基于機(jī)器視覺(jué)的智能化布匹瑕疵檢測(cè)方法

李 鑫，王新莉，趙讓乾，吳素珍

(河南工程學(xué)院 機(jī)械工程系，河南 鄭州 451191)

布匹瑕疵檢測(cè)是紡織品質(zhì)量控制和管理的主要環(huán)節(jié)之一.長(zhǎng)期以來(lái)，國(guó)內(nèi)大多數(shù)的織布廠主要依靠人工進(jìn)行檢測(cè).這種傳統(tǒng)的檢測(cè)方法不僅速度慢、勞動(dòng)強(qiáng)度大，而且易受人為因素的影響，誤檢率和漏檢率高.為了解決這些問(wèn)題，近年來(lái)基于機(jī)器視覺(jué)的瑕疵檢測(cè)方法備受關(guān)注.

1 檢測(cè)原理概述

紋理是布匹的重要特征，紋理分析是采用機(jī)器視覺(jué)對(duì)布匹進(jìn)行瑕疵檢測(cè)的重要內(nèi)容.常用的紋理表達(dá)和描述方法主要有4種：統(tǒng)計(jì)法、結(jié)構(gòu)法、頻譜法和時(shí)頻域變換法.為了滿足在線檢測(cè)的實(shí)時(shí)性要求，本文將統(tǒng)計(jì)法與時(shí)頻域變換的方法相結(jié)合，提出了一種智能化的布匹瑕疵檢測(cè)方法.

統(tǒng)計(jì)法是一種借助灰度直方圖的矩來(lái)描述紋理，利用求取到的統(tǒng)計(jì)特征量(如標(biāo)準(zhǔn)差)找到疵點(diǎn)的檢測(cè)方法.這種方法簡(jiǎn)單易行，但對(duì)圖像質(zhì)量的要求較高，易受噪聲的影響.

時(shí)頻域變換法，是將圖像信息分解到各子域，再分析抑制圖像紋理的信息頻段，從而增強(qiáng)疵點(diǎn)信息頻段，完成檢測(cè)，如Gabor變換、小波變換等.

為了提高檢測(cè)速度，先對(duì)圖像進(jìn)行初檢測(cè).將圖像分成大小相等的局部窗口，計(jì)算每個(gè)窗口的標(biāo)準(zhǔn)差及灰度平均值，將其與無(wú)瑕疵圖像的平均標(biāo)準(zhǔn)差及灰度平均值相比較，從而確定待檢測(cè)圖像有無(wú)瑕疵及瑕疵的大致區(qū)域.然后，采用一種基于Gabor濾波器的檢測(cè)方法對(duì)有瑕疵的區(qū)域進(jìn)行精確檢測(cè)，確定其位置及大小.該方法是一種通過(guò)提取布匹在不同尺度不同方向的紋理特征，進(jìn)而濾去紋理突出瑕疵(非紋理部分)的檢測(cè)方法.

2 相關(guān)理論

2．1 標(biāo)準(zhǔn)差及灰度平均值

標(biāo)準(zhǔn)差是一個(gè)用來(lái)反映數(shù)值相對(duì)于平均值離散程度的統(tǒng)計(jì)量.對(duì)于一幅不含疵點(diǎn)的布匹圖像而言，圖像的紋理特征是確定的，若將其等分成若干子窗口，簡(jiǎn)稱(chēng)子塊，那么各子塊的標(biāo)準(zhǔn)差和灰度平均值應(yīng)該大小接近，在小范圍內(nèi)波動(dòng).當(dāng)疵點(diǎn)出現(xiàn)時(shí)，圖像的紋理特征遭到破壞，疵點(diǎn)附近的灰度值一定會(huì)發(fā)生較大變化，其標(biāo)準(zhǔn)差和灰度平均值都會(huì)超出正常的范圍，從而檢測(cè)出疵點(diǎn)的存在.

