基于圖像處理技術(shù)的織物疵點(diǎn)檢測(cè)系統(tǒng)設(shè)計(jì)摘要織物表面疵點(diǎn)的檢測(cè)直接決定了織物成品的等級(jí)，及時(shí)發(fā)現(xiàn)疵點(diǎn)并進(jìn)行修整是紡織企業(yè)中必不可少的環(huán)節(jié)。織物的疵點(diǎn)會(huì)影響織物的外觀和質(zhì)量，據(jù)數(shù)據(jù)顯示有百分之八十的殘次品都是由疵點(diǎn)造成。因此織物疵點(diǎn)的檢測(cè)是紡織行業(yè)的基礎(chǔ)，但織物疵點(diǎn)的自動(dòng)檢測(cè)與識(shí)別卻還在采用落后的人工識(shí)別，生產(chǎn)效率低下誤差較大。同時(shí)疵點(diǎn)種類繁多容易出現(xiàn)誤差，因此處理方式也有所不同?？椢锏拇命c(diǎn)種類繁多如緯斜、接頭、破洞、粗紗檔和雙緯等，其不同的疵點(diǎn)其圖像處理方式也不同，所以檢測(cè)方法以及相應(yīng)的算法也不同，對(duì)應(yīng)的算法能夠快速的識(shí)別對(duì)應(yīng)的的疵點(diǎn)。自從二十世紀(jì)六十年代專家就開(kāi)始研究不同的算法來(lái)區(qū)別不同的織物疵點(diǎn)，伴隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，圖像處理技術(shù)也發(fā)展成一門獨(dú)立技術(shù)，不同的疵點(diǎn)可以被區(qū)分出來(lái)。本文主要從織物疵點(diǎn)的圖像處理為主，分析比較了不同織物疵點(diǎn)的圖像處理方法。關(guān)鍵詞織物疵點(diǎn),疵點(diǎn)檢測(cè),圖像處理目錄TOC\o"1-2"\h\u106381緒論 420741.1論文選題背景 4254831.2本文研究的目的 5106681.3織物疵點(diǎn) 5217222圖像處理技術(shù)綜述 614862.1概述 666342.2圖像的預(yù)處理 8325112.3圖像的增強(qiáng) 854752.3.1圖像的平滑一中值濾波 998892.3.2Gabor變換法 1094042.4織物疵點(diǎn)的圖像分割 10148332.4.1灰度化處理 10282332.4.2灰度直方圖 1124432.4.3灰度的閾值分割 1246942.5二值化 12260502.6圖像的形態(tài)學(xué)處理 13231672.7圖像特征值提取技術(shù) 14185612.7.1頻域提取織物特征值的方法一傅立葉變換 1453213不同疵點(diǎn)的圖像檢測(cè) 1530763.1基于緯斜的檢測(cè)算法 1690363.2基于粗紗檔的檢測(cè)算法 21294353.3織物破洞的處理 23240733.4織物結(jié)頭的處理 24323813.5基于雙緯的檢測(cè)算法 26267443.6基于油污的檢測(cè)算法 30143263.7基于缺緯的檢測(cè)算法 3048254檢測(cè)結(jié)果和存在的問(wèn)題 3343595本章小結(jié) 3326924參考文獻(xiàn) 331緒論 1.1論文選題背景社會(huì)的發(fā)展和進(jìn)步促使著人們追求著高質(zhì)量的生活。在紡織中體現(xiàn)為既要耐用又要漂亮光滑無(wú)污點(diǎn)。纖維原料到織物的過(guò)程復(fù)雜工序繁多，紡紗、織造、印染各項(xiàng)工序都可能出現(xiàn)意外如設(shè)定參數(shù)不當(dāng)，工作人員大意，機(jī)械出現(xiàn)故障等，都有可能產(chǎn)生瑕疵。就理論上言之，加工之層次愈多，則發(fā)生缺陷之機(jī)率亦愈高。在俗語(yǔ)“多作多錯(cuò)”雖然消極但卻不算錯(cuò)，與之對(duì)應(yīng)的織物疵點(diǎn)的產(chǎn)生不可避免。