杜 帥，李岳陽，王孟濤，羅海馳，蔣高明

(1.江南大學(xué) 教育部針織技術(shù)工程研究中心，江蘇 無錫 214222；2.江南大學(xué) 輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 無錫 214122)

織物疵點(diǎn)檢測對(duì)織物的質(zhì)量控制有著十分重要的作用。目前，工廠大都采用人工檢測，不僅浪費(fèi)人力財(cái)力，同時(shí)人眼視野范圍和精度具有局限性，往往存在誤檢或漏檢，對(duì)織物質(zhì)量造成影響。隨著機(jī)器視覺技術(shù)的不斷發(fā)展，疵點(diǎn)檢測技術(shù)也不斷成熟，不僅解決了人工檢測存在的問題，而且織物質(zhì)量能夠得到有效的把握，避免了不必要的損失。在實(shí)際生產(chǎn)中，織物的疵點(diǎn)檢測系統(tǒng)要求較高的實(shí)時(shí)性和準(zhǔn)確率，因此減小檢測過程中的誤差，增加檢測的準(zhǔn)確性能夠得到更好的檢測結(jié)果。

織物疵點(diǎn)初始形態(tài)一般較小，在檢測中可將織物的疵點(diǎn)類比為小目標(biāo)，從而對(duì)其進(jìn)行識(shí)別。疵點(diǎn)檢測有許多相關(guān)的研究，比如：基于傳統(tǒng)Gabor濾波器的方法[1]，這種方法可有效區(qū)分疵點(diǎn)區(qū)域和非疵點(diǎn)區(qū)域，但是需要調(diào)制多個(gè)濾波器，在實(shí)際運(yùn)用中會(huì)受到一定的限制?；诙S最小均方差(TDLMS)濾波器的方法[2]，對(duì)異常值比較敏感，通常會(huì)產(chǎn)生不滿意的結(jié)果，造成很高的誤檢率?；诟倪M(jìn)的最優(yōu)Gabor濾波器的方法[3-5]，由于邊緣的存在，會(huì)使檢測的目標(biāo)范圍變大。傳統(tǒng)的局部對(duì)比法(LCM)[6-8]在實(shí)際檢測中有很好的應(yīng)用，此方法是利用疵點(diǎn)目標(biāo)與其周圍鄰域灰度值的差異，將背景與目標(biāo)分離，從而檢測出疵點(diǎn)圖像，但是當(dāng)邊緣存在時(shí)，檢測效果會(huì)變差；為此，本文采用了一種基于邊緣保護(hù)的方法，以減少檢測過程中的誤差。

本文采用的基于改進(jìn)的局部自適應(yīng)對(duì)比法[9]是利用圖像區(qū)域之間的結(jié)構(gòu)特征，通過計(jì)算中心區(qū)域圖像與其周圍鄰域之間的相似度，找到與中心區(qū)域最相似的鄰域，利用最相似的鄰域來估計(jì)背景圖像，從而排除了邊緣的干擾，最后利用背景差分法[8]對(duì)圖像進(jìn)行差分，并經(jīng)過閾值處理，得到疵點(diǎn)檢測的結(jié)果。該方法可有效地避免邊緣對(duì)檢測結(jié)果的影響，提高檢測率，同時(shí)對(duì)開發(fā)織物疵點(diǎn)在線檢測系統(tǒng)提供了一定的參考價(jià)值。

1 基于改進(jìn)的自適應(yīng)局部對(duì)比法

本文采用的改進(jìn)的自適應(yīng)局部對(duì)比法，是由傳統(tǒng)的LCM改進(jìn)而來，傳統(tǒng)的LCM算法只是基于中心區(qū)域和周圍鄰域的比較，而此方法是通過找到與中心區(qū)域最相似的鄰域達(dá)到邊緣保護(hù)和背景估計(jì)的目的[9]，從而能夠有效地識(shí)別出疵點(diǎn)目標(biāo)。本文的方法包含以下幾個(gè)步驟。