(1)

則其標(biāo)準(zhǔn)差δ為：

(2)

2．2 Gabor濾波器

Gabor變換的基本函數(shù)具有與人類(lèi)視覺(jué)基元相似的性質(zhì)，也是唯一能夠達(dá)到時(shí)頻測(cè)不準(zhǔn)下界的函數(shù)，這些特點(diǎn)對(duì)于研究圖像特征檢測(cè)或空間頻率濾波是極其重要的.

Gabor變換由STFT發(fā)展而來(lái)， 2D-Gabor函數(shù)由一均值為0的Gauss函數(shù)和一個(gè)給定方向和頻率的復(fù)變正弦波函數(shù)調(diào)制而成，其中高斯包絡(luò)提供空域定位能力，弦波函數(shù)則提供頻域分析能力.二維的Gabor函數(shù)表達(dá)式：

(3)

其中，g(x,y)是特殊情況下的Gabor函數(shù)，它的高斯函數(shù)具有環(huán)形對(duì)稱(chēng)性，與正弦項(xiàng)的相位差為0，以原點(diǎn)為中心.ejwx是沿x軸的復(fù)變正弦波.上述表達(dá)式可以寫(xiě)作：

Gabor(x，y)=GaborR(x，y)+jGaborl(x,y).

(4)

將Gabor(x,y)中的x, y坐標(biāo)以θ角度進(jìn)行方向坐標(biāo)變換：

x′=x·cosθ+y·sinθ，

y′=-x·sinθ+y·cosθ，

可得Gabor函數(shù)的實(shí)部為：

(5)

Gabor函數(shù)的虛部為：

(6)

其中，f0是頻帶的中心頻率，θ是方向角，σ決定了通過(guò)頻率的帶寬，這些參數(shù)決定了Gabor函數(shù)在空域和頻域中的位置.

本文中，θ選擇0°， 45°， 90°和135°，分別建立這4個(gè)方向上的二維Gabor濾波器的實(shí)部和虛部模板，用這些模板對(duì)圖像進(jìn)行卷積運(yùn)算便得到處理結(jié)果的實(shí)部和虛部，兩者的和即為圖像的最終處理結(jié)果.

3 瑕疵檢測(cè)算法

3．1 利用標(biāo)準(zhǔn)差及灰度平均值進(jìn)行初檢測(cè)

3．2 建立圖像的金字塔模型

初檢測(cè)后，瑕疵所在的大致區(qū)域已經(jīng)確定，接著在該區(qū)域采用一種基于Gabor濾波器的檢測(cè)方法就可完成對(duì)瑕疵的精確檢測(cè).

紋理與尺度有密切聯(lián)系，一般僅在一定的尺度上可以觀察到.因此，要分析紋理需要確定一定的尺度.利用多分辨率技術(shù)檢測(cè)紋理，是獲得理想瑕疵檢測(cè)的好途徑.在本文中，對(duì)布匹瑕疵檢測(cè)使用多分辨率的過(guò)程轉(zhuǎn)化為建立金字塔結(jié)構(gòu)的過(guò)程.通過(guò)將頻域中以45°為步長(zhǎng)旋轉(zhuǎn)并對(duì)頻率在空間域內(nèi)減半采樣，就可以建立金字塔模型.

由于原始坯布是按照經(jīng)緯向規(guī)律織成的，在對(duì)角方向也有明顯的紋理特征，所以在實(shí)踐中僅采用水平和垂直兩個(gè)方向進(jìn)行濾波.基于圖像大小規(guī)范化和計(jì)算代價(jià)的考慮，在算法實(shí)現(xiàn)時(shí)采用4層金字塔結(jié)構(gòu)，每層包含兩幅圖像，分別代表布匹在0°和90°方向上的特性.求取下一層金字塔原始圖像，對(duì)上一層原始圖像進(jìn)行數(shù)據(jù)縮減采樣之前，要對(duì)其進(jìn)行一次低通濾波，以消除高頻噪聲的影響.建立金字塔模型的步驟如下：

