何 峰， 周亞同， 趙翔宇， 劉 猛， 張忠偉

(1. 河北工業(yè)大學 電子信息工程學院， 天津 300401； 2. 天津市電子材料與器件重點實驗室， 天津 300401； 3. 北京市安視中電科技有限公司， 北京 100871)

紋理織物疵點窗口跳步形態(tài)學法檢測

何 峰1,2， 周亞同1,2， 趙翔宇1,2， 劉 猛3， 張忠偉3

(1. 河北工業(yè)大學 電子信息工程學院， 天津 300401； 2. 天津市電子材料與器件重點實驗室， 天津 300401； 3. 北京市安視中電科技有限公司， 北京 100871)

針對紋理織物疵點自動檢測時因生產(chǎn)速度快造成的織物抖動以及檢測速度難以匹配問題，提出窗口跳步形態(tài)學法紋理織物疵點檢測算法。使用該算法對圖像進行窗口分割及預處理后，首先對紋理織物圖像的紋理特征進行分析，然后設計形態(tài)學算子進行腐蝕操作，最后使用連通域分析來確定疵點大小及位置。仿真實驗及工廠實際應用表明，該算法可有效克服工業(yè)生產(chǎn)中紋理織物抖動造成的圖像明暗不均，可檢測出紋理織物中存在的破洞、經(jīng)緯疵點、污漬、斷線、折痕和結(jié)頭等各種疵點，而且檢測速度明顯優(yōu)于快速傅里葉變換特征點算法以及傳統(tǒng)形態(tài)學檢測算法。實時檢測速度超過80 m/min，疵點檢測精度為0.1 mm，滿足實際生產(chǎn)需求。

紋理織物； 形態(tài)學； 跳步法； 疵點檢測

當前實際工業(yè)生產(chǎn)環(huán)境下，應用于生產(chǎn)線的織物疵點檢測算法大都針對較簡單且不含紋理的圖像[1]，例如文獻[2-3]分別提出了針對坯布和非織造布的疵點自動檢測算法，但這些算法難以檢測更為常見的紋理型織物疵點。

目前，國內(nèi)外針對紋理織物的研究主要分為頻率域與空間域處理方法。1)頻率域處理方法。徐曉峰等[4]提出利用小波變換分量圖像的特征值與BP神經(jīng)網(wǎng)絡進行檢測。Chen等[5]提出基于多尺度匹配濾波的織物圖像檢測算法，其可變大小的卷積核可解決不同大小疵點的檢測問題。薛樂等[6]提出利用傅里葉頻譜圖對織物紋理疵點進行檢測的方法。頻率域方法對圖像質(zhì)量要求很高，且空間域轉(zhuǎn)換為頻率域的操作比較耗時，在當前通用硬件的處理速度下，頻率域方法不適用于實際生產(chǎn)；2)空間域的方法。如 Selver等[7]針對紋理織物的疵點檢測提出了和差直方圖聯(lián)合共生矩陣的算法，檢測率較高，但其織物的紋理性并不明顯，圖像復雜性不高。王鋒等[8]提出基于數(shù)學形態(tài)學的織物疵點檢測算法，算法識別率較高。周建等[9]針對織物中常見的經(jīng)緯疵點，提出局部二值模式(LBP)疵點分割瑕疵檢測算法，該算法可實現(xiàn)無監(jiān)督疵點檢測，疵點分割效果較好?？臻g域的檢測方法通常比頻率域的檢測方法運算速度快，且檢測準確率較高，因此易應用于實際生產(chǎn)。

以上針對紋理織物的疵點檢測算法都沒有考慮到實際工業(yè)生產(chǎn)環(huán)境。在實際工業(yè)生產(chǎn)環(huán)境下，織物抖動會造成采集的紋理織物圖像明暗不均，檢測算法需要適應織物在線生產(chǎn)速度等。針對上述問題，本文提出了一種窗口跳步形態(tài)學檢測算法對紋理織物進行疵點檢測。實驗仿真及工廠實際應用表明，該算法可檢測出織物中存在的破洞、經(jīng)緯疵點、污漬、斷線、折痕、結(jié)頭等各種疵點，并且檢測速度滿足實際的生產(chǎn)需求。

