徐偉鋒 戴明宏 朱 丹 馬方毅

（紹興職業(yè)技術(shù)學(xué)院，浙江紹興，312000）

隨著智能制造的推廣和高品質(zhì)紡織品需求的提升，紡織行業(yè)對(duì)生產(chǎn)過程、產(chǎn)品質(zhì)量以及品質(zhì)要求也需要相應(yīng)大幅提升。其中，織物疵點(diǎn)是影響產(chǎn)品品質(zhì)的主要原因，成為紡織品質(zhì)量把控的重要環(huán)節(jié)［1］。目前，我國大部分紡織企業(yè)的織物疵點(diǎn)檢測(cè)還采用人工檢測(cè)的方式，自動(dòng)化程度不高、檢測(cè)效率低，容易造成漏檢或誤檢等現(xiàn)象［2］。而機(jī)器視覺作為無損傷、無接觸的自動(dòng)檢測(cè)，具有生產(chǎn)效率高、安全可靠、自動(dòng)化程度高等特點(diǎn)，在物件識(shí)別、產(chǎn)品檢測(cè)、外觀測(cè)量以及視覺定位等方面都得到了廣泛的應(yīng)用，其行業(yè)應(yīng)用領(lǐng)域涉及較廣［3］。

近年來，伴隨機(jī)器視覺和圖像處理技術(shù)的高速發(fā)展，基于機(jī)器視覺的織物疵點(diǎn)檢測(cè)越來越受到關(guān)注，機(jī)器視覺檢測(cè)系統(tǒng)也逐步得到推廣應(yīng)用。如USTER公司推出基于視覺識(shí)別的FABRIQ VISION織物質(zhì)量保證系統(tǒng)，采用光譜成像實(shí)時(shí)獲取被檢測(cè)的圖像并及時(shí)處理，但系統(tǒng)僅對(duì)單色織物檢測(cè)較為精確［4］。EVS公司具有獨(dú)立圖像算法的I-Tex織物疵點(diǎn)自動(dòng)檢測(cè)系統(tǒng)，通過與正?？椢锾卣鬟M(jìn)行實(shí)時(shí)對(duì)比，檢測(cè)異常變化來檢測(cè)識(shí)別疵點(diǎn)，并保存對(duì)應(yīng)疵點(diǎn)圖像數(shù)據(jù)，但檢測(cè)效率并不高［5］。這些國外的檢測(cè)設(shè)備價(jià)格昂貴、維護(hù)成本高，在我國紡織行業(yè)使用率低，而國內(nèi)還處在理論研究和實(shí)踐階段，相對(duì)成熟的織物疵點(diǎn)檢測(cè)系統(tǒng)較少［6］。為提高織物疵點(diǎn)檢測(cè)自動(dòng)化程度、提升紡織品質(zhì)量，結(jié)合機(jī)器視覺技術(shù)，開展織物疵點(diǎn)檢測(cè)研究具有實(shí)際意義和應(yīng)用價(jià)值。

1 織物疵點(diǎn)檢測(cè)系統(tǒng)

縱觀織物疵點(diǎn)檢測(cè)技術(shù)的應(yīng)用與發(fā)展，基于機(jī)器視覺的織物疵點(diǎn)檢測(cè)系統(tǒng)通過工業(yè)攝像機(jī)結(jié)合補(bǔ)光源實(shí)時(shí)對(duì)織物表面進(jìn)行拍攝，并將獲取的織物圖像傳送到圖像采集卡進(jìn)行處理和分析，其檢測(cè)系統(tǒng)主要由圖像采集模塊、圖像處理模塊、圖像分析模塊、系統(tǒng)數(shù)據(jù)管理模塊及人機(jī)交互顯示模塊等部分組成。系統(tǒng)硬件通常有工業(yè)攝像機(jī)、視覺工控機(jī)、PLC控制器、伺服驅(qū)動(dòng)裝置、系統(tǒng)信息顯示等，如圖1所示。

