基于字典學(xué)習(xí)的機(jī)織物瑕疵自動(dòng)檢測研究.pdf

1、紡織品表面瑕疵對最終成品的質(zhì)量及價(jià)格有著直接的影響，進(jìn)行有效的瑕疵檢測對現(xiàn)代紡織企業(yè)的質(zhì)量管理、成本控制及產(chǎn)品競爭力的提升都具有重要意義。當(dāng)前，國內(nèi)幾乎所有紡織企業(yè)仍然采用傳統(tǒng)的人工驗(yàn)布方式進(jìn)行機(jī)織物瑕疵檢測，由于受人生理特征的限制，傳統(tǒng)的人工驗(yàn)布方式所提供的檢測速度、精度和檢測結(jié)果一致性難以滿足現(xiàn)代大規(guī)模生產(chǎn)需求。作為工業(yè)領(lǐng)域的一個(gè)重要應(yīng)用，基于計(jì)算機(jī)視覺的織物瑕疵自動(dòng)檢測系統(tǒng)憑借其天然的優(yōu)勢成為了人工驗(yàn)布的理想替代方案，該系統(tǒng)不僅能

2、為客觀、穩(wěn)定、高效的織物瑕疵檢測提供很好的保障，而且順應(yīng)了紡織產(chǎn)業(yè)自動(dòng)化、智能化的發(fā)展趨勢。
　　本文的研究重點(diǎn)就是設(shè)計(jì)有實(shí)用價(jià)值的基于計(jì)算機(jī)視覺的機(jī)織物自動(dòng)瑕疵檢測算法。檢測算法作為織物瑕疵自動(dòng)檢測系統(tǒng)的核心，其基本設(shè)計(jì)思路就是通過分析正常織物紋理與瑕疵紋理的異同，根據(jù)一定的區(qū)分原則將對應(yīng)于瑕疵區(qū)域的像素點(diǎn)從織物圖像中自動(dòng)地識(shí)別出來。通常情況下，檢測算法主要包括特征提取和分類器設(shè)計(jì)兩個(gè)階段，特征提取就是尋找能夠?qū)φ？椢锛y理進(jìn)行

3、有效描述或表征，同時(shí)又對瑕疵紋理敏感的鑒別性特征;分類器設(shè)計(jì)一般通過對具體分類問題進(jìn)行分析學(xué)習(xí)，從而對所提取的特征進(jìn)行有效分類，達(dá)到區(qū)分正常紋理與瑕疵紋理的目的。然而，這種基于特征提取的檢測算法往往會(huì)面臨特征選取問題，很難保證當(dāng)前所選特征的最優(yōu)性。這主要是因?yàn)殍Υ妙愋驮谕庥^形貌上具有很強(qiáng)的隨機(jī)性和不可預(yù)測性，實(shí)踐中也無法通過收集所有潛在瑕疵類型進(jìn)行算法訓(xùn)練，即無法將全面的負(fù)樣本（瑕疵樣本）引入算法訓(xùn)練過程進(jìn)行參數(shù)優(yōu)化。
　　為了能

4、更有效地設(shè)計(jì)檢測算法，通過對已有研究成果“去粗取精”的分析，在深刻理解織物紋理自身特征的基礎(chǔ)上，作者認(rèn)識(shí)到采用間接模板匹配是一個(gè)較為理想的瑕疵檢測方案，而對正?？椢锛y理特征進(jìn)行有效的描述或表達(dá)是應(yīng)用模板匹配方案進(jìn)行瑕疵檢測的必要前提。為此，本文從對織物紋理在空間域上進(jìn)行近似表達(dá)這一全新的思路出發(fā)，首先采用字典學(xué)習(xí)方法對織物圖像進(jìn)行近似表達(dá)，在此基礎(chǔ)上，再以模板匹配為指導(dǎo)思路進(jìn)行瑕疵檢測算法設(shè)計(jì)。這樣一來，便可以將原本復(fù)雜的瑕疵檢測問題轉(zhuǎn)

