织物表面疵点自动检测方法研究

来源:用户上传      作者:

　　摘要：针对织物表面质量检测仍处于人工检测的现状，根据织物疵点破坏织物固有纹理组织结构，体现为灰度值纵向或横向频率变异的特点，提出一种疵点自动检测方法。该方法先由织物组织循环结构确定大小两个检测窗口的尺寸，然后通过合适的离散小波基把试样分解成含经向细节和纬向细节的两个子图，分别统计两者能量和后分离出低频的疵点信息。该方法简单易行，漏检率低，适应于大多数方向性、块状类疵点的检测。
　　关键词：织物疵点检测;双窗口设计;小波分解;能量统计
　　中图分类号：TS101.9文献标志码：A文章编号：1009-265X（2020）01-0047-05Research on Auto Inspection Method for Fabric Defect
　　WU Jun
　　Abstract：Considering that fabric surface quality inspection still depends on manual work， and that fabric defect damages the texture structure of fabric is featured by vertical or horizontal frequency departure of grey level， an auto inspection method proposed， according that. Firstly， the size of the big and small inspection windows were determined by the loop structure of fabric weave. The the sample is decomposed into two subimages containing warp and weft details by proper discrete wavelet basis. Finally the energy sum and the defect information of the low frequency were calculated respectively. This method is simple and easy to operate， good in real time， and suitable for detection of most directional and lumpy defects.
　　Key words：fabric defect; doublewindows design; wavelet decomposition; energy sum
　　传统纺织企业工序繁多，随着用工成本日益高涨，生产过程自动化已是重要的解决方案之一。坯布检验为整理车间一道不可缺少的工序，用于后续修补及坯布评分分级。国外已研发出自动检测装置应用于生产[1]，但因进口设备成本较为昂贵，故国内企业现阶段多仍采用传统的人工检验，效率低下，可靠性较差，人为干扰因素偏大。坯布自动检测具有实时性强、疵点种类多、表现形式各异的特点，国内研究人员近些年提出的一些算法存在检测速度慢、漏检、误检率高、检测疵点种类少等问题。随着机器视觉系统的硬件成本日益下降，找到一种快速简便、识别率高的织物疵点检测方法已成为迫切需要解决的问题。
　　在具有代表性的各类疵点检测算法中，基于纹理的灰度共生矩阵法计算量过大[2]，不易实现在线实时检测，灰度直方图法[3]和傅里叶时频变换法[4]缺少疵点空间信息，不能对疵点位置直接作出反馈，灰度匹配法需对视觉系统的应用环境如光源等进行严格配置而不太适应工厂实际[5]，阈值分割法不能对仅有纹理差异而无灰度差异的疵点进行识别[6]。
　　1检测窗口选取
　　纺織物具有规则的人工纹理结构，棉坯布最常见的组织结构为平纹和斜纹（图1）。
　　在一个基本组织内，经、纬方向的灰度值均表现出规则的周期性变化，呈现出纹理的规则性和方向性[7]，由于疵点破坏了正常组织结构，导致该区域呈现出与周围区域不同的外观风格。
　　窗口选取就是依据循环组织结构尺寸，把采集的图像分割成若干大小一致、保持完整循环结构的子图像。子图像尺寸设计为织物组织循环数的整数倍，以保证检测窗口前后样本之间的一致性和可重复性，如式（1）：
