基于機(jī)器視覺和圖像處理的色織物疵點(diǎn)自動檢測研究.pdf

1、傳統(tǒng)的織物疵點(diǎn)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(shù)的進(jìn)步，織物疵點(diǎn)自動檢測系統(tǒng)逐步代替人工檢測，而成為確?？椢镔|(zhì)量的一種重要手段。但是，目前的織物疵點(diǎn)自動檢測系統(tǒng)主要是針對白坯布，因此，本文基于機(jī)器視覺和圖像處理技術(shù)，對應(yīng)用于寬幅面、高密度色織物的疵點(diǎn)自動檢測理論和算法進(jìn)行了研究，解決了在帶有圖案的色織物表面進(jìn)行疵點(diǎn)自動檢測和分類的許多關(guān)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(diǎn)自動檢測系統(tǒng)的研究現(xiàn)狀、檢測和測量硬件平臺的設(shè)計(jì)、基于分?jǐn)?shù)階微分的織物圖像紋理增強(qiáng)方法、基于能量局部二值模式的色織物疵點(diǎn)智能檢測算法、基于組合特征和支持向量機(jī)的色織物疵點(diǎn)自動分類識別方法等主要內(nèi)容。
　　第一，綜述了織物疵點(diǎn)自動檢測系統(tǒng)的研究進(jìn)展。首先，討論了本課題的研究意義，即應(yīng)用織物疵點(diǎn)自動檢測技術(shù)極大的提高了勞動生產(chǎn)率和企業(yè)利潤收益。其次，調(diào)查了本課題的研究背景，對于目前世界三大商用織物疵點(diǎn)自動檢測系統(tǒng)的功能和應(yīng)用狀況

3、進(jìn)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(diǎn)自動檢測方法。白坯布疵點(diǎn)自動檢測算法研究較為成熟，分別為:基于空域的統(tǒng)計(jì)方法是把待檢測織物圖像分割成具有截然不同的統(tǒng)計(jì)特征的區(qū)域來區(qū)分疵點(diǎn);基于頻域的方法是利用織物中基本紋理基元（組織結(jié)構(gòu)）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(diǎn);基于模型的方法是指織物紋理能被統(tǒng)計(jì)建模，疵點(diǎn)檢測被

4、看作這個(gè)模型的假設(shè)檢驗(yàn)問題。灰色圖案織物疵點(diǎn)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(fù)圖案窗口閾值化的方法來檢測疵點(diǎn)。色織物疵點(diǎn)檢測的方法要考慮色彩模型和更多的疵點(diǎn)種類（織造類疵點(diǎn)和顏色類疵點(diǎn)），目前只是對剛性材料（如瓷磚、木頭等）的疵點(diǎn)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(diǎn)檢測方法尚沒有突破。
　　第二，介紹了色織物疵點(diǎn)自動檢測系統(tǒng)硬件構(gòu)架的設(shè)計(jì)方案。首先，給出了硬件架構(gòu)的總體設(shè)計(jì)。其次，重點(diǎn)討論

5、了圖像采集硬件子系統(tǒng)的設(shè)計(jì)，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(jié)構(gòu);CCD相機(jī)和圖像采集卡的選擇，并詳細(xì)說明了選擇CCD相機(jī)應(yīng)考慮的因素;疵點(diǎn)尺寸的圖像測量是不同于以往疵點(diǎn)檢測系統(tǒng)的新功能，因此需要對多CCD相機(jī)系統(tǒng)進(jìn)行標(biāo)定，這里介紹了圖像測量原理和CCD相機(jī)標(biāo)定理論，計(jì)算出每個(gè)相機(jī)的空間精確位置和姿態(tài)參數(shù)，并結(jié)合色織物疵點(diǎn)測量精度的要求，通過實(shí)驗(yàn)確定出像素相當(dāng)量。最后，介紹

6、了色織物疵點(diǎn)檢測FPGA（現(xiàn)場可編程邏輯陣列）專用開發(fā)板的接口設(shè)計(jì)和DSP（數(shù)字信號處理器）處理器的選擇，這是整個(gè)硬件系統(tǒng)的核心處理模塊;由于色織物疵點(diǎn)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(jìn)行圖像數(shù)據(jù)運(yùn)算，而信號控制和數(shù)據(jù)傳輸由多通道FPGA來實(shí)現(xiàn);這樣就可以構(gòu)建高速圖像同步并行處理硬件子系統(tǒng)，極大提高整個(gè)系統(tǒng)的運(yùn)行速度，使系統(tǒng)具有實(shí)用性。
　　第三，討論了把分?jǐn)?shù)階微分應(yīng)用于織物疵點(diǎn)圖像紋理增強(qiáng)的方法，這屬于織物疵

7、點(diǎn)自動檢測的圖像預(yù)處理。圖像增強(qiáng)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(jié)果易于被理解和處理，或者通過技術(shù)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(yīng)用分析打下基礎(chǔ)。本文中Grümwald-Letnikov分?jǐn)?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?jǐn)?shù)階的結(jié)果。另外，織物疵點(diǎn)圖像顯然包含有十分豐富的紋理信息，而分?jǐn)?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(shí)現(xiàn)織物圖像紋

