織物表面疵點(diǎn)檢測(cè)方法的設(shè)計(jì)與實(shí)現(xiàn)

俞新星　任勇　支佳雯

摘要：針對(duì)傳統(tǒng)織物生產(chǎn)企業(yè)中，人工檢測(cè)織物存在瑕疵檢出效率低、誤檢率高的問(wèn)題，提出了一種織物表面疵點(diǎn)檢測(cè)方法。該方法首先采用高斯濾波、線性歸一化以及限制對(duì)比度自適應(yīng)直方圖均衡化對(duì)織物表面圖像進(jìn)行預(yù)處理，從而有效增強(qiáng)圖像中的疵點(diǎn)表現(xiàn)細(xì)節(jié)，然后通過(guò)改進(jìn)的Gabor優(yōu)化選擇，再對(duì)選擇后的圖像進(jìn)行初分解，從中挑選出最優(yōu)濾波圖像進(jìn)行二值化處理，最后運(yùn)用統(tǒng)計(jì)學(xué)方法進(jìn)行疵點(diǎn)判斷并獲得最終結(jié)果。該方法實(shí)現(xiàn)簡(jiǎn)便、硬件要求低、適應(yīng)性廣，可用于判斷織物表面是否含有疵點(diǎn)，并定位疵點(diǎn)。實(shí)驗(yàn)證明，織物表面疵點(diǎn)檢測(cè)準(zhǔn)確率高達(dá)95.38%。

關(guān)鍵詞：織物疵點(diǎn)檢測(cè);Gabor優(yōu)化選擇;直方圖均衡化;線性歸一化

中圖分類號(hào)：TS103;TP391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1009-265X（2021）01-0062-06

Abstract：Toaddresstheproblemsoflowdefectdetectionefficiencyandhighfalsedetectionrateofmanualfabricdetectionintraditionalfabricmanufacturingenterprises，afabricsurfacedefectdetectionmethodisproposed.Forpurposeofthismethod，theGaussianfilter，linearnormalizationandlimitedcontrastadaptivehistogramequalizationareadoptedforpreprocessingfabricsurfaceimages，todisplaydetectdetailsoftheimagesclearly.Secondly，theselectedimagesarepreliminarilydecomposedviaimprovedoptimalGaborfilter，withaviewtopickingouttheoneswiththeoptimalfilteringforbinarizationprocessing.Lastly，defectjudgmentisconductedbymeansofstatisticalapproach，andthefinalresultisobtained.Themethodiseasytooperate，haslowrequirementsintermsofhardware，andisofwideadaptability.Itcanbeusedtojudgethepresenceofdefectsonfabricsurface，andlocatethem.Themethodisprovedtohaveanaccuracyrateoffabricsurfacedefectdetectionashighas95.38%throughexperiments.

Keywords：fabricdefectdetection;optimalGaborfilter;histogramequalization;linearnormalization

作者簡(jiǎn)介：俞新星（1998-），男，江蘇如皋人，2017級(jí)軟件工程專業(yè)本科生。

織物的疵點(diǎn)檢測(cè)是紡織工業(yè)中一項(xiàng)十分重要的環(huán)節(jié)。傳統(tǒng)的織物疵點(diǎn)檢測(cè)通常由人工完成，缺乏統(tǒng)一的疵點(diǎn)評(píng)判標(biāo)準(zhǔn)，且存在檢測(cè)速率與精度低、漏檢與誤檢率高等問(wèn)題[1]。因此尋求快速精確檢出織物疵點(diǎn)的方法成為現(xiàn)代化紡織業(yè)亟需解決的問(wèn)題。

