基于方法庫的織物圖像疵點檢測

景軍鋒，張緩緩，李鵬飛

（西安工程大學 電子信息學院，陜西 西安 710048）

基于方法庫的織物圖像疵點檢測

景軍鋒，張緩緩，李鵬飛

（西安工程大學 電子信息學院，陜西 西安 710048）

為準確檢測織物在生產過程產生的疵點，提出一種基于改進的Gabor濾波方法、數學形態學處理法和多尺度小波檢測的方法庫的系統檢測法.首先采用改進的Gabor濾波方法，選出最優濾波結果，進行高斯平滑，確定正常織物圖像的兩個閾值門限，進而分割出織物的疵點圖像；其次采用數學形態學處理法對織物圖像進行檢測；最后采用多尺度小波檢測的方法，檢測最終結果.由于織物的紋理不同，在生產過程中產生疵點的種類眾多，算法采用級聯檢測，保證了檢測疵點的準確有效性.試驗證明，所提出的算法檢測結果較好，能準確定位疵點的位置.

織物疵點；Gabor濾波器組；數學形態學處理法；多尺度小波；級聯檢測

織物的質量檢測是紡織工業生產過程中不可或缺的環節.然而，目前我國織物的質量檢測還處于傳統的檢測水平，主要由人工完成.一個熟練驗布員驗布的速度一般在15～20m／min，完成0.8～1.0m幅寬的檢驗，最多能檢測出70%的織物疵點［1－2］.傳統織物質量檢測的主要特點是工作強度大，易受人的主觀因素影響，長時間的工作不僅不能保證檢測精度及效率，且極大傷害工作人員的視力［3］.隨著工業自動化程度的發展，傳統的質量檢測已滿足不了當今工業領域的需求，急需發展快速、效率高的自動驗布系統來代替傳統的織物質量檢測.

近年來，國內外學者一直關注織物疵點自動檢測，并對其進行大量的研究.文獻［4］針對某幾類疵點，采用遺傳算法離線優化Gabor濾波器的參數，使疵點與正常紋理的響應差值達到最大值.文獻［5］采用最優濾波結果選取，從一組Gabor濾波器中選取最佳結果.文獻［6］在Fisher準則下優化Gabor濾波器的參數.文獻［7］采用Gabor濾波器的奇偶濾波器融合方法來解決濾波結果的冗余.文獻［8］采用小波分解對織物的瑕疵進行檢測.文獻［9］采用自適應正交小波對織物疵點進行檢測，獲得較好的檢測結果.文獻［10］采用離散傅里葉變換對缺經、破洞、油污和缺緯4種疵點提取其傅里葉特征.雖然這些方法能檢測織物的疵點，但檢測的疵點種類有限.由于織物的紋理不同，在生產過程中產生疵點的種類眾多，單一的方法不能有效地檢測出疵點，本文提出基于方法庫的織物圖像疵點檢測，該算法是改進的Gabor濾波方法、數學形態學處理法和多尺度小波檢測3種方法的級聯，保證了檢測疵點的多樣性及準確有效性.

1 疵點檢測

1.1 改進型的Gabor濾波方法

Gabor濾波器是一個有限沖擊響應的濾波器.因特性較好，二維的Gabor濾波器多用于圖像處理和邊緣增強，其沖擊響應在空間域被定義為周期函數調制的高斯包絡函數.本文采用改進的二維Gabor濾波器［11］，其一般形式為

其中：σxy為Guassian函數沿x軸和y軸的均方差；f為濾波器的中心頻率；θ為濾波器的旋轉方向角；（u，v）為定義正弦平面波的空間頻率，它由中心頻率f和方向角θ決定.Gabor濾波器的實部與虛部的3D圖形如圖1所示.Gabor濾波的實部和虛部通常用M×M的掩膜表示，通常情況下M取奇數.如圖2所示為Gabor濾波器在空域和頻域的表現.

本文采取一組Gabor濾波器gn（x，y），n＝1，2，…，P×Q，可以通過Gabor原函數得到這組濾波器.P和Q分別為尺度總數和方向總數.

圖1 Gabor濾波器的實部和虛部Fig.1 The view of a typical Gabor filter about the real part and the imaginary part

圖2 Gabor濾波器的空域和頻域模型Fig.2 Gabor filter in spatial domain and frequency domain model

對一幅輸入圖像Ii（x，y），任意一個Gabor濾波器的幅度響應值為

1.2 利用損失評價函數對濾波結果的選取

由于布匹瑕疵對某些尺度和某些方向的Gabor濾波器具有較強的響應，利用文獻［5］提出的損失評價函數來評價哪個結果最能描述瑕疵的位置特征.首先輸入一幅圖像經過處理變為灰度圖像，使其經過P×Q個Gabor濾波器，并將每個Gabor濾波后的圖像均分成N個不重疊的相同大小的正方形區域；然后計算每一個正方形區域的濾波輸出幅度均值，找出最大均值Timax和最小均值Ti

min后，用損失評價函數K（i）（式（4））來衡量第i個Gabor濾波器的通道輸出；最后找出損失評價函數最大的通道選其為最佳輸出，并記為Ibest（x，y）.

