鐘飛，趙子丹，夏軍勇，黃露

基于機(jī)器視覺(jué)的編織袋表面缺陷檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

鐘飛，趙子丹，夏軍勇，黃露

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

針對(duì)編織袋生產(chǎn)中表面缺陷檢測(cè)效率和精度低等問(wèn)題，應(yīng)用機(jī)器視覺(jué)技術(shù)于編織袋表面缺陷檢測(cè)，進(jìn)而提高編織袋的生產(chǎn)效率?；跈C(jī)器視覺(jué)設(shè)計(jì)編織袋表面缺陷檢測(cè)系統(tǒng)：首先為了降低背景灰度變化對(duì)缺陷檢測(cè)的影響，研究一種同時(shí)具有噪聲濾除與圖像增強(qiáng)功能的預(yù)處理算法；其次選取二維最大熵值法對(duì)預(yù)處理后的編織袋圖進(jìn)行分割，并采用改進(jìn)遺傳算法對(duì)它進(jìn)行優(yōu)化以增強(qiáng)算法的收斂速度和效果；然后利用特征提取結(jié)合形態(tài)學(xué)處理的方法實(shí)現(xiàn)了編織袋表面缺陷的識(shí)別與分類(lèi)；最后應(yīng)用連通域進(jìn)行分析，對(duì)分類(lèi)出的缺陷進(jìn)行統(tǒng)計(jì)與定位以獲取缺陷的尺寸以及位置信息。采集了200個(gè)編織袋缺陷樣本，采用文中編織袋表面缺陷檢測(cè)系統(tǒng)對(duì)編織袋樣本進(jìn)行缺陷識(shí)別，平均識(shí)別準(zhǔn)確率為94.0%，處理一幅編織袋圖像的時(shí)間約為600 ms。該系統(tǒng)具有較高的識(shí)別效率和正確率，可實(shí)現(xiàn)編織袋表面缺陷的快速檢測(cè)，滿足工業(yè)生產(chǎn)的需求。

機(jī)器視覺(jué)；編織袋缺陷；改進(jìn)遺傳算法；二維最大熵；缺陷識(shí)別

編織袋原料在自動(dòng)生產(chǎn)線傳輸過(guò)程中由于生產(chǎn)工藝、人工操作失誤或者機(jī)械故障等因素，表面難免會(huì)出現(xiàn)褶皺、拉絲、小拉絲、孔洞以及污點(diǎn)等質(zhì)量缺陷，極大地影響了編織袋的品質(zhì)和美觀，對(duì)編織袋表面進(jìn)行缺陷檢測(cè)已經(jīng)成為編織袋制造中不可缺少的一個(gè)重要環(huán)節(jié)[1-2]。

編織袋由塑料絲編織而成，具有與其他織物相似的紋理特征[3]，因此對(duì)編織袋進(jìn)行缺陷檢測(cè)可以借鑒其他織物的檢測(cè)方法。近年來(lái)學(xué)者對(duì)織品在線缺陷檢測(cè)提出很多切實(shí)可行的檢測(cè)方法。嚴(yán)偉等[4]針對(duì)絲綢等織物的缺陷檢測(cè)，提出了一種BP神經(jīng)網(wǎng)絡(luò)與SAE神經(jīng)網(wǎng)絡(luò)相結(jié)合的織物缺陷檢測(cè)以及識(shí)別的方法。逢鵬等[5]提出了一種基于神經(jīng)網(wǎng)絡(luò)結(jié)合不變矩的織物非結(jié)構(gòu)化畸變?nèi)毕莸臋z測(cè)方法。肖俊明等[6]提出了一種基于局部自適應(yīng)閾值的織物缺陷檢測(cè)方法。?elik等[7]研制了一種便攜式織物檢查機(jī)，該設(shè)備能自動(dòng)實(shí)現(xiàn)織物檢測(cè)和缺陷分類(lèi)。Ali等[8]提出了一種新的利用局部同質(zhì)性和神經(jīng)網(wǎng)絡(luò)的織物缺陷檢測(cè)方法。袁端磊等[9]建立了一種基于Gabor濾波器的織物缺陷自動(dòng)檢測(cè)方法。這些方法由于缺陷之間特征差異較大，自適應(yīng)檢測(cè)缺陷結(jié)果欠佳。

針對(duì)上述問(wèn)題，文中結(jié)合實(shí)際采集缺陷圖像的特點(diǎn)，開(kāi)發(fā)一種編織袋表面缺陷檢測(cè)系統(tǒng)，精確、高效地檢測(cè)出編織袋缺陷。利用預(yù)處理方法增強(qiáng)編織袋圖像；對(duì)遺傳算法進(jìn)行改進(jìn)，并利用改進(jìn)的遺傳算法[10-11]對(duì)二維最大熵值法[12-13]進(jìn)行優(yōu)化，以提高缺陷的分割精度和效率；通過(guò)特征提取與數(shù)學(xué)形態(tài)學(xué)[14-15]相結(jié)合的方法對(duì)編織袋表面缺陷進(jìn)行識(shí)別與分類(lèi)；對(duì)分類(lèi)的缺陷進(jìn)行統(tǒng)計(jì)與定位。

