基于十字窗口的經(jīng)編織物疵點(diǎn)檢測(cè)

杜 帥，李岳陽，夏風(fēng)林，羅海馳，蔣高明

(江南大學(xué) a.教育部針織技術(shù)工程研究中心；b.輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室；江蘇 無錫 214122)

在紡織行業(yè)的生產(chǎn)過程中，織物疵點(diǎn)不可避免，疵點(diǎn)的產(chǎn)生會(huì)影響織物的質(zhì)量從而降低產(chǎn)品的價(jià)格，因此對(duì)織物疵點(diǎn)檢測(cè)是紡織品質(zhì)量控制的關(guān)鍵環(huán)節(jié)[1]。目前工廠大多采用人工檢測(cè)方法，且存在很多弊端：一方面，長(zhǎng)時(shí)間工作易疲勞，造成漏檢或誤檢；另一方面，人的靈敏度有限，機(jī)速過高時(shí)，不及時(shí)停機(jī)會(huì)造成過長(zhǎng)的疵點(diǎn)，嚴(yán)重影響織物的質(zhì)量。隨著計(jì)算機(jī)技術(shù)的發(fā)展，織物疵點(diǎn)在線檢測(cè)技術(shù)在紡織行業(yè)應(yīng)用也將成為必然趨勢(shì)[2]。

目前，學(xué)者們?cè)诖祟I(lǐng)域作了大量的研究，比如基于傳統(tǒng)的濾波器[3]的方法，此方法需要調(diào)制多個(gè)濾波器，對(duì)檢測(cè)結(jié)果造成一定的影響；基于局部對(duì)比的背景差分法[4-5]，此方法能夠區(qū)分背景和疵點(diǎn)，但是只適應(yīng)對(duì)目標(biāo)和背景灰度值差別較大的疵點(diǎn)；基于深度學(xué)習(xí)[6-7]的方法，由于疵點(diǎn)樣本種類較多，難以采集，訓(xùn)練時(shí)需要大量的樣本，檢測(cè)結(jié)果不盡人意。雖然上述方法對(duì)疵點(diǎn)檢測(cè)存在一些的弊端，但是也為后續(xù)的研究者奠定了基礎(chǔ)，一些混合的方法能夠彌補(bǔ)一些缺陷，從而達(dá)到很好的效果。例如基于小波變換的織物紋理建模和檢測(cè)的方法[8]，將小波變換與形態(tài)學(xué)方法相結(jié)合，用于水平、垂直和對(duì)角線方向的織物疵點(diǎn)檢測(cè)。基于形態(tài)濾波器的織物疵點(diǎn)檢測(cè)方案[9]，利用訓(xùn)練的Gabor小波網(wǎng)絡(luò)提取織物紋理特征，并設(shè)計(jì)形態(tài)濾波器，通過濾波器消除織物背景紋理，最后進(jìn)行閾值化處理，實(shí)現(xiàn)織物疵點(diǎn)檢測(cè)。

一些混合的方法研究已經(jīng)初現(xiàn)成效，但是對(duì)于實(shí)際生產(chǎn)中的疵點(diǎn)檢測(cè)因素考慮較少，實(shí)際生產(chǎn)中一旦有較小的瑕疵出現(xiàn)，未及時(shí)發(fā)現(xiàn)就會(huì)不斷擴(kuò)大，造成過大的疵點(diǎn)，降低織物的質(zhì)量，且在圖像采集的過程中會(huì)受到光照和車間其他環(huán)境因素的影響。因此，本文基于弱小瑕疵及光源因素影響的前提下，采用了一種十字窗口的方法對(duì)織物疵點(diǎn)進(jìn)行檢測(cè)，主要是利用同態(tài)濾波、局部差分及閾值分割的算法相結(jié)合，從而實(shí)現(xiàn)對(duì)弱小織物疵點(diǎn)的檢測(cè)。

