丁淑敏，李春雷，劉洲峰，黎小靜

（中原工學(xué)院，鄭州450007）

織物缺陷是影響織物質(zhì)量的主要因素.一般來講，若產(chǎn)品出現(xiàn)一個(gè)缺陷，其價(jià)格將降為正常價(jià)格的一半左右，因此，織物缺陷檢測(cè)是生產(chǎn)中的一個(gè)關(guān)鍵環(huán)節(jié).傳統(tǒng)的織物缺陷檢測(cè)由人工完成，這是一項(xiàng)繁重的重復(fù)性工作；長(zhǎng)時(shí)間的觀測(cè)，容易造成視覺疲勞及漏檢率與錯(cuò)檢率上升.研究表明，當(dāng)織物運(yùn)動(dòng)速度大于30m／min或幅寬大于2m時(shí)，即使最熟練的驗(yàn)布工人，也只能檢測(cè)其中60%左右的缺陷.隨著紡織生產(chǎn)自動(dòng)化程度的提高，生產(chǎn)速度也不斷提高，從而對(duì)織物的缺陷檢測(cè)提出了更高的要求.因此，研發(fā)一種快速、高精度的織物缺陷自動(dòng)檢測(cè)算法或技術(shù)，成為紡織品檢測(cè)的重要課題.

目前，織物缺陷檢測(cè)算法主要分為三大類［1］：

（1）基于模型的方法.該類方法計(jì)算量大，實(shí)現(xiàn)復(fù)雜，特別是在線檢測(cè)困難，目前已很少研究［2］；

（2）基于譜分析的方法.主要包括離散傅里葉變換、Gabor變換、小波變換等方法.該類方法通過時(shí)頻分析來突出并檢測(cè)缺陷，但時(shí)頻變換操作會(huì)降低檢測(cè)速度，因此，目前很難直接應(yīng)用到在線檢測(cè)中［3－5］；

（3）基于統(tǒng)計(jì)的方法.主要包括邊緣檢測(cè)、形態(tài)學(xué)操作、共生矩陣、局部線性變換等方法.該類方法僅能對(duì)特定織物表面上有限類別的織物缺陷進(jìn)行檢測(cè)［6－8］，但在分析織物圖像的特征進(jìn)而判斷其是否含有缺陷方面具有較快的速度.目前，該類算法在織物圖像統(tǒng)計(jì)特征的描述上還未能充分考慮織物圖像的紋理特征，對(duì)不同分辨率的織物圖像的自適應(yīng)能力較弱.

本文依據(jù)織物圖像紋理特征，提出了一種基于多分辨率的改進(jìn)LBP特征的檢測(cè)算法，并利用支撐向量機(jī)（SVM）對(duì)圖象塊進(jìn)行分類，取得了良好的檢測(cè)效果.

1 算法結(jié)構(gòu)

本算法是基于圖像塊進(jìn)行處理的，其結(jié)構(gòu)如圖1所示.首先構(gòu)造訓(xùn)練集，包括正樣本集和負(fù)樣本集，分別由正常的圖像塊和含有缺陷的圖像塊構(gòu)成；從圖像塊中提取改進(jìn)的LBP特征，加上相應(yīng)的類標(biāo)后構(gòu)造特征向量；采用SVM訓(xùn)練出分類器.在測(cè)試過程中，首先對(duì)被測(cè)織物圖像進(jìn)行分塊，然后提取圖像塊的改進(jìn)LBP特征，利用SVM分類器將圖像塊分為正常的圖像塊和含缺陷的圖像塊.由于本算法將圖像進(jìn)行分塊處理且每一個(gè)圖像塊都具有坐標(biāo)，故在判斷每一個(gè)圖像塊是否含有缺陷的同時(shí)，實(shí)現(xiàn)了對(duì)缺陷按塊定位，便于快速確定缺陷位置并進(jìn)行相應(yīng)的后續(xù)處理.