伴隨著自動(dòng)化技術(shù)解放了生產(chǎn)力，社會(huì)生產(chǎn)的效率快速增長(zhǎng)，其中織物的檢測(cè)就像與時(shí)代脫軌的部門，以人為主，效率低下。同時(shí)也具有不可避免的局限性，如易疲勞，易注意力分散。無(wú)法避免的主觀意識(shí)提高了檢測(cè)的不穩(wěn)定性，以及個(gè)體評(píng)估的標(biāo)準(zhǔn)差異等。因而，人工檢驗(yàn)具有不確定性，由此導(dǎo)致了我國(guó)紡織品出口量巨大但基本都是中低端產(chǎn)業(yè)。本文具體分析了不同織物疵點(diǎn)之間不同的圖像處理方式，能夠準(zhǔn)確區(qū)別不同的織物疵點(diǎn)，為疵點(diǎn)檢測(cè)自動(dòng)化提供理論基礎(chǔ)。1.2本文研究的目的織物疵點(diǎn)是生產(chǎn)過(guò)程中不可避免的，而織物的檢測(cè)卻主要依賴于人工，導(dǎo)致生產(chǎn)效率大大下降，本文詳細(xì)的區(qū)分了不同織物疵點(diǎn)的圖像處理方法，為全面實(shí)現(xiàn)紡織行業(yè)整體自動(dòng)化提供了基礎(chǔ)。圖1疵點(diǎn)類型劃分1.3織物疵點(diǎn)織物疵點(diǎn)織物在織制過(guò)程中由于各種等因素的影響，如原料、半制品、生產(chǎn)設(shè)備及運(yùn)轉(zhuǎn)操作，在布面產(chǎn)生的各種疵點(diǎn)。如常見(jiàn)的棉型織物疵點(diǎn)中有紗線原因造成的疵點(diǎn)，主要有竹節(jié)紗、粗經(jīng)、錯(cuò)緯、條干不勻等;有織前準(zhǔn)備原因造成的疵點(diǎn)，主要有經(jīng)縮、油紗、穿錯(cuò)、漿斑、棉球等;多數(shù)織疵是由織機(jī)機(jī)械狀態(tài)不良和織布操作不當(dāng)所致，主要有跳紗、跳花、脫緯、星跳、百腳、稀緯、雙緯、結(jié)頭(軋梭)、經(jīng)縮、斷經(jīng)、沉紗、邊撐疵、毛邊、爛邊、豁邊、云織、拆痕、穿錯(cuò)、密路、破洞雜物織人等。可分為"經(jīng)向疵點(diǎn)""緯向疵點(diǎn)"、"密集性疵點(diǎn)"、"破損性疵點(diǎn)"、"一處性疵點(diǎn)"、"油污疵點(diǎn)"?？椢锎命c(diǎn)是影響織物品質(zhì)的重要因素，衡量企業(yè)生產(chǎn)和管理水平的重要標(biāo)志。按照中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)GB/T17759—2009《本色布布面疵點(diǎn)檢驗(yàn)方法》可以將疵點(diǎn)分為以下幾個(gè)種類：經(jīng)向明顯、緯向明顯、嚴(yán)重、橫檔疵點(diǎn)等疵點(diǎn)[1]。圖1.常見(jiàn)紡織品疵點(diǎn)圖2圖像處理技術(shù)綜述2.1概述圖像處理是一種用于分析，處理和處理圖像以滿足視覺(jué)，心理或其他要求的技術(shù)。圖像處理不僅是一種技術(shù)，而且還是一種確保檢測(cè)的相關(guān)性和可靠性的方法。計(jì)算機(jī)圖像處理本質(zhì)上就是信號(hào)轉(zhuǎn)換，將圖像信號(hào)轉(zhuǎn)換為數(shù)字格式然后以設(shè)計(jì)的算法處理。范圍非常豐富，包括數(shù)字圖像失真技術(shù)，圖像傅立葉分析技術(shù)，圖像分割，邊緣提取，形狀描述，形態(tài)分析，圖像壓縮編碼，彩色圖像處理等[2]。計(jì)算機(jī)圖像處理技術(shù)可以直觀地轉(zhuǎn)換圖像。以數(shù)字圖像處理技術(shù)為基礎(chǔ)的疵點(diǎn)檢測(cè)可以分為兩個(gè)部分：正常織物特征的學(xué)習(xí)以及疵點(diǎn)織物的檢測(cè)。每個(gè)過(guò)程內(nèi)容都一樣，有三個(gè)方面，即圖像采集、圖像分析和特征值提取、疵點(diǎn)判別和分類。圖像處理的核心技術(shù)是特征值提取和分類。