尉苗苗， 李岳陽， 蔣高明， 叢洪蓮

(江南大學(xué) 教育部針織技術(shù)工程研究中心， 江蘇 無錫 214122)

應(yīng)用最優(yōu)Gabor濾波器的經(jīng)編織物疵點檢測

尉苗苗， 李岳陽， 蔣高明， 叢洪蓮

(江南大學(xué) 教育部針織技術(shù)工程研究中心， 江蘇 無錫 214122)

針對經(jīng)編織物疵點自動檢測問題，提出了一種新的基于最優(yōu)Gabor濾波器的經(jīng)編織物疵點檢測方法。具體可分為學(xué)習(xí)階段和檢測階段；在學(xué)習(xí)階段，對于無疵點的經(jīng)編織物圖像構(gòu)造可調(diào)制的二維Gabor濾波器，采用量子行為粒子群優(yōu)化(QPSO)算法對Gabor濾波器的參數(shù)進(jìn)行優(yōu)化，得到與無疵點的織物圖像紋理特征最匹配的Gabor濾波器參數(shù)；在檢測階段，由學(xué)習(xí)階段得到的最佳參數(shù)構(gòu)造Gabor濾波器，用該濾波器對待檢測織物圖像進(jìn)行卷積處理，然后再對得到的卷積圖像進(jìn)行二值化處理，最終識別出待檢測織物是否有疵點存在。結(jié)果表明，該方法的檢測率可以達(dá)到96.67%，具有很好的穩(wěn)定性和魯棒性，適合應(yīng)用于工業(yè)生產(chǎn)。

經(jīng)編織物疵點檢測； 最優(yōu)Gabor濾波器； 量子行為粒子群優(yōu)化算法； 圖像分割

經(jīng)編機(jī)生產(chǎn)過程中，紗線斷裂后織物會出現(xiàn)疵點，目前很多紡織企業(yè)的疵點檢測都是由人工完成的，但人工檢測存在諸多不足[1]：由于檢測疵點是一種重復(fù)性的任務(wù)，而且需要注意力高度集中，檢測工人很容易疲勞厭煩，準(zhǔn)確率僅可以達(dá)到60%～70%；人工檢測花費(fèi)的成本較高，需要雇傭一大批工人不間斷地進(jìn)行檢測。

近年來基于機(jī)器視覺和圖像處理的織物疵點檢測方法大量涌現(xiàn)，主要分為3類方法[2-3]：基于統(tǒng)計的方法[4]、基于頻域的方法、基于模型的方法[5]。在這些方法當(dāng)中，利用Gabor濾波器對織物圖像進(jìn)行分析主要可分為2類[6]：多尺度多方向的Gabor濾波器組[7]；可以調(diào)制的Gabor濾波器[8]。濾波器組的方法需要預(yù)先設(shè)定好一組參數(shù)，這組參數(shù)可以構(gòu)造出一組Gabor濾波器，這組濾波器需要包含整個特征空間，這種方法可以有效地進(jìn)行疵點區(qū)域與無疵點區(qū)域的分割，但是最大的弊端就是需要多個濾波器，計算量大，沒有很強(qiáng)的實時性，應(yīng)用于工業(yè)生產(chǎn)受到了限制。可以調(diào)制的Gabor濾波器方法通過最優(yōu)化方法調(diào)整一個濾波器的參數(shù)，使其與無疵點的背景圖像紋理特征相適應(yīng)，得到最適應(yīng)背景圖像紋理特征的濾波器參數(shù)后，構(gòu)造單個Gabor濾波器對織物圖像進(jìn)行檢測。這種方法，在保證檢測正確率的前提下，盡可能減少運(yùn)算時間，實時性強(qiáng)，更適合應(yīng)用于工業(yè)生產(chǎn)當(dāng)中。