目前普遍采用機(jī)器視覺的方法進(jìn)行織物疵點(diǎn)檢測(cè)。其中，織物瑕疵特征提取算法是織物疵點(diǎn)檢測(cè)的核心，針對(duì)織物疵點(diǎn)檢測(cè)算法主要基于模型的方法，有基于統(tǒng)計(jì)學(xué)的方法，基于譜分析的方法等。基于模型的方法需要構(gòu)建模型并對(duì)各種織物瑕疵進(jìn)行提取與訓(xùn)練，Ngan等[2]運(yùn)用基元的對(duì)稱性在不同基元之間移動(dòng)計(jì)算能量方差，運(yùn)用統(tǒng)計(jì)學(xué)方法得出方差的邊界條件，進(jìn)而識(shí)別疵點(diǎn);基于統(tǒng)計(jì)學(xué)方法主要是利用像素的統(tǒng)計(jì)特征進(jìn)行瑕疵檢測(cè)，Aura等[3]運(yùn)用分形維理論檢測(cè)織物表面的疵點(diǎn)，其準(zhǔn)確率高達(dá)96%，但是精準(zhǔn)度不高，Bodnarova等[4]采用結(jié)構(gòu)文理分析方法，用來(lái)自多模板的相關(guān)系數(shù)產(chǎn)生疵點(diǎn)的相關(guān)映射圖，該方法魯棒性不強(qiáng)，容易受到外界因素的干擾，且在特殊模板與窗口尺寸的選擇上擁有困難;基于譜分析的方法主要基于傅里葉變換、小波變換或者Gabor變換等將織物圖像轉(zhuǎn)換到頻域來(lái)實(shí)現(xiàn)瑕疵檢測(cè)，其中由于Gabor變換具有時(shí)頻分析的特點(diǎn)[5]可以對(duì)圖像進(jìn)行全方位多尺度分析，因此有利于提取織物局部表面凹凸不平的溝紋特征、織物光滑表面的圖案特征和方向特征，并且Gabor變換對(duì)噪聲或光照變換等外界干擾因素具有很強(qiáng)的魯棒性。因此Gabor變換廣泛應(yīng)用于織物的疵點(diǎn)檢測(cè)中。

1Gabor濾波的改進(jìn)

Gabor濾波檢測(cè)方法主要分為兩大類：Gabor優(yōu)化選擇[6]與多通道Gabor濾波融合[7]，其中多通道Gabor濾波融合主要是采用奇數(shù)對(duì)稱Gabor濾波器與偶數(shù)對(duì)稱Gabor濾波器組成的濾波器組濾波，然后采用伯努利組合法則融合兩個(gè)通道濾波后的圖像，再進(jìn)行后續(xù)處理，該方法運(yùn)算量大，不具有實(shí)時(shí)性，應(yīng)用于工業(yè)生產(chǎn)受到限制。Gabor濾波優(yōu)化選擇是根據(jù)一定規(guī)則從不同通道的濾波后圖像中選取出最優(yōu)的圖像進(jìn)行后續(xù)處理，該方法在保證檢測(cè)正確率的前提下，能夠盡可能減少運(yùn)算時(shí)間，擁有很強(qiáng)的實(shí)時(shí)性，適用于工業(yè)生產(chǎn)。

其中Kumar等[8]提出了一種代價(jià)函數(shù)判斷選擇方法，在濾波器理想的條件下，用該濾波器分別處理帶有疵點(diǎn)的織物圖像與無(wú)缺陷的織物圖像，計(jì)算濾波后圖像中的像素均值，由于帶有疵點(diǎn)的織物圖像濾波后的圖像中一般只含有背景區(qū)域和瑕疵區(qū)域，因此帶有疵點(diǎn)的織物圖像像素平均局部能量很高，無(wú)缺陷的織物圖像像素平均局部能量很低，通過(guò)這一特點(diǎn)可以構(gòu)建代價(jià)函數(shù)可用于實(shí)現(xiàn)平均局部能量的最大分離，從而在一定程度上實(shí)現(xiàn)優(yōu)化選擇。該優(yōu)化選擇代價(jià)函數(shù)的總體思路為：設(shè)置K個(gè)尺度，M個(gè)方向的濾波器組濾波，得到K×M幅濾波后圖像，再將各幅濾波圖像分割為S個(gè)獨(dú)立的子塊，其計(jì)算見式（1）。

