劉茁梅,李鵬飛,景軍鋒

(西安工程大學(xué) 電子信息學(xué)院,陜西 西安 710048)

0 引 言

紡織品表面缺陷進(jìn)行有效檢測(cè)與控制是現(xiàn)代紡織企業(yè)控制成本及提高產(chǎn)品競(jìng)爭(zhēng)力的關(guān)鍵環(huán)節(jié)之一．隨著人工智能與計(jì)算機(jī)科學(xué)的飛速發(fā)展,計(jì)算機(jī)視覺(jué)已經(jīng)在工業(yè)表面檢測(cè)領(lǐng)域中得到廣泛的應(yīng)用,以計(jì)算機(jī)代替人工視覺(jué)不僅可以提高檢測(cè)速度,降低勞動(dòng)成本,而且通過(guò)織物缺陷自動(dòng)檢測(cè)系統(tǒng)可以為織物質(zhì)量等級(jí)的評(píng)定提供雙方可信的參考數(shù)據(jù)．

國(guó)內(nèi)外的專(zhuān)家學(xué)者根據(jù)稀疏表示理論提出了很多織物疵點(diǎn)檢測(cè)方法，文獻(xiàn)[1]應(yīng)用獨(dú)立成分分析(ICA)進(jìn)行織物疵點(diǎn)檢測(cè),由于識(shí)別能力取決于所提取的獨(dú)立成分是否能夠與疵點(diǎn)外觀結(jié)構(gòu)相匹配,所以該方法的疵點(diǎn)適應(yīng)能力差．文獻(xiàn)[2]提出了基于自適應(yīng)小波的織物疵點(diǎn)自動(dòng)檢測(cè)算法，其檢測(cè)能力強(qiáng)，魯棒性好，但計(jì)算復(fù)雜，濾波器要求嚴(yán)格.Zhou[3]等在圖像稀疏表示模型上分別提出了基于稀疏表示字典模型重構(gòu)和自適應(yīng)字典[4]的織物表面疵點(diǎn)檢測(cè)系統(tǒng)．但這兩種算法僅適用于平紋和斜紋織物表面疵點(diǎn)檢測(cè)．葉鑒霆等[5]提出基于Gabor提取紋理投影特征的過(guò)完備小規(guī)模字典稀疏表示模型的圖案織物表面疵點(diǎn)檢測(cè),但是對(duì)于細(xì)節(jié)疵點(diǎn)的檢測(cè)不理想．劉綏美等[6]提出基于K-SVD的稀疏編碼字典學(xué)習(xí)的織物表面疵點(diǎn)檢測(cè)算法,但是該算法的魯棒性較低．范曉婷[7]提出基于卷積匹配追蹤的雙字典的圖案織物疵點(diǎn)檢測(cè)算法,但是該算法對(duì)疵點(diǎn)的細(xì)節(jié)和形態(tài)特征表征不理想．為此本文提出基于稀疏表示的疵點(diǎn)檢測(cè)方法,首先通過(guò)直方圖均衡化增強(qiáng)圖像對(duì)比度;接著根據(jù)盲源分離理論對(duì)缺陷圖像進(jìn)行表示,并根據(jù)形態(tài)成分分析對(duì)缺陷圖像進(jìn)行稀疏表示; 然后對(duì)缺陷和背景成分進(jìn)行分解;最后通過(guò)疊加二值化法實(shí)現(xiàn)疵點(diǎn)增強(qiáng)．

1 疵點(diǎn)檢測(cè)算法

對(duì)印花織物圖像首先經(jīng)過(guò)直方圖均衡化的預(yù)處理階段,接著進(jìn)行基于稀疏表示模型的圖像分解,最后采用疊加二值化進(jìn)行分割,實(shí)現(xiàn)疵點(diǎn)檢測(cè)．

1.1 對(duì)織物圖像進(jìn)行預(yù)處理

為了降低由于圖像采集時(shí)光線太明或太暗、圖像采集元件(如CCD攝像機(jī))精度不準(zhǔn)以及圖像傳輸過(guò)程中的各種噪聲等都會(huì)不可避免地降低采集到的印花織物圖像質(zhì)量,造成圖像失真，以及對(duì)后續(xù)圖像處理過(guò)程的影響,改善圖像質(zhì)量,需采用直方圖均衡化的方法對(duì)圖像進(jìn)行預(yù)處理,即圖像增強(qiáng)．直方圖均衡化是把這些圖像的不均勻分布直方圖進(jìn)行非線性拉伸,重新對(duì)圖像像素值進(jìn)行分配,使像素點(diǎn)在圖像整個(gè)灰度范圍內(nèi)均勻分布,從而達(dá)到增強(qiáng)圖像視覺(jué)效果的目的[8]．通過(guò)式(1)推導(dǎo)出直方圖均衡化后的圖像:

