一種改進(jìn)的織物瑕疵點(diǎn)檢測(cè)的非局部稀疏表示方法

侯璇，薛明志，李登峰

(1.武漢紡織大學(xué) 數(shù)學(xué)與計(jì)算機(jī)學(xué)院，湖北 武漢 430200；2.商丘師范學(xué)院 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，河南 商丘 476000)

0　引　言

紡織行業(yè)中織物質(zhì)量是紡織企業(yè)的核心競(jìng)爭(zhēng)力，所以紡織品質(zhì)量問題與企業(yè)的利益和發(fā)展息息相關(guān)，因此織物質(zhì)量的檢測(cè)便成了織物質(zhì)量控制的關(guān)鍵環(huán)節(jié).傳統(tǒng)的織物檢測(cè)，主要靠人工檢測(cè)來完成，這將造成大量的人力成本，并且檢測(cè)環(huán)境、檢測(cè)時(shí)長(zhǎng)和檢測(cè)人員的情緒等不可抗因素都會(huì)影響檢測(cè)結(jié)果.同時(shí)，隨著科技的發(fā)展，紡織品的種類不斷增加，織物疵點(diǎn)的類型也隨之不斷增多，紡織技術(shù)的不斷提升導(dǎo)致織物疵點(diǎn)越來越細(xì)小，這些因素使得檢測(cè)越來越困難，僅憑人工檢測(cè)難以達(dá)到質(zhì)檢要求和消費(fèi)者需求.因此開發(fā)一種具有高檢測(cè)精度和效率的自動(dòng)檢測(cè)模型非常必要.本文基于非局部集中稀疏的檢測(cè)模型進(jìn)行了優(yōu)化改進(jìn)，改進(jìn)后的模型先對(duì)無缺陷的樣本集圖片進(jìn)行訓(xùn)練學(xué)習(xí)，再將存在疵點(diǎn)的樣本進(jìn)行檢測(cè).

本文組織如下：第一節(jié)介紹織物疵點(diǎn)及疵點(diǎn)檢測(cè)的已有方法；第二節(jié)是本文的主要工作，優(yōu)化改進(jìn)了非局部集中稀疏表示的檢測(cè)模型；對(duì)于該模型的實(shí)驗(yàn)放在第三節(jié)詳細(xì)敘述；第四節(jié)提出了織物疵點(diǎn)檢測(cè)的評(píng)判標(biāo)準(zhǔn)，并對(duì)緯向織物疵點(diǎn)、經(jīng)向織物疵點(diǎn)、不規(guī)則織物疵點(diǎn)和狹小的織物疵點(diǎn)分別做了實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)定；最后對(duì)全文給出總結(jié).

1　織物疵點(diǎn)及其檢測(cè)方法

織物疵點(diǎn)是織物的正常紋理上出現(xiàn)了異常點(diǎn).在紡織行業(yè)中按照織物疵點(diǎn)的幾何形狀一般將疵點(diǎn)分為三種類型：缺少經(jīng)紗的經(jīng)向缺陷型，缺少緯紗和雙緯的緯向缺陷型以及無明顯方向特征的缺陷型，例如斑點(diǎn)、油漬等.在圖像處理領(lǐng)域中，一般將樣本圖片看作是由像素組成的矩陣，而疵點(diǎn)就是圖像中出現(xiàn)異常的陣列.對(duì)于較小的疵點(diǎn)，其缺陷僅含有一個(gè)或兩個(gè)像素，加大了檢測(cè)的難度.

織物疵點(diǎn)檢測(cè)的方法，通常有下列幾種：

1.1　基于統(tǒng)計(jì)的方法

統(tǒng)計(jì)學(xué)的方法是利用自相關(guān)函數(shù)和共生矩陣來表示織物紋理的所有特征，其檢測(cè)原理是根據(jù)像素平均灰度值發(fā)生的變化來判定疵點(diǎn).對(duì)于引起灰度值變化較大的疵點(diǎn)檢測(cè)效果較好；而較小的織物疵點(diǎn)在像素上只表示為幾個(gè)像素陣列，未引起較大灰度值的變化，檢測(cè)效率低下，這也是該檢測(cè)方法的弊端.