(1) 采集的原始圖像作為金字塔的第0層；

(2) 對(duì)每層的原始圖像在0°和90°兩個(gè)方向上進(jìn)行Gabor濾波；

(3) 與步驟(2)同時(shí)，對(duì)該層原始圖像進(jìn)行低通濾波；

(4) 對(duì)步驟(3)得到的圖像減半采樣，從而獲得金字塔下一層的原始圖像；

(5) 返回步驟(2)，繼續(xù)操作，直到生成4層(0～3)建立金字塔模型，將第3層(最高層)的低通濾波結(jié)果保存為tlpr.

至此，描述了紋理在8個(gè)方向上的特征，下面進(jìn)行二值化操作，對(duì)紋理進(jìn)行濾除.

首先，獲取各通道圖像的對(duì)比圖.將得到的各通道圖像都除以第3層圖像的原始圖像tlpr,即：

Tpq(x，y)=tpq(x，y)/tlpr(x，y)，

(7)

式中，p=0，1，2，3是金字塔的層數(shù)，q=0，1分別代表水平和垂直兩個(gè)方向.

同理得到的無(wú)瑕疵模板各通道對(duì)比圖Rpq(x，y)，

即：

Rpq(x，y)=rpq(x，y)/rlpr(x，y).

(8)

其次，獲得待檢測(cè)圖像與無(wú)瑕疵模板對(duì)比圖.將上步獲得的待檢測(cè)圖像與無(wú)瑕疵模板的像素灰度平均值相減，并取絕對(duì)值，即：

(9)

(10)

M,N分別為輸入的原始圖像的行數(shù)和列數(shù).

最后，對(duì)得到的圖像進(jìn)行二值化.為了消除噪聲，以εδpq為閾值對(duì)上步得到的各通道圖像進(jìn)行二值化 .

(11)

其中，ε為常數(shù)，它的值越小，檢測(cè)精度越高，但是瑕疵誤報(bào)的可能性越大.本系統(tǒng)中取ε=2.δpq為無(wú)瑕疵模板的像素灰度的標(biāo)準(zhǔn)差，即：

(12)

至此，就獲得了8個(gè)通道下的濾波結(jié)果，建立了圖像的金字塔模型.這部分算法的流程如圖1所示.

圖1 建立金字塔模型算法流程圖Fig.1 Flowchart of establishing pyramid model

3．3 圖像融合

建立的金字塔模型是原圖像在不同分辨率、不同方向上的處理結(jié)果.但是，這8通道的處理結(jié)果都只側(cè)重于布匹紋理的一個(gè)方面，不夠全面.若據(jù)此判斷，會(huì)帶來(lái)較大的誤報(bào)可能.所以，必須對(duì)所有圖像反映的信息進(jìn)行合理的綜合，就是要進(jìn)行圖像融合.按一定的算法對(duì)這8通道的圖像進(jìn)行疊加，得到的最終的融合圖像可以體現(xiàn)出不同頻率不同方向下瑕疵呈現(xiàn)出的紋理和形狀特征.

邏輯濾波器法是最直觀的在空間域進(jìn)行的像素級(jí)圖像融合方法，即將兩個(gè)像素的值進(jìn)行邏輯運(yùn)算.本文采用這種方法對(duì)獲得的8通道圖像進(jìn)行了融合.步驟如下：

(1)層內(nèi)融合.對(duì)金字塔每層內(nèi)各個(gè)方向上的圖像進(jìn)行疊加，即對(duì)應(yīng)像素的邏輯或操作；

(2)層間融合.對(duì)相鄰層圖像像素進(jìn)行疊加，即采用邏輯與操作，得到P01,P12,P23；

(3)對(duì)上步得到的圖像采取或操作，進(jìn)行最終融合，得到圖像P.