本文方法屬于可以調(diào)制的Gabor濾波器的方法。很多研究者已經(jīng)對最優(yōu)Gabor濾波器的設(shè)計進(jìn)行了研究，分別采用遺傳算法[9]和模擬退火算法[10]等。對于最優(yōu)化Gabor濾波器的方法，關(guān)鍵問題是采用有效的最優(yōu)化算法選擇最優(yōu)參數(shù),才能更容易應(yīng)用于工業(yè)生產(chǎn)?；诖?，本文采用量子行為粒子群優(yōu)化(QPSO)算法作為選取最優(yōu)Gabor濾波器參數(shù)的方法，該方法根據(jù)Fisher準(zhǔn)則[11]構(gòu)造一個目標(biāo)函數(shù)，建立一個非線性規(guī)劃問題的數(shù)學(xué)模型，利用QPSO算法求解該模型就可以得到最佳Gabor濾波器的參數(shù)，該方法能有效地提取出Gabor濾波器的最優(yōu)參數(shù)。

1 二維Gabor濾波器

在空間域中，二維Gabor濾波器[12-13]是由方向性復(fù)正弦函數(shù)調(diào)諧的二維Gaussian核函數(shù)調(diào)制而成，空間域中二維Gabor濾波器可以表示為

G(x,y)=g(x′,y′)exp(2πj(Ux′+Vy′))

(1)

式中：x′=xcosθ+ysinθ，y′=-xsinθ+ycosθ；θ為旋轉(zhuǎn)角度；U是x軸方向的頻率；V是y軸方向的頻率；g(x′,y′)是二維Gaussian 核函數(shù)。式(1)中二維Gaussian核函數(shù)g(x′,y′)的表達(dá)式為

(2)

式中：δx為Gaussian核函數(shù)x軸方向上的尺度參數(shù)；δy為Gaussian核函數(shù)y軸方向上的尺度參數(shù)。

Gabor濾波器是由Gaussian核函數(shù)乘以復(fù)正弦函數(shù)得到的,可表示為

G(x,y)=Ge(x,y)+jGo(x,y)

(3)

式中：Ge(x,y)是二維Gabor濾波器的實部；Go(x,y)是二維Gabor濾波器的虛部。

圖像經(jīng)過Gabor卷積后的圖像R(x,y)可以表示為

R(x,y)=T(x,y)*G(x,y)

(4)

式中：T(x,y)是無疵點的經(jīng)編織物圖像；R(x,y)是經(jīng)過Gabor濾波器卷積后的圖像；*是圖像的卷積操作。

Gabor濾波函數(shù)經(jīng)過適當(dāng)?shù)呐蛎浭湛s或旋轉(zhuǎn)，可以得到自相似的不同方向不同尺度的Gabor濾波函數(shù)，1個Gabor濾波器由1組參數(shù)Φ=(δx,δy,U,V,θ)決定，Φ作為Gabor濾波器提取的參數(shù)用于最優(yōu)Gabor濾波器的選取。

2 疵點檢測算法

2.1 疵點檢測算法的主要步驟

本文提出的織物疵點檢測方法可以視為2種紋理的圖像分割法[14-15],有疵點的區(qū)域和無疵點的區(qū)域紋理特征上有差異，含有疵點的織物圖像最少包含2種紋理,分割不同紋理即可檢測出疵點位置。對于一種織物圖像，正常織物的紋理特征是類似的，不同種類的疵點的紋理特征是多種多樣的，同一種疵點紋理特征也有個體差異，學(xué)習(xí)所有疵點種類的紋理特征是不切實際的，所以只學(xué)習(xí)正?？椢锛y理的特征。本文采用半監(jiān)督的方式[6]，將這些紋理特征作為檢測疵點的依據(jù)。