5、化為一個(gè)模板匹配問題進(jìn)行解決，不僅能很好地繞開特征選取問題，而且可使算法的檢測性能不依賴于瑕疵類型和織物紋理，從而大大提高了算法的適應(yīng)性。論文具體的研究內(nèi)容分八章進(jìn)行論述，其各章的中心內(nèi)容如下:
　　第1章為緒論，著重介紹了論文的研究背景與意義，分析了課題組在此領(lǐng)域已取的研究成果及不足，交代了論文研究思路和內(nèi)容。
　　第2章為文獻(xiàn)綜述。首先對論文所涉及學(xué)科的基本概念進(jìn)行了介紹，然后以瑕疵檢測算法的策略為分類依據(jù)，將所涉及的檢

6、測方法分為基于特征提取與非特征提取兩種方案，進(jìn)而對近20年來與瑕疵相關(guān)的文獻(xiàn)進(jìn)行綜述，并就與本論文相關(guān)的算法進(jìn)行重點(diǎn)介紹與分析，最后對現(xiàn)有研究工作進(jìn)行總結(jié)與評價(jià)。
　　第3章首先分析總結(jié)了前人的研究工作和瑕疵檢測的難點(diǎn)，接著在深刻理解瑕疵檢測問題的基礎(chǔ)上，對論文提出的采用間接模板匹配的瑕疵檢測方法與思路進(jìn)行闡述，通過對主元分析的低維近似原理進(jìn)行分析與試驗(yàn)，最后引入更具有一般性的字典學(xué)習(xí)方法對織物圖像在空間域上進(jìn)行近似表達(dá)，同時(shí)也對

7、其表達(dá)織物紋理的可行性進(jìn)行了實(shí)驗(yàn)驗(yàn)證。
　　第4章詳細(xì)介紹了論文所提出的一種基于字典學(xué)習(xí)的無監(jiān)督織物瑕疵檢測算法。所提出的算法為無監(jiān)督類型，直接在待檢測織物圖像上進(jìn)行字典學(xué)習(xí)。通過選取合適大小的字典，正?？椢锛y理可以得到很好地近似，但不能很好地近似有瑕疵紋理。這樣，瑕疵區(qū)域可以通過將原圖像與近似后的圖像的灰度相差得到突出，再采用閾值法進(jìn)行瑕疵分割，便可以達(dá)到檢測瑕疵的目的。為了適應(yīng)更多如線性瑕疵等不易檢測的瑕疵，論文還提出了基于圖

8、像旋轉(zhuǎn)和線性投影的改進(jìn)方案。對20個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，檢出率為87.3％，誤檢率為8.8％。與傅立葉重構(gòu)方法相比，所提的無監(jiān)督算法對織物紋理與瑕疵類型都有較好的適應(yīng)性，檢測精度上也略有優(yōu)勢，這也進(jìn)一步證實(shí)了所提算法的有效性。
　　第5章詳細(xì)介紹了論文所提出的另一種基于字典學(xué)習(xí)的半監(jiān)督織物瑕疵檢測算法。該算法在圖像子窗口基礎(chǔ)上進(jìn)行瑕疵檢測，但并不試圖直接在上面進(jìn)行特征提取，而是先采用字典學(xué)習(xí)方法對其進(jìn)行近似表達(dá)，然后在對原圖像樣

9、本近似后的基礎(chǔ)上進(jìn)行相似度特征提取，并采用先進(jìn)的支持向量數(shù)據(jù)描述作為單分類器進(jìn)行瑕疵檢測。所提算法與模板匹配方法類似，但通過學(xué)習(xí)字典對子窗口樣本的近似來獲取匹配所用的自適應(yīng)模板，無須考慮模板的選擇與對齊問題。如此，便可以在更為合理的模板匹配基礎(chǔ)上進(jìn)行瑕疵鑒別，使得所提算法的檢測性能并不依賴于瑕疵類型，而是取決于瑕疵所帶的異常程度。論文還針對字典大小選取問題，提出一種經(jīng)驗(yàn)的選取方法。對20個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，所提出的半監(jiān)督算法能在誤檢

