萬 東 孫志剛 肖 力

（華中科技大學(xué)自動(dòng)化學(xué)院 武漢 430074）

1 引言

在紡織工業(yè)生產(chǎn)中，紡織品的檢測是一道重要的工序，它決定了產(chǎn)品的質(zhì)量，因此，疵點(diǎn)檢測是生產(chǎn)工序中絕不可忽視的環(huán)節(jié).然而，傳統(tǒng)的織布疵點(diǎn)檢測仍然是通過人工視覺來評定，人工長時(shí)間的檢驗(yàn)不僅會(huì)影響產(chǎn)品質(zhì)量的客觀評定，還受限于檢驗(yàn)人員的熟練程度。隨著布匹生產(chǎn)速度的提高以及對產(chǎn)品質(zhì)量要求的提高，人工檢驗(yàn)存在很大的弊端，包括檢測速度慢、檢測率低和穩(wěn)定性差等，這使得人工檢驗(yàn)越來越不適應(yīng)工業(yè)生產(chǎn)的需求，因此，迫切需求生產(chǎn)過程中實(shí)現(xiàn)自動(dòng)、精準(zhǔn)、快速檢測疵點(diǎn)的方法［1～4］。近年來，紡織品疵點(diǎn)檢測領(lǐng)域也提出了一些檢測算法，但是，在準(zhǔn)確率和實(shí)時(shí)性上尚難兼得，難以適應(yīng)工業(yè)生產(chǎn)的需求。

本文提出一種基于共度共生矩陣（GLCM）和支持向量機(jī)（SVM）實(shí)現(xiàn)織布疵點(diǎn)檢測的算法，借助GPU強(qiáng)大的計(jì)算能力，并行計(jì)算得到GLCM以及特征值，組成特征向量輸入已訓(xùn)練完成的SVM分類模型，得到圖像最終的分類，實(shí)現(xiàn)織布圖像中的疵點(diǎn)類型檢測，算法流程如圖1所示。GPU完成圖像GLCM以及特征值的計(jì)算，保證了算法的實(shí)時(shí)性；GLCM特征值反映的圖像紋理特征以及SVM強(qiáng)大的分類能力保證了算法檢測的準(zhǔn)確率。實(shí)驗(yàn)證明該方法能夠精準(zhǔn)且快速檢測出布匹中的孔洞、異物、油漬和折痕疵點(diǎn)。

圖1 檢測算法流程示意圖

2 灰度共生矩陣的紋理提取

2.1 灰度共生矩陣

灰度共生矩陣（GLCM）用圖像中具有某種空間位置關(guān)系的像素對的聯(lián)合分布概率密度來定義，可以看成兩個(gè)像素對的灰度分布聯(lián)合直方圖，是一種二階統(tǒng)計(jì)。它不僅反映了圖像灰度變化信息，也很好地反映了相同灰度級(jí)像素之間的位置分布關(guān)系等特征［5］。

假設(shè)輸入圖像為 f(x，y)，大小為M×N，灰度級(jí)為L，則滿足一定空間關(guān)系的GLCM定義為概率矩陣：

其中，#{x}表示集合 x中的元素個(gè)數(shù)，因此，GLCM(i，j)是一個(gè)L×L的方陣，假設(shè)圖像中的兩點(diǎn) (x1，y1)與 (x2，y2)間距為 d，兩點(diǎn)所在直線與坐標(biāo)軸之間的夾角為θ，其中概率矩陣中元素(i，j)的值表示一個(gè)灰度為i，另一個(gè)灰度為 j的兩個(gè)相距為d的像素對在夾角θ的方向上出現(xiàn)的次數(shù)。

像素對的間距和方向用一個(gè)一維向量表示，如圖2所示，圖像中某點(diǎn)(x，y)的灰度值為i，而在(x+dx，y+dy)點(diǎn)的灰度值 j，則此時(shí)將GLCM中相應(yīng)位置 (x，y)處的值加1（初始值為0）［6］。

圖2 GLCM的定義及計(jì)算方法示意圖

灰度共生矩陣有2個(gè)重要的參數(shù)：1）圖像灰度級(jí)總數(shù)；2）向量對[dx，dy]。對同一輸入圖像，取不同的向量[dx，dy]會(huì)得到不同的灰度共生矩陣。

