織物疵點自動檢測方法研究進展

張玉繼，雷 威，李文博

(西安工程大學，陜西 西安 710048)

織物疵點自動檢測方法研究進展

張玉繼，雷 威，李文博

(西安工程大學，陜西 西安 710048)

介紹了織物疵點自動檢測方法的研究現狀，從結構、頻譜、統計、基于模型、學習、混合和比較方法7個方面對織物疵點檢測方法進行了分類，并以準確率、可靠性、計算成本、噪聲敏感性等為考量指標對其進行了述評，同時對常見方法的優缺點進行了分析比較。

織物疵點；自動檢測；方法類型；分析比較

在紡織工業中織物疵點是指所生產織物表面上出現的瑕疵，這種生產缺陷不僅影響到紡織品的銷售，而且還導致經濟損失。傳統的人工檢查是保證織物質量的唯一手段，但因工人長時間檢查會出現疲勞，導致檢測不準確、不確定等情況發生，因此依靠人工檢測疵點在精度、一致性和效率方面不是很好。因此織物疵點自動檢測就成為了提高織物質量的有效方法[1]，且產業對制造高質量紡織品的織物疵點自動檢測系統需求正在日益增長。這種自動化檢測系統是通過使用圖像處理技術來識別織物表面存在缺陷的，目前其檢測方法主要有統計、頻譜和基于模型三類。隨著計算機技術、圖像處理技術和機器學習如深度學習的發展，機器學習已顯示出其巨大的應用潛力，如近年來有越來越多的研究者把深度學習等技術應用到織物疵點檢測上，并取得了很好的效果。本文結合近年來織物疵點自動檢測方法研究情況，從結構、頻譜、統計、基于模型、學習、混合和比較方法7個方面對其進行了述評。

1 織物疵點自動檢測的方法

在方法上織物疵點自動檢測可分為結構、頻譜、統計、基于模型、學習、混合和比較方法7種類型。

1.1 結構方法

結構方法(SA)是將織物紋理看作紋理基元的組合，通過獲得紋理特征并推斷紋理替換規則進行的紋理分析。根據該方法可利用簡單紋理結構的組成來實現織物圖案的整體紋理。結構紋理分析包含提取紋理元素和推斷布局規則兩個步驟[2]，Abouelela等[3]進行了結構性疵點的檢測。SA法通常只在很規則的紋理上表現良好，可靠性較低。

1.2 頻譜方法

空間和頻域信息對織物疵點自動檢測是必要的，頻域信息用于識別織物表面疵點的存在，空間域信息用于識別織物疵點的位置。圖像紋理是由一些重復的基本紋理基元組成的，如紡織物由紗線周期性重復組成，因此可使用頻譜特征檢測疵點。基于頻譜的織物疵點自動檢測方法主要有傅立葉變換法、Gabor變換法、小波變換法等[4]。

1.2.1 小波變換

小波變換是作為傅里葉變換的替代方法而開發的一種信號分析技術，用以優化與頻率相關的臨時解決方案[5]。小波變換技術的成功率較高，但每個操作只能用于某種特定類型織物的特定疵點分類。由于其計算成本低，因此適用于實時織物自動檢測系統。

期權合約補貼主要是通過事前預約定價的形式對農產品售價進行保護。在農業生產之前根據市場預期確定農產品未來的市場價格，在到達規定的期限后，如果預期設定價格低于當前的市場價格，則由農戶按照市場價格進行售出；如果達到規定期限后，預期設計價格高于當前的市場價格，那么實際市場價格與預期設定價格之間的差額由政府補貼，以此來保證農戶的經濟收入。通過這項政策制度的實施，可讓農戶的經濟利益得到較大的保障。但是從具體實施情況來看，往往由于設定的預期價格較低，使得市場實際價格高于該預期價格，這項制度沒有發揮出應有的作用。

1.2.2 基于傅立葉變換方法

傅立葉變換是一種對時域到頻域的信號進行詳細分析的技術，可分離織物圖像中的周期性成分、環境信息和噪聲，并有效提取特征值。傅里葉變換缺乏空域中的定位能力，因此只適合于檢測全局瑕疵。現在已很少有研究單獨將傅立葉變換應用于織物疵點自動檢測中了。

