基于灰度共生矩陣的紡織品瑕疵識別算法

吳亞新

摘要：提出了一種利用灰度共生矩陣對紡織品瑕疵進行識別的方法。首先構(gòu)建紡織品圖像的灰度共生矩陣，提取逆差矩和相關(guān)性特征，討論了步長和角度對分類的影響，確定了最佳的參數(shù)，采用最近鄰分類器在1391幅圖像上進行實驗，最終分類準確率為95.36%，表明該方法能有效地將瑕疵樣本和正常樣本分開。

關(guān)鍵詞：紡織品圖像；灰度共生矩陣；識別算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2017）28-0204-02

棉紡織工業(yè)是我國國民經(jīng)濟的傳統(tǒng)支柱產(chǎn)業(yè)和重要的民生產(chǎn)業(yè)，也是國際競爭優(yōu)勢明顯的產(chǎn)業(yè)。在繁榮市場、擴大出口、吸納就業(yè)、增加農(nóng)民收入、促進城鎮(zhèn)化發(fā)展等方面發(fā)揮著重要作用，紡織品瑕疵檢測是紡織品質(zhì)量控制的重要環(huán)節(jié)，既影響價格，又影響在國際市場的競爭力，還關(guān)乎國家相關(guān)企業(yè)信譽度。目前我國紡織品瑕疵仍依靠人工檢測。人工驗布有很多缺陷：一方面，人眼能保持高度集中的時間僅有15分鐘左右。因而，長時間枯燥的驗布工作導致誤檢、漏檢率較高。另一方面，驗布車間工作環(huán)境中惡劣，高溫，噪聲，棉塵對驗布工人的健康傷害很大。

隨著高性能計算機成本越來越低、計算能力越來越強，同時機器學習技術(shù)的發(fā)展，越來越多的圖像識別算法被開發(fā)出來，使得自動識別瑕疵能為工業(yè)應(yīng)用成為可能。采用機器學習方法解決問題，主要包括數(shù)據(jù)預(yù)處理、特征提取與分類器設(shè)計三個階段，而特征提取環(huán)節(jié)是整個識別系統(tǒng)的關(guān)鍵，決定問題的成敗。本文選取了灰度共生矩陣特征，最近鄰分類器設(shè)計了瑕疵識別算法，并將所設(shè)計的算法在平紋、斜紋白坯布圖像上進行了實驗。

1 實驗數(shù)據(jù)的準備

論文選擇了斜紋白坯布作為研究對象，圖像采集自安慶華茂集團有限公司。實際采集的紡織品圖像為彩色圖像，將采集的原始圖像轉(zhuǎn)變?yōu)榛叶葓D像，并裁減成128*128的大小，構(gòu)建成實驗數(shù)據(jù)集。論文共得到1391幅實驗圖像。其中正常圖像681幅，異常圖像710幅。部分實驗樣本如圖1所示，其中第一排為正常的樣本，第二排第三排為瑕疵樣本。

2 灰度共生矩陣特征提取方法基本原理

論文采用灰度共生矩陣（GLCM）特征提取方法?；叶裙采仃囀且环N經(jīng)典的圖像紋理特征[1，4]，通過灰度空間的相關(guān)特性來描述紋理，常被應(yīng)用于各類紋理的分析中，在紡織品分析與檢測中的應(yīng)用也非常廣泛[2-3]?；叶裙采仃嚱y(tǒng)計距離為d，角度為?的點對出現(xiàn)的次數(shù)，圖2顯示了距離為1，?=0時灰度共生矩陣的構(gòu)造過程。圖2中左側(cè)為原始圖像，右側(cè)為對應(yīng)的灰度共生矩陣。

3 仿真實驗

論文分別計算了0度，90度兩個方向的灰度共生矩陣，每個方向計算6個步長，分別為1，2，3，4，5，6. 對于每一幅圖像，提取其灰度共生矩陣的相關(guān)性和逆差矩作為該圖像的特征向量。下面分別討論步長和角度對識別率的影響。

3.1 步長對識別結(jié)果的影響

首先討論步長對識別效果的影響，此時，角度為90度，分別選擇了6個步長構(gòu)建灰度共生矩陣，提取逆差矩和相關(guān)性特征，實驗結(jié)果如圖3所示。其中藍色點為正常樣本，紅色點為瑕疵樣本。從圖中可以看出，當步長較小時，相關(guān)性和逆差矩具有一定的線性相關(guān)性，分類效果不是很好。當步長增加時，二者之間的相關(guān)性減弱，當步長為6時，正常樣本分布比較集中，正常樣本和瑕疵樣本區(qū)別明顯。

3.2 角度對分類效果的影響

角度是構(gòu)造灰度共生矩陣的另一個重要參數(shù)。圖4給出了步長為6時，角度對分類效果的影響。從圖4可以看出，當?=0時，正常樣本和瑕疵樣本重疊區(qū)域較大，很難區(qū)分。而當角度為90度時，正常樣本和瑕疵樣本區(qū)分明顯。

3.3 實驗結(jié)果

通過前面的分析，可以得出角度步長為6，?=90時，分類效果較好。因此，論文最終選擇步長為6，?=90度，構(gòu)建灰度共生矩陣，提取相關(guān)性和逆差矩特征，采用最近鄰分類器進行分類。實驗的數(shù)據(jù)集表1所示：

實驗結(jié)果的分辨矩陣如表2所示：

從表1和表2可以看出，測試集樣本總數(shù)為604個，分類正確數(shù)量為576，分類準確率為95.36%。

4 結(jié)論

論文采用共生矩陣法識別紡織品瑕疵圖像。構(gòu)建紡織品圖像的灰度共生矩陣，提取共生矩陣的相關(guān)性和逆差矩特征，討論了步長參數(shù)和角度參數(shù)對識別效果的影響，選擇最佳參數(shù)，在1391幅紡織品圖像上進行了實驗，實驗結(jié)果表明，所選用的相關(guān)性特征和逆差矩特征能較好的將正常樣本和瑕疵樣本分類，分類準確率達到了95.36.

論文中的分類器采用了最簡單的最近鄰分類器。由于最近鄰分類器容易受到噪聲的影響，因此實際應(yīng)用中，需要先對圖像進行濾波處理。

參考文獻：

[1] Haralick R M.Statistical and structural approaches to texture[J.Proceedings of the IEEE，1979，67（ 5）：786-804.

[2] 陳麗麗.基于灰度共生矩陣的毛料褲子穿著平整度特征提取[J].毛紡科技，2017，45（5）：50-54.

[3] Lin Jeng-Jong. Applying a co-occurrence matrix to automatic inspection of weaving density for woven fabrics [J].Textile Research Journal，2002，72（ 6）：486-490.

[4] 任國貞，江濤. 基于灰度共生矩陣的紋理提取方法研究[J].計算機應(yīng)用與軟件，2014，31（11）：190-192，325.endprint