基于Gabor濾波的重建圖像法檢測皮革表面缺陷*

劉飛飛, 孫合銳, 王瀟男, 金達風(fēng)

(江西理工大學(xué) 電氣工程與自動化學(xué)院,江西 贛州 341000)

0 引 言

近年來,隨著機器視覺技術(shù)的發(fā)展,國內(nèi)外用機器視覺方法對皮革檢測的研究也有所增加[1-4]。皮革的種類繁多,紋理復(fù)雜,并且缺陷可以呈現(xiàn)塊狀、線性形狀和任何隨機圖案。相對于皮革表面,缺陷的尺寸通常較小,這破壞了紋理圖案的均勻性,導(dǎo)致皮革的表面缺陷的自動檢測變得十分困難。大多數(shù)的機器視覺缺陷檢測系統(tǒng)中采用了閾值分割、檢測邊緣的方法,檢測的對象是均勻的灰度圖像,比如鋼板,玻璃面板。通常這些圖像中的缺陷很容易被檢測到。對于復(fù)雜紋理缺陷的檢測通常采用模板匹配的方法來識別缺陷。缺陷檢測的模板匹配有兩種通用方法,第一種方法是將無缺陷圖像模板和待檢測圖像匹配,這種方法已被廣泛用于印刷電路板(printed circuit board,PCB)檢查。但是,它僅適用于具有幾何圖案的對象,對于經(jīng)常發(fā)生紋理圖案變化的皮革表面,這種方法不太適用。第二種方法是計算子圖像,然后從圖像中搜索特征值中的明顯局部偏差。提取紋理特征是該方法的難點,需要從大型訓(xùn)練集的樣本中評估特征,對于復(fù)雜的紋理則需要更復(fù)雜的分類器,例如用神經(jīng)網(wǎng)絡(luò)、貝葉斯來訓(xùn)練采集到的特征。

目前,已經(jīng)提出了許多典型的皮革缺陷檢測方法。最簡單的紋理特征是一階統(tǒng)計數(shù)據(jù),例如圖像灰度直方圖的均值、方差、偏度和峰度。Tsai D M等人提出了一種基于全局圖像重構(gòu)來去除皮革表面圖像中重復(fù)性、周期性的紋理結(jié)構(gòu)。崔揚等人基于皮革圖像特征點的分析,計算其共生矩陣并用模糊聚類法對圖像像素進行分類,有效地提高了皮革缺陷檢測的精度,但是計算代價大,耗時長,無法實現(xiàn)皮革缺陷的實時檢測。Bai X 等人基于著性目標和相位譜檢測皮革表面缺陷,它在缺陷區(qū)域較大時,檢測準確率較高,當(dāng)樣本出現(xiàn)細小缺陷,該算法效果較差。Fernando等人基于T2統(tǒng)計法和多元圖像分析對缺陷圖像的色彩進行分析,此方法僅根據(jù)一個特征向量就達到了較好的效果,大大的減少了計算量,但不同種皮革在色彩上有很大差異,無法滿足皮革缺陷檢測的通用性。

本文針對皮革表面難以檢測的缺陷,基于機器視覺系統(tǒng),提出了一種基于Gabor濾波重建圖像的檢測方法。首先依據(jù)突出紋理特征的原則設(shè)計一個Gabor濾波器,在頻域中與皮革表面圖像做卷積后返回空間域得到背景圖,在背景圖中紋理表現(xiàn)為一塊塊亮點,將原圖和背景圖相減紋理和缺陷的灰度值差距變大,計算重建圖像的灰度共生矩陣能量,設(shè)定能量閾值來實現(xiàn)皮革表面缺陷的識別、定位。實驗結(jié)果表明,該方法可以準確、高效地檢測皮革表面缺陷。

1 實驗平臺

機器視覺的檢測實驗平臺分為機器、視覺和系統(tǒng)三部分。機器負責(zé)機械的運動和控制；視覺包括相機、光源、鏡頭等部分；系統(tǒng)是指軟件。在本研究中,機器視覺算法是基于HALCON軟件開發(fā)的。實驗圖像的采集平臺實物圖如1圖所示,其主要由4部分組成:環(huán)形光源、鏡頭、工業(yè)相機和計算機。

