張玉繼，雷 威，李文博

(西安工程大學(xué)，陜西 西安 710048)

織物疵點自動檢測方法研究進展

張玉繼，雷 威，李文博

(西安工程大學(xué)，陜西 西安 710048)

介紹了織物疵點自動檢測方法的研究現(xiàn)狀，從結(jié)構(gòu)、頻譜、統(tǒng)計、基于模型、學(xué)習(xí)、混合和比較方法7個方面對織物疵點檢測方法進行了分類，并以準(zhǔn)確率、可靠性、計算成本、噪聲敏感性等為考量指標(biāo)對其進行了述評，同時對常見方法的優(yōu)缺點進行了分析比較。

織物疵點；自動檢測；方法類型；分析比較

在紡織工業(yè)中織物疵點是指所生產(chǎn)織物表面上出現(xiàn)的瑕疵，這種生產(chǎn)缺陷不僅影響到紡織品的銷售，而且還導(dǎo)致經(jīng)濟損失。傳統(tǒng)的人工檢查是保證織物質(zhì)量的唯一手段，但因工人長時間檢查會出現(xiàn)疲勞，導(dǎo)致檢測不準(zhǔn)確、不確定等情況發(fā)生，因此依靠人工檢測疵點在精度、一致性和效率方面不是很好。因此織物疵點自動檢測就成為了提高織物質(zhì)量的有效方法[1]，且產(chǎn)業(yè)對制造高質(zhì)量紡織品的織物疵點自動檢測系統(tǒng)需求正在日益增長。這種自動化檢測系統(tǒng)是通過使用圖像處理技術(shù)來識別織物表面存在缺陷的，目前其檢測方法主要有統(tǒng)計、頻譜和基于模型三類。隨著計算機技術(shù)、圖像處理技術(shù)和機器學(xué)習(xí)如深度學(xué)習(xí)的發(fā)展，機器學(xué)習(xí)已顯示出其巨大的應(yīng)用潛力，如近年來有越來越多的研究者把深度學(xué)習(xí)等技術(shù)應(yīng)用到織物疵點檢測上，并取得了很好的效果。本文結(jié)合近年來織物疵點自動檢測方法研究情況，從結(jié)構(gòu)、頻譜、統(tǒng)計、基于模型、學(xué)習(xí)、混合和比較方法7個方面對其進行了述評。

1 織物疵點自動檢測的方法

在方法上織物疵點自動檢測可分為結(jié)構(gòu)、頻譜、統(tǒng)計、基于模型、學(xué)習(xí)、混合和比較方法7種類型。

1.1 結(jié)構(gòu)方法

結(jié)構(gòu)方法(SA)是將織物紋理看作紋理基元的組合，通過獲得紋理特征并推斷紋理替換規(guī)則進行的紋理分析。根據(jù)該方法可利用簡單紋理結(jié)構(gòu)的組成來實現(xiàn)織物圖案的整體紋理。結(jié)構(gòu)紋理分析包含提取紋理元素和推斷布局規(guī)則兩個步驟[2]，Abouelela等[3]進行了結(jié)構(gòu)性疵點的檢測。SA法通常只在很規(guī)則的紋理上表現(xiàn)良好，可靠性較低。

1.2 頻譜方法

空間和頻域信息對織物疵點自動檢測是必要的，頻域信息用于識別織物表面疵點的存在，空間域信息用于識別織物疵點的位置。圖像紋理是由一些重復(fù)的基本紋理基元組成的，如紡織物由紗線周期性重復(fù)組成，因此可使用頻譜特征檢測疵點。基于頻譜的織物疵點自動檢測方法主要有傅立葉變換法、Gabor變換法、小波變換法等[4]。

1.2.1 小波變換

小波變換是作為傅里葉變換的替代方法而開發(fā)的一種信號分析技術(shù)，用以優(yōu)化與頻率相關(guān)的臨時解決方案[5]。小波變換技術(shù)的成功率較高，但每個操作只能用于某種特定類型織物的特定疵點分類。由于其計算成本低，因此適用于實時織物自動檢測系統(tǒng)。

