CN102331425A

CN102331425A - 基于缺陷增强的纺织品缺陷检测方法

Info

Publication number: CN102331425A
Application number: CN201110177395A
Authority: CN
Inventors: 杨学志; 田晓梅; 田兆楠; 沈仁明; 刘灿俊; 曾得生
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2011-06-28
Filing date: 2011-06-28
Publication date: 2012-01-25
Anticipated expiration: 2031-06-28
Also published as: CN102331425B

Abstract

本发明公开了一种基于缺陷增强的纺织品缺陷检测方法，其特征是：利用CCD摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本，完成图像采集；对采集的图像利用局部模式间的相似性来进行增强，在主分量空间度量模式相似性不仅能消除一部分噪声而且能更精确的度量模式的相似性，从而更好的保持纺织品图像的纹理信息；对增强后的纺织品图像进行三层Haar小波分解，在缺陷能量分布最大的小波子带上运用阈值分割方法进行缺陷分割，输出分割结果，最终完成缺陷检测。本发明方法能很好地保持纺织品图像的纹理信息，突显缺陷部分和非缺陷部分的差异，从而提高检测正确率。

Description

基于缺陷增强的纺织品缺陷检测方法

技术领域

本发明涉及一种纺织品缺陷检测方法，特别是应用于用数字图像处理技术对由机器故障和纱线问题引起的缺陷的检测。

背景技术

缺陷检测是纺织品工业生产的关键环节。在纺织工业中，纺织品缺陷有50多种，大多数缺陷是由机器故障和纱线问题引起的，这类缺陷可分为污纱、蛛网、断经、并纬、稀弄和松纱六种缺陷。人工方式的纺织品缺陷检测效果严重依赖于检测者的主观经验、注意力和判断力。在现代纺织品工业生产中，纺织品缺陷自动检测正在逐步取代人工检测。

已有的基于数字图像处理和模式识别的纺织品缺陷自动检测技术通常分为两个部分：学习部分和检测部分。首先，对无缺陷训练样本及缺陷训练样本进行学习，获取先验知识，得到基准向量。然后，根据基准向量与测试样本之间的相似程度进行样本分类，实现纺织品缺陷检测。具体的学习和检测过程通常包括：图像采集、图像分析、特征值提取和缺陷检测。在运用图像处理技术对纺织品进行自动检测时，由于图像样本获取过程中受到噪声及织物本身材质的影响，样本的纹理结构模糊不清，不利于图像特征的提取，使得已有的检测方法检测率低。所以有必要对纺织品图像的缺陷进行增强，达到减小噪声影响，提高检测率的目的。

在近十年里，图像的纹理增强受到了广泛关注，可分为图像对比度增强和图像结构增强。图像对比度增强主要是扩展图像的直方图分布。常用的方法有直方图均衡化、梯度算法、基于提升小波的纹理增强方法等等。这些方法拉伸了图像的灰度直方图分布，增强了图像的亮度，但对噪声的抑制能力弱，仅仅适合因亮度分布不均而导致模糊的图像的增强。图像结构的增强主要是突显图像的纹理和边缘。最新的方法有基于微分的纹理增强方法，该方法突出了边缘的纹理信息，但对噪声敏感，适合没有噪声的图像。基于多尺度形态学重构的增强方法不仅增强了对比度，还保持了相连区域的灰度级的相关性，该方法适合一些亮度分布不均的图像，不适合噪声图像。基于知觉的纹理细节增强包括三部分：Clipped Median Filter、Sober滤波和边缘对比度增强，该方法克服了梯度增强中的过增强和弱增强的缺陷。以上的增强方法是对一般纹理图像的增强，不适用于具有丰富、规则周期纹理结构的纺织品图像的增强。对这种特殊图像的增强方法有多尺度纹理增强和基于离散高斯滤波器的纺织品图像增强方法。前者是由Joachim Weickert于1995年提出的，主要是把各向异性扩散的方法进行了改进，然后运用到纺织品图像中，该方法保持了图像纹理的连续性。后者是包晓敏于2005年提出的，该方法在去除噪声的同时平滑了图像的纹理。纺织品图像的纹理结构复杂，以上两种方法都很难保持纺织品图像的纹理信息。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提出一种基于缺陷增强的纺织品缺陷检测方法。以提高抗噪能力、能很好地保持纺织品图像的纹理信息，突显缺陷部分和非缺陷部分的差异，便于缺陷检测部分的正确分割，从而提高检测正确率。