1)對(duì)初始圖像進(jìn)行預(yù)處理。用同態(tài)濾波對(duì)圖像進(jìn)行預(yù)處理，可有效解決在實(shí)際檢測過程中受光照的影響而造成誤檢的問題[10-11]。

2)邊緣保護(hù)。利用中心區(qū)域圖像V0與周圍鄰域圖像Vi灰度值差的加權(quán)平方和，找出與中心圖像V0最相似的鄰域圖像。如果中心區(qū)域V0包含背景，此區(qū)域的圖像在周圍能夠找到與其最相似的小塊圖像，如果邊緣包含在中心區(qū)域圖像V0中，同樣也能夠找到與其最相似的鄰域圖像，而含有疵點(diǎn)的小塊圖像在周圍找不到與它相似度較高的鄰域圖像，從而可以有效地解決邊緣對(duì)檢測結(jié)果的影響，如圖1所示。在背景區(qū)域任取一區(qū)域bi，在其周圍相鄰的區(qū)域bi+1和bi-1總能找到具有高度相似性的區(qū)域。在疵點(diǎn)區(qū)域，任取一區(qū)域ai，則無法在其周圍找到任意與其高度相似的區(qū)域。

圖1 織物疵點(diǎn)圖像Fig.1 Fabric defect image

3)估計(jì)背景圖像。通過找到與中心區(qū)域最相似的鄰域圖像，估計(jì)中心區(qū)域中心點(diǎn)的像素值，利用這一方法可得到估計(jì)的背景圖像。

4)背景差分。根據(jù)背景差分原理，用原圖像減去估計(jì)出的背景圖像的像素值，最終可以得到所要檢測的小目標(biāo)的圖像。

5)閾值處理。根據(jù)差分的效果，設(shè)置自適應(yīng)閾值，提高其檢測的識(shí)別率及檢測效果。

2 圖像預(yù)處理

在圖像采集過程中，受到光照及其他因素的影響，會(huì)造成采集到的圖像質(zhì)量差，對(duì)檢測結(jié)果造成影響，因此需要對(duì)采集到的圖像進(jìn)行預(yù)處理。

同態(tài)濾波是一種在頻域中進(jìn)行的圖像對(duì)比增強(qiáng)和壓縮圖像亮度范圍的特殊方法，它能夠減少低頻增加高頻，從而減少光照變化并銳化邊緣細(xì)節(jié)。在實(shí)際生產(chǎn)中，受到光照的影響會(huì)使圖像變得模糊不清，疵點(diǎn)部分難以辨認(rèn)。同態(tài)濾波可對(duì)圖像灰度范圍進(jìn)行調(diào)整，通過消除圖像上照明不均的問題，增強(qiáng)暗區(qū)的圖像細(xì)節(jié)，同時(shí)又不損失亮區(qū)的圖像細(xì)節(jié)[11-13]。

利用同態(tài)濾波對(duì)圖像進(jìn)行預(yù)處理，首先將原圖像函數(shù)I(x,y)看作為光照函數(shù)，其可以表達(dá)為照射分量i(x,y)與反射分量r(x,y)的乘積，即原圖像的函數(shù)表達(dá)為

I(x,y)=i(x,y)r(x,y)

(1)

進(jìn)行同態(tài)濾波，將原圖像函數(shù)的乘法運(yùn)算化簡為加法運(yùn)算，即對(duì)原始圖像函數(shù)作對(duì)數(shù)運(yùn)算：

Z(x,y)=lni(x,y)+lnr(x,y)

(2)

為將圖像轉(zhuǎn)換到頻域，需要對(duì)上述對(duì)數(shù)運(yùn)算后的函數(shù)做傅里葉變換：

F(Z(x,y))=F(lni(x,y))+F(lnr(x,y))

(3)