求取最優(yōu)濾波通道，故選擇代價(jià)函數(shù)最大的通道為最優(yōu)濾波通道。

雖然Kumar等提出的代價(jià)函數(shù)判斷選擇方法效果較為理想，但是文獻(xiàn)[9-10]中分別指該方法不適合大面積型瑕疵的檢測(cè)，分塊大小的選擇對(duì)優(yōu)化選擇的影響較大。除此之外，由于選取的單張圖片具有隨機(jī)性，該算法魯棒性較差。

本研究對(duì)Kumar選擇方法進(jìn)行優(yōu)化，為了避免產(chǎn)生基于單個(gè)像素級(jí)別的偏差，選取帶有疵點(diǎn)的織物圖像與無(wú)缺陷的織物圖像濾波后的圖像的全局偏差來(lái)實(shí)現(xiàn)優(yōu)化選擇。首先通過(guò)處理P幅標(biāo)準(zhǔn)無(wú)瑕疵圖像求得各個(gè)濾波通道的標(biāo)準(zhǔn)像素值，再將第i個(gè)濾波器濾波后圖像分割成S個(gè)大小的子塊并求取每個(gè)子塊均值，計(jì)算每幅圖像中各子塊像素與對(duì)應(yīng)通道標(biāo)準(zhǔn)像素均值之差的平方和，并根據(jù)式（3）求取最優(yōu)濾波通道。

改進(jìn)后的選擇方法具有計(jì)算量小的優(yōu)點(diǎn)，削弱了的取值對(duì)優(yōu)化選擇的影響，通過(guò)對(duì)多幅圖像的運(yùn)算降低了各通道標(biāo)準(zhǔn)均值數(shù)值的偶然性，并且避免了均值比方法帶來(lái)的瑕疵信息被均勻化的缺點(diǎn)。

2織物瑕疵檢測(cè)方法的設(shè)計(jì)與實(shí)現(xiàn)

基于改進(jìn)Kumar優(yōu)化選擇方法，本研究設(shè)計(jì)了一種織物疵點(diǎn)檢測(cè)方法，主要分為4個(gè)步驟：a）對(duì)傳入的圖像進(jìn)行預(yù)處理，凸顯圖像疵點(diǎn)特征;b）構(gòu)建標(biāo)準(zhǔn)圖像多通道濾波后各通道標(biāo)準(zhǔn)參數(shù)庫(kù)，實(shí)現(xiàn)測(cè)試圖像多通道濾波;c）將測(cè)試圖像多通道濾波后的數(shù)據(jù)實(shí)行優(yōu)化選擇，二值分割等操作;d）通過(guò)統(tǒng)計(jì)學(xué)方法實(shí)現(xiàn)織物疵點(diǎn)檢測(cè)判斷。本研究設(shè)計(jì)的織物瑕疵檢測(cè)方法完成過(guò)程如圖1所示。

2.1圖像預(yù)處理

圖像預(yù)處理是為了削減混入織物圖像的噪聲，突出織物疵點(diǎn)信息，減少光照不均等環(huán)境因素帶來(lái)的影響，使得織物圖像便于后續(xù)的特征提取。

雖然通過(guò)圖像的簡(jiǎn)單灰度數(shù)據(jù)縮放可以去除抑制環(huán)境因素帶來(lái)的影響，但是削減噪聲的同時(shí)也導(dǎo)致了疵點(diǎn)數(shù)據(jù)的丟失，由于收集到的圖像為RGB三通道圖像，其數(shù)據(jù)量較大，因此直接采用灰度數(shù)據(jù)縮放處理的方式處理圖像不具有實(shí)時(shí)性，為了便于加快后續(xù)算法處理與適應(yīng)程序處理中的特殊條件，將收集到的RGB三通道圖像通過(guò)加權(quán)平均法轉(zhuǎn)化為灰度圖像。

