噪聲干擾下的防羽布疵點(diǎn)檢測算法

張團(tuán)善,石 瑋

(西安工程大學(xué) 機(jī)電工程學(xué)院,陜西 西安 710048)

0 引 言

織物疵點(diǎn)主要是在織造過程中形成的[1]。隨著需求的增加、生產(chǎn)效率不斷提升[2],生產(chǎn)過程中織物的疵點(diǎn)數(shù)目和種類也會(huì)隨之增多,而產(chǎn)品表面缺陷會(huì)降低產(chǎn)品質(zhì)量和商業(yè)價(jià)值[3]。研究表明，紡織品的價(jià)格會(huì)因生產(chǎn)質(zhì)量的問題而損失45%～65%[4]。目前,國內(nèi)幾乎所有紡織企業(yè)仍然釆用傳統(tǒng)的人工驗(yàn)布方式進(jìn)行瑕疵檢測,通過人眼觀察,手動(dòng)剔除不合格產(chǎn)品。由于檢測勞動(dòng)強(qiáng)度大,人為檢測效率低,漏檢率較高,可靠性較差[5],并增加企業(yè)勞動(dòng)成本[6]。采用機(jī)器視覺[7]檢測技術(shù),能夠使檢測實(shí)現(xiàn)自動(dòng)化,并且高速高效地檢測織物疵點(diǎn),保證產(chǎn)品的質(zhì)量。

因?yàn)榭椢镌谏a(chǎn)過程中環(huán)境的復(fù)雜性，生產(chǎn)材料和產(chǎn)品的多樣性,使織物疵點(diǎn)檢測算法缺乏通用性?？椢锎命c(diǎn)檢測被許多從事此領(lǐng)域的研究人員認(rèn)為是一個(gè)非常艱巨的任務(wù)[8]。目前，針對(duì)織物疵點(diǎn)檢測算法可分為基于統(tǒng)計(jì)信息的方法[9]、基于模型的方法[10-11]、基于頻譜的方法[12]、基于卷積神經(jīng)網(wǎng)絡(luò)的方法[13]和基于顯著性的方法等。韓立偉等[14]通過實(shí)時(shí)收集圖像的特征, 分析有價(jià)值的統(tǒng)計(jì)信息,將有價(jià)值的信息進(jìn)行模板更新和閾值的判斷。該方法適用于紋理結(jié)構(gòu)清晰，紋理具有周期性的布匹,但對(duì)于密度較高、反光較強(qiáng)的防羽布檢測效果不佳。閔信軍等[15]利用圖像分塊處理灰度共生矩陣進(jìn)行疵點(diǎn)檢測。該方法利用分塊提取圖像灰度共生矩陣特征紋理,分析紋理特征值的分布狀況,查找疵點(diǎn)并且確定疵點(diǎn)所在區(qū)域。不過，該方法在防羽布檢測時(shí)易受光照噪聲的影響。張波等[16]采用相對(duì)總變差模型對(duì)織物圖像進(jìn)行濾波，以去除織物紋理,然后在得到的灰度圖像上直接進(jìn)行基于自適應(yīng)鄰域的灰度形態(tài)學(xué)運(yùn)算,最終得到織物疵點(diǎn)的增強(qiáng)圖像。該方法在防羽布的檢測中同樣易受環(huán)境噪聲的影響,并且模型信息不足，與實(shí)際紋理具有一定差異,因此檢測精度不高。頻譜方法主要有小波變換系數(shù)[17]、傅里葉變換[18]、Gabor濾波器[19]和輪廓線變換[20]等,其過程是將圖像由空間域轉(zhuǎn)換為頻域,通過頻譜的分布描述紋理中的全局周期性質(zhì)。肖樂等[21]利用Gabor濾波器和建立圖像金字塔對(duì)多幅圖像進(jìn)行融合與重建提取疵點(diǎn),但在防羽布的疵點(diǎn)檢測中,最優(yōu)Gabor濾波器參數(shù)的選擇難度很大。

本文研究對(duì)象是以超細(xì)滌綸為原料的740/620高密防羽布，具有透氣性較好, 撕破強(qiáng)度高, 耐磨性能好,布面光潔勻整等特征。由于防羽布具有上述特性,在防羽布大規(guī)模生產(chǎn)的過程中會(huì)出現(xiàn)光照分布不均，布匹易褶皺等現(xiàn)象。目前織物疵點(diǎn)檢測算法雖然具有一定的普遍性、通用性,但由于織物的紋理、材料和生產(chǎn)環(huán)境的多樣性和差異性,因此對(duì)不同種織物的疵點(diǎn)檢測效果并不理想。本文提出一種針對(duì)高密度織物檢測算法。該方法利用灰度單通道圖,提取圖像上每個(gè)像素及其8個(gè)鄰域像素的變化特征；利用疵點(diǎn)像素與非疵點(diǎn)像素變化差異確定疵點(diǎn)因子,通過對(duì)比得到織物疵點(diǎn)二值圖。該算法雖在通用性、普遍性上尚有一定的局限性,但在光照不均勻、布面不平整等復(fù)雜環(huán)境下的防羽布疵點(diǎn)檢測具有很好的檢測性能。