1 紋理織物疵點檢測平臺

紋理織物疵點檢測平臺如圖1所示。當生產(chǎn)線開始運行之后，旋轉(zhuǎn)編碼器會發(fā)送觸發(fā)信號至相機，進而對紋理織物進行實時不重疊、不丟棄采集，將圖像進行處理并判斷當前紋理織物是否存在疵點。

當前檢測系統(tǒng)中，紋理織物寬度為120～180 cm，相機距織物距離35 cm，光源為奧普特白色條形光源(加濾光片)，寬度與織物寬度相同為 180 cm。工業(yè)相機為加拿大DALSA公司的4 K高速線陣CCD灰度相機，鏡頭為日本RICOH公司的 35 mm 鏡頭，共4個相機。本文以其中一個相機采集紋理織物圖像為例。

圖1 紋理織物疵點檢測平臺Fig.1 Detection platform of texture fabric

本文的算法流程圖如圖2所示。

圖2 算法流程圖Fig.2 Algorithm flow chart

首先利用CCD線陣相機對生產(chǎn)線的織物采集圖像，當相機累計行數(shù)達到1 024行傳回圖像，即圖像大小為4 096 像素×1 024 像素。然后將傳回圖像進行窗口分割，經(jīng)試驗此織物最佳窗口大小為256像素×256 像素，此時處理速度較快，效果較好。隨后對窗口圖像進行直方圖均衡化、二值化預處理，再針對二值化圖像特征信息設計合適的形態(tài)學算子，然后利用跳步形態(tài)學法進行加速，最后對腐蝕結(jié)果圖像利用8連通域法進行分析，判斷當前窗口的圖像是否為疵點圖像。

實際生產(chǎn)工業(yè)環(huán)境中相機采集的紋理織物原始圖像如圖3所示。各圖像右下角為圖中小框區(qū)域內(nèi)的放大圖像。

圖3 實際生產(chǎn)環(huán)境中采集的圖像(4 096 像素×1 024 像素)Fig.3 Collected images in actual environment of industrial production(4 096 pixel ×1 024 pixel). (a) Normal; (b) Warp and weft defect; (c) Hole defect; (d) broken line defect

2 工業(yè)環(huán)境下織物圖像預處理

2.1 窗口分割及均衡化

從圖3可看出，直接從實際生產(chǎn)工業(yè)環(huán)境中采集到的圖像由于運動速度較快，造成了織物抖動，因此，會造成圖像發(fā)生明暗不均的現(xiàn)象。直方圖均衡化[10]對光照不均問題[11-12]的解決以及增強對比度方面都有很好的效果。

對原圖進行均衡化預處理使圖像的對比度在全局上有明顯增強，并且在一定程度上使得小范圍內(nèi)的圖像亮度較為均勻，但仍然沒有解決檢測范圍內(nèi)圖像的明暗不均問題，因此要對圖像進行窗口分割處理[14]。通過大量實驗得出，此種織物在實際工業(yè)生產(chǎn)環(huán)境中使用窗口跳步形態(tài)學法的最佳窗口大小為256像素×256像素。圖4示出對原圖進行窗口分割以及均衡化處理的結(jié)果。其中：圖4(a)～(d)為各疵點圖像的原始窗口圖像；圖4(e)～(h)為均衡化圖像。

圖4 窗口分割及均衡化后的圖像塊(256像素×256像素)Fig.4 Image blocks after window segmentation and equalization (256 pixel×256 pixel). (a)Normal; (b)Warp and weft; (c)Hole;(d)Broken line; (e)Normal equalization; (f)Warp and weft equalization; (g)Hole equalization; (h)Broken line equalization

從圖4可看出，對原圖進行窗口分割以后再對圖像進行均衡化預處理，得到的窗口均衡化結(jié)果圖像對比度較原圖有所增強，并且局部窗口化圖像的亮暗比較均勻，在一定程度上解決了明暗不均的問題，有利于后續(xù)的二值化處理。

