織物疵點檢測系統組件及選擇

1 引言

在紡織行業中，疵點檢測是織物品質管理的重要環節，織物疵點檢測系統的效率及效果直接影響紡織產品的質量及價格[1]。織物疵點檢測是一項極具挑戰性的任務。在計算機視覺技術出現之前，紡織行業主要依靠人工檢測織物生產過程中的疵點，但人工缺點很多，如：注意力不集中、易疲勞、耗時等常常導致檢測結果不準確，細小的缺陷往往不能被發現等，因此檢測的一致性及效率都很難保證。在上世紀80年代，計算機視覺技術以及數字圖像處理和分析技術開始發展并被廣泛應用于各個領域，基于這些技術的織物自動檢測成為提高織物質量的有效手段，不僅在提高織物質量及降低人工成本方面發揮著不可替代的作用，而且順應了紡織工業自動化、智能化、高效化的發展趨勢[2]。

2 基于計算機視覺技術的織物疵點自動檢測概述

計算機視覺是指使用計算機而不是人眼來測量和判斷結果。它借助圖像獲取設備，將采集的目標轉換為圖像信號，然后將其發送到計算機進行處理和分析。計算機視覺可以自動適應環境，其最終的研究目標是使計算機能夠像人眼一樣觀察、追蹤、測量目標。

基于計算機視覺的織物疵點自動檢測原理是，首先由相機拍攝圖像，然后通過采集卡發送到計算機，用軟件對圖像進行預處理、提取特征并進行進一步分析，根據獲得的圖像特征對比參照物數據用于判斷織物是否存在疵點，并進一步分析疵點的類型（圖1）。

圖1 計算機視覺檢測系統組成

3 織物疵點檢測系統組件選擇

3.1 相機選擇

上機織物圖像采集難以獲得高質量圖像的限制因素之一是相機的選擇。一般有兩種相機用于織物疵點檢測：線陣相機和面陣相機。線陣相機可以高速地以線條的形式從織物表面獲取圖像。線掃描攝像機必須通過編碼器與運動的織物同步，利用攝像機-編碼器接口應用程序來獲得機上織物的真實運動方向。面陣相機可能會以較低的速度獲取織物圖像，但它獲取的織物圖像可能是模糊的（見圖2）[3]。

圖2 織物面陣相機掃描圖像（左：織物靜止；右：織物運動）

為了消除面陣相機獲取的圖像中的模糊，在分析高速物體時，首選的應是線陣相機。現今，140千赫（1秒內約14萬行圖像數據）的線陣高速相機已被生產出來。因此，在對織物進行靜態分析時，應采用面陣相機，而對運動織物進行分析時，應使用線陣相機。

3.2 鏡頭選擇

相機能拍到的區域和視野取決于使用的鏡頭。因此，應根據傳感器的工作距離、視野和大小來選擇最合適的鏡頭。要求的圖像大小、形狀和清晰度直接關系到鏡頭的選擇，為此，應計算焦距（f值）。f值可以通過以下公式計算：

其中B和A分別是圖像大小和對象大小。b和a分別是圖距和物距（圖3）。

圖3 圖距、物距及鏡頭焦距示意圖

每個鏡頭都有固定的焦距（FFL）值。在實際應用中可以選擇焦距為f的計算值或f－2≤FFL≤f+2的任何鏡頭。為了獲得最佳質量的圖像，研究及生產人員應考慮放大系數。在工業圖像處理應用中，要求放大倍數大于1:10（傳感器尺寸：物體尺寸）。

3.3 照明方式及光源

光照是許多機器視覺和圖像采集系統的一個基本要素。目前有4種不同的照明技術被應用于自動織物控制系統——正面、背面、光纖和結構照明技術[4]。正面照明技術通常用于檢測厚織物，其光源與織物前面的攝像頭在同一位置。背面照明技術常被用來消除半透明織物結構中的重影[5]。與正面照明相比，位于織物背面的線光源可以使我們獲得對比度更合適的圖像。光纖照明是一種比較新穎的節能照明技術[6]，但在紡織檢測中，對于寬度大于1.82m的織物圖像，光纖照明方式不經濟。結構照明系統中使用了紅外光和高幀頻攝像機，能夠區分有瑕疵和無瑕疵的織物圖像。光源選擇對捕捉高質量圖像非常重要。在電磁波譜中，人眼可以看到400nm～700nm波長范圍內的輻射。LED照明可提供接近人眼的照明質量。因此，在近幾年發展起來的織物控制系統中，為了實現有效且成功的機器視覺，線型LED光源是首選。