1 算法設(shè)計(jì)

設(shè)圖像為m×n的RGB三通道圖像,由于疵點(diǎn)類型為非色差類疵點(diǎn),在不影響對(duì)織物檢測的前提下,為減少圖像處理計(jì)算量,方便后續(xù)計(jì)算,將圖像通過式(1)進(jìn)行灰度變換。

Gray=0.299R+0.587G+0.114B

(1)

式中：R,G,B均為單通道矩陣?；叶葓D像矩陣Gray表示為

(2)

式中：ai,j∈[0,255],i∈[0,m],j∈[0,n]。

為實(shí)現(xiàn)對(duì)微小和不顯著疵點(diǎn)的準(zhǔn)確檢測,選取大小為3×3,像素?cái)?shù)目為9的基矩陣aω,表達(dá)式為

(3)

式中：ω=1,2,…,(m-1)×(n-1)；i=1,2,…,m-1;j=1,2,…,n-1。

由于光照分布不均、布匹不平整等噪聲和疵點(diǎn)在灰度圖像中都是通過像素值變化體現(xiàn),因此通過像素變化的差異分析圖像。由式(4)計(jì)算圖像差異矩陣bω,得到差異矩陣式(5)。

(4)

(5)

在噪聲環(huán)境的疵點(diǎn)圖像中,疵點(diǎn)區(qū)域、噪聲區(qū)域和非疵點(diǎn)區(qū)域具有不同的變化趨勢,對(duì)應(yīng)于差異矩陣中不同的差值。具體分為以下3種情況:

1) 正常織物區(qū)域無較大差值變化;

2) 光照分布不均、布匹褶皺等噪聲區(qū)域差值變化趨勢具有均勻性;

3) 疵點(diǎn)區(qū)域差值變化趨勢具有突變性。

計(jì)算差異矩陣像素變化波動(dòng)值Sω

將Sω與差異矩陣均值mω(見式(4))的對(duì)數(shù)進(jìn)行比較,根據(jù)式(6)定義疵點(diǎn)因子ε。

(6)

式中：c為常數(shù),c=1,2,…。

Sω的大小可以直觀反應(yīng)基矩陣內(nèi)像素變化的波動(dòng)性。通過動(dòng)態(tài)判斷差異矩陣bω中的像素bi,j與疵點(diǎn)因子ε的大小,得到對(duì)應(yīng)區(qū)域中每個(gè)像素的像素值。若疵點(diǎn)因子大于像素變化差異值,則定義為非疵點(diǎn)像素點(diǎn)(像素值為0);否則,定義為疵點(diǎn)像素點(diǎn)(像素值為255)。進(jìn)而得到整幅圖像每個(gè)像素的像素值。為使圖像更具有直觀性和可控性,通過式(7)得到動(dòng)態(tài)二值圖像矩陣th。

(7)

式中:ci,j表示二值化后像素值,且

經(jīng)過上述計(jì)算得到的二值圖中含有由噪聲引起的斑點(diǎn)。為解決這個(gè)問題,通過式(8)對(duì)最終生成的二值圖進(jìn)行中值濾波,得到圖像矩陣I*。

(8)

式中：M為中值濾波算子。

綜上分析,防羽布疵點(diǎn)檢測的具體實(shí)現(xiàn)過程如圖1所示。將CCD相機(jī)采集的彩色圖片進(jìn)行灰度化處理,利用基矩陣aω和差異矩陣均值mω計(jì)算得到差異矩陣bω；然后,計(jì)算疵點(diǎn)因子ε,與差異矩陣內(nèi)像素比較后得到二值圖像矩陣th;最后，通過中值濾波得到圖像矩陣I*。

圖 1 防羽布疵點(diǎn)檢測過程Fig.1 Down-proof fabric detection process

2 結(jié)果與分析

算法運(yùn)行軟件環(huán)境PyCharm2018,通過Python語言編寫,使用Intel(R) Pentium(R) CPU G4600 @3.60 GHz處理器。實(shí)驗(yàn)樣本采用工廠實(shí)際生產(chǎn)的防羽布圖像。實(shí)驗(yàn)環(huán)境:光源為D65光源和日光,照射方式為垂直照射和分散式照射;相機(jī)采用工業(yè)CCD相機(jī),分辨率為2 056×2 056;相機(jī)與樣本采用垂直拍攝,間距為20 cm。本文算法針對(duì)防羽布進(jìn)行結(jié)構(gòu)類型疵點(diǎn)檢測,色差疵點(diǎn)不作為本研究的主要內(nèi)容。工業(yè)CCD面陣相機(jī)采集RGB圖像，是為進(jìn)行隨后的色差疵點(diǎn)檢測。

