結(jié)合自適應(yīng)中值濾波和GGCM的織物質(zhì)量檢測

李小寧,　楊學(xué)志

(合肥工業(yè)大學(xué) 計算機(jī)與信息學(xué)院,安徽 合肥　230009)

?

結(jié)合自適應(yīng)中值濾波和GGCM的織物質(zhì)量檢測

李小寧,楊學(xué)志

(合肥工業(yè)大學(xué) 計算機(jī)與信息學(xué)院,安徽 合肥230009)

在紡織品的生產(chǎn)過程中,缺陷檢測不可或缺。其中,特征提取是關(guān)鍵步驟,而在特征提取前進(jìn)行合適的預(yù)處理濾波可以有效提高特征對有缺陷樣本和無缺陷樣本的分離能力。文章提出一種結(jié)合自適應(yīng)中值濾波和灰度-梯度共生矩陣(gray level-gradient co-occurrence matrix,GGCM)的織物質(zhì)量檢測方法。該方法使用灰度-梯度二階統(tǒng)計特征來描述缺陷的紋理特征,并在預(yù)處理過程中利用自適應(yīng)中值濾波來降低背景紋理信息對缺陷部分的影響,可有效提高紡織品的檢測率。實(shí)驗(yàn)對含7種缺陷的紡織品樣本進(jìn)行GGCM特征提取,并輸入到最近鄰分類器中進(jìn)行分類檢測。與傳統(tǒng)灰度共生矩陣方法的檢測率(65.75%)相比,文中所提方法的檢測率有所提高,達(dá)到了87.89%。實(shí)驗(yàn)結(jié)果表明,該方法對有缺陷的織物具有較高的分類能力。

中值濾波;自適應(yīng)中值濾波;紡織品缺陷;灰度-梯度共生矩陣;最近鄰分類

表面質(zhì)量檢測在鋼鐵[1]、陶瓷、木材[2]、印刷品及布匹[3]的工業(yè)生產(chǎn)中起著舉足輕重的作用。在紡織品生產(chǎn)領(lǐng)域,表面質(zhì)量的檢測結(jié)果對其產(chǎn)品的評級至關(guān)重要。紡織品由棉、麻等天然物質(zhì)構(gòu)成,也可以由尼龍、聚酯等人工合成物質(zhì)構(gòu)成。制造過程中,由于工藝欠缺或人工操作不當(dāng),會在織物表面產(chǎn)生缺陷,而缺陷檢測是控制紡織品質(zhì)量的重要環(huán)節(jié)。一般情況下,唯一可以確保品質(zhì)的手段是人工木板檢驗(yàn),可以即時修正細(xì)微缺陷。但是,由于疲勞,會發(fā)生人為錯誤,常常小的缺陷很難被檢測出來。因此，自動檢測成為一種提高織物質(zhì)量、減少勞動成本的替代方式。然而,要實(shí)現(xiàn)精準(zhǔn)的檢測還面臨著很多困難[4],如紡織品種類過多、同一紡織品中出現(xiàn)不同模式的紋理、缺陷和背景紋理結(jié)構(gòu)相似[5]等。目前，紡織行業(yè)已定義超過70個類別的織物缺陷。與檢測率只有60%～75%的人工檢驗(yàn)[6]相比,典型的先進(jìn)自動化織物檢驗(yàn)的檢測率超過80%。

紡織品質(zhì)量檢測流程如圖1所示,預(yù)處理部分主要是消除噪聲對樣本的影響或者是實(shí)現(xiàn)紋理增強(qiáng)[7]。特征提取部分是檢測的關(guān)鍵步驟,它直接影響到缺陷分類結(jié)果的優(yōu)劣。因此,近幾十年來,紋理特征模型的建立一直是紡織品檢測領(lǐng)域的研究熱點(diǎn)。文獻(xiàn)[8]提出一種在多尺度小波金字塔使用多重分形分析的新型紋理描述子;文獻(xiàn)[9]提出了一種小波特征表示方法來估計紋理的方向,但樣本質(zhì)量不好,可靠性未知。

圖1　紡織品缺陷檢測流程

近年來,基于統(tǒng)計的方法仍是紡織品檢測方向用來進(jìn)行特征提取的主流方法?；诮y(tǒng)計的方法主要包括灰度共生矩陣[10]、灰度查分統(tǒng)計、灰度-梯度共生矩陣(gray level-gradient co-occurrence matrix,GGCM)[11]和紋理譜統(tǒng)計[12]等。由于GGCM同時結(jié)合灰度和梯度2種紋理信息,本文利用GGCM作為紡織品特征,可以有效提高紡織品信息提取的準(zhǔn)確性。然而GGCM在提取紡織品缺陷部分紋理信息的同時，也獲得了一定織物背景的紋理信息。

