织物疵点识别研究

纺织品在生产过程中以及在进入市场之前必须经过各种各样的检验和测试，其中疵点检测是最为主要的部分。目前，织物疵点的检测主要还是由人工视觉离线检测来完成［1-3］，该方法存在检测速度低、验布结果受验布人员主观影响较大，误检率和漏检率高等缺点。 基于以上原因，织物疵点的自动检测是近年来国内外学者共同关注和研究的热门课题之一。利用计算机图像处理技术，可以提高纺织品测试的准确性、快速性和全面性，为企业在线控制和提高纺织品质量提供保障。织物疵点的图像识别是指按照某一种算法对织物表面图像进行处理并识别出疵点种类、程度等的方法［2］。 国外对织物疵点自动识别的研究已有20 多年，发展较为成熟，目前比较有影响的系统有：瑞士Uster公司的Fabriscan 系统［3-5］、德国Obdix光电子技术公司的在线织物检验系统［5-6］和以色列EVS 公司的I－TEX系统［3-5，7，9］。这些自动验布系统的组成和特点如下［10］: (1) Uster 公司的Fabriscan自动验布系统［8］，采用神经网络技术，检测时首先是初始的学习阶段，用时约1 min，对织物的第1 m记录其正常外观特征参数，然后进入检测阶段，寻找与正常外观不同的局部异常，并对其分析、标记和记录。另外，检测结果可输入集成的质量管理系统，以便对疵点分类，进一步对织物质量进行评价。 (2) 德国Obdix 光电子技术公司开发的在线织物检验系统是把光学和力学结合在了一起，在用神经网络方法处理的软件支持下，用传感器对正在织造的织物表面进行检测。这个装置能分类如下疵点：污物、破洞、断经、断纬、跳纱、结子、接结疵和色疵。 (3) 以色列EVS 公司的坯布自动检测系统其核心装置I-TEX 是一套观察检测系统，该系统基于独立图象理解算法，而其算法则模仿人类的视觉机制，可自动控制探测、保存、定位，并进一步对布面上的疵点进行评估分析。能检测出小至0.5 mm的可见疵点，检测门幅达330 cm。 ? 二、研究的基本内容与拟解决的主要问题 我国织物疵点检测的研究起步较晚，研究内容主要为疵点识别的算法，特征提取方法涉及空间域的纹理分析、灰度共生矩阵等算法，频率域的小波变换算法等，疵点判定和分类多使用BP神经网络。在现有的算法中，还没有一种是完美无暇的，各种算法都有不同的缺陷和弊端。 １. 1 　灰度匹配法［２，４］ 它一般通过将待检织物与无疵点样布进行灰度比较，求出两者灰度的一种度量差，再与设定阈值比较来对待检织物做出判断。这种方法比较简洁，但它对外界条件的要求高，如恒定的照明条件等，且阈值的选取带有主观因素。 １. 2 　形态法［２，４］ 该方法首先根据标准无疵点织物图像的自相关函数计算织物的基本重复单元；然后计算有疵点织物图像像素点的灰度均值及标准差，并根据它们确定织物图像疵点区域与无疵点区域的判别阈值。这种方法能够判断具体疵点的类别，但由于它要对像素点进行逐点二值化，因而受噪声的影响大，容易引起错误检测。 １．3 ?灰度共生矩阵法［４］ 灰度共生矩阵属于二阶统计量，它广泛地应用在诸如木材及金属表面的缺陷自动检测中。也有学者试图将它用于织物疵点的自动检测中，例如，采用灰度共生矩阵与神经网络或者专家系统相结合对织物疵点进行自动检测。这些方法的优点在于其检测不受疵点种类的限制且不需要选择阈值作为待检测织物进行判断的依据；但由于灰度共生矩阵本身的计算和相应纹理特征的提取都需要进行大量计算，从而为实现实时检测带来了困难。 １.４? 纹理模型法［12］ 该方法对一些纹理情况有周期性变化的图像比较有效。其原理：首先根据无疵点样布的图像估计该随机场模型参数，并以此为匹配模板。例如，织物没有疵点的话，它表面的纹理变化是具有周期性的，如果有疵点，它就没有周期性，把这个可作为疵点判别的依据。该方法的最大优点在于采用较少的随机场模型参数表示一幅织物图像，同时又因为其模型参数的估计算法的效率高，从而减少了织物图像分析的总体计算量；其次，由于该方法从图像时域信号统计的角度出发，它对织物疵点的检测不受该疵点类别的限制。这种方法的不足在于仅仅通过随机场模型并不能最大限度地降低图像分析的计算复杂度和提高图像处理的速度，因而还不能实现织物疵点的快速自动检测。 １. ５基于傅立叶变换的方法［３－４］ １．５．１ 基于傅立叶变换的检测算法(FT) 由于纹理信号的重复性使基于傅立叶变换的方法较适于采用频谱方法进行分析。但由于FT缺乏空域中的定位能力，因此只适合于检测全局瑕疵(如shrinking 等)，而不适合检测局部瑕疵。 １．５．２ Short- time 傅立叶变换(STFT)的方法 这种方法具有空域定位能力，具有空频域结合(joint spatial－frequency)的分析能力。它的缺点是对域值的选取很敏感，误检率较高，并且计算量很大。 １. 6? ?基于小波变换的方法［4，10］ 该方法一般情况下首先获取织物图像，然后作小波分解并计算分解后子图像的特征值。该方法具有多分辨率的特点，以及在时、频两域表征信号局部特征的能力，非常适合检测信号的奇异点，便于织物疵点检测，有利于织物疵点正确定位。在解决工程实际应用中的小波分析问题时，针对具体工程实际问题的要求，确定符合实际应用要求的小波滤波器系数成为一个值得考虑的难点。 １. 7?? 神经网络法［4，13］ 神经网络技术基本构造是神经元，各神经元是连在一起的，对信息共同进行识别处理。其基本工作原理是：先对所要进行识别的图像进行处理找出其特征值，然后用一种神经网络算法，例如，B P(误差逆向转播) 算法，进行训练网络，也就是先设定一个期望值，通过计算算出期望值和输出层间的误差，经重复运算使误差变得最小，使网络实际输出跟期望输出接近，当误差变得达到某一个值时停止训练；最后用训练好的网络对模板样本进行识别。在国外神经网络用得较多的是基于傅立叶变换和小波变换的神经网络识别方法。也就是先对织物图像进行FFT (快速傅立叶变换) 或小波变换后，它在频域上提取了更多的织物图像特征参数；然后通过训练神经网络来对待检织物进行评判。这种方法的缺点是，可能因为特征值选择的不适合或者不足，造成检验结果的不可靠。