期權(quán)合約補貼主要是通過事前預(yù)約定價的形式對農(nóng)產(chǎn)品售價進行保護。在農(nóng)業(yè)生產(chǎn)之前根據(jù)市場預(yù)期確定農(nóng)產(chǎn)品未來的市場價格，在到達規(guī)定的期限后，如果預(yù)期設(shè)定價格低于當(dāng)前的市場價格，則由農(nóng)戶按照市場價格進行售出；如果達到規(guī)定期限后，預(yù)期設(shè)計價格高于當(dāng)前的市場價格，那么實際市場價格與預(yù)期設(shè)定價格之間的差額由政府補貼，以此來保證農(nóng)戶的經(jīng)濟收入。通過這項政策制度的實施，可讓農(nóng)戶的經(jīng)濟利益得到較大的保障。但是從具體實施情況來看，往往由于設(shè)定的預(yù)期價格較低，使得市場實際價格高于該預(yù)期價格，這項制度沒有發(fā)揮出應(yīng)有的作用。

1.2.2 基于傅立葉變換方法

傅立葉變換是一種對時域到頻域的信號進行詳細分析的技術(shù)，可分離織物圖像中的周期性成分、環(huán)境信息和噪聲，并有效提取特征值。傅里葉變換缺乏空域中的定位能力，因此只適合于檢測全局瑕疵?，F(xiàn)在已很少有研究單獨將傅立葉變換應(yīng)用于織物疵點自動檢測中了。

1.2.3 基于Gabor變換方法

Gabor變換是一類重要的時頻分析方法，Gabor變換在頻域和時域內(nèi)都具有良好的局部性，它使用1個高斯函數(shù)作為窗函數(shù)[6]。因而Gabor濾波器不單能夠檢測織物圖像在頻率域的變動，還可在空間域中準(zhǔn)確定位其變化區(qū)域。

1.3 統(tǒng)計方法

統(tǒng)計方法是使用一階和二階統(tǒng)計來提取紋理特征的，其使用方法包括灰度共生矩陣、直方圖統(tǒng)計法和數(shù)學(xué)形態(tài)學(xué)方法。除此之外，還有如自相關(guān)、邊緣檢測和神經(jīng)網(wǎng)絡(luò)等方法。

1.3.1 基于直方圖方法

直方圖包含圖像的灰度級像素分布基本統(tǒng)計數(shù)據(jù)。常見的直方圖性質(zhì)有平均值、標(biāo)準(zhǔn)偏差、方差和中值。直方圖技術(shù)由于諸如低計算成本等特點被用于各種應(yīng)用當(dāng)中。近年來Ng等[7]的研究使得直方圖分離技術(shù)得到了發(fā)展，通過檢查被染色和無缺陷的織物圖像的直方圖差異進行疵點檢測[8]。直方圖方法具有簡單性和高計算速度等特點，但其可靠性較低。

1.3.2 基于共生矩陣方法

共生矩陣方法是通過測量顏色強度之間的依賴性來提供紋理特性的表征，表示在織物圖像上的特定偏移的梯度定向分布[9]，梯度定向的組合用于表達織物的紋理。共生矩陣方法受噪聲影響需要濾波，在高分辨率圖像中性能較差；因此可通過使用小波變換方法來提高精度比，具有較高計算成本。

1.3.3 基于數(shù)學(xué)形態(tài)的方法

數(shù)學(xué)形態(tài)是基于有一定形態(tài)特征的結(jié)構(gòu)元素來提取圖像中的對應(yīng)形狀，以實現(xiàn)圖像分析和識別。數(shù)學(xué)形態(tài)的基本運算有膨脹、侵蝕、打開和關(guān)閉四種。有文獻研究出一種改進的形態(tài)學(xué)侵蝕算子檢測織物疵點的位置方法[10]，但是沒有給出此方法的準(zhǔn)確率。在另一項研究中聯(lián)合使用相關(guān)性、小波變換和形態(tài)學(xué)方法檢測織物疵點[11]，通過使用適當(dāng)?shù)慕Y(jié)構(gòu)元件可以快速有效地檢測織物疵點的大小和位置。

