采用頻域?yàn)V波的織物疵點(diǎn)檢測(cè)方法

劉偉斌， 鄭力新， 周凱汀

(1. 華僑大學(xué) 信息工程與科學(xué)學(xué)院， 福建 廈門(mén) 361021；2. 華僑大學(xué) 工學(xué)院， 福建 泉州 362021)

采用頻域?yàn)V波的織物疵點(diǎn)檢測(cè)方法

劉偉斌1， 鄭力新2， 周凱汀1

(1. 華僑大學(xué) 信息工程與科學(xué)學(xué)院， 福建 廈門(mén) 361021；2. 華僑大學(xué) 工學(xué)院， 福建 泉州 362021)

首先，通過(guò)傅里葉變換獲得含有疵點(diǎn)的織物頻譜圖，根據(jù)頻譜圖設(shè)計(jì)頻域?yàn)V波器分離正常的紋理信息，保留疵點(diǎn)信息；然后，通過(guò)傅里葉逆變換進(jìn)行灰度圖重構(gòu)，得到去除正常紋理的疵點(diǎn)圖像；最后，經(jīng)過(guò)高斯平滑后二值化分割出織物疵點(diǎn).實(shí)驗(yàn)選取5種織物疵點(diǎn)進(jìn)行驗(yàn)證，結(jié)果表明：采用頻域?yàn)V波的織物疵點(diǎn)檢測(cè)方法檢測(cè)效果良好，且檢測(cè)率達(dá)到90%以上. 關(guān)鍵詞： 疵點(diǎn)檢測(cè); 織物； 紋理； 頻域?yàn)V波； 傅里葉變換

目前，絕大多數(shù)的織物疵點(diǎn)檢測(cè)還處于人工檢測(cè)階段.由于受到人的因素影響，人工檢測(cè)的效率低、誤檢率高，而基于機(jī)器視覺(jué)的自動(dòng)檢測(cè)日益受到業(yè)內(nèi)的認(rèn)可.織物通常由紗線按照一定的紋理結(jié)構(gòu)進(jìn)行編織而成，其生產(chǎn)工藝決定了織物疵點(diǎn)屬于正常紋理結(jié)構(gòu)的一種畸變.因此，檢測(cè)織物疵點(diǎn)是一項(xiàng)紋理分析的過(guò)程.采用紋理模型進(jìn)行疵點(diǎn)檢測(cè)的主要有高斯馬爾科夫隨機(jī)場(chǎng)(GMRF)模型[1]、Poisson模型[2]和Wold模型[3].近年來(lái)也出現(xiàn)了一系列織物疵點(diǎn)檢測(cè)的新方法,如Kumar等[4]提出Gabor濾波器應(yīng)用于疵點(diǎn)檢測(cè)；Han等[5]采用自適應(yīng)小波包(AWP)分解織物圖像進(jìn)行判斷疵點(diǎn)的存在；Chan等[6]采用傅里葉變換進(jìn)行譜分析繼而提取特征參數(shù)進(jìn)行檢測(cè).本文提出一種新的頻域?yàn)V波器設(shè)計(jì)方法進(jìn)行織物疵點(diǎn)檢測(cè)，加強(qiáng)對(duì)織物正常紋理信息能量的抑制，使織物的紋理和疵點(diǎn)具備更強(qiáng)的對(duì)比度，從而有利于疵點(diǎn)的分割.

1 頻域?yàn)V波器設(shè)計(jì)

1.1 二維離散傅里葉變換

圖像在計(jì)算機(jī)中的實(shí)質(zhì)是1個(gè)矩陣，且為數(shù)字信號(hào).一副大小為M×N的圖像可用f(x,y)表示，其中：x=0,1,2,…,M-1;y=0,1,2,…,N-1.f(x,y)的離散傅里葉正變換F(u,v)可表示為

(1)

式(1)中：u=0,1,2,…,M-1;v=0,1,2,…,M-1;在頻域中，u,v確定頻率.由此可知：頻域圖像大小和時(shí)域圖像大小相同.

由于傅里葉變換的可逆性，二維離散傅里葉逆變換為

(2)

由式(2)可知:即使f(x,y)為實(shí)數(shù)，其傅里葉變換也為復(fù)數(shù)的形式.因此，通常情況下傅里葉變換后的頻譜圖實(shí)質(zhì)是F(u,v)的幅度圖.傅里葉變換中幅度定義為

(3)

相位角定義為

(4)

利用式(3),(4)，采用極坐標(biāo)表示F(u,v)，即

(5)

圖像經(jīng)過(guò)傅里葉變換可以有效地展現(xiàn)頻域的相關(guān)特性，織物圖像存在著周期性紋理，在頻域中也就有相應(yīng)的頻率特性.因此，可以利用織物圖像進(jìn)行傅里葉變換，并在頻域中進(jìn)行相應(yīng)的處理.