圖1 算法結(jié)構(gòu)

2 基于多分辨率的改進(jìn)LBP特征的提取

LBP可以有效地描述圖像的紋理特征，被廣泛應(yīng)用于人臉識(shí)別、紋理圖像分割、視頻跟蹤等領(lǐng)域.LBP的原理是：將鄰域作為一個(gè)處理單元，比較鄰域像素與中心像素的灰度大小，如鄰域像素的灰度大于中心像素的灰度，則將對(duì)應(yīng)鄰域像素置1，否則置0，從而得到一串二進(jìn)制序列；為每一位二進(jìn)制分配一個(gè)權(quán)重因子2i，其中i為二進(jìn)制位的位標(biāo)，這樣，LBP算子就從一個(gè)二進(jìn)制序列轉(zhuǎn)換為一個(gè)十進(jìn)制數(shù)，如式（1）.由此得出相應(yīng)的直方圖即為L(zhǎng)BP紋理特征：

式中：P表示鄰域中元素個(gè)數(shù)；R表示鄰域半徑；gp表示鄰域像素的灰度值；gc表示中心像素的灰度值；

上述傳統(tǒng)的LBP算子僅考慮了鄰域像素灰度和中心像素灰度的大小關(guān)系，而丟失了鄰域像素灰度與中心像素灰度的差值信息.本文同時(shí)考慮像素間灰度的大小關(guān)系和差值信息.改進(jìn)的LBP算子描述如下.

首先求出中心像素灰度和鄰域像素灰度之間的差值，并把差值分為符號(hào)及幅度值2部分，分別標(biāo)記為CLBP＿S和CLBP＿M(jìn)，如圖2所示.其中CLBP＿S與式（1）中定義的傳統(tǒng)LBP算子相同.對(duì)于幅度值M，不能直接編碼為二進(jìn)制，可將其定義為式（2）：

考慮到中心像素也能提供有用的信息，為使CLBP＿S和CLBP＿M(jìn)統(tǒng)一，將中心像素的特征定義為式（3）：

最后求出改進(jìn)LBP的3個(gè)部分，即CLBP＿S、CLBP＿M(jìn)及CLBP＿C，然后分別得出它們對(duì)應(yīng)的直方圖并構(gòu)造出一維特征向量，作為該圖像塊的LBP特征.

圖2 織物圖像樣本的局部灰度差值分解

由于利用不同的采集設(shè)備獲得的織物圖像分辨率各不相同，故檢測(cè)算法要適應(yīng)不同圖像的分辨率要求.本文采用視覺及層次結(jié)構(gòu)的金字塔模型，如圖3所示.將視覺的多層次結(jié)構(gòu)引入到檢測(cè)算法中，求出不同分辨率下的改進(jìn)LBP特征，然后組合構(gòu)造出新的LBP特征，能夠提高算法對(duì)織物圖像分辨率的自適應(yīng)能力.

圖3 視覺多層次結(jié)構(gòu)的金字塔模型

3 支撐向量機(jī)

使用SVM方法，首先定義最優(yōu)線性超平面，并把尋找最優(yōu)線性超平面的算法歸結(jié)為求解一個(gè)凸規(guī)劃問題，進(jìn)而基于Mercer核展開定理，通過非線性映射?，把樣本空間映射到一個(gè)高維乃至無窮維的特征空間（Hilbert空間），使得在特征空間中可以運(yùn)用線性學(xué)習(xí)機(jī)的方法解決樣本空間中高度非線性分類和回歸等問題.

