基于小波變換與局部熵的織物疵點檢測方法

顧 菁，薛云燦，張 龍，楊 亞

（河海大學物聯網工程學院，常州213022）

基于小波變換與局部熵的織物疵點檢測方法

顧 菁，薛云燦，張 龍，楊 亞

（河海大學物聯網工程學院，常州213022）

針對傳統人工目測以及現有疵點檢測方法檢測精度與效率不高的問題，結合基于小波變換的織物疵點檢測方法和基于局部熵的織物疵點檢測方法各自的特點，提出了一種基于小波變換與局部熵的織物疵點檢測方法。該方法對正常織物與待測織物圖像進行一層小波變換，采用大小相同且不完全重疊的局部窗口提取正常織物與待測織物圖像的經向細節子圖像局部熵與緯向細節子圖像局部熵，計算正常織物子圖像與待測織物子圖像局部熵的差值絕對值，根據閾值判斷是否存在疵點并直接識別常見疵點類型。仿真結果表明，該方法的檢測精度比傳統的基于局部熵的布匹疵點檢測方法更高。

局部熵；小波變換；織物疵點檢測；子圖像；差值絕對值；判斷閾值

1 引 言

傳統的疵點檢測通常依靠人工目測，這種檢測方法不僅受檢測人員主觀因素影響，且存在檢測效率低、漏檢率、誤檢率高和數據處理不便等弊端［1－2］，因此，基于機器視覺的疵點自動檢測技術受到廣泛關注。

目前，疵點檢測的方法主要有空間域和頻率域兩類，其中頻率域處理方法中的小波變換可以對圖像進行多尺度分析，提取局部奇異性特征且通用性較強，是較為理想的圖像處理工具［3－4］。

局部熵是反映圖像灰度離散程度的特征值，其具有反映信息豐富、抗幾何變形能力良好以及目標檢測能力突出的優點［5］。

基于以上分析，提出基于小波變換和局部熵的織物疵點檢測方法，并取得了滿意效果。

2 小波變換

對圖像進行二維小波變換即選用有低通性質的小波基h（k）和有高通性質的小波基g（k）分別對二維信號的行方向和列方向兩個一維函數進行卷積。圖像經過二維離散小波一次分解，產生經過行低通列低通方向濾波的反映圖像概貌信息的低頻子圖像、經過行低通列高通方向濾波的反映水平方向紋理信息的緯向子圖像、經過行高通列低通方向濾波的反映垂直方向紋理信息的經向子圖像、經過行高通列高通的反映對角線方向紋理信息的對角線子圖像，共四幅子圖像。

Daubechies小波具有緊支撐的正交性和正則性，可以實現快速算法。經實驗，dbN小波系列中db2小波檢測效果較佳，因此選取db2小波進行檢測。

3 局部熵

在信息論中，熵表示的是平均不確定性的量度，能夠有效反映事件包含的信息［6］。對于不含疵點的正常織物圖像，其熵值是確定的，對于含有疵點的織物圖像，其熵值會發生改變［7－8］。對于圖像的局部窗口M×N，局部熵的定義如下：

其中，fij表示點（i，j）處的灰度值，Pij為圖像的灰度分布。

4 檢測方法流程與仿真結果分析

工業紡織生產過程中最為常見的疵點有緯向、經向和區域類疵點。由緯紗形成或沿緯紗方向呈現的疵點叫緯向疵點，如圖1（b）所示。由經紗形成或沿經紗方向呈現的疵點叫經向疵點，如圖1（c）所示。布面上所占部位較小或僅在一處易于計算尺寸數量的疵點叫區域類疵點，如圖1（d）所示。

4.1 檢測方法流程

因采用的圖像為256×256像素，所以為兼顧實時性與精確度，選取的局部窗口大小為32×32。

圖1 原始織物圖像

傳統的基于局部熵的織物疵點檢測方法如下：對多幅無疵點圖像進行局部熵計算，并選取最小值作為判斷閾值。對待測織物圖像進行局部熵計算，若存在小于判斷閾值的局部熵值，則判斷存在疵點。具體檢測流程如圖2（a）所示。