1.2 濾波器設(shè)計(jì)算法

織物紋理及其頻譜圖，如圖1所示.由圖1(a),(c)可知：織物的紋理信息伴隨著一定的周期性和方向性.由圖1(b),(d)可知：織物灰度圖的紋理是由紗線按照一定的結(jié)構(gòu)編織而成，經(jīng)過(guò)傅里葉變換對(duì)應(yīng)的頻域中的頻譜圖以圖像中心呈發(fā)散狀分布，且在方向上與空間域中的紋理的方向正交.圖2(a),(c)是由圖1(a),(c)去除高頻部分后得到的頻譜圖；圖2(b),(d)是由圖1(a),(c)去除低頻部分得到的頻譜圖；圖2(e)～(h)是由圖2(a)～(d)經(jīng)傅里葉逆變換重構(gòu)的灰度圖.由圖2(e),(g)可知:當(dāng)去除高頻信息時(shí)，紋理受到很大程度上的抑制.由圖2(f),(h)可知:當(dāng)相應(yīng)地去除低頻信息時(shí)，紋理的周期性和方向性幾乎得到了保留.這說(shuō)明織物的紋理信息主要處于高頻段，同時(shí)單純的應(yīng)用低通濾波器雖然可以很大程度上抑制正常的紋理信息，但也幾乎破壞了可能含有疵點(diǎn)的重要信息.

(a) 水平紋織物原圖 (b) 水平紋織物頻域圖 (c) 斜紋織物原圖 (d) 斜紋織物頻域圖 圖1 織物紋理及其頻譜圖Fig.1 Figure of fabric texture and its spectrum

(a) 水平紋去高頻 (b) 水平紋去低頻 (c) 斜紋紋去高頻 (d) 斜紋紋去低頻

(e) 水平紋去高頻(重構(gòu)) (f) 水平紋去低頻(重構(gòu)) (g) 斜紋紋去高頻(重構(gòu)) (h) 斜紋紋去低頻(重構(gòu))圖2 紋理頻域?yàn)V波及其灰度重構(gòu)圖Fig.2 Figure of texture filtered frequency domain and reconstructed grayscale

因此，需要設(shè)計(jì)一種類似帶通頻域的濾波器，使織物紋理信息和疵點(diǎn)信息之間有一個(gè)節(jié)點(diǎn)進(jìn)行區(qū)分濾波.由織物紋理在頻域中的圖像可以看出：除頻域圖像中心外，紋理能量集中在圖像中心附近的亮斑上.需要設(shè)計(jì)一種濾波器能夠針對(duì)這些亮斑進(jìn)行濾波，以最大限度濾除紋理，又最大限度保留疵點(diǎn)能量.

圖3 濾波器設(shè)計(jì)算法流程Fig.3 Filter algorithm design process

濾波器設(shè)計(jì)算法流程,如圖3所示.在獲取織物圖像后進(jìn)行傅里葉變換，將頻域圖進(jìn)行高斯平滑濾波后，采用最大類間方差法(OTSU)二值化處理.然后，通過(guò)分割出的粒子面積大小篩選進(jìn)行粒子濾波，通過(guò)粒子參數(shù)確定頻域?yàn)V波器所需參數(shù)，將濾波后的頻域圖進(jìn)行傅里葉逆變換重構(gòu)灰度圖，再進(jìn)行OTSU分割出疵點(diǎn)圖像.

濾波器的設(shè)計(jì)為

(6)

式(6)中：φ為圖4(f)中的黑色斑塊，是織物紋理能量集中區(qū).φ的確定過(guò)程如下：圖4(a)中的織物經(jīng)傅里葉變換后得到頻域能量圖F(u,v)，如圖4(b)所示；由于其頻譜發(fā)散衰減特性，不利于后續(xù)操作，因此，對(duì)其進(jìn)行求模運(yùn)算，并采用高斯濾波器進(jìn)行平滑操作，效果如圖4(c)所示；針對(duì)平滑濾波后的頻譜圖進(jìn)行二值化分割，采用OTSU確定閾值，分割后的效果如圖4(d)所示；通過(guò)粒子篩選的方式保留粒子面積為0≤Sn≤δ2的粒子，效果如圖4(e)所示；分別以保留的粒子的質(zhì)心為圓心作半徑為γ的圓，這些圓所組成的區(qū)域即為φ.