1.2　基于結(jié)構(gòu)的方法

結(jié)構(gòu)的方法是將織物按其紋理結(jié)構(gòu)分解成若干組紋理基元，再對(duì)各紋理基元元素進(jìn)行分析，推測(cè)其替換規(guī)則.通過此法檢測(cè)時(shí)，疵點(diǎn)的檢測(cè)精度主要取決于其匹配的模板和渲染對(duì)齊的選擇.而織物在工業(yè)生產(chǎn)中往往存在著隨機(jī)性，對(duì)于紋理的分析僅適用于紋理規(guī)范的織物，因此對(duì)于紋理不規(guī)范或紋理多樣化的織物疵點(diǎn)檢測(cè)存在著局限性.

1.3　基于模型的方法

基于模型的方法是通過預(yù)測(cè)圖像紋理中像素之間的關(guān)系來建立關(guān)系模型.圖像紋理中任意像素在很大程度上取決于與之相鄰的像素用模型來獲取分解后系數(shù)之間的依賴關(guān)系.該方法對(duì)于較小的織物疵點(diǎn)的檢測(cè)度較低.

1.4　基于光譜的方法

將紗線作為基本的紋理基元，分析織物樣品圖像的光譜并提取紋理圖案.先用傅里葉等變換得到圖像的光譜圖，定位光譜圖中的特征峰值，再以正?？椢餅槟０?，計(jì)算待檢測(cè)圖像特征值與模板圖像特征之間的相關(guān)系數(shù)，以確定用于織物檢測(cè)的閾值.但在變換后得到光譜圖的過程引入了大量的計(jì)算，使得檢測(cè)的效率降低.

雖然上述幾種方法在織物疵點(diǎn)檢測(cè)領(lǐng)域都取得了一定的成果，但這些方法都僅僅是從織物紋理特征角度來完成對(duì)瑕疵點(diǎn)的檢測(cè)，依然難以攻克狹小疵點(diǎn)的奇異陣列在灰度值上表現(xiàn)不明顯，以及與背景紋理圖之間差異小等問題.因此本文對(duì)非局部集中稀疏表示檢測(cè)模型進(jìn)行了優(yōu)化改進(jìn)，將整個(gè)檢測(cè)模型分為學(xué)習(xí)模塊和檢測(cè)模塊，通過待檢測(cè)圖片與無缺陷樣本圖片進(jìn)行比對(duì)來分割疵點(diǎn)，解決了狹小疵點(diǎn)不易檢測(cè)的問題.

2　改進(jìn)的非局部集中稀疏表示的檢測(cè)模型

改進(jìn)的非局部集中稀疏表示檢測(cè)模型由兩個(gè)模塊組成：離線的詞典學(xué)習(xí)模塊和實(shí)時(shí)的缺陷檢測(cè)模塊.首先對(duì)圖像集中所有圖像做灰度變換進(jìn)行預(yù)處理，以增強(qiáng)圖像的對(duì)比度.其次，從無缺陷的樣本中獲取自適應(yīng)緊湊字典來構(gòu)建輸入圖像的近似值.最后通過對(duì)閾值的操作來對(duì)輸入的存在缺陷的樣本圖進(jìn)行逼近分割.它的模型圖如下：

圖1　改進(jìn)的非局部集中稀疏表示的檢測(cè)模型

工業(yè)生產(chǎn)中，織物的原料較為精細(xì)，織物的結(jié)構(gòu)也較為精致，所以可用數(shù)組來表示織物圖像并對(duì)其進(jìn)行處理.而當(dāng)織物紋理不規(guī)范時(shí)，織物紋理的像素?cái)?shù)組在數(shù)字圖像中不能較好的表示.當(dāng)采集實(shí)驗(yàn)圖像樣本時(shí)，由于光源照射角度等問題會(huì)引入噪聲，因此需先對(duì)圖像進(jìn)行預(yù)處理以去除圖像中的噪聲來減小對(duì)檢驗(yàn)結(jié)果的影響.