2.2 迭代法動態(tài)閾值二值化

對圖像進行形態(tài)學操作，需要源圖像為二值化圖像，因此圖像二值化[14-15]的質(zhì)量直接影響了圖像形態(tài)學處理的結(jié)果。首先，由于實際工業(yè)生產(chǎn)環(huán)境的復雜性，對圖像進行窗口分割以及均衡化預處理之后，可很大程度上解決明暗不均問題，但是仍會存在一定的不均勻性，因此根據(jù)固定閾值對圖像進行二值化處理，得到的圖像效果并非最佳。

針對以上問題，為得到最佳的腐蝕效果，首先要得到最佳的二值化圖像。本文提出一種迭代尋找動態(tài)最佳閾值的二值化方法。求動態(tài)閾值方法如下。

1)求出圖像中最大、最小像素值Val_max以及Val_min，并且設置初始閾值Val0=(Val_max+Val_min)/2。

2)根據(jù)當前閾值ValK將圖像分割為2部分，并且分別求出2部分的像素平均值pix0以及pix1；(其中ValK為迭代第K次閾值)。

3)求出新的閾值ValK+1=(pix0+pix1)/2。

4)若ValK+1=ValK，那么最佳閾值為ValK+1，否則ValK+1→ValK，轉(zhuǎn)至2)。

圖5示出各圖像二值化結(jié)果。從圖可看出二值化效果較好，各疵點都與正常織物有較明顯區(qū)別。

3 窗口跳步形態(tài)學法

3.1 設計形態(tài)學算子

將采集到的原始織物圖像進行預處理之后得到二值化圖像，根據(jù)其特點，本文選擇對二值化圖像進行2次腐蝕操作，算子大小為3×3，形態(tài)學腐蝕算子如圖6所示。

利用上述2種形態(tài)學算子對二值圖像進行形態(tài)學腐蝕的結(jié)果圖像如圖7所示。從圖中的結(jié)果可看出，該形態(tài)學算子能較好地腐蝕紋理織物的紋理背景，并突出疵點前景。

圖7 圖像塊的腐蝕結(jié)果Fig.7 Corrosion result of image blocks. (a)First corrosion of normal image;(b)Second corrosion of normal image;(c)First corrosion of warp and weft defect;(d)Second corrosion ofwarp and weft defect;(e) First corrosion of hole defect;(f)Second corrosion of hole defect;(g) First corrosion of broken line defect; (h) Second corrosion of broken line defect

3.2 采用窗口跳步形態(tài)學法的加速檢測

非工業(yè)理想環(huán)境下采集的紋理織物圖像而言，圖像紋理分明，明暗均勻，頻域處理法有較高的檢測準確率，但在實際工業(yè)生產(chǎn)環(huán)境下，快速傅里葉變換(FFT)算法的檢測準確率大幅下降。織物生產(chǎn)廠家的實際生產(chǎn)速度大都在50 m/min左右，傳統(tǒng)形態(tài)學腐蝕算法檢測速度相對較快，但仍不能滿足實時檢測要求，故要進行加速。

若構(gòu)建一個3×3的滑動窗口，該窗口在256 像素×256 像素圖像上進行滑動點乘運算，計算量很大?？紤]到本文中腐蝕背景為白色，疵點目標為黑色，因此采用的窗口跳步形態(tài)學法在像素遍歷時，用跳步式遍歷代替逐像素運算。具體過程為：開始掃描，若當前第i個像素點的像素值為255(即當前點為白色，非疵點點)，則下一像素點跳步至第i+6個像素點(i+6為作者實驗所得，并非確定值，可根據(jù)實際進行修改)；若當前第i個像素點的像素值為 0(缺陷點)，則下一像素點為i+1；一直循環(huán)此判斷，直至遍歷完全。圖8示出原圖和相應的窗口跳步形態(tài)學法的2次處理結(jié)果圖像。本文實驗中第1次形態(tài)學處理跳步步長為2，第2次跳步步長為6，第1次跳步較小可保證圖像信息在第1次跳步加速時保持原有的信息盡量不丟失，第1次處理后結(jié)果圖像相對干凈，故步長可適當增大。

圖8 圖像塊的窗口跳步形態(tài)學法腐蝕結(jié)果Fig.8 Corrosion result of image with windowed hop-step morphological algorithm. (a)First corrosion of normal image; (b)Second corrosion of normal image;(c)First corrosion of warp and weft defect;(d)Second corrosion of warp and weft defect;(e) First corrosion of hole defect;(f)Second corrosion of hole defect;(g) First corrosion of broken line defect;(h) Second corrosion of broken line defect

