王慶海，趙鳳霞，李紀峰，金少搏

(1．河南機電職業(yè)學院 機械工程系，河南 鄭州451191;2．鄭州大學 機械工程學院，河南 鄭州450001)

0 引言

在玻璃纖維織物的生產(chǎn)過程中，織物的縫隙缺陷是影響產(chǎn)品質量的重要因素，也是產(chǎn)品質量控制的主要驗收項目之一．目前，利用機器視覺技術進行織物的質量檢測，已經(jīng)成為國內(nèi)外研究的熱點，且已產(chǎn)生了許多的檢測算法，如采用Gabor濾波技術的布匹瑕疵檢測方法［1］;采用AR 模型的譜估計方法［2］;基于紋理模型的疵點檢測方法［3］;基于小波分析的織物缺陷檢測方法［4］;采用非下采樣Contourlet 域高斯混合模型的布匹瑕疵識別算法［5］;采用圖像紋理頻譜能量分布的布匹瑕疵檢測方法［6］;應用紋理增強分水嶺的織物瑕疵檢測方法［7］等等． 這些方法從不同的側面可以實現(xiàn)織物的缺陷檢測，但是計算復雜度高，實時性不好．筆者提出采用Blob 分析方法對織物缺陷進行檢測，在檢測過程中不需要對缺陷進行邊緣提取操作，也不需要進行模板匹配或樣本訓練，而是對圖像中具有相同灰度的連通域進行分析，該方法計算簡單，易于實現(xiàn)，且檢測結果準確可靠，實時性好，能滿足織物缺陷的在線檢測需求．

1 圖像獲取

玻璃纖維織物為縫編織物，是由一層或一層以上的無捻粗紗平行無皺褶排列，各層紗線以相同或不同的方向層疊，再用有機纖維線縫編而成的制品．織物顏色一般為白色的，在加工過程中織物的質量缺陷主要是斷經(jīng)或間隙造成的縫隙缺陷，要求檢測的最小縫隙寬度為1 mm，長度為150 mm．織物的在線生產(chǎn)速度一般為2 m/min 左右，織物的幅寬范圍一般為200 ～2 500 mm．根據(jù)生產(chǎn)實際狀況，筆者設計的玻璃纖維織物機器視覺系統(tǒng)如圖1 所示．

圖1 玻璃纖維織物機器視覺系統(tǒng)Fig．1 Glass fiber fabric machine vision system

由圖1 可以看出，相機、鏡頭和光源組成了機器視覺系統(tǒng)的圖像采集模塊．其中，相機采用的是兩個全局曝光的MV -GE130GM 型黑白工業(yè)相機(深圳邁德威視公司生產(chǎn))同步工作，分辨率為1 280 pixel ×960 pixel，幀率為60 FPS(大于織物的運動速度)，因此，可以獲得無拖影的視頻圖像．鏡頭選用日本Computar 公司的M0814 -MP2機器視覺鏡頭，規(guī)格為2/3″，與所選用的相機相配，焦距為8 mm． 相機與計算機之間的接口采用千兆網(wǎng)GigE 接口，GigE 接口是工業(yè)應用所新開發(fā)的一種圖像接口技術，以Gigabit Ethernet 協(xié)議為標準，可以實現(xiàn)高速的、遠距離的圖像傳輸，滿足了在線檢測的實時性要求． 光源設置在織物下方，采用背光照明方式，這種光源配置方式可以獲得高對比度的圖像;當織物中有縫隙缺陷時，則缺陷處將有亮光透過;如織物中無縫隙缺陷，則圖像中無較大灰度差的特征出現(xiàn)．

圖2 為機器視覺系統(tǒng)獲得的圖像． 從圖2 可以看出，縫隙缺陷與背景具有較大的灰度差，形成了有利于后續(xù)圖像處理的成像效果．

圖2 玻璃纖維織物圖像Fig．2 Glass fiber fabric image

2 織物缺陷檢測的Blob 分析算法

采用Blob 分析法對織物缺陷進行檢測時，需要把具有相同灰度值的像素構成的連通域分割出來，檢測流程如圖3 所示．

圖3 織物缺陷的Blob 分析流程Fig．3 Blob analysis process for fabric defect

2．1 圖像平滑

由于在圖像獲取過程中受照明光線的方向、亮度、穩(wěn)定性、柔性織物表面張緊程度不一致、以及圖像拼接接縫等的影響，使所獲取的圖像中含有噪聲;同時，織物具有紋理結構特征，這些紋理結構也會影響織物缺陷的檢出率和準確性．因此，需要對圖像進行平滑處理以模糊織物紋理和減小噪聲干擾．常用的濾波器有高斯濾波器、中值濾波器、均值濾波器等等．其中，均值濾波是典型的線性濾波算法，能夠有效濾波圖像中的加性噪聲，達到模糊織物紋理結構和減小噪聲干擾的目的． 因此選擇均值濾波器．