圖像去噪后，用一組基向量也可稱為字典，來稀疏地表示二維信號(hào)，這種稀疏的表示方法可以得出與之相對(duì)應(yīng)的較高質(zhì)量的圖像.字典提供了恢復(fù)圖像的基本信息，在圖像的稀疏表示中起到了至關(guān)重要的作用.另外，采用FCM的聚類方法將無瑕疵點(diǎn)的圖像聚成若干類，每個(gè)集群學(xué)習(xí)各子字典，自適應(yīng)地選擇出圖像恢復(fù)中相關(guān)度最高的基礎(chǔ).子字典學(xué)習(xí)完成后，采用非局部集中稀疏表示模型來尋找稀疏向量α=[α1，α2，…；αm]，當(dāng)恢復(fù)圖像x=8α?xí)r，恢復(fù)的圖像質(zhì)量達(dá)到最高.

字典學(xué)習(xí)是對(duì)原始訓(xùn)練樣本更好的一種表示.給定一組樣本y=(y1，y2，…)，字典學(xué)習(xí)可表示為

其中λ為正則化參數(shù)，αi表示訓(xùn)練樣本yi在詞典D下的稀疏表示.字典學(xué)習(xí)常用有線學(xué)習(xí)的方法進(jìn)行學(xué)習(xí).這里用x表示圖像的向量，那么x的稀疏表示w的求解式為

上式不易求解，但根據(jù)以上討論，當(dāng)w足夠稀疏時(shí)，可以通過最小化范數(shù)來近似求解：

其中λ為常系數(shù).根據(jù)匹配追蹤算法和正交匹配追蹤算法可以求其解.

FCM聚類是一種模糊聚類算法，它是一種基于準(zhǔn)函數(shù)的非線性優(yōu)化算法.該算法以各個(gè)樣本到其聚類中心的類內(nèi)距離加權(quán)平方和最小為目標(biāo)獲取最優(yōu)聚類結(jié)果，并且用隸屬程度函數(shù)來描述對(duì)象屬于集合的程度，可以很好地處理不準(zhǔn)確和不確定的問題，同時(shí)避免了判定聚類成多少個(gè)的問題.

以c表示聚類數(shù)，n為樣本總數(shù)，μij表示第j個(gè)樣本xj屬于第i類的隸屬度，U是隸屬度矩陣，V是聚類中心矩陣，m為模糊度參數(shù)，dij表示第i類中樣本xj到i類聚類中心vi的歐拉距離.那么FCM聚類算法的目標(biāo)函數(shù)為

該算法自適應(yīng)地選取聚類中心，根據(jù)隸屬程度來判定類之間的關(guān)系度，當(dāng)隸屬度更高的點(diǎn)出現(xiàn)時(shí)就會(huì)自動(dòng)替代之前的點(diǎn)，如此迭代多次直到所有點(diǎn)迭代完成，類內(nèi)之間的緊密度高.

隨著科技的發(fā)展，紡織品原材料在不斷改進(jìn)，紡織品的結(jié)構(gòu)和顏色方面都有了較大的變化.本文將無缺陷的織物圖像按照紋理特征分割成若干小塊，再根據(jù)各自的結(jié)構(gòu)特點(diǎn)進(jìn)行整合.稀疏表示的目的是為了以最小的近似誤差恢復(fù)信號(hào).假定選擇恢復(fù)第i個(gè)圖像，用αi表示第i個(gè)圖像塊的稀疏表示的系數(shù).被選的無缺陷的參考樣本圖中都包含了n個(gè)織物紋理元素，將所有樣本集圖片看成是數(shù)據(jù)集S，通過FCM這種模糊聚類的方法聚類成K個(gè)聚類，每個(gè)聚類分別學(xué)習(xí)一個(gè)子字典.

同一個(gè)子集中的元素的相關(guān)度高，會(huì)造成稀疏編碼中的數(shù)據(jù)冗余.PCA是一種降低維度的技術(shù)，可以提取主要的特征數(shù)據(jù)，從而推測(cè)內(nèi)部結(jié)構(gòu)，將其運(yùn)用于學(xué)習(xí)的過程中.其主要原因是PCA可以提取主要的特征數(shù)據(jù)，從而推測(cè)內(nèi)部結(jié)構(gòu).對(duì)于織物疵點(diǎn)來說，織物結(jié)構(gòu)的差異并不大.PCA應(yīng)用到每個(gè)子字典的學(xué)習(xí)中，能直接降低維度而進(jìn)行稀疏表示，可大大減少計(jì)算量.