為了將圖像中的局部高帶通能量區(qū)域轉(zhuǎn)變?yōu)閺?qiáng)灰度分布區(qū)域，將織物圖像通過(guò)高斯濾波器進(jìn)行平滑操作，因?yàn)榭椢飯D像的光譜特征與紗線密度以及織造圖案密切相關(guān)，本研究處理的是不含織造圖案的單色織物，高斯濾波器對(duì)于織造圖案的影響仍有待研究，若織物紗線密度高其頻譜具有高頻成分，需要采用較小尺寸的窗口模板，相反，對(duì)于紗線密度低的織物則需要采用較大尺寸的窗口模板，試驗(yàn)證明將窗口模板大小設(shè)置為織物紋理的最小周期，會(huì)使平滑操作達(dá)到最佳效果。緊接著，為了將圖像轉(zhuǎn)換成唯一的標(biāo)準(zhǔn)形式以削減幾何變換對(duì)圖像帶來(lái)的影響，從而突顯圖像中的常量，本研究將通過(guò)高斯濾波器處理后的織物圖像代入式（4）、式（5）進(jìn)行線性歸一化處理。

式中：g（i，j）為經(jīng)過(guò)高斯濾波器平滑后的圖像在（i，j）處的像素值，p（i，j）為原圖像在處的像素值，src（i，j）為經(jīng)過(guò)初步處理后的圖像在（i，j）處的像素值，min（src（x，y））表示經(jīng)過(guò)初步處理后的圖像中像素值的最小值，max（src（x，y））表示經(jīng)過(guò)初步處理后的像素中圖像像素值的最大值，min表示圖像歸一化所能接受的最小值，max表示圖像歸一化所能接受的最大值。

最后，為了使得處理后的織物圖像具有較高對(duì)比度與較大動(dòng)態(tài)范圍，本研究采用限制對(duì)比度自適應(yīng)直方圖均衡化處理[11]的方法將圖像像素值占有盡可能多的灰度級(jí)并均勻分布。經(jīng)過(guò)圖像增強(qiáng)處理后的測(cè)試圖像如圖2所示。

其中左邊為測(cè)試圖像，右邊為圖像增強(qiáng)后的圖像，可以看出，相較于左邊，右邊圖像中疵點(diǎn)部分的像素明顯得到了增強(qiáng)。

2.2疵點(diǎn)識(shí)別

首先設(shè)置好一組3×4的Gabor濾波器組，其中濾波器方向?yàn)?、π3、2π3，波長(zhǎng)設(shè)置為2、8、16、32px，尺度設(shè)置為l即織物紋理的最小周期，將多幅無(wú)疵點(diǎn)標(biāo)準(zhǔn)圖像與測(cè)試圖像先后通過(guò)設(shè)計(jì)好的濾波器組濾波，在無(wú)疵點(diǎn)標(biāo)準(zhǔn)圖像通過(guò)濾波器組濾波處理后，求得各個(gè)通道濾波后圖像的標(biāo)準(zhǔn)平均像素值

并記為E。在無(wú)疵點(diǎn)標(biāo)準(zhǔn)圖像通過(guò)濾波器組濾波處理后，根據(jù)式（3）確定最優(yōu)濾波通道，選擇最優(yōu)濾波圖像。

在最優(yōu)濾波圖像中的疵點(diǎn)區(qū)域與常規(guī)織物區(qū)域存在較大的能量差，根據(jù)這一特點(diǎn)本研究采用二值分割的方式區(qū)分疵點(diǎn)區(qū)域與常規(guī)織物區(qū)域，在最優(yōu)濾波圖像中大于閾值k的部分將被認(rèn)定為疵點(diǎn)部分，小于閾值k的部分將被認(rèn)為常規(guī)織物部分，閾值的選定直接決定了二值分割的效果，為了提高系統(tǒng)的魯棒性，增加閾值的靈活性與適應(yīng)性，采用大津算法[12]實(shí)現(xiàn)動(dòng)態(tài)閾值分割。