本文采用SVM對(duì)織物圖像進(jìn)行二元分類，判斷其是否含有缺陷.首先給出訓(xùn)練集｛x1，x1，…，xn｝，其中X?Rd；然后，給出相應(yīng)的類標(biāo)｛y1，y2，…，yn｝，其中yi∈｛－1，1｝.在二元分類中，SVM將訓(xùn)練集分成2類最大超平面，處在超平面兩邊的樣本類標(biāo)分別為＋1和－1，其中訓(xùn)練樣本中距離超平面最近的樣本被稱為支持向量.一般情況下，支持向量機(jī)通過Mercer核算子K把樣本空間X的原始訓(xùn)練數(shù)據(jù)映射到具有更高維度的特征空間F中，即按照如下形式來設(shè)定分類器：

當(dāng)K 滿足 Mercer條件時(shí)，K（u，v）＝?（u）·?（v），其中，?（u）：X→F；“·”表示內(nèi)積.可以將式（4）重新描述為：

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本算法的性能，選用大小為512×512的2類織物圖像，如圖4所示.其中，圖4（a）為一種平紋布，含有劈縫缺陷；圖4（c）為一種斜紋布，含有漏洞缺陷.使用MATLAB2010進(jìn)行編程實(shí)現(xiàn).

首先，構(gòu)建2個(gè)訓(xùn)練組：正樣本集和負(fù)樣本集.一個(gè)樣本集有500個(gè)樣本，每個(gè)樣本大小為32×32的圖像塊.采用SVM訓(xùn)練出相應(yīng)的分類器.

然后，將測(cè)試圖像劃分為互相重疊的大小為32×32的圖像塊，其中圖像塊每次向右或向下的滑動(dòng)步長(zhǎng)為8個(gè)像素.針對(duì)每一個(gè)圖像塊，利用分類器進(jìn)行判斷，如果它為正常的圖像塊，保持不變；如果它為有缺陷的圖像塊，則將該圖像塊所有像素值置零.圖4（b）和圖4（d）分別是圖4（a）和圖4（c）的檢測(cè)結(jié)果.由圖4可見，缺陷區(qū)域幾乎都能被準(zhǔn)確地定位，其中圖4（b）顯示仍有少量錯(cuò)檢，可能與訓(xùn)練集的構(gòu)造有關(guān)；圖4（d）則顯示具有較好的檢測(cè)效果.

圖4 織物圖像及其檢測(cè)結(jié)果

5 結(jié) 語

本文結(jié)合織物圖像的紋理特征提出了一種基于多分辨率的改進(jìn)LBP特征的織物缺陷檢測(cè)算法.該算法對(duì)光照、尺度變換及平移具有不變性；SVM的良好分類性能可有效地提高缺陷檢測(cè)的準(zhǔn)確率.實(shí)驗(yàn)結(jié)果證明了該算法的有效性.該算法簡(jiǎn)單實(shí)用，可應(yīng)用于在線織物缺陷檢測(cè).

［1］Kumar A.Computer Vision－based Fabric Defect Detection：A Survey［J］.IEEE Transaction on Industrial Electronics，2008，55（1）：348－363.

［2］Cohen F S，F(xiàn)an Z，Attali S.Automated Inspection of Textile Fabrics Using Textural Models［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13（8）：803－808.

［3］Mak K L.Peng P，An Automated Inspection System for Textile Fabrics Based on Gabor Filters［J］.Robotics and Computer－integrated Manufacturing，2008，24（3）：359－369.

［4］Zhang Y，Lu Z，Li J.Fabric Defect Detection and Classification Using Gabor Filters and Gaussian Mixture Model［J］.Lecture Notes in Computer Science，2010，5995：635－644.

［5］Srikaew1A，Attakitmongcol K，Kumsawat P，et al.Detection of Defect in Textile Fabrics Using Optimal Gabor Wavelet Network and Two－dimensional PCA［J］.Lecture Notes in Computer Science，2011，6939：436－445.

［6］鄒超，朱德森，肖力.基于模糊類別共生矩陣的紋理缺陷檢測(cè)方法［J］.中國圖象圖形學(xué)報(bào)，2007，12（1）：92－97.

［7］Tajeripor F，Kabir E，Sheikhi A.Fabric Defect Detection Using Modified Local Binary Patterns［J］.EURASIP Journal on Advances in Signal Processing，2008：783898：1－12.

［8］Guo Z H，Zhang L，Zhang D.A Completed Modeling of Local Binary Pattern Operator for Texture Classification［J］.IEEE Transactions on Image Processing，2010，19（6）：1657－1663.