CN101063660B - 一种纺织品缺陷检测方法及其装置 - Google Patents

Abstract

本发明公开了一种纺织品缺陷检测方法及其装置。首先通过CCD摄像机获取纺织品生产线上的织物表面图像；应用小波变换对图像进行一层小波分解，将图像分解为互不重叠的四个子图，即，LH子图，HL子图，HH子图，LL子图；分别对LH，HL，LL子图进行自适应阈值处理进而实现织物缺陷定位；然后叠加三副子图得到最终的缺陷位置。本发明的装置包括CCD摄像机阵列、计算机服务器及其内部的纺织品缺陷检测程序模块以及连接CCD摄像机阵列和计算机服务器的数据线、连接在计算机服务器上的CCD摄像机控制线。本发明采用小波分析技术，只进行一层小波分解，计算速度快，定位准确，不需要任何纺织品缺陷的先验知识，不需要进行机器学习或训练，通用性好。

Description

一种纺织品缺陷检测方法及其装置

技术领域

本发明涉及一种纺织品缺陷检测方法及其装置，属于质量检测技术领域。

背景技术

质量检测是现代工业生产的重要环节，并在生产过程中占有重要地位。以纺织品为代表的工业生产更是如此。入世以来，我国的纺织工业正在面临更大范围和更高层次的对外开放的宏观环境，将获得更多的发展机遇，但也会迎来更艰巨的挑战。我国作为传统的纺织品生产和出口大国，纺织工业在国民经济中占有着极其重要的地位，并在相当长的时间内，仍然是重要的出口优势产业之一。保持纺织工业持续，稳定的发展对我国外贸事业乃至整个国民经济的发展都至关重要。然而，随着人民生活水平的日益提高，人类对纺织品的质量要求越来越高。因此，加强对纺织品的检测对提高我国纺织品的整体质量，增强我国纺织品的综合竞争力，促进纺织工业持续、稳定的发展具有十分重要的现实意义。

目前传统的纺织品缺陷检测方法是靠人工进行的，即依赖于人的眼睛去发现产品缺陷。人眼可以准确地发现纺织品的缺陷位置，但是由于检测工作本身的单调、乏味，以及人的眼睛很容易产生疲劳，随着检测时间的增加，人的眼睛越疲劳，产生的失误会迅速增加。据统计，即使是熟练的检测员，依靠人工进行纺织品缺陷检测的有效率也很难达到70％。另外，受人眼的生理机能所限，检测工作是缓慢的、费时的，难以满足现代化纺织工业生产的快速要求。

发明内容

本发明的目的在于提供一种基于图像处理的、快速、实时的纺织品缺陷自动检测方法，从而替代传统的人工检测方法，以弥补已有技术的不足和缺陷。

本发明的另一目的在于提供一种基于上述方法的纺织品缺陷自动检测装置。

本发明方法是通过以下步骤实现的：首先通过CCD摄像机获取纺织品生产线上的织物表面图像，应用小波变换对图像进行一层小波分解，将图像分解为互不重叠的四个子图，即，LH子图(表示水平方向的高频信息)，HL子图(表示垂直方向的高频信息)，HH子图(表示对角线方向的高频信息)，LL子图(表示图像的近似分量)。利用计算机服务器及其内部的纺织品缺陷检测程序模块，分别对LH，HL，LL子图进行自适应阈值处理进而实现织物缺陷定位，然后叠加三副子图得到最终的缺陷位置。因此，叠加后得到的子图包含织物缺陷出现位置的水平边缘，垂直边缘，及缺陷的整体形状信息。

本发明的装置包括CCD摄像机阵列、光源阵列、计算机服务器以及连接CCD摄像机阵列和计算机服务器的数据线、连接在计算机服务器上的CCD摄像机控制线及光源控制线。另外，计算机服务器还包括其内部的纺织品缺陷检测程序模块。

本发明采用已广泛应用于众多领域的小波分析技术，小波分析提供了一种自适应的时域和频域同时局部化的分析方法，无论分析低频或高频局部信号，它都能自动调节时-频窗，以适应实际分析的需要。小波分析在局部时-频分析中具有很强的灵活性，能聚焦到信号时段的任意细节，被喻为时-频分析的显微镜。因此，针对织物表面缺陷区域的纹理与周围正常织物表面的纹理在图像中灰度分布的不同，将织物图像进行小波分解以后，利用合适的特征提取方法，完全可以实现对纺织品的缺陷位置进行精确定位，从而对纺织品缺陷进行快速检测。即，不仅能判断织物表面有无缺陷，还能提供疵点的具***置和形状信息。

附图说明

图1为本发明的整体结构示意图。

图2为本发明的织物缺陷检测过程流程图。

图3为CCD摄像机获取的织物表面缺陷示意图像。

图4为本发明对HL子图阈值处理处理后的效果示意图。

图5为本发明对LH子图阈值处理处理后的效果示意图。

图6为本发明对LL子图阈值处理处理后的效果示意图。

图7为本发明对三副子图叠加处理后的效果示意图。

其中，1.纺织品生产线，2.光源阵列，3.CCD摄像机阵列，4.数据线，5.计算机服务器，6.CCD摄像机控制线，7.光源控制线。

具体实施方式

下面结合附图并通过具体实施例来进一步说明本发明。

如图1所示，本发明的装置包括CCD摄像机阵列3、光源阵列2、计算机服务器5及其内部的纺织品缺陷检测程序模块、连接CCD摄像机阵列3和计算机服务器5的数据线4、连接在计算机服务器5上的CCD摄像机控制线6及光源控制线7。本发明对织物缺陷检测方法为：首先通过CCD摄像机3获取纺织品生产线上的织物表面图像，并对其进行一层小波分解，将图像分解四个子图，分别表示为：LH子图(表示水平的高频细节信息)，HL子图(表示垂直的高频细节信息)，HH子图(表示对角线上的高频细节信息)，LL子图(表示图像的近似分量)。利用计算机服务器及其内部的纺织品缺陷检测程序模块，分别对LH，HL，LL子图进行自适应阈值处理进而实现织物缺陷定位，然后叠加三副子图得到最终的缺陷位置。