最后經(jīng)過(guò)形態(tài)學(xué)處理，將疵點(diǎn)部分特征放大，并消除部分噪聲的干擾。在通過(guò)實(shí)際測(cè)量261張不同種類的疵點(diǎn)圖像與正常圖像經(jīng)過(guò)處理后黑白像素比重，設(shè)置測(cè)試圖像經(jīng)過(guò)處理后白色像素點(diǎn)占比大于0.04%的為疵點(diǎn)圖像，如圖3所示，本研究設(shè)計(jì)的方法能夠精準(zhǔn)地識(shí)別樣本中是否含有疵點(diǎn)，并可以對(duì)疵點(diǎn)進(jìn)行定位。

3結(jié)果與分析

實(shí)驗(yàn)計(jì)算機(jī)硬件環(huán)境：處理器為Intel（R）Corei5-7300HQCPU（2.50GHz）、內(nèi)存16GB、圖形處理器NVIDIAGeForceGTX1050Ti（4G）。使用Python語(yǔ)言進(jìn)行編程，對(duì)標(biāo)稱規(guī)格為4444（經(jīng)密44根/cm、緯密44根/cm），組織循環(huán)數(shù)為2的織物進(jìn)行圖像采集，采集的織物圖像均采用JPG格式，最終的樣本圖像尺寸均為2448像素1200像素，織物紋理最小周期為5像素。采集的樣本圖像中共包含18類疵點(diǎn)，疵點(diǎn)類型包括擦傷、空織、油污、斷緯、斷經(jīng)、緊邊、色點(diǎn)、竹節(jié)、停車擋、色差、多復(fù)合疵點(diǎn)等，為了評(píng)價(jià)方法實(shí)際應(yīng)用時(shí)的檢測(cè)效果，通過(guò)檢測(cè)1538張圖像并根據(jù)式（6）、式（7）、式（8）、式（9）分別求得準(zhǔn)確率、查準(zhǔn)率、特異性、召回率。

式中：TP為被正確地劃分為正例的樣本數(shù)，F(xiàn)P為被錯(cuò)誤地劃分為正例的樣本數(shù)，F(xiàn)N為被錯(cuò)誤地劃分為負(fù)例的樣本數(shù)，TN為被正確地劃分為負(fù)例的個(gè)數(shù)。準(zhǔn)確率用于評(píng)估模型的全局精準(zhǔn)程度。查準(zhǔn)率又稱為精準(zhǔn)率，用于描述在預(yù)測(cè)為正例的樣本中實(shí)際為正例樣本的比例。特異性用于描述在實(shí)際為負(fù)例的樣本中預(yù)測(cè)為負(fù)例樣本的比例。召回率又稱為查全率，用于描述在實(shí)際為正例的樣本中預(yù)測(cè)為正例的比例。

得出結(jié)果：判斷有無(wú)疵點(diǎn)的準(zhǔn)確率為95.38%，查準(zhǔn)率為94.82%，特異性為92.44%，召回率為97.45%。檢測(cè)結(jié)果如表1所示。

本研究重點(diǎn)分析了誤檢圖像，在預(yù)測(cè)有疵點(diǎn)但是實(shí)際無(wú)疵點(diǎn)的圖像中，含有織物褶皺的圖像占比高達(dá)72.9%，通過(guò)查看過(guò)程處理結(jié)果本研究發(fā)現(xiàn)因?yàn)榭椢锺薨檶?dǎo)致圖像像素點(diǎn)分布不均勻，導(dǎo)致圖像含有油污疵點(diǎn)的部分特征，采用該方法識(shí)別易將褶皺識(shí)別為大面積疵點(diǎn)。在預(yù)測(cè)無(wú)疵點(diǎn)但是實(shí)際有疵點(diǎn)的圖像中，不明顯的斷經(jīng)斷緯疵點(diǎn)、停車擋、色差等疵點(diǎn)占比較小或不明顯的圖像，采用本研究方法識(shí)別易將疵點(diǎn)圖像識(shí)別為標(biāo)準(zhǔn)圖像。預(yù)測(cè)有疵點(diǎn)實(shí)際無(wú)疵點(diǎn)的誤檢圖像分析如表2所示，被誤檢的圖像經(jīng)過(guò)本研究方法的結(jié)果如圖4所示。

