黃 露， 夏軍勇， 吳慶華， 鐘 飛

(湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院， 湖北 武漢 430068)

編織袋的生產(chǎn)已逐步實(shí)現(xiàn)自動(dòng)化，但編織袋缺陷檢測仍以人工肉眼檢測為主，是制約編織袋生產(chǎn)效率和質(zhì)量提高的主要瓶頸之一。人工缺陷檢測方式受主觀因素影響大，效率低、漏檢率高[1]，研發(fā)編織袋缺陷自動(dòng)檢測技術(shù)和裝備具有重要意義。編織袋是一種由單一顏色塑料絲制成的織品，紋理特征與其他織物類似，因此編織袋缺陷檢測的方法可參照其他織物。近年來，針對織品的在線缺陷檢測，學(xué)者們進(jìn)行了大量研究并提出了不少新穎和實(shí)用的方法。張緩緩等[2]提出一種基于改進(jìn)的加權(quán)中值濾波與K-means聚類相結(jié)合的紋理織物疵點(diǎn)檢測方法。李小寧等[3]提出一種結(jié)合自適應(yīng)中值濾波和灰度-梯度共生矩陣的織物質(zhì)量檢測方法。董蓉等[4]提出一種基于最優(yōu)參數(shù)非線性灰度共生矩陣的織物瑕疵自動(dòng)檢測算法。趙樹志等[5]提出一種基于改進(jìn)判別性完整局部二值模式與格分割的織物瑕疵檢測方法。鑒于上述情況，并根據(jù)編織袋缺陷圖噪聲大、灰度不明顯的特點(diǎn)，課題組提出一種基于改進(jìn)遺傳算法與二維最大熵[6]的編織袋缺陷快速檢測方法，以提高對噪聲的魯棒性和缺陷分割精度，能夠高效地檢測編織袋缺陷。

1 編織袋缺陷檢測方法

二維最大熵法同時(shí)統(tǒng)計(jì)像素自身和鄰域灰度信息，相比一般閾值法，其抗噪性更強(qiáng)，分割編織袋缺陷圖的效果更好。二維最大熵法的本質(zhì)是搜索圖像灰度直方圖最大熵對應(yīng)的閾值，而遺傳算法能極大地縮短閾值搜索時(shí)間，將兩者結(jié)合起來，就能對編織袋缺陷圖進(jìn)行快速、精準(zhǔn)地分割。接著對分割出的缺陷進(jìn)行連通域標(biāo)記[7]，提取缺陷質(zhì)心、面積等幾何參數(shù)，逐一將缺陷檢測出來。

1.1 二維最大熵法

設(shè)編織袋缺陷圖的大小為A×B，灰度變化范圍為E∈{0,1,…,k-1}，任意像素點(diǎn)(i,j)的灰度值為m，原圖平滑處理后，平滑圖像素點(diǎn)(i,j)的灰度值為n。Q表示灰度值為m且平滑灰度值為n的像素點(diǎn)個(gè)數(shù)，Pm,n表示缺陷圖中灰度二元組(m,n)出現(xiàn)的概率，則Pm,n可由下式導(dǎo)出：

(1)

如圖1所示，選取閾值(s,t)，將Hist(m,n)分成4部分，區(qū)域R1,R2,R3和R4分別表示目標(biāo)、背景、邊界和噪聲。則灰度二元組(m,n)出現(xiàn)在目標(biāo)R1與背景R2區(qū)域的概率P1和P2分別為：

圖1 灰度直方圖投影Figure 1 Grayscale histogram projection map

(2)

(3)

R1與R2區(qū)域?qū)?yīng)的熵H1和H2分別為：

(4)

(5)

邊界R3和噪聲R4占缺陷圖像素的比例極小，因此邊界與噪聲的熵接近于零。則缺陷圖的二維熵函數(shù)H(s,t)可定義為：

H(s,t)=H1+H2。

(6)

當(dāng)熵函數(shù)值最大時(shí)，對應(yīng)的最優(yōu)閾值(s*,t*)為：

(s*,t*)=arc {max (H(s,t))}。

(7)

