織物表面疵點檢測方法的設計與實現

俞新星　任勇　支佳雯

摘要：針對傳統織物生產企業中，人工檢測織物存在瑕疵檢出效率低、誤檢率高的問題，提出了一種織物表面疵點檢測方法。該方法首先采用高斯濾波、線性歸一化以及限制對比度自適應直方圖均衡化對織物表面圖像進行預處理，從而有效增強圖像中的疵點表現細節，然后通過改進的Gabor優化選擇，再對選擇后的圖像進行初分解，從中挑選出最優濾波圖像進行二值化處理，最后運用統計學方法進行疵點判斷并獲得最終結果。該方法實現簡便、硬件要求低、適應性廣，可用于判斷織物表面是否含有疵點，并定位疵點。實驗證明，織物表面疵點檢測準確率高達95.38%。

關鍵詞：織物疵點檢測;Gabor優化選擇;直方圖均衡化;線性歸一化

中圖分類號：TS103;TP391

文獻標志碼：A

文章編號：1009-265X（2021）01-0062-06

Abstract：Toaddresstheproblemsoflowdefectdetectionefficiencyandhighfalsedetectionrateofmanualfabricdetectionintraditionalfabricmanufacturingenterprises，afabricsurfacedefectdetectionmethodisproposed.Forpurposeofthismethod，theGaussianfilter，linearnormalizationandlimitedcontrastadaptivehistogramequalizationareadoptedforpreprocessingfabricsurfaceimages，todisplaydetectdetailsoftheimagesclearly.Secondly，theselectedimagesarepreliminarilydecomposedviaimprovedoptimalGaborfilter，withaviewtopickingouttheoneswiththeoptimalfilteringforbinarizationprocessing.Lastly，defectjudgmentisconductedbymeansofstatisticalapproach，andthefinalresultisobtained.Themethodiseasytooperate，haslowrequirementsintermsofhardware，andisofwideadaptability.Itcanbeusedtojudgethepresenceofdefectsonfabricsurface，andlocatethem.Themethodisprovedtohaveanaccuracyrateoffabricsurfacedefectdetectionashighas95.38%throughexperiments.

Keywords：fabricdefectdetection;optimalGaborfilter;histogramequalization;linearnormalization

作者簡介：俞新星（1998-），男，江蘇如皋人，2017級軟件工程專業本科生。

織物的疵點檢測是紡織工業中一項十分重要的環節。傳統的織物疵點檢測通常由人工完成，缺乏統一的疵點評判標準，且存在檢測速率與精度低、漏檢與誤檢率高等問題[1]。因此尋求快速精確檢出織物疵點的方法成為現代化紡織業亟需解決的問題。

目前普遍采用機器視覺的方法進行織物疵點檢測。其中，織物瑕疵特征提取算法是織物疵點檢測的核心，針對織物疵點檢測算法主要基于模型的方法，有基于統計學的方法，基于譜分析的方法等。基于模型的方法需要構建模型并對各種織物瑕疵進行提取與訓練，Ngan等[2]運用基元的對稱性在不同基元之間移動計算能量方差，運用統計學方法得出方差的邊界條件，進而識別疵點;基于統計學方法主要是利用像素的統計特征進行瑕疵檢測，Aura等[3]運用分形維理論檢測織物表面的疵點，其準確率高達96%，但是精準度不高，Bodnarova等[4]采用結構文理分析方法，用來自多模板的相關系數產生疵點的相關映射圖，該方法魯棒性不強，容易受到外界因素的干擾，且在特殊模板與窗口尺寸的選擇上擁有困難;基于譜分析的方法主要基于傅里葉變換、小波變換或者Gabor變換等將織物圖像轉換到頻域來實現瑕疵檢測，其中由于Gabor變換具有時頻分析的特點[5]可以對圖像進行全方位多尺度分析，因此有利于提取織物局部表面凹凸不平的溝紋特征、織物光滑表面的圖案特征和方向特征，并且Gabor變換對噪聲或光照變換等外界干擾因素具有很強的魯棒性。因此Gabor變換廣泛應用于織物的疵點檢測中。