(1)

式中：m為圖像的灰度級(jí),n為圖像的總像素個(gè)數(shù),ni為i灰度級(jí)上的像素個(gè)數(shù),P(ri)為i灰度級(jí)上的概率密度,T(ri)為m灰度級(jí)上像素的非線性變換函數(shù),式(1)給出的映射是最終圖像直方圖均衡化結(jié)果．

1.2 基于稀疏表示的圖像分解模型

假設(shè)織物缺陷圖像代表觀測(cè)向量y,缺陷成分和背景成分代表兩個(gè)源信號(hào)向量y1和y2,圖像中的噪聲成分代表加性噪聲向量v．根據(jù)盲源分離中的線性瞬時(shí)混合模型,織物缺陷圖像的數(shù)學(xué)模型為[9]

y=y1+y2+v.

由于紡織品中的織物缺陷分布存在稀疏性,使得缺陷圖像能夠在特定的變換中進(jìn)行稀疏表示．假設(shè)這里存在兩個(gè)字典A1和A2能夠?qū)θ毕莩煞趾捅尘俺煞址謩e進(jìn)行稀疏表示,則模型為

min‖x1,2‖0s.t.y1,2=A1,2x1,2.

(2)

式(2)是在忽略誤差項(xiàng)的情況下進(jìn)行的稀疏表示．通過(guò)對(duì)缺陷圖像分析可以看出,缺陷圖像可以被看作是由一致性比較強(qiáng)的紋理組成的背景成分，具有隨機(jī)分布的缺陷成分和加性噪聲成分組成,由形態(tài)成分分析理論[10]可知,即混合信號(hào)的組成成分存在差異性,因此缺陷圖像可以進(jìn)行分離操作,并且各形態(tài)成分可以使用不同的字典進(jìn)行稀疏表示,并且各成分存在對(duì)應(yīng)僅能夠稀疏表示自身的字典．則模型可以轉(zhuǎn)化為形態(tài)成分分析模型:

min‖x1‖0+‖x2‖0s.t.y=A1x1+A2x2.

上式是忽略了噪聲信息和誤差信息．為了使上述模型有利于計(jì)算,這里使用逼近算法中的基追蹤去噪將非凸的問(wèn)題轉(zhuǎn)化成凸優(yōu)化問(wèn)題(即用l1范數(shù)替代l0范數(shù)),同時(shí)完成誤差及加性噪聲作為約束項(xiàng)進(jìn)行替換,則上述模型轉(zhuǎn)化為[11]

式中：參數(shù)δ取決于噪聲和稀疏表示模型誤差．經(jīng)過(guò)分析可知,要實(shí)現(xiàn)對(duì)織物疵點(diǎn)圖像的缺陷成分和背景成分有效的分離,等價(jià)于實(shí)現(xiàn)y1和y2兩部分的重構(gòu),進(jìn)一步得到織物疵點(diǎn)圖像分離的稀疏表示模型為

(3)

(4)

式中：γ表示總變差正則化懲罰項(xiàng)的權(quán)重因子．最后采用塊協(xié)調(diào)松弛算法[13]并根據(jù)式(4)的目標(biāo)函數(shù)進(jìn)行交替優(yōu)化求解,使得缺陷成分和紋理成分得到有效的分離,達(dá)到有效分割缺陷目標(biāo)的目的．

1.3 二值化分割圖像

對(duì)圖像分解后的瑕疵部分Id進(jìn)行二值化[14]操作,由于織物瑕疵的多樣性,為了得到更好的分割結(jié)果,使用疊加二值化圖像法,即采用一種兩次分割并疊加結(jié)果的雙閾值法分割法．這里將瑕疵部分圖像Id設(shè)為原始圖像,取圖像的閾值為T(mén)1和T2.其中T2>T1,分割后的二值圖像的定義式為[15]