1 編織袋表面缺陷檢測(cè)系統(tǒng)

編織袋表面缺陷檢測(cè)系統(tǒng)建立在機(jī)器視覺(jué)與圖像處理相結(jié)合的基礎(chǔ)上，實(shí)現(xiàn)編織袋圖像的自動(dòng)在線采集與圖像處理，編織袋缺陷的分類(lèi)與識(shí)別。系統(tǒng)包括采集圖像模塊、控制與通訊模塊、圖像處理與分析模塊和人機(jī)交互模塊。采集圖像模塊由鏡頭、工業(yè)相機(jī)、光源等設(shè)備構(gòu)成?？刂撇糠钟|發(fā)相機(jī)采集編織袋圖像，通過(guò)光學(xué)鏡頭將待測(cè)編織袋成像在CMOS面陣黑白相機(jī)感光芯片的光敏面，圖像處理與分析模塊將采集的圖像進(jìn)行預(yù)處理、圖像分割、缺陷分類(lèi)與識(shí)別、定位與統(tǒng)計(jì)。人機(jī)交互模塊具有調(diào)整參數(shù)設(shè)置、結(jié)果輸出與顯示、參數(shù)保存與圖像顯示等功能。

2 圖像處理

編織袋生產(chǎn)線所處的環(huán)境惡劣，采集圖像的質(zhì)量差，背景灰度起伏大，噪聲和細(xì)微結(jié)構(gòu)干擾多，因此，需要先對(duì)采集的圖像進(jìn)行預(yù)處理以抑制圖像的噪聲和背景紋理；然后利用圖像分割獲取目標(biāo)區(qū)域。

2.1 圖像預(yù)處理

針對(duì)編織袋圖像灰度不均勻、噪聲大的特點(diǎn)，通過(guò)圖像預(yù)處理來(lái)消除圖像的噪聲和細(xì)微的結(jié)構(gòu)干擾，突出感興趣區(qū)域的結(jié)構(gòu)特征。先對(duì)圖像進(jìn)行濾波，減少圖像的噪聲和孤立的像素點(diǎn)，再將原圖與濾波圖進(jìn)行差分運(yùn)算以抑制圖像的背景紋理，通過(guò)灰度線性變換增強(qiáng)差分圖中的缺陷區(qū)域。

平滑濾波能夠減少圖像中的高頻分量，同時(shí)對(duì)低頻分量不產(chǎn)生影響。高頻分量對(duì)應(yīng)圖像中邊緣或灰度值變化較大的區(qū)域，消除這些分量可減少局部灰度起伏、噪聲和細(xì)小結(jié)構(gòu)元素等干擾，圖像將變得更加平滑。常見(jiàn)的平滑濾波有均值濾波、高斯濾波、中值濾波。

編織袋原料主要存在褶皺、拉絲、小拉絲、孔洞和污點(diǎn)等質(zhì)量缺陷，拉絲經(jīng)均值濾波、中值濾波、高斯濾波后的效果見(jiàn)圖1，由濾波效果圖可以看出，均值濾波器、中值濾波器和高斯濾波器等均能有效消除拉絲圖中的噪聲。在實(shí)際應(yīng)用中，應(yīng)根據(jù)圖像的噪聲特點(diǎn)和期望獲得的濾波效果，綜合選取圖像濾波器。從圖1b可以看出，均值濾波導(dǎo)致拉絲圖中的部分缺陷信息丟失，圖像的邊緣以及缺陷結(jié)構(gòu)變得模糊；從圖1c可以看出，中值濾波導(dǎo)致拉絲圖中的缺陷信息失真，部分結(jié)構(gòu)元素消失；從圖1d可以看出，高斯濾波能夠較好地保留拉絲圖中的缺陷信息。為客觀評(píng)價(jià)3種濾波方法對(duì)缺陷圖的濾波效果，引入峰值信噪比（PSNR）[16]和濾波器運(yùn)行時(shí)間作為評(píng)價(jià)標(biāo)準(zhǔn)，信噪比值越大濾波效果越優(yōu)，3幅濾波圖的峰值信噪比值見(jiàn)表1。

圖1 濾波效果

表1 各濾波算法效果對(duì)比

Tab.1 Comparison of effect of each filtering algorithm

由表1可知，高斯濾波圖的峰值信噪比為28.577 8 dB，明顯高于均值濾波和中值濾波的峰值信噪比。對(duì)上述3種濾波算法的運(yùn)行速度進(jìn)行比較，統(tǒng)計(jì)每種算法處理相同編織袋圖20次的平均時(shí)間，數(shù)據(jù)見(jiàn)表1。高斯濾波的平均運(yùn)行時(shí)間為7.85 ms，均值濾波的平均運(yùn)行時(shí)間為4.88 ms，兩者的平均運(yùn)行時(shí)間接近，遠(yuǎn)小于中值濾波的平均運(yùn)行時(shí)間。綜合考慮濾波效果和運(yùn)行效率，最終選取高斯濾波器對(duì)編織袋圖進(jìn)行濾波去噪。

