基于十字窗口的經(jīng)編織物疵點檢測

杜 帥，李岳陽，夏風林，羅海馳，蔣高明

(江南大學 a.教育部針織技術(shù)工程研究中心；b.輕工過程先進控制教育部重點實驗室；江蘇 無錫 214122)

在紡織行業(yè)的生產(chǎn)過程中，織物疵點不可避免，疵點的產(chǎn)生會影響織物的質(zhì)量從而降低產(chǎn)品的價格，因此對織物疵點檢測是紡織品質(zhì)量控制的關(guān)鍵環(huán)節(jié)[1]。目前工廠大多采用人工檢測方法，且存在很多弊端：一方面，長時間工作易疲勞，造成漏檢或誤檢；另一方面，人的靈敏度有限，機速過高時，不及時停機會造成過長的疵點，嚴重影響織物的質(zhì)量。隨著計算機技術(shù)的發(fā)展，織物疵點在線檢測技術(shù)在紡織行業(yè)應用也將成為必然趨勢[2]。

目前，學者們在此領(lǐng)域作了大量的研究，比如基于傳統(tǒng)的濾波器[3]的方法，此方法需要調(diào)制多個濾波器，對檢測結(jié)果造成一定的影響；基于局部對比的背景差分法[4-5]，此方法能夠區(qū)分背景和疵點，但是只適應對目標和背景灰度值差別較大的疵點；基于深度學習[6-7]的方法，由于疵點樣本種類較多，難以采集，訓練時需要大量的樣本，檢測結(jié)果不盡人意。雖然上述方法對疵點檢測存在一些的弊端，但是也為后續(xù)的研究者奠定了基礎(chǔ)，一些混合的方法能夠彌補一些缺陷，從而達到很好的效果。例如基于小波變換的織物紋理建模和檢測的方法[8]，將小波變換與形態(tài)學方法相結(jié)合，用于水平、垂直和對角線方向的織物疵點檢測。基于形態(tài)濾波器的織物疵點檢測方案[9]，利用訓練的Gabor小波網(wǎng)絡(luò)提取織物紋理特征，并設(shè)計形態(tài)濾波器，通過濾波器消除織物背景紋理，最后進行閾值化處理，實現(xiàn)織物疵點檢測。

一些混合的方法研究已經(jīng)初現(xiàn)成效，但是對于實際生產(chǎn)中的疵點檢測因素考慮較少，實際生產(chǎn)中一旦有較小的瑕疵出現(xiàn)，未及時發(fā)現(xiàn)就會不斷擴大，造成過大的疵點，降低織物的質(zhì)量，且在圖像采集的過程中會受到光照和車間其他環(huán)境因素的影響。因此，本文基于弱小瑕疵及光源因素影響的前提下，采用了一種十字窗口的方法對織物疵點進行檢測，主要是利用同態(tài)濾波、局部差分及閾值分割的算法相結(jié)合，從而實現(xiàn)對弱小織物疵點的檢測。

1 圖像預處理

同態(tài)濾波[2,5]是一種在頻域中進行的圖像對比增強和壓縮圖像亮度范圍的特殊方法，它能夠減少低頻增加高頻，從而減少光照變化并銳化邊緣細節(jié)。在實際生產(chǎn)中，受到光照的影響會使圖像變得模糊不清，疵點部分難以辨認。同態(tài)濾波可以對圖像灰度范圍進行調(diào)整，通過消除圖像上照明不均的問題，增強暗區(qū)的圖像細節(jié)，同時又不損失亮區(qū)的圖像細節(jié)。

把原圖像函數(shù)I(x,y)看作為光照函數(shù)，其可以表達為照射分量i(x,y)與反射分量r(x,y)的乘積，即原圖像的函數(shù)表達為：

I(x,y)=i(x,y)×r(x,y)

(1)

進行同態(tài)濾波，需要將原圖像函數(shù)的乘法運算化簡為加法運算，即對原始圖像函數(shù)作對數(shù)運算：

Z(x,y)=lni(x,y)+lnr(x,y)

(2)

