基于彩色圖像處理與EDLines的數(shù)碼印花缺陷檢測系統(tǒng)

黃乾瑋， 張團(tuán)善， 周 玲， 湯 鋒， 李樂樂

(1.西安工程大學(xué) 機(jī)電工程學(xué)院， 陜西 西安 710048；2.紹興市柯橋區(qū)西紡紡織產(chǎn)業(yè)創(chuàng)新研究院， 浙江 紹興 312030)

數(shù)碼印花憑借其工序簡單、成本低、色彩種類多及品質(zhì)高等優(yōu)勢，在紡織品印花市場中占有越來越大的比重。但在實際生產(chǎn)過程中，由于噴頭堵塞、電機(jī)偏差原因，會在印花布匹上產(chǎn)生平行、細(xì)長的線狀PASS道缺陷，嚴(yán)重影響印花布匹的品質(zhì)和價值。由于花型圖案的多樣性，導(dǎo)致印花織物表面缺陷檢測困難，目前主要采取人工檢測方式保證布匹質(zhì)量，但其效率易受視覺疲勞、員工情緒等影響。

為提高產(chǎn)品質(zhì)量，研究者們嘗試采用圖像處理技術(shù)檢測印花織物缺陷。陳寧等[1]提出基于Hough變換與互相關(guān)系數(shù)結(jié)合的數(shù)碼印花飛線自動檢測系統(tǒng)，通過Hough變換提取直線特征信息，再利用互相關(guān)系數(shù)定位直線位置;但其實質(zhì)基于理想模板匹配條件，實際場景中難以精準(zhǔn)匹配。張團(tuán)善等[2]通過構(gòu)建基矩陣并計算差異矩陣,對比疵點(diǎn)因子得到其缺陷二值圖像，但此方法僅適用純色的防羽布，對花型復(fù)雜的印花織物檢測效果不佳。李敏等[3]提出一種基于改進(jìn)高斯混合模型的疵檢測方法，該方法對印花織物分塊處理并根據(jù)像素塊的均值來建立高斯混合模型，最后基于圖像塊檢測疵點(diǎn)；不足之處在于該方法更適用于塊狀花型，因此存在局限性。劉綏美等[4]對無缺陷印花織物與有缺陷印花織物分別訓(xùn)練水平與垂直方向的字典，得到其對應(yīng)投影特征；最后利用結(jié)構(gòu)相似性比較水平與垂直特征從而分割異常區(qū)域，但該算法速度較慢且同樣不適用于復(fù)雜花型。

課題組針對PASS道缺陷的特點(diǎn)，設(shè)計了一套基于彩色圖像處理與EDLines的數(shù)碼印花缺陷檢測系統(tǒng)。通過實驗發(fā)現(xiàn)該系統(tǒng)穩(wěn)定且能滿足數(shù)碼印花織物缺陷檢測需求。

1 檢測系統(tǒng)硬件構(gòu)成

數(shù)碼印花缺陷檢測系統(tǒng)主要由CCD傳感器相機(jī)、鏡頭、圖像采集卡、光源和傳送帶等組成。相機(jī)選用選用邁德威視公司的產(chǎn)品MV-GED500C-T，分辨率和幀率為(2 448×2 048) dpi，9幀/s，以太網(wǎng)接口，滿足實驗和實際生產(chǎn)的需要；鏡頭選擇邁德威視公司的MV-LD-25-5M-K工業(yè)鏡頭，其焦距為(0

圖1 視覺檢測平臺Figure 1 Visual detection platform

系統(tǒng)具體流程：①電機(jī)驅(qū)動傳送帶運(yùn)輸印花布，傳送帶的速度可由編碼器反饋給電機(jī)進(jìn)行調(diào)節(jié)，當(dāng)布匹到達(dá)圖像采集區(qū)域時傳送帶停止運(yùn)動；②步進(jìn)電機(jī)驅(qū)動雙軸滾珠絲桿直線導(dǎo)軌模組沿x軸方向移動，帶動相機(jī)采集圖像，圖像采集卡將采集到的圖像傳入PC端；③圖像經(jīng)PC端處理實現(xiàn)缺陷檢測和定位。