圖像差分運(yùn)算是將2幅圖像對(duì)應(yīng)像素的灰度值相減，因此，可以利用差分運(yùn)算來(lái)削弱圖像的相似部分。設(shè)2幅圖像灰度值分別為、，則差分運(yùn)算的定義為：

(1)

圖像灰度線性變換就是將圖像中所有像素點(diǎn)的灰度值以線性形式進(jìn)行變換，其定義為：

(2)

式中：L為線性變換函數(shù)；、分別為原始圖像和灰度線性變換后圖像的灰度值。對(duì)圖1d依次進(jìn)行差分運(yùn)算和灰度線性變換，結(jié)果見(jiàn)圖2。

移栽之前要想盡一切辦法切實(shí)提高種植地的耕地質(zhì)量，要盡量做到水田平而泥不爛，為實(shí)現(xiàn)淺水插秧以及濕潤(rùn)水漿管理創(chuàng)造良好條件。在移栽之前，首先向田內(nèi)灌入淺水，沉淀一夜后移栽幼苗。水稻移栽過(guò)程中，要嚴(yán)格按照水稻精確定量栽培技術(shù)中的基本苗定量以及植株科學(xué)配置要求，實(shí)行清水、拉線、淺條栽，插秧深度一般控制在2 cm，以保證插秧好，秧苗不倒為宜。低海拔雜交水稻種植區(qū)基本苗每畝控制在1萬(wàn)叢，每叢栽植1棵秧苗。中海拔地區(qū)每畝基本苗維持在2萬(wàn)叢，每叢栽植1棵幼苗。高海拔地區(qū)，每畝基本苗維持在2.0-3.3萬(wàn)叢，每叢栽植2株幼苗[1]。

圖2 預(yù)處理效果

Fig.2 Pretreatment effect

圖1d經(jīng)過(guò)差分運(yùn)算與灰度線性變換后，目標(biāo)與背景的對(duì)比度明顯增強(qiáng)，且抑制了背景灰度的變化。

2.2 基于改進(jìn)遺傳算法的圖像分割方法

圖像分割將預(yù)處理后的圖像按照顏色、紋理、形狀和灰度等特征分割成目標(biāo)區(qū)域和背景區(qū)域，采取一種基于改進(jìn)遺傳算法的二維最大熵閾值法對(duì)圖像進(jìn)行分割處理。二維最大熵值法對(duì)像素本身和鄰域灰度信息進(jìn)行了同步統(tǒng)計(jì)，比一維最大熵值法具有更好抗噪性能和分割圖像效果。二維最大熵法的作用是求出灰度直方圖中最大熵的閾值，通過(guò)遺傳算法提高閾值搜索的效率，快速、精確地完成對(duì)編織袋缺陷圖的圖像分割。

(3)

式中：為像素點(diǎn)數(shù)量；P,n為灰度二元組（,）在缺陷圖中出現(xiàn)的概率。

如圖3所示，選取閾值（,），將投影圖分成1、2、3、4等4個(gè)部分，分別為目標(biāo)、背景、邊界和噪聲，則（,）出現(xiàn)在1與2的概率分別為1和2。

(4)

(5)

圖3 二維灰度直方圖的投影

Fig.3 Projection of two-dimensional gray histogram

目標(biāo)區(qū)域1和背景區(qū)域2對(duì)應(yīng)的熵1和2分別為：

(6)

(7)

因邊界區(qū)域3和噪聲區(qū)域4的占比極小，故編織袋缺陷圖的二維熵函數(shù)（,）定義為：

(8)

熵函數(shù)值最大時(shí)的最優(yōu)閾值（*,*）為：

(9)

遺傳算法對(duì)二維灰度圖在尋找最佳閾值時(shí)存在易早熟收斂且耗時(shí)較長(zhǎng)的缺陷，從而使二維最大熵值法分割圖像的準(zhǔn)確性和效率下降。針對(duì)這個(gè)問(wèn)題，提出一種基于改進(jìn)遺傳算法的圖像分割算法。通過(guò)對(duì)遺傳算法的選擇、交叉和變異3種遺傳算子的參數(shù)進(jìn)行優(yōu)化，減少了搜索時(shí)間，改善了收斂性。改進(jìn)的遺傳算法如下。

1）初始化種群。隨機(jī)生成一組均勻分布的種群，種群數(shù)為20。

2）編碼。采用16位二進(jìn)制編碼，前8位為原圖閾值，后8位為平滑處理后的圖像閾值。

3）選取式（8）作為適應(yīng)度函數(shù)。

4）優(yōu)化選擇。對(duì)種群個(gè)體進(jìn)行適應(yīng)度計(jì)算，將種群內(nèi)適應(yīng)度前15%的個(gè)體留作子代，其余個(gè)體采用輪盤(pán)賭法輸出。

