楊曉波,白直燦

(浙江樹(shù)人學(xué)院,浙江 杭州 310015)

傳統(tǒng)人工驗(yàn)布速度約為10 m/min,檢測(cè)效率低且易受檢測(cè)人員主觀因素影響。隨著計(jì)算機(jī)科學(xué)和圖像處理技術(shù)的不斷發(fā)展,機(jī)器視覺(jué)被引入織物疵點(diǎn)檢測(cè),并逐漸替代人工檢測(cè)。國(guó)內(nèi)外專家和學(xué)者進(jìn)行了深入研究,并陸續(xù)提出了許多有價(jià)值的織物疵點(diǎn)檢測(cè)算法。Amet等[1]提出了一種子帶共生矩陣方法,利用小波分解將原始圖像分解為多個(gè)子帶圖像,并計(jì)算共生矩陣特征值,檢測(cè)精度可達(dá)88%;Rosler[2]從共生矩陣中提取新的特征值檢測(cè)織物疵點(diǎn),檢測(cè)精度可以提高到90%;鄒超等[3]提出了一種模糊邏輯灰度分類方法,利用少量類別替代256個(gè)灰度級(jí),不需要復(fù)雜的特征計(jì)算即可得到模糊類別共生矩陣,但只適用于簡(jiǎn)單素色織物。共生矩陣方法雖然檢測(cè)精度較高,但存在灰度級(jí)別劃分方法不統(tǒng)一且特征值計(jì)算量較大等問(wèn)題。

Conci等[4]利用分形方法對(duì)155幅大小為256像素×256像素的織物圖像樣本進(jìn)行檢測(cè),檢測(cè)精度達(dá)到92%;Bu等[5]提取4種分形特征,對(duì)織物紋理進(jìn)行分類檢測(cè),檢測(cè)精度最高可達(dá)93.5%。分形方法雖提高了檢測(cè)精度,但對(duì)于連續(xù)性不強(qiáng)且形狀特征不顯著的疵點(diǎn)難以檢測(cè)。

Jain等[6]提出了一種基于Gabor濾波器組的非監(jiān)督疵點(diǎn)分割算法,該算法采用多個(gè)濾波器組覆蓋整個(gè)頻域空間,可以非監(jiān)督的檢測(cè)疵點(diǎn)的位置和頻率;Mak[7]采用Gabor小波網(wǎng)絡(luò)從無(wú)疵點(diǎn)的織物紋理中提取最優(yōu)紋理特征,并用其檢測(cè)織物疵點(diǎn),對(duì)平紋和斜紋的檢測(cè)效率分別達(dá)到94.3%和95.2%,檢測(cè)速度達(dá)到20 m/min。由于一種Gabor濾波器只能檢測(cè)一種類型的疵點(diǎn),而在生產(chǎn)現(xiàn)場(chǎng)待檢測(cè)的織物疵點(diǎn)種類繁多,因此采用濾波器訓(xùn)練疵點(diǎn)特性不適合用于生產(chǎn)現(xiàn)場(chǎng)。

Cohen等[8]采用高斯馬爾科夫隨機(jī)場(chǎng)對(duì)織物紋理進(jìn)行建模,經(jīng)過(guò)假設(shè)檢驗(yàn)過(guò)程檢測(cè)織物疵點(diǎn);Baykut等[9]將基于高斯馬爾科夫隨機(jī)場(chǎng)與基于KL變換的織物疵點(diǎn)檢測(cè)算法進(jìn)行比較,結(jié)果表明前者的計(jì)算效率高于后者。由于馬爾科夫隨機(jī)場(chǎng)只能對(duì)較大疵點(diǎn)反應(yīng)靈敏,因此該方法不適用于對(duì)細(xì)小疵點(diǎn)進(jìn)行檢測(cè)。

上述算法中由于計(jì)算量較大,難以滿足疵點(diǎn)實(shí)時(shí)性檢測(cè)的要求,不能有效地提高檢測(cè)效率,因而難以得到實(shí)際應(yīng)用?；诖?本文提出一種基于分類算法的高實(shí)時(shí)性織物疵點(diǎn)檢測(cè)方法,以達(dá)到僅對(duì)正常紋理織物進(jìn)行訓(xùn)練后便可檢測(cè)未知類型疵點(diǎn),克服神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)機(jī)器學(xué)習(xí)算法需要大樣本訓(xùn)練的問(wèn)題,滿足織物疵點(diǎn)高實(shí)時(shí)性檢測(cè)要求。

1 疵點(diǎn)檢測(cè)算法流程

采用機(jī)器學(xué)習(xí)方法可以進(jìn)行奇異性檢測(cè)[10],適用于解決疵點(diǎn)分類問(wèn)題,分類器在訓(xùn)練過(guò)程中僅需要對(duì)正?？椢飿颖具M(jìn)行訓(xùn)練,而不需要對(duì)疵點(diǎn)織物樣本訓(xùn)練,因而節(jié)約了訓(xùn)練時(shí)間,比較適合在線疵點(diǎn)實(shí)時(shí)檢測(cè)。