與傳統(tǒng)形態(tài)學法相比，窗口跳步形態(tài)學法腐蝕結(jié)果基本不變，都可將復雜的紋理背景腐蝕掉，留下疵點信息。但運算量大幅降低，從圖8中可看出，在第2次腐蝕過程中運算量大幅減少。

3.3 采用連通域法進行疵點判斷

若直接對二值化圖像進行逐像素的腐蝕，根據(jù)圖7結(jié)果簡單地通過黑色像素個數(shù)統(tǒng)計就可對織物疵點進行判斷。但正?？椢飯D像偶爾會出現(xiàn)“雜點”較多的腐蝕結(jié)果，可能會造成誤判，影響檢測準確率，因此不能簡單憑借黑色像素統(tǒng)計法來進行瑕疵的判斷。

為增加檢測可靠性，本文利用8連通域法進行區(qū)域分析。連通域[16]分析針對腐蝕結(jié)果圖像，如果當前黑色像素個數(shù)大于某閾值時，則進行8連通域分析，利用圖像的最大連通域面積等信息進行判斷。每種疵點與正?？椢镏g的黑色像素個數(shù)都比較明顯，可直接利用其進行判斷。但廠家需要檢測較小疵點(如“小黑點”)時，則需要連通域信息進行判斷，濾出那些“雜點”較多的正常紋理織物圖像，從而保證檢測準確率。

4 實驗結(jié)果及分析

為驗證本文算法的可行性，在Visual Studio2010開發(fā)環(huán)境下編制了紋理織物疵點檢測軟件。為對比算法效果，采用頻域檢測算法——FFT特征點檢測算法[17]以及傳統(tǒng)形態(tài)學法對織物圖像進行處理。

FFT特征點算法[17]，將圖像分割為128 像素×128 像素的窗口圖像并進行圖像預處理后，再進行二維快速傅里葉變換，然后通過傅里葉頻譜圖求取P1～P5共5個特征值，利用這些特征值得到相關系數(shù)，再以正常織物作為模板與待檢測圖像的相關系數(shù)進行分析來對織物進行疵點判斷。但利用相關系數(shù)R所得到的檢測結(jié)果并不穩(wěn)定，特征值P2、P4數(shù)據(jù)比較穩(wěn)定，故實驗中使用此特征值作為判斷依據(jù)。

P2=k1x1

式中：k1為經(jīng)驗參數(shù)；x1為經(jīng)向頻率。

P4=k1y1

式中，y1為緯向頻率。

針對非工業(yè)理想環(huán)境下采集的高質(zhì)量紋理織物圖像，F(xiàn)FT特征點算法較傳統(tǒng)形態(tài)學法與窗口跳步形態(tài)學法的檢測效果較好，但在實際工業(yè)生產(chǎn)環(huán)境下的檢測效果不佳。

針對工業(yè)相機采集到的另一種紋理織物的實際圖像進行窗口跳步形態(tài)學法處理。圖9示出紋理織物的污漬與結(jié)頭疵點圖像。其中：圖9(a)為污漬原始圖像；圖9(b)～(f)為污漬圖像的處理過程；圖9(g) 為結(jié)頭原始圖像；圖9(h)～(l)為結(jié)頭圖像的處理過程。

圖9 疵點圖像處理過程Fig.9 Defect image processing. (a)Original stain image; (b)Original;(c)Equalization;(d)Binary;(e)First corrosion; (f)Second corrosion image of stain defect;(g) Original knot image(4 096 pixel×1 024 pixel); (h)Originall; (i)Equalizationl; (j)Binaryl; (k)Three corrosion; (l)Four corrosion image of knot defect

從圖9可看出，形態(tài)學腐蝕結(jié)果圖像中的灰色像素點即為省去處理的部分，因此大大節(jié)省了疵點檢測時間，提高了疵點檢測速度。

針對此種紋理設計的形態(tài)學算子如圖10所示。

圖10 紋理設計的形態(tài)學算子Fig.10 Morphological operator of texture design. (a)First time; (b)Second time