5）優(yōu)化交叉。當(dāng)交叉概率c取較小值時(shí)，算法前期易陷入局部最優(yōu)解。當(dāng)c取較大值時(shí)，算法后期會(huì)加大對(duì)最優(yōu)個(gè)體的破壞。為確保算法前期有更強(qiáng)的全局尋優(yōu)能力，后期能保留最優(yōu)個(gè)體，c在閾值搜索前期取0.9、搜索后期取0.6。

6）優(yōu)化變異。變異概率m的取值隨分段函數(shù)的中的變化而變化，以增強(qiáng)局部搜索能力，從而避免過(guò)早陷入局部最優(yōu)解。

(10)

式中：為搜索代數(shù)，∈[1,100]。如圖4所示，變異分為3個(gè)階段，算法前期為確保最優(yōu)個(gè)體不被破壞，m取0.02；算法中期為提高個(gè)體更新速度和搜索范圍，m取0.1；算法后期為加速收斂進(jìn)程，m取0.02。考慮到每個(gè)階段m取值具有連續(xù)性，為保證搜索過(guò)程的平穩(wěn)進(jìn)行，算法中期m取值按拋物線方式改變，銜接前期與后期的概率值。

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

經(jīng)過(guò)優(yōu)化后，遺傳算法前期的個(gè)體更新速度快，閾值搜索的性能得到提升，算法后期最優(yōu)個(gè)體得到保留，降低了獲得局部閾值的概率。

文中方法結(jié)合二維最大熵值法和改進(jìn)遺傳算法，利用改進(jìn)遺傳算法計(jì)算速度快，收斂性強(qiáng)等優(yōu)點(diǎn)克服了二維最大熵值方法計(jì)算復(fù)雜度大的缺點(diǎn)，從而達(dá)到了準(zhǔn)確、高效分割編織袋圖的目的。

圖4 變異概率取值曲線

為體現(xiàn)結(jié)合改進(jìn)遺傳算法的二維最大熵法的分割精度，利用一維最大熵值法、結(jié)合一般遺傳算法的二維最大熵值法和結(jié)合改進(jìn)遺傳算法的二維最大熵值法依次對(duì)編織袋圖進(jìn)行分割，分割的結(jié)果見(jiàn)圖5。

為體現(xiàn)算法的性能，引入IOU系數(shù)作為度量指標(biāo)，見(jiàn)式（11），IOU值越大，算法分割精度越高。

(11)

式中：為手工標(biāo)記缺陷區(qū)域；為算法分割缺陷區(qū)域。

分割精度對(duì)比見(jiàn)表2，其中IOU系數(shù)取20組試驗(yàn)結(jié)果的平均值。一維最大熵值法對(duì)褶皺和污點(diǎn)的IOU值為0.112和0.357，分割效果差，不能較好地保留缺陷信息；結(jié)合一般遺傳算法的二維最大熵法可有效分割出缺陷的主體信息，但分割精度稍低；結(jié)合改進(jìn)遺傳算法的二維最大熵值法在各類(lèi)缺陷的評(píng)價(jià)指標(biāo)上均有較好體現(xiàn)，對(duì)復(fù)雜缺陷（褶皺）的分割質(zhì)量明顯要優(yōu)于其他2種方法，IOU值均在0.899以上，表現(xiàn)出了文中算法對(duì)編織袋表面缺陷圖像分割的優(yōu)勢(shì)。

為體現(xiàn)結(jié)合改進(jìn)遺傳算法的二維最大熵值法的分割效率，比較各算法分割相同編織袋圖所需的時(shí)間。遺傳算法處理圖像信息時(shí)具有隨機(jī)性，統(tǒng)計(jì)了各方法對(duì)同一編織袋圖像分割20次所消耗的平均時(shí)間，實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表3。由表3可知，結(jié)合改進(jìn)遺傳算法的二維最大熵值法的閾值搜索性能要優(yōu)于一維最大熵值法和結(jié)合一般遺傳算法優(yōu)化的二維最大熵值法。

2.3 缺陷分類(lèi)與識(shí)別

拉絲缺陷存在結(jié)構(gòu)元素分散的問(wèn)題，不利于提取圖像特征。如果對(duì)拉絲缺陷進(jìn)行形態(tài)學(xué)閉運(yùn)算以提取圖像特征，將會(huì)改變其他4種缺陷的結(jié)構(gòu)特征。文中通過(guò)特征提取結(jié)合形態(tài)學(xué)的方法，較好地解決了編織袋常見(jiàn)缺陷的識(shí)別問(wèn)題，分類(lèi)方法流程見(jiàn)圖6。