原始灰度圖像的灰度級(jí)為256，特征矩陣較大，一般為了減小計(jì)算量，可以降低圖像的灰度級(jí)，但會(huì)損失信息。本模塊采用GPU計(jì)算，灰度級(jí)對時(shí)間影響不大，因此，灰度級(jí)確定為256。

[dx，dy]向量對的選擇往往依賴于布匹表面紋理的分析，利用自相關(guān)函數(shù)［7］分析如圖所示紋理圖像，得到橫向和縱向紋理周期均為8pixels，因此，GLCM的生成步長取為8，方向選擇0°、45°、90°和135°4個(gè)方向，即向量對選擇為［8，0］、［8，8］、［0，8］和［-8，8］。

2.2 灰度共生矩陣的特征參數(shù)

GLCM不能直接用于描述圖像的紋理特征，本算法選取能量Asm、熵Ent、對比度con和逆差矩ind等4個(gè)統(tǒng)計(jì)量［8］來提取它所反映的紋理特征，它們的定義如下所述，其中P(i，j)代表GLCM。

能量反映了圖像灰度分布的均勻性，粗紋理的能量矩較大，細(xì)紋理的能量矩較??；

熵值是圖像所具有的信息量的度量。若圖像沒有任何紋理，則熵值接近零，若圖像充滿細(xì)紋理，則圖像的熵值最大，若圖像中分布著較少的紋理，則圖像的熵值較??；

對比度反映了影響紋理的清晰度，紋理的溝紋越深，其對比度越大，圖像的視覺清晰效果越好；

逆差矩反映了局部同質(zhì)性，當(dāng)GLCM沿對角線集中時(shí)，其逆差矩值較大。

3 GLCM及其特征值的并行計(jì)算實(shí)現(xiàn)

3.1CUDA并行計(jì)算

CUDA是NVIDIA于2006年推出的一套針對異步計(jì)算資源下的大規(guī)模并行計(jì)算的架構(gòu)，該架構(gòu)使GPU能夠解決復(fù)雜的計(jì)算問題。CUDA采用一種分層的編程模型來組織線程，其基本思路是：用戶根據(jù)需要定制一定數(shù)量的線程準(zhǔn)備投入計(jì)算，并能夠定制線程和數(shù)據(jù)的映射關(guān)系；在計(jì)算中線程被分為若干線程組，每個(gè)線程組被映射到圖形處理器中的一個(gè)處理單元組上，組內(nèi)的線程可以協(xié)同工作，它們具有一些相關(guān)屬性，不同的線程組根據(jù)硬件的規(guī)格并發(fā)或順序的被激活［6］。CUDA采用單指令多線程（SIMT）的計(jì)算模型，其線程結(jié)構(gòu)如圖3。

圖3 CUDA線程結(jié)構(gòu)示意圖

在CUDA架構(gòu)下，GPU執(zhí)行時(shí)的最小單位是線程（thread），若干個(gè) thread組成 1個(gè)線程塊（block）。每個(gè)block內(nèi)所能夠包含的thread數(shù)量是有限的。執(zhí)行相同程序的block，可以組成grid。

3.2 GLCM的并行計(jì)算實(shí)現(xiàn)

為了保證算法的實(shí)時(shí)性，將GLCM和特征值的計(jì)算放置到GPU端執(zhí)行。

圖4 圖像紋理分塊圖

圖5 計(jì)算GLCM時(shí)GPU端線程分布圖

由于GLCM考慮的是像素對的關(guān)系，因此，GPU端采用二維的grid和block完成GLCM的并行計(jì)算，將原始圖像劃分為二維的紋理塊，GPU的每個(gè)block處理一個(gè)紋理塊，block內(nèi)的每個(gè)線程負(fù)責(zé)1個(gè)像素。原始圖像大小為227×227，紋理塊的大小為32×32，原始圖像被劃分為8×8個(gè)紋理塊，如圖4，對應(yīng)8×8個(gè)block，每個(gè)block內(nèi)線程分布為32×32，GPU端線程劃分如圖5。