然后選擇一個(gè)合適的傳遞函數(shù)H(u,v)，通過壓縮照射分量i(x,y)的變化范圍，削弱I(u,v)增強(qiáng)反射分量，提升R(u,v)增強(qiáng)高頻分量，確定一個(gè)合適的H(u,v)，假設(shè)用一個(gè)同態(tài)濾波器函數(shù)H(u,v)來處理原圖像I(x,y)的對(duì)數(shù)的傅里葉變換得：

S(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v)

(4)

逆變到空域得：

s(x,y)=F-1(S(u,v))

(5)

再取指數(shù)即得到最終結(jié)果：

f′(x,y)=exp(s(x,y))

(6)

經(jīng)過同態(tài)濾波前后的圖像如圖2所示。

圖2 同態(tài)濾波前后圖像對(duì)比Fig.2 Comparison between original image and homomorphic filtering image.(a)Original image;(b)Homomorphic filtering image

同態(tài)濾波前后對(duì)比，突出了疵點(diǎn)圖像，抑制了背景圖像，消除光照的影響，具有很好的處理效果。

3 疵點(diǎn)檢測算法

3.1 基于最相似鄰域圖像的邊緣保護(hù)

一幅含有疵點(diǎn)的灰度圖像中可分為：背景、疵點(diǎn)、疵點(diǎn)與背景的過渡邊緣[9]。為消除邊緣的影響，本文采用了邊緣保護(hù)的方法。以原圖像中的每個(gè)像素點(diǎn)為中心點(diǎn)，以其周圍一定范圍內(nèi)的區(qū)域?yàn)橹行膮^(qū)域，在中心區(qū)域周圍與其大小相同的區(qū)域?yàn)橄噜弲^(qū)域，同時(shí)在中心區(qū)域周圍設(shè)置保護(hù)區(qū)域，避免邊緣對(duì)檢測結(jié)果的影響。圖3示出檢測算法原理。以(x0,y0)為中心區(qū)域的中心點(diǎn)，v和v′為中心區(qū)域邊界距離中心點(diǎn)的像素值，V0表示中心區(qū)域，則它的大小為(2v+1)×(2v′+1)，在其周圍有n個(gè)相同大小的區(qū)域Vk(k=1,2,…,n)，E0表示保護(hù)區(qū)域，設(shè)寬度為m，則E0區(qū)域大小為(2v+1+2m)×(2v′+1+2m)，但E0保護(hù)區(qū)域的范圍不包括V0區(qū)域(即CE0V0)，若取v=2，v′=3，m=2，則圖中中心區(qū)域V0及其鄰域窗口大小為5×7，保護(hù)區(qū)域E0的大小9×11(實(shí)際窗口大小根據(jù)實(shí)驗(yàn)所采用圖像疵點(diǎn)大小來調(diào)整)。

圖3 檢測算法原理Fig.3 Principle of detection algorithm

設(shè)(x0,y0)、(x,y)分別表示中心區(qū)域和周圍鄰域的中心坐標(biāo)點(diǎn)，用I(x0,y0)、I(x,y)表示其灰度值，則中心區(qū)域與周圍第k個(gè)鄰域間的灰度值比較的表達(dá)式為

(7)

因此可以得到中心區(qū)域與周圍第k個(gè)鄰域間的相似度為

(8)

式中：Sk范圍為[0,1]：當(dāng)值為0時(shí)，表示中心區(qū)域的所有元素和其周圍鄰域內(nèi)的元素均不相同，不具有相似性；當(dāng)值為1時(shí)，表示中心區(qū)域的所有元素和其周圍鄰域內(nèi)的元素相同，具有很高的相似度[8]。

因此，若中心區(qū)域內(nèi)含有疵點(diǎn)，那么在其周圍鄰域中找不到任何一個(gè)鄰域與其具有較高的相似度；若中心區(qū)域包含有邊緣區(qū)域或背景區(qū)域，那么在其周圍鄰域中能夠找到與其相似度較高的鄰域，從而達(dá)到邊緣保護(hù)的效果。