1Gabor濾波的改進

Gabor濾波檢測方法主要分為兩大類：Gabor優化選擇[6]與多通道Gabor濾波融合[7]，其中多通道Gabor濾波融合主要是采用奇數對稱Gabor濾波器與偶數對稱Gabor濾波器組成的濾波器組濾波，然后采用伯努利組合法則融合兩個通道濾波后的圖像，再進行后續處理，該方法運算量大，不具有實時性，應用于工業生產受到限制。Gabor濾波優化選擇是根據一定規則從不同通道的濾波后圖像中選取出最優的圖像進行后續處理，該方法在保證檢測正確率的前提下，能夠盡可能減少運算時間，擁有很強的實時性，適用于工業生產。

其中Kumar等[8]提出了一種代價函數判斷選擇方法，在濾波器理想的條件下，用該濾波器分別處理帶有疵點的織物圖像與無缺陷的織物圖像，計算濾波后圖像中的像素均值，由于帶有疵點的織物圖像濾波后的圖像中一般只含有背景區域和瑕疵區域，因此帶有疵點的織物圖像像素平均局部能量很高，無缺陷的織物圖像像素平均局部能量很低，通過這一特點可以構建代價函數可用于實現平均局部能量的最大分離，從而在一定程度上實現優化選擇。該優化選擇代價函數的總體思路為：設置K個尺度，M個方向的濾波器組濾波，得到K×M幅濾波后圖像，再將各幅濾波圖像分割為S個獨立的子塊，其計算見式（1）。

求取最優濾波通道，故選擇代價函數最大的通道為最優濾波通道。

雖然Kumar等提出的代價函數判斷選擇方法效果較為理想，但是文獻[9-10]中分別指該方法不適合大面積型瑕疵的檢測，分塊大小的選擇對優化選擇的影響較大。除此之外，由于選取的單張圖片具有隨機性，該算法魯棒性較差。

本研究對Kumar選擇方法進行優化，為了避免產生基于單個像素級別的偏差，選取帶有疵點的織物圖像與無缺陷的織物圖像濾波后的圖像的全局偏差來實現優化選擇。首先通過處理P幅標準無瑕疵圖像求得各個濾波通道的標準像素值，再將第i個濾波器濾波后圖像分割成S個大小的子塊并求取每個子塊均值，計算每幅圖像中各子塊像素與對應通道標準像素均值之差的平方和，并根據式（3）求取最優濾波通道。

改進后的選擇方法具有計算量小的優點，削弱了的取值對優化選擇的影響，通過對多幅圖像的運算降低了各通道標準均值數值的偶然性，并且避免了均值比方法帶來的瑕疵信息被均勻化的缺點。

2織物瑕疵檢測方法的設計與實現

基于改進Kumar優化選擇方法，本研究設計了一種織物疵點檢測方法，主要分為4個步驟：a）對傳入的圖像進行預處理，凸顯圖像疵點特征;b）構建標準圖像多通道濾波后各通道標準參數庫，實現測試圖像多通道濾波;c）將測試圖像多通道濾波后的數據實行優化選擇，二值分割等操作;d）通過統計學方法實現織物疵點檢測判斷。本研究設計的織物瑕疵檢測方法完成過程如圖1所示。

2.1圖像預處理

圖像預處理是為了削減混入織物圖像的噪聲，突出織物疵點信息，減少光照不均等環境因素帶來的影響，使得織物圖像便于后續的特征提取。

雖然通過圖像的簡單灰度數據縮放可以去除抑制環境因素帶來的影響，但是削減噪聲的同時也導致了疵點數據的丟失，由于收集到的圖像為RGB三通道圖像，其數據量較大，因此直接采用灰度數據縮放處理的方式處理圖像不具有實時性，為了便于加快后續算法處理與適應程序處理中的特殊條件，將收集到的RGB三通道圖像通過加權平均法轉化為灰度圖像。

