韓其睿，池楠

天津工業(yè)大學(xué)計算機(jī)科學(xué)與軟件學(xué)院，天津 300387

編織物疵點(diǎn)檢測及類型識別

韓其睿，池楠

天津工業(yè)大學(xué)計算機(jī)科學(xué)與軟件學(xué)院，天津 300387

基于編織物常見的幾種疵點(diǎn)為研究對象，利用改進(jìn)的相角變換算法對編織物疵點(diǎn)進(jìn)行特征提取，并在此基礎(chǔ)上利用馬氏距離對編織物二值化以實現(xiàn)疵點(diǎn)檢測，利用幾何數(shù)學(xué)原理實現(xiàn)對編織物疵點(diǎn)的分類。方法實現(xiàn)簡單，相對于以往的編織物疵點(diǎn)檢測，不僅使檢測出的疵點(diǎn)形狀大小更接近疵點(diǎn)原樣，又能檢測出不易察覺的小疵點(diǎn)，并且對于點(diǎn)、線、塊狀的疵點(diǎn)檢測都有良好的效果，使得編織物疵點(diǎn)類型識別更加容易。

相角變換；二值化；編織物疵點(diǎn)識別；幾何關(guān)系

織物疵點(diǎn)檢測是織物生產(chǎn)過程中的一個重要環(huán)節(jié)。傳統(tǒng)的織物疵點(diǎn)檢測方法是由檢測人員參照驗布標(biāo)準(zhǔn)，尋找布面疵點(diǎn)。該類檢測方法勞動強(qiáng)度大、檢測效率低、檢測結(jié)果易受驗布人員的主觀影響，且誤檢率、漏檢率高?？椢飯D像是一種典型的紋理圖像，織物疵點(diǎn)檢測實際上是一個紋理分割和識別的過程，這是因為疵點(diǎn)處的紋理結(jié)構(gòu)不同于正?？椢?，因此能夠把它們檢測出來。斷經(jīng)、缺緯、破洞、油污是編織物最常見的幾種疵點(diǎn)類型。目前，編織物疵點(diǎn)檢測及類型識別大體上有三種方法：第一種方法是利用圖像本身像素之間的統(tǒng)計關(guān)系[1-4]，利用灰度熵、灰度共生矩陣；第二種方法是通過對圖像進(jìn)行變換，在變換域進(jìn)行分析[5-11]，如傅里葉變換、小波變換、Gabor濾波器等方法；第三種就是基于構(gòu)建后的模型進(jìn)行檢測的方法，如高斯-馬爾科夫隨機(jī)場（GMRF）模型的利用[12]。

織物疵點(diǎn)類型各異，形態(tài)不同，所以如何有效進(jìn)行疵點(diǎn)檢測既是當(dāng)今研究難點(diǎn)也是研究的重點(diǎn)。本文在對編織物疵點(diǎn)檢測時，利用改進(jìn)的相角變換方法。對于編織物疵點(diǎn)分類而是避開使用基于神經(jīng)網(wǎng)絡(luò)的方法提出一種新的方法，結(jié)合改進(jìn)的相角變化和簡單幾何數(shù)學(xué)原理的方法。

1 編織物和常見的疵點(diǎn)類型

編織物是由經(jīng)線和緯線按著一定的排列方式組合編織起來的，因此編織物表現(xiàn)出結(jié)構(gòu)性、周期性、方向性和均勻性等一系列的明顯的紋理特征。編織物主要有四種疵點(diǎn)缺陷即斷經(jīng)、缺緯、破洞、油污。