1.4 基于模型的方法

基于模型的方法是依據(jù)標(biāo)準(zhǔn)的織物圖像估計出模型參數(shù)，再利用假設(shè)檢驗的方法測試疵點圖像是否符合該參數(shù)模型。這種技術(shù)適用于由諸如斷紗等可能具有表面變化的織物圖像[12]。最常用的模型有自回歸模型和馬爾科夫隨機場模型。

1.4.1 自回歸模型

自回歸模型(AR)用于表示紋理圖像的不同像素之間的線性相關(guān)程度，由于只需要線性方程組的解，因此被廣泛使用。與非線性方程組相比自回歸模型的計算速度較高。

1.4.2 馬爾科夫隨機場模型

不含噪聲的織物圖像像素點之間相互依賴，馬爾可夫隨機場(MRA)是使用這種依賴性的敏感性模型，通過計算局部區(qū)域上的每個像素的密度值來測量像素和突變之間的關(guān)系。這種方法可用于許多領(lǐng)域，如分割、分類和特征提取[13]。Cohen等[14]使用MRA來模擬無疵點織物圖像的紋理圖像，通過MRA模型建模能很好地提取許多類型織物的紋理信息。

1.5 學(xué)習(xí)方法

Yapi等[15]提出了一種新穎的方法，即使用監(jiān)督學(xué)習(xí)來分類有疵點和無疵點織物。利用貝葉斯分類器(BC)來學(xué)習(xí)分類有疵點和無疵點織物，通過支持向量機(SVM)等分類器進行織物疵點檢測研究[16]。深層神經(jīng)網(wǎng)絡(luò)(DNNs)已經(jīng)在紋理分類上表現(xiàn)出優(yōu)異的性能，尤其是卷積神經(jīng)網(wǎng)絡(luò)(CNNS)在諸如目標(biāo)檢測和目標(biāo)分類的許多領(lǐng)域中引起了廣泛關(guān)注。很少有工作使用原始的織物圖像作為基于深入學(xué)習(xí)分類的輸入，DNNs將在疵點檢測中變得更加流行。如Seker等[17]開發(fā)了一種基于深度學(xué)習(xí)的方法，并應(yīng)用于織物疵點檢測中。他們使用自動編碼器模型作為深度學(xué)習(xí)算法，該方法實現(xiàn)了88%的精確度。Li等[18]通過使用基于Fisher標(biāo)準(zhǔn)的堆疊去噪自動編碼器(FCSDA)將織物分類為有疵點和無疵點，實驗結(jié)果表明，F(xiàn)CSDA方法可以在復(fù)雜的提花經(jīng)編織物上獲得更好的效果，其分類精確度從95.20%提高到99.47%。景軍峰等[19]應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的疵點檢測算法對色織物疵點圖像的檢測率達到了87.5%，使色織物的缺陷位置和形狀取得了較好的可視化效果。

1.6 混合方法

織物疵點自動檢測方法雖具備很多優(yōu)點，但在某些方面也存在一些不足。因此許多研究人員使用兩種或更多種混合技術(shù)來更有效地進行疵點檢測。Han和Xu[20]使用模板匹配法和閾值法檢測細小疵點，通過從織物紋理中獲得統(tǒng)計數(shù)據(jù)來開發(fā)模板匹配方法。Venkatesan等[21]通過計算有疵點織物的小波變換，然后通過灰度共生矩陣技術(shù)提取所獲得圖像的對比度、相關(guān)性、均勻性和能量特征。這些提取特征由自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)進行分類。Halimi等[22]使用形態(tài)學(xué)技術(shù)和幾何形狀數(shù)據(jù)來檢測織物表面上的細小疵點，應(yīng)用Sobel邊緣檢測和形態(tài)學(xué)處理圖像來識別疵點，通過測量所獲得的圖像的域、環(huán)境和密度來確定疵點的類型。