圖1 織物疵點(diǎn)檢測(cè)系統(tǒng)硬件架構(gòu)示意圖

在圖像采集模塊中，攝像機(jī)作為機(jī)器視覺檢測(cè)中最為重要的組成部分，其合理選擇非常關(guān)鍵。目前，常用攝像機(jī)光成像的傳感器主要有電荷耦合器件（Charge Coupled Device，CCD）和互補(bǔ)氧化物半導(dǎo)體（Complementary Metal Oxide Semiconductor，CMOS）。而CCD傳感器具有分辨率高、噪聲小、圖像品質(zhì)好，在織物疵點(diǎn)檢測(cè)應(yīng)用較多［7］。同時(shí)，由于織物檢測(cè)視場(chǎng)廣、采集數(shù)據(jù)量大以及分辨率要求高，為確?？椢飯D像質(zhì)量，圖像采集選用多個(gè)高分辨率、高速掃描的線陣工業(yè)CCD攝像機(jī)。另外，因外界環(huán)境會(huì)產(chǎn)生光干擾，需增加補(bǔ)光源進(jìn)行補(bǔ)光，確保圖像的質(zhì)量。按補(bǔ)光照射方式不同，補(bǔ)光源可分為以直接接收目標(biāo)反射光的明場(chǎng)光源和以間接接收目標(biāo)散射光的暗場(chǎng)光源［8］。結(jié)合檢測(cè)織物疵點(diǎn)的特點(diǎn)和系統(tǒng)結(jié)構(gòu)，補(bǔ)光源通常采用低功耗、使用壽命長(zhǎng)、發(fā)熱小且亮度高的長(zhǎng)條LED條形光源，與攝像機(jī)安裝在同一側(cè)，進(jìn)行明場(chǎng)照明。

圖像處理模塊重點(diǎn)是對(duì)采集中受噪聲干擾的織物圖像進(jìn)行處理，提高圖像清晰度，便于疵點(diǎn)區(qū)域與背景區(qū)域的區(qū)分，主要內(nèi)容有圖像濾波去噪、增強(qiáng)圖像對(duì)比度和圖像疵點(diǎn)區(qū)域分割等。

圖像分析模塊主要是提取織物疵點(diǎn)目標(biāo)特征，如幾何形狀特征、紋理特征以及顏色式樣特征等，進(jìn)行分析和匹配，并通過特征集訓(xùn)練分類，對(duì)織物疵點(diǎn)進(jìn)行識(shí)別及分類。而織物疵點(diǎn)從特征來看，具有不同的幾何形狀、多種式樣以及特有的紋理分布，織物疵點(diǎn)種類較多，檢測(cè)難度大。

系統(tǒng)數(shù)據(jù)管理模塊及人機(jī)交互顯示模塊重點(diǎn)對(duì)圖像數(shù)據(jù)進(jìn)行歸類、統(tǒng)計(jì)、存儲(chǔ)等，并在顯示終端上實(shí)時(shí)顯示織物疵點(diǎn)的類型、形狀和顏色等信息。

2 圖像處理和分析方法

2.1 圖像預(yù)處理算法

為減少生產(chǎn)現(xiàn)場(chǎng)織物圖像采集中包含的噪聲，提高圖像的質(zhì)量，需進(jìn)行圖像預(yù)處理。通常采用空域?yàn)V波和頻域?yàn)V波兩種算法。其中，空域?yàn)V波是在圖像空間中對(duì)鄰域內(nèi)圖像像素進(jìn)行平滑或銳化處理，其主要分為線性濾波（如均值濾波器、高斯濾波器）和非線性濾波（中值濾波器）兩大類；頻域?yàn)V波是對(duì)圖像特征信號(hào)的不同頻率進(jìn)行圖像篩選濾波處理［9］。織物檢測(cè)具有顯著的周期性和連續(xù)性，而織物疵點(diǎn)常處于低頻率，所以，織物圖像濾波通常采用頻域?yàn)V波中的低通濾波器，過濾高頻背景部分，突顯出低頻疵點(diǎn)區(qū)域，便于織物疵點(diǎn)圖像的分割和區(qū)域特征信息的提取。

2.2 圖像分割算法

織物圖像經(jīng)過降噪濾波預(yù)處理后，需根據(jù)圖像灰度、顏色、紋理及形狀等特征，將疵點(diǎn)目標(biāo)區(qū)域從背景區(qū)域中分離出來。目前，常用的圖像分割算法有閾值分割法、區(qū)域分割法、邊緣檢測(cè)分割法等。