參照式(7)，將原頻譜圖F(u,v)進(jìn)行濾波，得到的效果如圖4(f)所示，即

(7)

(a) 織物原圖 (b) 原織物頻域圖 (c) 頻域圖平滑后 (d) 平滑后二值化

(e) 粒子篩選 (f) 紋理濾波 (g) 去除大多數(shù)紋理 (h) 紋理信息 圖4 頻域?yàn)V波器設(shè)計(jì)Fig.4 Designed frequency domain filter

面積δ2與圓半徑γ的確定過(guò)程：對(duì)經(jīng)OTSU后獲得的圖4(d)進(jìn)行粒子分析，得到各粒子的面積參數(shù)，取最大值的2/3為δ2，由于疵點(diǎn)能量信息常位于低頻部分，因此，面積最大的那塊即為疵點(diǎn)能量；當(dāng)δ2=2×Smax/3時(shí)，可在保留疵點(diǎn)信息的同時(shí)濾除大多數(shù)的紋理信息，對(duì)已分割的粒子作最小外接圓，獲取各粒子的最小外接圓半徑，在濾波過(guò)程中需要保證最大限度的濾除紋理信息，因此,γ取Rmax.

由圖4(g)可知：經(jīng)過(guò)該濾波器濾波后重構(gòu)的灰度圖紋理信息基本上被剝離出來(lái).將原始圖像減去重構(gòu)的灰度圖像得到的效果如圖4(h)所示，可以看出絕大多數(shù)的紋理信息.

2 實(shí)驗(yàn)結(jié)果分析

2.1 實(shí)驗(yàn)步驟

1) 將織物圖片進(jìn)行傅里葉變換，設(shè)計(jì)頻域?yàn)V波器.

2) 針對(duì)該織物圖片的頻譜圖與相應(yīng)的濾波器進(jìn)行濾波后，應(yīng)用傅里葉逆變換重構(gòu)灰度圖像.

3) 對(duì)重構(gòu)的灰度圖像進(jìn)行分割，采用OTSU閾值法，檢測(cè)是否存在非0粒子，若有則視為有疵點(diǎn).

2.2 實(shí)驗(yàn)分析

(a) (b) (c) (d) (e) (f) 圖5 勾絲處理圖Fig.5 Figure of pilling processing

(a) (b) (c) (d) (e) (f) 圖6 棉結(jié)處理圖Fig.6 Figure of nep processing

(a) (b) (c) (d) (e) (f) 圖7 破洞處理圖Fig.7 Figure of hole processing

(a) (b) (c) (d) (e) (f) 圖8 缺緯處理圖Fig.8 Figure of broken picks processing

(a) (b) (c) (d) (e) (f) 圖9 油污處理圖Fig.9 Figure of oil strain processing

2.2.1 常見(jiàn)疵點(diǎn)檢測(cè) 系統(tǒng)軟件平臺(tái)基于OPENCV 2.1+Visual Studio 2010，硬件環(huán)境為四核Intel Core2 2.6 GHz CPU,2 G內(nèi)存的計(jì)算機(jī).分別對(duì)勾絲、棉結(jié)、破洞、缺緯、油污等5類常見(jiàn)的疵點(diǎn)進(jìn)行測(cè)試，所選圖像大小均為512 px×512 px，測(cè)試結(jié)果如圖5～9所示.圖5～9中：(a)為疵點(diǎn)織物原圖；(b)為經(jīng)傅里葉變換的頻譜圖；(c)為經(jīng)頻域?yàn)V波后的頻譜圖；(d)為濾波后傅里葉逆變換重構(gòu)圖；(e)為經(jīng)OTSU法分割后形態(tài)學(xué)處理圖；(f)為疵點(diǎn)原圖(a)經(jīng)OTSU法分割后形態(tài)學(xué)處理圖.由圖5～9中(e),(f)可以看出:原織物疵點(diǎn)圖像在未經(jīng)頻域?yàn)V波的情況下進(jìn)行分割，由于受紋理背景等因素的影響，分割出來(lái)的疵點(diǎn)圖像涵蓋著大量的紋理信息，油污疵點(diǎn)由于與紋理有較強(qiáng)的對(duì)比度差異，因此，受紋理的影響很小，但大多數(shù)疵點(diǎn)是紋理性疵點(diǎn).傅里葉變換、濾波器參數(shù)獲取、濾波、傅里葉逆變換、OTSU分割算法模塊的時(shí)間消耗分別為9.8,8.2,3.2,8.5,4.7 ms，整個(gè)算法耗時(shí)34.4 ms.

