ是Gauss函数的宽度参数,U和V分别是沿x和y坐标轴的频率。2维Gabor滤波器是一个带通滤波器,其带宽的中心频率是f,方向是θ。f=√U2+V2θ=arctg(V/U)(2)图像I(x,y)通过Gabor滤波器的响应为F(x,y|Φ)=Ι(α,β)*h[(x-α),(y-β)|Φ]=∫+∞-∞∫+∞-∞Ι(α,β)gδ(x-α,y-β)e-j2π(Uα+Vβ)dαdβ(3)为了在计算机上实现式(3),必须对其进行离散化。设I(x,y)是M×N点阵的数字图像,取Gauss函数的支集为W×W(W=2k+1)大小的点阵,则式(4)可以写成以下离散形式:F(x,y|Φ)=k∑l=-kk∑m=-kΙ(x+l,y+m)h*(l,m|Φ)=k∑l=-kk∑m=-kΙ(x+l,y+m)gδ(l,m)×exp[-j2π(Ul+Vm)](4)U和V采用归一化频率,其取值范围是闭区间[-0.5,0.5]上的实数。图像I(x,y)在任意点(x,y)处的频谱能量定义为E(x,y|Φ)=[eΦi,j]Ρ×Q=1W2|F(x,y|Φ)|2(5)其中,P=M-W+1,Q=N-W+1。在学习和检测过程中,可采用函数E作为输入图像对滤波器h(Φ)的响应。3.22基于频谱的阈值化分析模型2维Gabor滤波器是以f为中心频率的带通滤波器,如果能寻找到一个最优的滤波器与织物的正常纹理相匹配,那么正常纹理就能通过滤波器输出数值较大,且稳定的频谱能量,而缺陷区域则只有很小的频谱能量输出;然后对响应结果进行简单的阈值化,即可实现缺陷区域的自动分割和识别。为了得到缺陷区域和正常区域的最大响应差别,本文以正常纹理响应值的均值最大、方差最小为目标函数来设计最优的Gabor滤波器。2维Gabor滤波器优化设计是采用无缺陷织物图像为模板T,优化变量为Φ=(δ,U,V),并采用式(5)来计算模板T的响应矩阵E=[eΦ,Ti,j],目标函数为maxC(Φ|Τ)=(μΦ,ΤσΦ,Τ)2(6)其中,μΦ,Τ=1Ρ×QΡ∑i=1Q∑j=1eΦ,Τi,j(σΦ,Τ)2=1Ρ×Q-1Ρ∑i=1Q∑j=1(eΦ,Τi,j-μΦ,Τ)24基于极大似然法的图像检验织物一般是由经、纬纱线相互交织而成,由于经、纬线之间不存在强力的约束,因此正常织物的表面存在可允许的正常偏差,检测时,此类偏差不应视为缺陷。无缺陷织物图像的响应矩阵E=[eΦ,Ti,j]分为以下两个部分:一部分是对规则纹理的响应输出;另一部分是对正常偏差的非规则纹理的响应输出,假设这两部分都服从于正态分布,则eΦ,Ti,j的概率分布密度函数可表示为如下的形式:p(e|μ1,σ1,μ2,σ2,q)=q√2πσ1exp[-(e-μ1)22σ21]+1-q√2πσ2exp[-(e-μ2)2σ22](7)其中,μ1和σ1是对规则纹理响应的均值和方差,μ2和σ2是对不规则纹理响应的均值和方差,q是规则纹理在图像中出现的概率,这里要求μ1>μ2。现采用极大似然法来估计未知参数μ1、σ1、μ2、σ2和q。对于一组[eΦ,Ti,j]P×Q,其似然函数为L(μ1,σ1,μ2,σ2,q)=Ρ∑i=1Q∑j=1ln[p(eΦ,Τi,j)](8)估计值ˆμ1,ˆσ1,ˆμ2,ˆσ2,ˆq满足下式:L(ˆμ1,ˆσ1,ˆμ2,ˆσ2,ˆq)=maxL(μ1,σ1,μ2,σ2,q)(9)由于缺陷部分的响应小于正常部分的响应,因此,分割阈值T可取为Τ=ˆμ2-ηˆσ2(10)η是控制常数,由具体的检测任务确定,一般取η=5～9。对于待检图像S,通过分割其响应矩阵E=[eΦ,Ti,j]可得到检测结果R=[ri,j]。ri,j={0ei,j>Τ1ei,j≤Τ(11)5极小值点提取在检测过程中,大小为W×W点阵的离散Gabor滤波器h(Φ)依次滑过整个图像时,在缺陷最为显著的地方,其响应值就形成了局部极小值点。通过提取缺陷响应的极小值点,既可以除去关于缺陷形状的冗余信息,又可快速准确地获得形状特征。本文以W/2×W/2点阵为邻域来提取矩阵E的极小值点mi(xi,yi),用于计算缺陷的形状特征。缺陷区域的形心为xc=k∑i=1xk/k,yc=k∑i=1yk/k(12)缺陷区域的长径比定义为Ρx,y=xmaxi-xminixmaxi-xmini+ymaxi-ymini(13)x,y方向的偏心量定义为Ρx=Xc-xminixmaxi-xmini,Ρy=Yc-yminiymaxi-ymini(14)缺陷区域占总区域(M×N)的比例为Ρs=[xmaxi-xmini]×[ymaxi-ymini]Μ×Ν(15)注:为了避免出现除零,若xmaxi=xmini时,取:xmaxi-xmini=1,y方向坐标做相同处理。