為了降低背景對缺陷信息的干擾,本文在檢測的預(yù)處理階段增加了自適應(yīng)中值濾波[13]過程,有效提高了GGCM特征對缺陷和背景的可分離程度。實(shí)驗(yàn)表明,該混合方法能夠較好地檢測織物表面缺陷。

1　GGCM分析

例如C(8,15)=25,表示圖像中灰度值為8,梯度值為15的像素點(diǎn)有25個。GGCM原點(diǎn)在左上角,向下灰度值增加,向右梯度值增加。

對GGCM進(jìn)行歸一化處理可得:

(1)

小梯度優(yōu)勢的計算公式為:

大梯度優(yōu)勢的計算公式為:

灰度分布不均勻性的計算公式為:

梯度分布不均勻性的計算公式為:

能量的計算公式為:

平均灰度的計算公式為:

平均梯度的計算公式為:

灰度均方差的計算公式為:

梯度均方差的計算公式為:

相關(guān)性的計算公式為:

灰度熵的計算公式為:

梯度熵的計算公式為:

混合熵的計算公式為:

慣性的計算公式為:

逆差矩的計算公式為:

灰度是圖像構(gòu)成的基礎(chǔ),而梯度則構(gòu)成圖像的輪廓邊緣。紡織品圖像可看作由許多紋理基元按照一定規(guī)律在一個區(qū)域內(nèi)重復(fù)構(gòu)成的,具有周期性和方向性,而缺陷的產(chǎn)生使得表面紋理原始方向發(fā)生變化,即梯度信息發(fā)生變化?？衫锰荻群突叶鹊穆?lián)合統(tǒng)計信息分離紡織品的紋理背景和缺陷部分。但直接在紡織品缺陷樣本上使用GGCM,不僅提取到了缺陷的梯度信息,同時提取到了紋理背景的梯度信息,這些背景紋理信息會嚴(yán)重影響有缺陷樣本和無缺陷樣本的可分離程度。因此,在特征提取前,需要進(jìn)行濾波過程來有效地降低背景紋理信息的影響。

2　織物質(zhì)量檢測

2.1自適應(yīng)中值濾波原理

中值濾波法是一種非線性平滑方法,與線性濾波方法相比,它對脈沖噪聲有良好的濾除作用,同時可有效保護(hù)圖像邊緣信息。其基本原理如下:將圖像中每個像素點(diǎn)的灰度值設(shè)置為其鄰域窗口內(nèi)所有像素點(diǎn)灰度值的中值,從而使得周圍像素值更接近真實(shí)值,消除孤立噪聲點(diǎn)的影響。主要方法是利用設(shè)定結(jié)構(gòu)的二維滑動窗口,將圖像中的像素按大小排列,得到一個有序的一維數(shù)組為:

(2)

取(2)式中值替代掩膜中心像素灰度值。二維中值濾波的窗口形狀和尺寸設(shè)計對濾波的效果影響較大,不同的圖像內(nèi)容和應(yīng)用要求采用不同的形狀和尺寸。常用的二維中值濾波窗口有線狀、方形、圓形、十字形及圓環(huán)等,窗口尺寸一般選3。

由于圖像中不同部分含有的噪聲密度不同,直接使用固定窗口的中值濾波器處理紋理圖像,會導(dǎo)致部分紋理結(jié)構(gòu)信息模糊。自適應(yīng)中值濾波方法[13]的濾波尺寸隨著窗口內(nèi)灰度值和噪聲密度的不同而自適應(yīng)地變化,自適應(yīng)中值濾波的效果如圖2所示。

圖2　自適應(yīng)中值濾波的效果

實(shí)現(xiàn)過程如下:

(1) 確定最大的濾波半徑,選擇一個合適的半徑R對圖像進(jìn)行濾波。計算當(dāng)前濾波半徑內(nèi)像素灰度的最小值Gray-min、最大值Gray-max和中間值Gray-mid,然后判斷Gray-mid是否在[Gray-min，Gray-max]范圍內(nèi),如果在,則使用選定半徑濾波,否則擴(kuò)大當(dāng)前半徑R繼續(xù)濾波直到R等于最大濾波半徑。

