基于L0梯度最小化和K-Means聚類的織物缺陷檢測研究

劉 紀， 張團善*， 李秀昊

(1.西安工程大學 機電工程學院， 陜西 西安 710600； 2.中國科學院廣州先進技術研究所， 廣東 廣州 511458)

紡織領域中織物的生產過程涉及多個環節，其中產品質量控制是保障效益最為關鍵的步驟。影響產品質量最重要的因素就是織物表面缺陷。在生產過程中由于各種原因會產生多種不同類型的缺陷，目前，紡織行業定義了70多個類別的織物缺陷[1]，這些缺陷影響織物的品質和銷售，因此織物缺陷檢測至關重要。現階段主要依靠人工檢查，但由于人的局限性，檢測結果經常出現人為誤差，因此，人工檢驗不能滿足質量和控制要求[2]。

針對織物表面缺陷，大量研究和實踐提出了許多織物缺陷檢測算法，主要分為基于統計、頻譜、模型及學習等自動化檢測的算法[3]。基于統計的方法使用一階統計和二階統計來提取紋理分類中的紋理特征。常見的方法包括共生矩陣，分形維數法，互相關函數等方法[4-6]。例如Zhang等[4] 82利用局部二值模式(LBP)和灰度共生矩陣(GLMC)分別提取缺陷圖像的局部特征信息和整體紋理信息，然后將兩部分特征信息作為輸入訓練BP神經網絡，用來分類不同類型的缺陷。這種方法適用于紋理周期性強的紡織品。基于頻譜的方法主要包括 Gabor 濾波器、小波變換和傅里葉變換等[7-9]。例如，Li等[8] 589基于多尺度小波變換和高斯混合模型開發了一種缺陷檢測算法，大大提高了檢測效率。首先，分別使用“金字塔”小波分解算法和小波閾值去噪處理缺陷圖像，對生成的小波系數進行重構。獲得新圖像后，應用期望最大化(EM)算法的高斯混合模型對新圖像進行缺陷分割。該類方法可有效提取缺陷的特征，但對于格狀和條狀織物檢測效果較差，適應性較低。基于模型的方法有自回歸模型、馬爾科夫隨機場模型等[10-11]。例如，Cohen等[11] 805使用高斯馬爾可夫隨機場(GMRF)建立無缺陷的織物模型，其檢測過程是對 GMRF法獲取的統計數字進行假設檢驗，將測試圖像分為非重疊的子塊，然后判定每個子塊有無缺陷。這種方法可檢測紋理結構相對簡單、顏色單一的織物缺陷，適合斷頭、斷針等缺陷的檢測，但是這種算法復雜度高，檢測耗時長。基于學習的方法主要應用卷積神經網絡[12-14]來檢測織物表面缺陷。例如，Liu等[14] 3391提出了一種基于生成對抗網絡(GAN)的織物缺陷檢測框架,首先使用樣式標簽和實際缺陷訓練條件生成對抗網絡(CGAN)生成不同類型的缺陷,然后使用合成圖像和實際缺陷圖像訓練另一個生成對抗網絡，生成具有適當融合缺陷的圖像，最后將混合數據集輸入進deeplab v3網絡檢測缺陷，但是耗時時間長、不易部署且穩定性較差。

為解決上述問題，課題組設計了一種基于L0梯度最小化和K-means聚類的織物缺陷檢測方法，提高了紡織工業生產設備的自動化程度。

1 織物缺陷檢測方法

課題組提出的缺陷檢測方法過程如圖1所示，主要包括圖像平滑、圖像聚類、二值化等步驟。首先使用L0梯度最小化平滑圖像，然后將平滑后的圖像使用K-means算法聚類分割，最后，二值化聚類后的圖像。

圖1 缺陷檢測算法流程圖Figure 1 Flow chart of defect detection algorithm

1.1 圖像平滑

織物圖像中的噪聲點和陰影是影響缺陷檢測的關鍵因素，圖像平滑的目的在于保護圖像邊緣，去除圖像背景紋理信息和無意義的細節。而目前大多數圖像平滑算法很難做到去除細節和邊緣保護二者之間的平衡。為此，使用L0梯度最小化平滑圖像，在去除背景紋理信息的同時去除圖像的噪聲和多余的信息。

L0梯度最小化平滑最早由香港中文大學徐立等人提出[15]，是一種零梯度范數保留邊界信息的全局平滑方法。

L0范數為向量中不為零的元素的個數，用來描述梯度的稀疏性時一般作為平滑項，對圖像進行L0梯度最小化平滑步驟如下：設織物的輸入圖像為I，平滑后輸出的圖像為S,S在圖像中任一像素p處的梯度可以用Sp=(?xSp,?ySp)T表示。其中x,y表示圖像在橫縱2個方向的坐標值。在圖像中任一像素p處的梯度值定義為：