（1）斷經(jīng)：經(jīng)面上某段或通批缺少一段或兩根經(jīng)絲，呈現(xiàn)一細(xì)條織點(diǎn)不連續(xù)的空路。

（2）缺緯：綢面緯向全幅或一段缺少一根或幾根緯絲，呈現(xiàn)緯向織點(diǎn)不連續(xù)的空路。

（3）破洞：在布面同一部位出現(xiàn)經(jīng)、緯紗共斷或并斷三根以上的稱破洞，破洞點(diǎn)的外表面比較粗糙。

（4）油污：通常為布面上出現(xiàn)油污，有時也會出現(xiàn)在一根經(jīng)緯線上，油污的外表面比較圓滑。

2 相角變換

2.1 相角的重要性

在以往重要的文獻(xiàn)中，Oppenheim和Lim[13]曾經(jīng)證實過在信號中相角的重要性。對信號的傅里葉變換，幅度譜和相位譜對于信號來說起著不同的作用，信號的很多重要的特性都保留在相位譜中。圖1顯示了通過幅頻特性和通過相頻特性重建的圖像。圖1左邊是原圖，中間是通過幅頻特性重建的圖像，右邊是通過相頻特性重建的圖像?？梢钥闯鐾ㄟ^幅頻重建的圖像與原圖相比相似性很低，幾乎看不出原始圖像的輪廓，而通過相頻重建的圖像與原始圖像比較相似，能夠看出圖像的輪廓。通過相頻重建圖像保留了輪廓邊緣信息，同時消除了周期性和規(guī)律性。

圖1 通過幅頻特性、相頻特性重建圖像的對比

2.2 相角變換算法

相角變換算法[14]的第一步是對圖像進(jìn)行傅里葉變換。記F(U，V)為f(x，y)的二維傅里葉變換，則：

其中M(U，V)是幅度，φ(U，V)是相角。相角變換算法的第二步是修正傅里葉變換，其公式如下：

3 基于改進(jìn)的相角變換進(jìn)行編織物疵點(diǎn)的檢測

3.1 改進(jìn)的相角變換

編織物表面圖像呈現(xiàn)為一種周期性紋理的特征，纖維束與織物軸向方向成一夾角交叉分布，隨著纖維束的相互交織，在橫向與縱向方向形成一種周期性變化。編織物疵點(diǎn)是區(qū)別于圖像本身規(guī)律的異常突變現(xiàn)象。相角變換算法具有刪除圖像在任意尺度上的任何規(guī)律圖案，同時保留不規(guī)則圖案的特點(diǎn)?？椢锉砻娉尸F(xiàn)周期性規(guī)則的特點(diǎn)，通過相角變換可以略去大部分圖案，只保留個別的單一的或者是一小部分圖案，即是疵點(diǎn)特征。把通過3.2節(jié)中提到的傅里葉反變換處理后的圖像稱之為偽缺陷圖。還無法通過觀察偽缺陷圖而檢測到疵點(diǎn)，通過對偽缺陷圖二值后，可以清楚地識別缺陷。本文首先利用改進(jìn)的相角變換算法對有疵點(diǎn)的編織物圖像進(jìn)行預(yù)處理，得到偽缺陷圖，再選取合適的閾值對預(yù)處理后的編織物圖像進(jìn)行二值化，找出疵點(diǎn)。

通過大量的實驗發(fā)現(xiàn)以對數(shù)的形式修正M(U，V)會得到更好的編織物疵點(diǎn)的特征。即修改2.2節(jié)中的公式（2）得公式（3）：

然后求得公式（3）傅里葉反變換得到偽缺陷圖I。有了偽缺陷圖I就可以計算出一切感興趣的統(tǒng)計量。

3.2 疵點(diǎn)的分割

圖像分割就是把圖像分成若干個特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟。本文利用圖像中要提取的目標(biāo)與其背景在灰度特性上的差異，把圖像分割成兩類區(qū)域，即疵點(diǎn)和背景。疵點(diǎn)圖像分割的基本流程是先確定閾值，然后將圖像中所有像素值與閾值比較，根據(jù)比較結(jié)果將像素分成兩類——疵點(diǎn)或背景。把偽缺陷圖像素每一點(diǎn)相對于偽圖像分散距離作為閾值判斷距離參數(shù)，閾值的選取會因個個圖像而異。本文所做的實驗閾值基本選取的是圖像像素最大值的0.02～0.2倍，0.02～0.2稱閾值選取系數(shù)。偽缺陷圖I即保留異點(diǎn)的圖像，所以每一像素點(diǎn)相對于圖像的分散距離越大越可能不是疵點(diǎn)。所以在進(jìn)行二值化當(dāng)中，閾值選取盡可能小。如果公式（4）的結(jié)果大于所選取的閾值則把此點(diǎn)像素值賦值255，否則賦值0。因為計算結(jié)果虛部相差很小，本文在比較時只用實部結(jié)果進(jìn)行判斷。