(2) 如果當(dāng)前處理的像素img(i,j)在[Gray-min，Gray-max]之間,則直接輸出,否則輸出當(dāng)前濾波半徑的中值像素Gray-mid。

由圖2可看出,與普通中值濾波方法相比,自適應(yīng)中值濾波可在濾除噪聲的同時,有效保留圖像的輪廓和細(xì)節(jié)信息。

2.2自適應(yīng)中值濾波在織物檢測中的應(yīng)用

紡織品表面紋理是一種人工合成紋理,其主要紋理特性包括結(jié)構(gòu)性、周期性和方向性。紡織品一般由經(jīng)紗和緯紗交織而成,其表面紋理按一定規(guī)則由基元重復(fù)排列形成,基元可能是一個像素的灰度，也可能是具有特定結(jié)構(gòu)的像素塊集合,視覺上則呈現(xiàn)出周期性。

斜紋是最常見的一種織物[15],它具有良好的方向性。在經(jīng)緯紗密度均勻的情況下,斜紋織物的經(jīng)密度略高于緯密度,方向固定為45°。當(dāng)斜紋織物表面出現(xiàn)缺陷時,其紋理方向性受到破壞,梯度信息發(fā)生變化，如圖3所示。利用這種變化,可以檢測出織物表面有無缺陷產(chǎn)生。

一般中值濾波處理紡織品缺陷圖像時,不僅平滑了背景紋理信息,同時也平滑了缺陷信息。而使用自適應(yīng)中值濾波后,紡織品圖像背景部分的紋理方向信息被濾除,即相對突出了缺陷的梯度信息,如圖4所示。

由圖4可知，自適應(yīng)中值濾波可有效提高后續(xù)特征分類的準(zhǔn)確度。

圖3　有缺陷織物的梯度信息

圖4　紡織品樣本的自適應(yīng)中值濾波和一般中值濾波

2.3本文方法檢測織物缺陷

本文針對斜紋織物樣本,先利用自適應(yīng)中值濾波降低背景紋理特征,同時突出瑕疵信息。進(jìn)一步利用GGCM,提取濾波后紡織品圖像的二階統(tǒng)計特征,并將得到的樣本特征輸入到最近鄰分類器中進(jìn)行分類,計算出檢測結(jié)果,具體步驟如下:

(1) 假設(shè)一幅有缺陷樣本圖像的歸一化灰度矩陣為I(x,y)，灰度級為256,對圖像的灰度矩陣I(x,y)進(jìn)行自適應(yīng)中值濾波。

(2) 利用平方求和的方式對濾波后的樣本圖像提取其梯度圖像,記為G(x,y)，得到的梯度矩陣比灰度矩陣的維數(shù)少1。進(jìn)一步找出梯度圖像的最大值和最小值,并將梯度矩陣灰度級離散化,設(shè)置新的灰度級為32。

(3) 結(jié)合灰度矩陣I(x,y)提取其GGCMC(x,y),并將其歸一化。利用T1～T15計算公式可得15個紋理參數(shù),組成紡織品紋理統(tǒng)計特征。

(4) 將訓(xùn)練樣本有缺陷和無缺陷的GGCM特征輸入到最近鄰分類器[16]中進(jìn)行訓(xùn)練,分別得到有缺陷和無缺陷的標(biāo)準(zhǔn)特征向量。進(jìn)一步輸入測試樣本的統(tǒng)計特征到分類器中,利用已獲得的標(biāo)準(zhǔn)向量可得最終檢測率。

3　實(shí)驗(yàn)結(jié)果及分析

本文對包含斷經(jīng)、污紗、缺緯、蛛網(wǎng)、松經(jīng)、密路及并經(jīng)等缺陷的紡織品樣本進(jìn)行處理,樣本灰度級為256。

由于瑕疵在紡織品圖像上的面積較小,本文提出的方法是用32×32的窗口對紡織品圖像進(jìn)行半重疊逐行掃描,獲取對應(yīng)無缺陷和有缺陷樣本的圖像塊,進(jìn)而得到實(shí)驗(yàn)訓(xùn)練集和測試集。實(shí)驗(yàn)中用于訓(xùn)練的有缺陷和無缺陷樣本數(shù)均為632,用于測試的有缺陷和無缺陷樣本數(shù)均為608。