圖5 各種算法的分割結(jié)果

表2 各種算法分割精度（IOU值）對(duì)比

Tab.2 Comparison of segmentation accuracy (IOU value) of various algorithms

表3 各種算法分割耗時(shí)對(duì)比

Tab.3 Comparison of segmentation time of various algorithms

圖6 缺陷識(shí)別流程

2.3.1 編織袋表面缺陷特征提取

圖像特征提取的本質(zhì)是將像素點(diǎn)的位置分布和灰度特性量化，使圖像特征能夠被一般數(shù)字所描述。在目標(biāo)識(shí)別中，應(yīng)用較多的圖像特征有背景紋理、顏色、灰度和幾何形狀。其中，灰度、幾何形狀等圖像特征描述編織袋表面缺陷的性能最優(yōu)，因此選用灰度、幾何形狀作為編織袋表面缺陷的描述因子。缺陷的灰度、幾何形狀等特征參數(shù)可以通過(guò)連通域分析獲取。連通域指二值圖中位置相鄰且像素值相同的像素點(diǎn)構(gòu)成的區(qū)域。連通域分析就是找出圖中的連通域，并對(duì)連通域進(jìn)行標(biāo)記。通過(guò)對(duì)編織袋二值圖進(jìn)行標(biāo)記，將位置相鄰且像素值相同的缺陷像素點(diǎn)進(jìn)行合并，形成Blob連通域，進(jìn)而提取缺陷連通域的特征參數(shù)。文中采用8鄰接連通域?qū)幙棿祱D進(jìn)行標(biāo)記，提取的缺陷特征如下。

1）區(qū)域面積。區(qū)域面積是指區(qū)域中所有目標(biāo)像素點(diǎn)的集合。設(shè)r表示區(qū)域面積，a表示目標(biāo)區(qū)域，（,）為區(qū)域a中任意像素點(diǎn)的坐標(biāo)，為積分變量，則區(qū)域面積的定義為：

(12)

2）周長(zhǎng)。區(qū)域的周長(zhǎng)指圍繞目標(biāo)區(qū)域的外邊界長(zhǎng)度。設(shè)e表示區(qū)域周長(zhǎng)，p表示邊界，則區(qū)域周長(zhǎng)的定義為：

(13)

3）圓形度。目標(biāo)區(qū)域的圓形度表征的是形狀近似于圓的程度，圓形度越接近1，說(shuō)明目標(biāo)形狀越近似圓形。設(shè)t表示區(qū)域的圓形度，則圓形度的定義為：

(14)

4）長(zhǎng)短徑比。長(zhǎng)徑指與目標(biāo)區(qū)域具有相同二階中心矩的橢圓長(zhǎng)軸長(zhǎng)度，短徑指與目標(biāo)區(qū)域具有相同二階中心矩的橢圓短軸長(zhǎng)度。設(shè)r表示長(zhǎng)徑與短徑的比值，1表示目標(biāo)區(qū)域的長(zhǎng)徑，2表示短徑，則長(zhǎng)徑與短徑的比值可定義為：

(15)

5）灰度均值。灰度均值是指區(qū)域中所有目標(biāo)像素點(diǎn)灰度值的平均值。設(shè)e表示灰度均值，r表示任意像素點(diǎn)的灰度值，則灰度均值的定義為：

(16)

上述特征值（區(qū)域面積、圓形度、長(zhǎng)短徑比、灰度均值）均能描述缺陷的不同特點(diǎn)，但表征缺陷的性能不一致。隨機(jī)選取含有褶皺、拉絲、小拉絲、孔洞和污點(diǎn)的樣本圖片各20張，對(duì)圖片依次進(jìn)行預(yù)處理、閾值分割、形態(tài)學(xué)處理和連通域標(biāo)記，提取目標(biāo)的區(qū)域面積、圓形度、長(zhǎng)短徑比、灰度均值等特征，統(tǒng)計(jì)的結(jié)果見(jiàn)圖7。

從圖7b—c可以看出，褶皺的長(zhǎng)短徑比值r大于50，遠(yuǎn)高于其他缺陷，同時(shí)其圓形度t低于0.01，小于其他缺陷的圓形度。從圖7b—c可以看出，小拉絲的長(zhǎng)短徑比值r大于10小于30，高于拉絲、孔洞和污點(diǎn)的長(zhǎng)短徑比值，同時(shí)小拉絲圓形度t大于0.01小于0.1，低于孔洞和污點(diǎn)的圓形度。圖7b—c中拉絲的長(zhǎng)短徑比值r小于10，其長(zhǎng)短徑比值r與孔洞和污點(diǎn)的相近，同時(shí)其圓形度t與小拉絲的相近；圖7b—d中孔洞的圓形度t大于0.3，高于褶皺、拉絲和小拉絲的圓形度，同時(shí)其灰度均值e大于225，遠(yuǎn)高于其他缺陷的。從圖7a—b可以看出，污點(diǎn)的圓形度t與孔洞的相近，兩者皆大于0.3，但是污點(diǎn)的區(qū)域面積r要低于孔洞的。污點(diǎn)會(huì)遮擋光源發(fā)出的光線，透光性弱，像素點(diǎn)的灰度值較小。編織袋分割圖中存在一些由絲線起球或者絲線縫隙產(chǎn)生的結(jié)構(gòu)元素，結(jié)構(gòu)元素的區(qū)域面積與污點(diǎn)的接近，因此只能通過(guò)灰度均值特征將污點(diǎn)篩選出來(lái)。將編織袋缺陷與其特征之間的匹配關(guān)系進(jìn)行歸納，建立缺陷類(lèi)型與區(qū)域面積、圓形度、長(zhǎng)短徑比值、灰度均值等特征值的匹配表，見(jiàn)表4。