纺织品缺陷检测程序具体过程以HL子图缺陷检测过程为例进行说明。假设c(j，k)表示HL子图每一点对应的值，即小波分解以后得到的HL子图每一点对应的小波系数，其中，j，k为图像的坐标值，M，N分别为HL子图列数和行数。具体实现步骤如下：

1.用模板 $\left(\begin{array}{ccc}-1& 0& 1\\ -1& 0& 1\\ -1& 0& 1\end{array}\right)$ 对HL子图进行卷积，以增强垂直高频细节信息的对比度，用h(j，k)表示HL子图每一点所对应的卷积结果。(注明：本步可选可不选，针对部分纹理明显的纺织产品，此步可以省略)。

2.针对HL子图的每一行，对每个系数进行归一化：

$P_{\mathrm{jk}}=\frac{\left|h(j,k)\right|}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\left|h(j,k)\right|};$

计算此行水平变化：

${\mathrm{Dir}}_j=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{p_{\mathrm{jk}}}^2;$

3.每一行从左到右，计算每个点左右相邻的d个点的行水平变化为：

${\mathrm{Dir}}_{j\′k}=\frac{1}{2d+1}\underset{i=k-d}{\overset{k+d}{\mathrm{\Σ}}}{p_{\mathrm{ji}}}^2;$

其中，d可以取2-4之间的值。

4.针对每一行进行阈值处理：

其中，σ_j为第j行系数p_jk的均方差。δ为敏感系数，可以取δ＝3。图4为阈值后得到的图像，图像反映了织物缺陷的水平边缘细节信息。

同样的，用模板 $\left(\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ -1& -1& -1\end{array}\right)$ 对LH子图进行卷积，以增强水平高频细节信息的对比度。(注明：本步可选可不选，针对部分纹理明显的纺织产品，此步可以省略)。针对LH子图的每一列，处理过程类似上面对HL子图的处理，不同的是，对LH子图的处理是按每一列进行的。处理后得到阈值的图像，如图5所示。图像反映了织物缺陷的垂直边缘细节信息。

对LL子图而言，需要对其行和列同时进行处理。用模板 $\left(\begin{array}{ccc}-1& 0& 1\\ -1& 0& 1\\ -1& 0& 1\end{array}\right)$ 对HL子图进行卷积以后，针对每一行的处理过程雷同于对HL子图的处理。同样的，用模板 $\left(\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ -1& -1& -1\end{array}\right)$ 对LH子图进行卷积后，针对每一列的处理过程类似于针对于LH子图的处理，图6为阈值后的结果。

由于HH子图(对角线上的高频信息)包含图像的大部分噪声，因此不对其处理，以提高检测效果的准确性及处理的实时性。

最后，对三副子图进行叠加，得到最终的缺陷位置，及缺陷的整体形状信息，图7为最终的结果。针对不同的应用，采取不同的后续处理工作，如报警，标记缺陷位置等。

本发明的方法采用小波分析技术，只进行一层小波分解，计算速度快，定位准确，又考虑了处理的实时性。此外，本发明不需要任何纺织品缺陷的先验知识，不需要进行机器学习或训练，通用性好。

本发明的装置是独立于纺织品生产线之外的附加设备，不仅可以广泛应用于纺织品缺陷的处理方面，而且可以运用到任何具有纹理表面特征物体的缺陷检测，比如木材、塑料、陶瓷等产品的表面质量检测控制等领域。

Claims (1)

1.一种纺织品缺陷检测方法，其特征是，包括以下步骤：首先通过CCD摄像机获取纺织品生产线上的织物表面图像；应用小波基函数对图像进行一层小波分解，将图像分解为互不重叠的四个子图，即，LH子图，其表示水平方向的高频信息，HL子图，其表示垂直方向的高频信息，HH子图，其表示对角线方向的高频信息，LL子图，其表示图像的近似分量；分别对LH，HL，LL子图进行自适应阈值处理进而实现织物缺陷定位；然后叠加三副子图得到最终的缺陷位置；所述对HL子图进行自适应阈值处理包括以下步骤：

(1)用模板

对HL子图进行卷积，以增强垂直高频细节信息的对比度，用h(j，k)表示HL子图每一点所对应的卷积结果；

(2)针对HL子图的每一行，对每个系数进行归一化：

$p_{\mathrm{jk}}=\frac{\left|h(j,k)\right|}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\left|h(j,k)\right|};$

计算此行水平变化：

${\mathrm{Dir}}_j=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{p_{\mathrm{jk}}}^2;$

(3)每一行从左到右，计算每个点左右相邻的d个点的行水平变化为：

${\mathrm{Dir}}_{j^{\′}k}=\frac{1}{2d+1}\underset{i=k-d}{\overset{k+d}{\mathrm{\Σ}}}{p_{\mathrm{ji}}}^2;$

其中，d取2-4之间的值；

(4)针对每一行进行阈值处理：

其中，σ_j为第j行系数p_jk的均方差，δ为敏感系数，取δ＝3。

Images