基于Blob 分析的玻璃纖維織物缺陷檢測(cè)方法研究

王慶海，趙鳳霞，李紀(jì)峰，金少搏

(1．河南機(jī)電職業(yè)學(xué)院 機(jī)械工程系，河南 鄭州451191;2．鄭州大學(xué) 機(jī)械工程學(xué)院，河南 鄭州450001)

0 引言

在玻璃纖維織物的生產(chǎn)過程中，織物的縫隙缺陷是影響產(chǎn)品質(zhì)量的重要因素，也是產(chǎn)品質(zhì)量控制的主要驗(yàn)收項(xiàng)目之一．目前，利用機(jī)器視覺技術(shù)進(jìn)行織物的質(zhì)量檢測(cè)，已經(jīng)成為國(guó)內(nèi)外研究的熱點(diǎn)，且已產(chǎn)生了許多的檢測(cè)算法，如采用Gabor濾波技術(shù)的布匹瑕疵檢測(cè)方法［1］;采用AR 模型的譜估計(jì)方法［2］;基于紋理模型的疵點(diǎn)檢測(cè)方法［3］;基于小波分析的織物缺陷檢測(cè)方法［4］;采用非下采樣Contourlet 域高斯混合模型的布匹瑕疵識(shí)別算法［5］;采用圖像紋理頻譜能量分布的布匹瑕疵檢測(cè)方法［6］;應(yīng)用紋理增強(qiáng)分水嶺的織物瑕疵檢測(cè)方法［7］等等． 這些方法從不同的側(cè)面可以實(shí)現(xiàn)織物的缺陷檢測(cè)，但是計(jì)算復(fù)雜度高，實(shí)時(shí)性不好．筆者提出采用Blob 分析方法對(duì)織物缺陷進(jìn)行檢測(cè)，在檢測(cè)過程中不需要對(duì)缺陷進(jìn)行邊緣提取操作，也不需要進(jìn)行模板匹配或樣本訓(xùn)練，而是對(duì)圖像中具有相同灰度的連通域進(jìn)行分析，該方法計(jì)算簡(jiǎn)單，易于實(shí)現(xiàn)，且檢測(cè)結(jié)果準(zhǔn)確可靠，實(shí)時(shí)性好，能滿足織物缺陷的在線檢測(cè)需求．

1 圖像獲取

玻璃纖維織物為縫編織物，是由一層或一層以上的無捻粗紗平行無皺褶排列，各層紗線以相同或不同的方向?qū)盈B，再用有機(jī)纖維線縫編而成的制品．織物顏色一般為白色的，在加工過程中織物的質(zhì)量缺陷主要是斷經(jīng)或間隙造成的縫隙缺陷，要求檢測(cè)的最小縫隙寬度為1 mm，長(zhǎng)度為150 mm．織物的在線生產(chǎn)速度一般為2 m/min 左右，織物的幅寬范圍一般為200 ～2 500 mm．根據(jù)生產(chǎn)實(shí)際狀況，筆者設(shè)計(jì)的玻璃纖維織物機(jī)器視覺系統(tǒng)如圖1 所示．

圖1 玻璃纖維織物機(jī)器視覺系統(tǒng)Fig．1 Glass fiber fabric machine vision system

由圖1 可以看出，相機(jī)、鏡頭和光源組成了機(jī)器視覺系統(tǒng)的圖像采集模塊．其中，相機(jī)采用的是兩個(gè)全局曝光的MV -GE130GM 型黑白工業(yè)相機(jī)(深圳邁德威視公司生產(chǎn))同步工作，分辨率為1 280 pixel ×960 pixel，幀率為60 FPS(大于織物的運(yùn)動(dòng)速度)，因此，可以獲得無拖影的視頻圖像．鏡頭選用日本Computar 公司的M0814 -MP2機(jī)器視覺鏡頭，規(guī)格為2/3″，與所選用的相機(jī)相配，焦距為8 mm． 相機(jī)與計(jì)算機(jī)之間的接口采用千兆網(wǎng)GigE 接口，GigE 接口是工業(yè)應(yīng)用所新開發(fā)的一種圖像接口技術(shù)，以Gigabit Ethernet 協(xié)議為標(biāo)準(zhǔn)，可以實(shí)現(xiàn)高速的、遠(yuǎn)距離的圖像傳輸，滿足了在線檢測(cè)的實(shí)時(shí)性要求． 光源設(shè)置在織物下方，采用背光照明方式，這種光源配置方式可以獲得高對(duì)比度的圖像;當(dāng)織物中有縫隙缺陷時(shí)，則缺陷處將有亮光透過;如織物中無縫隙缺陷，則圖像中無較大灰度差的特征出現(xiàn)．