織物疵點(diǎn)的檢測(cè)過(guò)程包含2個(gè)階段:學(xué)習(xí)階段和分類階段。疵點(diǎn)檢測(cè)可以認(rèn)為是一個(gè)分類過(guò)程,對(duì)織物疵點(diǎn)的檢測(cè)算法流程如圖1所示。 在學(xué)習(xí)階段,只需對(duì)正?？椢锛y理樣本進(jìn)行訓(xùn)練,不需要訓(xùn)練疵點(diǎn)樣本,正常紋理樣本可根據(jù)紋理模型進(jìn)行量化,圖像經(jīng)過(guò)量化后便可提取紋理特征,紋理特征通常是由1組紋理特征向量構(gòu)成,這些特征向量用于支持選擇合適的紋理特征分類器。在分類階段,先將待檢測(cè)的織物樣本進(jìn)行圖像量化,接著提取待測(cè)樣本的紋理特征,最后利用最優(yōu)的分類器進(jìn)行特征分類,判別待測(cè)樣本中是否含有疵點(diǎn)。

圖1 疵點(diǎn)檢測(cè)算法流程圖Fig.1 Flowchart of defect detection algorithm

2 創(chuàng)建織物紋理模型

選取素色無(wú)疵點(diǎn)的平紋和斜紋織物樣本(圖2),并分析二者的灰度直方圖,如圖3所示。

圖2 無(wú)疵點(diǎn)平紋和斜紋織物樣本Fig.2 Samples of no-defect plain fabric(a) and twill fabric(b)

圖3 無(wú)疵點(diǎn)平紋和斜紋織物灰度直方圖Fig.3 Gray level histogram of no-defect plain fabric(a) and twill fabric(b)

通過(guò)分析2種類型織物的灰度直方圖可以發(fā)現(xiàn),素色平紋織物包含1個(gè)灰度色調(diào),而素色斜紋織物則包含2個(gè)灰度色調(diào)。2種織物紋理模型近似服從由2個(gè)高斯函數(shù)組合在一起的高斯分布,因此織物的紋理模型可以采用灰度級(jí)概率密度函數(shù)來(lái)表示,平紋織物的概率密度函數(shù)如式(1)所示:

(1)

式中:μ和σ分別代表高斯分布的均值和方差。

斜紋織物的紋理模型對(duì)應(yīng)灰度級(jí)概率密度函數(shù)如式(2)所示:

(2)

式中:ω1和ω2分別表示2個(gè)高斯函數(shù)的加權(quán)值,且ω1+ω2=1;μ1、σ1與μ2、σ2分別代表2個(gè)高斯函數(shù)的均值和方差,且μ1≤μ2、σ1≤σ2。

為了統(tǒng)一平紋和斜紋織物紋理模型,可以利用式(2)對(duì)織物紋理進(jìn)行統(tǒng)一建模,平紋織物紋理模型(式(1))可以認(rèn)為是式(2)的特殊形式,即式(2)中ω1=1,ω2=0且μ1=μ2,σ1=σ2。

3 特征提取與分類學(xué)習(xí)

3.1 疵點(diǎn)特征提取

進(jìn)行織物疵點(diǎn)判別時(shí),需要從織物紋理圖像中提取表征疵點(diǎn)的紋理特征。根據(jù)疵點(diǎn)檢測(cè)算法,可以采用灰度共生矩陣法[11]提取無(wú)疵點(diǎn)織物的紋理特征,疵點(diǎn)織物則采用異常像素分析法[12]提取紋理特征。

利用灰度共生矩陣法需要選取有代表性的紋理特征,本文選取對(duì)比度(CR)和逆差分距(IDM)作為代表紋理特征,對(duì)比度反映圖像的清晰度,逆差分距反映圖像紋理的同質(zhì)性。式(3)反映織物圖像紋理的對(duì)比度,通常正常織物的對(duì)比度是有序且均勻分布,而有疵點(diǎn)的織物像素點(diǎn)明暗變化無(wú)序,相應(yīng)的紋理對(duì)比度也會(huì)發(fā)生改變。式(4)反映圖像紋理的均勻度,當(dāng)出現(xiàn)疵點(diǎn)時(shí),紋理的均勻度將會(huì)受到破壞,因此特征值CR和IDM可以較好地反映織物的紋理特征,用于判別正常區(qū)域和疵點(diǎn)區(qū)域。

(3)

(4)