6小生境遗传算法小生境遗传算法是模拟生物在某种特定生存环境中的遗传进化过程而形成的一种自适应全局优化概率搜索算法。小生境技术就是先将每一代个体划分为若干类,每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个种群,再在种群之间通过杂交、变异产生新一代个体群,同时采用选择机制或分享机制来完成选择操作。由于基于小生境技术的遗传算法可以更好地保持解的多样性,因此具有很高的全局寻优能力和收敛速度,这种小生境遗传算法算法不但不需要了解优化对象的特定知识,也不需要目标函数的梯度信息,更不要求解空间的连续可导性。由于Gabor滤波器的优化和极大似然估计都可归结多维变量的优化问题,因此在学习阶段可统一采用小生境遗传算法来求解最优Gabor滤波器参数和极大似然估计。求解最优Gabor滤波器参数时,可采用24bit二进制符号串对优化变量Φ=(δ,U,V)进行编码,其中δ占用4bit,U和V各占用10bit;求解极大似然估计时,用30bit二进制符号串来对优化变量(μ1,σ1,μ2,σ2,q)进行编码,各占6bit。适应度函数可直接采用目标函数(式(6)和式(9)),式(4)的卷积运算采用1维FFT(fastfouriertransformation)和IFFT(inversefastfouriertransformation)实现。小生境遗传算法的步骤如下:(1)种群初始化,种群大小M=100;(2)依据个体的适应度降序排列,记忆前N=60个个体;(3)采用比例选择算子来确定参与进化的个体;(4)采用均匀交叉算子进行交叉,交叉概率为0.6;(5)采用均匀变异算子进行变异,变异概率为0.01;(6)合并M+N个个体形成小生境淘汰种群,同时进行相似个体比较,并惩罚较差个体;(7)对M+N个个体依据适应度降序排列,分别记忆前M和前N个个体;(8)以前M个个体作为下一代种群,重复步骤3～步骤7,直至满足收敛条件或达到最大进化代数。7最优gactor滤波器检测图像采集系统由CCD工业摄像机和图像采集卡组成,采集得到的图像为256×256点阵,256阶灰度的织物图像。检测时,被测对象位于摄像机与照明装置之间,采用静止状态的帘子布作为测试对象,经过反转处理后的图像见图2。帘子布是一种产业用纺织品,其纬线稀疏,经、纬线之间无强力的位置约束,正常织物的纹理图像有较大的偏差,因此,比较适合测试算法的稳定性和可靠性。在学习阶段,以图2作为模板T,用小生境遗传算法求解最优Gabor滤波器参数和响应矩阵E的概率分布参数,其计算结果如下:Φopt=(6.95,0.20,0.00)ˆμ1=2.62×10-4,ˆσ1=4.90×10-6,q=0.96ˆμ2=2.48×10-4,ˆσ1=3.84×10-6图3是响应矩阵E=[eΦ,Τi,j]的实际分布情况和估计结果的对比。由图3可见,正常织物的响应服从式(8)的概率分布密度,其中属于正常偏差的非规则纹理的出现频率是1-q=0.04,且服从于正态分布N(ˆμ2,ˆσ2)。分割阈值T=2.48×10-4-7×3.84×10-6=2.21×10-4。在缺陷织物图像检测阶段,依次测试断经、劈缝、稀经、浆斑和粘并5种缺陷,检测结果如图4所示。缺陷织物标准来自于中国神马集团有限责任公司。图4(a)～图4(e)依次是图像采集系统采集的5种缺陷织物图像;图4(f)～图4(j)是用本文检测系统检测到的缺陷域,图中的黑色部分表示无缺陷区域,白色部分表示缺陷区域。“□”表示极小值点;图4(k)～图4(o)是检测系统在原图像上标记的缺陷区域。从检测结果可以看出,最优Gabor滤波器在空间域和频域中都具有很高的定位精度。织物各种缺陷的形状特征见表1。8改进的波器响应值检测鉴于纺织品的表面纹理具有显著的周期性、方向性和均匀性等特征,为此,本文根据此特点提出了一种基于Gabor滤波器的织物缺陷检测方法,该方法首先依正常织物的图像为模板,自动选择最优的Gabor滤波器参数,并估计模板对滤波器响应值的概率分布密度,以及确定分割缺陷区域的阈值。在检测到缺陷区域后,再通过提取滤波器响应值的局部极小值点来获得缺陷区域的形状信息,用于缺陷类型的识别。实验结果证明,该方法是有效的和实用的。与其他的方法相比,该方法具有以下特点:(1)适应性广,由于检测所用的Gabor滤波器参数和分割阈值都是算法在学习阶段根据模板自动选定的,因此该方法适用于各种结构性纹理的缺陷检测;(2)缺陷的识别能力强,且定位准确,由于Gabor滤波器能够达到时频测不准的下界,因此该方法既可以在频域中准确地检测到