為了將圖像轉(zhuǎn)換到頻域，需要對上述對數(shù)運算后的函數(shù)做傅立葉變換：

F(Z(x,y))=F(lni(x,y))+F(lnr(x,y))

(3)

然后選擇一個合適的傳遞函數(shù)H(u,v)，通過壓縮照射分量i(x,y)的變化范圍，削弱I(u,v)，增強反射分量，提升R(u,v)，增強高頻分量，確定一個合適的H(u,v)，假設(shè)用一個同態(tài)濾波器函數(shù)H(u,v)來處理原圖像I(x,y)的對數(shù)的傅立葉變換得：

S(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v)

(4)

逆變到空域得：

s(x,y)=F-1(S(u,v))

(5)

再取指數(shù)即得到最終結(jié)果：

f′(x,y)=exp(s(x,y))

(6)

經(jīng)過同態(tài)濾波前后的圖像如圖1所示。

圖1 同態(tài)濾波前后圖像對比Fig.1 Comparison of images before and after homomorphic filtering

同態(tài)濾波前后對比，突出了疵點圖像，抑制了背景圖像，消除光照的影響，具有很好的處理效果。

2 基于十字窗的疵點檢測算法

2.1 算法原理

一種基于十字窗的疵點檢測，其原理是利用待檢測點像素與周圍像素之間的灰度差值，判斷該待檢測點的類型[10]。其算法原理如圖2所示。

圖2 檢測算法原理Fig.2 Principle of detection algorithm

圖2中，T表示目標中心點，設(shè)中心點上下方向與左右方向的距離分別為M、N，則DTB=DTA=M,DTL=DTR=N；B、A、L、R分別表示十字窗口上的上下左右的頂點，GTA、GTB、GTL、GTR分別表示中心點與其周圍各頂點的灰度差值。設(shè)T的坐標為(x，y)，則：

GTA=f(x,y)-f(x+M,y)
GTB=f(x,y)-f(x-M,y)
GTL=f(x,y)-f(x,y-N)
GTR=f(x,y)-f(x,y+N)

(7)

2.2 目標識別

疵點區(qū)域與背景區(qū)域具有一定的區(qū)分性，疵點區(qū)域的灰度值小于或大于背景區(qū)域的灰度值。因此，根據(jù)十字窗口檢測的算法，會出現(xiàn)以下兩種情況。

1)疵點區(qū)域的灰度值小于背景區(qū)域的灰度值時，GTA、GTB、GTL、GTR有一個以上的值為負值且較小，則說明T的灰度值小于某個方向上的灰度，可以把T看作為目標像素點；GTA、GTB、GTL、GTR均為為負值且較大，說明T的灰度值和周圍的灰度值相差不大，則可以把T看作為背景像素點；GTA、GTB、GTL、GTR至少有一個正值，說明T點的灰度值大于疵點區(qū)域的灰度值，與周圍背景像素值相差不大，則可以把T看作為背景像素點。

2)如果疵點區(qū)域的灰度值大于背景區(qū)域的灰度值，GTA、GTB、GTL、GTR有一個以上的值為正值且較大，則說明T的灰度值大于某個方向上的灰度，可以把T看作為目標像素點；GTA、GTB、GTL、GTR均為正值且較小，說明T的灰度值和周圍的灰度值相差不大，則可以把T看作為背景像素點；GTA、GTB、GTL、GTR至少有一個負值且較大，說明T點的灰度值小于疵點區(qū)域的灰度值，與周圍背景像素值相差不大，則可以把T看作為背景像素點。

2.3 閾值分割

通過閾值分割[11]對目標進行提取，通過設(shè)置T值，使圖像中的灰度值為0或255。

(8)

式中：T為分割的閾值，f(x,y)為分割后的圖像。

同上，第二種情況只需對結(jié)果進行取反操作即可得到相同的效果。

3 結(jié)果與分析

為了驗證算法的正確性、有效性及適應性，本文利用相關(guān)算法對同種組織的不同類型疵點圖像、不同組織不同情況斷紗疵點圖像及光照不勻下不同情況斷紗的疵點圖像進行實驗。

