基于機器視覺和圖像處理的色織物疵點自動檢測研究.pdf

1、傳統(tǒng)的織物疵點檢測依靠人工來完成，檢測過程中容易受到主觀因素的影響，且效率低下。隨著生產(chǎn)工藝和技術的進步，織物疵點自動檢測系統(tǒng)逐步代替人工檢測，而成為確?？椢镔|量的一種重要手段。但是，目前的織物疵點自動檢測系統(tǒng)主要是針對白坯布，因此，本文基于機器視覺和圖像處理技術，對應用于寬幅面、高密度色織物的疵點自動檢測理論和算法進行了研究，解決了在帶有圖案的色織物表面進行疵點自動檢測和分類的許多關鍵問題，這也正是本課題研究的主要目的。論文涉及了色織

2、物疵點自動檢測系統(tǒng)的研究現(xiàn)狀、檢測和測量硬件平臺的設計、基于分數(shù)階微分的織物圖像紋理增強方法、基于能量局部二值模式的色織物疵點智能檢測算法、基于組合特征和支持向量機的色織物疵點自動分類識別方法等主要內(nèi)容。
　　第一，綜述了織物疵點自動檢測系統(tǒng)的研究進展。首先，討論了本課題的研究意義，即應用織物疵點自動檢測技術極大的提高了勞動生產(chǎn)率和企業(yè)利潤收益。其次，調查了本課題的研究背景，對于目前世界三大商用織物疵點自動檢測系統(tǒng)的功能和應用狀況

3、進行了簡要說明，得出課題繼續(xù)研究的必要性。最后，概述了本課題的國內(nèi)外研究現(xiàn)狀，根據(jù)檢測對象的不同，主要分為白坯布、灰色圖案織物、色織物等疵點自動檢測方法。白坯布疵點自動檢測算法研究較為成熟，分別為:基于空域的統(tǒng)計方法是把待檢測織物圖像分割成具有截然不同的統(tǒng)計特征的區(qū)域來區(qū)分疵點;基于頻域的方法是利用織物中基本紋理基元（組織結構）高度的周期性類似于譜特性的規(guī)律，可以用譜方法來檢測織物疵點;基于模型的方法是指織物紋理能被統(tǒng)計建模，疵點檢測被

4、看作這個模型的假設檢驗問題?；疑珗D案織物疵點檢測方法研究較少，主要有基于模板圖像匹配和利用單元重復圖案窗口閾值化的方法來檢測疵點。色織物疵點檢測的方法要考慮色彩模型和更多的疵點種類（織造類疵點和顏色類疵點），目前只是對剛性材料（如瓷磚、木頭等）的疵點檢測做了一些研究，而對柔性材料（如色織布、印花布等）的疵點檢測方法尚沒有突破。
　　第二，介紹了色織物疵點自動檢測系統(tǒng)硬件構架的設計方案。首先，給出了硬件架構的總體設計。其次，重點討論

5、了圖像采集硬件子系統(tǒng)的設計，主要分為如下幾方面:根據(jù)照度匹配原理，選擇LED長條形陣列照明光源，并討論了光源的正向和背向照明結構;CCD相機和圖像采集卡的選擇，并詳細說明了選擇CCD相機應考慮的因素;疵點尺寸的圖像測量是不同于以往疵點檢測系統(tǒng)的新功能，因此需要對多CCD相機系統(tǒng)進行標定，這里介紹了圖像測量原理和CCD相機標定理論，計算出每個相機的空間精確位置和姿態(tài)參數(shù)，并結合色織物疵點測量精度的要求，通過實驗確定出像素相當量。最后，介紹

6、了色織物疵點檢測FPGA（現(xiàn)場可編程邏輯陣列）專用開發(fā)板的接口設計和DSP（數(shù)字信號處理器）處理器的選擇，這是整個硬件系統(tǒng)的核心處理模塊;由于色織物疵點檢測和識別需要處理大量數(shù)據(jù)，所以選用高性能DSP專門進行圖像數(shù)據(jù)運算，而信號控制和數(shù)據(jù)傳輸由多通道FPGA來實現(xiàn);這樣就可以構建高速圖像同步并行處理硬件子系統(tǒng)，極大提高整個系統(tǒng)的運行速度，使系統(tǒng)具有實用性。
　　第三，討論了把分數(shù)階微分應用于織物疵點圖像紋理增強的方法，這屬于織物疵

7、點自動檢測的圖像預處理。圖像增強是圖像處理的重要內(nèi)容，它通過適合的圖像變換使所得結果易于被理解和處理，或者通過技術處理使視覺清晰度得到改善和提高，都是為圖像后續(xù)有針對性的應用分析打下基礎。本文中Grümwald-Letnikov分數(shù)階微分是在Euclid測度下定義的，是通過把微分階次從整數(shù)階變換到了分數(shù)階的結果。另外，織物疵點圖像顯然包含有十分豐富的紋理信息，而分數(shù)階微分作為整數(shù)階微分的一種延拓，與整數(shù)階微分相類似，它可以實現(xiàn)織物圖像紋