利用GGCM對7種缺陷的樣本提取15種紋理參數(shù),并組成二階統(tǒng)計特征,如圖5所示。

由圖5可看出，無缺陷樣本中有負(fù)值紋理參數(shù),而有缺陷樣本的紋理參數(shù)全為正數(shù)。在15維統(tǒng)計特征中,有缺陷樣本和無缺陷樣本差距最大的紋理參數(shù)為平均灰度、相關(guān)性和逆差矩,見表1所列。平均灰度的差異說明缺陷部分的灰度值影響了織物表面的整體灰度分布；相關(guān)性則表示矩陣中的元素在行方向和列方向的相似度,由此可看出缺陷降低了織物圖像元素的自相似度；而逆差矩通常反映紋理的規(guī)則程度,即同質(zhì)性,用于度量紋理局部變化的情況,其值越大說明圖像紋理在不同區(qū)域間的變化越小,非常均勻,由表1可看出,缺陷使得原有織物表面紋理不連貫,出現(xiàn)斷點(diǎn)和不同質(zhì)區(qū)域。

圖5　有缺陷樣本和無缺陷樣本的GGCM二階統(tǒng)計特征

樣本類型平均灰度相關(guān)性逆差矩?zé)o缺陷樣本116.628513.656630.016462有缺陷樣本140.9344-2.046330.002345

利用最近鄰分類器訓(xùn)練得到無缺陷和有缺陷樣本的標(biāo)準(zhǔn)向量,最終獲得缺陷檢測率，其計算公式為:

檢測率=[(有缺陷樣本被檢測為有缺陷+

無缺陷樣本被檢測為無缺陷)/

(3)

由于自適應(yīng)中值濾波降低了紋理背景的梯度信息,有效地提高了GGCM提取的二階統(tǒng)計特征對有缺陷樣本和無缺陷樣本的可分離程度。結(jié)合最近鄰分類器訓(xùn)練的有缺陷和無缺陷標(biāo)準(zhǔn)向量,最終獲得了紡織品缺陷的檢測率為87.89%。在相同的樣本條件下，使用傳統(tǒng)灰度共生矩陣方法進(jìn)行檢測,檢測率僅為65.75%,說明結(jié)合梯度信息的GGCM比只考慮灰度信息的灰度共生矩陣更能準(zhǔn)確獲得紡織品的紋理信息[17]。與增加了非局部均值(non-local means,NLM)濾波的灰度共生矩陣(gray level co-ocurrence maxtix,GLCM)方法[18]相比,自適應(yīng)中值濾波可更有效地降低背景紋理對缺陷部分的影響。而在預(yù)處理濾波過程中使用均值濾波和一般中值濾波方法,最終得到的檢測率為72.78%和75.41%,由此可看出，自適應(yīng)中值濾波過程可根據(jù)實(shí)際鄰域灰度值的不同有效濾除織物背景紋理信息,使得紡織品有缺陷和無缺陷部分能夠準(zhǔn)確分離。而與傳統(tǒng)Gabor方法[19]相比,本文提出的結(jié)合自適應(yīng)中值濾波和GGCM的紡織品缺陷檢測模型可更有效地提取紡織品缺陷信息,從而獲得較高的識別準(zhǔn)確率。

4　結(jié)　論

本文針對紡織品在工業(yè)生產(chǎn)線中的自動化缺陷檢測過程,提出一種結(jié)合自適應(yīng)中值濾波和GGCM的缺陷檢測方法,利用自適應(yīng)中值濾波降低背景紋理對缺陷信息提取的干擾,提高了背景和缺陷部分的可分離度,同時結(jié)合圖像的灰度和梯度信息,得到織物的GGCM二階統(tǒng)計特征,可有效表征紡織品紋理和缺陷信息,檢測率為87.89%。實(shí)驗(yàn)結(jié)果表明本文提出的方法是有效的。

[1]王志成，吳壯志，馮路，等.鋼板表面缺陷檢測系統(tǒng)的設(shè)計與實(shí)現(xiàn)[J].計算機(jī)工程與科學(xué)，2009，31(1):61-65.

[2]業(yè)寧，丁建文，王迪，等.基于 LBP 特征提取的木材紋理缺陷檢測[J].計算機(jī)研究與發(fā)展，2007，44(增刊1):383-387.

[3]SHI Meihong，F(xiàn)U Rong，GUO Yong，et al.Fabric defect detection using local contrast deviations [J].Multimedia Tools and Applications，2011，52(1):147-157.

[4]NGAN H Y T，PANG G K H，YUNG N H C.Automated fabric defect detection:a review [J].Image and Vision Computing，2011，29(7):442-458.