其中i是圖像I每一點(diǎn)像素值，u是圖像I的均值，δ2是圖像I的方差。增強(qiáng)后的疵點(diǎn)圖像由于具有大量的高頻噪聲，直接進(jìn)行二值分割后，使用中值濾波器。圖2是本文編織物疵點(diǎn)檢測結(jié)果。從左到右第一和第三個圖是原圖，第二和第四個分別是第一、第三個圖的檢測結(jié)果。

圖2 本文織物疵點(diǎn)檢測結(jié)果

由圖2可以看出本文方法使檢測出的疵點(diǎn)形狀大小更接近疵點(diǎn)原樣，且本文方法又能滿足以往的編織物檢測方法不能很好地檢測出不易察覺的小疵點(diǎn)，不能同時對于點(diǎn)、線、塊狀的疵點(diǎn)檢測。如圖3所示。從左到右第一、第三和第五個圖是原圖，第二、第四和第六個圖分別是第一、第三和第五個圖的檢測結(jié)果。

圖3 本文織物疵點(diǎn)檢測結(jié)果

4 編織物常見疵點(diǎn)類型的識別

4.1 實驗過程及實驗結(jié)果

由第3章基于改進(jìn)的相角變換進(jìn)行編織物疵點(diǎn)檢測，在對于每幅圖像進(jìn)行閾值選取時，閾值選取系數(shù)不同，并且根據(jù)系數(shù)的不同可以分為兩類，油污疵點(diǎn)和缺緯疵點(diǎn)、斷經(jīng)和破洞疵點(diǎn)。所以本文根據(jù)此實驗結(jié)果提出一種新的編織物疵點(diǎn)類型識別算法——二步判斷法。二步判斷法第一步就是根據(jù)閾值系數(shù)的不同進(jìn)行初次分類，第二步就是在每一類中根據(jù)基本的幾何數(shù)學(xué)原理進(jìn)一步判斷。其流程圖如圖4所示。

圖4 編織物疵點(diǎn)類型識別

而表1是應(yīng)用本文方法對織物疵點(diǎn)檢測圖圖號從1到17的含有疵點(diǎn)的編織物進(jìn)行疵點(diǎn)類型識別獲得的數(shù)據(jù)，包括兩階段判斷法第一步的閾值系數(shù)和第二步的X坐標(biāo)長度與Y坐標(biāo)長度比值。

表1 織物疵點(diǎn)識別結(jié)果

圖5是實驗的編織物疵點(diǎn)檢測圖，圖號從1到17。

圖5 編織物疵點(diǎn)檢測圖

4.2 實驗分析

由表1可知，圖號1到4實際上都是斷經(jīng)疵點(diǎn)檢測圖像，而通過本文檢測方法則把圖號是4的圖像誤分類為破洞疵點(diǎn)，圖號5到9本文方法分類結(jié)果與實際情況一樣是破洞疵點(diǎn)，圖10到13實際上是缺緯疵點(diǎn)，而本文方法誤把圖號10分類為油污疵點(diǎn)，圖號14到17分類結(jié)果與實際一樣。本文只對17幅圖進(jìn)行疵點(diǎn)識別，準(zhǔn)確率高達(dá)88%。可想而知，如果對大量的圖像進(jìn)行疵點(diǎn)識別，準(zhǔn)確率會更高。

5 結(jié)束語

本文詳細(xì)地論述和實現(xiàn)了編織物疵點(diǎn)檢測和類型識別的方法和步驟，首先對圖像進(jìn)行變換，利用相角變換對圖像進(jìn)行預(yù)處理，然后提出一種新的方法，基于本文提到的閾值系數(shù)和根據(jù)處理后圖像的X坐標(biāo)和Y坐標(biāo)的長度比值進(jìn)行編織物疵點(diǎn)類型的識別。本文對編織物進(jìn)行疵點(diǎn)識別取得了一定的成功，不但方法實現(xiàn)簡單，而且編織物疵點(diǎn)檢測出的效果特別是形狀大小很接近實際；對于編織物疵點(diǎn)分類可靠性高，只通過對17幅圖進(jìn)行疵點(diǎn)實驗數(shù)據(jù)整理，選取3個判斷系數(shù)分別是閾值系數(shù)0.7、X坐標(biāo)長度與Y坐標(biāo)長度比值0.7和1.3，就能實現(xiàn)可靠的分類，準(zhǔn)確率達(dá)到了88%。

[1]苑麗紅，付麗，楊勇，等.灰度共生矩陣提取紋理特征的實驗結(jié)果分析[J].計算機(jī)應(yīng)用，2009，29（4）：1019-1021.