使用準(zhǔn)確率及誤檢率作為算法檢測效果的評(píng)價(jià)指標(biāo)。準(zhǔn)確率及誤檢率定義為

為驗(yàn)證算法檢測效果的有效性,選擇無疵點(diǎn)樣本846個(gè)，破洞樣本439個(gè)，邊撐疵樣本387個(gè)，斷紗樣本501個(gè),極光樣本364個(gè)，劃傷樣本511個(gè)，使用準(zhǔn)確率和誤檢率指標(biāo)來評(píng)價(jià)算法檢測效果，檢測結(jié)果如表1所示。

表 1 疵點(diǎn)檢測準(zhǔn)確率和誤檢率統(tǒng)計(jì)結(jié)果Tab.1 Defect detection accuracy and false detection rate %

從表1中可直觀看出,本文算法對(duì)防羽布各類疵點(diǎn)具有良好的檢測效果,可較為準(zhǔn)確判斷織物疵點(diǎn)。雖然對(duì)于極光類型疵點(diǎn)的檢測準(zhǔn)確率最低,但也在92%以上。由表1可得本文算法對(duì)防羽布疵點(diǎn)檢測平均準(zhǔn)確率為95.37%,平均誤檢率為3.63%。

選取圖像差異矩陣均值、圖像均值不同的4類圖像,分別記為a，b，c，d;各取89個(gè)樣本,當(dāng)c為不同數(shù)值時(shí)，4類圖像檢測的準(zhǔn)確率如圖2所示。

圖 2 常數(shù)c與檢測準(zhǔn)確率關(guān)系Fig.2 Relationship between constant c and detection accuracy

從圖2可得,對(duì)于不同均值和不同差異矩陣均值的防羽布疵點(diǎn)圖像,當(dāng)常數(shù)c=3時(shí),檢測結(jié)果都具有較高的準(zhǔn)確率。故將c=3,帶入式(6),進(jìn)行后續(xù)計(jì)算。

為進(jìn)一步驗(yàn)證算法的有效性,選擇有破洞、邊撐疵、斷紗、極光和無疵點(diǎn)5種類型織物,采用另外3種疵點(diǎn)檢測算法與本文算法對(duì)比實(shí)驗(yàn)效果,其中包括基于灰度共生矩陣(GLCM)的方法、基于傅里葉變換的方法和基于Gabor變換的方法。實(shí)驗(yàn)結(jié)果如表2所示。

表2疵點(diǎn)檢測統(tǒng)計(jì)結(jié)果

Tab.2 Defect detection results

從表2可直觀看出，基于灰度共生矩陣的檢測算法對(duì)防羽布斷紗和劃傷效果較為明顯,而對(duì)于破洞、色點(diǎn)以及無疵點(diǎn)圖像檢測的準(zhǔn)確率偏低;基于傅里葉變換的檢測算法在防羽布細(xì)小疵點(diǎn)和反光較為明顯的圖像中,檢測的準(zhǔn)確率偏低;基于Gabor的檢測算法對(duì)于防羽布上有明顯疵點(diǎn)和無疵點(diǎn)圖像的檢測效果較好,但是其抗干擾能力偏低;本文算法具有較高的抗干擾能力,能夠消除復(fù)雜環(huán)境對(duì)疵點(diǎn)檢測的影響,并且對(duì)防羽布疵點(diǎn)檢測具有較高的準(zhǔn)確率。其他3種算法檢測效果魯棒性不強(qiáng),主要是因?yàn)榉烙鸩假|(zhì)地柔軟平滑易出現(xiàn)反光和褶皺現(xiàn)象影響檢測結(jié)果，以及算法參數(shù)設(shè)定不夠精準(zhǔn)等原因造成。

3 結(jié) 語

對(duì)于防羽布這種高密度、柔軟平滑的紡織物,經(jīng)典的疵點(diǎn)檢測算法很容易將光照與布面不平整等噪聲在檢測時(shí)誤識(shí)別為疵點(diǎn)。本文提出的防羽布疵點(diǎn)檢測算法,主要通過比較區(qū)域內(nèi)像素的變化差異判斷疵點(diǎn)。由于非疵點(diǎn)噪聲在區(qū)域內(nèi)像素變化是非突變的,而疵點(diǎn)是突變的,通過該特性,可以有效的區(qū)分反光、褶皺的影響,并且能夠較準(zhǔn)確地從織物圖像中定位出疵點(diǎn)區(qū)域的位置。相比于其他疵點(diǎn)檢測算法,本文提出的算法針對(duì)性強(qiáng)、準(zhǔn)確率高，因而更具有實(shí)際應(yīng)用價(jià)值。但本文算法在時(shí)間的優(yōu)化和對(duì)其他紡織布品的檢測效果等方面,還有待進(jìn)一步研究。