　　Pj=Rj×IRj/ρj
　　Pw=Rw×IRw/ρw（1）
　　式中：Pj、Pw为窗口经、纬向像素数;Rj、Rw为织物经、纬向组织循环数;IRj、IRw为图像经、纬向分辨率;ρj、ρw为织物经、纬向密度。
　　对某标称规格133×100的平纹棉织物（经密133根/英寸、纬密100根/英寸），图像分辨率为72PPI（Piexs/inch），其组织循环数（单位：像素）为经向2×72/（52×2.54）=1.09，纬向2×72/（39×2.54）=1.45，则窗口取值109×145及其整数倍。
　　窗口选取大则低频呈现效果好，适用于较大面积的条状、块状疵点，如稀密路，大的破洞、油块等;窗口小，则高频细节呈现清晰，低频效果反倒不能完整呈现，适用于单根纱线所造成的疵点，如粗经、粗纬、竹节、缺纱、断纱、小跳花等，故应选取大小两种尺寸窗口，且两窗口均满足窗口尺寸为织物组织循环数的整数倍原则。部分原始图像样本见含疵样本图2。
　　其中竹节、粗纬分别代表经、纬方向性疵点，断经、稀弄为导致纹理破坏的疵点，跳纱、油斑为块状类疵点，前二者为纺部工序产生的疵点，后四者为织部工序产生的疵点，样本具有普遍性与代表性。
　　2图像采集与预处理
　　图像预处理可以有效提高目标图像的识别清晰强度，减少数据处理量，该工作通过图像采集卡等硬件来完成，上位机不参与以提高数据处理的实时性。首先将采集到的RGB图像转换成灰度图像格式，然后对灰度图像进行直方图均衡化处理，再进一步把图像转换成二值图像格式。 　　1.1图像格式转换与均衡化处理
　　RGB图像采用加权平均法转成灰度图像，如式（2）：
　　n Gray=0.299×R+0.587×G+0.114×B（2）
　　灰度图像进行直方图均衡化处理，如式（3）：
　　gk=EQ（fk）
　　EQ=∑kj=0njnk=0，1，2，…，255（3）
　　式中：g为采样点原灰度值，f为采样点新灰度值，EQ为累积分布函数（k=0，1，2，…，255），n为图像中像素总和，nj为当前灰度级的像素个数，L为灰度图像级数。
　　1.2图像二值化处理
　　阈值的选取有多种方法[8]，在光照充分、稳定的检测环境中，为提高计算速度采用全局阈值方法为优，其中直方图算法最简单适用。直方图法有基于谷底最小值的分水岭法[9]、OSTU大律法和Kittler最小错误分类法等。织物属于人造纹理结构，灰度值分布单一，图像有明显两个波峰且谷底单一清晰，就某一待检品种而言，仅需对较少窗口进行最小值函数的迭代计算以得到合理阈值，其计算量小，实时性强，故本文采用分水岭法来寻找二值化阈值。预处理后样本见含疵样本二值图3。
　　3图像小波分解
　　织物具有周期性、方向性特点，其疵点又具有经向或纬向的方向性特点，而二维小波变换可以提取出图像的水平细节特征和垂直细节特征，故采用小波变换将二值图像分解成水平子图和垂直子图作为下一步的检测图像。小波变换具有以下优点：a）覆盖整个频域;b）减少无关特征之间的相关性;c）具有“变焦”特性，低频段用高频率分辨率（宽分析窗口），高频段用低频率分辨率（窄分析窗口）;d）有快速算法满足实时性要求[1011]。
　　二维小波变换算法过程为：a）对图像的每一行做一维小波变换，得到L和H左右两部分;b）对两部分图像的每一列分别做一维小波变换。变换后图像分为近似分量LL，水平细节分量HL，垂直细节分量LH及对角细节分量HH，通过对LL分量继续进行小波变换，得到另一“尺度”的近似分量和细节分量。二维小波变换见图4。
　　小波变换适用于检测奇异信号，织物的疵点之于纹理即为奇异信号，该信号属于低频，做一次分解即可将疵点与纹理（目标与背景）分割开，将检测窗口设计为大小两窗口，大窗口展现油污、破洞等大疵点信息，同时可进一步根据坯布分等标准将被检坯布进行分等;小窗口展现粗纱、跳花等小疵点信息，也不必再对窗口进行小波的多层次分解。识别逻辑是先进行大窗口识别运算，若反馈疵点信息，直接转至下一窗口;若无疵点信息，则继续进行小窗口识别运算，之后再转至下一窗口。
　　离散小波变换是对基本小波的尺度和平移进行离散化。在图像处理中，常用的离散小波有Haar，Daubechies，Symlets，BiorSplines，Dmeyer，Morlet等多系列小波基[12]，其中前3种小波基可以分解出二维数字图像的纹理及疵点信息，就算法的实时性而言，Haar小波最优。实验选取Haar小波基对窗口图像进行层级为1的小波变换，结果保留其水平细节部分（即纬向子图）和垂直细节部分（即经向子图）进入下一步的疵点识别，见含疵样本小波分解子图（图5）。