2.2圖像的預(yù)處理相機(jī)采集的圖像含噪聲干擾，圖像濾波是圖像處理過(guò)程中不可缺少的部分，抑制噪聲的同時(shí)保留圖像的細(xì)節(jié)特征，提升圖像的信噪比。圖像增強(qiáng)是為了增加圖像灰度級(jí)的分布范圍，目的也是為突出疵點(diǎn)信息為圖像分割做好基礎(chǔ)。圖像濾波處理的效果直接影響到后面圖像的處理和分析。去噪圖像衡量其結(jié)果的指標(biāo)是均方誤差和峰值信噪比。方法主要有空域法和頻率法?？沼蚍ㄗ钪匾挠兄兄禐V波等，頻率法最重要的有Gabor濾波等。2.3圖像的增強(qiáng)將圖像進(jìn)行尺度變換、平移、裁剪、旋轉(zhuǎn)等增強(qiáng)圖像的特征[3]。pixelRange=[-3030];scaleRange=[0.91.1];imageAugmenter=imageDataAugmenter(...'RandXReflection',true,...'RandXTranslation',pixelRange,...'RandYTranslation',pixelRange,...'RandXScale',scaleRange,...'RandYScale',scaleRange);augimdsTrain=augmentedImageDatastore(inputSize(1:2),imgsTrain,...'DataAugmentation',imageAugmenter);imgsValidation=augmentedImageDatastore(inputSize(1:2),imgsValidation);圖2增強(qiáng)處理后織物疵點(diǎn)圖2.3.1圖像的平滑一中值濾波中值濾波就是用濾波器范圍內(nèi)所有像素值的中值來(lái)替代濾波器中心位置像素值的濾波方法，是一種基于排序統(tǒng)計(jì)理論的能夠有效抑制噪聲的非線性信號(hào)處理方法。將濾波器范圍內(nèi)所有的像素值按照由小到大的順序排列，選取排序序列的中值作為濾波器中心處黃色像素的新像素值，之后將濾波器移動(dòng)到下一個(gè)位置，重復(fù)進(jìn)行排序取中值的操作，直到將圖像所有的像素點(diǎn)都被濾波器中心對(duì)應(yīng)一遍[4]。中值濾波不依賴于濾波器內(nèi)那些與典型值差別很大的值，因此對(duì)斑點(diǎn)噪聲和椒鹽噪聲的處理具有較好的處理效果。相比于均值濾波，中值濾波對(duì)于脈沖干擾信號(hào)、邊緣信息保護(hù)、和圖像掃描噪聲的處理效果更佳，可以有效避免圖像細(xì)節(jié)的模糊。在處理時(shí)間上，中值濾波所消耗的時(shí)間要遠(yuǎn)大于均值濾波消耗的時(shí)間。圖2.1樣本原圖圖2.2中值濾波去噪后的圖像2.3.2Gabor變換法Gabor濾波器是時(shí)頻分析的方法，本質(zhì)是一種加窗的Fourier變換，窗函數(shù)為Gauss函數(shù)。該算法首先應(yīng)用16個(gè)實(shí)Gabor濾波器對(duì)織物疵點(diǎn)圖像過(guò)濾，然后對(duì)濾波子圖像進(jìn)行非線性變換以突出疵點(diǎn)，再應(yīng)用伯努利組合規(guī)則對(duì)子圖像進(jìn)行融合，最后將圖像轉(zhuǎn)化為二值圖，從而檢測(cè)出疵點(diǎn)[5]。2.4織物疵點(diǎn)的圖像分割2.4.1灰度化處理灰度化處理是圖像處理的基礎(chǔ)，本質(zhì)是將圖像進(jìn)行處理，調(diào)整亮度和色彩使圖像變成灰色。灰度圖只含亮度不含色彩。圖2.3灰度化處理后的織物疵點(diǎn)圖像 2.4.2灰度直方圖灰度化處理的圖像全圖由灰色的像素組成，最明顯的特征是圖像中灰度的分布情況。圖像的灰度直方圖就描述了圖像中灰度分布情況，能夠很直觀的展示出圖像中各個(gè)灰度級(jí)所占的多少[6]。圖2.4粗緯疵點(diǎn)原圖像和直方圖灰度直方圖的計(jì)算公式如下：P(rk)=其中，rk表示灰度級(jí)，NK是具有灰度rk的像素的個(gè)數(shù)，MN是圖像中總的像素個(gè)數(shù)。