式中:N為灰度共生矩陣的總行數(shù)(或總列數(shù));p(i,j)為共生矩陣經(jīng)過(guò)規(guī)范化處理后的元素。

當(dāng)織物中存在疵點(diǎn)時(shí),織物圖像中的像素點(diǎn)亮度便會(huì)出現(xiàn)異常。為了定量描述像素點(diǎn)亮度異常,采用異常像素分析法提取織物疵點(diǎn)特征,異常像素分析法的核心思想是提取異常行程特征,主要包括亮度異常行程(LER)和暗度異常行程(DER)。LER定義如下:

(5)

式中:Q為量化后的像素值;CL為L(zhǎng)ER的行程長(zhǎng)度;Sl為行程長(zhǎng)度大于l的異常亮度的集合;Cs為亮度異常行程的總長(zhǎng)度;s(k)表示第k個(gè)元素的量化級(jí)別;設(shè)定行程長(zhǎng)度閾值l時(shí),通常選取在正常紋理中包含亮度異常行程長(zhǎng)度的90%分位數(shù)。

除了亮度異常特征LER之外,另一個(gè)核心特征是DER,定義如下:

(6)

式中:CD為DER的行程長(zhǎng)度;Dl行程長(zhǎng)度大于l的異常暗度的集合;Cd表示暗度異常行程的總長(zhǎng)度;d(k)表示第k個(gè)暗元素的量化級(jí)別;DL閾值設(shè)定為織物高斯分布的置信區(qū)間下限。

為了表征所選特征值的有效性,選取常見(jiàn)的織物疵點(diǎn)圖像,圖像樣本大小為256像素×256像素,如圖4所示。

圖4 常見(jiàn)織物疵點(diǎn)類型Fig.4 Types of common fabric defects.(a)Broken weft; (b) Lack of warp; (c) Random weft; (d) Nep;(e) Loose warp; (f) Dirty weft (g) Broken; (h) Lack of weft

以缺經(jīng)疵點(diǎn)為例,將圖像樣本劃分為4個(gè)互不相交的子區(qū)域,其中子區(qū)域1代表疵點(diǎn)區(qū)域,子區(qū)域2、子區(qū)域3和子區(qū)域4代表正常區(qū)域,如圖5所示。計(jì)算疵點(diǎn)的4類特征值,結(jié)果如表1所示。

表1 不同區(qū)域的4類特征值Tab.1 Four types of feature value for different areas

圖5 標(biāo)記有疵點(diǎn)區(qū)域的樣本Fig.5 Samples of marked defect areas and its feature value

子區(qū)域1的特征值明顯高于其他子區(qū)域的特征值,即疵點(diǎn)區(qū)域的特征值明顯高于正常區(qū)域,說(shuō)明本文所選的4類特征值可以較好的表征疵點(diǎn)特性,捕捉異常像素點(diǎn)的存在。由于將圖像劃分為16個(gè)區(qū)域,每個(gè)區(qū)域采用4類紋理特征值,因此可以采用64個(gè)特征組描述織物紋理特性。

3.2 分類學(xué)習(xí)

采用機(jī)器學(xué)習(xí)中的分類算法,可以得到判別疵點(diǎn)的分類器。選取織物樣本圖像中互不相交的每個(gè)子區(qū)域作為訓(xùn)練樣本,經(jīng)過(guò)迭代訓(xùn)練才能獲得適合的分類器,在整個(gè)訓(xùn)練過(guò)程中,首先提取每個(gè)訓(xùn)練樣本的特征值,然后利用式(7)對(duì)特征值進(jìn)行歸一化處理。

Vm=(Vm-α)(N1×β)

(7)

式中:Vm為歸一化后的特征向量;N1為訓(xùn)練樣本的總數(shù);α與β為歸一化處理中的偏移系數(shù)。

經(jīng)過(guò)歸一化處理后各個(gè)特征值的權(quán)重較為接近,每個(gè)特征值對(duì)整體屬性的影響力差異較小,訓(xùn)練后的分類器才能較為準(zhǔn)確的描述特征值。分類器經(jīng)過(guò)訓(xùn)練后可以用于檢測(cè)樣本織物,判斷織物中是否包含疵點(diǎn),織物的分類檢測(cè)過(guò)程如圖6所示。待測(cè)織物圖像經(jīng)過(guò)劃分后,提取4類特征值并進(jìn)行歸一化處理,而后輸入訓(xùn)練后的分類器之中,分類器將分類結(jié)果輸出,如果結(jié)果為1,則為正?？椢锛y理,反之則判定存在疵點(diǎn)。

4 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文疵點(diǎn)判別算法的可靠性,分別選取正常紋理樣本和疵點(diǎn)樣本進(jìn)行評(píng)估實(shí)驗(yàn)。所有樣本圖像采用CCD線陣相機(jī)捕獲,圖像樣本大小為256像素×256像素,每個(gè)像素點(diǎn)包含256個(gè)灰度級(jí)別,每幅圖像被分割成16個(gè)大小為64像素×64像素的子區(qū)域,圖像數(shù)據(jù)樣本從每個(gè)子區(qū)域中獲取,樣本的數(shù)據(jù)集信息如表2所示。

