坯布疵點實時檢測系統的軟件設計

摘要：介紹了基于機器視覺的坯布疵點實時檢測系統軟件部分各主要環節的具體實現。該系統運用修正的自適應鄰域平均法增強坯布疵點圖像的質量，用自動閾值法將疵點從背景中分割出來，并利用去除雜點法對分割后的二值圖像進行濾波。以提取出的周長、面積、不變矩等為特征，運用BP神經網絡分類器對常見的九種疵點進行了分類，識別正確率達到了95.7%。

關鍵詞：坯布疵點；圖像處理；特征提取；識別

中圖分類號：TP391．41文獻標志碼：A

文章編號：1001－3695(2007)05－0190－02



織物疵點是影響紡織品質量的重要因素。常見的織物疵點不僅包括后織過程中的松經、浪紋、百腳、緯縮、破洞、爛邊等，還包括紡織原材料中攜帶的雜質（如毛發、尼龍草）等。目前對于織物疵點的檢測大多依靠人工目測的方法來完成，不但存在勞動強度大、效率低等缺點，還會對驗布工人的視覺造成嚴重的傷害。因此本文提出了一種基于機器視覺的坯布疵點實時檢測方法，即通過計算機視覺、圖像處理與模式識別技術相結合[1]，對常見的坯布疵點進行實時檢測與分類識別。

1總體設計

該檢測系統軟件利用Visual C++ 6.0可視化語言面向對象編程的特點，結合OK_C30S圖像卡提供的API函數，編寫了基于MFC框架的Windows應用軟件[2]，總體框圖如圖1所示。

具體工作流程如下：首先用系統的硬件裝置完成疵點圖像的獲取，統計灰度值快速判斷該圖像是否有疵點存在。若有疵點，則調用后續處理軟件對其進行處理。其中，圖像處理和分析完成了對圖像的濾波、目標分割和二值化；特征選擇和提取環節提取出二值化圖像的面積、周長、復雜度、不變矩等16個形態學特征，并將16維特征向量壓縮到7維。分類識別環節是運用神經網絡分類器對九類疵點進行識別，并最終給出檢測結果和防治措施。

2圖像增強

在疵點圖像獲取的過程中，要經過攝像頭的捕獲和圖像采集卡的采集等中間過程。在這個過程中，存在機械振動、光照不均勻等各種各樣的噪聲，因此必須對圖像進行增強（濾波）處理。本系統采用一種修正的自適應鄰域平均法[3]，算法如下：

3圖像分割與濾波

圖像分割是把坯布疵點從背景中分割開來，形成二值化圖像，以利于后續的特征提取與識別，分割的精確程度至關重要。這里選用了自適應能力較強的迭代閾值法[4]，它能夠應對各種意外的情況，而且對本系統來說分割效果也很好。具體求解過程如下：

疵點圖像經二值化分割后，其背景圖像可能含有一些孤立點噪聲。本系統采用的是去除雜點的方法來進行去噪聲處理的，具體算法是：掃描整幅圖像，當發現一個白點時，就考慮和該白點間接或直接相連的白點的個數有多少，如果大于一定的值，就說明該點不是離散點，否則就是離散點，需將其去掉。后經迭代閾值法對圖像進行處理并去除雜點后，圖2（b）的處理效果如圖3（b）所示，實驗證明該方法編程簡單，處理效果較好。

4特征提取和分類

充分利用疵點本身所具有的形態學特征，提取了面積、周長、復雜度、偏心率和不變矩等16個特征，形成原始特征空間；利用特征選擇的方法對原始特征空間進行壓縮，提取出了適合本系統的七個有效特征[5]。本系統以九類疵點的學習樣本集設計三層BP網絡，用來識別九類疵點。用基于對九類疵點原始特征空間的處理而形成的低維特征作為輸入。在輸出層，則需要有九個神經元。選擇log－sigmoid函數作為節點傳遞函數。目前，在網絡的隱含層節點數選擇中，大多還是依靠經驗和猜測；通過借鑒以前的設計經驗，此處隱層設定為15個神經元，其網絡為Net（7×15×9）。

建立網絡后，訓練網絡。為了使產生的網絡對輸入向量有一定的容錯能力，先用理想的輸入信號對網絡進行訓練，直到其平方和誤差足夠小；使用理想信號和帶有噪聲的信號對網絡進行訓練。網絡學習的速率和沖量參數設置為自適應改變，使用快速BP算法對前向網絡進行快速訓練[6]。網絡的訓練過程誤差變化情況如圖4所示。訓練完成后，用現場采集的200多幅坯布疵點樣本圖像進行分類，正確識別率達到了95.7%。表1為其中九個疵點圖像的識別結果。為了清楚起見，測試樣本i（i=1，2，…，9）是從相應的第i(i=1，2，…，9)類疵點的眾多樣本中隨機抽取的樣本。

5結束語

該系統能夠實時給出疵點的種類、密度等信息，可為企業管理決策和坯布疵點防治提供準確及時的質量信息，有利于降低勞動強度，提高產品質量，促進紡織企業生產效率的提高。

參考文獻：

［1］KUDO M， SKLANSKY J.Comparison of algorithms that select features for pattern Classification[J].Pattern Recognition，2000， 33(1):25－41.

[2]石祥生，翟炯，石秋云.Visual C++ 6 使用指南[M]. 北京:電子工業出版社，1999.

[3]章毓晉.圖像工程（上冊）——圖像處理和分析[M].北京: 清華大學出版社，2000.

[4]何斌，馬天予，王運堅，等.Visual C++數字圖像處理[M].第2版. 北京：人民郵電出版社，2002.

[5]邱道尹，張紅濤，陳鐵軍，等. 模糊識別技術在儲糧害蟲檢測中的應用[J]. 農業系統科學與綜合研究，2002，18(2): 122－125.

[6]劉光中， 李曉峰. 人工神經網絡BP算法的改進和結構的自調整[J].運籌學學報，2001，5(1):82－88.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”