基于機器視覺的織物缺經檢測系統

石 全 宋志峰 徐自立 林富生 余聯慶

（1.武漢紡織大學，湖北武漢，430200；2.三維紡織湖北省工程研究中心，湖北武漢，430200；3.湖北省數字化紡織裝備重點實驗室，湖北武漢，430200）

隨著現代紡織工業的發展，織機效率越來越高［1］，然而機織物缺陷檢測的工作還是主要由人工完成，這就導致了缺陷檢測效率與織機效率不匹配［2］、工人勞動強度過大等問題［3］。為了使織物缺陷檢測工作與現代紡織工業的發展相適應［4］，需要更加高效可靠的織物缺陷檢測方法來代替人工檢測［5］。

目前已經有一些學者針對此問題進行研究，并取得了一定成果［6］。利用能量差對比法檢測織物缺經缺緯［7］，速度快，可行性較強，但由于織物邊緣位置與缺陷位置能量特征相似，采集圖像時應避免采集到織物邊緣位置。利用小波變換檢測織物疵點［8-9］，計算成本低，成功率較高，但如果邊緣周圍存在與疵點相似的痕跡，就容易造成算法的誤判。利用雙混沌機制粒子群算法檢測織物疵點［10］，利于粒子群搜索最優解，但是該算法較為復雜，檢測速度不高。深度學習算法也被應用到織物疵點檢測中［11-12］，但為了提高該算法的檢測精準度，前期需要大量的樣本進行訓練，而且織物的生產過程較為復雜，出現的疵點隨機性較大，有時難以準確判斷。

缺經是織物疵點的主要類型之一［13-14］，本研究提出了一種基于Halcon 的織物缺經檢測系統，首先通過預處理增強缺經特征；然后構造濾波器進行方向濾波提高缺經部分與非缺經部分對比度；最后通過灰度投影曲線差分判斷缺經情況。該方法不僅可以區分出織物的邊緣部分和缺經部分，而且針對不同光照條件下的織物圖像有較強的自適應能力［15］。經過試驗證明，該方法可有效檢測出織物的缺經情況，檢測速度快，結果準確，有較強的魯棒性。

1 檢測系統設計

該系統由計算機、工控柜、傳送帶、光源、相機組成。計算機收發數據和圖像處理；工控柜控制傳送帶運動；傳送帶運送織物；相機采集織物圖片；光源增強織物特征。檢測系統示意圖如圖1所示。

1.1 采集圖像

一般紗線顏色較淺，缺經部分與非缺經部分的對比度非常小，難以區分。因此采集圖像前，在織物下方通過紅色高頻率熒光燈光源進行打光處理［16］，使缺經部分與非缺經部分的對比度提高，以便于后續檢測。使用工業CCD 相機對圖像進行三通道采集［17-18］。打光處理后采集到的缺經織物樣本圖像如圖2 所示。

圖2 缺經織物圖像

1.2 預處理

雖然采集圖像時用紅色光源進行了打光，使缺經部分與非缺經部分的對比度有了一定提高，但此時仍然不能清晰區分。將原本的三通道圖像分解為三個單通道圖像即R、G、B 通道圖像，如圖3 所示。可以看出，R 通道的缺經部分最為明顯，因此對R 通道圖像做后續檢測處理。

圖3 單通道織物圖像

R 通道圖像中，缺經部分是白色，而以黑色為主的非缺經部分占據了圖像大部分位置，缺經部分仍然不易區分。因此，對R 通道圖像進行灰度反轉處理，如圖4 所示。可以明顯看出，缺經處的灰度值與非缺經處有明顯不同。

圖4 灰度反轉后的織物圖像

1.3 方向濾波

方向濾波是利用卷積的方法對像素值進行梯度差分運算，增強灰度值突變處的特征，其原理如圖5 所示。方向濾波器從原圖像的左上角依次向右移動，對應位置的數字相乘并相加，得到的值為新圖像在濾波器中心位置處像素點的灰度值。由水平方向濾波器的構造可知，灰度值變化平滑的位置，濾波器中左右兩側像素點的灰度值發生了很大程度的抵消，卷積后灰度值變化不大。而灰度值變化劇烈的位置，左右兩側像素點的灰度值無法抵消，并對原灰度值進行了增幅。因此，可以使用方向濾波進一步增強缺經特征。

圖5 方向濾波原理示意圖

為了獲得理想的濾波效果，構造了不同階數的濾波器，并對濾波效果進行比較，如圖6 所示。濾波后的織物圖像如圖7 所示。

圖6 不同階數的方向濾波器

圖7 不同階數方向濾波后的織物圖像

在后續試驗中發現，經3 階方向濾波的樣本，漏檢情況較多；7 階方向濾波的樣本，錯檢情況較多；而5 階方向濾波的樣本，效果較好。為了控制整體灰度值處于合適的范圍，使用5 階方向濾波器后，給濾波器賦予不同的權重，進行后續檢測試驗，濾波后的織物圖像如圖8 所示。

