基于小波分析和边缘检测的布匹瑕疵检测方法.doc

(完整word)基于小波分析和边缘检测的布匹瑕疵检测方法 文章编号：基于小波分析和边缘检测的布匹瑕疵检测方法殷国亮，郑欣,张瑞，童云霞，林潼川,杜斌，白瑞林(江南大学物联网工程学院 无锡 214122）摘 要：为了满足布匹瑕疵检测的准确性和实时性要求，在对国内外织物疵点自动检测系统和理论研究成果的学习与研究的基础上，提出了一种基于图像边缘检测和小波分析的检测方法。该方法首先根据瑕疵边缘变化的差异，通过边缘检测中的Canny算子检测出油污；然后使用bior5.5对非油污图像分别在水平、垂直方向进行三重分解,提取水平和垂直方向高频图像的特征值:能量、方差和极差，得到图像纹理频谱相应特征值的分布情况；对特征值归一化并设置相应的阈值，即可得到的不同的特征向量，从而实现对断经、断纬和破洞的实时检测。实验证明，该种方法检测速度快,准确率高，能够满足检测要求。关键词：瑕疵检测；边缘检测;小波分析；特征值 中图分类号: TP391.4 文献标识码：AFabric defect detection based on Wavelet analysis and Edge detectionYIN Guo-liang，ZHENG Xin，ZHANG Rui,TONG Yunxia，LIN Tong-chuan，DU Bing，BAI Rui-lin(Jiangnan Unversity。Wuxi，214122,China。BAI Ruilin, bairuilinhotmail。com )Abstract:To meet the accuracy and real-time requirements of the fabric defect detection, the article proposed a method based on edge detection and wavelet analysis through the study and research of the development of the automatic detecting technologyIn terms of the differences of the changes in defects marginal, greasiness can be detected by Canny operator； Hereafter ,respectively decompose the image in the horizontal and vertical direction in the scale of 3 with bior5.5 to extract horizontal and vertical high-frequency images characteristic value： energy, variance and range and get the distribution of related features value on the image texture spectrum。 Finally, normalize the image and set up corresponding threshold so as to get a set of characteristic vector through which end out，thread out and torn can be defected. Experiments showed that the method is speedy,accurate and can meet the detection requirements.朗显示对应的拉丁字符的拼音朗显示对应的拉丁字符的拼音Key word: fabric defect detection； edge detection； wavelet analysis；characteristic value 0 引言 传统布匹瑕疵检测是以人眼观察为主，劳动强度大,同时受主观因素影响，漏检率较高，速度慢，效率低下，很难适应现代布匹的高速化生产方式。因此，布匹瑕疵的自动检测逐渐替代了传统的人工检测方法，而基于机器视觉的自动布匹检测系统的研究也成为近年来纺织工业自动化领域研究的热门，备受关注. 目前，布匹瑕疵检测系统主要有光电式和高速图像采集两类。由于第1种方式在高速识别疵点时很难对其进行准确分类,因此现在大部分的研究是针对第2种方式，它具有高速、准确的特点，其验布速度可达100m/min以上,是自动验布系统发展的主要方向1。