表2示出實際工業(yè)生產(chǎn)環(huán)境下現(xiàn)場采集圖像并進行處理的各種算法的準確率以及各算法的換算在線可檢測最大速度。其中，單幅圖檢測時間為處理1幅4 096 像素×1 024像素的圖像所用的時間，換算為在線檢測速度為每分鐘檢測的距離(m/min)。速度為程序采用四線程進行處理所得，此速度為單線程的將近4倍，旋轉(zhuǎn)編碼器精度為0.1 mm，即織物移動0.1 mm，則旋轉(zhuǎn)編碼器向相機發(fā)送1次采集指令，即檢測精度為0.1 mm。

表2 實際工業(yè)生產(chǎn)環(huán)境下3種織物疵點檢測算法比較Tab.2 Comparison of three fabric detection algorithms in actual environment of industrial production

表2中的數(shù)據(jù)以圖3中的紋理織物圖像為例。FFT特征點算法，采取P2、P4作為特征值來對織物疵點進行判斷，參數(shù)取值k1=5，k2=1/11。此算法準確率為87.89%，但是經(jīng)緯疵點并未完全找出，破洞疵點未能檢測出，所有較小的黑點污漬疵點均未能找出，精度不符合要求。

傳統(tǒng)形態(tài)學腐蝕算法的形態(tài)學算子如圖6所示，窗口大小為256 像素×256 像素。該算法將實驗中的破洞、經(jīng)緯、污漬、斷線疵點均檢測出且精度較高。

窗口跳步形態(tài)學法對圖像進行處理。為盡量多的保持圖像信息，第1次腐蝕過程中跳步像素為2，第2次腐蝕跳步像素為6，窗口大小為256像素×256像素。

在利用上述3種算法針對實際的紋理織物進行實驗時，由于實際工業(yè)生產(chǎn)環(huán)境下采集到的織物抖動造成了圖像亮暗的不均勻以及織物圖像紋理不清晰問題，造成了圖像的頻域處理較難，因此頻域方法準確率下降，但傳統(tǒng)形態(tài)學法與窗口跳步形態(tài)學法的準確率基本不變，且窗口跳步形態(tài)學法的檢測速度是傳統(tǒng)形態(tài)學法的將近2倍，是FFT特征點法的將近4倍。

使用本文的窗口跳步形態(tài)學法，針對每種疵點所統(tǒng)計的黑色像素個數(shù)以及最大連通域面積等信息數(shù)據(jù)如表3所示。

從表格中的數(shù)據(jù)可看出，窗口跳步形態(tài)學法之前默認跳過的像素點為正常(白色)，因此傳統(tǒng)形態(tài)學算法統(tǒng)計的黑色像素個數(shù)比窗口跳步形態(tài)學法黑色像素個數(shù)多，且連通域面積傳統(tǒng)形態(tài)學算法要大于窗口跳步形態(tài)學法。黑色像素個數(shù)減少會加快連通域信息的統(tǒng)計速度，且對檢測基本沒有影響。

表3 實際工業(yè)生產(chǎn)環(huán)境下織物疵點判斷效果對比Tab.3 Defect judgment information effect comparison in actual environment of industrial production

經(jīng)上述各項實驗分析可知，針對此種紋理織物在實際復雜的生產(chǎn)線工業(yè)環(huán)境中，窗口跳步形態(tài)學法紋理織物疵點檢測算法能夠有效的檢測出大多數(shù)種類的疵點，并且完全能夠滿足實際的生產(chǎn)線速度。

5 結(jié) 論

本文針對在實際工業(yè)生產(chǎn)環(huán)境下，不僅要求檢測速度能匹配織物生產(chǎn)速度，而且生產(chǎn)過程中織物抖動會造成采集圖像明暗不均的問題，提出了一種窗口跳步形態(tài)學法紋理織物疵點檢測算法。該算法首先對圖像進行窗口分割及預處理后，通過對紋理圖像的紋理等特征進行分析，設計形態(tài)學算子進行腐蝕操作，最后使用連通域分析方法確定疵點大小及位置。在實際的疵點檢測中將破洞、經(jīng)緯疵點、污漬、線頭、黑點等各種疵點都準確找出，且由于圖像分割，可確定疵點的位置信息。與頻域的FFT特征點算法以及傳統(tǒng)形態(tài)學算法相比，實際工業(yè)生產(chǎn)環(huán)境下，窗口跳步形態(tài)學法不僅檢測準確率高達97.2%，且實時檢測速度超過80 m/min，疵點檢測精度大小為0.1 mm，滿足實際生產(chǎn)需求。

[1] 李勇,周穎,尚會超,等. 基于機器視覺的坯布自動檢測技術[J]. 紡織學報,2007,28(8):124-128.

