APP下载

基于稀疏编码字典学习的疵点检测

2015-06-07刘绥美李鹏飞张宏伟张缓缓景军锋

西安工程大学学报 2015年5期
关键词:疵点瑕疵字典

刘绥美,李鹏飞,张 蕾,张宏伟,张缓缓,景军锋

(西安工程大学电子信息学院,陕西西安 710048)

基于稀疏编码字典学习的疵点检测

刘绥美,李鹏飞,张 蕾,张宏伟,张缓缓,景军锋

(西安工程大学电子信息学院,陕西西安 710048)

为了快速准确地实现背景纹理复杂织物的疵点检测,改善传统算法计算量大的缺点,提出基于稀疏编码字典学习的疵点检测算法.首先利用Radon变化对图像进行倾斜矫正,减小像素信息处理误差,再使用Gabor滤波器对矫正后图像滤波,消除噪声影响.接着对预处理后的图像,以一定尺寸窗口,滑动选取图像块构建输入样本集,采用K-SVD算法对无瑕疵样本集合进行字典学习,得到稀疏系数并重构,进而取得水平、垂直投影特征矩阵.最后利用已得到的字典与稀疏系数对待检测样本重构,求得其相对应的特征矩阵,并用结构相似法最终确定疵点区域.实验表明,该算法检测时间短,效率较高,平均可达92.3%.

疵点检测;稀疏编码;K-SVD字典学习

0 引 言

纺织品质量与价值受诸多因素影响,主要的评价因素之一就是纺织品外观,直观表现为织物疵点,所以在投入使用之前,织物疵点检测必不可少.传统人工检测通过样板布来判断、标记和修整[1].一个熟练的验布员平均验布长度为15~20m/min,布匹幅宽0.8~1.0m,最多检测出70%的织物疵点[2].而疵点在线检测速度要求高于60m/min,疵点最小尺寸可达0.5mm.因此,基于机器视觉的自动织物疵点检测系统成功代替人工检测.对于一个自动检测系统,最重要的即为核心检测算法,已提出的疵点检测方法主要包括统计学法、结构法、频域法和模型法[3].统计学利用提取图像灰度的空间分布特征来对图像进行检测,如共生矩阵[4],这种检测算法更能体现词典特性,但计算量大,处理速度慢.结构法主要以图像纹理基元为分析基础提取方向性[5]的特征参数,检测适应范围较广,但不能实现疵点检测的快速自动检测,对于噪声也较敏感.频域法因其计算的方便性而运用广泛,如Kumar[6]等采用Gabor滤波[7]、小波变换等.模型法以构建模型为基础,以模型函数图像为特征参数,如马尔科夫随机场、同步自回归模型.Hung等[8]利用BP神经网络和模糊控制实现了织物疵点的检测.这些方法虽然均可检测到疵点,但检测对象大部分为坯布或无印花彩色织物,对于印花、格子布等织物检测较少,且不同纹理图案的织物在生产过程中出现的疵点特征也不尽相同,所以针对的疵点种类有限.

稀疏编码最早来源于国外对视神经的研究,属于生物学范畴,近年来在机器视觉与模式识别领域中被广泛使用,具有良好的频域带通性,对数据噪声有一定的鲁棒性,能够对样本特征丢失部分进行补全[9],已被成功地应用于人脸识别[10]、图像去噪[11]等场合.也有人提出稀疏字典重建进行织物瑕疵检测[12].当输入样本特征数目过大,处理对象变为高维数据,数据量的增加,于图像处理来说,会造成较大的时间与空间耗损.相较于主元分析(Principle component analysis,PCA)的对高位数据进行最佳的低维近似,基于稀疏编码的字典学习可以更好地对具有随机纹理细节的图像进行近似表达,只需利用少量主元就可以高效近似.并且可以克服PCA对于光照不均的图像表达效果较差,以及在处理过程中,PCA计算样本的特征值、协方差矩阵和特征向量存在的计算量大的缺点.近几年,国内外众多学者提出许多稀疏表示算法,主要为匹配追踪(Matching Pursuit,MP)[13]、交叉投影法[14]等,但这些诸多算法主要对图像块进行单独编码,并未考虑图像块之间的相关性.正交匹配追踪[15](Orthogonal Matching Pursuit,OMP)是在MP算法的基础上,对已选择的原子集合进行递归式正交化,减少迭代次数.但其计算复杂性高,并要求已知输入特征集的稀疏度,在实际应用中无法很好地使用.K-SVD是依据误差最小原则,对误差项进行SVD分解,选择使误差最小的分解项作为更新的字典原子和对应的原子稀疏,经过不断迭代,从而得到优化的解,其字典更新速度快且精度高.为此,本文提出基于投影稀疏编码字典的疵点检测算法.织物图像由于采集过程中经纬向拉伸力不均匀,会导致织物纹理出现倾斜,所以预处理阶段,先对图像进行倾斜矫正,再用Gabor滤波,滤除矫正后织物图像中的噪声.接着包含训练和检测两部分.训练部分,以无瑕疵图像作为匹配样本,训练出水平以及垂直方向的字典,分别得到其投影特征.检测部分,对待检测的瑕疵图像,基于训练得到的字典同样提取水平和垂直方向的特征.然后利用结构相似性对二者水平和垂直特征进行比较,分割出异常区域并标注.