1.7 比較研究方法

目前已出現(xiàn)了大量的織物疵點自動檢測方法，對這些方法進行比較分析具有很重要的意義，因此在許多文獻中出現(xiàn)了不同方法的比較研究。這些研究指導(dǎo)著研究者們根據(jù)織物類型和方法的不足提供最合適的方法。在分析研究時應(yīng)仔細評估關(guān)鍵參數(shù)，如研究中使用的圖像分辨率，計算復(fù)雜性和性能指標(biāo)等。例如，高分辨率圖像在疵點檢測中有高精確率，而在實時系統(tǒng)中它們也導(dǎo)致較高的計算成本。Conci等[23]比較了索貝爾邊緣檢測、分形維數(shù)和閾值法對十二種不同類型的織物疵點識別，結(jié)果表明最可靠的方法是分形維數(shù)法。最近一項研究比較了Gabor濾波器、小波變換、計算機視覺和數(shù)字圖像處理方法，這些方法的準(zhǔn)確率范圍從65%到99.40%[24]。

2 結(jié)語

目前織物疵點自動檢測方法研究可分為結(jié)構(gòu)、統(tǒng)計、頻譜、基于模型、學(xué)習(xí)、混合和比較七大類型，不同類型方法各有其思路和優(yōu)缺點，且大多數(shù)方法在研究時會創(chuàng)建自己的數(shù)據(jù)庫。因此這些方法在可靠性和有效性上均不夠客觀。為了開發(fā)客觀和可靠的方法，需要能夠公開訪問其免費數(shù)據(jù)庫。

[1] NANG H Y T， PANG G K H， YUNG S P，etal.Defectdetectiononpatternedjacquardfabric[C]//AppliedImageryPatternRecognitionWorkshop.DBLP， 2003: 163-168.

[2]ANAGNOSTOPOULOSC，VERGADOSD，KAYAFASE，etal.Acomputervisionapproachfortextilequalitycontrol[J].ComputerAnimationandVirtualWorlds， 2001， 12(1): 31-44.

[3]ABOUELELAA，ABBASHM，ELDEEBH，etal.Automatedvisionsystemforlocalizingstructuraldefectsintextilefabrics[J].PatternRecognitionLetters， 2005， 26(10): 1 435-1 443.

[4]CHANCH，PANGGKH.FabricdefectdetectionbyFourieranalysis[J].IEEETransactionsonIndustryApplications， 2002， 36(5): 1 267-1 276.

[5]LIANGZ，XUB，CHIZ，etal.Intelligentcharacterizationandevaluationofyarnsurfaceappearanceusingsaliencymapanalysis，wavelettransformandfuzzyARTMAPneuralnetwork[J].ExpertSystemswithApplications， 2012， 39(4): 4 201-4 212.

[6] 楊曉波. 基于Gabor濾波器的織物疵點檢測[J]. 紡織學(xué)報， 2010， 31(4): 55-59.

[7]STOJANOVICR,MITROPVLOSP,KOVLAMASC,etal.Real-timevision-basedsystemfortextilefabricinspection[J].Real-timeImaging, 2001, 7(6):507-518.

[8]ZHANGW，ZHANGJ，HOUY，etal.MWGR:Anewmethodforreal-timedetectionofcordfabricdefects[C]//AdvancedMechatronicSystems(ICAMechS)， 2012InternationalConferenceon.IEEE， 2012: 458-461.

[9]WATANABET，ITOS，YOKOIK.Co-occurrencehistogramsoforientedgradientsforpedestriandetection[C]//Pacific-RimSymposiumonImageandVideoTechnology.Springer-verlog， 2009: 37-47.

[10]WANGD，LIUH.Edgedetectionofcordfabricdefectsimagebasedonanimprovedmorphologicalerosiondetectionmethods[C]//NaturalComputation(ICNC)， 2010SixthInternationalConferenceon.IEEE， 2010， 8:3 943-3 947.

[11]CHETVERIKOVD，HANBURYA.Findingdefectsintextureusingregularityandlocalorientation[J].PatternRecognition， 2002， 35(10): 2 165-2 180.

[12]HANBAYK，TALUMF.Kumahatalarnnonline/offlinetespitsistemlerivey?ntemleri[J].SakaryaUniversityJournalofScience, 2014， 18(1): 49-69.