為了將圖像中的局部高帶通能量區域轉變為強灰度分布區域，將織物圖像通過高斯濾波器進行平滑操作，因為織物圖像的光譜特征與紗線密度以及織造圖案密切相關，本研究處理的是不含織造圖案的單色織物，高斯濾波器對于織造圖案的影響仍有待研究，若織物紗線密度高其頻譜具有高頻成分，需要采用較小尺寸的窗口模板，相反，對于紗線密度低的織物則需要采用較大尺寸的窗口模板，試驗證明將窗口模板大小設置為織物紋理的最小周期，會使平滑操作達到最佳效果。緊接著，為了將圖像轉換成唯一的標準形式以削減幾何變換對圖像帶來的影響，從而突顯圖像中的常量，本研究將通過高斯濾波器處理后的織物圖像代入式（4）、式（5）進行線性歸一化處理。

式中：g（i，j）為經過高斯濾波器平滑后的圖像在（i，j）處的像素值，p（i，j）為原圖像在處的像素值，src（i，j）為經過初步處理后的圖像在（i，j）處的像素值，min（src（x，y））表示經過初步處理后的圖像中像素值的最小值，max（src（x，y））表示經過初步處理后的像素中圖像像素值的最大值，min表示圖像歸一化所能接受的最小值，max表示圖像歸一化所能接受的最大值。

最后，為了使得處理后的織物圖像具有較高對比度與較大動態范圍，本研究采用限制對比度自適應直方圖均衡化處理[11]的方法將圖像像素值占有盡可能多的灰度級并均勻分布。經過圖像增強處理后的測試圖像如圖2所示。

其中左邊為測試圖像，右邊為圖像增強后的圖像，可以看出，相較于左邊，右邊圖像中疵點部分的像素明顯得到了增強。

2.2疵點識別

首先設置好一組3×4的Gabor濾波器組，其中濾波器方向為0、π3、2π3，波長設置為2、8、16、32px，尺度設置為l即織物紋理的最小周期，將多幅無疵點標準圖像與測試圖像先后通過設計好的濾波器組濾波，在無疵點標準圖像通過濾波器組濾波處理后，求得各個通道濾波后圖像的標準平均像素值

并記為E。在無疵點標準圖像通過濾波器組濾波處理后，根據式（3）確定最優濾波通道，選擇最優濾波圖像。

在最優濾波圖像中的疵點區域與常規織物區域存在較大的能量差，根據這一特點本研究采用二值分割的方式區分疵點區域與常規織物區域，在最優濾波圖像中大于閾值k的部分將被認定為疵點部分，小于閾值k的部分將被認為常規織物部分，閾值的選定直接決定了二值分割的效果，為了提高系統的魯棒性，增加閾值的靈活性與適應性，采用大津算法[12]實現動態閾值分割。

最后經過形態學處理，將疵點部分特征放大，并消除部分噪聲的干擾。在通過實際測量261張不同種類的疵點圖像與正常圖像經過處理后黑白像素比重，設置測試圖像經過處理后白色像素點占比大于0.04%的為疵點圖像，如圖3所示，本研究設計的方法能夠精準地識別樣本中是否含有疵點，并可以對疵點進行定位。

3結果與分析

實驗計算機硬件環境：處理器為Intel（R）Corei5-7300HQCPU（2.50GHz）、內存16GB、圖形處理器NVIDIAGeForceGTX1050Ti（4G）。使用Python語言進行編程，對標稱規格為4444（經密44根/cm、緯密44根/cm），組織循環數為2的織物進行圖像采集，采集的織物圖像均采用JPG格式，最終的樣本圖像尺寸均為2448像素1200像素，織物紋理最小周期為5像素。采集的樣本圖像中共包含18類疵點，疵點類型包括擦傷、空織、油污、斷緯、斷經、緊邊、色點、竹節、停車擋、色差、多復合疵點等，為了評價方法實際應用時的檢測效果，通過檢測1538張圖像并根據式（6）、式（7）、式（8）、式（9）分別求得準確率、查準率、特異性、召回率。