圖1示出織物疵點的檢測流程圖。本文的織物疵點檢測方法主要分為2個階段。學(xué)習(xí)階段：對N×N的無疵點經(jīng)編織物圖像T(x,y)，構(gòu)造出二維Gabor濾波器G(x,y)，提取出Gabor濾波參數(shù)Φ=(δx,δy,U,V,θ)。根據(jù)Fisher準(zhǔn)則構(gòu)造出目標(biāo)函數(shù)，然后建立具有5個決策變量、3個約束條件的非線性規(guī)劃問題的數(shù)學(xué)模型，再利用量子行為粒子群優(yōu)化(QPSO)算法對提取出來的Gabor濾波參數(shù)進(jìn)行最優(yōu)化處理，得到Gabor濾波器的最優(yōu)參數(shù)Φ*。檢測階段：根據(jù)學(xué)習(xí)階段獲取的參數(shù)Φ*建立Gabor濾波器，對待檢測織物圖像S(x,y)進(jìn)行Gabor卷積處理，再采用低通Gabor濾波器對卷積后的圖像進(jìn)行卷積，降低毛刺信號的干擾，然后再采用中值濾波對卷積后的圖像做進(jìn)一步的平滑處理，最后進(jìn)行閾值分割得到疵點檢測結(jié)果。

2.2 目標(biāo)函數(shù)

本文采用Fisher準(zhǔn)則構(gòu)造目標(biāo)函數(shù)作為QPSO算法的適應(yīng)度函數(shù)。Fisher準(zhǔn)則已經(jīng)廣泛地應(yīng)用于模式識別領(lǐng)域，并且成功地解決了2種紋理的圖像分割問題[14-15]。圖像分割目的是對2種已知的紋理進(jìn)行分割，已知2種紋理圖像I1(x，y)，I2(x，y)，相應(yīng)的Fisher準(zhǔn)則的代價函數(shù)可以表示為

(5)

對于織物疵點檢測問題也可以視為2種紋理的圖像分割，即為已知的無疵點的背景圖像區(qū)域和未知的有疵點的圖像區(qū)域。由于僅對無疵點的背景圖像紋理特征已知，根據(jù)式(5)構(gòu)造出最優(yōu)化問題的目標(biāo)函數(shù)為

(6)

式中：Gabor濾波器的參數(shù)Φ=(δx,δy,U,V,θ)；μ(Φ)和σ(Φ)分別是經(jīng)編織物圖像經(jīng)過Gabor卷積后的能量均值和標(biāo)準(zhǔn)差。

μ(Φ)和σ(Φ)可以分別表示為

(7)

(8)

式中Gabor卷積后的圖像其能量Er(x,y)可以表示為

Er(x,y)=[(T(x,y)*Ge(x,y))2+

(9)

在特定的解空間內(nèi)，要找到與無疵點的織物圖像T(x，y)紋理特征相匹配的Gabor濾波器參數(shù)，需要使能量響應(yīng)值的均值μ(Φ)達(dá)到最大，并且使其方差σ(Φ)達(dá)到最小，也就是使目標(biāo)函數(shù)F(Φ)達(dá)到最小，這樣就能夠得到最優(yōu)Gabor濾波參數(shù)Φ*。

2.3 建立優(yōu)化問題模型

本文上述的經(jīng)編織物疵點檢測的優(yōu)化模型可以建立為具有5個決策變量、3個約束條件的非線性規(guī)劃問題，具體可以描述為

(10)

其中，限制條件式1表示Gabor濾波器的尺度范圍，保證最大的Gabor濾波器在被卷積的圖像內(nèi)部；限制條件式2是Gabor濾波器中心(U,V)的取值范圍,上限是Nyquist frequency (0.5cycles/pixel)的一半；考慮到Gabor濾波器的對稱性，限制條件式3中旋轉(zhuǎn)角度范圍從0到π。

2.4 QPSO算法求解優(yōu)化問題模型

對于本文提出的織物疵點檢測優(yōu)化模型采用QPSO算法進(jìn)行優(yōu)化。QPSO算法是在粒子群優(yōu)化(PSO)算法的基礎(chǔ)上，發(fā)現(xiàn)人類的學(xué)習(xí)過程與粒子的量子行為極為相似而開發(fā)的群體智能算法。QPSO算法參數(shù)較少，隨機(jī)性強(qiáng)，收斂速度快，能覆蓋整個解空間具有非常好的全局搜索能力，已經(jīng)成功應(yīng)用在諸多領(lǐng)域。本文采用QPSO算法對式(10)建立的非線性規(guī)劃模型進(jìn)行參數(shù)優(yōu)化，具體按照如下步驟：