[13]MONACOJP，MADABHUSHIA.Class-specificweightingformarkovrandomfieldestimation:applicationtomedicalimagesegmentation[J].MedicalImageAnalysis,2012，16 (8):1 477-1 489.

[14]COHENFS，F(xiàn)ANZ，ATTALIS.Automatedinspectionoftextilefabricsusingtexturalmodels[J].IEEETransactionsonPatternAnalysis&MachineIntelligence，1991，13(8):803-808.

[15]YAPID，MEJRIM，ALLILIMS，etal.Alearning-basedapproachforautomaticdefectdetectionintextileimages[J].IFAC-PapersOnLine，2015， 48(3) :2 423-2 428.

[16]BASUA，CHANDRAJK，BANERJEEPK，etal.Subimagebasedeigenfabricsmethodusingmulti-classSVMclassifierforthedetectionandclassificationofdefectsinwovenfabric[C]//ThirdInternationalConferenceonComputingCommunication&NetworkingTechnologies(ICCCNT), 2012: 1-6.

[17]EKERAS，PEKERKA，YUKSEKAG，etal.Fabricdefectdetectionusingdeeplearning[C]//Zonguldak：24thSignalProcessingandCommunicationApplicationConference(SIU).IEEE, 2016:1 437-1 440.

[18]LIY，ZHAOW，PANJ.Deformablepatternedfabricdefectdetectionwithfishercriterion-baseddeeplearning[J].IEEETransactionsonAutomationScienceandEngineering,2016,(99):1-9.

[19]景軍鋒， 范曉婷， 李鵬飛， 等. 應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的色織物缺陷檢測[J]. 紡織學(xué)報， 2017， 38(2): 68-74.

[20]HANLW，XUD.Statisticlearning-baseddefectdetectionfortwillfabrics[J].InternationalJournalofAutomationandComputing， 2010， 7(1): 86-94.

[21]VENKATESANB,RAGUPATHYUS,VIDHYALAKSHMIP,etal.InspectionoffaultsintextilewebmaterialsusingwaveletsandANFIS[C]//InternationalConferenceon.MachineVisionandImageProcessing(MVIP).IEEE， 2012: 189-192.

[22]HALIMIA,KOURAYCHIAE，BOUZIDA，etal.DefectsdetectionandextractionintextileimageriesusingMathematicalMorphologyandgeometricalfeatures[J].JournalofSignalProcessingTheoryandApplications， 2012，(1): 1-16.

[23]CONCIA，PROENCACB.Acomparisonbetweenimage-processingapproachestotextileinspection[J].JournaloftheTextileInstitute， 2000，91(2): 317-323.

[24]JAVEDA，MIRZAAU.Comparativeanalysisofdifferentfabricdefectsdetectiontechniques[J].InternationalJournalofImage，GraphicsandSignalProcessing， 2013， 5(1): 40.

2017年第一屆廢舊紡織品高值化利用技術(shù)國際研討論壇召開

2017年5月4日，第一屆廢舊紡織品高值化利用技術(shù)國際研討論壇在上海召開。大會由中國再生資源回收利用協(xié)會主辦。

我國是世界紡織大國，隨著人們對服裝更新速度的不斷提高，廢舊紡織品數(shù)量持續(xù)增長。每年廢棄纖維制品超過2600萬噸，但回收利用技術(shù)特別是聚酯纖維制品還處于起步階段，導(dǎo)致大量難以降解的廢棄纖維制品進入自然界，對資源和環(huán)境產(chǎn)生了沉重壓力。目前，對廢舊紡織品最好的處置方式就是進行資源化和無害化利用，使廢舊紡織品回收利用更加專業(yè)化、規(guī)?；?、標(biāo)準(zhǔn)化。但是，在回收利用的過程中，技術(shù)問題一直是制約廢舊紡織品資源化利用的關(guān)鍵，面對國內(nèi)外市場上眾多的廢舊紡織品回收利用技術(shù)，如何使技術(shù)進行融合、創(chuàng)新，對廢舊紡織品進行高值化資源利用是亟待解決的問題。我國紡織化纖工業(yè)亟需強化全生命周期的綠色化、循環(huán)化和低碳化發(fā)展理念，建設(shè)紡織品的再利用體系，實現(xiàn)紡織纖維“從搖籃到搖籃”的多級多次閉環(huán)循環(huán)。