本发明解决技术问题采用如下技术方案：

本发明基于缺陷增强的纺织品缺陷检测方法的特点是按如下过程进行：

a、图像采集：利用CCD摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本；

b、缺陷增强：利用邻域像素点的加权值来表示中心像素点，消除成像过程中产生的噪声；权值w(i，j)由中心像素点i与它的邻域像素点j的相似性决定；像素点i和像素点j的相似性取决于邻域特征向量v(N_i)和v(N_j)的相似程度；所述邻域像素点是指以像素点i为中心的搜索窗S_i内的像素点j，N_i是指以像素点i为中心的以相似窗为大小的邻域像素块；所述缺陷增强是按以下方式进行的：

首先将邻域特征向量v(N_i)投影到主分量空间得到新的特征向量v[d](N_i)，在所述主分量空间运用欧式距离按式(1)度量纹理的相似程度，再根据纹理的相似程度按式(2)计算权值，最后对像素v(i)的邻域像素v(j)按式(3)进行加权得到增强后像素值μ(i)，对图像v的所有像素点分别按上述方法进行增强后得到增强后的纺织品图像μ；

||v[d](N_i)-v[d](N_j)|| (1)

w (i, j) = \frac{1}{M (i)} e^{- \frac{| | v [d] (N_{i}) - v [d] (N_{j}) | |}{h^{2}}} - - - (2)

式(2)中

M (i) = \underset{j &Element; S_{i}}{Σ} e^{- \frac{| | v [d] (N_{i}) - v [d] (N_{j}) | |}{h^{2}}}

i＝1、2......k

μ (i) = \underset{j &Element; S_{i}}{Σ} w (i, j) v (j) - - - (3)

其中的h为衰减指数，k为图像的像素点个数；

c、缺陷检测：对增强后的纺织品图像进行小波变换，在缺陷能量分布最大的小波子带上运用阈值分割方法进行缺陷分割，输出分割结果，最终完成缺陷检测。

本发明基于缺陷增强的纺织品缺陷检测方法的特点也在于：

所述步骤b中的缺陷增强是将邻域特征向量投影到主分量空间，选择前d个分量计算相似度，d值取为6、7......49；衰减指数h取为0.5δ²，δ²为噪声方差；按像素点计搜索窗取为21×21，相似窗取为7×7。

所述步骤b中的加权模型是采用最近邻加权模型，所述加权模型是一种把搜索窗中所有像素点的最大权值赋给中心像素点的权值的加权形式。

所述步骤c中对增强后的纺织品图像进行小波变换的小波函数采用Haar小波，并对所述增强后的纺织品图像进行三层小波分解。

与已有技术相比，本发明有益效果体现在：

1、本发明中在进行检测前首先对纺织品图像进行了缺陷增强，消除了成像***和织物本身的噪声影响，突显缺陷部分和非缺陷部分的差异，便于缺陷部分的正确分割，从而提高检测正确率。

2、本发明采用了一种新的缺陷增强算法，利用局部模式间的相似性对纺织品图像样本进行增强。在主分量空间度量模式相似性不仅能消除一部分噪声而且能更精确的度量模式的相似性，从而更好的保持纺织品图像的纹理信息。

3、纺织品图像具有周期性的纹理结构，缺陷的产生使得局部的纹理发生了扭曲。本发明中小波变换可以在不同的尺度和方向上有效的区别这种扭曲的纹理，更好的分割出缺陷部分。

附图说明

图1为本发明方法示意图；

图2为本发明方法中缺陷增强原理图；

图3为本发明方法中缺陷检测原理图。

具体实施方式

本实施例应用数字图像处理技术对由机器故障或纱线问题所引起的纺织品的缺陷进行检测，过程如下：

参见图1，图像采集：利用CCD摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本；

参见图1、图2，缺陷增强是利用邻域像素点的加权值来表示中心像素点，消除加性噪声；权值w(i，j)由中心像素点i与它的邻域像素点j的相似性决定；像素点i和像素点j的相似性取决于邻域特征向量v(N_i)和v(N_j)的相似程度；邻域像素点是指以像素点i为中心的搜索窗S_i内的像素点j，N_i是指以像素点i为中心的以相似窗为大小的邻域像素块；缺陷增强是按以下方式进行的：

首先将邻域特征向量v(N_i)投影到主分量空间得到新的特征向量v[d](N_i)，在主分量空间运用欧式距离按式(1)度量纹理的相似程度，再根据纹理的相似程度按式(2)计算权值，最后对像素v(i)的邻域像素v(j)按式(3)进行加权得到增强后像素值μ(i)，对图像v的所有像素点分别按上述方法进行增强后得到增强后的纺织品图像μ；

||v[d](N_i)-v[d](N_j)|| (1)

w (i, j) = \frac{1}{M (i)} e^{- \frac{| | v [d] (N_{i}) - v [d] (N_{j}) | |}{h^{2}}} - - - (2)