圖7 缺陷的圖像特征值

表4 特征值匹配

Tab.4 Eigenvalues matching

2.3.2 編織袋表面缺陷分類(lèi)與識(shí)別

從圖6可以看出，算法先對(duì)褶皺缺陷進(jìn)行識(shí)別，利用長(zhǎng)短徑比值r＞50、區(qū)域面積r≥500組成的特征子集將褶皺從二值圖中檢測(cè)出來(lái)。然后篩選拉絲和小拉絲缺陷，在分類(lèi)之前，利用像素為7×7的矩形結(jié)構(gòu)元素對(duì)二值圖進(jìn)行形態(tài)學(xué)閉運(yùn)算，將斷開(kāi)的拉絲、小拉絲連接起來(lái)，接著利用圓形度0.01＜t＜0.15、區(qū)域面積r≥500組成的特征子集將拉絲和小拉絲缺陷從二值圖中篩選出來(lái)。拉絲缺陷的長(zhǎng)短徑比值r小于小拉絲缺陷，因此可以通過(guò)長(zhǎng)短徑比值r將拉絲與小拉絲區(qū)分開(kāi)來(lái)。隨后對(duì)孔洞缺陷進(jìn)行識(shí)別，在分類(lèi)之前，利用像素為18×18的圓盤(pán)型結(jié)構(gòu)元素對(duì)二值圖進(jìn)行閉運(yùn)算，接著通過(guò)圓形度t＞0.3、區(qū)域面積r≥500組成的特征子集將孔洞缺陷檢測(cè)出來(lái)。最后對(duì)污點(diǎn)進(jìn)行識(shí)別，由于污點(diǎn)的灰度均值低于絲線起球或者絲線縫隙產(chǎn)生的結(jié)構(gòu)元素，因此利用灰度均值e＜40，區(qū)域面積r≥100（小面積的污點(diǎn)缺陷不影響編織袋的質(zhì)量）組成的特征子集將二值圖中的污點(diǎn)缺陷篩選出來(lái)。圖8為識(shí)別出的褶皺、拉絲、小拉絲、孔洞以及污點(diǎn)等質(zhì)量缺陷。

3 實(shí)驗(yàn)與結(jié)果分析

系統(tǒng)實(shí)驗(yàn)選取Windows 10操作系統(tǒng)、Visual Studio 2013平臺(tái)和開(kāi)源的Opencv2.4.10 計(jì)算機(jī)視覺(jué)庫(kù)，算法編寫(xiě)語(yǔ)言為C++。編織袋類(lèi)型為聚丙烯塑料袋，編織袋尺寸為1080 mm×600 mm，傳輸速度為1.8 m/s。編織袋原料由上料機(jī)構(gòu)傳輸至檢測(cè)區(qū)域，相機(jī)控制裝置觸發(fā)相機(jī)拍照，采集編織袋圖像；使用缺陷檢測(cè)算法對(duì)圖像進(jìn)行處理，獲取缺陷的類(lèi)型、尺寸和位置等信息；工控機(jī)將檢測(cè)信息發(fā)送給昆侖通態(tài)觸摸屏，即完成一次編織袋缺陷檢測(cè)過(guò)程。編織袋缺陷檢測(cè)系統(tǒng)見(jiàn)圖9。

系統(tǒng)對(duì)缺陷樣本進(jìn)行分類(lèi)試驗(yàn)，每類(lèi)缺陷各選取40個(gè)樣本，組成分類(lèi)試驗(yàn)樣本集，結(jié)果見(jiàn)表5。

從表5中數(shù)據(jù)可以看出，系統(tǒng)對(duì)拉絲缺陷的誤識(shí)數(shù)量為4個(gè)，識(shí)別的準(zhǔn)確率為90.0%，低于其他缺陷，原因是部分拉絲缺陷的結(jié)構(gòu)元素?cái)嚅_(kāi)，系統(tǒng)將它誤識(shí)為小拉絲缺陷。系統(tǒng)對(duì)各類(lèi)缺陷的平均識(shí)別準(zhǔn)確率為94.0%，滿足缺陷分類(lèi)的設(shè)計(jì)要求。

編織袋缺陷檢測(cè)系統(tǒng)參見(jiàn)圖9，系統(tǒng)處理拉絲缺陷圖像的時(shí)間在1 s以內(nèi)。在正常工作情況下，檢測(cè)系統(tǒng)處理一幅編織袋圖像的時(shí)間約為600 ms，而人工檢測(cè)一張編織袋所需的時(shí)間最少為3 s，表明該系統(tǒng)對(duì)編織袋表面缺陷具有較高的識(shí)別效率。

圖8 缺陷的分類(lèi)結(jié)果

圖9 編織袋缺陷檢測(cè)系統(tǒng)

表5 各類(lèi)缺陷的識(shí)別率

Tab.5 Identification rate of various defects

4 結(jié)語(yǔ)