1)初始化粒子群，包括確定最大迭代次數(shù)、搜索空間、粒子的個數(shù)、隨機(jī)初始化粒子的位置(即為Gabor濾波器參數(shù)Φ的一組值)。

設(shè)初始時迭代次數(shù)n=0，最大迭代次數(shù)為max_n；需要確定最優(yōu)值的參數(shù)有Φ=(δx,δy,U,V,θ)，則搜索空間為5維；群體由M個粒子組成x={x1,x2,…,xM}，其中第i個粒子位置為

(11)

個體最好位置為

(12)

群體的全局最好位置為

(13)

其中i=1,2,…,M。

(14)

3)每個粒子位置的更新，也就是Gabor濾波器參數(shù)的動態(tài)調(diào)整過程，采用與步驟2相同方法求出每個粒子的適應(yīng)度函數(shù)值，更新個體最好位置和全局最好位置。

由QPSO算法，粒子的位置更新方程為

(15)

(16)

(17)

每個粒子的位置更新后，采用與步驟2)相同方法求出每個粒子的適應(yīng)度函數(shù)值，然后由式(18)更新個體最好位置：

(18)

由上式得到每個粒子個體最好位置保存的是到當(dāng)前為止具有最小適應(yīng)度函數(shù)值的位置。

每個粒子的個體最好位置確定后，就可根據(jù)式(14)更新全局最好位置。

4)訓(xùn)練在滿足迭代結(jié)束條件時結(jié)束，全局最好位置即為所要確定的Gabor濾波參數(shù)的一組最優(yōu)值；否則，迭代次數(shù)加1，轉(zhuǎn)到步驟3)。

迭代結(jié)束條件一般是迭代次數(shù)n等于max_n。

2.5 閾值分割濾波后的圖像

根據(jù)學(xué)習(xí)過程中得到的最優(yōu)Gabor濾波器參數(shù)Φ*，構(gòu)造出單個Gabor濾波器。由式(4)用構(gòu)造出來的濾波器與待檢測的經(jīng)編織物圖像S(x,y)進(jìn)行卷積操作，得到卷積后的圖像S′(x,y)。圖2示出含有斷經(jīng)疵點的經(jīng)編織物圖像，經(jīng)過最優(yōu)Gabor濾波器卷積操作后，圖像能量響應(yīng)值的三維視圖，可以看出卷積后的圖像毛刺信號較強(qiáng)。

在閾值分割得到二值化檢測結(jié)果前需要進(jìn)一步對圖像做平滑處理，具體按照如下步驟。

1)經(jīng)過最優(yōu)Gabor濾波器卷積后的圖像S′(x,y)中含有大量的噪聲，文獻(xiàn)[11]采用11像素×11像素的低通Gaussian濾波器再次對卷積后的圖像S′(x,y)進(jìn)行卷積處理，這樣可以減少噪聲斑點對二值化過程的影響，但是使用Gaussian濾波器效果改善并不是很明顯，本文采用一個低通Gabor濾波器再次對卷積后的圖像S′(x,y)進(jìn)行卷積操作，得到卷積后的圖像S″(x,y)，再次經(jīng)過低通Gabor濾波器卷積的圖像能量響應(yīng)值三維視圖如圖3所示，毛刺信號比圖2明顯減弱。

2)經(jīng)過2次Gabor濾波器卷積后的圖像S″(x,y)繼續(xù)采用21像素×21像素的中值濾波器進(jìn)行卷積處理，得到卷積后的圖像S?(x,y)，濾波后的圖像能量響應(yīng)值的三維視圖如圖4所示。無疵點的區(qū)域和有疵點的區(qū)域圖像能量響應(yīng)值差別更加明顯，并且毛刺信號進(jìn)一步減弱。