2．2 圖像分割

在進行Blob 分析時，必須把圖像分割為構成斑點(Blob)和局部背景的像素集合． 最簡單的分割算法是閾值分割法，它適用于目標和背景占據(jù)不同灰度級范圍的圖像．分析圖2 可知，織物圖像中的缺陷目標與背景具有完全不同的灰度，比較適合采用閾值分割方法．閾值分割法的定義為

由式(1)可知，閾值分割就是將圖像f(r，c)中灰度值處于閾值gmax和gmin范圍內(nèi)的全部點選到輸出區(qū)域S 中．由此可見，閾值分割的關鍵是確定合適的閾值以準確地將圖像分割為目標像素和背景像素．

常用的閾值確定方法有直方圖雙峰法、P 參數(shù)法、基于最大類間方差原理的Otsu 算法、基于信息熵原理的一維最大熵法、迭代法等等．其中，雙峰法比較適合直方圖存在雙峰的情況． 圖4 所示是圖2 的灰度直方圖，直方圖呈單峰狀態(tài)，因此雙峰法不適合于織物缺陷的檢測． P 參數(shù)法用于在固定分辨率下，目標所占整個圖像的比例已知的情況;Otsu 算法適用于目標與背景灰度差比較明顯的情況;最大熵法和迭代法對于具有非理想雙峰直方圖的圖像可以得到較好的分割，但是運算速度較慢，不適合在線的實時處理．本文需要在線檢測玻璃纖維織物的缺陷，對實時性要求較高，對比這些閾值確定的方法可知，Otsu 算法是一種比較適合本文的方法．

圖4 圖2 所示圖像的灰度直方圖Fig．4 Histogram of the image in Figure 2

采用Otsu 算法進行圖像分割的過程如下:①計算圖像的直方圖，尋找直方圖的最大峰值;②以最大峰值為初始閾值Th 對圖像進行分割，將圖像分割為A，B 兩類;③分別計算A，B 兩類像素集合的均值μA，μB，計算公式分別見式(2)和式(3);④計算A，B 兩類像素的類間方差σ，公式見式(4);⑤將Th 在最大峰值±25 范圍內(nèi)循環(huán)，分別計算A、B 的類間方差，當類間方差最大時，對應的Th 即為所求的最佳閾值;⑥采用全局閾值法把灰度值在Th 至255 之間的像素分割出來．

圖5 所示是對圖2 進行閾值分割的結果．

式中:NA，NB分別表示集合A，B 中的像素個數(shù)．

σ(Th)= NA(Th)·NB(Th)·［μA(Th)- μB(Th)］2． (4)

圖5 圖2(c)閾值分割的結果Fig．5 Thresholding result of the image in Figure 2

2．3 形態(tài)學處理

由于分割區(qū)域中會有一些雜點或小的突出物，需要對分割的圖像進行形態(tài)學處理，去除這些不必要的干擾．采用的形態(tài)學處理算法為:首先采用半徑為5 的圓結構元素對分割的圖像進行一次開操作，以去除與缺陷目標像素相連的干擾部分，并抑制分割區(qū)域中的一些小分支;然后采用半徑為5 的圓結構元素再進行一次閉操作，用來填補缺陷目標區(qū)域中斷開的縫隙．經(jīng)過開、閉操作后減少了圖像中不必要的區(qū)域干擾，同時將缺陷目標斷開的縫隙進行了閉合，調整了分割后的Blob 區(qū)域形狀．

2．4 特征提取

形態(tài)學處理刪除了一些不必要的區(qū)域干擾，但是結果中仍會存在著一些不是目標像素的區(qū)域，必須對圖像進行連通性分析和特征提?。P者按照8連通域標記方法把圖像中具有相同像素值且位置相鄰的所有前景像素點進行合并，形成Blob 連通區(qū)域，但是這些區(qū)域有些不是缺陷特征區(qū)域，需要對連通區(qū)域進行進一步的特征提取操作．

玻璃纖維織物為多軸向織物，紋理方向一般呈現(xiàn)為0°，90°或±45°． 在織物圖像中，缺陷目標也具有明顯的方向特征，如圖2 所示缺陷目標的紋理方向特征為+45°，同時，缺陷目標的區(qū)域面積要比干擾的區(qū)域面積大．因此，按照方向特征和區(qū)域的面積特征實現(xiàn)缺陷特征的提?。?/p>