1 圖像預(yù)處理

同態(tài)濾波[2,5]是一種在頻域中進(jìn)行的圖像對(duì)比增強(qiáng)和壓縮圖像亮度范圍的特殊方法，它能夠減少低頻增加高頻，從而減少光照變化并銳化邊緣細(xì)節(jié)。在實(shí)際生產(chǎn)中，受到光照的影響會(huì)使圖像變得模糊不清，疵點(diǎn)部分難以辨認(rèn)。同態(tài)濾波可以對(duì)圖像灰度范圍進(jìn)行調(diào)整，通過消除圖像上照明不均的問題，增強(qiáng)暗區(qū)的圖像細(xì)節(jié)，同時(shí)又不損失亮區(qū)的圖像細(xì)節(jié)。

把原圖像函數(shù)I(x,y)看作為光照函數(shù)，其可以表達(dá)為照射分量i(x,y)與反射分量r(x,y)的乘積，即原圖像的函數(shù)表達(dá)為：

I(x,y)=i(x,y)×r(x,y)

(1)

進(jìn)行同態(tài)濾波，需要將原圖像函數(shù)的乘法運(yùn)算化簡(jiǎn)為加法運(yùn)算，即對(duì)原始圖像函數(shù)作對(duì)數(shù)運(yùn)算：

Z(x,y)=lni(x,y)+lnr(x,y)

(2)

為了將圖像轉(zhuǎn)換到頻域，需要對(duì)上述對(duì)數(shù)運(yùn)算后的函數(shù)做傅立葉變換：

F(Z(x,y))=F(lni(x,y))+F(lnr(x,y))

(3)

然后選擇一個(gè)合適的傳遞函數(shù)H(u,v)，通過壓縮照射分量i(x,y)的變化范圍，削弱I(u,v)，增強(qiáng)反射分量，提升R(u,v)，增強(qiáng)高頻分量，確定一個(gè)合適的H(u,v)，假設(shè)用一個(gè)同態(tài)濾波器函數(shù)H(u,v)來處理原圖像I(x,y)的對(duì)數(shù)的傅立葉變換得：

S(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v)

(4)

逆變到空域得：

s(x,y)=F-1(S(u,v))

(5)

再取指數(shù)即得到最終結(jié)果：

f′(x,y)=exp(s(x,y))

(6)

經(jīng)過同態(tài)濾波前后的圖像如圖1所示。

圖1 同態(tài)濾波前后圖像對(duì)比Fig.1 Comparison of images before and after homomorphic filtering

同態(tài)濾波前后對(duì)比，突出了疵點(diǎn)圖像，抑制了背景圖像，消除光照的影響，具有很好的處理效果。

2 基于十字窗的疵點(diǎn)檢測(cè)算法

2.1 算法原理

一種基于十字窗的疵點(diǎn)檢測(cè)，其原理是利用待檢測(cè)點(diǎn)像素與周圍像素之間的灰度差值，判斷該待檢測(cè)點(diǎn)的類型[10]。其算法原理如圖2所示。

圖2 檢測(cè)算法原理Fig.2 Principle of detection algorithm

圖2中，T表示目標(biāo)中心點(diǎn)，設(shè)中心點(diǎn)上下方向與左右方向的距離分別為M、N，則DTB=DTA=M,DTL=DTR=N；B、A、L、R分別表示十字窗口上的上下左右的頂點(diǎn)，GTA、GTB、GTL、GTR分別表示中心點(diǎn)與其周圍各頂點(diǎn)的灰度差值。設(shè)T的坐標(biāo)為(x，y)，則：

GTA=f(x,y)-f(x+M,y)
GTB=f(x,y)-f(x-M,y)
GTL=f(x,y)-f(x,y-N)
GTR=f(x,y)-f(x,y+N)

(7)

2.2 目標(biāo)識(shí)別

疵點(diǎn)區(qū)域與背景區(qū)域具有一定的區(qū)分性，疵點(diǎn)區(qū)域的灰度值小于或大于背景區(qū)域的灰度值。因此，根據(jù)十字窗口檢測(cè)的算法，會(huì)出現(xiàn)以下兩種情況。

