坯布疵點(diǎn)實(shí)時檢測系統(tǒng)的軟件設(shè)計

摘要：介紹了基于機(jī)器視覺的坯布疵點(diǎn)實(shí)時檢測系統(tǒng)軟件部分各主要環(huán)節(jié)的具體實(shí)現(xiàn)。該系統(tǒng)運(yùn)用修正的自適應(yīng)鄰域平均法增強(qiáng)坯布疵點(diǎn)圖像的質(zhì)量，用自動閾值法將疵點(diǎn)從背景中分割出來，并利用去除雜點(diǎn)法對分割后的二值圖像進(jìn)行濾波。以提取出的周長、面積、不變矩等為特征，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分類器對常見的九種疵點(diǎn)進(jìn)行了分類，識別正確率達(dá)到了95.7%。

關(guān)鍵詞：坯布疵點(diǎn)；圖像處理；特征提取；識別

中圖分類號：TP391．41文獻(xiàn)標(biāo)志碼：A

文章編號：1001－3695(2007)05－0190－02



織物疵點(diǎn)是影響紡織品質(zhì)量的重要因素。常見的織物疵點(diǎn)不僅包括后織過程中的松經(jīng)、浪紋、百腳、緯縮、破洞、爛邊等，還包括紡織原材料中攜帶的雜質(zhì)（如毛發(fā)、尼龍草）等。目前對于織物疵點(diǎn)的檢測大多依靠人工目測的方法來完成，不但存在勞動強(qiáng)度大、效率低等缺點(diǎn)，還會對驗布工人的視覺造成嚴(yán)重的傷害。因此本文提出了一種基于機(jī)器視覺的坯布疵點(diǎn)實(shí)時檢測方法，即通過計算機(jī)視覺、圖像處理與模式識別技術(shù)相結(jié)合[1]，對常見的坯布疵點(diǎn)進(jìn)行實(shí)時檢測與分類識別。

1總體設(shè)計

該檢測系統(tǒng)軟件利用Visual C++ 6.0可視化語言面向?qū)ο缶幊痰奶攸c(diǎn)，結(jié)合OK_C30S圖像卡提供的API函數(shù)，編寫了基于MFC框架的Windows應(yīng)用軟件[2]，總體框圖如圖1所示。

具體工作流程如下：首先用系統(tǒng)的硬件裝置完成疵點(diǎn)圖像的獲取，統(tǒng)計灰度值快速判斷該圖像是否有疵點(diǎn)存在。若有疵點(diǎn)，則調(diào)用后續(xù)處理軟件對其進(jìn)行處理。其中，圖像處理和分析完成了對圖像的濾波、目標(biāo)分割和二值化；特征選擇和提取環(huán)節(jié)提取出二值化圖像的面積、周長、復(fù)雜度、不變矩等16個形態(tài)學(xué)特征，并將16維特征向量壓縮到7維。分類識別環(huán)節(jié)是運(yùn)用神經(jīng)網(wǎng)絡(luò)分類器對九類疵點(diǎn)進(jìn)行識別，并最終給出檢測結(jié)果和防治措施。

2圖像增強(qiáng)

在疵點(diǎn)圖像獲取的過程中，要經(jīng)過攝像頭的捕獲和圖像采集卡的采集等中間過程。在這個過程中，存在機(jī)械振動、光照不均勻等各種各樣的噪聲，因此必須對圖像進(jìn)行增強(qiáng)（濾波）處理。本系統(tǒng)采用一種修正的自適應(yīng)鄰域平均法[3]，算法如下：

3圖像分割與濾波

圖像分割是把坯布疵點(diǎn)從背景中分割開來，形成二值化圖像，以利于后續(xù)的特征提取與識別，分割的精確程度至關(guān)重要。這里選用了自適應(yīng)能力較強(qiáng)的迭代閾值法[4]，它能夠應(yīng)對各種意外的情況，而且對本系統(tǒng)來說分割效果也很好。具體求解過程如下：