基于小波變換與局部熵的織物疵點檢測方法如下：對一幅256×256像素的經過預處理后的不含疵點的織物圖像進行小波變換，得到四幅子圖像。取其中128×128像素的經向細節子圖像與緯向細節子圖像，分別將這兩幅子圖像分割成49個不完全重疊的32×32的局部窗口，計算所有窗口的局部熵。對待測織物圖像進行相同處理并計算其與不含疵點織物圖像局部熵的差值絕對值，若大于所設閾值，則判斷存在疵點。具體檢測流程如圖2（b）所示。

4.2 仿真結果對比分析

表1為對圖1三幅含疵點的圖像使用基于局部熵的織物疵點檢測方法進行檢測的結果。首先，對十幅無疵點圖像進行局部熵計算，得出最小局部熵為388.569，并將其作為判斷閾值；接著對三幅含疵點圖像進行局部熵計算，并分別得出最小值。由表中數據可得，對于圖1（b）、圖1（d）的判斷結果為存在疵點，而對圖1（c）的判斷結果為不存在疵點，判斷出現錯誤。由此可見，此種判斷方法存在一定的問題。

表1 基于局部熵的織物疵點檢測方法結果

經分析，此種方法在選取無疵點圖像最小局部熵值的過程中，若選取的多幅無疵點圖像中任意一幅存在灰度分布不均勻或拍攝時受外界因素影響等狀況，則會對判斷閾值的選取產生影響。

基于小波變換與局部熵的織物疵點檢測方法在相同條件下對無疵點圖像與待測圖像進行拍攝，將拍攝的圖像經過小波變換以提取局部奇異性特征值，并對子圖像相應的每一塊局部熵值進行差值絕對值計算作為判斷依據，可以解決上述問題。

圖2 檢測流程

此處選取的判斷閾值為5.3。圖1（b）為含有緯向疵點的圖像，由圖3（a）可見，圖中緯向局部熵差值絕對值曲線在疵點處出現明顯的峰值且大于5.3，經向局部熵差值絕對值曲線變化相對平緩；圖1（c）為含有經向疵點的圖像，由圖3（b）可見，圖中緯向局部熵差值絕對值曲線變化平緩，經向局部熵差值絕對值曲線在疵點處出現明顯的峰值且大于5.3；圖1（d）為含有區域類疵點的圖像，由圖3（c）可見，圖中緯向局部熵差值絕對值曲線與經向局部熵差值絕對值曲線均出現明顯的峰值且大于5.3。

根據上述分析，基于小波變換與局部熵的織物疵點檢測方法不僅能判斷待測織物是否存在疵點，且能通過局部熵差值絕對值初步判斷疵點類型。若緯向局部熵差值絕對值大于所設閾值，經向局部熵差值絕對值小于所設閾值，即可判斷疵點為緯向疵點；若緯向局部熵差值絕對值小于所設閾值，經向局部熵差值絕對值大于所設閾值，即可判斷疵點為經向疵點；若緯向局部熵差值絕對值與經向局部熵差值絕對值皆大于所設閾值，即可判斷疵點為區域類疵點。

圖3 疵點圖像差值絕對值曲線

5 結束語

提出一種基于小波變換與局部熵的織物疵點檢測方法，對織物圖像進行一層小波分解，計算量小且保留大部分疵點信息。分別對經緯兩幅子圖像進行局部熵提取并與標準圖像局部熵進行對比，提高檢測精度且能直接判斷常見疵點類型。實驗表明，此種方法有效可行。

［1］ Sari－Sarraf H，Goddard Jr J S.Vision system for onloom fabric inspection［J］.Industry Applications，IEEE Transactions on，1999，35（6）：1252－1259.

