黃乾瑋， 張團善， 周 玲， 湯 鋒， 李樂樂

(1.西安工程大學 機電工程學院， 陜西 西安 710048；2.紹興市柯橋區(qū)西紡紡織產(chǎn)業(yè)創(chuàng)新研究院， 浙江 紹興 312030)

數(shù)碼印花憑借其工序簡單、成本低、色彩種類多及品質(zhì)高等優(yōu)勢，在紡織品印花市場中占有越來越大的比重。但在實際生產(chǎn)過程中，由于噴頭堵塞、電機偏差原因，會在印花布匹上產(chǎn)生平行、細長的線狀PASS道缺陷，嚴重影響印花布匹的品質(zhì)和價值。由于花型圖案的多樣性，導致印花織物表面缺陷檢測困難，目前主要采取人工檢測方式保證布匹質(zhì)量，但其效率易受視覺疲勞、員工情緒等影響。

為提高產(chǎn)品質(zhì)量，研究者們嘗試采用圖像處理技術檢測印花織物缺陷。陳寧等[1]提出基于Hough變換與互相關系數(shù)結(jié)合的數(shù)碼印花飛線自動檢測系統(tǒng)，通過Hough變換提取直線特征信息，再利用互相關系數(shù)定位直線位置;但其實質(zhì)基于理想模板匹配條件，實際場景中難以精準匹配。張團善等[2]通過構(gòu)建基矩陣并計算差異矩陣,對比疵點因子得到其缺陷二值圖像，但此方法僅適用純色的防羽布，對花型復雜的印花織物檢測效果不佳。李敏等[3]提出一種基于改進高斯混合模型的疵檢測方法，該方法對印花織物分塊處理并根據(jù)像素塊的均值來建立高斯混合模型，最后基于圖像塊檢測疵點；不足之處在于該方法更適用于塊狀花型，因此存在局限性。劉綏美等[4]對無缺陷印花織物與有缺陷印花織物分別訓練水平與垂直方向的字典，得到其對應投影特征；最后利用結(jié)構(gòu)相似性比較水平與垂直特征從而分割異常區(qū)域，但該算法速度較慢且同樣不適用于復雜花型。

課題組針對PASS道缺陷的特點，設計了一套基于彩色圖像處理與EDLines的數(shù)碼印花缺陷檢測系統(tǒng)。通過實驗發(fā)現(xiàn)該系統(tǒng)穩(wěn)定且能滿足數(shù)碼印花織物缺陷檢測需求。

1 檢測系統(tǒng)硬件構(gòu)成

數(shù)碼印花缺陷檢測系統(tǒng)主要由CCD傳感器相機、鏡頭、圖像采集卡、光源和傳送帶等組成。相機選用選用邁德威視公司的產(chǎn)品MV-GED500C-T，分辨率和幀率為(2 448×2 048) dpi，9幀/s，以太網(wǎng)接口，滿足實驗和實際生產(chǎn)的需要；鏡頭選擇邁德威視公司的MV-LD-25-5M-K工業(yè)鏡頭，其焦距為(0

圖1 視覺檢測平臺Figure 1 Visual detection platform

系統(tǒng)具體流程：①電機驅(qū)動傳送帶運輸印花布，傳送帶的速度可由編碼器反饋給電機進行調(diào)節(jié)，當布匹到達圖像采集區(qū)域時傳送帶停止運動；②步進電機驅(qū)動雙軸滾珠絲桿直線導軌模組沿x軸方向移動，帶動相機采集圖像，圖像采集卡將采集到的圖像傳入PC端；③圖像經(jīng)PC端處理實現(xiàn)缺陷檢測和定位。

2 印花織物缺陷檢測算法

缺陷樣本如圖2所示，其中平行、細長突變窄道為PASS道缺陷即感興趣區(qū)域。但圖像中存在復雜花型及背景干擾，且PASS道相對背景不顯著。針對復雜花型背景下缺陷檢測，提出基于彩色圖像處理與EDLines的數(shù)碼印花缺陷檢測算法。算法流程圖如圖3所示，對CCD相機采集到的織物圖像進行彩色補償處理，然后變換HSI空間進行圖像處理，分別在3通道采用自定義線型濾波增強感興趣區(qū)域并采用EDLines算法實現(xiàn)缺陷配準，最后將3通道缺陷匹配結(jié)果進行區(qū)域融合和形態(tài)學處理，根據(jù)水平投影實現(xiàn)PASS道缺陷定位。