式中：TP為被正確地劃分為正例的樣本數，FP為被錯誤地劃分為正例的樣本數，FN為被錯誤地劃分為負例的樣本數，TN為被正確地劃分為負例的個數。準確率用于評估模型的全局精準程度。查準率又稱為精準率，用于描述在預測為正例的樣本中實際為正例樣本的比例。特異性用于描述在實際為負例的樣本中預測為負例樣本的比例。召回率又稱為查全率，用于描述在實際為正例的樣本中預測為正例的比例。

得出結果：判斷有無疵點的準確率為95.38%，查準率為94.82%，特異性為92.44%，召回率為97.45%。檢測結果如表1所示。

本研究重點分析了誤檢圖像，在預測有疵點但是實際無疵點的圖像中，含有織物褶皺的圖像占比高達72.9%，通過查看過程處理結果本研究發現因為織物褶皺導致圖像像素點分布不均勻，導致圖像含有油污疵點的部分特征，采用該方法識別易將褶皺識別為大面積疵點。在預測無疵點但是實際有疵點的圖像中，不明顯的斷經斷緯疵點、停車擋、色差等疵點占比較小或不明顯的圖像，采用本研究方法識別易將疵點圖像識別為標準圖像。預測有疵點實際無疵點的誤檢圖像分析如表2所示，被誤檢的圖像經過本研究方法的結果如圖4所示。

4結語

本研究設計了一種織物瑕疵檢測方法，首先對圖像進行增強，后將圖像通過Gabor濾波分解，根據代價函數在子圖像中分揀出最優濾波子圖像，繼而采用形態學與統計學操作最終較好地滿足疵點識別的需求。該方法針對破洞、油污、復合瑕疵等疵點具有很好的識別能力，對褶皺、不明顯的斷經、斷緯、色差等疵點識別能力偏弱。本研究設計的方法只能提供有無疵點的二元判斷，不能將疵點進行詳細分類，因此降低褶皺等疵點誤檢，疵點類型分類與識別是下一步的研究重點。

參考文獻：

[1]李文羽，程隆棣.基于機器視覺和圖像處理的織物疵點檢測研究新進展[J].紡織學報，2014，35（3）：158-164.

[2]NGANHYT，PANGGKH，YUNGNHC.Motif-baseddefectdetectionforpatternedfabric[J].PatternRecognition，2008，41（6）：1878-1894.

[3]AURAC，CLAUDIABP.Afractalimageanalysissystemforfabricinspectionbasedonabox-countingmethod[J].ComputerNetworksandISDNSystems，1998，30（20）：1887-1895.

[4]BODNAROVAA，BENNAMOUNM，KUBIKK.DefectdetectionintextilematerialsbasedonaspectsoftheHVS[C]//ProcSMC.SanDiego，CA：IEEEPress，1998：4423-4428.

[5]GABORD.Theoryofcommunication[J].IeeProcLondon，1946，93（73）：58.

[6]MAKKL，PENGP.AnautomatedinspectionsystemfortextilefabricsbasedonGaborfilters[J].RoboticsandComputerIntegratedManufacturing，2008，24（3）：359-369.

[7]何薇，白瑞林，李新.基于Gabor小波和神經網絡的布匹瑕疵檢測[J].計算機工程與應用，2016，52（12）：231-234.

[8]KUMARA，PANGGKH.DefectdetectionintexturedmaterialsusingGaborfilters[J].IEEETransactionsonIndustryApplications，2002，38（2）：425-440.

[9]李益紅，盧朝陽，李靜，等.一種新的Gabor優化選擇檢測算法及應用[J].計算機工程與應用，2012，48（5）：4-6，11.

[10]趙宏威，王亦紅.基于改進Gabor優化選擇的布匹瑕疵檢測方法[J].計算機工程與應用，2019，55（24）：202-207.

[11]劉德全，崔濤，楊雅寧.局部對比度自適應直方圖均衡化圖像增強的算法研究[J].信息與電腦（理論版），2016（7）：79-80.

[12]李了了，鄧善熙，丁興號.基于大津法的圖像分塊二值化算法[J].微計算機信息，2005（14）：76-77.