1.2.3 基于Gabor變換方法

Gabor變換是一類重要的時頻分析方法，Gabor變換在頻域和時域內都具有良好的局部性，它使用1個高斯函數作為窗函數[6]。因而Gabor濾波器不單能夠檢測織物圖像在頻率域的變動，還可在空間域中準確定位其變化區域。

1.3 統計方法

統計方法是使用一階和二階統計來提取紋理特征的，其使用方法包括灰度共生矩陣、直方圖統計法和數學形態學方法。除此之外，還有如自相關、邊緣檢測和神經網絡等方法。

1.3.1 基于直方圖方法

直方圖包含圖像的灰度級像素分布基本統計數據。常見的直方圖性質有平均值、標準偏差、方差和中值。直方圖技術由于諸如低計算成本等特點被用于各種應用當中。近年來Ng等[7]的研究使得直方圖分離技術得到了發展，通過檢查被染色和無缺陷的織物圖像的直方圖差異進行疵點檢測[8]。直方圖方法具有簡單性和高計算速度等特點，但其可靠性較低。

1.3.2 基于共生矩陣方法

共生矩陣方法是通過測量顏色強度之間的依賴性來提供紋理特性的表征，表示在織物圖像上的特定偏移的梯度定向分布[9]，梯度定向的組合用于表達織物的紋理。共生矩陣方法受噪聲影響需要濾波，在高分辨率圖像中性能較差；因此可通過使用小波變換方法來提高精度比，具有較高計算成本。

1.3.3 基于數學形態的方法

數學形態是基于有一定形態特征的結構元素來提取圖像中的對應形狀，以實現圖像分析和識別。數學形態的基本運算有膨脹、侵蝕、打開和關閉四種。有文獻研究出一種改進的形態學侵蝕算子檢測織物疵點的位置方法[10]，但是沒有給出此方法的準確率。在另一項研究中聯合使用相關性、小波變換和形態學方法檢測織物疵點[11]，通過使用適當的結構元件可以快速有效地檢測織物疵點的大小和位置。

1.4 基于模型的方法

基于模型的方法是依據標準的織物圖像估計出模型參數，再利用假設檢驗的方法測試疵點圖像是否符合該參數模型。這種技術適用于由諸如斷紗等可能具有表面變化的織物圖像[12]。最常用的模型有自回歸模型和馬爾科夫隨機場模型。

1.4.1 自回歸模型

自回歸模型(AR)用于表示紋理圖像的不同像素之間的線性相關程度，由于只需要線性方程組的解，因此被廣泛使用。與非線性方程組相比自回歸模型的計算速度較高。

1.4.2 馬爾科夫隨機場模型

不含噪聲的織物圖像像素點之間相互依賴，馬爾可夫隨機場(MRA)是使用這種依賴性的敏感性模型，通過計算局部區域上的每個像素的密度值來測量像素和突變之間的關系。這種方法可用于許多領域，如分割、分類和特征提取[13]。Cohen等[14]使用MRA來模擬無疵點織物圖像的紋理圖像，通過MRA模型建模能很好地提取許多類型織物的紋理信息。

1.5 學習方法

Yapi等[15]提出了一種新穎的方法，即使用監督學習來分類有疵點和無疵點織物。利用貝葉斯分類器(BC)來學習分類有疵點和無疵點織物，通過支持向量機(SVM)等分類器進行織物疵點檢測研究[16]。深層神經網絡(DNNs)已經在紋理分類上表現出優異的性能，尤其是卷積神經網絡(CNNS)在諸如目標檢測和目標分類的許多領域中引起了廣泛關注。很少有工作使用原始的織物圖像作為基于深入學習分類的輸入，DNNs將在疵點檢測中變得更加流行。如Seker等[17]開發了一種基于深度學習的方法，并應用于織物疵點檢測中。他們使用自動編碼器模型作為深度學習算法，該方法實現了88%的精確度。Li等[18]通過使用基于Fisher標準的堆疊去噪自動編碼器(FCSDA)將織物分類為有疵點和無疵點，實驗結果表明，FCSDA方法可以在復雜的提花經編織物上獲得更好的效果，其分類精確度從95.20%提高到99.47%。景軍峰等[19]應用深度卷積神經網絡的疵點檢測算法對色織物疵點圖像的檢測率達到了87.5%，使色織物的缺陷位置和形狀取得了較好的可視化效果。

