基于局部紋理圖像表征的織物疵點(diǎn)檢測(cè)

吳 瑩，郭佩瑤，劉燕萍，婁 琳，王 忍

(1.天津大學(xué) 電氣自動(dòng)化與信息工程學(xué)院, 天津 300072;2.浙江理工大學(xué) a.服裝學(xué)院, b.經(jīng)濟(jì)管理學(xué)院,浙江 杭州 310018)

疵點(diǎn)檢測(cè)是紡織品表觀質(zhì)量控制與等級(jí)評(píng)定中的關(guān)鍵環(huán)節(jié)之一。目前,國(guó)內(nèi)紡織品紋理分析和疵點(diǎn)檢測(cè)仍采用人工來完成。由于受到生理、心理和外界環(huán)境影響,人工檢測(cè)存在客觀性較差、檢測(cè)效率低等缺點(diǎn)[1],還會(huì)對(duì)操作人員的身體健康產(chǎn)生重要影響。雖然織物疵點(diǎn)檢測(cè)技術(shù)已成為研究熱點(diǎn)[2-3],檢測(cè)系統(tǒng)及算法對(duì)特定的織物有很好的檢測(cè)效果[4],但由于纖維材質(zhì)、織造工藝等因素,同一幅織物圖像存在細(xì)節(jié)差異,加上織物紋理的復(fù)雜多變以及疵點(diǎn)具有較強(qiáng)的隨機(jī)性和不可預(yù)測(cè)性等諸多挑戰(zhàn),算法的通用性、實(shí)用性以及檢測(cè)效率仍需進(jìn)一步研究。

紋理分析方法有小波、結(jié)構(gòu)法等[5-9]。Hanbay等[10]將現(xiàn)有的紋理特征提取方法歸結(jié)為以下6類:基于頻域、基于統(tǒng)計(jì)、基于模型、基于結(jié)構(gòu)、基于學(xué)習(xí)和基于混合等方法。其中,基于頻域[11]、基于統(tǒng)計(jì)[12]、基于模型、基于結(jié)構(gòu)等方法的關(guān)鍵在于特征的選取,特征和參數(shù)的最優(yōu)性無法得到保證,其檢測(cè)的準(zhǔn)確度、通用性有待進(jìn)一步提高?；趯W(xué)習(xí)的方法可繞開特征選擇的問題,但多用于坯布和單色織物的研究,不適用于相對(duì)復(fù)雜的織物紋理?？椢锛y理結(jié)構(gòu)變得越發(fā)復(fù)雜和精細(xì),導(dǎo)致檢測(cè)難度加大。各種處理方法在不同尺度上的檢測(cè)效果不同。此時(shí)學(xué)者開始采用深度學(xué)習(xí)[13-15]或者混合方法來彌補(bǔ)單一檢測(cè)方法的局限性,可對(duì)更為復(fù)雜的織物(色織物和圖案織物等)進(jìn)行紋理分析和疵點(diǎn)檢測(cè)[16-19]。雖然基于深度學(xué)習(xí)的織物疵點(diǎn)檢測(cè)被廣泛關(guān)注,但其需要大量的時(shí)間和訓(xùn)練樣本。生產(chǎn)方式的改進(jìn)導(dǎo)致疵點(diǎn)樣本的收集更加困難,同時(shí)疵點(diǎn)的隨機(jī)性和不可預(yù)測(cè)性,使得織物疵點(diǎn)檢測(cè)仍是一個(gè)難題。

為提高織物疵點(diǎn)檢測(cè)算法的準(zhǔn)確率和不同紋理的適應(yīng)性,以無疵點(diǎn)織物紋理圖像為研究對(duì)象,提出基于局部織物紋理表征的疵點(diǎn)檢測(cè)方法。該方法采用稀疏字典重構(gòu)織物紋理圖像作為標(biāo)準(zhǔn)模板,將待檢測(cè)對(duì)象與之進(jìn)行模板匹配,實(shí)現(xiàn)織物疵點(diǎn)的自動(dòng)識(shí)別。

1 基于稀疏表示的局部織物紋理表征

1.1 稀疏表示

任意給定信號(hào)矩陣X=[x1,x2,…,xn],xi∈Rm,信號(hào)的稀疏表示在l2范數(shù)近似條件下構(gòu)造的優(yōu)化函數(shù)如下:

(1)

式中:D為字典矩陣;α為系數(shù)矩陣;αi為系數(shù)矩陣的列向量;T為稀疏基數(shù),正整數(shù),控制稀疏程度;‖αi‖0為式中非零項(xiàng)的個(gè)數(shù)。字典D和由αi組成的系數(shù)矩陣α都是未知的。

因OMP(orthogonal matching pursuit)算法簡(jiǎn)潔有效,故選擇OMP算法來獲取稀疏系數(shù)[20]。

1.2 子窗口劃分

為了兼顧紋理標(biāo)注效果和計(jì)算效率,本文對(duì)織物紋理圖像進(jìn)行子窗口劃分[20]的處理,如圖1所示。

圖1 子窗口劃分方式Fig.1 Sub-window division

對(duì)于任意織物紋理圖像矩陣Y∈RM×N,其中M、N分別表示織物灰度圖像的高度和寬度,子窗口尺寸為h像素×l像素,重疊子窗口劃分所得h像素×l像素的子窗口圖像個(gè)數(shù)A如式(2)所示。

A=[(M-h+1)]×[(N-l+1)]

(2)

無重疊子窗口劃分可以得到的h像素×l像素的子窗口圖像個(gè)數(shù)B如式(3)所示。

B=(M/h)×(N/l)

(3)

本文采用256像素×256像素的織物灰度圖像,子窗口尺寸為8像素×8像素,采用重疊子窗口劃分和無重疊子窗口劃分所得數(shù)據(jù)集大小分別為62 001和1 024,可見重疊子窗口需要處理的子窗口樣本遠(yuǎn)多于無重疊子窗口。因此,本文織物紋理表征采用重疊子窗口劃分,以充分考慮樣本圖像的冗余信息;為了提高檢測(cè)效率,疵點(diǎn)檢測(cè)采用無重疊子窗口劃分。

1.3 局部表征

對(duì)于任意織物圖像Y,其紋理表征的公式如式(4)所示。

(4)

式中:ε為允許接受的誤差。

(5)

2 織物疵點(diǎn)檢測(cè)

在紋理表征基礎(chǔ)上,采用閾值分割法進(jìn)行疵點(diǎn)檢測(cè),如圖2所示。

圖2 疵點(diǎn)檢測(cè)流程圖Fig.2 Defect detection flow chart

殘差矩陣E的平方和R及閾值F的計(jì)算式分別如(6)和(7)所示。

(6)

F=μ+pσ

(7)

(8)

式中:R(:,j)為殘差矩陣的誤差平方和中的第j列,j=[1,2,…,m]。

3 試驗(yàn)結(jié)果與分析

本文原始樣本圖像皆為8位灰度圖像,尺寸為256像素×256像素。使用的操作系統(tǒng)是Windows 10(64 位);計(jì)算機(jī)配置為INTEL CPU(3.40 GHz)和8 G內(nèi)存。疵點(diǎn)檢測(cè)試驗(yàn)通過MATLAB R2014A實(shí)現(xiàn)。

3.1 稀疏基數(shù)優(yōu)選

稀疏基數(shù)是圖像重構(gòu)的關(guān)鍵參數(shù)之一,在滿足不同應(yīng)用前提下,優(yōu)選紋理表征和疵點(diǎn)檢測(cè)所需的稀疏基數(shù)。稀疏基數(shù)與程序時(shí)間密切相關(guān)[20],以樣本1(平紋)和樣本2 (斜紋)為例,對(duì)15個(gè)不同稀疏基數(shù)T=1～15進(jìn)行測(cè)試,樣本原始圖像見圖3,量化指標(biāo)PSNR(peak signal noise to ratio)和SSIM(structural similarity)的結(jié)果見圖4。

圖3 原始樣本圖像Fig.3 Original fabric sample image

圖4 不同稀疏基數(shù)的重構(gòu)圖像量化測(cè)試結(jié)果Fig.4 Quantitative test results of the reconstructed images with different sparse cardinalities