GPU端線程劃分中，在blockIdx.x=7的block內(nèi)，僅僅threadIdx.x＜3的線程參與計(jì)算，其他線程不做處理；在blockIdx.y=7的block內(nèi)，僅僅thread?Idx.y＜3的線程參與計(jì)算，其他線程不做處理。

3.3 GLCM特征值的并行計(jì)算實(shí)現(xiàn)

由于GLCM的灰度級(jí)確定為256，因此，其能量、熵、對比度和逆差矩等4種特征值的計(jì)算，采用1維的grid和block，即256個(gè)block，如圖6，其中每個(gè)block中256個(gè)thread，每個(gè)線程負(fù)責(zé)一項(xiàng)，對于能量、熵、對比度和逆差矩，每個(gè)線程分別負(fù)責(zé)對應(yīng)歸 一 化 后 的 P(i，j)2、 -P(i，j)·lgP(i，j) 、，通過2次規(guī)約求和，得到最后的4種特征值。

GPU端計(jì)算出4個(gè)向量對應(yīng)GLCM的特征值，共計(jì)16維組成特征向量。

圖6 計(jì)算4種特征值時(shí)GPU端線程分布圖

4 基于支持向量機(jī)的的織布圖像分類

支持向量機(jī)［9～10］（SVM）是上世紀(jì) 90 年代被提出來的一種機(jī)器學(xué)習(xí)方法，它較好的解決了小樣本、高維數(shù)、非線性、局部極小等問題。其基本思想是在樣本空間，構(gòu)造出最優(yōu)超平面使得超平面與不同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力。SVM中對于線性不可分的問題通過引入核映射解決。

4.1 支持向量機(jī)實(shí)現(xiàn)二分類

SVM原本解決的是二分類問題，給定樣本集(xi，yi) ，i=1，2，…，N，xi∈Rd，yi∈{-1，1} ，對于在原空間線性不可分的分類問題，普通的線性分類器效果很差，但是SVM能夠很好地解決，它引入非線性映射Φ:Rd→Rn，將輸入向量映射至高維空間Rn，通過在Rn中線性可分解決問題，SVM分類即求解在Rn中構(gòu)造的最大間隔超平面wΦ(x)+b。

αi可通過求解如下二次規(guī)劃問題解決：

而其中高維空間的內(nèi)積(Φ(xi)Φ(xj))通過核映射交給原空間的內(nèi)積解決，即在原空間確定核函數(shù)K(xi，xj)=(Φ(xi)Φ(xj))，因此，原二次規(guī)劃問題即轉(zhuǎn)化為

4.2 支持向量機(jī)實(shí)現(xiàn)多分類

SVM本為解決二分類問題，當(dāng)處理多類問題時(shí)，就需要構(gòu)造合適的多類分類器。當(dāng)前，設(shè)計(jì)多分類器的方法主要有兩類：一種是直接法，即直接設(shè)計(jì)多分類SVM分類器［11］，該方法直接在目標(biāo)函數(shù)上修改，將多個(gè)分類面的參數(shù)求解合并到一個(gè)最優(yōu)化問題中，通過求解該最優(yōu)化問題“一次性”實(shí)現(xiàn)多類分類。該方法計(jì)算復(fù)雜度高，實(shí)現(xiàn)困難。另外一種是間接法，主要通過多個(gè)SVM二分類器組合實(shí)現(xiàn)多分類器，組合方式有兩種，一種是“一對多”，另一種是“一對一”。

一對多法：訓(xùn)練時(shí)依次將某個(gè)類別的樣本歸為一類，其余樣本歸為另一類，這樣k個(gè)類別的樣本即構(gòu)造出k個(gè)SVM。分類時(shí)將未知樣本分類為具有最大分類函數(shù)值的那類。

一對一法：在任意兩類樣本之間設(shè)計(jì)一個(gè)SVM，因此k個(gè)類別的樣本需要設(shè)計(jì)k(k-1)/2個(gè)SVM。當(dāng)對一個(gè)未知樣本進(jìn)行分類時(shí)，最后得票最多的類別即為該未知樣本的類別。

4.3 織布疵點(diǎn)分類的SVM實(shí)現(xiàn)

