織物瑕疵檢測與分類方法
2023-04-23 18:55:36
專利名稱：織物瑕疵檢測與分類方法
技術領域：
本發明屬於圖像識別技術領域，具體地是一種對圖像紋理的檢測方法，可用於對 紡織品檢測環節中採集到的織物瑕疵圖片識別。
背景技術：
織物瑕疵檢測作為一種有效的質量保證手段目前主要通過人工來實現，工作量大 且檢測效率不高。故採用自動化的機器檢測是一種合理的選擇，其能夠保證較高的檢測速 度和檢測率。織物瑕疵檢測與分類的一個難點是瑕疵種類多且形狀各異。按照我國紡織工業的 標準，已定義的織物瑕疵就有55種。對於各種瑕疵特點的描述大都比較主觀，沒有定量來 說明瑕疵之間的異同，這也給瑕疵檢測帶來困難。從國際上來看，已有的和正在研究開發中 的相似的產品都採用了基於視覺的檢測方法。但是這些產品主要針對織物瑕疵檢測，對織 物瑕疵分類研究很少。織物瑕疵定位目前主要有三大類方法基於統計的方法、基於模型的方法和基於 譜的方法。東華大學步紅剛等人採用分形算法對七種不同紋理背景的瑕疵進行了檢測，並 將誤警率和漏檢率控制在10%以內。中科院自動化研究所韓立偉等人使用模板匹配方法檢 測織物瑕疵，通過獲取織物紋理的統計信息，並從中提取出正常紋理的特徵。在此基礎上提 取出更新的匹配模板和自適應變化的瑕疵判決閾值，使模板和判決閾值不需要人為幹預， 以此提高了算法的自適應性。近些年，基於譜的方法在瑕疵定位中被人們廣泛應用。基於 多解析度分析理論，同時從圖像空域和頻域研究紋理分布，從不同尺度不同方向研究織物 瑕疵，最終在一個最佳的尺度上尋求與瑕疵的匹配，實現對瑕疵的準確定位。由於不同種類 的織物瑕疵對布匹質量的影響不同，最終的目的是為了鑑別瑕疵的種類進而對布匹質量實 現自動評級，故在檢測之後需要通過有效的分類技術對瑕疵種類加以區別。而上述這些檢 測方法僅是對瑕疵的定位，而不能對瑕疵分類。
發明內容
本發明的目的在於克服現有織物瑕疵檢測技術的不足，提供一種織物瑕疵檢測與 分類的方法，以對瑕疵圖片中瑕疵同時進行定位和分類，實現對布匹質量的自動評級。實現本發明的目的的技術方案是採用Gabor濾波器組對瑕疵圖像濾波，從濾波 輸出中挑選出一個最優濾波結果，對其二值化獲得瑕疵在圖像中的位置。再對瑕疵進行分 類，其本實現步驟包括如下(1)獲取解析度為256*256，位深度為8位的織物灰度圖像；(2)對織物灰度圖像的像素灰度值歸一化，使一幅圖像中的所有像素值具有零均 值並且標準差為1 ；(3)用Gabor濾波器組確定織物灰度圖像中的瑕疵位置；(4)根據瑕疵的位置提取瑕疵的特徵，並利用主成分分析算法和廣義判別分析算法對瑕疵的特徵向量依次進行降維、去相關性和最大化不同類特徵間距離的預處理；(5)採用預處理後的瑕疵特徵對神經網絡分類器進行訓練；(6)重複步驟2-4確定出所有瑕疵的位置，用訓練後的分類器對這些瑕疵進行分 類識別，確定瑕疵的類別。本發明具有如下優點1)本發明基於織物瑕疵的紋理分析，由於採用Gabor濾波器組對織物瑕疵圖像 濾波，並從中挑選出一個最優濾波結果，經過二值化實現對瑕疵的定位，因而不受瑕疵的位 置、形狀限制，並能適合大多數常見瑕疵的準確定位。2)本發明採用了 Gabor特徵與局部二進位模型特徵的複合特徵分別從全局和局 部描述瑕疵 紋理，能夠充分體現各種織物瑕疵的差異，這兩種特徵能起到良好的互補。3)本發明由於採用對瑕疵特徵進行維數降低，特徵之間的相關性降低的前期處 理，更適合分類器的學習。4)本發明由於採用的人工神經網絡分類器，為瑕疵識別提供了一個較好的分類能 力，使所有瑕疵分類共用一個神經網絡結構，節省了很多計算量。