文中對(duì)編織袋表面缺陷視覺(jué)檢測(cè)系統(tǒng)展開(kāi)研究，通過(guò)搭建編織袋缺陷檢測(cè)系統(tǒng)，對(duì)某廠復(fù)合編織袋生產(chǎn)過(guò)程中產(chǎn)生的缺陷進(jìn)行在線檢測(cè)和識(shí)別，達(dá)到了良好的效果，研究結(jié)果如下。

1）利用高斯濾波、差分運(yùn)算和灰度線性變換的組合算法對(duì)編織袋圖進(jìn)行預(yù)處理以抑制圖像的噪聲和背景紋理。選取二維最大熵值法對(duì)編織袋圖進(jìn)行分割，并利用改進(jìn)遺傳算法對(duì)其進(jìn)行尋優(yōu)，進(jìn)而提高算法的分割精度和效率。相較于結(jié)合一般遺傳算法的二維最大熵法，結(jié)合改進(jìn)遺傳算法的二維最大熵值法分割速度更快，平均分割時(shí)間縮短了10.09%。

2）對(duì)特征提取、分類(lèi)和識(shí)別的算法進(jìn)行了研究。利用連通域標(biāo)記提取編織袋表面缺陷的圖像特征，選取能明顯區(qū)分缺陷且互不關(guān)聯(lián)的特征組成特征子集；利用該子集將編織袋表面缺陷逐一識(shí)別出來(lái)，滿足缺陷檢測(cè)算法的設(shè)計(jì)要求。通過(guò)實(shí)驗(yàn)驗(yàn)證，文中提出的算法能夠?qū)︸薨?、拉絲、小拉絲、孔洞和污點(diǎn)等缺陷進(jìn)行有效識(shí)別。

3）對(duì)編織袋表面缺陷檢測(cè)系統(tǒng)識(shí)別缺陷的性能進(jìn)行驗(yàn)證。采集實(shí)驗(yàn)所需的編織袋樣本，利用編織袋表面缺陷檢測(cè)系統(tǒng)對(duì)樣本進(jìn)行識(shí)別與分類(lèi)。實(shí)驗(yàn)結(jié)果表明，缺陷檢測(cè)系統(tǒng)對(duì)各類(lèi)缺陷的平均識(shí)別準(zhǔn)確率為94.0%，且識(shí)別缺陷所需的時(shí)間約為600 ms。

[1] 凌飛. 編織袋缺陷視覺(jué)檢測(cè)系統(tǒng)開(kāi)發(fā)[D]. 廣州: 廣東工業(yè)大學(xué), 2017: 1-5.

LING Fei. Development of Visual Inspection System for Woven Bag Defects[D]. Guangzhou: Guangdong University of Technology, 2017: 1-5.

[2] 李紀(jì)峰. 基于機(jī)器視覺(jué)的玻璃纖維布缺陷檢測(cè)技術(shù)研究[D]. 鄭州: 鄭州大學(xué), 2017: 1-5.

LI Ji-feng. Research on the Key Technology of Defect Detection for the Glass Fiber Cloth Base on Machine Vision[D]. Zhengzhou: Zhengzhou University, 2017: 1-5.

[3] 馬浩, 景軍鋒, 蘇澤斌, 等. 基于LBP和HOG特征的圖案織物缺陷檢測(cè)[J]. 電子測(cè)量與儀器學(xué)報(bào), 2018, 32(4): 95-102.

MA Hao, JING Jun-feng, SU Ze-bin, et al. Patterned Fabric Defect Detection Based on LBP and HOG Feature[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(4): 95-102.

[4] 嚴(yán)偉, 楊朔. BP和SAE深度神經(jīng)網(wǎng)絡(luò)方法的織物缺陷檢測(cè)研究[J]. 智能物聯(lián)技術(shù), 2018, 1(3): 25-31.

YAN Wei, YANG Shuo. Research on Fabric Defect Detection Based on BP and SAE Deep Neural Network[J]. Technology of IoT & AI, 2018, 1(3): 25-31.

[5] 逄鵬, 向洪波, 魏喜雯, 等. 基于不變矩與神經(jīng)網(wǎng)絡(luò)的織物缺陷檢測(cè)研究[J]. 針織工業(yè), 2015(11): 69-72.

PANG Peng, XIANG Hong-bo, WEI Xi-wen, et al. Research of Fabric Defect Detection Based on Invariant Moments and Neural Network[J]. Knitting Industries, 2015(11): 69-72.

[6] 肖俊明, 彭喜英. 基于機(jī)器視覺(jué)的圖像分割算法的研究[J]. 中原工學(xué)院學(xué)報(bào), 2008, 19(1): 1-3.

XIAO Jun-ming, PENG Xi-ying. Study on Image Segmentation Based on the Machine Vision[J]. Journal of Zhongyuan University of Technology, 2008, 19(1): 1-3.