圖1 實驗平臺實物

2 缺陷檢測方法

采用基于Gabor濾波重建圖像法檢測皮革表面缺陷主要包括Gabor濾波器設(shè)計、皮革圖像重建并檢測缺陷兩個部分,具體過程如圖2所示。

圖2 基于Gabor濾波重建圖像法檢測皮革表面缺陷流程

2.1 Gabor濾波器設(shè)計

在空間上,一維Gabor函數(shù)是由一維高斯核函數(shù)與正弦波調(diào)制得到,先由Gabor提出,然后被Tsa D M[10]擴展到二維。二維的Gabor濾波器是由二維高斯核函數(shù)與正弦平面波調(diào)制得到,二維Gabor濾波器表達式如下

Gσ,φ,θ(x,y)=gσ(x,y)exp[2πjφ(xcosθ+ysinθ)]

(1)

其中

(2)

式中φ為Gabor濾波器的頻率,θ為方向,σ為高斯濾波核的尺寸,gσ(x,y)為高斯核函數(shù)。φ和方向θ確定濾波器的中心,頻率值越大則通過濾波器的頻率越高,當(dāng)θ為零會生成水平方向的“新月形”(新月形的凸起指向上方)。較高的θ值會導(dǎo)致新月形逆時針旋轉(zhuǎn)。

Gabor濾波器Gσ,φ,θ(x,y)的復(fù)數(shù)形式如下

(3)

Reσ,φ,θ(x,y)=gσ(x,y)cos[2πφ(xcosθ+ysinθ)]

Imσ,φ,θ(x,y)=gσ(x,y)sin[2πφ(xcosθ+ysinθ)]

通過圖像與Gabor濾波器的卷積獲得圖像的Gabor濾波輸出f(x,y)

(4)

(5)

(6)

定義能量為

(7)

在上式中定義的能量是非負的實數(shù)。皮革表面圖像中存在著大量的紋理特征,合適的選擇Gabor濾波器的參數(shù),使得特定的紋理所對應(yīng)的能量為最大值,突出紋理特征,相應(yīng)的紋理不明顯的地方就是缺陷區(qū)域。為了完成紋理與能量的對應(yīng),考慮監(jiān)督檢查問題,即提供感興趣的紋理的代表性樣本以幫助設(shè)計最具區(qū)分性的Gabor濾波器。監(jiān)督系統(tǒng)在皮革表面檢測這類工業(yè)生產(chǎn)中是很適用的。訓(xùn)練樣本可以從帶紋理的表面無缺陷區(qū)域中任意選擇。對于給定的鄰域窗口W×W中訓(xùn)練紋理T,最佳的Gabor濾波器參數(shù)σ,φ,θ由下式確定

maxE(T0|σ,φ,θ)

(8)

σmin≤σ≤σmax,φmin≤φ≤φmax,0≤θ≤180°

由上式可得紋理對應(yīng)的能量最高時Gabor濾波器的參數(shù),結(jié)果如表1。

表1 Gabor濾波器參數(shù)表

原始圖像經(jīng)過傅里葉變換在頻域中與Gabor濾波器做卷積增強紋理的過程如圖3所示。

圖3 Gabor濾波器增強紋理過程

2.2 皮革圖像的重建和缺陷檢測

為了突出皮革圖像中的缺陷特征,將原圖和經(jīng)過Gabor濾波器的形成的背景圖經(jīng)過以下公式得到重建圖

g′=(g1-g2)×m+a

(9)

式中g(shù)1為原圖的灰度值,g2為能量圖的灰度值,g′為重建圖的灰度值,m,a為正整數(shù)。

在重建圖中紋理表現(xiàn)成變化劇烈的邊緣,紋理極度的增強使得和缺陷區(qū)域的灰度值差異進一步拉大,為了得到缺陷區(qū)域需要去除紋理和噪聲。中值濾波是一種空間域上的去噪方法,其原理是將相鄰的幾個像素點的灰度值由小到大排列,然后選擇中間的像素灰度值來代替某個像素的灰度值。中值濾波可以在保留圖片細節(jié)的前提下抑制或去除圖像的椒鹽噪聲。如圖3所示,在重建圖中,紋理和椒鹽噪聲類似變化劇烈,通過中值濾波后,缺陷區(qū)域被明顯的增強。