1.3 對濾波結果進行二值化

經過Gabor濾波后的圖像含有噪聲，文獻［7］采用Guassian低通濾波器對Gabor濾波后的圖像進行濾波以減少斑點噪聲，經過Guassian低通濾波后對其進行二值化.濾波的過程示意圖如圖3所示.

圖3 高斯濾波過程Fig.3 The process of Gaussian filter

其中：W為圖像中的一個中心窗，為了避免邊緣像素卷積造成的影響，所有像素都必須取自這個中心窗.因此所取樣本圖片D（x，y）經過二值化過程顯示樣本圖片瑕疵的位置.

依據獲得的閾值上限和閾值下限對圖像進行二值化處理，示意過程如圖4所示.大于γmax或者小于γmin的幅度信息被視為疵點信息區域.

圖4 二值化過程Fig.4 The thresholding

2 數學形態學處理方法

紋理干擾較大時，采用數學形態學的處理方法進行紋理處理分析.此算法的特點是占用時間短，與Gabor濾波圖像進行串行處理，作為輔助程序來檢測圖像.其主要步驟：先對圖像做增強處理，以期得到更好的分離效果；再做閉合運算分離出背景信息，利用Otsu方法確定閾值信息.該方法通過計算全局的閾值水平，得到一個介于［0，1］的強度值，據此來選擇閾值，最大限度地減少黑白像素的組合方差.最終把一個灰度圖像轉化成一個二值圖像，得到疵點檢測的結果.

作為綜合領先的白色家電品牌，格蘭仕自進軍家電制造20多年以來，一直引領著家電行業發展的潮流，為消費者帶來更多便捷、健康、智能的產品，并在消費升級過程中，不斷用更具品質的產品推動家電行業結構調整和產業升級，成為名符其實的“國民家電”。

3 多尺度小波方法

本文檢測方法的流程如圖5所示.

圖5 疵點檢測方法整體流程圖Fig.5 Diagram of the defect detection method

4 圖形用戶界面的設計

為了便于試驗織物圖像的疵點檢測，并為設計獨立運行的實時圖像采集和疵點檢測軟件打下基礎，設計了與本文適應的基本的織物圖像的監測和檢測軟件界面，主界面預覽如圖6所示.該圖形用戶界面具有以下特點：（1）可以分解操作疵點檢測的過程，利用參數的修改以得到相關紋理織物的最佳檢測條件，便于充分研究學習；（2）在線監測功能，主界面的左上角圖像窗口是圖像采集的實時預覽視頻窗口，右上角是手動采集單幅圖像的顯示結果，界面左下方是分類檢測的任務窗口，先期設計了改進的Gabor濾波的方法、形態學處理方法和多尺度小波檢測比較的方法以及3種方法級聯的疵點檢測；（3）窗口靈活顯示的功能，界面預留檢測過程中顯示圖像的窗口，可以方便添加，也可以顯示不同方法相比較的檢測效果.

圖6 疵點檢測主界面的設計Fig.6 The design of the main interface for defect detection

5 試驗結果

本文所采用的樣本圖片分辨率為512像素×512像素.本試驗中所有Gabor濾波器都用11×11的正方形掩膜實現，選擇4尺度6方向的一組Gabor濾波器，其由中心頻率f和方向角θ決定.試驗中選取f＝ （2∧L）／4，L＝－2，－1，0，1（L為一個參數，在程序編程中用來產生4個尺度）；θ＝π（n＋1）／6，n＝0，1，2，3，4，5；P＝4，Q＝6，N＝16.

首先，對每種織物疵點樣本選取其對應的正常樣本，正常布匹的圖片要經過Gabor濾波并進行最優選取，再經過Guassian濾波得到參考樣本圖片B（x，y）來確定其閾值上限γmax和閾值下限γmin.其次，使疵點樣本經過4×6個Gabor濾波器，并將每個Gabor濾波后的圖像均分成16個相同大小不重疊的正方形區域.然后，計算每一個正方形區域的濾波輸出幅度均值，找出正常樣本和疵點樣本各自最大均值和最小均值，將疵點樣本最大均值和最小均值按損失評價函數公式計算，找出損失函數最大的濾波器即最優濾波輸出Ibest（x，y）.最后，將正常圖片得到的閾值作為疵點圖片分割的閾值，疵點圖片經二值化顯示樣本圖片疵點的位置.試驗結果如圖7所示.對未檢測出來的樣本采取數學形態學的方法，該方法首先對織物疵點圖像進行調整，然后提取背景、分離紋理，最后分割出疵點，檢測的試驗結果如圖8所示.對仍未檢測出的織物疵點圖像采用多尺度小波檢測，檢測結果如圖9所示.從檢測結果中看出，圖7檢測出較多類型的疵點，圖8和9檢測疵點類型雖然不多，但能檢測出Gabor濾波器不能檢測出的疵點，3種方法級聯解決了單一方法檢測織物疵點類型有限的問題.