LI Yong, ZHOU Ying, SHANG Huichao, et al. Automatic grey inspection technology based on machine vision[J]. Journal of Textile Research,2007,28(8):124-128.

[2] 張渤,張代林,陳幼平. 用于無紡布疵點檢測的Gabor濾波器參數(shù)研究[J]. 武漢理工大學學報,2012,34(7):129-133.

ZHANG Bo, ZHANG Dailin, CHEN Youping. Research on gabor filter parameters used for non-woven fabric defection[J]. Journal of Wuhan University of Technology,2012,34(7):129-133.

[3] 邵鑫玉,華繼釗. 基于機器視覺的無紡布疵點自動檢測系統(tǒng)[J]. 計算機科學,2014,41(S1):487-489.

SHAO Xinyu, HUA Jizhao. Automatic detection system of fabric defects based on machine vision[J]. Computer Science, 2014, 41(S1):487-489.

[4] 徐曉峰,段紅,魏俊民. 基于二維小波變換和BP神經(jīng)網(wǎng)絡的織物疵點檢測方法[J]. 浙江工程學院學報,2004,21(1):17-21.

XU Xiaofeng, DUAN Hong, WEI Junmin. Fabric defect detection with two-dimensional wavelet transform and BP neural network[J]. Journal of Zhejiang Institute of Science and Technology,2004,21(1):17-21.

[5] CHEN Xia, XU Zengbo, CHEN Ting, et al. Detecting pills in fabric images based on multi-scale matched Filtering[J]. Textile Research Journal, 2009, 79(15):1389-1395.

[6] 薛樂,李立輕,汪軍. 應用頻譜圖的機織物紋理分析[J]. 紡織學報,2015,36(7):55-60.

XUE Le, LI Liqing, WANG Jun. Study on woven fabric texture using frequency spectrum[J].Journal of Textile Research,2015,36(7):55-60.

[7] SELVERM Alper, VURAL Avsar, HAKAN ?zdemir. Textural fabric defect detection using statistical texture transformations and gradient search[J]. Journal of the Textile Institute, 2014, 105(9):998-1007.

[8] 王鋒,焦國太,杜燁. 基于數(shù)學形態(tài)學的織物疵點檢測方法[J]. 測試技術學報,2007,21(6):515-518.

WANG Feng, JIAO Guotai, DU Ye. Method of fabric defects detection based on mathematical morpho-logy[J]. Journal of Test and Measurement Technology,2007, 21(6):515-518.

[9] 周建,王靜安,高衛(wèi)東. 應用局部紋理特征的無監(jiān)督織物瑕疵檢測算法[J]. 紡織學報,2016,37(12):43-48.

ZHOU Jian,WANG Jing′an, GAO Weidong.Unsupervised fabric defect segmentation using local texture feature[J]. Journal of Textile Research,2016,37(12):43-48.

[10] 姜柏軍,鐘明霞. 改進的直方圖均衡化算法在圖像增強中的應用[J]. 激光與紅外,2014,44(6):702-706.

JIANG Bojun, ZHONG Mingxia. Improved histogram equalization algorithm in the image enhancement[J]. Laser & Infrared,2014, 44(6):702-706.

[11] 蔡超峰,任景英. 基于直方圖均衡化的手背靜脈圖像對比度增強[J]. 計算機應用,2013,33(4):1125-1127.

CAI Chaofeng, REN Jingying. Contrast enhancement of hand vein images based on histogram equalization[J]. Journal of Computer Applications,2013,33(4):1125-1127.

[12] 李冬梅,高志榮,熊承義,等. 低秩分解的人臉圖像光照均衡化預處理[J]. 光電工程,2015,42(9):28-34.