3.2 背景估計(jì)

為獲得完整的背景圖像，利用中心區(qū)域與周圍鄰域的圖像的相似性，找到與中心區(qū)域最相似的鄰域Vi，用最相似鄰域的灰度梯度加權(quán)值來評(píng)估中心區(qū)域中心點(diǎn)的灰度值。

可以求出最相似的鄰域Vs為

Vs=Vi

(9)

式中:i表示第i個(gè)鄰域圖像與中心區(qū)域具有最高的相似度;Vi表示第i塊鄰域圖像。

如果中心區(qū)域V0與其周圍鄰域Vs具有很高的相似度，那么I(x0,y0)與I(xs,ys)的灰度值相差不大，可以利用梯度倒數(shù)加權(quán)值[9,13]來評(píng)估中心區(qū)域的中心點(diǎn)像素值：

(10)

(11)

3.3 背景差分法

由3.2中基于最似鄰域?qū)χ行膮^(qū)域的評(píng)估，背景圖像的估計(jì)值與原始值相差不大，而疵點(diǎn)區(qū)域的圖像估計(jì)出的像素值與原值差別很大，因此利用原始圖像的灰度值與估計(jì)出的灰度值做背景差分，利用此方法可找出疵點(diǎn)區(qū)域。

FT(x,y)=F(x,y)-FB(x,y)

(12)

式中：F(x,y)表示原始圖像；FB(x,y)表示評(píng)估后的背景圖像；FT(x,y)表示疵點(diǎn)圖像。

3.4 閾值處理

閾值分割[12]通過設(shè)置自適應(yīng)閾值消除差分過程中殘留的噪聲點(diǎn)及類目標(biāo)點(diǎn)，通過設(shè)置閾值，使圖像中的灰度值為0或1。

(13)

式中：BW(x,y)為二值圖像；T為閾值。

然后利用形態(tài)學(xué)運(yùn)算，對(duì)得到的二值圖像進(jìn)行腐蝕，去除二值圖像中的弱小噪聲點(diǎn)，最終可獲得檢測結(jié)果。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 文中算法在復(fù)雜背景下的疵點(diǎn)檢測

為檢驗(yàn)本文采用算法的效果，利用復(fù)雜背景下的織物疵點(diǎn)圖像進(jìn)行檢測，檢測結(jié)果見圖4。其中實(shí)驗(yàn)圖片采用大小為512像素×512像素的織物圖像，實(shí)驗(yàn)均在MatLab2014a環(huán)境下進(jìn)行。

圖4 復(fù)雜背景下的織物疵點(diǎn)檢測結(jié)果Fig.4 Fabric defect detection results in complex background.(a) Clip mark;(b) Detection results in clip mark;(c) Fluff; (d) Detection results in fluff; (e) Filling b; (f) Detection results in Filling b

圖4(a)示出針織物破洞，破洞范圍較大，選取窗口大小為11像素×39像素，檢測結(jié)果如圖4(b)，檢測疵點(diǎn)圖像清晰，效果較好。圖4(c)示出機(jī)織平紋織物，其疵點(diǎn)圖像與背景圖像具有很大的相似性，一般算法檢測此類型圖像時(shí)，會(huì)造成高的虛警率和漏檢率，即在無疵點(diǎn)的情況下檢測出疵點(diǎn)或存在疵點(diǎn)卻檢測不到的情況，而本文算法在復(fù)雜的情況下仍然清晰的檢測到織物疵點(diǎn)的存在，如圖4(d)，說明本文算法的可行性。圖4(e)示出機(jī)織斜紋織物，產(chǎn)生緯向條痕較長，本文算法同樣可以清楚地檢測到疵點(diǎn)的存在。利用不同類型的復(fù)雜背景下織物疵點(diǎn)圖像對(duì)本文算法進(jìn)行驗(yàn)證，證明了算法的準(zhǔn)確性、可行性及較強(qiáng)的適應(yīng)性。