圖2 為機(jī)器視覺系統(tǒng)獲得的圖像． 從圖2 可以看出，縫隙缺陷與背景具有較大的灰度差，形成了有利于后續(xù)圖像處理的成像效果．

圖2 玻璃纖維織物圖像Fig．2 Glass fiber fabric image

2 織物缺陷檢測(cè)的Blob 分析算法

采用Blob 分析法對(duì)織物缺陷進(jìn)行檢測(cè)時(shí)，需要把具有相同灰度值的像素構(gòu)成的連通域分割出來，檢測(cè)流程如圖3 所示．

圖3 織物缺陷的Blob 分析流程Fig．3 Blob analysis process for fabric defect

2．1 圖像平滑

由于在圖像獲取過程中受照明光線的方向、亮度、穩(wěn)定性、柔性織物表面張緊程度不一致、以及圖像拼接接縫等的影響，使所獲取的圖像中含有噪聲;同時(shí)，織物具有紋理結(jié)構(gòu)特征，這些紋理結(jié)構(gòu)也會(huì)影響織物缺陷的檢出率和準(zhǔn)確性．因此，需要對(duì)圖像進(jìn)行平滑處理以模糊織物紋理和減小噪聲干擾．常用的濾波器有高斯濾波器、中值濾波器、均值濾波器等等．其中，均值濾波是典型的線性濾波算法，能夠有效濾波圖像中的加性噪聲，達(dá)到模糊織物紋理結(jié)構(gòu)和減小噪聲干擾的目的． 因此選擇均值濾波器．

2．2 圖像分割

在進(jìn)行Blob 分析時(shí)，必須把圖像分割為構(gòu)成斑點(diǎn)(Blob)和局部背景的像素集合． 最簡(jiǎn)單的分割算法是閾值分割法，它適用于目標(biāo)和背景占據(jù)不同灰度級(jí)范圍的圖像．分析圖2 可知，織物圖像中的缺陷目標(biāo)與背景具有完全不同的灰度，比較適合采用閾值分割方法．閾值分割法的定義為

由式(1)可知，閾值分割就是將圖像f(r，c)中灰度值處于閾值gmax和gmin范圍內(nèi)的全部點(diǎn)選到輸出區(qū)域S 中．由此可見，閾值分割的關(guān)鍵是確定合適的閾值以準(zhǔn)確地將圖像分割為目標(biāo)像素和背景像素．

常用的閾值確定方法有直方圖雙峰法、P 參數(shù)法、基于最大類間方差原理的Otsu 算法、基于信息熵原理的一維最大熵法、迭代法等等．其中，雙峰法比較適合直方圖存在雙峰的情況． 圖4 所示是圖2 的灰度直方圖，直方圖呈單峰狀態(tài)，因此雙峰法不適合于織物缺陷的檢測(cè)． P 參數(shù)法用于在固定分辨率下，目標(biāo)所占整個(gè)圖像的比例已知的情況;Otsu 算法適用于目標(biāo)與背景灰度差比較明顯的情況;最大熵法和迭代法對(duì)于具有非理想雙峰直方圖的圖像可以得到較好的分割，但是運(yùn)算速度較慢，不適合在線的實(shí)時(shí)處理．本文需要在線檢測(cè)玻璃纖維織物的缺陷，對(duì)實(shí)時(shí)性要求較高，對(duì)比這些閾值確定的方法可知，Otsu 算法是一種比較適合本文的方法．