增強缺陷區(qū)域后,要實現(xiàn)缺陷區(qū)域的識別和定位,需對增強后的圖像進行圖像分割。分水嶺算法可以實現(xiàn)圖像的自適應(yīng)分割,在保證分割效果的前提下增強算法的魯棒性[11]。分水嶺算法的思路是,先獲取圖像盆地(直方圖中灰度值兩邊高于本身的區(qū)域),如果盆地部分的灰度小于設(shè)定的閾值(Threshold),則被合并到一起。設(shè)A,B分別為相鄰盆地的最小灰度值,W為將盆地一分為二的最小灰度值。則分割公式如下

max{W-A,W-B}

(10)

在該方法中分水嶺算子中的Threshold設(shè)定為20,提取出所有小于設(shè)定閾值區(qū)域,再根據(jù)灰度共生矩陣的能量來區(qū)分缺陷區(qū)域和干擾區(qū)域?；叶裙采仃嚨哪芰勘磉_式如下

(11)

式中A為灰度共生矩陣中的能量,(i,j)為圖像坐標。A反映了圖像灰度分布均勻程度和紋理粗細度。由上式可得當(dāng)灰度共生矩陣中元素集中分布時,此時A值大。A值大表明一種較均一和規(guī)則變化的紋理模式,A值小表明存在異常區(qū)域即缺陷區(qū)域。根據(jù)設(shè)定灰度共生矩陣的能量閾值,可以實現(xiàn)皮革表面缺陷的識別、定位。某張圖像分割后區(qū)域的一組灰度共生矩陣能量如圖4所示。

圖4 圖像分割后各區(qū)域灰度共生矩陣能量

如圖4所示,如果圖像中的某個區(qū)域的A值小于0.075,則這個區(qū)域即為缺陷區(qū)域并標記為白色。圖5中分別為一副無缺陷和一副有缺陷的皮革圖像,無缺陷圖像的重建圖和原圖相比紋理特征被增強了,經(jīng)過中值濾波后紋理和噪聲被基本除去,最終在缺陷圖中沒有找到異常區(qū)域。有缺陷圖像的重建圖和原圖相比紋理特征被增強,缺陷特征基本不變,即紋理區(qū)域和缺陷區(qū)域灰度值差異變大,經(jīng)過中值濾波去除噪聲和部分紋理后缺陷區(qū)域被明顯突出。圖5結(jié)果表明本文算法可以有效地檢測出皮革表面缺陷。

圖5 皮革表面圖像濾波后檢測過程

3 實驗結(jié)果

本文實驗在圖1所示的檢測平臺上完成,圖像采集用的相機是邁德威視的MVLD85MC,光源采用的是環(huán)形光源,其中運行環(huán)境為Intel i5—9400f CPU 主頻2.9 GHz/8 GB內(nèi)存、HALCON12.0。對180張(正常的樣本50張,缺陷樣本為130張)皮革樣本進行測試,有167張樣本可以正確識別,另外13張樣本將缺陷區(qū)域和其他干擾區(qū)域都識別了出來,無法完成缺陷的定位,其中50張正常的樣本全部檢測正確。無缺陷圖像的缺陷檢測結(jié)果圖是全黑的,有缺陷圖像檢測出缺陷區(qū)域后顯示為白色并將檢測結(jié)果輸出到原圖的左上角。圖6顯示了一些皮革表面圖像的檢測結(jié)果。

圖6 檢測結(jié)果

4 結(jié) 論

本文搭建了一個基于機器視覺的皮革表面缺陷檢測平臺，并提出了一種基于Gabor濾波重建圖像的算法檢測皮革表面缺陷。通過計算得到了皮革表面紋理特征最明顯時Gabor濾波器的最佳參數(shù),通過重建圖像增大了紋理區(qū)域和缺陷區(qū)域的灰度值差異,根據(jù)缺陷與紋理等干擾的灰度共生矩陣的能量差異實現(xiàn)了缺陷的識別和定位。180張樣本測試結(jié)果顯示,該算法的檢測準確度達92.7 %,在圖像大小為538×577時平均檢測時間為0.172 s,因此它展現(xiàn)出了在工業(yè)生產(chǎn)中應(yīng)用的潛能。