圖2.5破洞疵點(diǎn)原圖像和直方圖2.4.3灰度的閾值分割閾值分割法是一種基于區(qū)域的圖像分割技術(shù)，提取圖像的特征是閾值分割是這一操作的目的。圖像象素點(diǎn)種類繁多，依據(jù)不同的準(zhǔn)則找出其類似的點(diǎn)叫做提取特征點(diǎn)，遵循的基本原則是特征或?qū)傩允窍嗤蛳嗨频?.5二值化二值化處理是圖像處理中較為常見(jiàn)的一種處理技術(shù)，為后續(xù)的圖像特征提取工作打下基礎(chǔ)。二值化后的圖像前景圖像會(huì)更加清晰，背景圖像將會(huì)相應(yīng)減弱[7]。圖像二值化處理可以獲取更加直接的目標(biāo)物體，同時(shí)也是圖像處理的基礎(chǔ)，二值化是圖像處理中最基本的操作，總而言之圖像的處理離不開(kāi)二值化操作，因此其涉及的范圍十分廣泛[8]。圖像的二值化是將圖像有256個(gè)像素級(jí)圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，0為黑，255為白。這樣就使圖像呈現(xiàn)出明顯的黑白效果。定義一個(gè)閾值T，將圖像分成大于T的部分和小于T的部分，也就是把整個(gè)圖像呈現(xiàn)出只有黑色和白色的視覺(jué)效果圖。在二值圖像中只有兩種顏色信息，是黑色和白色，是將圖像經(jīng)過(guò)二值化處理后得到的。圖像二值化操作的目的是為了方便提取圖像中的信息。在識(shí)別當(dāng)中可以提高識(shí)別效率。圖2.6二值化處理后的織物疵點(diǎn)圖。2.6圖像的形態(tài)學(xué)處理形態(tài)學(xué)圖像處理（簡(jiǎn)稱形態(tài)學(xué)）是指一系列處理圖像形狀特征的圖像處理技術(shù)[9]。形態(tài)學(xué)的基本思想是利用一種特殊的結(jié)構(gòu)元來(lái)測(cè)量或提取輸入圖像中相應(yīng)的形狀或特征，以便進(jìn)一步進(jìn)行圖像分析和目標(biāo)識(shí)別。形態(tài)學(xué)方法的基礎(chǔ)是集合論.膨脹（Dilation）將結(jié)構(gòu)元s在圖像f上滑動(dòng)，把結(jié)構(gòu)元錨點(diǎn)位置的圖像像素點(diǎn)的灰度值設(shè)置為結(jié)構(gòu)元值為1的區(qū)域?qū)?yīng)圖像區(qū)域像素的最大值。用公式表示如下，其中element為結(jié)構(gòu)元，(x,y)為錨點(diǎn)O的位置，x'和y'為結(jié)構(gòu)元值為1的像素相對(duì)錨點(diǎn)O的位置偏移，src表示原圖，dst表示結(jié)果圖。特點(diǎn)是從視覺(jué)上看圖像中的前景仿佛“膨脹”了一樣：腐蝕（Erosion）將結(jié)構(gòu)元s在圖像f上滑動(dòng)，把結(jié)構(gòu)元錨點(diǎn)位置的圖像像素點(diǎn)的灰度值設(shè)置為結(jié)構(gòu)元值為1的區(qū)域?qū)?yīng)圖像區(qū)域像素的最小值。用公式表示如下，其中element為結(jié)構(gòu)元，(x,y)為錨點(diǎn)O的位置，x'和y'為結(jié)構(gòu)元值為1的像素相對(duì)錨點(diǎn)O的位置偏移，src表示原圖，dst表示結(jié)果圖。特點(diǎn)是從視覺(jué)上看圖像中的前景仿佛被“腐蝕”了一樣：開(kāi)運(yùn)算（Opening）對(duì)圖像f用同一結(jié)構(gòu)元s先腐蝕再膨脹稱之為開(kāi)運(yùn)算。特點(diǎn)是從視覺(jué)上看仿佛將原本連接的物體“分開(kāi)”了一樣：閉運(yùn)算（Closing）對(duì)圖像f用同一結(jié)構(gòu)元s先膨脹再腐蝕稱之為閉運(yùn)算。特點(diǎn)是從視覺(jué)上看仿佛將原本分開(kāi)的部分“閉合”了一樣：2.7圖像特征值提取技術(shù)本質(zhì)是在不同的尺度空間上查找關(guān)鍵點(diǎn)(特征點(diǎn))，并計(jì)算出關(guān)鍵點(diǎn)的方向。