圖4 圖2 所示圖像的灰度直方圖Fig．4 Histogram of the image in Figure 2

采用Otsu 算法進(jìn)行圖像分割的過程如下:①計(jì)算圖像的直方圖，尋找直方圖的最大峰值;②以最大峰值為初始閾值Th 對(duì)圖像進(jìn)行分割，將圖像分割為A，B 兩類;③分別計(jì)算A，B 兩類像素集合的均值μA，μB，計(jì)算公式分別見式(2)和式(3);④計(jì)算A，B 兩類像素的類間方差σ，公式見式(4);⑤將Th 在最大峰值±25 范圍內(nèi)循環(huán)，分別計(jì)算A、B 的類間方差，當(dāng)類間方差最大時(shí)，對(duì)應(yīng)的Th 即為所求的最佳閾值;⑥采用全局閾值法把灰度值在Th 至255 之間的像素分割出來．

圖5 所示是對(duì)圖2 進(jìn)行閾值分割的結(jié)果．

式中:NA，NB分別表示集合A，B 中的像素個(gè)數(shù)．

σ(Th)= NA(Th)·NB(Th)·［μA(Th)- μB(Th)］2． (4)

圖5 圖2(c)閾值分割的結(jié)果Fig．5 Thresholding result of the image in Figure 2

2．3 形態(tài)學(xué)處理

由于分割區(qū)域中會(huì)有一些雜點(diǎn)或小的突出物，需要對(duì)分割的圖像進(jìn)行形態(tài)學(xué)處理，去除這些不必要的干擾．采用的形態(tài)學(xué)處理算法為:首先采用半徑為5 的圓結(jié)構(gòu)元素對(duì)分割的圖像進(jìn)行一次開操作，以去除與缺陷目標(biāo)像素相連的干擾部分，并抑制分割區(qū)域中的一些小分支;然后采用半徑為5 的圓結(jié)構(gòu)元素再進(jìn)行一次閉操作，用來填補(bǔ)缺陷目標(biāo)區(qū)域中斷開的縫隙．經(jīng)過開、閉操作后減少了圖像中不必要的區(qū)域干擾，同時(shí)將缺陷目標(biāo)斷開的縫隙進(jìn)行了閉合，調(diào)整了分割后的Blob 區(qū)域形狀．

2．4 特征提取

形態(tài)學(xué)處理刪除了一些不必要的區(qū)域干擾，但是結(jié)果中仍會(huì)存在著一些不是目標(biāo)像素的區(qū)域，必須對(duì)圖像進(jìn)行連通性分析和特征提取．筆者按照8連通域標(biāo)記方法把圖像中具有相同像素值且位置相鄰的所有前景像素點(diǎn)進(jìn)行合并，形成Blob 連通區(qū)域，但是這些區(qū)域有些不是缺陷特征區(qū)域，需要對(duì)連通區(qū)域進(jìn)行進(jìn)一步的特征提取操作．

玻璃纖維織物為多軸向織物，紋理方向一般呈現(xiàn)為0°，90°或±45°． 在織物圖像中，缺陷目標(biāo)也具有明顯的方向特征，如圖2 所示缺陷目標(biāo)的紋理方向特征為+45°，同時(shí)，缺陷目標(biāo)的區(qū)域面積要比干擾的區(qū)域面積大．因此，按照方向特征和區(qū)域的面積特征實(shí)現(xiàn)缺陷特征的提?。?/p>

2．5 特征參數(shù)計(jì)算

由于提取出的缺陷特征是不規(guī)則的圖形，無法直接進(jìn)行缺陷特征參數(shù)的計(jì)算，需要首先將不規(guī)則圖形進(jìn)行凸包問題求解，然后用凸包作為多邊形區(qū)域，在矩形傾斜方向和面積最小的約束下對(duì)多邊形擬合，構(gòu)造出其最小外接矩形．如圖6 所示為由最小外接矩形中心(r，c)的坐標(biāo)值、矩形的傾斜角度θ、矩形的半高度l1和矩形半寬度l2等參數(shù)得到缺陷特征的尺寸和位置等信息． 圖7 所示是對(duì)提取出的Blob 區(qū)域構(gòu)造了最小外接矩形，并計(jì)算出了缺陷的特征參數(shù)．

圖6 Blob 區(qū)域的最小外接矩形參數(shù)示意圖Fig．6 The Schematic diagram of the parameter of minimum external rectangle of Blob regions