式中：f(x,y)表示分割后的二值圖像,0表示像素為黑色,1表示像素為白色．

2 結(jié)果與討論

為了驗(yàn)證本文提出的方法的有效性,使用MATLAB R2014a環(huán)境進(jìn)行測(cè)試．印花織物數(shù)據(jù)集來(lái)自香港大學(xué)工業(yè)自動(dòng)化研究實(shí)驗(yàn)室提供的星型、方格型和圓點(diǎn)型織物樣本．其中缺陷圖像100幅,無(wú)缺陷圖像100幅,每類(lèi)20幅．印花織物圖像的格式均為BMP格式,大小均為256×256像素,分辨率為600 dpi的彩色圖像．其中疵點(diǎn)類(lèi)型包括斷紗、破洞、粗緯、細(xì)緯、多網(wǎng)等．為了對(duì)基于稀疏表示的織物缺陷檢測(cè)方法進(jìn)行準(zhǔn)確的評(píng)估,采用檢測(cè)成功率進(jìn)行計(jì)算．檢測(cè)成功率的定義如下[16]:

3種背景紋理共12幅織物圖像及其疵點(diǎn)檢測(cè)結(jié)果如圖1所示.其中，(a)為方格型圖像,(b)為圓點(diǎn)型圖像,(c)為星型圖像.從圖1可以看出，提出的算法的檢測(cè)結(jié)果較理想,不僅能夠?qū)?fù)雜紋理的織物缺陷圖像的缺陷部分進(jìn)行較好的分離,而且織物疵點(diǎn)的位置和疵點(diǎn)形狀細(xì)節(jié)得到了較準(zhǔn)確的可視化識(shí)別．

(a) 方格型圖像

(b) 圓點(diǎn)型圖像

(c) 星型圖像圖 1 部分織物缺陷檢測(cè)結(jié)果Fig.1 Parts of fabric image inspection result

將提出的方法與目前較為先進(jìn)的其他5種疵點(diǎn)檢測(cè)算法進(jìn)行了比較,其他檢測(cè)算法包括獨(dú)立成分分析(ICA)、稀疏表示字典模型重構(gòu)(SRDR)、Gabor濾波器,稀疏編碼字典學(xué)習(xí)(SCDL)、卷積匹配追蹤的雙字典(CMPDD)．6種疵點(diǎn)檢測(cè)算法檢測(cè)率結(jié)果見(jiàn)表1.

從表1可以看出，本文提出的檢測(cè)算法比其他檢測(cè)算法優(yōu)勢(shì)明顯．本文提出的方法是根據(jù)形態(tài)成分的差異性對(duì)圖像信號(hào)進(jìn)行交替分離,能夠很好地保留各成分的信息,達(dá)到精準(zhǔn)定位,保留細(xì)節(jié)的目的．在相同的條件下，SRDR算法的檢測(cè)率最低,SCDL算法比SRDR算法的檢測(cè)率較高,此算法中采用了KSVD算法進(jìn)行字典學(xué)習(xí),但是,該算法對(duì)織物的紋理周期要求較為嚴(yán)格．ICA算法僅僅對(duì)方格型織物具有較好的檢測(cè)率,因?yàn)槭鞘艿綀D像特征重構(gòu)的影響．基于Gabor濾波器的疵點(diǎn)檢測(cè)算法對(duì)濾波器的參數(shù)設(shè)定要求較高．CMPDD算法的檢測(cè)率相對(duì)較好,使用了卷積匹配追蹤和基于Gabor的KSVD算法進(jìn)行稀疏編碼訓(xùn)練并學(xué)習(xí)得到融合字典,然后將無(wú)疵點(diǎn)樣本圖像和待檢測(cè)圖像分別在融合字典上進(jìn)行投影作為特征,最后采用距離判斷疵點(diǎn)．提出的方法不僅可以對(duì)噪聲進(jìn)行識(shí)別,同時(shí)利用疵點(diǎn)的稀疏性,以及組成織物疵點(diǎn)圖像各個(gè)成分的形態(tài)差異性對(duì)缺陷成分進(jìn)行交替分離較好地保留了疵點(diǎn)的細(xì)節(jié)和形態(tài)特征,魯棒性較好,檢測(cè)率較高．

表 1 提出的算法與其他算法檢測(cè)率對(duì)比Table 1 Comparison of detection rate of the proposed algorithm and others %

3 結(jié) 論

(1) 根據(jù)紡織品中的織物缺陷分布存在稀疏性,提出了基于稀疏表示的印花織物疵點(diǎn)檢測(cè)．該方法根據(jù)組成缺陷圖像各形態(tài)成分之間的差異性對(duì)各成分進(jìn)行交替分離,不僅能夠很好地保留各形態(tài)的細(xì)節(jié)和特征;而且適用于多類(lèi)型織物,尤其是對(duì)復(fù)雜紋理織物具有較好的檢測(cè)效果．

(2) 利用觀測(cè)信號(hào)的形態(tài)多樣性,將稀疏與冗余表示應(yīng)用在織物疵點(diǎn)圖像處理中,解決了印花織物疵點(diǎn)檢測(cè)的難題.