圖像的特征值應(yīng)能夠最好地反映圖像中物體的類型、性質(zhì)、狀態(tài)等等特征【9】。用于表征織物紋理特性的特征值通常都是織物紋理圖像的灰度統(tǒng)計(jì)特性值。2.7.1頻域提取織物特征值的方法一傅立葉變換一幅紋理數(shù)字圖像有明顯的周期性、背景信息和噪聲。在空間域中，各種成分混合在一起，周期性特征隱藏起來(lái)。傅立葉變換的應(yīng)用可以在頻域中分離以上各種成分，因此特征值提取變得非常方便，更是分離了背景信息和噪聲，得到的結(jié)果更加準(zhǔn)確，穩(wěn)定性好和適應(yīng)性也比較強(qiáng)[10]。3不同疵點(diǎn)的圖像檢測(cè)圖3織物疵點(diǎn)檢驗(yàn)流程3.1基于緯斜的檢測(cè)算法緯斜這種疵點(diǎn)具有很強(qiáng)的方向性，檢測(cè)此類疵點(diǎn)的入手點(diǎn)就是檢測(cè)方向性特征強(qiáng)的圖像要素。對(duì)于有花色的織物，該要素就是特定的花紋或圖案。從右圖中可以很明顯的看到織物的緯斜[11]。圖3·1正?？椢?圖3·2緯斜織物對(duì)比以上兩張圖，緯斜織物的布纖維處于傾斜狀態(tài)。方法一：提取出其中方塊狀的圖案，利用這些圖案的走勢(shì)來(lái)判斷是否屬于疵點(diǎn)。由于CCD采集的圖像是彩色圖像，所以首先進(jìn)行灰度化。然后利用閾值分割把圖像二值化，分離出方塊與背景顏色。圖3·3灰度化處理圖3·4二值化處理由于使用全局閾值，所以把一些非方塊區(qū)域也劃分了進(jìn)來(lái)，這些非方塊區(qū)域的白色小區(qū)域或點(diǎn)就屬于噪聲了，所以需要濾除噪聲。經(jīng)分析，噪聲大多是彼此隔離的一些小的點(diǎn)或區(qū)域，采用中值濾波能達(dá)到好的效果。經(jīng)過(guò)兩次中值濾波以后，得到消除噪聲的結(jié)果圖3.5所示：圖3.5中值濾波處理從濾波結(jié)果可以看到，雖然消除了噪聲，不過(guò)原來(lái)的方塊區(qū)域也由于濾波器的原因被削弱了。而且有的方塊區(qū)域出現(xiàn)了間斷的情況，在判斷緯斜的時(shí)候是根據(jù)方塊區(qū)域的走勢(shì)判斷的，所以要保證同一方塊區(qū)域的連通性。采用形態(tài)學(xué)處理中的膨脹算法，把分離的區(qū)域融合為一個(gè)連通區(qū)域。膨脹算法中采用的模板為5*5的全1矩陣：膨脹結(jié)果如圖3.6所示：圖3·6有了去除了噪聲的、方塊連通的二值圖像以后，就可以提取出不同的區(qū)域。提取不同區(qū)域的方法是對(duì)每一個(gè)連通區(qū)域標(biāo)記不同的編號(hào)。采用每像素的8鄰域是否為白色來(lái)判斷該點(diǎn)與鄰域是否屬于同一連通區(qū)域。從圖3·6可以看出，白色區(qū)域所占的面積相對(duì)來(lái)說(shuō)不是很小，所以直接采用8鄰域檢測(cè)連通區(qū)域效率比較低，可以采用拉普拉斯算子提取邊緣，將每個(gè)連通區(qū)域的中間無(wú)用信息剔出。然后再給每個(gè)連通的邊緣標(biāo)號(hào)。所用的拉普拉斯算子為：用該算子提取出的輪廓為圖3·7所示：圖3·7提取邊緣為每一個(gè)連通的輪廓標(biāo)記不同的標(biāo)號(hào)，這樣便提取出了不同的方塊區(qū)域。然后再針對(duì)不同的區(qū)域分別計(jì)算包含它們的最小矩形，用該矩形的中心來(lái)代替每一個(gè)方塊區(qū)域，以便判斷方塊的走勢(shì)。最后得到的結(jié)果圖像如圖3·8所示：圖3·8方法二：由于緯斜疵點(diǎn)在方向上的特殊性，也可以用頻率域的特點(diǎn)，通過(guò)能量譜上反映的方向信息來(lái)判斷【12】。