圖1為本發明的織物瑕疵檢測與分類方法的流程圖；圖2為本發明採集的9類常見織物瑕疵樣本；圖3為本發明對9類常見織物瑕疵樣本測試集的瑕疵定位的仿真結果圖；圖4為本發明訓練神經網絡分類器的仿真結果圖。
具體實施例方式參照圖1，本發明提出織物瑕疵自動檢測與分類方法，其實現步驟包括如下步驟1 採用普通工業攝像頭，獲取解析度為256*256織物瑕疵灰度圖片。本發明從織物檢測生產線上，採用工業攝像頭獲取得織物圖片，對其中的瑕疵圖 片進行挑選，共搜集常見的9類織物瑕疵，如圖2，每一類包括80張圖片，所有圖片都為8位 灰度圖，大小為256*256。每一類採用隨即選取的75%的圖片作為訓練樣本，所有的圖片都 作為測試用。步驟2 對織物灰度圖像的像素灰度值歸一化，使一幅圖像中的所有像素值具有 零均值並且標準差為1。輸入灰度織物圖像I，每個像素點灰度值為I (X，y)，先計算所有像素灰度值的均 值M和方差V，然後對每個像素點減去均值並除以標準差，計算如下I(x, y) = (I (x, y)-Μ)/sqrt (V) 1)步驟3 用一組Gabor濾波器對歸一化後的織物灰度圖像濾波。(3a)按照如下公式產生一組具有4個尺度和6個方向的Gabor濾波器= -lTexp[-4^]exp(y2^A) f = ^-2)
2πσ2σ2σ其中f是Gabor濾波器的中心頻率，x, y分別是Gabor濾波器的橫縱坐標，ο是 Gabor濾波器的尺度。
對2)式中濾波器的坐標進行旋轉得 當ο =1，2，4，8且θ = 0，30，60，90，120，150度時，可得到一組在不同尺度和不 同方向的Gabor濾波器組gi (x' , y')；(3b)用以上的Gabor濾波器組對歸一化後的織物灰度圖像I (x，y)濾波，其幅度 響應值為 其中1,「』,/),1 /)。分別是濾波器5；0』,/)的實部和虛部，*代表二維卷
積運算。步驟4 從所有的織物圖像Gabor濾波結果中挑選一個最優濾波結果。先將織物灰度圖片I (x，y)分割成K個互不重疊相同大小的正方形子區域，計算每 個子區域對每個Gabor濾波器輸出幅度值的均值，對應於第i個Gabor濾波器輸出，最小和
最大子圖均值分別為和D飄；再根據最小和最大子圖均值計算所有濾波結果的損失函
數值 將產生最大損失函數的濾波結果被選為最佳濾波結果，記為1_。步驟5 採用Gauss濾波器對織物灰度圖像的最優Gabor濾波結果除噪。最優濾波結果I。pt是一個灰度圖像，本發明採用一個Gauss濾波器來降低Gabor濾 波輸出中的方差，這個Gauss濾波器是和Gabor濾波器的中心頻率相關，其形式如下 其中σ等同於Gabor濾波器中的σ ；用式6)與最優濾波結果I。pt做二維卷積，可消除I。pt中的噪聲。步驟6 對織物灰度圖像的最優Gabor濾波結果二值化，獲得瑕疵在圖像中的位置。(6a)先通過最優Gabor濾波器對正常布匹圖片濾波，再用式6)中的Gauss濾波 器對該正常布匹圖片進行平滑濾波，最終由濾波後的正常紋理圖片獲得一幅新的參考圖片 Bref，由此參考圖片得到二值化的閾值分別是上閾值λ_和下閾值 其中W是圖像中的一個中心窗，所有有效像素都取自這個中心窗中，圖像邊緣像 素不予考慮，以此來避免邊緣像素卷積時造成的影響；(6b)根據上閾值λ_和下閾值，通過下式對瑕疵圖像最優化濾波結果1_進 行二值化