4.2 文中算法與傳統(tǒng)算法比較

通過與傳統(tǒng)算法比較進(jìn)一步驗(yàn)證文中所用算法的合理性。文獻(xiàn)[1]中采用了Gabor濾波的方法，利用多通道濾波對(duì)織物圖像檢測。文獻(xiàn)[5]中采用了改進(jìn)差值最優(yōu)的Gabor濾波方法，用優(yōu)化后的Gabor濾波替代單一的濾波組對(duì)織物圖像檢測。利用本文算法與文獻(xiàn)[1]、文獻(xiàn)[5]中的方法作比較，實(shí)驗(yàn)結(jié)果見圖5。其中實(shí)驗(yàn)所用圖片大小均為512×512像素，實(shí)驗(yàn)均在MatLab2014a環(huán)境下進(jìn)行。

圖5 幾種檢測方法的結(jié)果對(duì)比Fig.5 Compared detection results for several defect detection methods.(a)External fiber; (b) Result of (a) by using method of document[1]; (c) Result of (a) by using method of document[5]; (d)Result of (a);(e)Coarse pick; (f) Result of (e) by using method of document[1]; (g) Result of (e) by using method of document[5]; (h)Result of (e);(i)Filling floats; (j) Result of (i) by using method of document[1]; (k) Result of (i) by using method of document[5]; (l)Result of (i)

在上述實(shí)驗(yàn)中，利用文獻(xiàn)[1]和文獻(xiàn)[5]中的方法分別對(duì)幾種不同類型的疵點(diǎn)進(jìn)行了檢測，其結(jié)果見圖5(b)、(f)、(j)與圖5(c)、(g)、(k)。通過對(duì)比發(fā)現(xiàn)，文獻(xiàn)[5]的檢測結(jié)果比文獻(xiàn)[1]的檢測結(jié)果清晰、明顯，說明改進(jìn)差值最優(yōu)的Gabor濾波法相比傳統(tǒng)的Gabor濾波法具有很好的檢測結(jié)果，同時(shí)利用本文所采用的方法進(jìn)行檢測，同樣能有效地檢測到織物的疵點(diǎn)，從圖5(d)、(h)、(l)中可看出，本文所采用的方法較文獻(xiàn)[1]和[5]的方法效果更準(zhǔn)確、清晰，證明了本文采用的算法的合理性及有效性。

4.3 實(shí)驗(yàn)驗(yàn)證

為進(jìn)一步驗(yàn)證本文方法的合理性，進(jìn)行工廠實(shí)驗(yàn)驗(yàn)證。在KS4 EL型高速經(jīng)編機(jī)上，利用線陣CCD相機(jī)，對(duì)不同組織下的經(jīng)編織物進(jìn)行采集，一共采集100張分辨率大小為2 568像素×40像素的灰度圖像，其中有42張為無疵點(diǎn)圖像，58張含有疵點(diǎn)圖像。利用采集到的圖片進(jìn)行離線測試，實(shí)驗(yàn)結(jié)果見圖6～8。

本文實(shí)驗(yàn)采用中心區(qū)域大小為11像素×39像素的實(shí)驗(yàn)窗口，實(shí)驗(yàn)均在MatLab2014a環(huán)境下進(jìn)行，其中圖6中z2、組織的墊紗數(shù)碼：GB3: 1-0/0-1∥ GB4: 1-2/1-0∥，圖7中z2組織墊紗數(shù)碼：GB3: 1-0/1-2∥ GB4: 1-2/1-0∥，圖8中z3組織的墊紗數(shù)碼：GB3: 1-0/3-4∥ GB4∶1-3/1-0∥送經(jīng)量均為 1 200 mm/臘克，牽拉密度均為20 橫列/厘米。