針對(duì)正常織物（圖3.l)和緯斜織物（圖3.2）做傅立葉變換，計(jì)算其能量譜，并用對(duì)數(shù)函數(shù)增強(qiáng)后的結(jié)果圖如圖3.9和圖3.10所示：圖3·9正常的傅立葉變換 圖3·10緯斜的傅立葉變換在正常圖像的能量譜中，該矩形區(qū)域是比較正直，而在具有緯斜疵點(diǎn)的圖像的能量譜中，可以看到明顯的向左傾斜，正好對(duì)應(yīng)了方塊朝右上方的緯斜。小結(jié):方法一的缺點(diǎn)在遇到非孤立噪點(diǎn)時(shí)，該方法將無(wú)法適應(yīng)。方法二是通過(guò)織物灰度圖像周期性或者是圖像的頻譜圖的旋轉(zhuǎn)不變性來(lái)檢測(cè)，但是遇到有圖像陰影的時(shí)候，無(wú)法準(zhǔn)確識(shí)別出周期，或者是受到頻譜圖像的噪點(diǎn)的影響，不能保證檢測(cè)的精度。3·2基于粗紗檔的檢測(cè)算法方法：采集圖像后經(jīng)直方圖均衡化，在窗口內(nèi)計(jì)算均值，并同闡值比較，最后計(jì)算超過(guò)閡值的窗口數(shù)目以決定是否包含疵點(diǎn)[13]。檢測(cè)的原理是織線間的空隙，只需要給予高亮度的燈光，然后就可以檢測(cè)到。如圖3.11所示：圖3.11粗紗檔疵點(diǎn)布可以很清楚的該類型的疵點(diǎn)形成了較大的空隙，而且空隙由于投射出了很多的背光，所以通過(guò)閾值分割便能很好地把空隙提取出來(lái)。閾值分割后的圖像如下：圖3·12閾值分割處理二值化后的圖像中粗紗疵點(diǎn)間的空隙比正?？椌€間的空隙明顯大很多。采用一個(gè)大小合適的模板，使該模板在圖像每個(gè)像素間滑過(guò)，檢查該模板區(qū)域內(nèi)白色像素的數(shù)量，超過(guò)給定值的區(qū)域便可以判斷為粗紗。通過(guò)該方法得到的結(jié)果圖像如下：圖3.13二值化處理3.3織物破洞的處理方法一：運(yùn)用神經(jīng)網(wǎng)絡(luò)檢測(cè)破洞疵點(diǎn)，運(yùn)用傅里葉功率譜的到的參數(shù)到神經(jīng)網(wǎng)絡(luò)中。破洞是指經(jīng)緯紗在同一處被破壞開(kāi)放撕裂，所形成的疵點(diǎn)[14]。對(duì)灰度化后的圖像進(jìn)行閾值分割便可以檢測(cè)出破洞來(lái)。圖3.14為原始圖像而圖3.15則為灰度化后處理后的圖像：圖3·14原始圖像 圖3·15灰度化后的圖像對(duì)灰度圖閾值分割后得到的結(jié)果己經(jīng)能夠很好的檢測(cè)出破洞，檢測(cè)結(jié)果如下圖3·16：圖3·16閾值分割處理方法二：運(yùn)用灰度共生矩陣的方法，經(jīng)過(guò)圖像灰度級(jí)量化、共生矩陣提取與特征值計(jì)算、紋理特征圖像生成等幾個(gè)過(guò)程后，即可得到圖像的特征圖。圖3.17破洞原圖圖3.18逆差矩特征圖小結(jié)：方法一進(jìn)行灰度圖閾值分割后能夠很好的檢測(cè)出破洞。方法二灰度共生矩陣對(duì)破洞特征圖像效果不理想，而且時(shí)效性有待提高。3.4織物結(jié)頭的處理方法一：采用數(shù)學(xué)形態(tài)學(xué)圖像處理，可以利用圖像處理得到疵點(diǎn)部分的灰度閉值，同時(shí)無(wú)疵點(diǎn)的織物圖像有結(jié)構(gòu)元素?cái)?shù)據(jù)。將圖像結(jié)構(gòu)元素進(jìn)行腐蝕和膨脹處理后對(duì)比確定疵點(diǎn)。結(jié)頭在織物上是比一般織線大的突出來(lái)的織線,下圖是含有結(jié)頭疵點(diǎn)的圖片。圖3.19結(jié)頭疵點(diǎn)布從圖3.21中可以看到,樣本中的結(jié)頭疵點(diǎn)是一個(gè)突出的白色線頭,整個(gè)織物是由白色和紅色的線交織而成,所以只能通過(guò)檢測(cè)白色織線的面積大小來(lái)判斷該結(jié)頭疵點(diǎn)。首先將彩色圖像灰度化,如圖3.20。然后用高斯低通濾波器平滑圖像,再用中值濾波去除噪聲[15],結(jié)果如圖3.21。