近几年，国外在布匹瑕疵自动检测系统的理论方面都进行了大量的研究，取得了一定的成果，其中也有一些成果进入市场，比如瑞士Zellweger Uster公司推出的用神经网络识别技术开发的Fabriscan检布系统。在国内，因为基于机器视觉的复杂性，研究暂处于理论阶段，未形成产品，纺织企业对瑕疵自动检测的了解也有限，未能得到普及.本文提出了一种运用小波分析和边缘检测相结合的方法对布匹瑕疵进行检测,取得了很好的检测效果。1 布匹纹理特征及其分析方法布匹的纹理是其重要特征，因此，目前布匹瑕疵检测的主要方法之一就是利用机器视觉对布匹进行纹理采集并分析。常用的纹理表达和描述方法主要有4种:统计法、结构法、频谱法和时域变换法。统计法是一种借助灰度直方图的矩阵来描述纹理，利用求取到的统计特征量(如标准差)找到疵点的检测方法.这种方法简单易行，但对图像质量的要求较高，易受噪声的影响。时频域变换法，是将图像信息分解到各子域,再分析抑制图像纹理的信息频段，从而增强疵点信息频段，完成检测，如小波变换、Gabor变换等。为了满足瑕疵检测系统实际运用中的实时性和准确性的要求，本文采用了将统计法与时频域变换结合的方法，提出了一种准确率更高，速度较快的布匹瑕疵检测方法。为了提高检测准确率，采用直方图规定化和中值滤波对图像进行增强、消噪并采用了方差、极差、能量这三种特征值对图像进行分析与比较。利用边缘检测先检测出油污图像再对非油污图像进行处理也加快了算法速度.2 检测原理和实验过程2.1 图像预处理在特征值提取之前，必须对图像进行预处理。在实验中使用的是CCD工业摄像头对有瑕疵的布匹进行拍摄，得到大小为256256的RGB图像后将真其转换成灰度图像。随后应用直方图规定化和中值滤波器对图像降噪、增强。2.1。1 直方图规定化在之前的许多研究成果中,将直方图均衡化作为图像增强的主要方法.但是布匹图像一般比较灰暗,它的灰度直方图全都集中在低灰度区，低灰度频率很高,把这幅图片均衡化后，相对较低灰度的像素会被均衡到高灰度区，图像会产生高亮和失真。所以本文放弃直方图规则化而选用直方图规定化就是为了避免出现这种现象.直方图规定化是使原图像灰度直方图变成规定形状的直方图而对图像做修正的增强方法。它是对直方图均衡化处理的一种有效地扩展，而直方图均衡化处理只是直方图均衡化的一个特例.用直方图规定化对布匹图片增强。断经实验效果如图1所示：(c) 直方图规定化后的图像图1 断经布匹图像直方图规定化前后对比(d) 直方图规定化后灰度直方图(a) 断经原始图像 (b)图像灰度直方图在对图像进行预处理后，图像的对比度明显上升，并且没有高亮和失真，有利于特征值的提取。2.1.2 图像消噪在图像采集和直方图规定化过程中难免会产出不必要地噪声，因此须对图像进行消噪处理。本文采用了比较普遍的中值滤波处理方法。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是去某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降）的为二维数据序列。二维中值滤波输出为 （2-1）其中,，分别为原始图像和处理后图像2.2.1.3 瑕疵预检为了提高检测速度,减少不必要的运算时间,在图像预处理后加入了瑕疵预先检测技术。这种方法的原理是对每个像素点的灰度进行检测。当这幅图的没有瑕疵时，各个像素点的灰度变化比较小,灰度极差相对于瑕疵布匹图像较小。于是引入极差检验，经过大量实验，正常布匹灰度极差一般在80以内,而所有有瑕疵的布匹灰度极差都突破了100，于是可以取阈值为80，当灰度极差为80以内时，将跳过其他检验,直接归类为正常布匹.引入这项检测后，在瑕疵率为20的批量检测中，检测速度提高了80%。相对误差率为0.2.2 边缘检测数字图像的边缘检测是图像识别中提取图像特征和重要属性的方法。边缘检测是在图像特征变化不连续的情况下引入的，例如灰度值的突变、颜色的突变，亮度的突变，纹理突变等。图像的边缘检测大量减少了数据量,并且剔除了不相关的信息，保留了图像重要的结构属性。同样边缘检测突出了边缘的特征，特别对于突变边缘的特征提取具有重要帮助。Canny算子是在经典算子的基础上经过优化得到的边缘检测算子.相对于其他算子，Canny算子提取的边缘最为完整，而且边缘的连续性很好，定位比较精确,因此本文采用的是Canny算子进行边缘检测。在引入Canny算子之前,布匹图像已经转化成了灰度图,所以这里将像素点的灰度作为特征量进行分析。对于布匹图像中某个物体边界上的像素点，其邻域将是一个灰度变化带。比较这种变化最有效的特征值便是基于各个方向上灰度的变化率。这个特征值可以分成两个方面来表示，分别是梯度向量的幅值和梯度向量的方向2。