圖7 圖2(c)的Blob 分析結(jié)果Fig．7 The Blob analysis results of the image in Figure 2

3 實(shí)驗(yàn)驗(yàn)證

基于建立的織物機(jī)器視覺缺陷檢測(cè)系統(tǒng)，從現(xiàn)場(chǎng)選取了多種織物樣品進(jìn)行了實(shí)驗(yàn)． 計(jì)算機(jī)配置為Intel CoreTMi5 -2410M CPU，2G 內(nèi)存;處理軟件為機(jī)器視覺軟件Halcon11．0．在缺陷檢測(cè)前，對(duì)相機(jī)進(jìn)行了標(biāo)定．

圖8 所示是一種缺陷紋理方向?yàn)?45°的織物樣品及其Blob 分析結(jié)果． 圖8(a)所示是采用圖1 所示的機(jī)器視覺系統(tǒng)獲得的拼接圖像;圖8(b)所示是采用Otsu 算法自動(dòng)尋找最佳分割閾值對(duì)圖像進(jìn)行閾值分割的結(jié)果;圖8(c)是對(duì)閾值分割后的圖像進(jìn)行形態(tài)學(xué)處理和連通性分析的結(jié)果;圖8(d)所示是在特征提取的基礎(chǔ)上，對(duì)提取出的Blob 區(qū)域構(gòu)造了最小外接矩形，計(jì)算出了缺陷的特征參數(shù)(單位為mm)．

經(jīng)過多次實(shí)驗(yàn)結(jié)果表明，采用Blob 分析法可以較準(zhǔn)確地從織物圖像中提取出縫隙缺陷特征，測(cè)量結(jié)果穩(wěn)健可靠． 另外，從相機(jī)拍照到圖像拼接、缺陷參數(shù)計(jì)算等的計(jì)算機(jī)處理時(shí)間為800 ms左右，方便快速，滿足了玻璃纖維織物在線檢測(cè)的實(shí)時(shí)性要求．

圖8 織物樣品缺陷檢測(cè)實(shí)例Fig．8 Example of fabric defect detection

4 結(jié)論

根據(jù)玻璃纖維織物的實(shí)際生產(chǎn)狀況，設(shè)計(jì)了基于機(jī)器視覺的玻璃纖維織物缺陷檢測(cè)系統(tǒng)，該系統(tǒng)采用Blob 算法能成功標(biāo)記出織物中的縫隙缺陷，并得到缺陷的個(gè)數(shù)、缺陷的長(zhǎng)度和寬度等信息．經(jīng)過實(shí)驗(yàn)研究，所設(shè)計(jì)的缺陷檢測(cè)系統(tǒng)和算法可以快速、準(zhǔn)確地從織物圖像中提取出缺陷特征，且測(cè)量結(jié)果穩(wěn)健可靠，滿足了玻璃纖維織物在線檢測(cè)的實(shí)時(shí)性要求．

［1］ ARIVAZHAGAN S，GANESAN L，BAMA S． Fault segmentation in fabric images using Gabor wavelet transform［J］． Machine Vision and Applications，2006，16(6):356 -363．

［2］ 朱俊嶺，汪軍，張孝南，等． 基于AR 模型的機(jī)織物線狀疵點(diǎn)研究［J］． 紡織學(xué)報(bào)，2012，33(8):50-54．

［3］ 祝雙武，郝重陽．基于紋理周期性分析的織物疵點(diǎn)檢測(cè)方法［J］． 計(jì)算機(jī)工程與應(yīng)用，2012，48(21):163 -166．

［4］ 殷國(guó)亮，張瑞，鄭欣，等．基于邊緣檢測(cè)和小波分析的布匹瑕疵檢測(cè)方法［J］． 江南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011，10(6):637 -641．

［5］ 崔玲玲，盧朝陽，李靜，等． 基于非下采樣Contourlet域高斯混合模型的布匹瑕疵識(shí)別算法［J］． 吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2013，43(3):734 -739．

［6］ 李鑫，許增樸，于德敏，等． 基于圖像能量的布匹瑕疵檢測(cè)方法［J］． 計(jì)算機(jī)測(cè)量與控制，2008，16(9):1243 -1245

［7］ 沈晶，況曉靜，張量．基于紋理增強(qiáng)分水嶺的織物瑕疵檢測(cè)新算法［J］． 合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，37(7):812 -817．