式中arc{}為反求函數(shù)。

1.2 結(jié)合改進(jìn)遺傳算法的二維最大熵法

遺傳算法是一種基于自然選擇和群體遺傳機(jī)理的搜索算法。一般遺傳算法在二維灰度空間搜索最佳閾值時(shí)，存在早熟、收斂性弱等缺點(diǎn)，通過對選擇、交叉和變異等遺傳算子進(jìn)行參數(shù)優(yōu)化，可減少算法的搜索時(shí)間，增強(qiáng)算法的收斂性。遺傳算法改進(jìn)如下：

1) 種群初始化。種群隨機(jī)產(chǎn)生，種群數(shù)為20，最大搜索代數(shù)為100。

2) 編碼。采用16位二進(jìn)制編碼，前8位為缺陷圖的閾值，后8位為平滑圖的閾值。

3) 適應(yīng)度函數(shù)。選取式(6)作為適應(yīng)度函數(shù)。

4) 優(yōu)化選擇。計(jì)算種群個(gè)體的適應(yīng)度，將群體中15%適應(yīng)度最高的個(gè)體作為子代直接保留，剩下的個(gè)體逐一通過輪盤賭法選出。

5) 優(yōu)化交叉。交叉概率Pt取值大時(shí)，算法后期對最優(yōu)個(gè)體的破壞性增強(qiáng)；反之，算法前期個(gè)體的更新速度慢，易陷入局部最優(yōu)解。為確保算法前期有較強(qiáng)的全局搜索能力，而后期最優(yōu)模式能得到保留，則閾值搜索前期取Pt=0.9，后期取Pt=0.6。

6) 優(yōu)化變異。變異概率Pd采用分段函數(shù)的取值模式，隨變異過程進(jìn)行自適應(yīng)變化。Pd分段取值為：

(8)

式中G為搜索代數(shù)，G∈[1,100]。

如圖2所示，變異進(jìn)程分為3個(gè)階段，算法前期Pd取0.02，確保最優(yōu)個(gè)體不被破壞；中期Pd最大取0.1，提高個(gè)體的更新速度，擴(kuò)大算法的搜索空間；后期Pd取0.02，加快算法收斂進(jìn)程。為確保搜索過程平穩(wěn)進(jìn)行，算法中期變異概率取值以拋物線形式變化，并與初期和后期的概率值銜接起來。

圖2 變異概率取值曲線Figure 2 Curve of mutation probability value

7) 終止條件。當(dāng)算法達(dá)到最大搜索代數(shù)或子代群體的平均適應(yīng)度值與父代群體的平均適應(yīng)度值的絕對值差小于0.03時(shí)，算法終止。

二維最大熵法分割編織袋缺陷圖時(shí)，統(tǒng)計(jì)的像素灰度信息量很大，缺陷分割的時(shí)間長。如圖3所示，將二維最大熵法與改進(jìn)遺傳算法相結(jié)合，利用改進(jìn)遺傳算法計(jì)算速度快、收斂性好的優(yōu)點(diǎn)，克服二維最大熵法計(jì)算復(fù)雜度高的弊端，實(shí)現(xiàn)對編織袋缺陷圖精確、高效地分割。

圖3 結(jié)合改進(jìn)遺傳算法的二維最大熵運(yùn)行框圖Figure 3 Operational block diagram of two-dimensional maximum entropy combined with improved genetic algorithm

1.3 連通域標(biāo)記

位置相鄰且像素值相同的前景像素點(diǎn)組成的圖像區(qū)域稱為連通域。對編織袋缺陷分割圖進(jìn)行連通域標(biāo)記，圖中每個(gè)缺陷像素點(diǎn)賦予唯一的標(biāo)識(shí)，且屬于同一連通域的像素點(diǎn)標(biāo)記相同，從而圖中的缺陷區(qū)域轉(zhuǎn)換成各自獨(dú)立的標(biāo)記塊。獲取每個(gè)標(biāo)記塊的數(shù)量、輪廓與質(zhì)心等，實(shí)現(xiàn)缺陷的定位與統(tǒng)計(jì)。