[2]趙訓(xùn)明，鄧中民，冉友廷.基于加權(quán)局部熵的織物疵點(diǎn)檢測[J].棉紡織技術(shù)，2012，40（10）：20-23.

[3]祝雙武，郝重陽.基于紋理周期性分析的織物疵點(diǎn)檢測方法[J].計算機(jī)工程與應(yīng)用，2012，48（21）：163-166.

[4]王鋒，焦國太，杜燁.基于數(shù)學(xué)形態(tài)學(xué)的織物疵點(diǎn)檢測方法[J].測試技術(shù)學(xué)報，2007，21（6）：515-518.

[5]周帥，張風(fēng)生，李富才.基于小波變換的織物疵點(diǎn)圖像特征提取[J].青島大學(xué)學(xué)報，2013，28（2）：53-59.

[6]情湘運(yùn)，段紅，魏俊民，等.一種新的基于小波分析與神經(jīng)網(wǎng)絡(luò)織物疵點(diǎn)檢測與識別方法[J].儀器儀表學(xué)報，2005，26（6）：618-622.

[7]韓潤萍，孫蘇蓉，姜玲.基于Gabor濾波器組的織物疵點(diǎn)檢測方法[J].計算機(jī)工程與應(yīng)用，2007，43（7）：211-214.

[8]Arivazhagan S，Ganesan L.Texture classification using wavelet transform[J].Pattern Recognition Letters，2003，24（9/10）：1513-1521.

[9]楊曉波.基于自適應(yīng)離散小波變換的混合特征畸變織物疵點(diǎn)識別[J].紡織學(xué)報，2013（1）：133-137.

[10]祝雙武，郝重陽.基于離散小波變換的織物疵點(diǎn)檢測方法[J].計算機(jī)工程與應(yīng)用，2007，43（25）：111-113.

[11]沈建強(qiáng)，耿兆豐.基于小波變換的織物紋理方向檢測方法[J].計算機(jī)工程，2007，33（6）：182-184．

[12]楊曉波.基于GMRF模型的統(tǒng)計特征畸變織物疵點(diǎn)識別[J].紡織學(xué)報，2013，34（4）：137-142.

[13]Oppenheim A V，Lim J S.The importance of phase insignals[J].Proceedings of the IEEE，1981，69：529-541.

[14]Aiger D，Talbot H.The phase only transform for unsupervised surface defect detection[C]//Proc of IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2010：295-302.

HAN Qirui,CHI Nan

School of Computer Science&Software Engineering,Tianjin Polytechnic University,Tianjin 300387,China

By studying several common knit defects,improved phase angle transform algorithm for knit defects feature extraction and the Mahalanobis distance for knit binarization to achieve defect detection are used in this method.Mathematical principles to achieve knit defect classification are used.This method not only can detect subtle small defects, points of defects,lines of defects,blocks of defects,but also the shape and size of defects is as closer as original kint defects compared with the previous knit defect detection.

phase angle conversion;binarization;knitted fabric defect detection;geometry

A

TP39

10.3778/j.issn.1002-8331.1401-0393

HAN Qirui,CHI Nan.Knitted fabric defect detection and type identification.Computer Engineering and Applications,2014,50（21）：234-237.

國家自然科學(xué)基金（No.51378350，No.61173032）。

韓其睿(1957—)，男，教授，多年從事計算機(jī)科學(xué)與技術(shù)、軟件工程以及相關(guān)學(xué)科領(lǐng)域的教學(xué)與科研工作；池楠（1989—），女，研究生，研究方向為計算機(jī)科學(xué)與技術(shù)、軟件工程以及相關(guān)學(xué)科領(lǐng)域。

2014-01-23

2014-04-08

1002-8331（2014）21-0234-04

CNKI出版日期：2014-05-29，http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1401-0393.html