式(2)中

M (i) = \underset{j &Element; S_{i}}{Σ} e^{- \frac{| | v [d] (N_{i}) - v [d] (N_{j}) | |}{h^{2}}}

i＝1、2......k

μ (i) = \underset{j &Element; S_{i}}{Σ} w (i, j) v (j) - - - (3)

其中的h为衰减指数，k为图像的像素点个数；

本实施例中将邻域特征向量投影到主分量空间，选择前d个分量计算相似度，d值取为6、7......49；按像素点计搜索窗取为21×21，相似窗取为7×7，衰减指数h取为0.5δ²，δ²为噪声方差；加权模型是采用最近邻加权模型，最近邻加权模型是一种把搜索窗中所有像素点的最大权值赋给中心像素点的权值的加权形式。

由于纺织品的自动检测成像***中获取的纺织品图像受到噪声、织物材质以及细小绒线等的干扰，严重影响了检测结果。本实施例中通过缺陷增强可以去除图像中由以上因素引起的干扰，恢复纺织品固有的组织纹理信息，同时突显缺陷部分和非缺陷部分的差异。纺织品图像具有规则周期的纹理信息，存在大量的具有相似模式的像素块，本实施例利用这些局部模式的相似性来恢复纹理信息，充分利用了纺织品图像的结构特征。

由于纺织品图像受到噪声及其结构复杂性的影响，各邻域特征向量之间是不独立的，而运用欧式距离计算相似程度的假设条件是各邻域特征向量相互独立，因此，在像素空间增强纺织品图像存在以下两点缺陷：1、不能精确度量模式相似性。2、相似度的抗噪声能力弱。主分量分析是一种典型的统计分析方法，把噪声图像分解为图像信息分量和噪声分量，并去除了各分量间的相关性。本实施例中，在主分量空间可以更精确的度量模式相似性，以提高抗噪能力、很好地保持纺织品图像的纹理信息，从而达到突显纺织品图像缺陷区域的目的。主分量空间的维数d可以通过缺陷样本和非缺陷样本间可分离性的分析来选择调整，从而使缺陷增强的结果最大化缺陷与非缺陷间的可分离性，进一步提高缺陷检测的准确率。具体的实施方式为d值取为6、7......49，分别得到类可分离性结果，最好的类可分离性所对应的d值就是最终的取值。

参见图1、图3，缺陷检测是对增强后的纺织品图像进行小波变换，在缺陷能量分布最大的小波子带上运用阈值分割方法进行缺陷分割，输出分割结果，最终完成缺陷检测。

本实施例中对增强后的纺织品图像进行小波变换的小波函数采用Haar小波，并对增强后的纺织品图像进行三层小波分解。

为了得到各类缺陷的能量分布最大的小波子带1～N和各类缺陷的分割阈值，对N类缺陷训练样本进行学习，获取先验知识。由于每一类缺陷图像都会在某一个小波子带上的能量分布最大，在其他子带上的能量分布可以忽略。所以对测试样本图像进行小波变换，并在1～N个小波小波子带上分割，总会有一种小波子带适合样本图像。对1～N个分割结果合成，最终输出检测结果。

Claims

1.基于缺陷增强的纺织品缺陷检测方法，其特征是按如下过程进行：

||v[d](N_i)-v[d](N_j)|| (1)

w (i, j) = \frac{1}{M (i)} e^{- \frac{| | v [d] (N_{i}) - v [d] (N_{j}) | |}{h^{2}}} - - - (2)

式(2)中

M (i) = \underset{j &Element; S_{i}}{Σ} e^{- \frac{| | v [d] (N_{i}) - v [d] (N_{j}) | |}{h^{2}}}

i＝1、2......k

μ (i) = \underset{j &Element; S_{i}}{Σ} w (i, j) v (j) - - - (3)

其中的h为衰减指数，k为图像的像素点个数；

2.根据权利1所述的基于缺陷增强的纺织品缺陷检测方法，其特征是所述步骤b中的缺陷增强是将邻域特征向量投影到主分量空间，选择前d个分量计算相似度，d值取为6、7......49；衰减指数h取为0.5δ²，δ²为噪声方差；按像素点计，搜索窗取为21×21，相似窗取为7×7，。

3.根据权利1所述的基于缺陷增强的纺织品缺陷检测方法，其特征是所述步骤b中的加权模型是采用最近邻加权模型，所述加权模型是一种把搜索窗中所有像素点的最大权值赋给中心像素点的权值的加权形式。

4.根据权利1所述的的基于缺陷增强的纺织品缺陷检测方法，其特征是所述步骤c中对增强后的纺织品图像进行小波变换的小波函数采用Haar小波，并对所述增强后的纺织品图像进行三层小波分解。