2 編織袋缺陷檢測

在某廠復(fù)合編織袋生產(chǎn)線上搭建了編織袋缺陷檢測軟硬件系統(tǒng)，對褶皺、拉絲、小拉絲、孔洞以及漏針等常見的編織袋缺陷進(jìn)行在線檢測。編織袋缺陷檢測流程如圖4所示，算法先對采集的編織袋圖進(jìn)行預(yù)處理，消除圖中存在的噪聲以及細(xì)小的結(jié)構(gòu)干擾，接著利用改進(jìn)遺傳算法獲得區(qū)分前景與背景的最佳閾值，利用閾值精確分割出缺陷區(qū)域，最后利用連通域標(biāo)記對圖中缺陷進(jìn)行統(tǒng)計(jì)和定位。

圖4 編織袋缺陷檢測流程Figure 4 Flow chart of woven bag defect detection

2.1 編織袋缺陷檢測系統(tǒng)

編織袋缺陷檢測系統(tǒng)[8-9]由硬件和軟件2部分組成。硬件系統(tǒng)主要由鏡頭、相機(jī)和光源構(gòu)成。為確保采集的編織袋圖能達(dá)到檢測精度要求，相機(jī)采用分辨率為2 448×2 048 像素、幀速率為23 幀/s黑白工業(yè)相機(jī)。鏡頭選用靶面尺寸為16.93 mm(2/3 in)、焦距為8 mm工業(yè)鏡頭。根據(jù)編織袋絲線厚度改變會(huì)影響其透光性的特點(diǎn)，打光方式選擇背光照射，光源采用功率為22 W,規(guī)格為600 mm×300 mm的LED面陣光源。軟件部分由缺陷檢測算法與界面程序組成。為驗(yàn)證算法的可行性和實(shí)時(shí)性,通過輔助軟件MATLAB R2016b編寫相關(guān)算法程序，在處理器為i5-4210U，主頻為1.7 GHz，內(nèi)存為8 GB的PC機(jī)上進(jìn)行多次編織袋缺陷檢測。編織袋缺陷檢測系統(tǒng)如圖5所示。

圖5 編織袋缺陷檢測系統(tǒng)Figure 5 Defect detection system for woven bags

2.2 編織袋缺陷圖預(yù)處理

圖6分別為含有褶皺、拉絲、小拉絲、孔洞以及漏針等缺陷的編織袋。

圖6 含不同缺陷的編織袋圖Figure 6 Diagram of woven bags with different defects

預(yù)處理能夠消除編織袋缺陷圖中存在的噪聲以及細(xì)微瑕疵，降低后續(xù)缺陷信息的檢測難度。先對缺陷圖進(jìn)行形態(tài)學(xué)開運(yùn)算，減少孤立的像素點(diǎn)和毛刺等，接著采用35×35的矩形掩碼對開運(yùn)算圖進(jìn)行均值濾波，再將開運(yùn)算圖與均值圖作差，獲得差分圖像。經(jīng)過差分運(yùn)算，圖像中具有干擾性的背景噪聲得到抑制，缺陷部分進(jìn)一步增強(qiáng)。最后通過灰度線性變換，突出差分圖中的缺陷區(qū)域，利于編織袋缺陷的后續(xù)處理。

2.3 分割編織袋缺陷

缺陷分割的目的就是將圖中的感興趣區(qū)域提取出來，分離目標(biāo)與背景。為比較每種算法的分割精度，利用迭代閾值法[10]、一維最大熵法[11]以及結(jié)合一般遺傳算法的二維最大熵法對相同缺陷圖依次進(jìn)行分割。圖7～8分別為迭代閾值法和提出算法的缺陷分割效果。

圖7 迭代閾值法的缺陷分割效果Figure 7 Defect segmentation effect of iterative threshold method

圖8 提出算法的缺陷分割效果Figure 8 Defect segmentation effect of proposed algorithm

為體現(xiàn)提出算法的分割性能，引入IoU系數(shù)作為圖像分割精度的度量指標(biāo)。IoU系數(shù)表示算法分割缺陷與手工標(biāo)記缺陷的交并比，IoU值越大，表明算法分割缺陷與手工標(biāo)記缺陷的重合程度越高。式(9)中，X為手工標(biāo)記的缺陷，Y為算法分割出的缺陷。表1為每種算法分割相同缺陷圖20次的平均IoU系數(shù)。