經(jīng)過(guò)上述操作得到的二值化圖像經(jīng)常會(huì)含有噪聲引起的斑點(diǎn).為了解決這個(gè)問(wèn)題，我們對(duì)圖像進(jìn)行形態(tài)處理.

腐蝕與膨脹是最基本的形態(tài)處理.腐蝕處理能夠?qū)⒄尺B的目標(biāo)物進(jìn)行分離，膨脹處理可以將斷開(kāi)的目標(biāo)物進(jìn)行連接，但是經(jīng)過(guò)這兩種處理后，目標(biāo)物的面積都會(huì)發(fā)生改變.因此，在本文中對(duì)融合得到的圖像進(jìn)行開(kāi)運(yùn)算，即使用一個(gè)結(jié)構(gòu)元素對(duì)圖像先腐蝕再進(jìn)行膨脹的運(yùn)算.

R=P·S=(PΘS)⊕S，

(13)

式中，P為融合后得到的二值化圖像，S為結(jié)構(gòu)元素.通過(guò)開(kāi)運(yùn)算，在基本保持目標(biāo)原有大小不變的情況下，去除了小顆粒噪聲，得到最終的結(jié)果圖像R.

4 實(shí)驗(yàn)結(jié)果

為了對(duì)上述算法進(jìn)行驗(yàn)證，本文選用紋理均勻的藍(lán)布.輸入的圖像大小為384×384， 256級(jí)灰度.對(duì)于瑕疵樣本1，初檢測(cè)中，根據(jù)閾值thresδ=3.810 4和thresa=83.751 4對(duì)原始圖像進(jìn)行第一次處理，可得Bi2(1，2……11，12)子塊為有瑕疵區(qū)域，再經(jīng)過(guò)Gabor濾波檢測(cè)，即可得到圖2的處理結(jié)果.同理，對(duì)瑕疵樣本2進(jìn)行處理，結(jié)果如圖3所示.

依據(jù)得到的處理結(jié)果，用戶即可對(duì)瑕疵進(jìn)行定位并確定其大小.實(shí)踐證明，這種檢測(cè)方法速度快，準(zhǔn)確率高，具有良好的檢測(cè)效果.

圖2 瑕疵樣本1檢測(cè)結(jié)果Fig. 2 Detection result of defect sample 1

圖3 瑕疵樣本2檢測(cè)結(jié)果Fig.3 Detection result of defect sample 2

參考文獻(xiàn):

[1] ESCOFET，NAVARRO. Detection of local defects in textile webs using Gabor filter[J].SPIE,1996(2785):163-170.

[2] 張軼.實(shí)時(shí)布匹瑕疵檢測(cè)技術(shù)研究[D].天津:天津工業(yè)大學(xué)，2004.

[3] 肖樂(lè)，朱玉文,丁麗宏,等.基于Gabor濾波器的布匹瑕疵自動(dòng)檢測(cè)方法[J].北京理工大學(xué)學(xué)報(bào)，2002(6)：718-721.

[4] 曾姝彥，張廣軍，李秀智.基于Gabor濾波器的圖像目標(biāo)識(shí)別方法[J].北京航空航天大學(xué)學(xué)報(bào)，2006(8):954-957.

[5] 章毓晉.圖像分析[M].2版.北京：清華大學(xué)出版社，2005：279-298.

[6] 朱虹.數(shù)字圖像處理基礎(chǔ)[M].北京：科學(xué)出版社，2005:154-161.

[7] 夏明革,何友,唐小明,等.像素級(jí)圖像融合方法分類(lèi)與比較[J].火力與指揮控制，2002，27(3)：161-164.

[8] 卿湘運(yùn)，段紅，魏俊民.基于局部熵的織物疵點(diǎn)檢測(cè)與識(shí)別的研究[J].紡織學(xué)報(bào)，2004，25(5)：57-59.

[9] 努爾頓，左保齊.織物疵點(diǎn)智能化判別[J].絲綢，2003(11)：28-30.