3.1 同種組織不同疵點類型的疵點檢測

為了驗證采用算法的有效性[12]，需要對不同種類型的織物疵點圖像進行離線檢測。本文采集了90幅不同類型的平紋經(jīng)編織物疵點圖像，其中40張無疵點的圖像，50張含疵點圖像，樣本大小均為512×512像素的灰度圖像，實驗地點是在某研究中心經(jīng)編實驗室，設(shè)備是采用面陣CCD相機及日本理光公司生產(chǎn)的6 mm焦距的鏡頭(FL-HC0614-2M)，在佶龍機械公司生產(chǎn)的HKS4 EL型電子橫移高速經(jīng)編機進行圖像采集。利用相關(guān)算法對采集到的90幅圖像進行處理，其疵點檢測結(jié)果如圖3所示。

圖3 幾種不同類型的織物疵點檢測結(jié)果Fig.3 Defect detection results of different types of fabrics

圖3(a)(b)(c)分別表示破洞、油污及斷經(jīng)幾種典型的經(jīng)編織物疵點，而圖3(d)(e)(f)分別表示利用十字窗口對幾種不同類型的織物疵點檢測結(jié)果。實驗結(jié)果表明，對不同類型的織物疵點，利用十字窗口均具有較好的檢測效果，說明了該算法的有效性。其90幅圖像的測試結(jié)果如表1所示。

表1 疵點檢測統(tǒng)計結(jié)果Tab.1 Statistical results for defect detection

根據(jù)表1的實驗結(jié)果并結(jié)合檢測效果圖可以看出，本文的算法對于平紋組織下的破洞、油污及斷經(jīng)的疵點具有很好的檢測結(jié)果，其檢測率可達94.44%，驗證了該算法對平紋組織的疵點檢測具有一定的普適性、有效性及準確性。

3.2 不同組織的織物疵點檢測

為了進一步驗證算法的適應性及有效性，在某特種紡織品有限公司采集了芳綸網(wǎng)眼經(jīng)編織物、平紋經(jīng)編織物及瓊斯丁的織物疵點圖像，其實驗機型為KARL MAYER公司生產(chǎn)的HKS4型180英寸的經(jīng)編機，設(shè)備是采用面陣CCD相機及日本理光公司生產(chǎn)的6 mm焦距的鏡頭(FL-HC0614-2M)，檢測樣本為2 568×40像素的織物疵點圖像。基于本文的算法在Matlab2014a對經(jīng)編織物進行測試，其測試結(jié)果見圖4、圖5和圖6。圖4為芳綸網(wǎng)眼經(jīng)編織物、圖5為平紋經(jīng)編織物、圖6為瓊斯丁，其中圖4(a)(c)(e)、圖5(g)(i)(k)和圖6(m)(o)(q)分別為斷紗在左中右側(cè)的疵點圖像，圖4(b)(d)(f)、圖5(h)(j)(l)和圖6(n)(p)(r)分別為斷紗在左中右側(cè)圖像的檢測結(jié)果。

圖4 芳綸網(wǎng)眼經(jīng)編織物的檢測結(jié)果Fig.4 Defect detection results of aramid mesh fabric

圖5 平紋經(jīng)編織物的檢測結(jié)果Fig.5 Defect detection results of plain warp knitted fabric

圖6 瓊斯丁檢測結(jié)果Fig.6 The Jonestin detection result

圖4中的芳綸網(wǎng)眼織物，其組織形成網(wǎng)孔，斷紗后會形成較大的疵點，布面間的張力減小，疵點偏移不明顯。根據(jù)檢測結(jié)果可以看出，雖然對左中右側(cè)的斷紗均能檢測，但是其效果一般，原因是形成的疵點區(qū)域與背景區(qū)域過渡間存在一定的像素，利用十字窗口檢測則將過渡的像素判斷為疵點區(qū)域，從而導致了檢測效果的偏差，因此本文算法對芳綸網(wǎng)眼的檢測效果一般。