由于本文針對的織布疵點(diǎn)有多種類型，因此采用“一對一法”設(shè)計(jì)SVM多分類器，織布疵點(diǎn)種類數(shù)目為N，則設(shè)計(jì)N+1類分類器，用于對N類疵點(diǎn)圖像以及無疵點(diǎn)圖像進(jìn)行分類。

將包含各類疵點(diǎn)以及無疵點(diǎn)的織布圖像作為學(xué)習(xí)集，將學(xué)習(xí)集的圖像計(jì)算出4個(gè)方向的GLCM的4類特征值組成特征向量作為SVM的輸入來訓(xùn)練SVM分類模型，為了確定SVM的超參數(shù)，采用N折交叉驗(yàn)證法［12］。訓(xùn)練完成后，得到滿足要求的各樣本間的最優(yōu)超平面，SVM分類模型即得到。

5 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)檢測對象為如圖7含有孔洞、油漬、異物、折痕4類疵點(diǎn)以及無疵點(diǎn)的織布圖像，圖像大小227×227。軟件環(huán)境為：UBuntu16.04 64位操作系統(tǒng)，CUDA開發(fā)工具版本號(hào)為8.0，算法實(shí)現(xiàn)語言為C++，圖像處理的基本函數(shù)以及SVM基于OpenCV2.4.13庫。硬件環(huán)境為：Intel（R）Xeon E5-2630 v4 CPU，主頻為2.2GHz，內(nèi)存為8GB；GPU為 NVIDIA GeForce GTX1080，顯存為 8GB，CUDA核心數(shù)為2560個(gè)，核心頻率為1607MHz，顯存帶寬為320GB/s。

圖7 待檢測的織布圖像

在對準(zhǔn)確率和耗時(shí)進(jìn)行測試之前，需將SVM 5分類模型訓(xùn)練完成。本文通過工業(yè)相機(jī)采集并截取得到的3000張圖像按照5：1分為訓(xùn)練集和驗(yàn)證集，使用10折交叉驗(yàn)證法訓(xùn)練SVM，得到訓(xùn)練完成的SVM模型后，采用另外的500張圖像（每類圖像各100張）進(jìn)行準(zhǔn)確率和耗時(shí)進(jìn)行測試。測試準(zhǔn)確率和耗時(shí)結(jié)果分別如表1和表2。

表1 各類圖像的分類準(zhǔn)確率

其中的單張圖像總耗時(shí)542μs是根據(jù)輸入圖像到輸出結(jié)果的總耗時(shí)，除表中的灰度共生矩陣和特征值的計(jì)算時(shí)間，還包括CPU端圖像數(shù)據(jù)拷貝至GPU耗時(shí)以及計(jì)算過程中求最大像素值的耗時(shí)。

表2 各階段平均耗時(shí)結(jié)果

由表1可見，該算法對孔洞、油漬、異物、折痕4類疵點(diǎn)以及不含疵點(diǎn)的圖像的識(shí)別正確率較高，其中，對于含折痕疵點(diǎn)和不含任何疵點(diǎn)的布匹圖像的識(shí)別準(zhǔn)確率最高，均不低于98%，對于異物和油漬疵點(diǎn)的識(shí)別準(zhǔn)確率較好，但對于孔洞疵點(diǎn)的識(shí)別正確率遠(yuǎn)低于其他類型。由表2可見，該算法對于227×227的單張圖像平均耗時(shí)542μs，實(shí)時(shí)性很好。

6 結(jié)語

針對當(dāng)前織布疵點(diǎn)檢測的正確率和實(shí)時(shí)性問題，提出一種基于CUDA計(jì)算灰度共生矩陣特征值和支持向量機(jī)的檢測算法，借助GPU強(qiáng)大的計(jì)算能力，并行計(jì)算得到GLCM以及特征值，組成特征向量輸入已訓(xùn)練完成的SVM分類模型，得到圖像最終的分類，實(shí)現(xiàn)織布圖像中的疵點(diǎn)類型檢測。GPU強(qiáng)大的計(jì)算能力保證了算法的實(shí)時(shí)性；GLCM特征值反映的圖像紋理特征以及SVM強(qiáng)大的分類能力保證了算法檢測的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，本文采取的算法能夠較為準(zhǔn)確并且實(shí)時(shí)的檢測出織布圖像中的各類疵點(diǎn)，能夠基本滿足工業(yè)生產(chǎn)的需求。

［1］劉建麗，卓寶奇，曾憲奕.基于小波紋理分析和LVQ神經(jīng)網(wǎng)絡(luò)的無紡布均勻性識(shí)別［J］.專家系統(tǒng)及其應(yīng)用，2010，37（3）：2241-2246.LIU Jianli，ZUO Baoqi，ZENG Xianyi.Nonwoven unifor?mity identification using wavelet texture analysis and LVQ neural network［J］.Expert Systems with Applications，2010，37（3）：2241-2246.