(9)

從表1數(shù)據(jù)可以看出，迭代閾值法與一維最大熵法的分割精度相近，兩者皆對編織袋缺陷圖欠分割，分割的缺陷存在細(xì)節(jié)失真的情況；與一般遺傳算法結(jié)合的二維最大熵的分割精度要略低于改進(jìn)遺傳算法，但分割效果要優(yōu)于迭代閾值法與一維最大熵法，缺陷的主體信息均檢測出來。提出算法對含有復(fù)雜結(jié)構(gòu)干擾的褶皺缺陷的分割質(zhì)量明顯優(yōu)于其他3種方法，IoU系數(shù)高于0.909，表明其對噪聲的魯棒性好，分割編織袋缺陷圖的精度高。在編織袋缺陷檢測中，缺陷分割的實(shí)時(shí)性與精度同樣重要。比較上述幾種算法的分割速度，統(tǒng)計(jì)每種方法分割相同缺陷圖20次的平均時(shí)間，實(shí)驗(yàn)數(shù)據(jù)如表2所示。數(shù)據(jù)表明，結(jié)合一般遺傳算法的二維最大熵的分割速度要優(yōu)于迭代閾值法與一維最大熵法，尤其是相對于一維最大熵法，缺陷的平均分割時(shí)間由0.978 s縮短至0.652 s，極大地提高了分割效率。結(jié)合改進(jìn)遺傳算法的二維最大熵分割缺陷的時(shí)間比一般遺傳算法要少0.048 s，分割時(shí)間降低了7.4%。綜上所述，相較于其他3種分割方法，提出的算法具有更高的分割精度與速度，能夠準(zhǔn)確和快速地獲取缺陷信息。

表1 不同算法分割精度對比Table 1 Comparison of segmentation accuracy of different algorithms

表2 不同算法缺陷分割耗時(shí)對比Table 2 Comparison of time-consuming defect segmentation of different algorithms

2.4 缺陷統(tǒng)計(jì)與定位

對分割出的編織袋缺陷區(qū)域進(jìn)行連通域標(biāo)記，提取標(biāo)記區(qū)域的數(shù)量、輪廓以及質(zhì)心等參數(shù)，進(jìn)而獲取缺陷的像素面積以及位置坐標(biāo)。如圖9所示，缺陷連通域的數(shù)量、像素面積以及質(zhì)心像素坐標(biāo)等均準(zhǔn)確統(tǒng)計(jì)出來，表明算法能精確、快速地處理編織袋缺陷信息，編織袋缺陷檢測效果好。

圖9 編織袋缺陷的統(tǒng)計(jì)與定位Figure 9 Statistics and location of woven bag defects

3 結(jié)論

課題組提出一種基于改進(jìn)遺傳算法與二維最大熵的編織袋缺陷檢測方法，通過搭建編織袋缺陷檢測軟硬件系統(tǒng)，對某廠復(fù)合編織袋生產(chǎn)過程中產(chǎn)生的缺陷進(jìn)行在線檢測，達(dá)到了良好的效果。試驗(yàn)結(jié)果表明：

1) 預(yù)處理抑制了背景紋理，增大了缺陷與背景的區(qū)分度，利于后續(xù)的缺陷分割；

2) 結(jié)合改進(jìn)遺傳算法的二維最大熵分割預(yù)處理圖所獲得的質(zhì)量缺陷細(xì)節(jié)清晰，結(jié)構(gòu)干擾元素與細(xì)微瑕疵點(diǎn)被抑制，其缺陷分割精度要遠(yuǎn)高于一維最大熵法與迭代閾值法，IoU系數(shù)高于0.899，同時(shí)，相較于結(jié)合一般遺傳算法的二維最大熵法，其分割速度更快，平均分割時(shí)間縮短了7.4%；

3) 對分割出的缺陷進(jìn)行連通域標(biāo)記，快速獲取缺陷的數(shù)量、質(zhì)心等參數(shù)，實(shí)現(xiàn)缺陷的精準(zhǔn)統(tǒng)計(jì)與定位。