對經(jīng)過上述處理的圖像S?(x,y)做閾值分割處理，由式(9)可計算得到每個像素位置的能量響應(yīng)值Er(x,y)。再由式(19)進(jìn)行閾值分割處理：

(19)

式中：B(x,y)是二值圖像，根據(jù)式(7)、(8)，μ是經(jīng)過上述處理后圖像的能量均值；σ是能量標(biāo)準(zhǔn)差；c是一個實驗常數(shù)，由實驗得到；B(x,y)就是疵點檢測的最終結(jié)果，由B(x,y)來判斷是否含有疵點。若B(x,y)的值為1，則待檢測圖像相對應(yīng)的像素位置有疵點；若B(x,y)的值為0，則待檢測圖像相對應(yīng)的像素位置無疵點。

3 實驗與分析

3.1 與經(jīng)典算法檢測效果對比

為了檢驗本文提出的疵點檢測算法的效果，收集了60幅經(jīng)編織物圖像，參照GB/T 17759—2009《本色布布面疵點檢測方法》對收集到的圖像進(jìn)行分類和統(tǒng)計。離線數(shù)據(jù)庫中包含20張無疵點的樣本，40張不同種類的疵點樣本，所有的樣本都是512像素×512像素8位的灰度圖像。實驗采用Intel OpenCV 2.4.9計算機(jī)視覺方法庫，在Microsoft Visual Studio 2010平臺上進(jìn)行。為了驗證本文提出算法的有效性，對文獻(xiàn)[7]的經(jīng)典算法與本文提出的算法在相同的數(shù)據(jù)庫上的檢測效果進(jìn)行比較，文獻(xiàn)[7]采用Gabor濾波器組，需要使用不同尺度不同方向的一組Gabor濾波器，而本文算法利用QPSO算法訓(xùn)練Gabor濾波器參數(shù)，檢測時使用構(gòu)造的單個最優(yōu)Gabor濾波器，檢測效率明顯優(yōu)于前者。算法檢測效果的評價用二值化圖像表明，檢測結(jié)果如圖5所示。數(shù)據(jù)庫整體檢測結(jié)果見表1、2。表2中正檢率表示包含疵點的圖像可以被正確檢測的比率，誤檢率表示不含疵點的圖像被誤認(rèn)為包含疵點的比率。

表1 疵點檢測結(jié)果統(tǒng)計
Tab.1 Statistics for defect detection results

方法輸入圖像檢測結(jié)果/張檢測出未檢測出本文方法包含疵點382不含疵點200文獻(xiàn)[7]方法包含疵點364不含疵點173

檢測結(jié)果表明文獻(xiàn)[7]和本文算法都能將疵點檢測出來，而圖5(d)、(e)、(f)更清晰、更準(zhǔn)確，從而證明了本文算法的有效性。

分析表1、2經(jīng)編織物圖像疵點檢測結(jié)果統(tǒng)計表

表2 疵點檢測率統(tǒng)計Tab.2 Percent efficiency of proposed method

可知，本文算法對于包含疵點的經(jīng)編織物圖像正檢率較高，對不包含疵點的經(jīng)編織物圖像誤檢率較低，從而證明了本文算法在穩(wěn)定性上優(yōu)于文獻(xiàn)[7]的經(jīng)典算法。

3.2 與最新算法參數(shù)學(xué)習(xí)效率對比

為了檢驗本文算法的最優(yōu)Gabor濾波器參數(shù)學(xué)習(xí)效率，實驗收集了256像素×256像素、128像素×128像素、64像素×64像素?zé)o疵點經(jīng)編織物圖像樣本，對文獻(xiàn)[8]的算法參數(shù)學(xué)習(xí)效率與本文算法參數(shù)學(xué)習(xí)效率作對比，文獻(xiàn)[8]采用遺傳算法對二維Gabor濾波器做最優(yōu)化處理。

