機器視覺在織物疵點檢測中的應用進展

徐偉鋒 戴明宏 朱 丹 馬方毅

（紹興職業技術學院，浙江紹興，312000）

隨著智能制造的推廣和高品質紡織品需求的提升，紡織行業對生產過程、產品質量以及品質要求也需要相應大幅提升。其中，織物疵點是影響產品品質的主要原因，成為紡織品質量把控的重要環節［1］。目前，我國大部分紡織企業的織物疵點檢測還采用人工檢測的方式，自動化程度不高、檢測效率低，容易造成漏檢或誤檢等現象［2］。而機器視覺作為無損傷、無接觸的自動檢測，具有生產效率高、安全可靠、自動化程度高等特點，在物件識別、產品檢測、外觀測量以及視覺定位等方面都得到了廣泛的應用，其行業應用領域涉及較廣［3］。

近年來，伴隨機器視覺和圖像處理技術的高速發展，基于機器視覺的織物疵點檢測越來越受到關注，機器視覺檢測系統也逐步得到推廣應用。如USTER公司推出基于視覺識別的FABRIQ VISION織物質量保證系統，采用光譜成像實時獲取被檢測的圖像并及時處理，但系統僅對單色織物檢測較為精確［4］。EVS公司具有獨立圖像算法的I-Tex織物疵點自動檢測系統，通過與正常織物特征進行實時對比，檢測異常變化來檢測識別疵點，并保存對應疵點圖像數據，但檢測效率并不高［5］。這些國外的檢測設備價格昂貴、維護成本高，在我國紡織行業使用率低，而國內還處在理論研究和實踐階段，相對成熟的織物疵點檢測系統較少［6］。為提高織物疵點檢測自動化程度、提升紡織品質量，結合機器視覺技術，開展織物疵點檢測研究具有實際意義和應用價值。

1 織物疵點檢測系統

縱觀織物疵點檢測技術的應用與發展，基于機器視覺的織物疵點檢測系統通過工業攝像機結合補光源實時對織物表面進行拍攝，并將獲取的織物圖像傳送到圖像采集卡進行處理和分析，其檢測系統主要由圖像采集模塊、圖像處理模塊、圖像分析模塊、系統數據管理模塊及人機交互顯示模塊等部分組成。系統硬件通常有工業攝像機、視覺工控機、PLC控制器、伺服驅動裝置、系統信息顯示等，如圖1所示。

圖1 織物疵點檢測系統硬件架構示意圖

在圖像采集模塊中，攝像機作為機器視覺檢測中最為重要的組成部分，其合理選擇非常關鍵。目前，常用攝像機光成像的傳感器主要有電荷耦合器件（Charge Coupled Device，CCD）和互補氧化物半導體（Complementary Metal Oxide Semiconductor，CMOS）。而CCD傳感器具有分辨率高、噪聲小、圖像品質好，在織物疵點檢測應用較多［7］。同時，由于織物檢測視場廣、采集數據量大以及分辨率要求高，為確保織物圖像質量，圖像采集選用多個高分辨率、高速掃描的線陣工業CCD攝像機。另外，因外界環境會產生光干擾，需增加補光源進行補光，確保圖像的質量。按補光照射方式不同，補光源可分為以直接接收目標反射光的明場光源和以間接接收目標散射光的暗場光源［8］。結合檢測織物疵點的特點和系統結構，補光源通常采用低功耗、使用壽命長、發熱小且亮度高的長條LED條形光源，與攝像機安裝在同一側，進行明場照明。

圖像處理模塊重點是對采集中受噪聲干擾的織物圖像進行處理，提高圖像清晰度，便于疵點區域與背景區域的區分，主要內容有圖像濾波去噪、增強圖像對比度和圖像疵點區域分割等。

圖像分析模塊主要是提取織物疵點目標特征，如幾何形狀特征、紋理特征以及顏色式樣特征等，進行分析和匹配，并通過特征集訓練分類，對織物疵點進行識別及分類。而織物疵點從特征來看，具有不同的幾何形狀、多種式樣以及特有的紋理分布，織物疵點種類較多，檢測難度大。

系統數據管理模塊及人機交互顯示模塊重點對圖像數據進行歸類、統計、存儲等，并在顯示終端上實時顯示織物疵點的類型、形狀和顏色等信息。

2 圖像處理和分析方法

2.1 圖像預處理算法

為減少生產現場織物圖像采集中包含的噪聲，提高圖像的質量，需進行圖像預處理。通常采用空域濾波和頻域濾波兩種算法。其中，空域濾波是在圖像空間中對鄰域內圖像像素進行平滑或銳化處理，其主要分為線性濾波（如均值濾波器、高斯濾波器）和非線性濾波（中值濾波器）兩大類；頻域濾波是對圖像特征信號的不同頻率進行圖像篩選濾波處理［9］。織物檢測具有顯著的周期性和連續性，而織物疵點常處于低頻率，所以，織物圖像濾波通常采用頻域濾波中的低通濾波器，過濾高頻背景部分，突顯出低頻疵點區域，便于織物疵點圖像的分割和區域特征信息的提取。