1.6 混合方法

織物疵點自動檢測方法雖具備很多優點，但在某些方面也存在一些不足。因此許多研究人員使用兩種或更多種混合技術來更有效地進行疵點檢測。Han和Xu[20]使用模板匹配法和閾值法檢測細小疵點，通過從織物紋理中獲得統計數據來開發模板匹配方法。Venkatesan等[21]通過計算有疵點織物的小波變換，然后通過灰度共生矩陣技術提取所獲得圖像的對比度、相關性、均勻性和能量特征。這些提取特征由自適應神經模糊推理系統(ANFIS)進行分類。Halimi等[22]使用形態學技術和幾何形狀數據來檢測織物表面上的細小疵點，應用Sobel邊緣檢測和形態學處理圖像來識別疵點，通過測量所獲得的圖像的域、環境和密度來確定疵點的類型。

1.7 比較研究方法

目前已出現了大量的織物疵點自動檢測方法，對這些方法進行比較分析具有很重要的意義，因此在許多文獻中出現了不同方法的比較研究。這些研究指導著研究者們根據織物類型和方法的不足提供最合適的方法。在分析研究時應仔細評估關鍵參數，如研究中使用的圖像分辨率，計算復雜性和性能指標等。例如，高分辨率圖像在疵點檢測中有高精確率，而在實時系統中它們也導致較高的計算成本。Conci等[23]比較了索貝爾邊緣檢測、分形維數和閾值法對十二種不同類型的織物疵點識別，結果表明最可靠的方法是分形維數法。最近一項研究比較了Gabor濾波器、小波變換、計算機視覺和數字圖像處理方法，這些方法的準確率范圍從65%到99.40%[24]。

2 結語

目前織物疵點自動檢測方法研究可分為結構、統計、頻譜、基于模型、學習、混合和比較七大類型，不同類型方法各有其思路和優缺點，且大多數方法在研究時會創建自己的數據庫。因此這些方法在可靠性和有效性上均不夠客觀。為了開發客觀和可靠的方法，需要能夠公開訪問其免費數據庫。

[1] NANG H Y T， PANG G K H， YUNG S P，etal.Defectdetectiononpatternedjacquardfabric[C]//AppliedImageryPatternRecognitionWorkshop.DBLP， 2003: 163-168.

[2]ANAGNOSTOPOULOSC，VERGADOSD，KAYAFASE，etal.Acomputervisionapproachfortextilequalitycontrol[J].ComputerAnimationandVirtualWorlds， 2001， 12(1): 31-44.

[3]ABOUELELAA，ABBASHM，ELDEEBH，etal.Automatedvisionsystemforlocalizingstructuraldefectsintextilefabrics[J].PatternRecognitionLetters， 2005， 26(10): 1 435-1 443.

[4]CHANCH，PANGGKH.FabricdefectdetectionbyFourieranalysis[J].IEEETransactionsonIndustryApplications， 2002， 36(5): 1 267-1 276.

[5]LIANGZ，XUB，CHIZ，etal.Intelligentcharacterizationandevaluationofyarnsurfaceappearanceusingsaliencymapanalysis，wavelettransformandfuzzyARTMAPneuralnetwork[J].ExpertSystemswithApplications， 2012， 39(4): 4 201-4 212.

[6] 楊曉波. 基于Gabor濾波器的織物疵點檢測[J]. 紡織學報， 2010， 31(4): 55-59.

[7]STOJANOVICR,MITROPVLOSP,KOVLAMASC,etal.Real-timevision-basedsystemfortextilefabricinspection[J].Real-timeImaging, 2001, 7(6):507-518.