2 印花織物缺陷檢測算法

缺陷樣本如圖2所示，其中平行、細(xì)長突變窄道為PASS道缺陷即感興趣區(qū)域。但圖像中存在復(fù)雜花型及背景干擾，且PASS道相對背景不顯著。針對復(fù)雜花型背景下缺陷檢測，提出基于彩色圖像處理與EDLines的數(shù)碼印花缺陷檢測算法。算法流程圖如圖3所示，對CCD相機(jī)采集到的織物圖像進(jìn)行彩色補(bǔ)償處理，然后變換HSI空間進(jìn)行圖像處理，分別在3通道采用自定義線型濾波增強(qiáng)感興趣區(qū)域并采用EDLines算法實現(xiàn)缺陷配準(zhǔn)，最后將3通道缺陷匹配結(jié)果進(jìn)行區(qū)域融合和形態(tài)學(xué)處理，根據(jù)水平投影實現(xiàn)PASS道缺陷定位。

圖2 缺陷圖Figure 2 Defect figure

圖3 算法流程Figure 3 Algorithm process

2.1 彩色補(bǔ)償

課題組將采集的圖像分為3部分：感興趣區(qū)域(PASS道缺陷)，主要背景(較明花案)和次要背景(較暗花案)。印花織物圖像由于光照和印花染料之間的交融影響，導(dǎo)致缺陷區(qū)域與相鄰花型背景區(qū)域?qū)Ρ榷容^弱，產(chǎn)生顏色擴(kuò)散現(xiàn)象。為保持它們之間的正確空間關(guān)系，采用補(bǔ)償3通道顏色分量的方法，實現(xiàn)缺陷區(qū)域與相鄰花型背景區(qū)域的分離并弱化次要背景。

根據(jù)采集圖像建立線性變換，用矩陣C定義顏色在3個通道中的擴(kuò)散情況;每個元素Cij表示數(shù)字圖像彩色通道i中像素點(diǎn)j所占的亮度的比例。令x為3×1的向量,它代表理想灰度級向量,得到：

y=Cx+e。

(1)

式中e為黑度偏移量。

通過變換得到：

x=C-1[y-e]。

(2)

首先依據(jù)主觀視覺提取3點(diǎn)U1，U2和U3,分別對應(yīng)于純紅、純綠和純藍(lán)；各點(diǎn)的3通道數(shù)值分別為(R1、G1、B1)、 (R2、G2、B2)和(R3、G3、B3)。其次依據(jù)式(3)加權(quán)灰度值計算缺陷圖像RGB的3通道分量。其中a，b和c為權(quán)值，影響整體顏色布局。最后構(gòu)建顏色擴(kuò)散矩陣C,C的逆矩陣即為顏色補(bǔ)償矩陣。根據(jù)印花的花案主色占比，經(jīng)過多次實驗后權(quán)值a,b和c依次取0.1，0.5和0.4。最后將顏色補(bǔ)償矩陣代回式(2)。

(3)

由圖4可觀察到彩色補(bǔ)償后，感興趣區(qū)域與主要背景的亮度與飽和度整體增強(qiáng)，次要背景相對弱化。

圖4 顏色補(bǔ)償Figure 4 Color compensation

2.2 HSI色彩空間

RGB空間通過3基色疊加調(diào)制多樣顏色，3分量之間存在較強(qiáng)相關(guān)性且RGB顏色空間是高度線性相關(guān)的非均勻顏色空間，不適用于基于3個分量獨(dú)立運(yùn)算的圖像分割[5]。加之印花織物自身花案的復(fù)雜性及光照影響加大了缺陷分割難度，但可以由RGB空間轉(zhuǎn)化其他彩色空間對缺陷圖像進(jìn)行處理。其中HSI空間是從色調(diào)、飽和度和亮度3方面描述圖像，比較直觀且符合人的視覺特性。為圖像處理的目的，有必要在RGB和HSI的2種空間進(jìn)行轉(zhuǎn)化。依據(jù)式(4)轉(zhuǎn)化公式，對彩色補(bǔ)償后的圖像變換HSI格式，得到3通道圖像，如圖5所示。