1 疵点检测算法

对采集到的图像,经过倾斜矫正和Gabor滤波的预处理,再进行样本集构建、字典学习、稀疏重构和特征投影,最后实现疵点检测.其算法流程如图1所示.

1.1 Radon倾斜矫正

在对采集到的或有不同程度横纵拉伸的图像进行倾斜矫正,以确保后续处理中数据的准确度和检测精度.对图像进行Radon变换,实际为计算其在不同方向的直线上的投影,即

其中,f(x,y)为图像的某一点的像素灰度值,α为原点到直线的垂线与x轴的夹角,η为狄拉克函数,φ为图像平面内直线到原点的距离.Radon变换也是将(x,y)平面内的直线映射到(α,φ)平面.图2所示为图像Radon倾斜矫正.

1.2 Gabor滤波

Gabor滤波器是一个具有可变中心频率和带宽,以及可调角和轴向的线性滤波器,其频率和方向的表示与人类视觉系统相似,所以选用Gabor滤波器对倾斜矫正后的织物图像进行滤波.依照式(2)的数学表达式进行变化:

θ为Gabor滤波器的方向,即Gabor函数并行条纹的方向,它的取值为0°~360°.t1,t2分别为沿着x轴和y轴的变换因子.u轴和v轴分别为x轴与y轴变换后的对应坐标轴.σu和σv为高斯包络在平行于θ轴的u轴和垂直于θ轴的v轴上的.σ的值不能直接设置,它随着带宽变化.带宽值必为正实数,通常为1,带宽越小,标准差越大,Gabor形状越大.

图1 算法流程图Fig.1 Algorithm flow chart

1.3 稀疏编码字典学习检测疵点

织物图像结构复杂,样本特征集数据量大,整体处理运行复杂度高,速度慢.稀疏编码字典学习,可用较少且有效的基元素(即为字典)在一定条件下,线性组合对样本进行近似.字典的选取可看作是以特定近似条件为目标函数的优化问题.文中选用l2范数作为条件,如式(3)所示.

图2 图像Radon倾斜矫正Fig.2 Skewness and correction Radon image

其中,D即为所要学习的字典,K为字典大小,ε为稀疏系数向量,xi为无瑕疵样本织物图像样本集的元素.由于D与K是未知的,则需对利用合适的算法对二者进行求取.本文利用K-SVD算法快速、高效的特点进行字典学习.

从无瑕疵样本中提取N个m×n维的图像块,作为输入样本集进行训练,求取步骤如下:

(1)初始化字典,选取样本集第一列作为初始字典int_D,并进行规范化;

(2)利用近似条件作为约束,以及int_D,计算稀疏矩阵ε;

(3)更新字典的第i列的字典Di,稀疏矩阵ε与Di相乘的第i行记为y,计算误差项,对误差项进行SVD分解,得到最小值时对应的字典与系数进行更新;

(4)继续迭代,迭代K次,或达到设定误差值时,结束更新.

将无瑕疵样本用上述步骤所得字典与稀疏系数进行重构.利用ε的稀疏性,采用基追踪得到~ε,并如式(4)得到重构图像,即其中,~I为重构图像,再求其水平与垂直方向投影A1,B1.利用无瑕疵样本的字典与系数,对待检测样本进行重构,同样计算其水平与垂直方向投影A2,B2.分别对A1,A2和B1,B2计算结构相似性,即其中,m(*)表示求取括号内输入值的平均值,c(*)表示求取输入值的协方差,Th即为无瑕疵与待检测织物稀疏重构图像水平投影方向的结构相似度矩阵,用同样的方式计算垂直方向矩阵Tv.通过比较相似度矩阵,确定出行列方向存在异常区域的坐标,标记该区域完成检测.