在保證能夠獲取足夠無疵點圖像紋理特征信息的前提下，學(xué)習(xí)階段所使用的無疵點經(jīng)編織物圖像T(x,y)的像素尺寸越小，所需的學(xué)習(xí)時間越少，文獻(xiàn)[8]中證明了當(dāng)T(x,y)的尺寸大于或等于64像素×64像素，所獲得的最優(yōu)Gabor濾波器可以包含足夠的紋理特征信息，因此，本文采用的樣本尺寸大于或等于64像素×64像素。表3統(tǒng)計了本文算法和文獻(xiàn)[8]算法在參數(shù)學(xué)習(xí)上所需要的時間，顯然本文算法在參數(shù)學(xué)習(xí)效率方面要優(yōu)于文獻(xiàn)[8]的算法，尤其是在T(x,y)的尺寸較大時，參數(shù)學(xué)習(xí)效率差距明顯，從而證明了本文算法參數(shù)學(xué)習(xí)效率更優(yōu)。

表3 學(xué)習(xí)效率統(tǒng)計Tab.3 Statistics for learning efficiency

3.3 工業(yè)生產(chǎn)應(yīng)用

為了進(jìn)一步檢驗本文算法的有效性，將本文算法應(yīng)用到實際生產(chǎn)過程中。采用MicroView公司生產(chǎn)的線陣CCD工業(yè)相機(jī)(MVC2048DLM-GE19-SOO)，日本理光公司生產(chǎn)的35 mm焦距鏡頭(FL-YFL3528)，在卡爾邁耶公司生產(chǎn)的KS4 EL型電子橫移高速經(jīng)編機(jī)上進(jìn)行實驗。在正常運(yùn)行的經(jīng)編機(jī)出布口處實時采集分辨率為1028像素×128像素的經(jīng)編織物灰度圖像。采用本文算法對其進(jìn)行檢測，結(jié)果如圖6所示。斷經(jīng)疵點被成功地檢測出來，盡管圖像有輕微的像素平移，疵點仍然能被準(zhǔn)確地檢測出來。

如圖6(a)所示，在紗線剛斷的時刻，紗線張力發(fā)生改變，但是仍然有殘留的紗線纏繞其中，此時所形成的疵點并不是很明顯。圖6(b)的檢測結(jié)果證明了本文疵點檢測算法可以有效地檢測出剛開始形成的疵點，這對于工業(yè)生產(chǎn)中布匹疵點的控制非常重要，發(fā)現(xiàn)疵點后立即停車，以減少疵點對布匹質(zhì)量的影響。圖6(b)、(d)示出清晰的檢測結(jié)果，進(jìn)一步證明了本文算法的有效性、穩(wěn)定性以及魯棒性。

4 結(jié) 論

本文主要針對經(jīng)編織物斷經(jīng)、油污、破洞等疵點的檢測方法進(jìn)行研究。采用半監(jiān)督的方式，對無疵點的經(jīng)編織物圖像，利用QPSO算法訓(xùn)練Gabor濾波器參數(shù)，檢測時使用構(gòu)造的單個最優(yōu)Gabor濾波器，相比使用濾波器組的經(jīng)典算法，能夠更有效地、準(zhǔn)確地檢測經(jīng)編織物疵點，更有利用于工業(yè)生產(chǎn)。目標(biāo)函數(shù)通過Fisher準(zhǔn)則構(gòu)造，使得學(xué)習(xí)過程獲得的最佳參數(shù)構(gòu)造的Gabor濾波器與無疵點的織物圖像紋理更加契合，從而使構(gòu)造出的Gabor濾波器更有效地檢測經(jīng)編織物疵點。實驗結(jié)果證明了本文算法的有效性，穩(wěn)定性和魯棒性。

FZXB

[1] CHO C S, CHUNG B M, PARK M J. Development of real-time vision-based fabric inspection system [J]. IEEE Transactions on Industrial Electronics, 2005, 52(4): 1073-1079.

[2] KUMAR A. Computer-vision-based fabric defect detection: a survey [J]. IEEE Transactions on Industrial Electronics, 2008, 55 (1): 348-363.