圖像恢復(fù)通過輸入的待檢測(cè)圖像與參考圖像進(jìn)行對(duì)比之后分割，將可能存在的缺陷分割出來.本文中所使用的參考圖像不是單一固定的圖像，是恢復(fù)的無缺陷的圖像.原始圖像中進(jìn)行預(yù)處理之后，使得疵點(diǎn)所在的區(qū)域的灰度強(qiáng)度大于背景區(qū)域的像素.采用自適應(yīng)的閾值調(diào)節(jié)方式，針對(duì)于每種不同材質(zhì)的織物進(jìn)行閾值自動(dòng)選擇，可以獲得良好的實(shí)驗(yàn)結(jié)果.同時(shí)，自適應(yīng)的閾值選擇方式避免了手動(dòng)調(diào)節(jié)閾值方式中需要進(jìn)行多次對(duì)比實(shí)驗(yàn)來選取最佳實(shí)驗(yàn)效果.最佳閾值的確定與灰度值存在一定的關(guān)系，設(shè)定灰度值為R(x,y)，閾值的上、下限分別為

其中w是以特征圖像為中心的窗口.從參考?xì)埐顖D像在窗口w內(nèi)獲得灰度級(jí)的最大值和最小值來確定ψ的上限和下限值.

3　實(shí)　驗(yàn)

本文用工業(yè)相機(jī)以1050×1050像素獲取不同結(jié)構(gòu)的織物樣本圖，除去拍攝影響和其他條件的影響，選取500張圖像作為實(shí)驗(yàn)樣本.這500張樣本圖包含不同織物結(jié)構(gòu)的樣本，其中300張是無缺陷的圖片樣本，200張為有缺陷的樣本圖片.

3.1　緯向織物疵點(diǎn)的檢測(cè)

對(duì)于緯向性織物疵點(diǎn)的檢測(cè)，實(shí)驗(yàn)選取了顏色深淺程度不一樣的有疵點(diǎn)的織物，其中疵點(diǎn)的清晰度、形狀和大小都不同.現(xiàn)在應(yīng)用本文所提出的改進(jìn)后的模型進(jìn)行檢測(cè).從檢測(cè)結(jié)果可看出，無論背景顏色的深淺程度，還是織物疵點(diǎn)的清晰度，該檢測(cè)模型都能很精準(zhǔn)地檢測(cè)出緯向織物疵點(diǎn)所在的位置、形狀和大小.

圖2　原緯向缺陷的織物

圖3　緯向缺陷織物的檢測(cè)結(jié)果

3.2　經(jīng)向織物疵點(diǎn)的檢測(cè)

實(shí)驗(yàn)采用背景顏色深淺度不同的4張經(jīng)向疵點(diǎn)大小和形態(tài)都不同的圖片進(jìn)行檢測(cè)，檢測(cè)結(jié)果如下圖所示：

圖4　原經(jīng)向缺陷的織物

圖5　徑向缺陷織物的檢測(cè)結(jié)果

檢測(cè)結(jié)果顯示，無論織物的背景顏色、紋理深淺程度如何，該檢測(cè)模型都能精確地定位到經(jīng)向織物的疵點(diǎn).對(duì)于斷斷續(xù)續(xù)的經(jīng)向疵點(diǎn)也能完整的檢測(cè)，做到了不漏檢、不誤檢，且檢測(cè)出的疵點(diǎn)輪廓清晰.