經過大量測試，權重為-1/4 時檢測準確率最高。因此，將濾波器確定為權重-1/4 的5 階方向濾波器。

1.4 灰度投影

為了準確得到灰度值分布情況，對織物圖像進行垂直灰度投影，方向濾波前后的灰度投影曲線如圖9 所示。

圖9 方向濾波前后的垂直灰度投影曲線

從圖9 中發現，經過方向濾波，缺經特征得到了充分的增強，但織物邊緣部分的灰度值特征與缺經部分難以區分。因此采用均值濾波進一步處理。

1.5 均值濾波

一方面，由于不同織物采集到的圖像整體灰度值有所不同，同一織物在不同光照條件下采集到的圖像整體灰度值也會發生變化。另一方面，由于織物邊緣的灰度值投影也會突然增大。因此，僅僅根據垂直灰度投影的值并不能準確判斷出缺經的位置。為了使不同光照條件下圖像的檢測具有更強的魯棒性，以及消除將織物邊緣誤檢測為缺經的情況，采用均值濾波平滑灰度投影曲線。

均值濾波后的灰度投影曲線如圖10 所示。可以看出，缺經部分的灰度投影值大大減小，邊緣部分和其他非缺經部分的灰度投影值和原曲線相差不大。

圖10 均值濾波后的灰度投影曲線

1.6 灰度投影曲線差分

在相同坐標系下分別表示出均值濾波前后的灰度投影曲線，可以更加直觀地看出缺經部分兩者的差值遠遠超過其他部分，如圖11 所示。其中，藍色曲線為均值濾波前的灰度投影曲線，紅色曲線為均值濾波后的灰度投影曲線。

圖11 均值濾波前后的灰度投影曲線

由于灰度投影曲線僅在缺經部分發生了明顯變化，將均值濾波前后的灰度投影曲線差分，得到差值較大的部分，就可以判斷為缺經部分。同時，由于織物邊緣部分的灰度投影值變化不大，經過差分，就消除了將織物邊緣誤檢為缺經的情況。另外，由于新曲線的整體灰度值與原曲線正相關，通過差分也可以在一定程度上消除不同光照條件對檢測系統的影響，提高了檢測的魯棒性。

差分后，通過差值來判斷缺經情況。如果存在差值大于閾值，說明存在缺經，可根據橫坐標位置得到缺經位置，并將其用紅色線條繪制在圖像中。如果不存在差值大于閾值，則表示織物完整，不存在缺經情況。為了保證閾值選取的合理性，選取了不同的閾值進行檢測試驗，結果如圖12所示。

經試驗，閾值小于18 時，容易出現錯檢情況，如圖12（a）和圖12（b）所示；閾值大于22 時，容易出現漏檢情況，如圖12（d）所示；閾值為18～22時，檢測準確率最高。綜合考慮，將閾值定為20。

圖12 不同閾值下的缺經檢測情況

2 結果分析

本系統使用的計算機CPU 為Intel I7-9750H，GPU 為NVIDIA GTX 1660 Ti，相機為工業CCD相機，圖像分辨率為2 560 pixel×1 920 pixel。

2.1 檢測準確率分析

為了檢驗本系統的檢測準確性，采用了100組試驗樣本，按照上述方法分別在5 個不同的時間段按順序進行5 輪試驗，每輪試驗進行3 次重復采集并測試。其中1 組～50 組為合格織物，51 組～100 組為缺經織物。試驗結果如表1 所示。

表1 準確率檢測結果

經計算，該系統的平均檢測準確率為99.47%，其中合格織物的檢測準確率為99.20%，缺經織物的檢測準確率為99.73%。

2.2 檢測穩定性分析

在實際生產環境中，不同的光照條件可能會對檢測過程產生影響。為了測試系統的穩定性，在不同光照條件下對1 號～10 號合格織物和11 號～20 號缺經織物進行50 次重復檢測試驗，檢測結果如表2 所示。可以看出，本系統對不同光照條件的適應性良好，合格織物的平均檢測準確率為99.4%，缺經織物的平均檢測準確率為99.6%，具有良好的魯棒性。

表2 檢測穩定性結果

2.3 檢測效率分析

20 次的檢測耗時統計結果如圖13 所示。其中，1 次～10 次為合格織物，11 次～20 次為缺經織物。可以看出，平均檢測耗時為164.5 ms，比人工檢測的效率提高了約1 倍，可滿足現代紡織工業的生產需求。

圖13 檢測耗時統計

3 結語

本研究運用機器視覺軟件Halcon，將機器視覺運用到織物缺經檢測系統上。該方法先運用一系列圖像處理手段增強缺經部分，使缺經部分與非缺經部分的對比度提高以便于后續檢測處理；再利用灰度投影的方法得出投影曲線，并對其均值濾波處理；通過灰度曲線差分判斷是否超過閾值，得出缺經情況和位置。試驗結果表明：該方法具有較高的檢測準確率和較快的檢測速度，并在不同光照條件下擁有較強的魯棒性。這也為缺緯、重經、重緯等其他織物缺陷檢測提供了參考。