會上，國務(wù)院發(fā)展研究中心研究員程會強發(fā)表了關(guān)于我國廢舊紡織品產(chǎn)業(yè)發(fā)展的思考與建議，并重點解說幾點廢舊紡織品產(chǎn)業(yè)的思想對策：一、著眼于培養(yǎng)新動能，提高廢舊紡織品行業(yè)戰(zhàn)略地位。二、加強法規(guī)制度保障，廢舊紡織品綜合利用管理條例。三、建立分類投放、回收、運輸、處理全過程管理體系。四、規(guī)范管理，完善城鎮(zhèn)廢舊紡織品回收利用設(shè)施建設(shè)。五、應(yīng)用互聯(lián)網(wǎng)+，建設(shè)信息化社會化系統(tǒng)的監(jiān)管體系。

中國化學(xué)纖維工業(yè)協(xié)會副會長賀燕麗講解了申請綠色纖維認證的條件及流程，并帶來了廢舊紡織產(chǎn)品“綠色發(fā)展”的情報?！熬G色纖維”是指原料來源于生物質(zhì)和可循環(huán)再生原料、生產(chǎn)過程低碳環(huán)保、制成品棄后對環(huán)境無污染的化學(xué)纖維，要求產(chǎn)品的整個生命周期具有“綠色”的特征，包括原輔材料選用、加工過程、遺棄處理等環(huán)節(jié)。

“綠色纖維”標(biāo)志適用于生物基化學(xué)纖維、循環(huán)再利用化學(xué)纖維、原液著色化學(xué)纖維及其制品，涉及纖維、紗線、面料、服裝、家紡、產(chǎn)業(yè)用紡織品等領(lǐng)域。凡在中華人民共和國境內(nèi)依法登記，具有獨立承擔(dān)民事責(zé)任，從事化纖產(chǎn)品生產(chǎn)經(jīng)營活動的企業(yè)可向中國化學(xué)纖維工業(yè)協(xié)會申請使用綠色纖維標(biāo)志。企業(yè)通過申請、審核、檢驗、批準(zhǔn)后獲得“綠色纖維”標(biāo)志使用權(quán)，并接受中國化學(xué)纖維工業(yè)協(xié)會對商標(biāo)使用過程的監(jiān)督和管理。

當(dāng)前，我國倡導(dǎo)綠色化產(chǎn)業(yè)升級，鼓勵發(fā)展循環(huán)經(jīng)濟，利用一切可再生資源創(chuàng)造經(jīng)濟效益和社會效益。隨著人們的環(huán)保理念的進步，再生資源回收利用越來越得到公眾認可。我國再生資源逐年聚集上升，蘊藏豐富資源，市場潛力巨大，在資源和環(huán)境“瓶頸”日漸凸顯的當(dāng)下，開發(fā)再生資源，對于生態(tài)文明建設(shè)以及美麗中國的建設(shè)具有現(xiàn)實意義。

(來源：中國化學(xué)纖維協(xié)會)

Research Progress on Automatic Detection Method of Fabric Defects

ZHANG Yu-ji，LEI Wei，LI Wen-bo

(Xi'an Engineering University, Xi'an 710048, China)

The research status of fabric defect detection method was introduced, and the fabric defect detection method was divided into seven categories: structure, spectrum, statistics, model-based, learning, mixing and comparison method. These methods were reviewed according to the indexes such as accuracy, reliability, computational cost and noise sensitivity. At the same time, the advantages and disadvantages of common methods were analyzed and compared.

fabric defect; automatic detection; method type; analysis and comparison

2017-03-20；

2017-03-27

張玉繼(1990-)，女，碩士研究生在讀，主要研究方向：計算機視覺與機器學(xué)習(xí)，E-mail：perfect_cristin@sina.com。

TS101.9

A

1673-0356(2017)05-0005-04