3.3　不規(guī)則織物疵點(diǎn)的檢測(cè)

不規(guī)則織物疵點(diǎn)是指織物的疵點(diǎn)沒有明顯的經(jīng)向或緯向的特點(diǎn)，是一種無規(guī)則的曲線，表現(xiàn)為點(diǎn)或者塊.實(shí)驗(yàn)對(duì)不同紋理和顏色背景的不規(guī)則織物疵點(diǎn)進(jìn)行檢測(cè).實(shí)驗(yàn)結(jié)果表明，無論疵點(diǎn)形狀的大小和數(shù)量，該檢測(cè)模型都能完整而精確地檢測(cè)出疵點(diǎn).

圖6　原不規(guī)則缺陷

圖7　不規(guī)則缺陷的檢測(cè)結(jié)果

3.4　狹小織物疵點(diǎn)的檢測(cè)

狹小的織物疵點(diǎn)，由于疵點(diǎn)所在區(qū)域引起的異常陣列所占的像素個(gè)數(shù)少，不能引起明顯的灰度變化，與背景紋理之間的差別非常小，所以對(duì)狹小疵點(diǎn)的檢測(cè)就顯得尤為困難.這里所采用的改進(jìn)的檢測(cè)模型，在離線學(xué)習(xí)部分將無缺陷的織物各種形態(tài)的圖像樣本集進(jìn)行了學(xué)習(xí).當(dāng)進(jìn)行實(shí)時(shí)檢測(cè)出現(xiàn)狹小疵點(diǎn)時(shí)，能準(zhǔn)確地定位檢測(cè)出來.

這里實(shí)驗(yàn)采用了同一組質(zhì)地的不同種類的4種帶狹小疵點(diǎn)的織物.由于對(duì)圖像進(jìn)行了預(yù)處理，灰度圖上不容易看出織物疵點(diǎn)，所以在圖上進(jìn)行了相應(yīng)的標(biāo)注.用該模型進(jìn)行檢測(cè)后可以看出，該系統(tǒng)對(duì)于狹小織物疵點(diǎn)的檢測(cè)十分有效，能精確定位并能完整檢測(cè)出疵點(diǎn)的形狀.

圖8　原同種質(zhì)地的4種不同類型的織物

圖9　同種質(zhì)地的4種不同類型織物的檢測(cè)結(jié)果

以上實(shí)驗(yàn)表明，無論對(duì)緯向、經(jīng)向、無規(guī)則織物疵點(diǎn)還是狹小疵點(diǎn)，該檢測(cè)模型都能精確檢測(cè).解決了狹小疵點(diǎn)檢測(cè)難、耗時(shí)長(zhǎng)、不精準(zhǔn)等問題，甚至對(duì)于小到只引起一兩個(gè)像素點(diǎn)異常的織物疵點(diǎn)都能精確定位，并檢測(cè)出其大小.相比于從織物紋理角度出發(fā)的檢測(cè)方法，該檢測(cè)模型的檢測(cè)敏感度和檢測(cè)性能更好.

4　織物疵點(diǎn)檢測(cè)評(píng)判標(biāo)準(zhǔn)

近年來，織物疵點(diǎn)檢測(cè)在我國(guó)得到了快速發(fā)展，對(duì)織物疵點(diǎn)檢測(cè)的評(píng)判標(biāo)準(zhǔn)也隨之有了較為統(tǒng)一的看法.現(xiàn)有織物疵點(diǎn)檢測(cè)的精度、織物疵點(diǎn)檢測(cè)通用性和織物疵點(diǎn)檢測(cè)實(shí)時(shí)性三個(gè)性能指標(biāo).

4.1　精度評(píng)估

精度評(píng)估是對(duì)織物疵點(diǎn)檢測(cè)最為重要的一個(gè)評(píng)判標(biāo)準(zhǔn).它根據(jù)檢測(cè)成功率、漏檢率和誤檢率三個(gè)方面來綜合評(píng)估檢測(cè)方法的性能.令TP為疵點(diǎn)的樣本檢測(cè)出的疵點(diǎn)，F(xiàn)P為無疵點(diǎn)的樣本檢測(cè)出的疵點(diǎn)，F(xiàn)N為有疵點(diǎn)的樣本未檢測(cè)出疵點(diǎn)，TN為無疵點(diǎn)的樣本未檢測(cè)出的疵點(diǎn)數(shù).設(shè)CR為樣本檢測(cè)成功率，LR為漏檢率，F(xiàn)AR為誤檢率，則