［2］陳琳，汪軍，李立輕.基于二維Gabor濾波器的非織造布疵點(diǎn)檢測［J］.東華大學(xué)學(xué)報(bào)，2012，38（6）：695-699.CHEN Lin，WANG Jun，LI Liqing.Nonwoven Fabric De?fects Detection Based on 2D Gabor Filter［J］.Journal of Donghua University，2012，38（6）：695-699.

［3］黃瀟玲，孫科，李子燊.表面疵點(diǎn)在線檢測技術(shù)在非織造領(lǐng)域的應(yīng)用［J］.產(chǎn)業(yè)用紡織品，2009（5）：39-43.HUANG Xiaoling，SUN Ke，LI Zishen.Application of on-line inspection of surface defect in nonwovens［J］.In?dustrial textiles，2008（5）：39-43.

［4］曾躍民，劉麗芳.基于計(jì)算機(jī)圖象處理的非織造布質(zhì)量檢測與控制技術(shù)［J］.非織造布，2001（3）：37-40.ZENG Yuemin，LIU Lifang.Nonwovens Properties Detec?tion and Control Technology Based on Computer Image Processing［J］.Nonwovens，2001（3）：37-40.

［5］李剛.皮膚檢測技術(shù)的研究與應(yīng)用［D］.重慶：重慶大學(xué)，2008：26-28.LI Gang.Skin Detection Technology Research and Appli?cation［D］.Chongqing：Chongqing University，2008：26-28.

［6］劉海平.基于機(jī)器視覺的無紡布疵點(diǎn)在線檢測系統(tǒng)搞研究［D］.武漢：華中科技大學(xué)，2015：20-21.LIU Haiping.Research on Nonwoven Fabric Defect On?line Detection System Using Machine Vision［D］.Wuhan：Huazhong University of Science and Technology，2015：20-21.

［7］祝雙武，郝重陽，李鵬陽.基于紋理結(jié)構(gòu)分析的織物疵點(diǎn)檢測方法［J］.計(jì)算機(jī)應(yīng)用，2008，28（3）：647-649.ZHU Shuangwu，HAO Chongyang，LI Pengyang.Fabric de?fect detection method based on texture structure analysis［J］.Journal of Computer Applications，2008，28（3）：647-649.

［8］白雪冰，王克奇.基于灰度共生矩陣的木材紋理分類方法的研究［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2005，37（12）：1667-1670.BAI Xuebin，WANG Keqi.Research on the classification of wood texture based on Gray Level Co-occurrence Matrix［J］.J Harbin Inst Technol，2005，37（12）：1667-1670.

［9］克里斯特安尼.支持向量機(jī)導(dǎo)論［M］.北京：電子工業(yè)出版社，2004：82-98.Nello Cristianini.An Introduction to Support Vector Ma?chines and Other Kernel-based Learning Methods［M］.Beijjing：Publishing House of Electronics Industry，2004：82-98.

［10］張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)［J］.自動(dòng)化學(xué)報(bào)，2000，26（1）：32-41.ZHANG Xuegong.Introduction to Statistical Learning Theory and Support Vector Machines［J］.Acta Automati?ca Sinica，2000，26（1）：32-41.

［11］曹兆龍.基于支持向量機(jī)的多分類算法研究［D］.上海：華東師范大學(xué)，2007：19-25.CAO Zhaolong.Multiclass classification Method Re?search With SVM Arithmetic［D］.Shanghai：East China Normal University，2007：19-25.

［12］Stone M.Cross-validatory choice and assessment of sta?tistical predictions［J］.Journal of the Royal Statistical，1974，36（2）：111-147.