1)疵點(diǎn)區(qū)域的灰度值小于背景區(qū)域的灰度值時(shí)，GTA、GTB、GTL、GTR有一個(gè)以上的值為負(fù)值且較小，則說明T的灰度值小于某個(gè)方向上的灰度，可以把T看作為目標(biāo)像素點(diǎn)；GTA、GTB、GTL、GTR均為為負(fù)值且較大，說明T的灰度值和周圍的灰度值相差不大，則可以把T看作為背景像素點(diǎn)；GTA、GTB、GTL、GTR至少有一個(gè)正值，說明T點(diǎn)的灰度值大于疵點(diǎn)區(qū)域的灰度值，與周圍背景像素值相差不大，則可以把T看作為背景像素點(diǎn)。

2)如果疵點(diǎn)區(qū)域的灰度值大于背景區(qū)域的灰度值，GTA、GTB、GTL、GTR有一個(gè)以上的值為正值且較大，則說明T的灰度值大于某個(gè)方向上的灰度，可以把T看作為目標(biāo)像素點(diǎn)；GTA、GTB、GTL、GTR均為正值且較小，說明T的灰度值和周圍的灰度值相差不大，則可以把T看作為背景像素點(diǎn)；GTA、GTB、GTL、GTR至少有一個(gè)負(fù)值且較大，說明T點(diǎn)的灰度值小于疵點(diǎn)區(qū)域的灰度值，與周圍背景像素值相差不大，則可以把T看作為背景像素點(diǎn)。

2.3 閾值分割

通過閾值分割[11]對(duì)目標(biāo)進(jìn)行提取，通過設(shè)置T值，使圖像中的灰度值為0或255。

(8)

式中：T為分割的閾值，f(x,y)為分割后的圖像。

同上，第二種情況只需對(duì)結(jié)果進(jìn)行取反操作即可得到相同的效果。

3 結(jié)果與分析

為了驗(yàn)證算法的正確性、有效性及適應(yīng)性，本文利用相關(guān)算法對(duì)同種組織的不同類型疵點(diǎn)圖像、不同組織不同情況斷紗疵點(diǎn)圖像及光照不勻下不同情況斷紗的疵點(diǎn)圖像進(jìn)行實(shí)驗(yàn)。

3.1 同種組織不同疵點(diǎn)類型的疵點(diǎn)檢測(cè)

為了驗(yàn)證采用算法的有效性[12]，需要對(duì)不同種類型的織物疵點(diǎn)圖像進(jìn)行離線檢測(cè)。本文采集了90幅不同類型的平紋經(jīng)編織物疵點(diǎn)圖像，其中40張無疵點(diǎn)的圖像，50張含疵點(diǎn)圖像，樣本大小均為512×512像素的灰度圖像，實(shí)驗(yàn)地點(diǎn)是在某研究中心經(jīng)編實(shí)驗(yàn)室，設(shè)備是采用面陣CCD相機(jī)及日本理光公司生產(chǎn)的6 mm焦距的鏡頭(FL-HC0614-2M)，在佶龍機(jī)械公司生產(chǎn)的HKS4 EL型電子橫移高速經(jīng)編機(jī)進(jìn)行圖像采集。利用相關(guān)算法對(duì)采集到的90幅圖像進(jìn)行處理，其疵點(diǎn)檢測(cè)結(jié)果如圖3所示。

圖3 幾種不同類型的織物疵點(diǎn)檢測(cè)結(jié)果Fig.3 Defect detection results of different types of fabrics

圖3(a)(b)(c)分別表示破洞、油污及斷經(jīng)幾種典型的經(jīng)編織物疵點(diǎn)，而圖3(d)(e)(f)分別表示利用十字窗口對(duì)幾種不同類型的織物疵點(diǎn)檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，對(duì)不同類型的織物疵點(diǎn)，利用十字窗口均具有較好的檢測(cè)效果，說明了該算法的有效性。其90幅圖像的測(cè)試結(jié)果如表1所示。

表1 疵點(diǎn)檢測(cè)統(tǒng)計(jì)結(jié)果Tab.1 Statistical results for defect detection