2.2.1 閾值分割法

閾值分割法是根據(jù)圖像灰度特征，按照?qǐng)D像準(zhǔn)則函數(shù)計(jì)算選定最佳灰度閾值，并通過圖像二值化，將圖像每個(gè)像素灰度值與其閾值進(jìn)行比較判斷，去除無關(guān)背景區(qū)域，分割出目標(biāo)區(qū)域。假設(shè)織物圖像為f(x，y)，圖像灰度級(jí)為L(zhǎng)，灰度范圍為[0，L-1]，最佳灰度閾值為T，圖像二值化處理后的輸出圖像為g(x，y)，則圖像分割方法表達(dá)式見式（1）［10］。

在最佳灰度閾值計(jì)算中，常見的方法有直方圖閾值算法、迭代閾值算法、Otsu閾值算法。其中，基于最大類間方差的Otsu算法應(yīng)用較多，當(dāng)方差較大時(shí)，目標(biāo)區(qū)域與背景區(qū)域之間的差別就越大，分割處理效果越好。

2.2.2 區(qū)域分割法

區(qū)域分割法是直接以區(qū)域生長(zhǎng)或分裂合并的方式進(jìn)行分割［11］。區(qū)域生長(zhǎng)算法是從具有代表性的初始像素開始，按照與其領(lǐng)域相符合的像素進(jìn)行合并，并指定生長(zhǎng)停止規(guī)則，形成目標(biāo)區(qū)域。而區(qū)域分裂合并算法是從采集圖像中，分裂成小區(qū)域，之后再把目標(biāo)小區(qū)域合并成目標(biāo)區(qū)域，算法復(fù)雜、計(jì)算量較大，同時(shí)在圖像分裂過程中有可能損壞圖像區(qū)域的邊界。所以，在實(shí)際應(yīng)用中，區(qū)域生長(zhǎng)算法和區(qū)域分裂合并算法是結(jié)合起來使用的，主要應(yīng)用于復(fù)雜場(chǎng)景或先驗(yàn)知識(shí)不足的圖像分割場(chǎng)景。

2.2.3 邊緣檢測(cè)分割法

邊緣檢測(cè)分割法使用檢測(cè)特定算子對(duì)圖像中目標(biāo)區(qū)域與背景區(qū)域的交界線進(jìn)行提取，通常采用2×2或3×3的模板作為圖像邊緣檢測(cè)的核，進(jìn)行卷積運(yùn)算，選取合適閾值，實(shí)現(xiàn)兩者的分割［12］。邊緣檢測(cè)分割算法常使用微分算子法，根據(jù)圖像鄰域像素灰度值不連續(xù)的特點(diǎn)，采用一階或二階導(dǎo)數(shù)來檢測(cè)邊緣點(diǎn)。其中，一階導(dǎo)數(shù)邊緣檢測(cè)算子計(jì)算簡(jiǎn)單、運(yùn)算速度快，但定位精度不高［13］，主要有Sobel算子、Roberts算子、Kirsch算子等；二階導(dǎo)數(shù)邊緣檢測(cè)算子比一階定位精度高、但對(duì)噪聲敏感［14-15］，主要有Canny算子、Laplace算子、Log算子等。所以，在使用二階導(dǎo)數(shù)邊緣檢測(cè)算法前，需對(duì)含有噪聲的圖像進(jìn)行濾波和模糊處理。

同時(shí)，在邊緣檢測(cè)中，還出現(xiàn)了一些利用特定工具進(jìn)行圖像分割處理的新算法，主要有小波分析和變換算法、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法等［16］。小波分析和變換算法將時(shí)域和頻域相結(jié)合進(jìn)行圖像處理，對(duì)圖像多尺度的小波變換提供邊緣信息，具有良好的局部化特性。遺傳算法是參考生物自然選擇和自然遺傳機(jī)制的隨機(jī)化全局搜索算法，能提升尋優(yōu)速度和質(zhì)量，但局部搜索能力不強(qiáng)，常與其他算法結(jié)合起來應(yīng)用。

2.3 織物疵點(diǎn)特征提取算法

織物疵點(diǎn)特征提取是織物圖像分析最為關(guān)鍵的內(nèi)容，根據(jù)織物疵點(diǎn)的特點(diǎn)，其主要分為形狀特征、紋理特征、顏色特征等。