[7] ?ELIK H ?, DüLGER L C, TOPALBEKIRO?LU M. Development of a Machine Vision System: Real-Time Fabric Defect Detection and Classification with Neural Networks[J]. The Journal of the Textile Institute, 2014, 105(6): 575-585.

[8] REBHI A, BENMHAMMED I, ABID S, et al. Fabric Defect Detection Using Local Homogeneity Analysis and Neural Network[J]. Journal of Photonics, 2015, 2015: 1-9.

[9] 袁端磊, 宋寅卯. 基于最優(yōu)Gabor濾波器的織物缺陷檢測(cè)[J]. 中國(guó)圖象圖形學(xué)報(bào), 2006, 11(7): 954-958.

YUAN Duan-lei, SONG Yin-mao. Fabric Defect Detection Based on Optimal Gabor Filters[J]. Journal of Image and Graphics, 2006, 11(7): 954-958.

[10] 安霆. 基于遺傳算法的圖像分割處理技術(shù)研究[J]. 電子技術(shù)應(yīng)用, 2019, 45(10): 92-95.

AN Ting. Research on Image Segmentation Technology Based on Genetic Algorithms[J]. Application of Electronic Technique, 2019, 45(10): 92-95.

[11] AALI S N, BAGHERZADEH N. Divisible Load Scheduling of Image Processing Applications on the Heterogeneous Star and Tree Networks Using a New Genetic Algorithm[J]. Concurrency and Computation: Practice and Experience, 2020, 32(10): 1-15.

[12] 李鋒, 闞建霞. 基于Sobel算子的圖像快速二維最大熵閾值分割算法[J]. 計(jì)算機(jī)科學(xué), 2015, 42(S1): 209-210.

LI Feng, KAN Jian-xia. Fast Two-Dimensional Maximum Entropy Threshold Segmentation Method Based on Sobel Operator[J]. Computer Science, 2015, 42(S1): 209-210.

[13] JOE A J R, RAMA N. Advanced Medical Image Compression with 2-D Maximum Entropy Method and Hybrid Compression Concepts[J]. Indian Journal of Innovations and Developments, 2016, 5(8): 1-7.

[14] 秦志新. 計(jì)算機(jī)技術(shù)在圖像形態(tài)學(xué)處理中的應(yīng)用探討[J]. 普洱學(xué)院學(xué)報(bào), 2019, 35(6): 24-26.

QIN Zhi-xin. A Probe into the Application of Computer Technology in Processing Image Morphology[J]. Journal of Puer University, 2019, 35(6): 24-26.

[15] ZAWISZEWSKI A, LAKA I. Bilinguals Processing Noun Morphology: Evidence for the Language Distance Hypothesis from Event-Related Potentials[J]. Journal of Neurolinguistics, 2020, 55: 1-19.

[16] 范娟, 陳爽. 一種圖像濾波算法濾波效果評(píng)價(jià)方法[J]. 科技經(jīng)濟(jì)導(dǎo)刊, 2019, 27(24): 17.

FAN Juan, CHEN Shuang. A Filtering Effect Evaluation Method of Image Filtering Algorithm[J]. Technology and Economic Guide, 2019, 27(24): 17.

Design and Implementation of Woven Bag Surface Defect Detection System Based on Machine Vision

ZHONG Fei, ZHAO Zi-dan, XIA Jun-yong, HUANG Lu

(School of Mechanical Engineering, Hubei University of Technology, Wuhan 430068, China)

The work aims to apply machine vision technology to the surface defect detection of woven bags to solve the low efficiency and low accuracy of surface defect detection in the production of woven bags, and thus improve the production efficiency of woven bags. A surface defect detection system of woven bags was designed based on machine vision: Firstly, in order to reduce the effects of background gray changes on defect detection, a preprocessing algorithm with both noise filtering and image enhancement functions was studied. Secondly, the two-dimensional maximum entropy method was selected to segment the preprocessed woven bag map, and the improved genetic algorithm was used to optimize it to enhance the convergence speed and effect of the algorithm. Then, the recognition and classification of surface defects of woven bags were realized by feature extraction combined with morphological processing. Finally, the connected domain analysis was applied to count and locate the classified defects to obtain the size and location information of the defects. 200 defect samples of woven bag were collected, and the surface defect detection system of woven bags in this paper was used to identify defects of woven bag samples. The average recognition accuracy was 94.0%, and the processing time of an image of woven bag was about 600 ms. The system has high recognition efficiency and accuracy, and can realize rapid detection of surface defects of woven bags and meet the needs of industrial production.

machine vision; woven bag defects; improved genetic algorithm; two-dimensional maximum entropy; defect identification

TP391

A

1001-3563(2022)13-0247-10

10.19554/j.cnki.1001-3563.2022.13.032

2021?08?11

湖北省技術(shù)創(chuàng)新專(zhuān)項(xiàng)（2018AAA026）；湖北工業(yè)大學(xué)博士啟動(dòng)基金（BSQD2017001）

鐘飛（1970—），男，博士，湖北工業(yè)大學(xué)教授，主要研究方向?yàn)橹悄茌p工裝備。

責(zé)任編輯：曾鈺嬋