　　4剖面能量和
　　在得到窗口图像的水平细节分量、垂直细节分量之后，对各分量图进行剖面能量统计：沿坐标0°（纬向）和90°（经向），分别统计每一个剖面灰度图像的灰度值之和，作出相应的能量特征值分布曲线，如式（4）：
　　Ej=∑Mi=1|Hi，j|，Ei=∑Nj=1|Hi，j|（4）
　　式中：Ej为横向剖面（纵坐标j）处的灰度值和;Ei为纵向剖面（横坐标i）处的灰度值和;Hi，j为坐标（i，j）处的灰度值;M为图像的纬向尺寸;N为图像的经向尺寸。
　　对含水平细节信息的纬向子图按行进行能量求和，对含垂直细节信息的经向子图按列进行能量求和。分别得到纬向能量和信号图、经向能量和信号图，横坐标是检测窗口对应的经向空间位置和纬向空间位置，纵坐标表示能量和，从而可以看出织物表面光照产生的能量分布信息。见含疵样本能量和信号（图6）。
　　由图6（a）可以看出，在横坐标50处有明显的频率下降现象，这是由于该处存在较纹理粗的竹节疵点而破坏了纹理的固有频率;同样由图6（b）可以看出，在横坐标80处有明显的频率下降，这是由于单根纬纱过粗所致;而块状类疵点——油斑疵点则在两子图上都存在此类现象。
　　5数据及分析
　　在对平纹及斜纹织物试验后，得到含疵图像的能量和周期变化分布值，截取部分采样值（采样密度20Piexs），j表示经向能量和信号，w表示纬向能量和信号，见表1。
　　经向疵点竹节与断经在经向图中、纬向疵点粗纬与稀弄在纬向图中、块状疵点在经纬向图中均出现了明显高于其他数值的大周期值，则该图像样本存在低于正常频率的低频分量，通过设计合适的高通滤波器滤掉正常纹理从而分离出疵点信息。
　　6结语
　　针对织物表面的结构性纹理特点，把采集图像分成大小两窗口;预处理阶段对图像进行直方图均衡化以增强对比度，选取合适阈值将灰度图像进一步转成二值图像，以减少数据处理量;分割阶段基于haar小波变换算法，在大窗口下将样本图像分解成经向子图和纬向子图，分别进行灰度能量和统计，若检测无异常则进行小窗口下小波分解，从而识别出各类含疵图像。结果表明，该方法算法简单，漏检率低，适用于经、纬向等方向类疵点、块状区域类疵点，具有良好的应用发展前景。
　　参考文献：
　　[1] 刘呈健，张贵彬.坯布自动检测系统简介[J].棉纺织技术，2005，33（3）：63-64.
　　[2] 邹超，朱德森，肖力.基于类别共生矩阵的纹理疵点检测方法[J].华中科技大学学报（自然科学版），2006，34（6）：25-28.
　　[3] 高晓丁，汪成龙，左贺.基于直方图统计的织物疵点识别算法[J].纺织学报，2005，26（2）：121-123.
　　[4] 朱丹丹，潘如如，高卫东.基于傅里叶特征谱和相关系数的织物疵点检测[J].计算机工程与应用，2014，50（19）：182-186.[5] 陈皓，馬彩文，陈岳承，等.基于灰度统计的快速模板匹配算法[J].光子学报，2009，38（6）：1586-1590.
　　[6] 贾允，丁艳，刘泽平.改进图像阈值分割算法的研究[J].光学技术，2005，31（1）：155-157.
　　[7] 蔡陛霞.织物结构与设计[M].北京：中国纺织出版社，2004.
　　[8] 龙鈞宇，金连文.一种基于全局均值和局部方差的图像二值化方法[J].计算机工程，2004，30（2）：70-72.
　　[9] 凡莉，周绍光.二维直方图分水岭分割方法的研究[J].计算机工程与应用，2015，51（4）：170-174.
　　[10] 胡广书.现代信号处理教程[M].北京：清华大学出版社，2004.
　　[11] 李立轻，黄秀宝.用于疵点检测的织物自适应正交小波的实现[J].东华大学学报（自然科学版），2002，28（2）：77-81.
　　[12] 桑燕芳，王栋.水文序列小波分析中小波函数选择方法[J].水利学报，2008，39（3）：295-300.
　　收稿日期：2017-12-18网络出版日期：2018-09-21
　　基金项目：2014年度河南省重点科技攻关（142102210524）
　　作者简介：吴军（1971-），男，辽宁北镇县人，副教授，主要从事自动检测、机器视觉、机械CAD方面的研究。
转载注明来源:https://www.xzbu.com/1/view-15153278.htm