2.2 圖像分割算法

織物圖像經過降噪濾波預處理后，需根據圖像灰度、顏色、紋理及形狀等特征，將疵點目標區域從背景區域中分離出來。目前，常用的圖像分割算法有閾值分割法、區域分割法、邊緣檢測分割法等。

2.2.1 閾值分割法

閾值分割法是根據圖像灰度特征，按照圖像準則函數計算選定最佳灰度閾值，并通過圖像二值化，將圖像每個像素灰度值與其閾值進行比較判斷，去除無關背景區域，分割出目標區域。假設織物圖像為f(x，y)，圖像灰度級為L，灰度范圍為[0，L-1]，最佳灰度閾值為T，圖像二值化處理后的輸出圖像為g(x，y)，則圖像分割方法表達式見式（1）［10］。

在最佳灰度閾值計算中，常見的方法有直方圖閾值算法、迭代閾值算法、Otsu閾值算法。其中，基于最大類間方差的Otsu算法應用較多，當方差較大時，目標區域與背景區域之間的差別就越大，分割處理效果越好。

2.2.2 區域分割法

區域分割法是直接以區域生長或分裂合并的方式進行分割［11］。區域生長算法是從具有代表性的初始像素開始，按照與其領域相符合的像素進行合并，并指定生長停止規則，形成目標區域。而區域分裂合并算法是從采集圖像中，分裂成小區域，之后再把目標小區域合并成目標區域，算法復雜、計算量較大，同時在圖像分裂過程中有可能損壞圖像區域的邊界。所以，在實際應用中，區域生長算法和區域分裂合并算法是結合起來使用的，主要應用于復雜場景或先驗知識不足的圖像分割場景。

2.2.3 邊緣檢測分割法

邊緣檢測分割法使用檢測特定算子對圖像中目標區域與背景區域的交界線進行提取，通常采用2×2或3×3的模板作為圖像邊緣檢測的核，進行卷積運算，選取合適閾值，實現兩者的分割［12］。邊緣檢測分割算法常使用微分算子法，根據圖像鄰域像素灰度值不連續的特點，采用一階或二階導數來檢測邊緣點。其中，一階導數邊緣檢測算子計算簡單、運算速度快，但定位精度不高［13］，主要有Sobel算子、Roberts算子、Kirsch算子等；二階導數邊緣檢測算子比一階定位精度高、但對噪聲敏感［14-15］，主要有Canny算子、Laplace算子、Log算子等。所以，在使用二階導數邊緣檢測算法前，需對含有噪聲的圖像進行濾波和模糊處理。

同時，在邊緣檢測中，還出現了一些利用特定工具進行圖像分割處理的新算法，主要有小波分析和變換算法、遺傳算法、神經網絡算法等［16］。小波分析和變換算法將時域和頻域相結合進行圖像處理，對圖像多尺度的小波變換提供邊緣信息，具有良好的局部化特性。遺傳算法是參考生物自然選擇和自然遺傳機制的隨機化全局搜索算法，能提升尋優速度和質量，但局部搜索能力不強，常與其他算法結合起來應用。

2.3 織物疵點特征提取算法

織物疵點特征提取是織物圖像分析最為關鍵的內容，根據織物疵點的特點，其主要分為形狀特征、紋理特征、顏色特征等。

2.3.1 形狀特征提取算法

形狀特征提取是基于形狀特征檢索方法，利用圖像中感興趣目標區域進行檢索，通常有形狀輪廓特征和區域特征兩大類。輪廓特征主要針對單個物件的外邊界，特征包含的信息較多，但對噪聲和形變較為敏感，其織物形狀特征提取涉及的方法有邊界特征法、簡單幾何特征法、傅里葉變換域法等［17］。而區域特征則關系到整體形狀區域，是利用區域內像素集合來表示目標輪廓區域性質參數，主要涉及幾何參數法（包括區域簡單特征、形狀相似性特征和基于直方圖等描述的特征）、形狀不變矩法、拓撲特征法等［18］。

2.3.2 紋理特征提取算法

根據織物圖像紋理特性，紋理特征提取算法目前主要分為統計法、模型法、結構法和頻譜法四大類算法。

統計法是圖像紋理特征提取算法中較早出現的方法，有空間域灰度統計法、圖像方差圖法、紋理譜法等。其中，空間域灰度統計法中的灰度共生矩陣特征提取法、差分矩陣特征提取法最為常見。GOTLIEB C等［19］通過試驗對共生矩陣各種統計特征進行研究，得出灰度共生矩陣的紋理特征分析方法，涉及能量、二階熵、對比度和相關度等關鍵特征，可以用較多的統計量表示紋理特征，提升檢測精度，但計算工作量大、效率低。為避免灰度共生矩陣出現的問題，胡海兵等［20］提出了灰度差分矩陣統計方法來提取圖像紋理，計算量減少、速度也有所提高，但是在特征提取后的分類準確率并不高。

