编织物疵点检测及类型识别

韩其睿，池楠

天津工业大学计算机科学与软件学院，天津 300387

编织物疵点检测及类型识别

韩其睿，池楠

天津工业大学计算机科学与软件学院，天津 300387

基于编织物常见的几种疵点为研究对象，利用改进的相角变换算法对编织物疵点进行特征提取，并在此基础上利用马氏距离对编织物二值化以实现疵点检测，利用几何数学原理实现对编织物疵点的分类。方法实现简单，相对于以往的编织物疵点检测，不仅使检测出的疵点形状大小更接近疵点原样，又能检测出不易察觉的小疵点，并且对于点、线、块状的疵点检测都有良好的效果，使得编织物疵点类型识别更加容易。

相角变换；二值化；编织物疵点识别；几何关系

织物疵点检测是织物生产过程中的一个重要环节。传统的织物疵点检测方法是由检测人员参照验布标准，寻找布面疵点。该类检测方法劳动强度大、检测效率低、检测结果易受验布人员的主观影响，且误检率、漏检率高。织物图像是一种典型的纹理图像，织物疵点检测实际上是一个纹理分割和识别的过程，这是因为疵点处的纹理结构不同于正常织物，因此能够把它们检测出来。断经、缺纬、破洞、油污是编织物最常见的几种疵点类型。目前，编织物疵点检测及类型识别大体上有三种方法：第一种方法是利用图像本身像素之间的统计关系[1-4]，利用灰度熵、灰度共生矩阵；第二种方法是通过对图像进行变换，在变换域进行分析[5-11]，如傅里叶变换、小波变换、Gabor滤波器等方法；第三种就是基于构建后的模型进行检测的方法，如高斯-马尔科夫随机场（GMRF）模型的利用[12]。

织物疵点类型各异，形态不同，所以如何有效进行疵点检测既是当今研究难点也是研究的重点。本文在对编织物疵点检测时，利用改进的相角变换方法。对于编织物疵点分类而是避开使用基于神经网络的方法提出一种新的方法，结合改进的相角变化和简单几何数学原理的方法。

1 编织物和常见的疵点类型

编织物是由经线和纬线按着一定的排列方式组合编织起来的，因此编织物表现出结构性、周期性、方向性和均匀性等一系列的明显的纹理特征。编织物主要有四种疵点缺陷即断经、缺纬、破洞、油污。

（1）断经：经面上某段或通批缺少一段或两根经丝，呈现一细条织点不连续的空路。

（2）缺纬：绸面纬向全幅或一段缺少一根或几根纬丝，呈现纬向织点不连续的空路。

（3）破洞：在布面同一部位出现经、纬纱共断或并断三根以上的称破洞，破洞点的外表面比较粗糙。

（4）油污：通常为布面上出现油污，有时也会出现在一根经纬线上，油污的外表面比较圆滑。

2 相角变换

2.1 相角的重要性

在以往重要的文献中，Oppenheim和Lim[13]曾经证实过在信号中相角的重要性。对信号的傅里叶变换，幅度谱和相位谱对于信号来说起着不同的作用，信号的很多重要的特性都保留在相位谱中。图1显示了通过幅频特性和通过相频特性重建的图像。图1左边是原图，中间是通过幅频特性重建的图像，右边是通过相频特性重建的图像。可以看出通过幅频重建的图像与原图相比相似性很低，几乎看不出原始图像的轮廓，而通过相频重建的图像与原始图像比较相似，能够看出图像的轮廓。通过相频重建图像保留了轮廓边缘信息，同时消除了周期性和规律性。