3.4 圖像采集卡

圖像采集卡的作用是作為攝像機和數據處理單元之間的數據傳輸單元。要將圖像從相機傳輸到數據處理單元，必須快速存儲和傳輸每條信息。由于織物疵點檢測過程需要高速線陣相機，因此圖像采集卡是必需的。此外，圖像采集卡可以將從多個攝像頭產生的數據同時傳輸到計算機。

4 織物疵點檢測系統組件選擇面臨的難點

4.1 織物紋理復雜多變

目前的織物原材料主要包括纖維和紗線。通常來說，機織物是一種結構化材料，由大量形狀固定（原材料決定）的重復結構單元組成。然而，由于原料彈性和編織參數的影響，織物的紋理通常顯示出顯著的隨機性，這種現象在高密度平紋織物尤為明顯。這些因素給捕獲具有通用性的圖像特性方面帶來了很大困難。

4.2 疵點類型繁多

在織物生產過程中，大部分疵點的產生都是由于原材料本身的缺陷或者織機的故障，這使得機織物疵點形狀、大小、結構都具有顯著的隨機性。鑒于此，想要采集所有類型疵點建立樣本數據庫對檢測系統組件進行選擇及對算法進行優化近乎不可能。

4.3 檢測系統和算法難以滿足實時運行要求

疵點檢測的進行需要實時在線檢測，單位時間內處理的數據量巨大。例如，假設檢測所用分辨率為7像素/mm，若要以30m/min的速度完成幅寬為2m布匹的實時檢測，采用灰度圖像進行檢測時每秒需要處理的數據量約為49MB （7×2000×30000/60×7），彩色圖像的數據量則為灰度圖像的數倍[7]。因此，高性能硬件的選擇和高精度算法的實現難度很大。

5 織物疵點檢測方法概述

目前已建立多種織物疵點檢測方法，主要包括：基于統計的方法、基于結構的方法、基于頻譜的方法、基于模型的方法和基于學習的方法。由于每種方法是使用不同的數據庫、不同的參數和不同的成像系統進行的，這些方法的有效性和可靠性不夠客觀。因此基于深度學習的疵點檢測成為近年來研究的熱點，神經網絡在特征提取、分割和優化等方面有著廣泛的應用。利用深度學習技術融合顏色和紋理等特征可能是未來的一個方向。在這一領域，實時疵點檢測仍然是一個開放的研究領域，針對實時應用的研究模型報道較少。未來，利用計算成本較低的小型設備進行疵點檢測將是紡織行業的一個關注點，這對檢測系統的有效構建帶來了新挑戰。

6 結語

傳統上，織物質量的檢測靠人工來完成，但其會導致生產率低下，市場損失較高。近些年來，計算機視覺技術逐漸被應用于紡織品檢測領域。雖然國內對于織物疵點檢測系統的研究比國外起步晚，但是近些年發展迅速，取得了豐碩的成果，具有廣泛的市場前景。迄今為止已經發展了多種織物疵點檢測方法。但目前來說，由于織物類型及缺陷類型多種多樣，兼具通用性和有效性的自動實時疵點檢測系統及可以在所有織物類型上運行的單一方法還沒有被開發出來，因此合理配置硬件是織物質量檢測工作的基礎。綜上所述，織物疵點自動檢測系統組件的優化選擇及多種檢測方法的結合使用可能是未來研究的重點。本文對紡織品疵點檢測系統組件選擇及在這一過程中面臨的或亟待解決的困難進行了簡要介紹和探討。希望為研究紡織檢驗中計算機視覺技術應用及系統組件選擇提供一定的參考。