圖5中的平紋經(jīng)編織物，其組織結(jié)構(gòu)緊密，斷紗后由于布面間的張力作用，會導致疵點偏移，其左側(cè)疵點右偏、右側(cè)疵點左偏、中間不偏。根據(jù)其檢測結(jié)果可以看出，對平紋經(jīng)編組織的左中右側(cè)斷紗均具有較好的檢測結(jié)果，能夠清晰準確地識別出疵點的大小及位置，因此本文算法對于平紋經(jīng)編織物具有較好的檢測結(jié)果。

圖6中的瓊斯丁織物疵點圖像，采用了40 D錦綸絲、140 D氨綸絲和40 D氨綸絲，其組織結(jié)構(gòu)緊密，斷紗后也會產(chǎn)生一定的偏移，其中選用的絲較細，斷紗后的疵點小，效果不明顯。但根據(jù)檢測效果來看，均能夠準確地檢測到疵點的大小和位置，證明了算法的準確性及有效性。

根據(jù)不同組織不同情況斷紗的疵點檢測結(jié)果，本文算法對于平紋經(jīng)編織物、瓊斯丁的疵點檢測具有很好的檢測效果，而對于芳綸網(wǎng)眼織物雖然能識別出疵點的區(qū)域，但是檢測效果一般。這是因為芳綸網(wǎng)眼織物產(chǎn)生的疵點較大，且背景與疵點分離不明顯，也從側(cè)面反映了本文算法普遍適應性的條件為疵點背景分離明顯的小目標。

3.3 光源等因素影響下的檢測結(jié)果

圖像的質(zhì)量是影響疵點檢測檢出率的重要因素之一，圖像采集過程中，光照強弱會對圖像質(zhì)量有很大的影響。光照較強采集的圖像會曝光過度，光照偏弱圖像模糊不清難以分辨，因此在圖像采集時采用帶有調(diào)節(jié)功能的相機，通過調(diào)節(jié)光圈、補償光值等方法以滿足圖像采集的需要。但在采集的過程中，機器機速過高引起光源的震動，素色布的透薄特性使光源通過壓針板等機器零件形成反射，都會令相機的光值補償不盡人意，最終使采集到的圖像光照不勻。

考慮上述因素，利用本文算法進行可行性驗證。本實驗的光源為飛利浦T5 LED一體燈，功率13 W，色溫6 500 K的白色光，實驗的地點及所用設(shè)備均與3.2中相同，實驗所選用的織物組織的墊紗數(shù)碼為GB3:1-0|3-4//GB4:1-3|1-0//,其圖像及檢測結(jié)果見圖7。其中圖7(a)(c)(e)為光照不勻較嚴重情況下左中右側(cè)斷紗的圖像，圖7(b)(d)(f)為檢測結(jié)果。

圖7中疵點圖像與圖4—圖6的疵點圖像相比較模糊，這是因為其受到嚴重的光照影響，雖然圖4—圖6中的圖像也受到一定的影響但影響結(jié)果不大。圖7中由于光源震動、織物透光及機械零件反光等因素，造成了光照不勻，而本文算法對圖7仍具有很好的檢測結(jié)果，驗證了算法的可行性，進一步說明算法具有一定的抗干擾性。

圖7 光照不勻下的圖像檢測結(jié)果Fig.7 The image detection result of fabric under uneven illumination

4 結(jié) 語

本文采用織物疵點檢測方法，是利用同態(tài)濾波、局部差分及閾值分割的算法相結(jié)合，有效避免了光照因素對檢測結(jié)果的影響，同時采用的十字窗的局部差分法適應于對弱小織物疵點的檢測，能夠有效規(guī)避實際生產(chǎn)中因停機不及時造成的疵點過長的問題，為后續(xù)的系統(tǒng)開發(fā)提供了一定的基礎(chǔ)。實驗結(jié)果表明：該算法對芳綸網(wǎng)眼等疵點大的織物檢測效果一般，對平紋及瓊斯丁等組織產(chǎn)生的弱小疵點具有很好的檢測效果，檢測正確率可達94.44%，說明了該算法對弱小疵點具有較高的適用性及檢出率。