由圖4可知:對(duì)于不同組織結(jié)構(gòu)而言,隨著稀疏基數(shù)的增大,樣本1和2的重構(gòu)圖像量化測(cè)試指標(biāo)擁有相似的規(guī)律,即稀疏基數(shù)增加,PSNR和SSIM數(shù)值變大,圖像重構(gòu)效果變好。當(dāng)T持續(xù)增加到8時(shí),量化指標(biāo)的PSNR值持續(xù)增大,SSIM值逐漸收斂;當(dāng)T持續(xù)增加到10時(shí),重構(gòu)圖像與原始圖像相似度非常高,SSIM值無限接近1.0;繼續(xù)增大T值,SSIM收斂平緩,圖像紋理表征效果差異較小。

雖然T值越大,圖像紋理表征效果越好,但這會(huì)增加計(jì)算成本,導(dǎo)致算法運(yùn)行速度變慢,不能滿足疵點(diǎn)檢測(cè)算法實(shí)時(shí)性的需求。T值過小,織物圖像紋理細(xì)節(jié)不能被近似重構(gòu),導(dǎo)致表征效果差。綜上所述,結(jié)合紋理表征和疵點(diǎn)檢測(cè)的不同需求,紋理表征選用的稀疏基數(shù)為10,疵點(diǎn)檢測(cè)的稀疏基數(shù)為1～3。

3.2 子窗口優(yōu)選

3.2.1 無疵點(diǎn)織物紋理子窗口優(yōu)選

以樣本1和2為例,對(duì)3種不同子窗口尺寸的原始織物紋理圖像和帶噪紋理圖像進(jìn)行表征,從定性和定量?jī)煞矫娣治鲎哟翱诔叽绶謩e為8像素×8像素、16像素×16像素和32像素×32像素時(shí)的紋理表征結(jié)果,如圖5和表1所示。其中,字典個(gè)數(shù)為256,稀疏基數(shù)為10。

表1 不同子窗口尺寸的重構(gòu)圖像量化測(cè)試效果

圖5 基于不同子窗口尺寸的樣本圖像的重構(gòu)圖像Fig.5 Reconstructed image of sample image based on different sub-window sizes

由圖5可知:樣本1和2 基于子窗口8像素×8像素的紋理表征效果最好,與圖3中的原始樣本圖像最為接近。由表1可知:在試驗(yàn)條件下,樣本1和2基于子窗口尺寸為8像素×8像素的重構(gòu)圖像的PSNR、SSIM值最大。由此可知,隨著子窗口尺寸增大,樣本1和2的重構(gòu)圖像的PSNR和SSIM值減小。

由此可見,采用子窗口尺寸為8像素×8像素劃分樣本將獲得更多的數(shù)據(jù),蘊(yùn)含更豐富的紋理素,重構(gòu)樣本紋理圖像已滿足表征精度,因此無疵點(diǎn)織物紋理表征選用子窗口尺寸為8像素×8像素。

3.2.2 疵點(diǎn)織物子窗口優(yōu)選

以織物疵點(diǎn)破洞和跳花為例,不同子窗口尺寸的疵點(diǎn)檢測(cè)結(jié)果見圖6。由圖6可知:子窗口尺寸為8像素×8像素時(shí),所提算法能有效檢測(cè)出疵點(diǎn)域,但疵點(diǎn)的誤檢率較高;當(dāng)子窗口尺寸為16像素×16像素時(shí),疵點(diǎn)檢出率相比子窗口尺寸為8像素×8像素有所提高,誤檢率降低;而子窗口尺寸為32像素×32像素的誤檢率最低,檢測(cè)結(jié)果最好。因此選用無重疊子窗口尺寸為32像素×32像素進(jìn)行疵點(diǎn)檢測(cè)。

圖6 不同子窗口尺寸的織物圖像的疵點(diǎn)檢測(cè)結(jié)果Fig.6 Defects detection results of fabric images with different sub-window sizes

3.3 無疵點(diǎn)織物紋理表征

織物疵點(diǎn)檢測(cè)階段,噪聲會(huì)影響檢測(cè),降低檢測(cè)結(jié)果的準(zhǔn)確率。因此,需要對(duì)織物圖像進(jìn)行降噪聲處理,從而降低噪聲干擾。為此本文對(duì)織物圖像添加高斯噪聲,研究帶噪圖像紋理的表征以驗(yàn)證算法的抗噪性。

以樣本1和2為例,添加標(biāo)準(zhǔn)差為10的高斯噪聲,在子窗口尺寸為8像素×8像素,稀疏基數(shù)T=10,從視覺指標(biāo)來對(duì)表征效果進(jìn)行分析,結(jié)果如圖7所示。由圖7(b)(d)可知:所提算法對(duì)于高斯噪聲有一定的抑制作用。