所以，对于一个布匹图像，当布匹上出现瑕疵时，此时该像素点的灰度会发生突变，通过边缘只需求出梯度的局部最大值和方向。 Canny算子的边缘检测主要有以下几个步骤： 首先用2D高斯滤波模板与原始图像进行卷积，目的是消除噪声: （2-2)高斯滤波器为：设经过高斯滤波后的图像是。 利用导数算子(Prewitt算子或Soble算子）求出灰度沿和两个方向的导数，并求出梯度的模： （2-3) 利用上面的结果求出梯度的方向： (24) 把边缘的梯度方向大致分为四种：水平,垂直，45方向和135方向，并找到这个像素梯度方向的邻接像素. 遍历图像，求出所有符合条件的像素点，并置为1,其余点置为0.再通过阀值进行筛选，将所有符合条件的像素显示出来3。纵观布匹瑕疵的分类，可以对瑕疵边缘的变化程度分为两类，一类是缓慢变化的，如断经，断纬和破洞，另一类是突变型的，如油污等.经过基于Canny算子的边缘检测后，图像中的所有边缘都检测了出来,此时设置一个阀值,将其他不明显的边缘剔除,留下较为明显的边缘。经过大量实验,将阀值设为0.6左右时,布匹本身纹理造成的边缘可以完全剔除，较为合适。实验效果如图2所示：图2 Canny算子检测前后对比(a) 断经(b) 断纬(c) 破洞(d) 油污 从实验后的图片看，Canny算子能够比较明显的显示出像素的突变点。然而每幅图像中都出现了孤立点，所谓孤立点（如图3所示），就是在一个像素点为中心的33的像素阵中，除了中心点为1外,其余点都是0。000010000图3 孤立点示意图 我们可以对实验结果中孤立点的个数运用二叉树分类法进行分类，当隔离点个数小于3时，一般认为瑕疵的边界突变非常明显，孤立点形成的是一个比较明显的圈，如图3中的油污检测结果。利用孤立点的个数，将瑕疵的种类分为了油污和非油污两类。在先前的大量实验中，基于Canny算子的边缘检测方法检测正确率高达100，而且运算速度相对而言比较快,符合布匹检测的基本要求.对于布匹的断经、断纬和破洞现象，将引入小波分析的方法对他们进行分类。2.3 小波分析小波变换是一窗口大小固定不变但其形状可改变的时频局部化分析方法,可以取得较好的频率分辨率，从而能有效地从信号中提取信息.在实际应用中，为了方便计算机进行分析、处理，信号都要离散化为离散序列，成为离散小波变换。 由于离散二进制小波变换是对连续小波变换的伸缩因子和平移因子按一定规则采样而得到的,因此，连续小波变换所具有的性质,离散二进制小波变换都具有4。常用小波中只有haar、db、sym、coif、bior小波是紧支撑正交小波，小波基在一个相当短的区间以外为零值，可以有效地将图像的小波分析通过计算机程序来实现，提高了效率，节省了时间4。通过选用不同的小波进行多次试验发现db，bior,sym小波能够较清晰的根据纹理分解织物图像.通过选择不同长度的小波进行分解试验，发现长度为5.5的bior小波能够较清楚的反映出织物的纹理和疵点特征信息。因此，本实验选择bior5。5小波做为本文Mallat分解的小波, 对图像进行尺度为3的分解。现列举断经和破洞织物图像的3次Mallat分解图像如图4、图5所示：由以上实验可以发现，bior5.5小波能够清晰的反应布匹的瑕疵特征，能够非常清晰地显示出来。2。4 织物图像分割窗口的确定为了描述织物的纹理特征和灰度特征，需对织物图像进行特征值提取。首先需对小波分解后的图像进行窗口分割，然后计算各窗口的特征值，若某一窗口或某几个窗口的特征值异常，则表明在这些窗口内可能存在疵点、显然，在能代表纹理特征的前提下，窗口划分越精细，疵点检测越准确。织物纹理的元素是经纬纱交织而成的组织单元，可作为窗口分割大小的参考5。子窗口大小采用经、纬向自相关函数和纹理组织单元尺寸大小确定。通过实验可确定子窗口大小为33。本文在窗口分割地基础上采用的方法是在以单个像素为中心的33窗口内计算特征值，然后将其赋值给该中心像素点与特征值矩阵中坐标对应的元素，作为该子窗口的特征值.例如：在以（2,2）为中心点的33窗口计算特征值，将其赋值给特征矩阵的（2,2）元素。2。5 特征值的选取 能量能量又称为二阶矩，表示织物纹理图像中整体灰度的强弱，较好地反映了图像灰度分布均匀程度和纹理粗细度，可以对整幅图像或某个分块图像计算其能量.能量的定义如下： (2-5) 其中H为像素点(i，j）的灰度值,M和N分别代表分块图像的高和宽。为了减少数量级，也可以将式(25)变为: (2-6）(a)原始图像(c) 径向小波分解 图4 断经图像三次小波分解后图示(c) 径向小波分解(b) 纬向小波分解(a) 原始图像 图5 破洞图像三次小波分解后图示(b) 纬向小波分解其中为像素点（i，j）的灰度值,M和N分别代表分块图像的高和宽,表示整幅图像的灰度均值6。 