左側(cè)斷紗疵點(diǎn)圖像有向右側(cè)傾斜的趨勢，中間斷紗疵點(diǎn)圖像為豎條，右側(cè)斷紗為向左傾斜。從左側(cè)斷紗圖中可以看出，開始發(fā)生斷紗時(shí)，疵點(diǎn)圖像并不是很明顯，圖像比較小，但是檢測結(jié)果表明本文的算法能夠清楚的識(shí)別出疵點(diǎn)的存在，有效避免產(chǎn)生過長疵點(diǎn)。圖6中z1組織的墊紗數(shù)碼為GB3: 1-0/0-1∥, GB4: 1-2/1-0∥;其疵點(diǎn)圖像相比圖7中z2組織的疵點(diǎn)范圍大，因?yàn)榻M織不同斷紗后所產(chǎn)生的疵點(diǎn)范圍也是不同的，從圖6、7中可以看出，均具有很好的檢測效果，說明了本文采用的算法可適應(yīng)不同組織的疵點(diǎn)檢測，具有一定的適用性。圖8中圖像在采集時(shí)受到光照的影響，與圖6、7相比比較模糊，但從圖8的檢測結(jié)果看，本文采用的算法仍然具有很好的檢測結(jié)果，說明了此算法能適應(yīng)在外界因素影響下的疵點(diǎn)檢測，具有一定的抗干擾性。

圖6 z1組織疵點(diǎn)檢測結(jié)果Fig.6 z1 weave defect detection results.(a) Yarn was broken in left;(b) Detection results of (a);(c) Yarn was broken in middle;(d) Detection results of (c);(e) Yarn was broken in right;(f) Detection results of (e)

圖7 z2組織疵點(diǎn)檢測結(jié)果Fig.7 z2 weave defect detection results.(a) Yarn was broken in left;(b) Detection results of (a);(c) Yarn was broken in middle;(d) Detection results of (c);(e) Yarn was broken in right; (f) Detection results of (e)

圖8 z3組織疵點(diǎn)檢測結(jié)果Fig.8 z3 weave defect detection results.(a) The yarn was broken in left;(b) Detection results of (a);(c) The yarn was broken in middle;(d) Detection results of (c);(e) The yarn was broken in right;(f) Detection results of (e)

對(duì)100張圖片的工廠測試實(shí)驗(yàn)計(jì)結(jié)果如表1所示。

表1 疵點(diǎn)檢測統(tǒng)計(jì)結(jié)果Tab.1 Statistics for defect detection results

由表1可知，本文所采用的方法具有較高的檢測率，檢測準(zhǔn)確率達(dá)到了98%。工廠實(shí)驗(yàn)結(jié)果表明，本文所采用的算法具有較高的適應(yīng)性及檢測率。

5 結(jié) 論

本文為提高疵點(diǎn)檢測算法的檢測準(zhǔn)確率，采用了一種改進(jìn)的局部自適應(yīng)對(duì)比法，此方法利用中心區(qū)域與周圍鄰域的相似性，通過邊緣保護(hù)背景估計(jì)并經(jīng)過閾值處理最終對(duì)織物圖像進(jìn)行檢測。

在背景估計(jì)的過程中，通過設(shè)置保護(hù)區(qū)域，解決了背景與疵點(diǎn)邊緣區(qū)域?qū)z測結(jié)果的影響，提高了檢測的準(zhǔn)確性。在實(shí)驗(yàn)的過程中，通過對(duì)不同種類型的織物疵點(diǎn)進(jìn)行檢測，證明了算法的可行性；利用與傳統(tǒng)織物疵點(diǎn)方法進(jìn)行對(duì)比，驗(yàn)證了算法的準(zhǔn)確性；對(duì)環(huán)境因素影響下的不同組織產(chǎn)生的織物疵點(diǎn)圖像進(jìn)行檢測，驗(yàn)證了文中算法的抗干擾性及普適性。實(shí)驗(yàn)結(jié)果也表明，本文采用的算法具有很好的檢測效果，檢測準(zhǔn)確率達(dá)到了98%，具有較高的檢出率、廣泛的適應(yīng)性及抗干擾性。

FZXB