疵點(diǎn)圖像經(jīng)二值化分割后，其背景圖像可能含有一些孤立點(diǎn)噪聲。本系統(tǒng)采用的是去除雜點(diǎn)的方法來進(jìn)行去噪聲處理的，具體算法是：掃描整幅圖像，當(dāng)發(fā)現(xiàn)一個白點(diǎn)時，就考慮和該白點(diǎn)間接或直接相連的白點(diǎn)的個數(shù)有多少，如果大于一定的值，就說明該點(diǎn)不是離散點(diǎn)，否則就是離散點(diǎn)，需將其去掉。后經(jīng)迭代閾值法對圖像進(jìn)行處理并去除雜點(diǎn)后，圖2（b）的處理效果如圖3（b）所示，實(shí)驗證明該方法編程簡單，處理效果較好。

4特征提取和分類

充分利用疵點(diǎn)本身所具有的形態(tài)學(xué)特征，提取了面積、周長、復(fù)雜度、偏心率和不變矩等16個特征，形成原始特征空間；利用特征選擇的方法對原始特征空間進(jìn)行壓縮，提取出了適合本系統(tǒng)的七個有效特征[5]。本系統(tǒng)以九類疵點(diǎn)的學(xué)習(xí)樣本集設(shè)計三層BP網(wǎng)絡(luò)，用來識別九類疵點(diǎn)。用基于對九類疵點(diǎn)原始特征空間的處理而形成的低維特征作為輸入。在輸出層，則需要有九個神經(jīng)元。選擇log－sigmoid函數(shù)作為節(jié)點(diǎn)傳遞函數(shù)。目前，在網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)選擇中，大多還是依靠經(jīng)驗和猜測；通過借鑒以前的設(shè)計經(jīng)驗，此處隱層設(shè)定為15個神經(jīng)元，其網(wǎng)絡(luò)為Net（7×15×9）。

建立網(wǎng)絡(luò)后，訓(xùn)練網(wǎng)絡(luò)。為了使產(chǎn)生的網(wǎng)絡(luò)對輸入向量有一定的容錯能力，先用理想的輸入信號對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到其平方和誤差足夠小；使用理想信號和帶有噪聲的信號對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)學(xué)習(xí)的速率和沖量參數(shù)設(shè)置為自適應(yīng)改變，使用快速BP算法對前向網(wǎng)絡(luò)進(jìn)行快速訓(xùn)練[6]。網(wǎng)絡(luò)的訓(xùn)練過程誤差變化情況如圖4所示。訓(xùn)練完成后，用現(xiàn)場采集的200多幅坯布疵點(diǎn)樣本圖像進(jìn)行分類，正確識別率達(dá)到了95.7%。表1為其中九個疵點(diǎn)圖像的識別結(jié)果。為了清楚起見，測試樣本i（i=1，2，…，9）是從相應(yīng)的第i(i=1，2，…，9)類疵點(diǎn)的眾多樣本中隨機(jī)抽取的樣本。

5結(jié)束語

該系統(tǒng)能夠?qū)崟r給出疵點(diǎn)的種類、密度等信息，可為企業(yè)管理決策和坯布疵點(diǎn)防治提供準(zhǔn)確及時的質(zhì)量信息，有利于降低勞動強(qiáng)度，提高產(chǎn)品質(zhì)量，促進(jìn)紡織企業(yè)生產(chǎn)效率的提高。

參考文獻(xiàn)：

［1］KUDO M， SKLANSKY J.Comparison of algorithms that select features for pattern Classification[J].Pattern Recognition，2000， 33(1):25－41.

[2]石祥生，翟炯，石秋云.Visual C++ 6 使用指南[M]. 北京:電子工業(yè)出版社，1999.

[3]章毓晉.圖像工程（上冊）——圖像處理和分析[M].北京: 清華大學(xué)出版社，2000.

[4]何斌，馬天予，王運(yùn)堅，等.Visual C++數(shù)字圖像處理[M].第2版. 北京：人民郵電出版社，2002.

[5]邱道尹，張紅濤，陳鐵軍，等. 模糊識別技術(shù)在儲糧害蟲檢測中的應(yīng)用[J]. 農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究，2002，18(2): 122－125.

[6]劉光中， 李曉峰. 人工神經(jīng)網(wǎng)絡(luò)BP算法的改進(jìn)和結(jié)構(gòu)的自調(diào)整[J].運(yùn)籌學(xué)學(xué)報，2001，5(1):82－88.

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”