根據(jù)表1的實(shí)驗(yàn)結(jié)果并結(jié)合檢測(cè)效果圖可以看出，本文的算法對(duì)于平紋組織下的破洞、油污及斷經(jīng)的疵點(diǎn)具有很好的檢測(cè)結(jié)果，其檢測(cè)率可達(dá)94.44%，驗(yàn)證了該算法對(duì)平紋組織的疵點(diǎn)檢測(cè)具有一定的普適性、有效性及準(zhǔn)確性。

3.2 不同組織的織物疵點(diǎn)檢測(cè)

為了進(jìn)一步驗(yàn)證算法的適應(yīng)性及有效性，在某特種紡織品有限公司采集了芳綸網(wǎng)眼經(jīng)編織物、平紋經(jīng)編織物及瓊斯丁的織物疵點(diǎn)圖像，其實(shí)驗(yàn)機(jī)型為KARL MAYER公司生產(chǎn)的HKS4型180英寸的經(jīng)編機(jī)，設(shè)備是采用面陣CCD相機(jī)及日本理光公司生產(chǎn)的6 mm焦距的鏡頭(FL-HC0614-2M)，檢測(cè)樣本為2 568×40像素的織物疵點(diǎn)圖像。基于本文的算法在Matlab2014a對(duì)經(jīng)編織物進(jìn)行測(cè)試，其測(cè)試結(jié)果見圖4、圖5和圖6。圖4為芳綸網(wǎng)眼經(jīng)編織物、圖5為平紋經(jīng)編織物、圖6為瓊斯丁，其中圖4(a)(c)(e)、圖5(g)(i)(k)和圖6(m)(o)(q)分別為斷紗在左中右側(cè)的疵點(diǎn)圖像，圖4(b)(d)(f)、圖5(h)(j)(l)和圖6(n)(p)(r)分別為斷紗在左中右側(cè)圖像的檢測(cè)結(jié)果。

圖4 芳綸網(wǎng)眼經(jīng)編織物的檢測(cè)結(jié)果Fig.4 Defect detection results of aramid mesh fabric

圖5 平紋經(jīng)編織物的檢測(cè)結(jié)果Fig.5 Defect detection results of plain warp knitted fabric

圖6 瓊斯丁檢測(cè)結(jié)果Fig.6 The Jonestin detection result

圖4中的芳綸網(wǎng)眼織物，其組織形成網(wǎng)孔，斷紗后會(huì)形成較大的疵點(diǎn)，布面間的張力減小，疵點(diǎn)偏移不明顯。根據(jù)檢測(cè)結(jié)果可以看出，雖然對(duì)左中右側(cè)的斷紗均能檢測(cè)，但是其效果一般，原因是形成的疵點(diǎn)區(qū)域與背景區(qū)域過渡間存在一定的像素，利用十字窗口檢測(cè)則將過渡的像素判斷為疵點(diǎn)區(qū)域，從而導(dǎo)致了檢測(cè)效果的偏差，因此本文算法對(duì)芳綸網(wǎng)眼的檢測(cè)效果一般。

圖5中的平紋經(jīng)編織物，其組織結(jié)構(gòu)緊密，斷紗后由于布面間的張力作用，會(huì)導(dǎo)致疵點(diǎn)偏移，其左側(cè)疵點(diǎn)右偏、右側(cè)疵點(diǎn)左偏、中間不偏。根據(jù)其檢測(cè)結(jié)果可以看出，對(duì)平紋經(jīng)編組織的左中右側(cè)斷紗均具有較好的檢測(cè)結(jié)果，能夠清晰準(zhǔn)確地識(shí)別出疵點(diǎn)的大小及位置，因此本文算法對(duì)于平紋經(jīng)編織物具有較好的檢測(cè)結(jié)果。

圖6中的瓊斯丁織物疵點(diǎn)圖像，采用了40 D錦綸絲、140 D氨綸絲和40 D氨綸絲，其組織結(jié)構(gòu)緊密，斷紗后也會(huì)產(chǎn)生一定的偏移，其中選用的絲較細(xì)，斷紗后的疵點(diǎn)小，效果不明顯。但根據(jù)檢測(cè)效果來看，均能夠準(zhǔn)確地檢測(cè)到疵點(diǎn)的大小和位置，證明了算法的準(zhǔn)確性及有效性。