采用的高斯低通濾波器的大小是7*7,SIGMA的值為0.5｝[16]。圖3.20灰度化處理圖3.21中值濾波處理對(duì)去除了噪聲的圖像進(jìn)行二值化,便把白色的接頭其他白色的織線分離出來(lái)。如圖3.22。通過(guò)前面對(duì)結(jié)頭疵點(diǎn)的分析知道,結(jié)頭比一般的織線的面積要大,所以可以采用和粗紗一樣的處理辦法,通過(guò)計(jì)算給定的一小塊區(qū)域內(nèi)白色像判斷結(jié)頭是否存在。在此樣本中，采用13*13的區(qū)域，將數(shù)量超過(guò)60以上的區(qū)域提取出來(lái)，便得到最后檢測(cè)出結(jié)頭疵點(diǎn)的圖像，如圖3·23。圖3.22二值化處理 圖3.23方法二:小波變換。原理是用對(duì)小波分解布匹子分量進(jìn)行窗口分割，并直接提取窗口內(nèi)特征值。對(duì)于經(jīng)過(guò)小波分解的無(wú)疵點(diǎn)布匹紋理圖像，其高頻系數(shù)約為0，在經(jīng)向和緯向子分量中沒(méi)有較為顯著的波動(dòng)；而疵點(diǎn)圖像則不然。圖3.24結(jié)頭平滑圖像圖3.25差值融合圖像小結(jié)：方法一相較于小波變換法可以更明顯的辨別出結(jié)頭；方法二的識(shí)別率不高，主要原因是織物的紋理性不高。3.5基于雙緯的檢測(cè)算法雙緯疵點(diǎn)是單緯織物中一個(gè)梭口內(nèi)有兩根緯紗織入，即兩根緯紗并合破壞了織物的交叉規(guī)律形成的疵點(diǎn)[17]。雙緯疵點(diǎn)是有梭織物的常見(jiàn)疵點(diǎn)，它既影響下機(jī)一等品率，又給后道工序造成一定的修織難度，同時(shí)影響織物的外觀和深加工的要求[18]。圖3.26為雙疵點(diǎn)原圖。圖3·26雙緯疵點(diǎn)布從圖中可以看到雙緯的疵點(diǎn)在圖像的中部反映為一個(gè)略微朝右上方的白色條紋帶。布料中含有很多的亮斑，相對(duì)于雙緯疵點(diǎn)來(lái)說(shuō)，是影響檢測(cè)的噪聲。在灰度化處理后（圖3·27），采用了高斯低通濾波平滑圖像和均值濾波去除噪聲圖。采用的高斯低通濾波器的參數(shù)和處理結(jié)頭疵點(diǎn)時(shí)所用到的高斯濾波器參數(shù)相同,均值濾波器采用的是3*3大小圖3.27灰度化處理圖3.28濾波處理然后進(jìn)行閾值分割,提取出疵點(diǎn)圖(3.28)圖3·29閾值分割對(duì)結(jié)果圖像篩選出亮點(diǎn)比較集中的區(qū)域即檢測(cè)出了雙緯的疵點(diǎn)?？紤]到雙緯和緯斜一樣是具有方向性的疵點(diǎn)，所以在頻率域上對(duì)其進(jìn)行了分析，從圖3·29的能量譜（圖3·30）可以看出，在中部區(qū)域有一條稍向左傾斜的響應(yīng)帶，對(duì)應(yīng)了圖3·29中的雙緯疵點(diǎn)。這條響應(yīng)帶可以作為判斷雙緯的依據(jù)。圖3·30圖3·29的能量譜另一個(gè)雙緯的樣品如圖3·31，由于雙緯是兩根緯紗織入而成，所以大部分的雙緯疵點(diǎn)都是具有垂直或水平方向的。圖3.31含雙緯疵點(diǎn)的樣品圖像圖3.30對(duì)圖3.31二值化后的結(jié)果圖3.31把列方向上白色點(diǎn)數(shù)超過(guò)給定值的列判定為雙緯3.6基于油污的檢測(cè)算法方法一：對(duì)油污的檢測(cè)類似于破洞檢測(cè)，因?yàn)橛臀酆推贫匆粯?，它們的顏色值和布料的顏色值差別很大，油污在織物圖形上為一塊黑色的圖像，可以用彩色圖像的二個(gè)顏色分量同時(shí)進(jìn)行閾值分割來(lái)進(jìn)行處理。圖3·32有油污的織物 圖3·33閾值分割后的二值圖像方法二：灰度共生矩陣法。圖3.34預(yù)處理疵點(diǎn)圖像圖3.35疵點(diǎn)分割圖像小結(jié);方法一：對(duì)油污檢測(cè)效果好，適應(yīng)性廣，步驟簡(jiǎn)單。