[8]ZHANGW，ZHANGJ，HOUY，etal.MWGR:Anewmethodforreal-timedetectionofcordfabricdefects[C]//AdvancedMechatronicSystems(ICAMechS)， 2012InternationalConferenceon.IEEE， 2012: 458-461.

[9]WATANABET，ITOS，YOKOIK.Co-occurrencehistogramsoforientedgradientsforpedestriandetection[C]//Pacific-RimSymposiumonImageandVideoTechnology.Springer-verlog， 2009: 37-47.

[10]WANGD，LIUH.Edgedetectionofcordfabricdefectsimagebasedonanimprovedmorphologicalerosiondetectionmethods[C]//NaturalComputation(ICNC)， 2010SixthInternationalConferenceon.IEEE， 2010， 8:3 943-3 947.

[11]CHETVERIKOVD，HANBURYA.Findingdefectsintextureusingregularityandlocalorientation[J].PatternRecognition， 2002， 35(10): 2 165-2 180.

[12]HANBAYK，TALUMF.Kumahatalarnnonline/offlinetespitsistemlerivey?ntemleri[J].SakaryaUniversityJournalofScience, 2014， 18(1): 49-69.

[13]MONACOJP，MADABHUSHIA.Class-specificweightingformarkovrandomfieldestimation:applicationtomedicalimagesegmentation[J].MedicalImageAnalysis,2012，16 (8):1 477-1 489.

[14]COHENFS，FANZ，ATTALIS.Automatedinspectionoftextilefabricsusingtexturalmodels[J].IEEETransactionsonPatternAnalysis&MachineIntelligence，1991，13(8):803-808.

[15]YAPID，MEJRIM，ALLILIMS，etal.Alearning-basedapproachforautomaticdefectdetectionintextileimages[J].IFAC-PapersOnLine，2015， 48(3) :2 423-2 428.

[16]BASUA，CHANDRAJK，BANERJEEPK，etal.Subimagebasedeigenfabricsmethodusingmulti-classSVMclassifierforthedetectionandclassificationofdefectsinwovenfabric[C]//ThirdInternationalConferenceonComputingCommunication&NetworkingTechnologies(ICCCNT), 2012: 1-6.

[17]EKERAS，PEKERKA，YUKSEKAG，etal.Fabricdefectdetectionusingdeeplearning[C]//Zonguldak：24thSignalProcessingandCommunicationApplicationConference(SIU).IEEE, 2016:1 437-1 440.

[18]LIY，ZHAOW，PANJ.Deformablepatternedfabricdefectdetectionwithfishercriterion-baseddeeplearning[J].IEEETransactionsonAutomationScienceandEngineering,2016,(99):1-9.

[19]景軍鋒， 范曉婷， 李鵬飛， 等. 應用深度卷積神經網絡的色織物缺陷檢測[J]. 紡織學報， 2017， 38(2): 68-74.

[20]HANLW，XUD.Statisticlearning-baseddefectdetectionfortwillfabrics[J].InternationalJournalofAutomationandComputing， 2010， 7(1): 86-94.

[21]VENKATESANB,RAGUPATHYUS,VIDHYALAKSHMIP,etal.InspectionoffaultsintextilewebmaterialsusingwaveletsandANFIS[C]//InternationalConferenceon.MachineVisionandImageProcessing(MVIP).IEEE， 2012: 189-192.

[22]HALIMIA,KOURAYCHIAE，BOUZIDA，etal.DefectsdetectionandextractionintextileimageriesusingMathematicalMorphologyandgeometricalfeatures[J].JournalofSignalProcessingTheoryandApplications， 2012，(1): 1-16.

[23]CONCIA，PROENCACB.Acomparisonbetweenimage-processingapproachestotextileinspection[J].JournaloftheTextileInstitute， 2000，91(2): 317-323.

[24]JAVEDA，MIRZAAU.Comparativeanalysisofdifferentfabricdefectsdetectiontechniques[J].InternationalJournalofImage，GraphicsandSignalProcessing， 2013， 5(1): 40.