图1 通过幅频特性、相频特性重建图像的对比

2.2 相角变换算法

相角变换算法[14]的第一步是对图像进行傅里叶变换。记F(U，V)为f(x，y)的二维傅里叶变换，则：

其中M(U，V)是幅度，φ(U，V)是相角。相角变换算法的第二步是修正傅里叶变换，其公式如下：

3 基于改进的相角变换进行编织物疵点的检测

3.1 改进的相角变换

编织物表面图像呈现为一种周期性纹理的特征，纤维束与织物轴向方向成一夹角交叉分布，随着纤维束的相互交织，在横向与纵向方向形成一种周期性变化。编织物疵点是区别于图像本身规律的异常突变现象。相角变换算法具有删除图像在任意尺度上的任何规律图案，同时保留不规则图案的特点。织物表面呈现周期性规则的特点，通过相角变换可以略去大部分图案，只保留个别的单一的或者是一小部分图案，即是疵点特征。把通过3.2节中提到的傅里叶反变换处理后的图像称之为伪缺陷图。还无法通过观察伪缺陷图而检测到疵点，通过对伪缺陷图二值后，可以清楚地识别缺陷。本文首先利用改进的相角变换算法对有疵点的编织物图像进行预处理，得到伪缺陷图，再选取合适的阈值对预处理后的编织物图像进行二值化，找出疵点。

通过大量的实验发现以对数的形式修正M(U，V)会得到更好的编织物疵点的特征。即修改2.2节中的公式（2）得公式（3）：

然后求得公式（3）傅里叶反变换得到伪缺陷图I。有了伪缺陷图I就可以计算出一切感兴趣的统计量。

3.2 疵点的分割

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。本文利用图像中要提取的目标与其背景在灰度特性上的差异，把图像分割成两类区域，即疵点和背景。疵点图像分割的基本流程是先确定阈值，然后将图像中所有像素值与阈值比较，根据比较结果将像素分成两类——疵点或背景。把伪缺陷图像素每一点相对于伪图像分散距离作为阈值判断距离参数，阈值的选取会因个个图像而异。本文所做的实验阈值基本选取的是图像像素最大值的0.02～0.2倍，0.02～0.2称阈值选取系数。伪缺陷图I即保留异点的图像，所以每一像素点相对于图像的分散距离越大越可能不是疵点。所以在进行二值化当中，阈值选取尽可能小。如果公式（4）的结果大于所选取的阈值则把此点像素值赋值255，否则赋值0。因为计算结果虚部相差很小，本文在比较时只用实部结果进行判断。

其中i是图像I每一点像素值，u是图像I的均值，δ2是图像I的方差。增强后的疵点图像由于具有大量的高频噪声，直接进行二值分割后，使用中值滤波器。图2是本文编织物疵点检测结果。从左到右第一和第三个图是原图，第二和第四个分别是第一、第三个图的检测结果。

图2 本文织物疵点检测结果

由图2可以看出本文方法使检测出的疵点形状大小更接近疵点原样，且本文方法又能满足以往的编织物检测方法不能很好地检测出不易察觉的小疵点，不能同时对于点、线、块状的疵点检测。如图3所示。从左到右第一、第三和第五个图是原图，第二、第四和第六个图分别是第一、第三和第五个图的检测结果。

图3 本文织物疵点检测结果

4 编织物常见疵点类型的识别

4.1 实验过程及实验结果

由第3章基于改进的相角变换进行编织物疵点检测，在对于每幅图像进行阈值选取时，阈值选取系数不同，并且根据系数的不同可以分为两类，油污疵点和缺纬疵点、断经和破洞疵点。所以本文根据此实验结果提出一种新的编织物疵点类型识别算法——二步判断法。二步判断法第一步就是根据阈值系数的不同进行初次分类，第二步就是在每一类中根据基本的几何数学原理进一步判断。其流程图如图4所示。

图4 编织物疵点类型识别

而表1是应用本文方法对织物疵点检测图图号从1到17的含有疵点的编织物进行疵点类型识别获得的数据，包括两阶段判断法第一步的阈值系数和第二步的X坐标长度与Y坐标长度比值。

表1 织物疵点识别结果

图5是实验的编织物疵点检测图，图号从1到17。

图5 编织物疵点检测图

4.2 实验分析

由表1可知，图号1到4实际上都是断经疵点检测图像，而通过本文检测方法则把图号是4的图像误分类为破洞疵点，图号5到9本文方法分类结果与实际情况一样是破洞疵点，图10到13实际上是缺纬疵点，而本文方法误把图号10分类为油污疵点，图号14到17分类结果与实际一样。本文只对17幅图进行疵点识别，准确率高达88%。可想而知，如果对大量的图像进行疵点识别，准确率会更高。