3.4 疵點(diǎn)檢測(cè)

選用不同組織如平紋、斜紋和小提花的織物疵點(diǎn)樣本,其中包含粗緯、雙緯、百腳、破洞、缺緯、竹節(jié)、跳花、斷疵、稀緯等10多種不同類型疵點(diǎn),共54張有疵點(diǎn)的樣本圖像和4張無疵點(diǎn)的織物樣本圖像,部分織物疵點(diǎn)樣本如圖8所示。

采用檢出率(correct detection rate, CDR)和誤檢率(false detection rate, FDR)對(duì)疵點(diǎn)檢測(cè)結(jié)果進(jìn)行定量評(píng)價(jià),計(jì)算公式如式(9)和(10)所示。

(9)

(10)

式中:Nc為疵點(diǎn)樣本被正確標(biāo)記為疵點(diǎn)樣本的個(gè)數(shù);Nd為疵點(diǎn)的總個(gè)數(shù);Ns為無疵點(diǎn)樣本被誤判為疵點(diǎn)樣本的個(gè)數(shù);Nr為無疵點(diǎn)樣本的總個(gè)數(shù)。據(jù)經(jīng)驗(yàn)分析,設(shè)定稀疏基數(shù)T為1～3,常數(shù)p在1和2之間手動(dòng)調(diào)整。疵點(diǎn)量化檢測(cè)結(jié)果如表2所示,圖8中的疵點(diǎn)樣本的檢測(cè)結(jié)果如圖9所示。

表2 疵點(diǎn)量化檢測(cè)結(jié)果Table 2 Defect quantitative detection results

圖9 部分疵點(diǎn)樣本檢測(cè)結(jié)果Fig.9 Detection results of partial defect samples

由表2和圖9可知:所提算法不僅適用于平紋織物和斜紋織物,還可用于小提花等較為復(fù)雜的織物紋理,疵點(diǎn)的檢出率在96.0%以上,進(jìn)一步驗(yàn)證了本文算法對(duì)于不同織物紋理的自適應(yīng)性。

3.5 與其他算法比較

為驗(yàn)證本文算法的有效性,選用跳花、斷疵2種疵點(diǎn)樣本,并將疵點(diǎn)檢測(cè)結(jié)果與文獻(xiàn)[21]相比,結(jié)果如圖10所示。由圖10可知:這2種樣本疵點(diǎn)中織物紋理結(jié)構(gòu)存在明顯變化且包括部分線性區(qū)域,本文提出的算法和文獻(xiàn)[21]的算法都能實(shí)現(xiàn)樣本疵點(diǎn)區(qū)域的檢測(cè),但是文獻(xiàn)[21]的算法對(duì)于灰度和結(jié)構(gòu)變化不大的線性疵點(diǎn)區(qū)域的檢測(cè)效果并不理想,而本文所提算法通過對(duì)圖像進(jìn)行重構(gòu)可以精準(zhǔn)檢測(cè)出線性疵點(diǎn)區(qū)域。

4 結(jié) 語

本文從無疵點(diǎn)織物紋理入手,研究了局部織物紋理表征算法,在此基礎(chǔ)上提出一種紋理表征的疵點(diǎn)檢測(cè)方法。對(duì)于不同的織物紋理,設(shè)計(jì)了兩種子窗口劃分方式,并優(yōu)選試驗(yàn)參數(shù),實(shí)現(xiàn)了織物紋理的有效表征與織物疵點(diǎn)檢測(cè)。

改進(jìn)表征算法后對(duì)不同組織以及不同疵點(diǎn)類型織物樣本圖像進(jìn)行檢測(cè)。試驗(yàn)結(jié)果表明,所提算法不僅可以在一定程度上抑制高斯噪聲,實(shí)現(xiàn)無疵點(diǎn)織物紋理圖像重構(gòu),還可對(duì)灰度織物圖像和復(fù)雜紋理的疵點(diǎn)進(jìn)行有效檢測(cè),即對(duì)織物紋理的自適應(yīng)性較好。后續(xù)將對(duì)復(fù)雜織物疵點(diǎn)的通用性和準(zhǔn)確率做深入研究。