圖2 缺陷圖Figure 2 Defect figure

圖3 算法流程Figure 3 Algorithm process

2.1 彩色補償

課題組將采集的圖像分為3部分：感興趣區(qū)域(PASS道缺陷)，主要背景(較明花案)和次要背景(較暗花案)。印花織物圖像由于光照和印花染料之間的交融影響，導致缺陷區(qū)域與相鄰花型背景區(qū)域?qū)Ρ榷容^弱，產(chǎn)生顏色擴散現(xiàn)象。為保持它們之間的正確空間關系，采用補償3通道顏色分量的方法，實現(xiàn)缺陷區(qū)域與相鄰花型背景區(qū)域的分離并弱化次要背景。

根據(jù)采集圖像建立線性變換，用矩陣C定義顏色在3個通道中的擴散情況;每個元素Cij表示數(shù)字圖像彩色通道i中像素點j所占的亮度的比例。令x為3×1的向量,它代表理想灰度級向量,得到：

y=Cx+e。

(1)

式中e為黑度偏移量。

通過變換得到：

x=C-1[y-e]。

(2)

首先依據(jù)主觀視覺提取3點U1，U2和U3,分別對應于純紅、純綠和純藍；各點的3通道數(shù)值分別為(R1、G1、B1)、 (R2、G2、B2)和(R3、G3、B3)。其次依據(jù)式(3)加權灰度值計算缺陷圖像RGB的3通道分量。其中a，b和c為權值，影響整體顏色布局。最后構(gòu)建顏色擴散矩陣C,C的逆矩陣即為顏色補償矩陣。根據(jù)印花的花案主色占比，經(jīng)過多次實驗后權值a,b和c依次取0.1，0.5和0.4。最后將顏色補償矩陣代回式(2)。

(3)

由圖4可觀察到彩色補償后，感興趣區(qū)域與主要背景的亮度與飽和度整體增強，次要背景相對弱化。

圖4 顏色補償Figure 4 Color compensation

2.2 HSI色彩空間

RGB空間通過3基色疊加調(diào)制多樣顏色，3分量之間存在較強相關性且RGB顏色空間是高度線性相關的非均勻顏色空間，不適用于基于3個分量獨立運算的圖像分割[5]。加之印花織物自身花案的復雜性及光照影響加大了缺陷分割難度，但可以由RGB空間轉(zhuǎn)化其他彩色空間對缺陷圖像進行處理。其中HSI空間是從色調(diào)、飽和度和亮度3方面描述圖像，比較直觀且符合人的視覺特性。為圖像處理的目的，有必要在RGB和HSI的2種空間進行轉(zhuǎn)化。依據(jù)式(4)轉(zhuǎn)化公式，對彩色補償后的圖像變換HSI格式，得到3通道圖像，如圖5所示。

圖5 HSI空間轉(zhuǎn)換Figure 5 HSI space conversion

(4)

2.3 自定義線性濾波

盡管顏色補償后次要背景大致去除，HSI通道轉(zhuǎn)換后主要背景的復雜花案得到弱化，但花案仍影響后續(xù)缺陷分割，所以需對采集到的圖像進行預處理，主要采用自定義線性濾波。筆者設計5×5矩形掩碼，分別對3通道H，S和I進行卷積，消除花案干擾并增強PASS道缺陷特征。

自定義矩形掩碼為：

經(jīng)過線性濾波處理(圖6所示)，削弱了花案主要背景的干擾，圖像整體平滑。待分割的缺陷呈現(xiàn)直線段特征，因此后續(xù)可在圖像中匹配直線段以檢測PASS道缺陷。

圖6 線性濾波Figure 6 Linear filtering

2.4 EDLines算法

通過線性濾波，將PASS道缺陷分割轉(zhuǎn)化為缺陷匹配，因此如何在印花織物圖中快速精準檢測出直線狀缺陷是課題組要解決的關鍵問題。直線檢測最經(jīng)典的算法是基于Hough變換方法，它具有強魯棒性，但是需要較大的計算空間和計算量， 提取的參數(shù)受參數(shù)空間的量化間隔制約，易產(chǎn)生錯誤檢測[6]。因此課題組采用更準確且具有錯誤檢測控制的實時線段檢測器EDLines。

基于EDLines的缺陷匹配流程可分為3步驟:①將給定缺陷圖像灰度二值化，通過邊緣繪制(ED)算法產(chǎn)生一系列干凈、連續(xù)的像素鏈即連續(xù)邊緣片段，像素鏈直觀描述缺陷相樣本邊緣信息；②通過最小二乘線擬合法提取缺陷樣本中像素鏈；③基于亥姆霍茲原理驗證線狀缺陷，消除錯誤的線段檢測。

2.4.1 相關參數(shù)

1) 邊緣的繪制需計算像素(x,y)梯度大小和水平線角度A

(5)