[5]NGAN H Y T，PANG G K H.Regularity analysis for patterned texture inspection [J].IEEE Transactions on Automation Science and Engineering，2009，6(1):131-144.

[6]STOJANOUIC R，MITROPULOS P，KOULAMAS C，et al.Real-time vision-based system for textile fabric inspection [J].Real-Time Imaging，2001,7(6):507-518.

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

[8]XU YONG，YANG XIONG，LIBG Haibin，et al.A new texture descriptor using multifractal analysis in multi-orientation wavelet pyramid [C]//2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)，2010:161-168.

[9]LEFEBVRE A，CORPETTI T，MOY L H.Estimation of the orientation of textured patterns via wavelet analysis [J].Pattern Recognition Letters，2011，32(2):190-196.

[10]鄒超，朱德森，肖 力.基于類別共生矩陣的紋理疵點(diǎn)檢測方法[J].華中科技大學(xué)學(xué)報(自然科學(xué)版)，2006，34(6):25-28.

[11]周德龍，申石磊，蒲小勃，等.基于灰度-梯度共生矩陣模型的最大熵閾值處理算法[J].小型微型計算機(jī)系統(tǒng)，2002，23(2):136-138.

[12]毋小省，孫君頂.基于改進(jìn)方向紋理譜特征的圖像檢索[J].光電子·激光，2012，23(4):812-818.

[13]HWANG H，HADDAD R A.Adaptive median filters:new algorithms and results [J].IEEE Transactions on Image Processing，1995，4(4):499-502.

[14]洪繼光.灰度-梯度共生矩陣紋理分析方法[J].自動化學(xué)報，1984，10(1):22-25.

[15]楊愛國，馮揚(yáng).高緊度純棉斜紋織物的布邊設(shè)計及其織制[J].棉紡織技術(shù)，2000，28(8):43.

[16]鐘智，朱曼龍，張晨，等.最近鄰分類方法的研究[J].計算機(jī)科學(xué)與探索，2011，5(5):467-473.

[17]LATIF-AMET A，Ertüzün A，Ercil A.An efficient method for texture defect detection:sub-band domain co-occurrence matrices [J].Image and Vision Computing，2000，18(6/7):543-553.

[18]楊學(xué)志，左海琴，陳遠(yuǎn)，等.PCA-NLM的紡織品缺陷檢測[J].中國圖象圖形學(xué)報，2013，18(12):1574-1581.

[19]MAK K L，PENG P.An automated inspection system for textile fabrics based on Gabor filters [J].Robotics and Computer-Integrated Manufacturing，2008，24(3):359-369.

(責(zé)任編輯閆杏麗)

Fabric defect detection method based on adaptive median filtering algorithm and GGCM

LI Xiaoning,YANG Xuezhi

(School of Computer and Information， Hefei University of Technology， Hefei 230009， China)

Defect detection is very essential in the process of textile production. Feature extraction is the most important step of defect detection. The filtering before feature extraction is an effective measure to improve the characteristic of separation between defective samples and defect-free samples. In this paper， a new way of fabric defect detection combined with adaptive median filtering algorithm and gray level-gradient co-occurrence matrix(GGCM) is presented. In the method, the second-order statistical characteristic of GGCM is used to describe the texture characteristic of the defect， and the influence of the background texture information on the defect part is reduced by the adaptive median filter in pre-processing. The detection rate of textiles can be improved by the mixed processes. The GGCM feature of the fabric sample containing seven kinds of defects is extracted，and the detection rate is obtained by using the nearest neighbor classifier. The detection rate is 65.75% by traditional GLCM method， but the proposed method can reach the detection rate of 87.89%. The experimental results show that the proposed method has high ability of classifying defect textures.

median filtering; adaptive median filtering; fabric defect; gray level-gradient co-occurrence matrix(GGCM); nearest neighbor classification

2015-03-04；

2015-04-07

國家自然科學(xué)基金資助項(xiàng)目(61371154;41076120;61271381;61102154);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2012HGCX0001)和光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室和航空科學(xué)基金聯(lián)合資助項(xiàng)目(201301P4007)

李小寧(1989-),女,安徽合肥人,合肥工業(yè)大學(xué)碩士生;

楊學(xué)志(1970-),男,安徽合肥人,博士，合肥工業(yè)大學(xué)教授,博士生導(dǎo)師.

10.3969/j.issn.1003-5060.2016.07.009

TP391.41

A

1003-5060(2016)07-0906-06