2.3.1 形狀特征提取算法

形狀特征提取是基于形狀特征檢索方法，利用圖像中感興趣目標(biāo)區(qū)域進(jìn)行檢索，通常有形狀輪廓特征和區(qū)域特征兩大類。輪廓特征主要針對(duì)單個(gè)物件的外邊界，特征包含的信息較多，但對(duì)噪聲和形變較為敏感，其織物形狀特征提取涉及的方法有邊界特征法、簡(jiǎn)單幾何特征法、傅里葉變換域法等［17］。而區(qū)域特征則關(guān)系到整體形狀區(qū)域，是利用區(qū)域內(nèi)像素集合來表示目標(biāo)輪廓區(qū)域性質(zhì)參數(shù)，主要涉及幾何參數(shù)法（包括區(qū)域簡(jiǎn)單特征、形狀相似性特征和基于直方圖等描述的特征）、形狀不變矩法、拓?fù)涮卣鞣ǖ龋?8］。

2.3.2 紋理特征提取算法

根據(jù)織物圖像紋理特性，紋理特征提取算法目前主要分為統(tǒng)計(jì)法、模型法、結(jié)構(gòu)法和頻譜法四大類算法。

統(tǒng)計(jì)法是圖像紋理特征提取算法中較早出現(xiàn)的方法，有空間域灰度統(tǒng)計(jì)法、圖像方差圖法、紋理譜法等。其中，空間域灰度統(tǒng)計(jì)法中的灰度共生矩陣特征提取法、差分矩陣特征提取法最為常見。GOTLIEB C等［19］通過試驗(yàn)對(duì)共生矩陣各種統(tǒng)計(jì)特征進(jìn)行研究，得出灰度共生矩陣的紋理特征分析方法，涉及能量、二階熵、對(duì)比度和相關(guān)度等關(guān)鍵特征，可以用較多的統(tǒng)計(jì)量表示紋理特征，提升檢測(cè)精度，但計(jì)算工作量大、效率低。為避免灰度共生矩陣出現(xiàn)的問題，胡海兵等［20］提出了灰度差分矩陣統(tǒng)計(jì)方法來提取圖像紋理，計(jì)算量減少、速度也有所提高，但是在特征提取后的分類準(zhǔn)確率并不高。

模型法是通過假定的紋理特定模型和相關(guān)參數(shù)進(jìn)行統(tǒng)計(jì)，提取相應(yīng)的紋理特征。該方法的關(guān)鍵內(nèi)容是如何使用優(yōu)化參數(shù)方法進(jìn)行參數(shù)估計(jì)，主要使用的方法有隨機(jī)模型法、自回歸模型法和分形模型法等。模型法在實(shí)際應(yīng)用中檢測(cè)小型疵點(diǎn)效率不高、計(jì)算量大，近年來涉及的研究?jī)?nèi)容少，但織物紋理建模與其他變換算法結(jié)合，可提高準(zhǔn)確率。

結(jié)構(gòu)法是通過根據(jù)織物疵點(diǎn)紋理單元之間的結(jié)構(gòu)關(guān)系進(jìn)行圖像紋理特征的提取。張善卿等［21］提出了一種基于結(jié)構(gòu)張量特征值的標(biāo)量型紋理特征，將其嵌入到區(qū)域模型中，獲得全局最優(yōu)解的新模型，并通過試驗(yàn)表明該模型特征數(shù)據(jù)維數(shù)少，特征提取速度快。結(jié)構(gòu)法方法簡(jiǎn)單、檢測(cè)效率高，但僅適用于簡(jiǎn)單的、灰度分布均勻的紋理圖像檢測(cè)，而對(duì)織物多樣性的紋理提取效果并不理想。

頻譜法是利用織物圖像特有的紋理頻譜特性，將獲得的時(shí)域信號(hào)轉(zhuǎn)變到頻域進(jìn)行分析處理后，提取圖像紋理特征，其算法主要有傅里葉變換法、Gabor濾波法等［22］。傅里葉變換法是將檢測(cè)圖像變換到頻域，利用頻譜能量或頻譜熵的周期性、方向性以及隨機(jī)性等特征來表征圖像紋理特征。但是，傅里葉變換法只適用于全局性的變化，不具有對(duì)不穩(wěn)定信號(hào)或空間局部變化的分析及特征提取，使用存在一定的局限性［23］。針對(duì)傅里葉變換法的局部變化分析不足，湯曉慶等［24］提出了Gabor濾波法，即在變換中使用Gabor濾波器，從輸出的結(jié)果提取紋理特征的方法，在紋理表征方面效果較好，但Gabor濾波法不隨頻率變化而變化，為單一分辨率分析，計(jì)算復(fù)雜，不適合多尺度、多樣化的織物檢測(cè)。