圖5 HSI空間轉(zhuǎn)換Figure 5 HSI space conversion

(4)

2.3 自定義線性濾波

盡管顏色補(bǔ)償后次要背景大致去除，HSI通道轉(zhuǎn)換后主要背景的復(fù)雜花案得到弱化，但花案仍影響后續(xù)缺陷分割，所以需對采集到的圖像進(jìn)行預(yù)處理，主要采用自定義線性濾波。筆者設(shè)計5×5矩形掩碼，分別對3通道H，S和I進(jìn)行卷積，消除花案干擾并增強(qiáng)PASS道缺陷特征。

自定義矩形掩碼為：

經(jīng)過線性濾波處理(圖6所示)，削弱了花案主要背景的干擾，圖像整體平滑。待分割的缺陷呈現(xiàn)直線段特征，因此后續(xù)可在圖像中匹配直線段以檢測PASS道缺陷。

圖6 線性濾波Figure 6 Linear filtering

2.4 EDLines算法

通過線性濾波，將PASS道缺陷分割轉(zhuǎn)化為缺陷匹配，因此如何在印花織物圖中快速精準(zhǔn)檢測出直線狀缺陷是課題組要解決的關(guān)鍵問題。直線檢測最經(jīng)典的算法是基于Hough變換方法，它具有強(qiáng)魯棒性，但是需要較大的計算空間和計算量， 提取的參數(shù)受參數(shù)空間的量化間隔制約，易產(chǎn)生錯誤檢測[6]。因此課題組采用更準(zhǔn)確且具有錯誤檢測控制的實時線段檢測器EDLines。

基于EDLines的缺陷匹配流程可分為3步驟:①將給定缺陷圖像灰度二值化，通過邊緣繪制(ED)算法產(chǎn)生一系列干凈、連續(xù)的像素鏈即連續(xù)邊緣片段，像素鏈直觀描述缺陷相樣本邊緣信息；②通過最小二乘線擬合法提取缺陷樣本中像素鏈；③基于亥姆霍茲原理驗證線狀缺陷，消除錯誤的線段檢測。

2.4.1 相關(guān)參數(shù)

1) 邊緣的繪制需計算像素(x,y)梯度大小和水平線角度A

(5)

式中：S(x,y)是像素(x,y)處輸入圖像的強(qiáng)度，g是梯度大小，A是水平線角度。

2) 錨點(diǎn)閾值與掃描間隔。錨點(diǎn)即邊緣元素，錨點(diǎn)對應(yīng)于梯度算子產(chǎn)生最大值的像素，即梯度圖的峰值。將錨點(diǎn)連接形成像素鏈，EDLines通過非最大抑制執(zhí)行錨計算，若像素處的梯度值大于或等于該像素在梯度方向上的2個相鄰像素，則非最大抑制將該像素視為邊緣候選，而如果該像素的梯度值大于該像素在梯度方向上的2個相鄰像素一定量的錨閾值，則ED將該像素視為錨。設(shè)置錨點(diǎn)閾值可篩選高質(zhì)量的錨點(diǎn)，從而產(chǎn)生高質(zhì)量的邊段。掃描間隔表示隔行、列進(jìn)行掃描，結(jié)合錨點(diǎn)閾值提煉線段。

3) 線擬合參數(shù)。在直線擬合步驟開始時依據(jù)最小線長度公式計算最小線段長度:

(6)

式中：n為最小線長度；p為2像素點(diǎn)對齊的概率，依據(jù)先驗知識取0.125；N為擬假設(shè)線段長度。

課題組取H通道預(yù)處理圖像，最小線段長度作為閾值依次遞增篩選PASS道缺陷，圖7中3個圖對應(yīng)不同閾值篩選結(jié)果。S和I通道直線匹配結(jié)果如圖8所示。