2.2.2 檢測(cè)率對(duì)比 實(shí)驗(yàn)的硬件、軟件環(huán)境同節(jié)2.2.1，共選取150張圖像作為樣本進(jìn)行測(cè)試，5類疵點(diǎn)圖片各30張，分別采用文中方法和現(xiàn)研究領(lǐng)域中檢測(cè)效果較好的Gabor算法[4,7]進(jìn)行對(duì)比實(shí)驗(yàn).此處Gabor算法采用1個(gè)尺度2個(gè)方向(水平、垂直)進(jìn)行濾波.文中方法的檢測(cè)率(η1)和Gabor算法的檢測(cè)率(η2)，如表1所示.由表1可知：文中方法對(duì)5大疵點(diǎn)的檢測(cè)率均超過(guò)90%，與Gabor算法在勾絲、棉結(jié)、缺緯、油污上的檢測(cè)率相差無(wú)幾；在破洞檢測(cè)中，由于受破洞疵點(diǎn)本身內(nèi)部可能還有沒(méi)有被完全破壞的紋理周期性和方向性的干擾，Gabor濾波法對(duì)其檢測(cè)效果不佳，但文中方法由于抑制了紋理信息， 仍然保持著90%的檢測(cè)率.

表1 算法檢測(cè)率Tab.1 Algorithm detection rate

在時(shí)效性上，文中方法與Gabor算法單一疵點(diǎn)耗時(shí)分別為34.4和292.0 ms.假設(shè)織物寬度為1.6 m,采用4臺(tái)2 K線陣相機(jī)分別連接4臺(tái)上述硬件軟件配置一致的PC機(jī),即分辨率為0.2 mm·px-1，圖像取2 048 px×512 px，則處理單張圖像所耗時(shí)間為137.6 ms，則該算法的檢測(cè)速度達(dá)44.65 m·min-1，比人工檢測(cè)速度(15～30 m·min-1)快得多，可達(dá)到實(shí)用要求.

3 結(jié)束語(yǔ)

根據(jù)傅里葉變換后的頻譜圖特征設(shè)計(jì)相應(yīng)的頻域?yàn)V波器，該濾波器可加強(qiáng)針對(duì)織物正常紋理信息能量的抑制.實(shí)驗(yàn)結(jié)果表明:文中方法具有很好的檢測(cè)效果和時(shí)效性.然而，其不足之處在于在抑制正常紋理背景的同時(shí)也抑制了部分織物疵點(diǎn)信息.

[1] DENG Huawu,CLAUSI D A.Gaussian MRF rotation-invariant features for image classification[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(7):951-955.

[2] BRZAKOVIC D P,BAKIC P R,VUJOVIC N S,etal.A generalized development environment for inspection of web materials[C]∥IEEE International Conference on Robotics and Automation.Albuquerque:IEEE Press,1997:1-8.

[3] 徐增波,貢玉南,黃秀寶.基于Wold紋理模型和分形理論的織物疵點(diǎn)檢測(cè)[J].東華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2000,26(1):6-9.

[4] KUMAR A,PANG G K H.Defect detection in textured materials using Gabor filters[J].IEEE Transactions on Industry Applications,2002,38(2):425-440.

[5] HAN Yangfan,SHI Pengfei.An adaptive level-selecting wavelet transform for texture defect detection[J].Image and Vision Computing,2007,25(8):1239-1248.

[6] CHAN C H,PANG G K H.Fabric defect detection by Fourier analysis[J].IEEE Transactions on Industry Applications,2000,36(5):1267-1276.

[7] 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： 錢(qián)筠 英文審校： 吳逢鐵)

Detection Method of Fabric Defects Based on Frequency Domain Filtering

LIU Weibin1, ZHENG Lixin2, ZHOU Kaiting1

(1. College of Information Science and Engineering, Huaqiao University, Xiamen 361021, China；2. College of Engineering, Huaqiao University, Quanzhou 362021, China)

Firstly, a spectrum image for fabric containing defects was obtained from the Fourier transform, According to the spectrum image, frequency domain filter was designed to remove normal texture information and keep defect information; and then a fabric defect image is obtained by Fourier inverse transform for reconstructed gray image which remove normal texture, finally, the fabric defect was obtained after Gaussian smoothing and image segment. The experiment select five types of fabric defects, the experimental results shows that the method is effective, and the detection average accuracy is over 90%.

defects detection; fabric; texture; frequency domain filtering; Fourier transform

10.11830/ISSN.1000-5013.201704022

2014-08-25

鄭力新(1967-)，男，教授，博士，主要從事工業(yè)自動(dòng)化技術(shù)和人工智能的研究.E-mail:1275373176@qq.com.

福建省科技創(chuàng)新平臺(tái)建設(shè)項(xiàng)目(2013H2002)

TP 391

A

1000-5013(2017)04-0562-05