8、理的銳化增強(qiáng)。通過在頻域里分析分?jǐn)?shù)階微分的幅頻特性，總結(jié)出分?jǐn)?shù)階微分應(yīng)用于織物圖像增強(qiáng)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?jǐn)?shù)階微分動力學(xué)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(yàn)證分析，分?jǐn)?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(xì)節(jié)特征;根據(jù)圖像信號的分?jǐn)?shù)階微分?jǐn)?shù)值差分運(yùn)算表達(dá)式的多項(xiàng)式系數(shù)，構(gòu)建了各向同性分?jǐn)?shù)階微分的織物圖像增

9、強(qiáng)算子。分別對白坯布和色織布疵點(diǎn)圖像進(jìn)行分?jǐn)?shù)階微分增強(qiáng)實(shí)驗(yàn)，定性分析了分?jǐn)?shù)階微分應(yīng)用于織物圖像增強(qiáng)的有效性。對于白坯布圖像還定量地得出了增強(qiáng)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?jǐn)?shù)階微分對織物疵點(diǎn)圖像進(jìn)行非線性增強(qiáng)的良好效果。
　　第四，設(shè)計(jì)和實(shí)現(xiàn)了基于能量局部二值模式的色織物疵點(diǎn)智能檢測算法。這個(gè)算法的目的是為了實(shí)現(xiàn)快速、有效的利用機(jī)器視覺檢測色織物疵點(diǎn)，并且考慮顏色和結(jié)構(gòu)兩類紋理信息。算法的過程為:(1

10、)把用分?jǐn)?shù)階微分增強(qiáng)的色織物紋理圖像從RGB空間轉(zhuǎn)換到L*a*b*均勻顏色空間;(2)在這個(gè)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(jìn)行融合，得到能量特征疵點(diǎn)圖像，解決了色彩類疵點(diǎn)和組織結(jié)構(gòu)類疵點(diǎn)能同時(shí)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(jìn)行分析可知，疵點(diǎn)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(gè)像素到幾十個(gè)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(qiáng)有力的局部紋理描述算子，并輔以恰當(dāng)?shù)膾呙璞葘C(jī)制，對色織物能量特征圖像的疵點(diǎn)區(qū)域進(jìn)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(jié)合關(guān)系被定義為一個(gè)新的概念——能量局部二值模式算子，這個(gè)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(fù)單元圖案把無疵參考圖像和待檢測圖像分割成窗格，計(jì)算每個(gè)分割窗口的能量局部二值模式特征向量;(5)在訓(xùn)練階段，對無疵參考圖像進(jìn)行訓(xùn)練學(xué)習(xí)以獲取無疵窗

12、似然估計(jì)閾值，在檢測階段，通過把檢測窗似然估計(jì)值和閾值進(jìn)行比較，檢測出疵點(diǎn)窗，從而分割出疵點(diǎn)區(qū)域。提出的方法能夠檢測色彩類疵點(diǎn)和組織結(jié)構(gòu)類疵點(diǎn)。通過對不同種類的色織物和不同類型的疵點(diǎn)進(jìn)行檢測驗(yàn)證，總的平均檢測成功率達(dá)到94.09％;檢測速度也足夠快，適用于離線疵點(diǎn)檢測。
　　最后，探討了基于組合特征和支持向量機(jī)(SVM)的色織物疵點(diǎn)自動分類算法。這個(gè)算法分類的結(jié)果將使色織物疵點(diǎn)自動評價(jià)方法能夠?qū)崿F(xiàn)，文中主要從三個(gè)方面進(jìn)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(diǎn)二值圖像統(tǒng)計(jì)出疵點(diǎn)的幾何形狀特征參數(shù)，用于描述色織物疵點(diǎn)六個(gè)幾何特征（緯長、經(jīng)長、緯經(jīng)長度比、周長、面積和圓度）;同時(shí)，紋理特征參數(shù)也被定義，基于疵點(diǎn)能量紋理圖像計(jì)算出疵點(diǎn)的能量紋理特征參數(shù)，用于描述色織物疵點(diǎn)的三個(gè)紋理特征（粗糙度、對比度和方向度）;把六個(gè)幾何特征參數(shù)和三個(gè)紋理特征參數(shù)提取過程合并起來，組建獲取九個(gè)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(diǎn)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(biāo)準(zhǔn)（GB/T22851-2009）總的疵點(diǎn)類別（斷經(jīng)、筘路、斷緯、稀密路、破洞和污漬）。其次，探討了疵點(diǎn)圖像分類采用徑向基核SVM分類器來實(shí)現(xiàn)，并對通用的SVM分類模型進(jìn)行優(yōu)化，使其更加適合色織物疵點(diǎn)的分類。對分類器的兩個(gè)主要參數(shù)通過網(wǎng)格搜索的方法進(jìn)行最優(yōu)化選擇，以便在應(yīng)用中能取得最高的分類準(zhǔn)確率;當(dāng)組合特征集被用作SVM分類器的輸入時(shí)，留一法交叉驗(yàn)證方案