由此獲得一個顯示了瑕疵位置的二值圖像mask。如圖3所示白色區域為瑕疵區 域，正常部分是黑色。步驟7 根據瑕疵在圖像中的位置，提取瑕疵區域的瑕疵的特徵。(7a)根據瑕疵的位置，在所有Gabor濾波結果中先計算瑕疵區域的均值，再在每 個尺度上計算所有方向上的均值，從四尺度的Gabor濾波結果中獲得一個4維的Gabor特 徵向量，並對其值做歸一化；(7b)根據瑕疵的位置，利用局部二進位模式中的三種不同的鄰域模型分別對織物 灰度圖像進行變換，計算變換後圖像瑕疵區域的直方圖作為瑕疵的局部二進位模式特徵向 量，並對該特徵向量作歸一化；(7c)將歸一化後的Gabor特徵向量與局部二進位模式特徵向量合併成一個混合 特徵向量，作為瑕疵的特徵，記作X。步驟8 利用主成分分析算法和廣義判別分析算法對瑕疵的特徵向量依次進行降 維、去相關性和最大化不同類特徵間距離的預處理。步驟9 用預處理後的瑕疵特徵向量訓練神經網絡分類器。本發明採用一個3層神經網絡，包括輸入層、隱含層和輸出層，其中隱含層節點數 按下式得到
9)式中，N1, N2和N3分別是輸入層，隱含層和輸出層的節點數；在神經網絡訓練時，學習速率和動量項都設定為0. 1，且每個輸入的訓練樣本都要 指定一個期望輸出，對瑕疵特徵的期望輸出採用編碼的方式，同一類的瑕疵特徵採用相同 的編碼，如對圖2中採集的9類瑕疵分別進行編碼，其中圖2c類所示的瑕疵期望輸出可以 表示為W，0，1，0，0，0，0，0，0]。訓練時，神經網絡的權值通過反向傳遞算法在每次迭代中修 正，直到達到預設的誤差，由此獲得訓練好的神經網絡分類器。步驟10 用訓練好的神經網絡分類器對瑕疵特徵分類。將瑕疵特徵向量輸入到訓練好的神經網絡分類器中，比較神經網絡分類器輸出層 每個結點的輸出值，將輸出值最大的結點所對應的訓練瑕疵類別作為檢測到的瑕疵的類 別。本發明的效果可通過以下仿真檢測進一步說明本發明採集了如圖2所述的a，b，c, d，e, f，g，h，i這9類常見織物瑕疵；利用本 發明的上述步驟2-6在對每類瑕疵進行了定位，如圖3中a，，b，，C，，d，，e，，f，，g，，h，，i， 所示；接著採用步驟7和8對定位並提取的瑕疵特徵進行特徵向量進行預處理；然後按照 步驟9訓練神經網絡分類器，圖4所示是對神經網絡分類器訓練了 3次的結果，每次訓練均 在120次迭代步數內達到預設的訓練誤差值1. Oe-6 ；最後採用訓練好的神經網絡分類器按 照步驟10對瑕疵圖片進行分類，每一類的瑕疵分類準確率如表1所示表1織物瑕疵檢測識別率 由表1可見，本發明所採用的織物瑕疵檢測與分類方法能夠準確定位出瑕疵在圖 片中的位置，並對瑕疵分類取得了較好的分類準確率，證明了其在實際應用中的有效性。
權利要求
一種織物瑕疵自動檢測與分類方法，包括如下步驟(1)獲取解析度為256*256，位深度為8位的織物灰度圖像；(2)對織物灰度圖像的像素灰度值歸一化，使一幅圖像中的所有像素值具有零均值並且標準差為1；(3)用Gabor濾波器組確定織物灰度圖像中的瑕疵位置；(4)根據瑕疵的位置提取瑕疵的特徵，並利用主成分分析算法和廣義判別分析算法對瑕疵的特徵向量依次進行降維、去相關性和最大化不同類特徵間距離的預處理；(5)利用預處理後的瑕疵特徵對神經網絡分類器進行訓練；(6)重複步驟2-4確定出所有瑕疵的位置，用訓練後的分類器對這些瑕疵進行分類識別，確定瑕疵的類別。2、根據權利要求1所述的織物瑕疵檢測與識別方法，其特徵在於步驟(3)所述的用Gabor濾波器組確定織物灰度圖像中的瑕疵位置，按如下步驟進行(2a)根據二維Gabor函數進行尺度變換和方向旋轉，得到一組具有4尺度和6個方向的Gabor濾波器，用每個Gabor濾波器對歸一化後的織物灰度圖像濾波，其中x，y分別為濾波器的橫縱坐標，σ是濾波器的尺度，σ＝1，2，4，8，f是濾波器的中心頻率，(2b)將濾波後的圖片分割成K個互不重疊，且大小相同的正方形子區域，計算每個子區域中濾波輸出幅度值的均值，用該均值計算每個濾波結果對應的損失函數將產生最大損失函數值的Gabor濾波器定為最優濾波器，並用一個高斯濾波器對該最優濾波結果除噪，其中和分別為子圖的最小均值和最大均值；(2c)選定一個正常圖像作為參考圖像，並用最優濾波器和高斯濾波器對該參考圖像進行濾波，獲得所有像素的最小值和最大值，分別作為下閾值和上閾值。