方差织物纹理图像灰度值的方差反映了灰度分布的离散情况，其定义如下： （2-7） 极差极差反映了织物纹理图像灰度值大小的差别程度其定义如下: (28） （2-9） 和分别表示纬向和经向极差7.计算各个窗口内的特征值，对于正常织物纹理,计算所得的特征值往往在一个正常的范围内波动，而含疵点的织物图像,某些特征值的波动明显超出正常波动范围，由此判断是否包含疵点。2.6 归一化处理和各阈值的确定由于能量、方差、极差各个特征值的绝对值不是同一个数量级，它们的波动范围大小也不相同为了使待测织物与正常织物比较特征值时有统一的标准，因此需对各特征值的计算值作归一化处理，通过大量实验得出,经过小波分解,正常织物与带疵点织物的各特征值分别在某一固定的范围内波动，且不受亮度的变化影响。水平、垂直能量的波动范围为(500，500)，因此对于能量即可用下式计算得到的相对特征值y来描述绝对特征值Y： (2-10）式中Y表示相对特征值，y表示原计算出的绝对特征值，不同特征值数量级不同，,表示绝对特征值波动范围的最大值和最小值。Y取值范围为1，1。同理,水平、垂直方差的波动范围为（0,300)，水平极差波动范围为(0，1500）,垂直极差波动范围为（0,500），可用下式计算绝对特征值y： (211）Y取值范围为0,1。经过归一化处理后的断经布匹图像仿真结果如图6所示：(c) 水平方差图6 归一化后的断经特征值(a) 水平能量(b) 水平极差(d) 垂直能量(e) 垂直极差(f) 垂直方差3 实验结果和结论分析在实际生产过程中，布匹的瑕疵多达55种，但是这些瑕疵可以分为三类，分别为面瑕疵，线瑕疵和点瑕疵.布匹中的点瑕疵不明显，一般不列入不合格品。所以这里选取断经、断纬、油污、破洞四种常见瑕疵各5张共20个样本图片进行检测。因为不同疵点的特征值变化不相同：正常织物特征值变化较平稳，没有太大的波动；断经织物的垂直能量，方差，极差均有明显突变；断纬织物的水平能量，方差，极差也有明显突变;破洞织物的水平垂直能量，方差，极差都会有不正常的波动。由此可以判断出疵点的存在与否和类别。对实验结果进行统计学处理如表1所示： 表1 实验结果瑕疵种类检测时间/秒检测结果检测率正常0。06s5正常100断经16.5s5断经100断纬17.0s4断纬,1破洞80油污0.21s5油污100%破洞17。1s5破洞100由上述实验结果可以看出，对正常布匹和油污的检测十分快捷，大大减少了检测时间，检出率也很高，但对于断经、断纬和破洞，检测速度比较慢，检出率不够,还有待改进。由于本次实验样本采集数量的不足，本方法还将在后期进行大量实验进一步改进，丰富实验结果，增加实验的严谨性和该方法的可取性。4 结束语本文探讨了小波分析和边缘检测来实现布匹瑕疵检测的方法，通过布匹图像的特征值提取和分析来实现对断经、断纬、破洞、油污等瑕疵进行提取和识别。特征值提取时，首先对图像进行灰度化、二值化等预处理使图像纹理清晰，然后通过小波分析对图像局部特征值的提取、分析，检测出瑕疵并予以识别.其中，由于破洞和油污的边缘像素点变化程度的不同，可以用边缘检测再次细化识别。通过以上过程，本方法实现了对大多数瑕疵的有效识别，需要指出的是，本方法在运算速度上，还有提升的空间。参考文献（Reference)1 陈俊杰，谢春萍自动验布系统J纺织科技进展，2004，12（5):57-602 RAFAEL C G， RICHARD E W, STEVEN L E. Digital Image Processing Using MATLABM. Publishing House of Electronics Industry， 2004.3 CANNY J. A Computational Approach to Edge DetectionJ. Pattern Analysis Machine Intelligence, 1986, 8(2）： 269285.4 JAIDEVA C, GOSWAMI， ANDREW K， CHAN. Fundamentals of WaveletsM。 John Wiley Sons Inc， 2011。5 钟小勇，姚桂国，梁金祥，左保齐。局部阈值分割用于织物疵点检测J.江苏纺织,2009（9):54-58.6 YANG X, PANG G， YUNG N。 Robust fabric defect detection and classification using multiple adaptive waveletsJ， Vision， Image and Signal Processing, 2005, 152（6）：715723.7 胡昌华. 基于MATLAB 7.X的系统分析与设计M. 西安：西安电子科技大学出版社 2008