[3] NGAN H Y T, PANG G K H, YUNG N H C. Automated fabric defect detection: a review [J]. Image and Vision Computing, 2011, 29 (7): 442-458.

[4] SHI M H, FU R, GUO Y, et al. Fabric defect detection using local contrast deviations [J]. Multimedia Tools and Applications, 2011, 52 (1): 147-157.

[5] CAMPBELL J G, FRALEY C, MURTAGH F, et al. Linear flaw detection in woven textiles using model-based clustering [J]. Pattern Recognition Letters, 1997, 18 (14): 1539-1548.

[6] BODNAROVA A, BENNAMOUN M, LATHAM S. Optimal Gabor filters for textile flaw detection [J]. Pattern Recognition, 2002, 35 (12): 2973-2991.

[7] KUMAR A, PANG G K H. Defect detection in textured materials using gabor filters [J]. IEEE Transactions on Industry Applications, 2002, 38 (2): 425-440.

[8] HU Guanghua. Automated defect detection in textured surfaces using optimal elliptical Gabor filters [J]. Optik, 2015, 126 (14): 1331-1340.

[9] JING J F, YANG P P, LI P F, et al. Supervised defect detection on textile fabrics via optimal Gabor filter [J]. Journal of Industrial Textiles, 2014, 44 (1): 40-57.

[10] HU Guanghua. Optimal ring Gabor filter design for texture defect detection using a simulated annealing algorithm [C]// Information Science. Shanghai: Electronics and Electrical Engineering (ISEEE), 2014: 860-864.

[11] KUMAR A, PANG G K H. Defect detection in textured materials using optimized filters [J]. IEEE Transactions on Systems Man and Cybernetics Part B-Cybernetics, 2002, 32 (5): 553-570.

[12] DAUGMAN J G. Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters [J]. Journal of the Optical Society of America. A, Optics and Image Science, 1985, 2 (7): 1160-9.

[13] GABOR D. Theory of communication[J]. Electrical Engineers Part III: Radio and Communication Engineering, 1946, 93 (26): 429-457.

[14] DUNN D, HIGGINS W E. Optimal Gabor filters for texture segmentation [J]. IEEE Transactions on Image Processing, 1995, 4 (7): 947-964.

[15] TSAI D M, WU S K, CHEN M C. Optimal Gabor filter design for texture segmentation using stochastic optimization [J]. Image and Vision Computing, 2001, 19 (5): 299-316.

Warp knit fabric defect detection method based on optimal Gabor filter

YU Miaomiao, LI Yueyang, JIANG Gaoming, CONG Honglian

(Engineering Research Center for Knitting Technology, Ministry of Education, Jiangnan University, Wuxi, Jiangsu 214122, China)

Focusing on automatic image inspection of warp knit fabric defects in textile industry, a new method for warp knit fabric defect detection based on an optimal Gabor filter is presented. The proposed method consists of two processes: the training process and the inspection process. In the training process, the parameters of the 2-D Gabor filter can be tuned by the quantum-behaved particle swarm optimization (QPSO) algorithm to match with the texture features of a defect-free template acquired in prior. In the inspection process, each sample fabric image under inspection is convoluted with the selected optimized Gabor filter. Then a simple thresholding scheme is applied to generate a binary segmented result. Experimental results show that the detection rate of the proposed method can reach 96.67%. It has good performance of stability and robustness, suitable for industrial production.

warp knit fabric defect detection； optimal Gabor filter； quantum-behaved particle swarm optimization algorithm； image segmentation

10.13475/j.fzxb.20151101107

2015-11-03

2016-03-29

江蘇省產(chǎn)學(xué)研聯(lián)合創(chuàng)新資金-前瞻性聯(lián)合研究項目(BY2015019-11)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項資金項目(JUSRP51404A，JUSRP211A38)；江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項目(蘇政辦(2014)37號)

尉苗苗(1988—)，男，碩士生。主要研究方向為圖像處理在針織上的應(yīng)用。李岳陽，通信作者，E-mail： lyueyang@jiangnan.edu.cn。

TP 391.41

A