圖7 H通道閾值Figure 7 H channel threshold

圖8 剩余通道匹配結(jié)果Figure 8 Remaining channel matching results

2.5 區(qū)域融合

為獲取最佳缺陷信息，故將3通道缺陷信息區(qū)域融合。背景為0標(biāo)記為黑色，缺陷為1標(biāo)記為白色，將圖像二值化后進(jìn)行數(shù)學(xué)運(yùn)算。最后形態(tài)學(xué)操作，細(xì)化感興趣區(qū)域，運(yùn)算處理使用單元結(jié)構(gòu)為5×5的結(jié)構(gòu)矩陣。

圖9 區(qū)域融合Figure 9 Regional integration

2.6 缺陷定位

為定位缺陷，將形態(tài)學(xué)處理后的印花織物缺陷圖在水平方向投影，如圖10所示。x軸對應(yīng)圖像寬度，y軸為每行的非零像素值的個數(shù)，缺陷像素標(biāo)記為1。水平投影直觀地顯示了缺陷位置信息，可通過峰值點(diǎn)的橫坐標(biāo)定位PASS道缺陷[7]。

圖10 缺陷定位Figure 10 Defect location

3 實驗結(jié)果與分析

實驗環(huán)境：處理器為Intel(R) Core(TM)i7-9750H CPU@2.60 GHz 2.59 GHz，內(nèi)存為16 GiB，軟件開發(fā)工具為64位Windows10，Python3.7、OpenCV4.2.0。課題組統(tǒng)一缺陷樣本，分別比較Hough變換直線檢測算法與EDLines算法，并將檢測缺陷梯度映射于原圖。如圖11所示，基于Hough變化檢測是將檢測直線的問題轉(zhuǎn)化為參數(shù)空間中對點(diǎn)的檢測問題，但受參數(shù)空間限制，實際檢測到的線段必須依次對應(yīng)于峰值，因此易造成缺陷的遺漏，僅檢測出部分缺陷。而基于EDLines算法是對應(yīng)錨點(diǎn)，依據(jù)梯度構(gòu)成像素鏈，對全圖邊緣檢測并設(shè)置閾值篩選缺陷區(qū)域，檢測效果較佳。

圖11 比較結(jié)果Figure 11 Comparison results

為進(jìn)一步體現(xiàn)本系統(tǒng)檢測算法的有效性，選取150張不同印花織物缺陷圖片為樣本，用此算法和文獻(xiàn)[1]中算法進(jìn)行，比較結(jié)果如表1所示。

表1 算法比較結(jié)果Table 1 Algorithm comparison results

從表1中可見本系統(tǒng)檢測算法較于文獻(xiàn)[1]算法漏檢率低，檢測精度高達(dá)96.67%，比文獻(xiàn)[1]算法高出11.34%，平均用時短70.18 ms。漏檢5張主要是因為EDLines檢測過程中，錨點(diǎn)閾值不確定性導(dǎo)致像素鏈產(chǎn)生間斷，影響較短線狀缺陷的匹配，從而較短線狀缺陷被漏檢。實驗結(jié)果表明本文算法滿足實際生產(chǎn)檢測要求。

4 結(jié)論

課題組針對數(shù)碼印花生產(chǎn)過程中產(chǎn)生的PASS道缺陷問題，設(shè)計一套基于彩色圖像處理與EDLines的數(shù)碼印花缺陷檢測系統(tǒng)，并搭建了實驗系統(tǒng)。介紹了系統(tǒng)硬件構(gòu)成與系統(tǒng)檢測算法，通過算法間的對比驗證，表明新系統(tǒng)的識別正確率為96.67%，基本滿足實際工業(yè)質(zhì)量檢測要求。后續(xù)將進(jìn)一步研究錨點(diǎn)閾值的自適應(yīng)調(diào)整，提高系統(tǒng)的檢測率。