式中：S(x,y)是像素(x,y)處輸入圖像的強度，g是梯度大小，A是水平線角度。

2) 錨點閾值與掃描間隔。錨點即邊緣元素，錨點對應于梯度算子產(chǎn)生最大值的像素，即梯度圖的峰值。將錨點連接形成像素鏈，EDLines通過非最大抑制執(zhí)行錨計算，若像素處的梯度值大于或等于該像素在梯度方向上的2個相鄰像素，則非最大抑制將該像素視為邊緣候選，而如果該像素的梯度值大于該像素在梯度方向上的2個相鄰像素一定量的錨閾值，則ED將該像素視為錨。設置錨點閾值可篩選高質(zhì)量的錨點，從而產(chǎn)生高質(zhì)量的邊段。掃描間隔表示隔行、列進行掃描，結(jié)合錨點閾值提煉線段。

3) 線擬合參數(shù)。在直線擬合步驟開始時依據(jù)最小線長度公式計算最小線段長度:

(6)

式中：n為最小線長度；p為2像素點對齊的概率，依據(jù)先驗知識取0.125；N為擬假設線段長度。

課題組取H通道預處理圖像，最小線段長度作為閾值依次遞增篩選PASS道缺陷，圖7中3個圖對應不同閾值篩選結(jié)果。S和I通道直線匹配結(jié)果如圖8所示。

圖7 H通道閾值Figure 7 H channel threshold

圖8 剩余通道匹配結(jié)果Figure 8 Remaining channel matching results

2.5 區(qū)域融合

為獲取最佳缺陷信息，故將3通道缺陷信息區(qū)域融合。背景為0標記為黑色，缺陷為1標記為白色，將圖像二值化后進行數(shù)學運算。最后形態(tài)學操作，細化感興趣區(qū)域，運算處理使用單元結(jié)構(gòu)為5×5的結(jié)構(gòu)矩陣。

圖9 區(qū)域融合Figure 9 Regional integration

2.6 缺陷定位

為定位缺陷，將形態(tài)學處理后的印花織物缺陷圖在水平方向投影，如圖10所示。x軸對應圖像寬度，y軸為每行的非零像素值的個數(shù)，缺陷像素標記為1。水平投影直觀地顯示了缺陷位置信息，可通過峰值點的橫坐標定位PASS道缺陷[7]。

圖10 缺陷定位Figure 10 Defect location

3 實驗結(jié)果與分析

實驗環(huán)境：處理器為Intel(R) Core(TM)i7-9750H CPU@2.60 GHz 2.59 GHz，內(nèi)存為16 GiB，軟件開發(fā)工具為64位Windows10，Python3.7、OpenCV4.2.0。課題組統(tǒng)一缺陷樣本，分別比較Hough變換直線檢測算法與EDLines算法，并將檢測缺陷梯度映射于原圖。如圖11所示，基于Hough變化檢測是將檢測直線的問題轉(zhuǎn)化為參數(shù)空間中對點的檢測問題，但受參數(shù)空間限制，實際檢測到的線段必須依次對應于峰值，因此易造成缺陷的遺漏，僅檢測出部分缺陷。而基于EDLines算法是對應錨點，依據(jù)梯度構(gòu)成像素鏈，對全圖邊緣檢測并設置閾值篩選缺陷區(qū)域，檢測效果較佳。

圖11 比較結(jié)果Figure 11 Comparison results

為進一步體現(xiàn)本系統(tǒng)檢測算法的有效性，選取150張不同印花織物缺陷圖片為樣本，用此算法和文獻[1]中算法進行，比較結(jié)果如表1所示。

表1 算法比較結(jié)果Table 1 Algorithm comparison results

從表1中可見本系統(tǒng)檢測算法較于文獻[1]算法漏檢率低，檢測精度高達96.67%，比文獻[1]算法高出11.34%，平均用時短70.18 ms。漏檢5張主要是因為EDLines檢測過程中，錨點閾值不確定性導致像素鏈產(chǎn)生間斷，影響較短線狀缺陷的匹配，從而較短線狀缺陷被漏檢。實驗結(jié)果表明本文算法滿足實際生產(chǎn)檢測要求。

4 結(jié)論

課題組針對數(shù)碼印花生產(chǎn)過程中產(chǎn)生的PASS道缺陷問題，設計一套基于彩色圖像處理與EDLines的數(shù)碼印花缺陷檢測系統(tǒng)，并搭建了實驗系統(tǒng)。介紹了系統(tǒng)硬件構(gòu)成與系統(tǒng)檢測算法，通過算法間的對比驗證，表明新系統(tǒng)的識別正確率為96.67%，基本滿足實際工業(yè)質(zhì)量檢測要求。后續(xù)將進一步研究錨點閾值的自適應調(diào)整，提高系統(tǒng)的檢測率。