2．5 特征參數(shù)計算

由于提取出的缺陷特征是不規(guī)則的圖形，無法直接進行缺陷特征參數(shù)的計算，需要首先將不規(guī)則圖形進行凸包問題求解，然后用凸包作為多邊形區(qū)域，在矩形傾斜方向和面積最小的約束下對多邊形擬合，構造出其最小外接矩形．如圖6 所示為由最小外接矩形中心(r，c)的坐標值、矩形的傾斜角度θ、矩形的半高度l1和矩形半寬度l2等參數(shù)得到缺陷特征的尺寸和位置等信息． 圖7 所示是對提取出的Blob 區(qū)域構造了最小外接矩形，并計算出了缺陷的特征參數(shù)．

圖6 Blob 區(qū)域的最小外接矩形參數(shù)示意圖Fig．6 The Schematic diagram of the parameter of minimum external rectangle of Blob regions

圖7 圖2(c)的Blob 分析結果Fig．7 The Blob analysis results of the image in Figure 2

3 實驗驗證

基于建立的織物機器視覺缺陷檢測系統(tǒng)，從現(xiàn)場選取了多種織物樣品進行了實驗． 計算機配置為Intel CoreTMi5 -2410M CPU，2G 內(nèi)存;處理軟件為機器視覺軟件Halcon11．0．在缺陷檢測前，對相機進行了標定．

圖8 所示是一種缺陷紋理方向為-45°的織物樣品及其Blob 分析結果． 圖8(a)所示是采用圖1 所示的機器視覺系統(tǒng)獲得的拼接圖像;圖8(b)所示是采用Otsu 算法自動尋找最佳分割閾值對圖像進行閾值分割的結果;圖8(c)是對閾值分割后的圖像進行形態(tài)學處理和連通性分析的結果;圖8(d)所示是在特征提取的基礎上，對提取出的Blob 區(qū)域構造了最小外接矩形，計算出了缺陷的特征參數(shù)(單位為mm)．

經(jīng)過多次實驗結果表明，采用Blob 分析法可以較準確地從織物圖像中提取出縫隙缺陷特征，測量結果穩(wěn)健可靠． 另外，從相機拍照到圖像拼接、缺陷參數(shù)計算等的計算機處理時間為800 ms左右，方便快速，滿足了玻璃纖維織物在線檢測的實時性要求．

圖8 織物樣品缺陷檢測實例Fig．8 Example of fabric defect detection

4 結論

根據(jù)玻璃纖維織物的實際生產(chǎn)狀況，設計了基于機器視覺的玻璃纖維織物缺陷檢測系統(tǒng)，該系統(tǒng)采用Blob 算法能成功標記出織物中的縫隙缺陷，并得到缺陷的個數(shù)、缺陷的長度和寬度等信息．經(jīng)過實驗研究，所設計的缺陷檢測系統(tǒng)和算法可以快速、準確地從織物圖像中提取出缺陷特征，且測量結果穩(wěn)健可靠，滿足了玻璃纖維織物在線檢測的實時性要求．

［1］ ARIVAZHAGAN S，GANESAN L，BAMA S． Fault segmentation in fabric images using Gabor wavelet transform［J］． Machine Vision and Applications，2006，16(6):356 -363．

［2］ 朱俊嶺，汪軍，張孝南，等． 基于AR 模型的機織物線狀疵點研究［J］． 紡織學報，2012，33(8):50-54．

［3］ 祝雙武，郝重陽．基于紋理周期性分析的織物疵點檢測方法［J］． 計算機工程與應用，2012，48(21):163 -166．

［4］ 殷國亮，張瑞，鄭欣，等．基于邊緣檢測和小波分析的布匹瑕疵檢測方法［J］． 江南大學學報(自然科學版)，2011，10(6):637 -641．

［5］ 崔玲玲，盧朝陽，李靜，等． 基于非下采樣Contourlet域高斯混合模型的布匹瑕疵識別算法［J］． 吉林大學學報(工學版)，2013，43(3):734 -739．

［6］ 李鑫，許增樸，于德敏，等． 基于圖像能量的布匹瑕疵檢測方法［J］． 計算機測量與控制，2008，16(9):1243 -1245

［7］ 沈晶，況曉靜，張量．基于紋理增強分水嶺的織物瑕疵檢測新算法［J］． 合肥工業(yè)大學學報(自然科學版)，2014，37(7):812 -817．