LI Dongmei, GAO Zhirong, XIONG Chengyi,et al. Illumination equalization preprocessing for face image based on low rank decomposition[J]. Opto-Electronic Engineering,2015, 42(9):28-34.

[13] 蔡超峰. 局部直方圖均衡化算法研究及其應用[D].鄭州：鄭州大學,2005: 1-26.

CAI Chaofeng. Research and application of local histogram equalization algorithm[D]. Zhengzhou: Zhengzhou University,2005: 1-26.

[14] 謝國慶,白瑩,王智文. 基于全局迭代閾值和局部分析的護照圖像的二值化算法[J]. 計算機應用與軟件,2009,26(11):118-119.

XIE Guoqing, BAI Ying, WANG Zhiwen. Narization method of passport image based on global iterative threshold and local analysis[J]. Computer Application and Software,2009, 26(11):118-119,164.

[15] 嚴曲,趙躍龍. 一種基于迭代閾值法的身份證圖像二值化算法研究[J]. 計算機測量與控制,2005,13(6):595-597.

YAN Qu, ZHAO Yuelong. Study of binarization method of identification card scanned mmage[J]. Computer Measurement & Control,2005, 13(6):595-597.

[16] 姜圓香,孫玉秋,王超,等. 基于連通域篩選和腐蝕重構(gòu)的鋼材裂痕檢測[J]. 長江大學學報(自科版),2016,13(25):26-30.

JIANG Yuanxiang, SUN Yuqiu, WANG Chao, et al. Steel crack detection based on the selection of connected domains and corrosion reconstruction[J]. Journal of Yangtze University(Natural Science Edition),2016,13(25):26-30.

[17] 朱丹丹,潘如如,高衛(wèi)東. 基于傅里葉特征譜和相關系數(shù)的織物疵點檢測[J]. 計算機工程與應用,2014,50(19):182-186.

ZHU Dandan, PAN Ruru, GAO Weidong. Fabric defect detection using characteristic spectrum of Fourier transform and correlation coefficient[J]. Computer Engineering and Application,2014,50(19):182-186.

Texturedfabricdefectdetectionbasedonwindowedhop-stepmorphologicalalgorithm

HE Feng1,2， ZHOU Yatong1,2， ZHAO Xiangyu1,2， LIU Meng3， ZHANG Zhongwei3

(1.SchoolofElectronicsandInformationEngineering,HebeiUniversityofTechnology,Tianjin300401,China; 2.TianjinKeyLaboratoryofElectronicMaterialsandDevices,Tianjin300401,China; 3.BeijingAnshizhongdianTechnologyCo.,Ltd.,Beijing100871,China)

Aim at the problem of low detection efficiency and fabric jittering due to high production rate, when texture fabric defects are automatically detected. A textured fabric defect detection was presented based on a windowed hop-step morphological algorithm. Firstly, window segmentation and preprocessing on images were carried out, and then the image texture features of the textured fabric were analyzed. Secondly morphological operators were designed for corrosion operation. Finally, the defect size and location were determined by connected domain analysis. Experimental simulation and practical application results show that the algorithm can solve the problem of the images of uneven light and shade caused by the cloth trembling effectively, and the algorithm can detect the presence of defects in the fabric texture including broke holes, warp and weft defects, stains broken lines, creases, knots and so on. The detection algorithm has high stability and reliability, thus can meet the actual production demand. The detection speed is superior to the (fast fourier transform algorithm) feature point algorithm and conventional morphological algorithm. The real-time detection speed is over 80 m/min, and the size of the defect detection accuracy is 0.1 mm.

textured fabric; morphological; hop-step algorithm; defect detection

TP 391.4; TS 101.9

A

10.13475/j.fzxb.20161204308

2016-12-23

2017-05-11

中國博士后基金項目(2014M561053)；教育部人文社會科學研究規(guī)劃基金項目(15YJA630108)；河北省自然科學基金項目(F2013202254)；河北省研究生創(chuàng)新資助項目(CXZZSS207035)

何峰(1991—)，男，碩士生。主要研究方向為智能信息處理。周亞同，通信作者， E-mail：zyt@hebut.edu.cn。