C(S)=#{{p||?xSp|+|?ySp||≠0}。

(1)

式中：#{}表示計數，C(S)為p的幅值|?xSp|+|?ySp|不為零的個數，?xSp,?ySp分別表示x和y方向上的梯度。

輸入的織物缺陷圖像需要限制水平和垂直2個方向的梯度數目。因此，平滑后輸出的圖像S可以定義為：

(2)

式中:λ為權重系數，用來調節圖像的平滑程度;Sp為輸出圖像在像素p處的值;Ip為輸入圖像在像素p處的值。

輸出圖像的目標函數在建模過程涉及像素差值和全局不連續項，因此傳統的優化方法不能解決該問題，所以引入輔助變量(h,v)將正則項C(S)變為局部約束C(h,v)。則目標函數定義為:

(3)

式中β為調節參數，用于控制引入變量(h,v)與對應梯度的相似性。

1.2 缺陷分割

織物圖像經過平滑后去除了紋理背景和噪聲點的影響，圖像呈現出缺陷位置和背景的二類簇分布。1967年MacQueen等[16]提出的K-means聚類算法易于實現且快速高效，因此筆者采用K-means聚類算法對平滑后的圖像實現缺陷的分割。

K-means 算法的核心思想是通過多次迭代產生聚類結果，首先選取K個聚類中心,由于本文是分割缺陷和背景，所以K值默認為2。設p為織物圖像S中的像素點，xi為p中的數據對象，μi為p中所有點的均值。則目標函數定義為:

(4)

式中Je為數據對象和其所在簇質心的平方誤差和。

為求解目標函數(4)的最優解，算法的步驟如下：

1) 隨機選取2個對象作為初始聚類中心。

2) 計算樣本點到2個聚類中心的歐式距離，分配樣本點到離該點最近的聚類中心。

3) 更新聚類中心，再次計算類別中樣本點的均值更新聚類中心，公式為；

(5)

4) 不斷重復步驟1)和步驟2)，直至目標函數收斂。

利用K-means算法將圖像分為缺陷聚類中心和背景聚類中心，判斷像素點的歸屬，從而實現缺陷的分割。

2 實驗及結果分析

為了驗證我們提出的織物缺陷檢測算法的性能，使用Python3.5和OpenCV編程實現，所采用的硬件為一臺搭載Intel酷睿i7-8700k處理器的Windows 10計算機。使用工業CCD相機獲取紡織廠織物缺陷數據集，并將圖像大小調整到(670×436)像素。部分織物圖像如圖2示。

圖2 織物缺陷樣本Figure 2 Samples of fabric defects

2.1 織物圖像平滑參數選擇

圖像平滑過程中，經過處理的圖像明顯呈塊狀分布，圖像中的噪聲點和背景紋理被較好的平滑。因為算法保留了圖像邊緣，因此，缺陷邊界被完整保存，圖像中其余細節部分被磨平。為了獲得最佳平滑效果，需要調節平滑權重系數λ。λ值越高，圖像細節保留就越完整，限制梯度的個數就會較低。平滑后結果如圖3所示。

為了獲得最佳參數λ，使用MATLAB圖像處理工具箱展示了平滑后全局圖像的細節信息以及邊緣保留情況。綜上實驗，選取λ=0.06為平滑最佳參數，結果如圖4所示。

2.2 織物缺陷檢測結果

利用K-means聚類算法對平滑后的缺陷圖像進行聚類分割。實驗結果證明，在去除了背景紋理和噪聲點的缺陷圖像中,屬于缺陷的像素點能夠被準確清晰地分割出。為了清晰地表達缺陷位置，對聚類后的缺陷圖像做二值化處理，結果如圖5所示。

圖5 織物缺陷檢測結果Figure 5 Detection results of fabric defect

3 結語

課題組針對織物缺陷的自動化檢測提出了一種基于L0梯度最小化平滑和K-Means聚類的檢測方法。為了降低缺陷圖像背景和噪聲點的影響，通過實驗的方法給出了最佳平滑參數的取值，為后續缺陷分割提供了高效穩定的保障。缺陷檢測利用K-Means算法直接完成缺陷像素點和非缺陷像素點的聚類，從而實現織物缺陷的自動化檢測。實驗結果證明：課題組提出的檢測方法可靠性較高，提高了檢測效率，降低了檢測時間。將來計劃對檢測算法做適當的修改，使得算法對缺陷檢測率更高，更好地適應工業生產。依據文中提出的方法，構建一套數碼印花織物點狀缺陷檢測系統是下一步的研究重點。