表2 3種織物數(shù)據(jù)集信息Tab.2 Three types fabric datasets information

利用分類器對(duì)表2中的無(wú)疵點(diǎn)樣本數(shù)據(jù)集進(jìn)行訓(xùn)練,分類器訓(xùn)練參數(shù)α設(shè)定為0.01,參數(shù)β設(shè)定為0.02,經(jīng)過(guò)10次迭代處理后,分類器得到疵點(diǎn)判定結(jié)果。為了進(jìn)一步驗(yàn)證本文所提算法的優(yōu)勢(shì),選用小波重構(gòu)算法[13]、GMRF模型[14]、BP神經(jīng)網(wǎng)絡(luò)[15]與本文算法進(jìn)行對(duì)比實(shí)驗(yàn),結(jié)果如圖7所示。

圖7 4種算法的檢測(cè)結(jié)果對(duì)比Fig.7 Comparison of detection results of four algorithms

由圖7可見(jiàn),從疵點(diǎn)檢出正確率來(lái)看,小波重構(gòu)算法的平均準(zhǔn)確率為88%,GMRF模型的平均準(zhǔn)確率為81%,BP神經(jīng)網(wǎng)絡(luò)的平均準(zhǔn)確率為91%,本文所提算法的平均準(zhǔn)確率為97%,高于前3種算法,可以更好地用于檢測(cè)織物疵點(diǎn),同時(shí)也說(shuō)明影響檢測(cè)準(zhǔn)確率的因素主要與分類算法選擇和特征值提取有關(guān)。

除了檢測(cè)精度之外,還需對(duì)疵點(diǎn)判別算法的實(shí)時(shí)性進(jìn)行檢測(cè),CPU處理器的選擇對(duì)疵點(diǎn)實(shí)時(shí)性檢測(cè)至關(guān)重要,為了進(jìn)行對(duì)比測(cè)試,選取DSP T1 320C40、Pentium Ⅲ 450 MHz、Matrox Odyssey XCL、P4 3.0 GHz 4種處理器,分別對(duì)應(yīng)選用小波重構(gòu)算法、GMRF模型法、BP神經(jīng)網(wǎng)絡(luò)法與本文所提算法進(jìn)行疵點(diǎn)檢測(cè),檢測(cè)結(jié)果如表3所示。

表3 4種織物疵點(diǎn)檢測(cè)算法的檢測(cè)速度Tab.3 Detection speed of four fabric defect detection algorithms

從表3可知,在織物幅寬接近的情況下,采用不同的處理器和檢測(cè)算法,檢測(cè)速度差異明顯,采用本文的檢測(cè)算法和處理器,檢測(cè)速度可達(dá)41 m/min,表明本文檢測(cè)算法在實(shí)時(shí)性方面具有較為明顯的優(yōu)勢(shì),也說(shuō)明影響實(shí)時(shí)性檢測(cè)效果的因素主要與織物幅寬、表面分辨率和處理器類型有關(guān)。

5 結(jié) 論

針對(duì)織物疵點(diǎn)算法中存在實(shí)時(shí)性不足問(wèn)題,提出了一種基于機(jī)器學(xué)習(xí)的高實(shí)時(shí)性織物疵點(diǎn)檢測(cè)算法,通過(guò)算法分析和對(duì)比性實(shí)驗(yàn)得出以下結(jié)論:

①采用高斯函數(shù)對(duì)織物紋理圖像直方圖進(jìn)行建模,能夠描述織物圖像的灰度色調(diào)變化,選取對(duì)比度、逆差分距、亮度異常行程和暗度異常行程4類紋理特征刻畫織物紋理并突出紋理中包含的疵點(diǎn)。疵點(diǎn)檢測(cè)通過(guò)分類過(guò)程實(shí)現(xiàn),僅對(duì)正常紋理織物進(jìn)行訓(xùn)練后便可檢測(cè)未知類型疵點(diǎn)。

②通過(guò)對(duì)比實(shí)驗(yàn)得出,本文所提算法的檢出準(zhǔn)確率高于其他傳統(tǒng)檢測(cè)算法,在織物幅寬相近的情況下,采用本文的檢測(cè)算法和處理器,檢測(cè)速度可達(dá)41 m/min,能夠滿足在線實(shí)時(shí)監(jiān)測(cè)需求,可以應(yīng)用于高實(shí)時(shí)性的工業(yè)檢測(cè)環(huán)境之中。

今后的研究?jī)?nèi)容可以考慮如何減少原始圖像256像素×256像素的量化級(jí)別,從而減少各個(gè)紋理特征的計(jì)算量,進(jìn)一步提高檢測(cè)算法的實(shí)時(shí)性。