模型法是通過假定的紋理特定模型和相關參數進行統計，提取相應的紋理特征。該方法的關鍵內容是如何使用優化參數方法進行參數估計，主要使用的方法有隨機模型法、自回歸模型法和分形模型法等。模型法在實際應用中檢測小型疵點效率不高、計算量大，近年來涉及的研究內容少，但織物紋理建模與其他變換算法結合，可提高準確率。

結構法是通過根據織物疵點紋理單元之間的結構關系進行圖像紋理特征的提取。張善卿等［21］提出了一種基于結構張量特征值的標量型紋理特征，將其嵌入到區域模型中，獲得全局最優解的新模型，并通過試驗表明該模型特征數據維數少，特征提取速度快。結構法方法簡單、檢測效率高，但僅適用于簡單的、灰度分布均勻的紋理圖像檢測，而對織物多樣性的紋理提取效果并不理想。

頻譜法是利用織物圖像特有的紋理頻譜特性，將獲得的時域信號轉變到頻域進行分析處理后，提取圖像紋理特征，其算法主要有傅里葉變換法、Gabor濾波法等［22］。傅里葉變換法是將檢測圖像變換到頻域，利用頻譜能量或頻譜熵的周期性、方向性以及隨機性等特征來表征圖像紋理特征。但是，傅里葉變換法只適用于全局性的變化，不具有對不穩定信號或空間局部變化的分析及特征提取，使用存在一定的局限性［23］。針對傅里葉變換法的局部變化分析不足，湯曉慶等［24］提出了Gabor濾波法，即在變換中使用Gabor濾波器，從輸出的結果提取紋理特征的方法，在紋理表征方面效果較好，但Gabor濾波法不隨頻率變化而變化，為單一分辨率分析，計算復雜，不適合多尺度、多樣化的織物檢測。

2.3.3 顏色特征提取算法

顏色特征是織物圖像對應物件的表面性質，屬于全局特征，對圖像尺度、移動或旋轉變化不敏感，常用的特征提取方法有顏色直方圖法、顏色矩法、顏色集法等［25］。其中，顏色直方圖法能表征織物圖像顏色的全局分布，表明不同色彩在整幅圖像中所占比例，是最常用的顏色特征提取算法，由于顏色直方圖是全局顏色統計，但對于圖像顏色局部分布和色彩的空間位置很難表現，可采用主色調直方圖加以優化。顏色矩法是利用線性代數中矩概念，將圖像顏色分布用矩表示，通常顏色有一階平均值矩、二階方差矩和三階偏斜度矩，而每個像素具有3個顏色通道，其顏色矩可用9個分量進行表征，但是，顏色矩的維度少。顏色集法是將圖像RGB顏色空間轉化成視覺均衡的空間后，把空間細化成若干個小塊區域，并將每一個區域量化建立顏色索引，建立二進制圖像顏色索引集，提高特征提取的速度。目前，對彩色織物圖像處理和分析中，通常圖像先進行灰度處理后，再根據圖像特征進行后續的灰度圖像處理。

3 織物疵點檢測發展趨勢

隨著人工智能技術、計算機信息技術和傳感器技術的高速發展，機器視覺在織物檢測也將得到相應發展。對于機器視覺在織物疵點檢測方面的發展趨勢主要涵蓋以下幾個方面。

（1）隨著智能工廠的逐步推廣和紡織生產自動化、智能化的發展需要，采用基于機器視覺技術的檢測方案必將逐步替代傳統的依賴人工檢測操作。所以，基于機器視覺的織物疵點檢測技術仍將是未來研究和發展的主要方向。

（2）目前，織物疵點檢測易受生產環境、光照亮度、材料特性等因素的影響，在線檢測容易產生失真的圖像。需要進一步研究基于機器視覺的織物疵點檢測新理論和新算法，增強智能化程度，構建穩定可靠的基于機器視覺的織物疵點檢測系統。

（3）由于織物疵點的多尺寸、多樣性及復雜性等特點，在圖像采集過程中，僅從單方向獲取圖像，其信息不夠全面，給后續圖像處理和分析帶來困難。因此，機器視覺與人工智能、多傳感器的技術將會深度融合，獲得多方面、深層次的圖像信息，進一步提升織物疵點特征信息的有效判斷，以確保織物疵點檢測結果的準確性。

4 結束語

在基于機器視覺的織物疵點檢測系統中，織物圖像的處理和分析最為重要，主要涉及圖像預處理、圖像分割、圖像特征提取等內容，而每一個內容都有相應的多種算法，需根據生產實際環境、織物特性以及生產工藝要求等情況，進行合理選擇和應用。梳理和分析當前織物疵點檢測算法的應用，總結對比織物疵點檢測效果和存在的不足，并對未來發展趨勢進行展望，以期為后續研究工作提供借鑒和參考。