根據(jù)不同組織不同情況斷紗的疵點(diǎn)檢測(cè)結(jié)果，本文算法對(duì)于平紋經(jīng)編織物、瓊斯丁的疵點(diǎn)檢測(cè)具有很好的檢測(cè)效果，而對(duì)于芳綸網(wǎng)眼織物雖然能識(shí)別出疵點(diǎn)的區(qū)域，但是檢測(cè)效果一般。這是因?yàn)榉季]網(wǎng)眼織物產(chǎn)生的疵點(diǎn)較大，且背景與疵點(diǎn)分離不明顯，也從側(cè)面反映了本文算法普遍適應(yīng)性的條件為疵點(diǎn)背景分離明顯的小目標(biāo)。

3.3 光源等因素影響下的檢測(cè)結(jié)果

圖像的質(zhì)量是影響疵點(diǎn)檢測(cè)檢出率的重要因素之一，圖像采集過程中，光照強(qiáng)弱會(huì)對(duì)圖像質(zhì)量有很大的影響。光照較強(qiáng)采集的圖像會(huì)曝光過度，光照偏弱圖像模糊不清難以分辨，因此在圖像采集時(shí)采用帶有調(diào)節(jié)功能的相機(jī)，通過調(diào)節(jié)光圈、補(bǔ)償光值等方法以滿足圖像采集的需要。但在采集的過程中，機(jī)器機(jī)速過高引起光源的震動(dòng)，素色布的透薄特性使光源通過壓針板等機(jī)器零件形成反射，都會(huì)令相機(jī)的光值補(bǔ)償不盡人意，最終使采集到的圖像光照不勻。

考慮上述因素，利用本文算法進(jìn)行可行性驗(yàn)證。本實(shí)驗(yàn)的光源為飛利浦T5 LED一體燈，功率13 W，色溫6 500 K的白色光，實(shí)驗(yàn)的地點(diǎn)及所用設(shè)備均與3.2中相同，實(shí)驗(yàn)所選用的織物組織的墊紗數(shù)碼為GB3:1-0|3-4//GB4:1-3|1-0//,其圖像及檢測(cè)結(jié)果見圖7。其中圖7(a)(c)(e)為光照不勻較嚴(yán)重情況下左中右側(cè)斷紗的圖像，圖7(b)(d)(f)為檢測(cè)結(jié)果。

圖7中疵點(diǎn)圖像與圖4—圖6的疵點(diǎn)圖像相比較模糊，這是因?yàn)槠涫艿絿?yán)重的光照影響，雖然圖4—圖6中的圖像也受到一定的影響但影響結(jié)果不大。圖7中由于光源震動(dòng)、織物透光及機(jī)械零件反光等因素，造成了光照不勻，而本文算法對(duì)圖7仍具有很好的檢測(cè)結(jié)果，驗(yàn)證了算法的可行性，進(jìn)一步說明算法具有一定的抗干擾性。

圖7 光照不勻下的圖像檢測(cè)結(jié)果Fig.7 The image detection result of fabric under uneven illumination

4 結(jié) 語

本文采用織物疵點(diǎn)檢測(cè)方法，是利用同態(tài)濾波、局部差分及閾值分割的算法相結(jié)合，有效避免了光照因素對(duì)檢測(cè)結(jié)果的影響，同時(shí)采用的十字窗的局部差分法適應(yīng)于對(duì)弱小織物疵點(diǎn)的檢測(cè)，能夠有效規(guī)避實(shí)際生產(chǎn)中因停機(jī)不及時(shí)造成的疵點(diǎn)過長(zhǎng)的問題，為后續(xù)的系統(tǒng)開發(fā)提供了一定的基礎(chǔ)。實(shí)驗(yàn)結(jié)果表明：該算法對(duì)芳綸網(wǎng)眼等疵點(diǎn)大的織物檢測(cè)效果一般，對(duì)平紋及瓊斯丁等組織產(chǎn)生的弱小疵點(diǎn)具有很好的檢測(cè)效果，檢測(cè)正確率可達(dá)94.44%，說明了該算法對(duì)弱小疵點(diǎn)具有較高的適用性及檢出率。