方法二：由于油污為非理性紋理，所以對(duì)其檢測(cè)效果一般。3.7基于缺緯的檢測(cè)算法方法一：小波正交變換。缺緯疵點(diǎn)是一種在織造過(guò)程中常見(jiàn)的疵點(diǎn)，雖然許多織機(jī)上均安裝有斷緯自停裝置，但缺緯疵點(diǎn)時(shí)有發(fā)生。根據(jù)缺緯疵點(diǎn)的頻率特性，選擇某一尺度，在該尺度上無(wú)疵樣布的小波變換不出現(xiàn)明顯極值峰，而帶有缺緯疵點(diǎn)的織物圖像的小波變換卻沿織物的緯向形成一條明顯的極值峰帶。通過(guò)這一特征便能對(duì)帶有缺緯疵點(diǎn)的織物進(jìn)行處理。對(duì)缺緯疵點(diǎn)的檢測(cè)類似于粗紗檢測(cè)，出現(xiàn)缺緯疵點(diǎn)的地方，會(huì)透射出大量監(jiān)測(cè)臺(tái)下的燈光。首先對(duì)采集到的彩色圖像（圖3·36）進(jìn)行閾值分割（圖3·37）。圖3·38圖3·38提取出缺緯疵點(diǎn)的結(jié)果方法二：灰度共生矩陣特征法。(a)量化織物疵點(diǎn)圖像的灰度級(jí)；(b)提取并計(jì)算共生矩陣特征值；(c)生成相應(yīng)的特征圖像。圖3.39疵點(diǎn)織物原圖圖3.40特征圖方法一與二都對(duì)織物的缺緯有良好的檢測(cè)效果。4檢測(cè)結(jié)果和存在題本文對(duì)緯斜、粗紗、破洞、結(jié)頭、雙緯、油污、缺緯七種疵點(diǎn)進(jìn)行了具體的分析，總結(jié)了各自的特點(diǎn)，不同疵點(diǎn)運(yùn)用了不同檢測(cè)算法，這些算法有效的檢測(cè)出了各種類型的疵點(diǎn)。在本文研究的五種疵點(diǎn)中，粗紗、破洞和結(jié)頭三種疵點(diǎn)是比較容易檢測(cè)的，在空間域利用一些檢測(cè)算法就可以迅速快捷地檢測(cè)出來(lái)：而緯斜和雙緯的算法則相對(duì)復(fù)雜一些，從空間域可以做出檢測(cè)，但處理步驟比較多，配合頻率域的分析，效果更好一些。在檢測(cè)過(guò)程中發(fā)現(xiàn)粗沙、破洞、油污和缺緯四種疵點(diǎn)的檢測(cè)成功率比較高，這是因?yàn)檫@四種疵點(diǎn)在顏色和形狀上與織物的顏色和花紋條紋有很大的差別，比較容易檢測(cè)：而緯斜、結(jié)頭和雙緯這三種疵點(diǎn)是織物織線出現(xiàn)差錯(cuò)而造成的，其顏色與織物顏色相近或基本相同，檢測(cè)難度大，使得算法的普適性相對(duì)不好，造成成功率偏低。5本章小結(jié)本章對(duì)各種織物疵點(diǎn)進(jìn)行了分析，比較了不同織物疵點(diǎn)不同的檢測(cè)方法，并選出了最適合該疵點(diǎn)的處理方法。其織物緯斜疵點(diǎn)主要特征是方向特征強(qiáng)，所以一般可以采用傅里葉變換后做能量譜區(qū)分；而粗紗檔則可以閾值分割和二值化處理后檢測(cè)白色像素點(diǎn)區(qū)分；將灰度化的圖像進(jìn)行閾值分割可以檢測(cè)破洞；雙緯則對(duì)頻率域進(jìn)行分析；結(jié)頭二值化圖像由結(jié)構(gòu)元素進(jìn)行腐蝕和膨脹處理后分析；油污可以采用彩色圖像的二個(gè)顏色分量同時(shí)進(jìn)行閾值分割處理；缺緯根據(jù)其頻率特征可以采用小波變換或灰度共生矩陣特征法。參考文獻(xiàn)[1]LIhongmei，LIYuchao．TheresearchandapplicationofOtsuinfabricdefectdetection［J］．Science＆TechnologyInformation，2011(32):525－526．[2]HanbayK,TaluMF,OzguvenOF,etal.Fabricdefectdetectionmethodsforcircularknittingmachines[C].Proc.oftheSignalProcessingandCommunicationsApplications