8、理的銳化增強。通過在頻域里分析分數(shù)階微分的幅頻特性，總結出分數(shù)階微分應用于織物圖像增強將使圖像邊緣明顯突出、紋理更加清晰和圖像平滑區(qū)域信息得以相對保留;基于分數(shù)階微分動力學理論的圖像紋理特征檢測也被發(fā)展，通過穩(wěn)定系數(shù)對圖像紋理特征檢測的驗證分析，分數(shù)階微分不但可以銳化圖像灰度值躍變較大的邊緣輪廓，而且能夠銳化灰度值躍變不大的平滑區(qū)域紋理細節(jié)特征;根據(jù)圖像信號的分數(shù)階微分數(shù)值差分運算表達式的多項式系數(shù)，構建了各向同性分數(shù)階微分的織物圖像增

9、強算子。分別對白坯布和色織布疵點圖像進行分數(shù)階微分增強實驗，定性分析了分數(shù)階微分應用于織物圖像增強的有效性。對于白坯布圖像還定量地得出了增強后的織物紋理邊緣平均測度明顯好于原始織物，從而間接地說明了用分數(shù)階微分對織物疵點圖像進行非線性增強的良好效果。
　　第四，設計和實現(xiàn)了基于能量局部二值模式的色織物疵點智能檢測算法。這個算法的目的是為了實現(xiàn)快速、有效的利用機器視覺檢測色織物疵點，并且考慮顏色和結構兩類紋理信息。算法的過程為:(1

10、)把用分數(shù)階微分增強的色織物紋理圖像從RGB空間轉換到L*a*b*均勻顏色空間;(2)在這個空間里，色彩和灰度通道圖像分量分別用Log-Gabor濾波器濾波后再進行融合，得到能量特征疵點圖像，解決了色彩類疵點和組織結構類疵點能同時呈現(xiàn)在同一能量特征圖像上的難題;(3)通過對色織物的能量特征圖像進行分析可知，疵點通常呈現(xiàn)不規(guī)則、非均勻的局部較亮區(qū)域，其大小從幾個像素到幾十個像素不等，而色織物的背景圖案在能量特征圖像中呈現(xiàn)出規(guī)則、均勻的較亮

11、區(qū)域，因此，需要尋找一種強有力的局部紋理描述算子，并輔以恰當?shù)膾呙璞葘C制，對色織物能量特征圖像的疵點區(qū)域進行檢測。特征圖像的紋理能量譜和源于紋理分類的局部二值模式(LBP)之間的結合關系被定義為一個新的概念——能量局部二值模式算子，這個算子具有簡單仿射變形的不變性;(4)依據(jù)樣本圖像最小重復單元圖案把無疵參考圖像和待檢測圖像分割成窗格，計算每個分割窗口的能量局部二值模式特征向量;(5)在訓練階段，對無疵參考圖像進行訓練學習以獲取無疵窗

12、似然估計閾值，在檢測階段，通過把檢測窗似然估計值和閾值進行比較，檢測出疵點窗，從而分割出疵點區(qū)域。提出的方法能夠檢測色彩類疵點和組織結構類疵點。通過對不同種類的色織物和不同類型的疵點進行檢測驗證，總的平均檢測成功率達到94.09％;檢測速度也足夠快，適用于離線疵點檢測。
　　最后，探討了基于組合特征和支持向量機(SVM)的色織物疵點自動分類算法。這個算法分類的結果將使色織物疵點自動評價方法能夠實現(xiàn)，文中主要從三個方面進行討論:首先

13、，介紹了組合特征集的提取。幾何特征參數(shù)被定義，并基于疵點二值圖像統(tǒng)計出疵點的幾何形狀特征參數(shù)，用于描述色織物疵點六個幾何特征（緯長、經(jīng)長、緯經(jīng)長度比、周長、面積和圓度）;同時，紋理特征參數(shù)也被定義，基于疵點能量紋理圖像計算出疵點的能量紋理特征參數(shù)，用于描述色織物疵點的三個紋理特征（粗糙度、對比度和方向度）;把六個幾何特征參數(shù)和三個紋理特征參數(shù)提取過程合并起來，組建獲取九個特征的組合特征提取器，使提取的組合特征能很好的定量描述疵點表面特征

14、的差異;這些參數(shù)被用作優(yōu)化的SVM分類器的輸入，以便獲得符合色織提花織物中國國家標準（GB/T22851-2009）總的疵點類別（斷經(jīng)、筘路、斷緯、稀密路、破洞和污漬）。其次，探討了疵點圖像分類采用徑向基核SVM分類器來實現(xiàn)，并對通用的SVM分類模型進行優(yōu)化，使其更加適合色織物疵點的分類。對分類器的兩個主要參數(shù)通過網(wǎng)格搜索的方法進行最優(yōu)化選擇，以便在應用中能取得最高的分類準確率;當組合特征集被用作SVM分類器的輸入時，留一法交叉驗證方案