2017年第一屆廢舊紡織品高值化利用技術國際研討論壇召開

2017年5月4日，第一屆廢舊紡織品高值化利用技術國際研討論壇在上海召開。大會由中國再生資源回收利用協會主辦。

我國是世界紡織大國，隨著人們對服裝更新速度的不斷提高，廢舊紡織品數量持續增長。每年廢棄纖維制品超過2600萬噸，但回收利用技術特別是聚酯纖維制品還處于起步階段，導致大量難以降解的廢棄纖維制品進入自然界，對資源和環境產生了沉重壓力。目前，對廢舊紡織品最好的處置方式就是進行資源化和無害化利用，使廢舊紡織品回收利用更加專業化、規模化、標準化。但是，在回收利用的過程中，技術問題一直是制約廢舊紡織品資源化利用的關鍵，面對國內外市場上眾多的廢舊紡織品回收利用技術，如何使技術進行融合、創新，對廢舊紡織品進行高值化資源利用是亟待解決的問題。我國紡織化纖工業亟需強化全生命周期的綠色化、循環化和低碳化發展理念，建設紡織品的再利用體系，實現紡織纖維“從搖籃到搖籃”的多級多次閉環循環。

會上，國務院發展研究中心研究員程會強發表了關于我國廢舊紡織品產業發展的思考與建議，并重點解說幾點廢舊紡織品產業的思想對策：一、著眼于培養新動能，提高廢舊紡織品行業戰略地位。二、加強法規制度保障，廢舊紡織品綜合利用管理條例。三、建立分類投放、回收、運輸、處理全過程管理體系。四、規范管理，完善城鎮廢舊紡織品回收利用設施建設。五、應用互聯網+，建設信息化社會化系統的監管體系。

中國化學纖維工業協會副會長賀燕麗講解了申請綠色纖維認證的條件及流程，并帶來了廢舊紡織產品“綠色發展”的情報。“綠色纖維”是指原料來源于生物質和可循環再生原料、生產過程低碳環保、制成品棄后對環境無污染的化學纖維，要求產品的整個生命周期具有“綠色”的特征，包括原輔材料選用、加工過程、遺棄處理等環節。

“綠色纖維”標志適用于生物基化學纖維、循環再利用化學纖維、原液著色化學纖維及其制品，涉及纖維、紗線、面料、服裝、家紡、產業用紡織品等領域。凡在中華人民共和國境內依法登記，具有獨立承擔民事責任，從事化纖產品生產經營活動的企業可向中國化學纖維工業協會申請使用綠色纖維標志。企業通過申請、審核、檢驗、批準后獲得“綠色纖維”標志使用權，并接受中國化學纖維工業協會對商標使用過程的監督和管理。

當前，我國倡導綠色化產業升級，鼓勵發展循環經濟，利用一切可再生資源創造經濟效益和社會效益。隨著人們的環保理念的進步，再生資源回收利用越來越得到公眾認可。我國再生資源逐年聚集上升，蘊藏豐富資源，市場潛力巨大，在資源和環境“瓶頸”日漸凸顯的當下，開發再生資源，對于生態文明建設以及美麗中國的建設具有現實意義。

(來源：中國化學纖維協會)

Research Progress on Automatic Detection Method of Fabric Defects

ZHANG Yu-ji，LEI Wei，LI Wen-bo

(Xi'an Engineering University, Xi'an 710048, China)

The research status of fabric defect detection method was introduced, and the fabric defect detection method was divided into seven categories: structure, spectrum, statistics, model-based, learning, mixing and comparison method. These methods were reviewed according to the indexes such as accuracy, reliability, computational cost and noise sensitivity. At the same time, the advantages and disadvantages of common methods were analyzed and compared.

fabric defect; automatic detection; method type; analysis and comparison

2017-03-20；

2017-03-27

張玉繼(1990-)，女，碩士研究生在讀，主要研究方向：計算機視覺與機器學習，E-mail：perfect_cristin@sina.com。

TS101.9

A

1673-0356(2017)05-0005-04