4結(jié)語(yǔ)

本研究設(shè)計(jì)了一種織物瑕疵檢測(cè)方法，首先對(duì)圖像進(jìn)行增強(qiáng)，后將圖像通過(guò)Gabor濾波分解，根據(jù)代價(jià)函數(shù)在子圖像中分揀出最優(yōu)濾波子圖像，繼而采用形態(tài)學(xué)與統(tǒng)計(jì)學(xué)操作最終較好地滿足疵點(diǎn)識(shí)別的需求。該方法針對(duì)破洞、油污、復(fù)合瑕疵等疵點(diǎn)具有很好的識(shí)別能力，對(duì)褶皺、不明顯的斷經(jīng)、斷緯、色差等疵點(diǎn)識(shí)別能力偏弱。本研究設(shè)計(jì)的方法只能提供有無(wú)疵點(diǎn)的二元判斷，不能將疵點(diǎn)進(jìn)行詳細(xì)分類，因此降低褶皺等疵點(diǎn)誤檢，疵點(diǎn)類型分類與識(shí)別是下一步的研究重點(diǎn)。

參考文獻(xiàn)：

[1]李文羽，程隆棣.基于機(jī)器視覺和圖像處理的織物疵點(diǎn)檢測(cè)研究新進(jìn)展[J].紡織學(xué)報(bào)，2014，35（3）：158-164.

[2]NGANHYT，PANGGKH，YUNGNHC.Motif-baseddefectdetectionforpatternedfabric[J].PatternRecognition，2008，41（6）：1878-1894.

[3]AURAC，CLAUDIABP.Afractalimageanalysissystemforfabricinspectionbasedonabox-countingmethod[J].ComputerNetworksandISDNSystems，1998，30（20）：1887-1895.

[4]BODNAROVAA，BENNAMOUNM，KUBIKK.DefectdetectionintextilematerialsbasedonaspectsoftheHVS[C]//ProcSMC.SanDiego，CA：IEEEPress，1998：4423-4428.

[5]GABORD.Theoryofcommunication[J].IeeProcLondon，1946，93（73）：58.

[6]MAKKL，PENGP.AnautomatedinspectionsystemfortextilefabricsbasedonGaborfilters[J].RoboticsandComputerIntegratedManufacturing，2008，24（3）：359-369.

[7]何薇，白瑞林，李新.基于Gabor小波和神經(jīng)網(wǎng)絡(luò)的布匹瑕疵檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（12）：231-234.

[8]KUMARA，PANGGKH.DefectdetectionintexturedmaterialsusingGaborfilters[J].IEEETransactionsonIndustryApplications，2002，38（2）：425-440.

[9]李益紅，盧朝陽(yáng)，李靜，等.一種新的Gabor優(yōu)化選擇檢測(cè)算法及應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（5）：4-6，11.

[10]趙宏威，王亦紅.基于改進(jìn)Gabor優(yōu)化選擇的布匹瑕疵檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（24）：202-207.

[11]劉德全，崔濤，楊雅寧.局部對(duì)比度自適應(yīng)直方圖均衡化圖像增強(qiáng)的算法研究[J].信息與電腦（理論版），2016（7）：79-80.

[12]李了了，鄧善熙，丁興號(hào).基于大津法的圖像分塊二值化算法[J].微計(jì)算機(jī)信息，2005（14）：76-77.