利用本文所提出的改進(jìn)的非局部集中式稀疏表示模型檢測(cè)，其相關(guān)指標(biāo)列表如下：

表1　改進(jìn)的非局部集中式稀疏表示檢測(cè)模型對(duì)織物疵點(diǎn)的檢測(cè)率

從表1可知，該檢測(cè)模型對(duì)各種類型的織物疵點(diǎn)檢測(cè)成功率都比較高.對(duì)不規(guī)則疵點(diǎn)的檢測(cè)成功率略低于規(guī)則織物疵點(diǎn)的檢測(cè)成功率，漏檢率和誤檢率略高于規(guī)則的織物疵點(diǎn).對(duì)于狹小疵點(diǎn)的檢測(cè)，其檢測(cè)成功率相比于形狀較大的疵點(diǎn)檢測(cè)成功率低，且誤檢率相對(duì)較高.但相較于從織物紋理角度出發(fā)的對(duì)織物狹小疵點(diǎn)的檢測(cè)成功率有了很大的改善，改進(jìn)后的模型檢測(cè)成功率達(dá)到了90%以上.

4.2　通用性

通用性是指該檢測(cè)模型對(duì)不同織物上的不同瑕疵點(diǎn)都能進(jìn)行實(shí)時(shí)檢測(cè)，并達(dá)到較高的檢測(cè)成功率.織物疵點(diǎn)檢測(cè)必須考慮疵點(diǎn)和紋理表面的差異度、圖像分辨率、疵點(diǎn)的大小和形狀以及光照等條件.本文提出的改進(jìn)后的檢測(cè)模型對(duì)不同紋理的織物背景、顏色深淺度不同的帶有疵點(diǎn)的織物以及形狀規(guī)則和不規(guī)則的織物都能進(jìn)行檢測(cè)，且檢測(cè)成功率較高.

4.3　實(shí)時(shí)性

實(shí)時(shí)性要求較少計(jì)算量，加快檢測(cè)速度，以達(dá)到及時(shí)輸入及時(shí)檢測(cè)的目的.本文的檢測(cè)模型運(yùn)用PCA的方法降低維度進(jìn)行稀疏表示，減少了計(jì)算量，加快了檢測(cè)速度，達(dá)到對(duì)輸入的圖片進(jìn)行實(shí)時(shí)檢測(cè)的要求.另外，離線學(xué)習(xí)模塊先將無缺陷織物樣本進(jìn)行學(xué)習(xí)，一次可輸入多個(gè)樣本進(jìn)行訓(xùn)練學(xué)習(xí).對(duì)圖片進(jìn)行檢測(cè)時(shí)，只需輸入待檢測(cè)圖片，系統(tǒng)會(huì)直接開啟實(shí)時(shí)檢測(cè)模塊，與離線學(xué)習(xí)完成后的圖片進(jìn)行比較，分割出缺陷圖片，減少了每次都進(jìn)行離線學(xué)習(xí)的時(shí)間，達(dá)到及時(shí)輸入及時(shí)檢測(cè)的要求.

5　總　結(jié)

本文提出了一種改進(jìn)非局部集中稀疏表示的織物瑕疵檢測(cè)模型.改進(jìn)的模型包含離線學(xué)習(xí)和實(shí)時(shí)圖像檢測(cè)兩個(gè)模塊.先從稀疏編碼中自適應(yīng)選擇無缺陷的樣本進(jìn)行學(xué)習(xí)，然后采用非局部集中稀疏表示模型對(duì)存在缺陷的樣本進(jìn)行恢復(fù).該方法不僅提高了織物疵點(diǎn)的檢測(cè)效率并且提高了對(duì)狹小疵點(diǎn)的檢測(cè)性能.實(shí)驗(yàn)表明，該檢測(cè)模型具有疵點(diǎn)檢測(cè)評(píng)價(jià)標(biāo)準(zhǔn)中的通用性和實(shí)用性，且檢測(cè)精度高，對(duì)狹小織物疵點(diǎn)的檢測(cè)精度也能達(dá)到90%以上.