(2d)將從最優濾波器輸出的瑕疵圖像濾波結果的每個像素點與上下兩個閾值作比較，將介於上閾值和下閾值之間的像素確定為瑕疵區域，其餘確定為正常紋理區域，由此得到一幅標記瑕疵位置的二值圖。FSA00000176859500011.tif,FSA00000176859500012.tif,FSA00000176859500013.tif,FSA00000176859500014.tif,FSA00000176859500015.tif
2.根據權利要求1所述的織物瑕疵檢測與識別方法，其特徵在於步驟(3)所述的用 Gabor濾波器組確定織物灰度圖像中的瑕疵位置，按如下步驟進行(2a)根據二維 Gabor 函數 進行尺度變換和方向旋轉，得到一組具有4尺度和6個方向的Gabor濾波器，用每個Gabor濾波器對歸一化 後的織物灰度圖像濾波，其中x，y分別為濾波器的橫縱坐標，o是濾波器的尺度， 2，4，8，f是濾波器的中心頻率(2b)將濾波後的圖片分割成K個互不重疊，且大小相同的正方形子區域，計算 每個子區域中濾波輸出幅度值的均值，用該均值計算每個濾波結果對應的損失函數 將產生最大損失函數值的Gabor濾波器定為最優濾波器，並用一個高斯濾波器對該最優濾波結果除噪，其中億, 和^>_分別為子圖的最小均值和最大均值；(2c)選定一個正常圖像作為參考圖像，並用最優濾波器和高斯濾波器對該參考圖像進 行濾波，獲得所有像素的最小值和最大值，分別作為下閾值和上閾值。(2d)將從最優濾波器輸出的瑕疵圖像濾波結果的每個像素點與上下兩個閾值作比較， 將介於上閾值和下閾值之間的像素確定為瑕疵區域，其餘確定為正常紋理區域，由此得到 一幅標記瑕疵位置的二值圖。
3.根據權利要求1所述的織物瑕疵檢測與識別方法，其特徵在於根據瑕疵的位置提取 瑕疵的特徵，按如下步驟提取(3a)根據瑕疵的位置，在所有Gabor濾波結果中先計算瑕疵區域的均值，再在每個尺 度上計算所有方向上的均值，從四尺度的Gabor濾波結果中獲得一個4維的Gabor特徵向 量，並對其值做歸一化；(3b)根據瑕疵的位置，利用局部二進位模式中的三種不同的鄰域模型分別對織物灰度 圖像進行變換，計算變換後圖像瑕疵區域的直方圖作為瑕疵的局部二進位模式特徵向量， 並對該特徵向量作歸一化；(3c)將歸一化後的Gabor特徵向量與局部二進位模式特徵向量合併成一個混合特徵 向量，作為瑕疵的特徵。
全文摘要
本發明公開了一種織物瑕疵檢測與分類方法，主要解決布匹瑕疵自動化檢測與分類問題。該方法首先對織物瑕疵圖片檢測，用Gabor濾波器組對其濾波，從中挑選出一個最優濾波結果，利用參考圖片對其二值化，從而定位出瑕疵在圖像中的位置；接著根據瑕疵的位置，提取由Gabor特徵和局部二進位模型特徵構成的複合特徵；再對這個複合特徵用主成分分析和廣義判別分析算法進行預處理；再用經過預處理後的瑕疵特徵訓練神經網絡分類器；最後用訓練好的分類器對織物瑕疵特徵實現準確分類。本發明具有對瑕疵定位準確和分類準確率高的優點，可用於對紡織廠布匹瑕疵的檢測與分類。
文檔編號G06K9/62GK101866427SQ20101022058
公開日2010年10月20日 申請日期2010年7月6日 優先權日2010年7月6日
發明者盧朝陽, 孫華凱, 屈博, 崔玲玲, 張宇, 李益紅, 李靜 申請人:西安電子科技大學