圖7 樣本、Gabor濾波結果圖和二值化結果圖Fig.7 The samples，Gabor filter results and thresholding results

圖8 數學形態學處理法檢測織物棉球和破洞疵點Fig.8 Morphological operations to detect the cotton and hole defect

圖9 竹節、條干疵點的多尺度小波檢測結果Fig.9 Slub yarn and the yarn evenness defects detection results using multi－scale wavelet

6 結 語

本文首先利用改進的Gabor濾波方法對織物圖像進行濾波，該方法采用4尺度6方向的Gabor濾波器組，用損失評價函數選出最優濾波輸出，對這個最優濾波結果采用正常紋理圖片獲得的閾值對其進行二值化，進而分割出織物的疵點圖像；其次采用數學形態學處理方法對未檢測的織物疵點圖片進行檢測；最后采用了多尺度小波檢測的方法，給出最終檢測結果.由于織物的紋理不同，在生產過程中產生的疵點種類眾多，采用級聯檢測算法，保證了檢測疵點的準確有效性.試驗證明，采用級聯的檢測算法可確保檢測結果較好，且能準確定位出疵點的位置.

參 考 文 獻

［1］SCHICKTANZ K Automatic fault detection possibilities on nonwoven fabrics ［J］. Melliand Textilberichte， 1993，74：294－295.

［2］KIM S C，KANG T J.Automated defect detection system using wavelet packet frame and Gaussian mixture model［J］.Journal of the Optical Society of America A，2006，23（11）：2690－2701.

［3］SARI－SARRAF H，GODDARD J S.Vision system for on－loom fabric inspection ［J］. IEEE Transactions on Industry Applications，1999，35（6）：1252－1259.

［4］POLZLEITNER W.Defect detection on wooden surface using Gabor filters with evolutionary algorithm design［C］／／IEEE Intenational Joint Conference on Neural Networks.NewYork：IEEE Press，2001：750－755.

［5］KUMAR A，PANG G K H.Defect detection in textured materials using Gabor filters［J］.IEEE Transactions on Industry Applications，2002，38（2）：425－440.

［6］BODNAROVA A，BENNAMOUN M，LATHAM S.Optimal Gabor filters for textile flaw detection［J］.Pattern Recognition，2002，35（12）：2973－2991.

［7］MAK K，PENG P.An automated inspection system for textile fabrics based on Gabor filters［J］.Robotics and Computer－Integrated Manufacturing，2008，24（3）：359－369.

［8］NGAN H Y T，PANG G K H，YUNG S P，et al.Wavelet based methods on patterned fabric defect detection［J］.Pattern Recognition，2005，38（4）：559－576.

［9］JASPER W， GAMIER S， POTLAPALLI H. Texture characterization and defect detection using adaptive wavelets［J］.Optical Engineering，1996，35（11）：3140－3149.

［10］TSAI I S，HU M C.Automatic inspection of fabric defects using an artificial neural network technique［J］. Textile Research Journal，1996，66（7）：474－482.

［11］HUANG L L，SHIMIZU A，KOBATAKE H.Robust face detection using Gabor filter features［J］.Pattern Recognition，2005，26（11）：1641－1649.

Fabric Image Defect Detection Based on Method Library

JINGJun－feng，ZHANGHuan－huan，LIPeng－fei
（School of Electronic and Information，Xi'an Polytechnic University，Xi'an Shaanxi 710048，China）

To detect the fabric defects in production process accurately，a method library defect detection approach which was based on the improved Gabor filter method，morphological operations and multiscale wavelet detection was proposed.Firstly，the optimal filtering results were selected using the improved Gabor filter method，and the two thresholding of the normal fabric image were determined through the Gauss smoothing，then the defects were segmented.Secondly，the morphological operations were applied to detect defect.Finally，multi－scale wavelet detection method was used and detected the final detection results.Numerous defect species are produced in the process of production due to the different fabric texture，so the cascade detection algorithm was applied to ensure the effectiveness of the defect detection accuracy.The experiments show that the proposed algorithm detection result is better and the defects are located accurately.

fabric defects； Gabor filter bank； morphological operations； multi－scale wavelet；cascade detection

TP 391

A

1671－0444（2013）05－0650－06

2012－07－17

陜西省西安市科技攻關資助項目（CX1257③）；西安工程大學研究生創新基金資助項目（chx121012）

景軍鋒（1978—），男，陜西澄城人，副教授，博士研究生，研究方向為圖像處理.E－mail：413066458＠qq.com