2.3.3 顏色特征提取算法

顏色特征是織物圖像對(duì)應(yīng)物件的表面性質(zhì)，屬于全局特征，對(duì)圖像尺度、移動(dòng)或旋轉(zhuǎn)變化不敏感，常用的特征提取方法有顏色直方圖法、顏色矩法、顏色集法等［25］。其中，顏色直方圖法能表征織物圖像顏色的全局分布，表明不同色彩在整幅圖像中所占比例，是最常用的顏色特征提取算法，由于顏色直方圖是全局顏色統(tǒng)計(jì)，但對(duì)于圖像顏色局部分布和色彩的空間位置很難表現(xiàn)，可采用主色調(diào)直方圖加以優(yōu)化。顏色矩法是利用線性代數(shù)中矩概念，將圖像顏色分布用矩表示，通常顏色有一階平均值矩、二階方差矩和三階偏斜度矩，而每個(gè)像素具有3個(gè)顏色通道，其顏色矩可用9個(gè)分量進(jìn)行表征，但是，顏色矩的維度少。顏色集法是將圖像RGB顏色空間轉(zhuǎn)化成視覺均衡的空間后，把空間細(xì)化成若干個(gè)小塊區(qū)域，并將每一個(gè)區(qū)域量化建立顏色索引，建立二進(jìn)制圖像顏色索引集，提高特征提取的速度。目前，對(duì)彩色織物圖像處理和分析中，通常圖像先進(jìn)行灰度處理后，再根據(jù)圖像特征進(jìn)行后續(xù)的灰度圖像處理。

3 織物疵點(diǎn)檢測(cè)發(fā)展趨勢(shì)

隨著人工智能技術(shù)、計(jì)算機(jī)信息技術(shù)和傳感器技術(shù)的高速發(fā)展，機(jī)器視覺在織物檢測(cè)也將得到相應(yīng)發(fā)展。對(duì)于機(jī)器視覺在織物疵點(diǎn)檢測(cè)方面的發(fā)展趨勢(shì)主要涵蓋以下幾個(gè)方面。

（1）隨著智能工廠的逐步推廣和紡織生產(chǎn)自動(dòng)化、智能化的發(fā)展需要，采用基于機(jī)器視覺技術(shù)的檢測(cè)方案必將逐步替代傳統(tǒng)的依賴人工檢測(cè)操作。所以，基于機(jī)器視覺的織物疵點(diǎn)檢測(cè)技術(shù)仍將是未來研究和發(fā)展的主要方向。

（2）目前，織物疵點(diǎn)檢測(cè)易受生產(chǎn)環(huán)境、光照亮度、材料特性等因素的影響，在線檢測(cè)容易產(chǎn)生失真的圖像。需要進(jìn)一步研究基于機(jī)器視覺的織物疵點(diǎn)檢測(cè)新理論和新算法，增強(qiáng)智能化程度，構(gòu)建穩(wěn)定可靠的基于機(jī)器視覺的織物疵點(diǎn)檢測(cè)系統(tǒng)。

（3）由于織物疵點(diǎn)的多尺寸、多樣性及復(fù)雜性等特點(diǎn)，在圖像采集過程中，僅從單方向獲取圖像，其信息不夠全面，給后續(xù)圖像處理和分析帶來困難。因此，機(jī)器視覺與人工智能、多傳感器的技術(shù)將會(huì)深度融合，獲得多方面、深層次的圖像信息，進(jìn)一步提升織物疵點(diǎn)特征信息的有效判斷，以確?？椢锎命c(diǎn)檢測(cè)結(jié)果的準(zhǔn)確性。

4 結(jié)束語

在基于機(jī)器視覺的織物疵點(diǎn)檢測(cè)系統(tǒng)中，織物圖像的處理和分析最為重要，主要涉及圖像預(yù)處理、圖像分割、圖像特征提取等內(nèi)容，而每一個(gè)內(nèi)容都有相應(yīng)的多種算法，需根據(jù)生產(chǎn)實(shí)際環(huán)境、織物特性以及生產(chǎn)工藝要求等情況，進(jìn)行合理選擇和應(yīng)用。梳理和分析當(dāng)前織物疵點(diǎn)檢測(cè)算法的應(yīng)用，總結(jié)對(duì)比織物疵點(diǎn)檢測(cè)效果和存在的不足，并對(duì)未來發(fā)展趨勢(shì)進(jìn)行展望，以期為后續(xù)研究工作提供借鑒和參考。