(3) 選取能夠自適應(yīng)的二值分割方法以及能夠加速分解的閾值更新策略是以后進(jìn)一步研究的內(nèi)容．

參考文獻(xiàn)(References)：

[1] SERDAROGLU A,ERTUZUN A,ERCIL A.Defect detection in textile fabric images using wavelet transforms and independent component analysis[J].Pattern Recognition & Image Analysis,2006,16(1):61-64.

[2] 石美紅,龍世忠.基于自適應(yīng)小波的織物疵點(diǎn)自動(dòng)分割研究[J].紡織高?；A(chǔ)科學(xué)學(xué)報(bào)，2007，20(2):206-211.

SHI M H,LONG S Z.Research on the fabric defect detection based on an adaptive wavelet transform[J].Basic Sciences Journal of Textile Universities,2007,20(2):206-211.

[3] ZHOU J,SEMENOVICH D,SOWMYA A,et al,Sparse dictionary reconstruction for textile defect detection[C].International Conference on Machine Learning & Applications,Wasington:IEEE Computer Society,2013:21-26.

[4] ZHOU J,WANG J,Fabric defect detection using adaptive dictionaries[J].Textile Research Journal,2013,83(17):1846-1859.

[5] 葉鑒霆,朱秋平,范賜恩.基于稀疏編碼投影特征的布匹瑕疵檢測(cè)[J].科學(xué)技術(shù)與工程,2014,14(33):111-115.

YE J T,ZHU Q P,FAN C E.Fabric defect detection based on sparse projection features[J].Science Technology & Engineering,2014,14(33):111-115.

[6] 劉綏美,李鵬飛,張蕾,等.基于稀疏編碼字典學(xué)習(xí)的疵點(diǎn)檢測(cè)[J].西安工程大學(xué)學(xué)報(bào),2015,29(5):594-599.

LIU S M,LI P F,ZHANG L,et al.Defect detection based on sparse coding dictionary learning[J].Journal of Xi′an Polytechnic University,2015,29(5):594-599.

[7] JING J F,FAN X T,LI P F.Patterned fabric defect detection via convolutional matching pursuit dual-dictionary[J].Optical Engineering,2016,55(5):1-11.

[8] SINGH K,KAPOOR R.Image enhancement using exposure based sub image histogram equalization[J].Pattern Recognition Letters：2014,36(1)：10-14.

[9] OLSSON R K,HANSEN L K.Linear state-space models for blind source separation[J].Journal of Machine Learning Research,2006,7(4):2585-2602.

[10] ELAD M,STARCH J L,QUERRE P,et al.Simultaneous cartoon and texture image inpainting using morphological component analysis(MCA)[J].Applied & Computational Harmonic Analysis,2005,19(3):340-358.

[11] 瞿麗華.基于稀疏成分分析的圖像盲源分離研究[D].天津:天津職業(yè)技術(shù)師范大學(xué),2014:14-17.

QU L H.Study on underdetermined image blind source separation based on sparse component analysis[D].Tianjin:Tianjin University of Technology and Education,2014:14-17.

[12] ELAD M.Sparse and redundant representations:From theory to applications in signal and image processing[M].Springer Publishing Company,Incorporated,2010:250-260.

[13] SHI Q J,SUN H,LU S T,et al.Inexact block coordinate descent methods for symmetric nonnegative matrix factorization[J].IEEE Transactions on Signal Processing,2017,65(22):5995-6008.

[14] 付蓉，石美紅,陳惠娟.自適應(yīng)局部二值模式算法及其在織物疵點(diǎn)檢測(cè)中的應(yīng)用[J].紡織高?；A(chǔ)科學(xué)學(xué)報(bào)，2010，23(1):99-104.

FU R,SHI M H,CHEN H J.Adaptive local binary patterns and its application in fabric defect detection[J].Basic Sciences Journal of Textile Universities,2010，23(1):99-104.

[15] SINGH K,KAPOOR R.Image enhancement using exposure based sub image histogram equalization[J].Pattern Recognition Letters,2014,36(1)：10-14.

[16] NGAN H Y T,PANG G K H,YUNG N H C.Automated fabric defect detection:A review[J].Image & Vision Computing,2011,29(7):442-458.