10、率為1.9％下取得95.5％的檢出率。
　　第6章著重對第5章中所提出的半監(jiān)督算法的學(xué)習(xí)字典進(jìn)行了分析與推廣，具體對正交字典、非負(fù)字典和稀疏字典進(jìn)行了研究。文中針對算法的實(shí)時(shí)性問題，通過對半監(jiān)督算法計(jì)算復(fù)雜度進(jìn)行分析，發(fā)現(xiàn)采用正交字典能大大減少計(jì)算復(fù)雜度。此外考慮到未來研究的需要，同時(shí)將正交字典、非負(fù)字典與稀疏字典進(jìn)行了研究與實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明稀疏字典的檢測精度最佳，但正交字典在實(shí)時(shí)性和檢測精度上的綜合性能最佳，是一個(gè)較為理想

11、的實(shí)時(shí)檢測算法。
　　第7章對第6章所提的采用正交字典的半監(jiān)督算法進(jìn)行了實(shí)時(shí)實(shí)現(xiàn)的實(shí)踐。首先對課題組自行研發(fā)的織物瑕疵實(shí)時(shí)檢測平臺(tái)進(jìn)行了簡單介紹，然后從硬件和軟件兩方面，對平臺(tái)所涉及的硬件參數(shù)的計(jì)算方法、算法的實(shí)時(shí)性分析及算法的具體實(shí)現(xiàn)過程進(jìn)行了詳細(xì)的闡述，最后在實(shí)時(shí)檢測平臺(tái)上對所提的采用正交字典的半監(jiān)督算法進(jìn)行實(shí)時(shí)檢測實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，算法能在30m/min速度下實(shí)現(xiàn)織物的實(shí)時(shí)檢測，取得的檢出率為89％，誤檢率為3.9％。

12、r>　　第8章是本文的結(jié)論與展望。簡要回顧了本文的研究，并對本文的研究成果及不足進(jìn)行了總結(jié)，同時(shí)給出了未來研究工作的重點(diǎn)。
　　本文的主要貢獻(xiàn)有:
　　(1)以對機(jī)織物圖像在空間域上進(jìn)行近似表達(dá)為出發(fā)點(diǎn)，提出了采用間接模板匹配的織物瑕疵檢測思路。該檢測思路不僅可以很好地繞開常規(guī)基于特征提取檢測思路所面臨的特征選取問題，而且可以將復(fù)雜的瑕疵檢測問題變?yōu)橐粋€(gè)模板匹配問題進(jìn)行解決，從而在理論上保證的所設(shè)計(jì)算法的適用性。此外，由于模

13、板匹配檢測思路更符合計(jì)算機(jī)區(qū)分瑕疵的邏輯，這將是一個(gè)非常有潛力研究方向。論文提出的這一檢測思路為機(jī)織物瑕疵自動(dòng)檢測的產(chǎn)業(yè)化應(yīng)用提供了理論和實(shí)驗(yàn)的指導(dǎo)。
　　(2)結(jié)合織物紋理的周期性特征及字典學(xué)習(xí)對織物紋理表達(dá)上的靈活性，提出了一種基于字典學(xué)習(xí)的無監(jiān)督織物瑕疵檢測算法。針對線性瑕疵檢測效果不佳，提出了基于圖像旋轉(zhuǎn)和基于線性投影的改進(jìn)方案。同時(shí)還設(shè)計(jì)了相應(yīng)的代價(jià)函數(shù)對最優(yōu)字典大小進(jìn)行自動(dòng)優(yōu)選。所提算法為無監(jiān)督類型，可以沒有任何先驗(yàn)知

14、識(shí)的情況下完成瑕疵的自動(dòng)檢測，適合于訓(xùn)練樣本缺乏或一致性較差的場合。
　　(3)針對無監(jiān)督算法在實(shí)時(shí)性方面的不足，提出了一種基于字典學(xué)習(xí)的半監(jiān)督織物瑕疵檢測算法。所提算法采用子窗口檢測策略，但并不試圖直接在子窗口上面進(jìn)行特征提取，而是先應(yīng)用學(xué)習(xí)字典對其進(jìn)行近似表達(dá)，然后在近似圖像與原圖像匹配的基礎(chǔ)上進(jìn)行瑕疵鑒別。論文引入了支持向量描述算法作為單分類器對所提取的相似度特征進(jìn)行分類。由于所提算法是在更為合理的模板匹配基礎(chǔ)上進(jìn)行，使得算