5 结束语

本文详细地论述和实现了编织物疵点检测和类型识别的方法和步骤，首先对图像进行变换，利用相角变换对图像进行预处理，然后提出一种新的方法，基于本文提到的阈值系数和根据处理后图像的X坐标和Y坐标的长度比值进行编织物疵点类型的识别。本文对编织物进行疵点识别取得了一定的成功，不但方法实现简单，而且编织物疵点检测出的效果特别是形状大小很接近实际；对于编织物疵点分类可靠性高，只通过对17幅图进行疵点实验数据整理，选取3个判断系数分别是阈值系数0.7、X坐标长度与Y坐标长度比值0.7和1.3，就能实现可靠的分类，准确率达到了88%。

[1]苑丽红，付丽，杨勇，等.灰度共生矩阵提取纹理特征的实验结果分析[J].计算机应用，2009，29（4）：1019-1021.

[2]赵训明，邓中民，冉友廷.基于加权局部熵的织物疵点检测[J].棉纺织技术，2012，40（10）：20-23.

[3]祝双武，郝重阳.基于纹理周期性分析的织物疵点检测方法[J].计算机工程与应用，2012，48（21）：163-166.

[4]王锋，焦国太，杜烨.基于数学形态学的织物疵点检测方法[J].测试技术学报，2007，21（6）：515-518.

[5]周帅，张风生，李富才.基于小波变换的织物疵点图像特征提取[J].青岛大学学报，2013，28（2）：53-59.

[6]情湘运，段红，魏俊民，等.一种新的基于小波分析与神经网络织物疵点检测与识别方法[J].仪器仪表学报，2005，26（6）：618-622.

[7]韩润萍，孙苏蓉，姜玲.基于Gabor滤波器组的织物疵点检测方法[J].计算机工程与应用，2007，43（7）：211-214.

[8]Arivazhagan S，Ganesan L.Texture classification using wavelet transform[J].Pattern Recognition Letters，2003，24（9/10）：1513-1521.

[9]杨晓波.基于自适应离散小波变换的混合特征畸变织物疵点识别[J].纺织学报，2013（1）：133-137.

[10]祝双武，郝重阳.基于离散小波变换的织物疵点检测方法[J].计算机工程与应用，2007，43（25）：111-113.

[11]沈建强，耿兆丰.基于小波变换的织物纹理方向检测方法[J].计算机工程，2007，33（6）：182-184．

[12]杨晓波.基于GMRF模型的统计特征畸变织物疵点识别[J].纺织学报，2013，34（4）：137-142.

[13]Oppenheim A V，Lim J S.The importance of phase insignals[J].Proceedings of the IEEE，1981，69：529-541.

[14]Aiger D，Talbot H.The phase only transform for unsupervised surface defect detection[C]//Proc of IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2010：295-302.

HAN Qirui,CHI Nan

School of Computer Science&Software Engineering,Tianjin Polytechnic University,Tianjin 300387,China

By studying several common knit defects,improved phase angle transform algorithm for knit defects feature extraction and the Mahalanobis distance for knit binarization to achieve defect detection are used in this method.Mathematical principles to achieve knit defect classification are used.This method not only can detect subtle small defects, points of defects,lines of defects,blocks of defects,but also the shape and size of defects is as closer as original kint defects compared with the previous knit defect detection.

phase angle conversion;binarization;knitted fabric defect detection;geometry

A

TP39

10.3778/j.issn.1002-8331.1401-0393

HAN Qirui,CHI Nan.Knitted fabric defect detection and type identification.Computer Engineering and Applications,2014,50（21）：234-237.

国家自然科学基金（No.51378350，No.61173032）。

韩其睿(1957—)，男，教授，多年从事计算机科学与技术、软件工程以及相关学科领域的教学与科研工作；池楠（1989—），女，研究生，研究方向为计算机科学与技术、软件工程以及相关学科领域。

2014-01-23

2014-04-08

1002-8331（2014）21-0234-04

CNKI出版日期：2014-05-29，http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1401-0393.html