［2］ 王學文，鄧中民，嚴平，等.基于小波分析與紋理能量變換的織物疵點檢測［J］.棉紡織技術，2007，35（10）：9－12.

WANG Xue－wen，DENG Zhong－min，YAN Ping.Fabric Defect，Detection Based on Wavelet Analysis and Texture Energy Transform［J］.Cotton Textile Technology，2007，35（10）：9－12.

［3］ 黎丹，劉哲.織物疵點特征提取主要算法比較［J］.毛紡科技，2011，39（1）：57－62.

LIDan，LIU Zhe.Comparison of Algorithms to Extract Features Used in Fabric Defects Detection［J］.Wool Textile Journal，2011，39（1）：57－62.

［4］ 周帥，張鳳生，李富才，等.基于小波變換的織物疵點圖像特征提取［J］.青島大學學報（工程技術版），2013（2）：53－59.

ZHOU Shuai，ZHANG Feng－sheng，LI Fu－cai.Image Feature Extraction of Fabric Defect Based on Wavelet Transform［J］.Journal of Qingdao University（E＆T），2013（2）：53－59.

［5］ 范為福，牛正光，王東云，等.基于局部熵的織物疵點檢測［J］.中原工學院學報，2007，18（5）：16－19.

FANWei－fu，NIU Zheng－guang，WANG Dong－yun.Rationality and Applications of Local Entropy in Inspection of Fabric Defects［J］.Journal of Zhongyuan University of Technology，2007，18（5）：16－19.

［6］ 卿湘運，段紅，魏俊民，等.基于局部熵的織物疵點檢測與識別的研究［J］.紡織學報，2004，25（5）：57－58.

QING Xiang－yun，DUAN Hong，WEI Jun－min.Fabric Defect Inspection and Recognition Based on Local Entropy Method［J］.Journal of Textile Reserch，2004，25（5）：57－58.

［7］ 王東云，牛正光.改進的基于局部熵的織物疵點檢測方法［C］.//第27屆中國控制會議論文集，2008：208－211.

WANG Dong－yun，Niu Zheng－guang.Improved Method of Fabric Defects Inspection Based on Local Entropy［C］.//Proceedings of the 27th Chinese Control Conference，2008：208－211.

［8］ 陳利珍，鄧中民.基于紋理濾波與局部熵的織物疵點檢測［J］.紡織科技進展，2011（5）：42－44.

CHEN Li－zhen，DENG Zhong－min.The Defect Defect of Fabric Based on Texture Filtering and Local Entropy［J］.Progress in Textile Science＆Technology，2011（5）：42－44.

Fabric Defect Detection Method Based on Wavelet Transform and Local Entropy

Gu Jing，Xue Yuncan，Zhang Long，Yang Ya
（College of Internet of Things Engineering，Hohai University，Changzhou 213022，China）

Combining with the advantage of wavelet transform and local entropy，amethod of fabric defect detection based on wavelet transform and local entropy is proposed for solving the problem of low detection precision and efficiency caused by the traditional eyeballing and the existed fabric defect detection.Themethod conducts a layer ofwavelet transform to both normal fabric images and the images to be tested，uses local windowswith the same size and incompletes overlap to extract their local entropy ofwarp and weft detail subimages，then calculates the absolute difference of local entropy of the two kinds of fabric subimages，at last estimateswhether the defect is exist according to the judgement threshold and recognizes the common defect type directly.The simulation results show that the method has higher detection precision and efficiency than the traditional one based on the fabric defect detection.

Local entropy；Wavelet transform；Fabric defect detection；Subimage；Absolute difference；Judgement threshold

10.3969/j.issn.1002－2279.2015.05.018

TP391

A

1002－2279（2015）05－0069－03

顧菁（1991－），女，江蘇省靖江市人，碩士研究生，主研方向：智能信息處理理論與技術。

2015－03－10