2 结果与讨论

本文对香港大学自动化实验室样本库的格子与星印花织物图像,和通过Canon Scan 9000F扫描仪,以600dpi的分辨率扫描到的织物图像进行检测,图像大小均为256×256.仿真平台为Matlab R2011a.实验对40幅库样本,15幅手动采集样本进行检测,其中疵点类型包括断头疵、油污疵、经纬纱线疵点、破洞疵和线头疵等,均具有较好的结果.在构建样本集时,以图像块大小为滑动窗口尺寸,在图像上进行随机滑动取样,并以列向量的形式表现.样本均具有重复单元组织,所以图像块尺寸大小如表1所示与传统稀疏字重建(SDR)、规则带、Gabor滤波和小波变换等算法检测精度的比较如表2所示.用检测时间来衡量算法检测效率,平均检测一幅织物图像的时间如表3所示.图3为部分实验结果,第1列和第3列为瑕疵图像,第2列与第4列为检测结果图像.第1~5幅样本为香港自动化实验室样本库图像,第6~8幅样本为扫描仪采集图像.扫描仪采集图像会出现横纵拉伸,花纹倾斜,所以采用Radon变换矫正.背景纹理复杂的织物图像,无法很准确地对图像进行二值分割,相较于Hough变换的直接应用于二值图像,Radon可直接应用于灰度图像,全面变换且准确.字典学习阶段,与其他如MOD字典学习相比较,K-SVD算法字典更新速度快并且表示精度高.可通过简单的数学公式理解,无需过多理论,误差约束较直观,并且对光照不敏感.从图3中可以看出,格子布比较光滑细致,纹理周期很明显,检测结果较为理想,检测率可达95%.星印花织物图像,整体呈现黑白色,经过预处理后疵点与背景分割不明显,对比度没有格子布高,检测率为92%.由于扫描仪采集图像织物纹理粗糙,布匹印花不细致,存在毛边干扰,纱线间隙明显,易被检测系统误判为印花,检测率为90%,低于香港大学自动化实验室库织物图像.

表1 织物图像块参数Table 1 The parameters of fabric image block

表2 本文算法与其他算法检测率对比Table 2 Comparison of detection accuracy of the proposed algorithm and others %

表3 本文算法与其他算法平均检测时间对比Table 3 Comparison of detection accuracy of the proposed algorithm and others %

图3 部分检测结果Fig.3 Parts of detection results

3 结束语

本文就格子布等背景纹理规则织物疵点,提出一种基于稀疏编码字典学习的疵点检测.对经过Radon倾斜矫正和Gabor滤波预处理后的织物图像,用K-SVD完成字典学习,依据误差最小原则,对高维输入样本集以近似条件K次分解,每次分解对误差项进行SVD分解,选择使误差项最小的分解项为更新原子与求解系数的依据.得到字典与稀疏系数进行图像稀疏重构后再投影求水平与垂直特征矩阵,利用无瑕疵织物与待检测织物特征矩阵进而检测疵点.与传统算法相比较,对格子布等织物的适应性更强,在保证精度的前提下可适当减小检测时间.但该算法仍旧无法避免认为设定字典大小带来的弊端,后续将继续进行改进.

[1] 王时骏.基于图像处理的印刷缺陷在线检测系统的综述[J].出版与印刷,2008(2):34-36.

WANG Shijun.Review of print defect detection system based on image processing[J].Publishing &Printing,2008(2):34-36.

[2] 景军锋,张缓缓,李鹏飞.基于方法库的织物图像疵点检测[J].东华大学学报:自然科学版,2013,39(5):650-655.

JING Junfeng,ZHANG Huanhuan,LI Pengfei.Fabric image defect detection based on method library[J].Journal of Donghua University:Natural Science,2013,39(5):650-655.

[3] BUNGE H J.Texture analysis in materials science:Mathematical methods[M].Nederland:Elsevier,2013.

[4] 高程程,惠晓威.基于灰度共生矩阵的纹理特征提取[J].计算机系统应用,2010,19(6):195-198.

GAO Chengcheng,HUI Xiaowei.GLCM-based texture feature extraction[J].Computer Systems &Applications,2010,19(6):195-198.

[5] 祝双武,郝重阳.一种基于纹理方向性分析的织物疵点检测方法[J].西安工程大学学报,2010,24(3):261-266.

ZHU Shuangwu,HAO Chongyang.Fabric defect detection approach based on texture directionality analysis[J].Journal of Xi′an Polytechnic University,2010,24(3):261-266.

[6] KUMAR A,PANG G K H.Defect detection in textured materials using Gabor filters[J].IEEE Transactions on Industry Applications,2002,38(2):425-440.

[7] 张缓缓.基于机器视觉的织物疵点自动检测及分类的研究[D].西安:西安工程大学,2012.

ZHANG Huanhuan.Automatic fabric defect detection and classification based on machine vision[D].Xi′an:Xi′an Polytechnic University,2012.

[8] HUANG C C,CHEN I C.Neural-fuzzy classification for fabric defects[J].Textile Research Journal,2001,71(3):220-224.

[9] CANDESS E J,ROMBERG J K.Stable signal recovery from incomplete and measurements[J].Communication on Pure and Applied Mathematics,2006,59(8):1207-1233.

[10] WRIGHT J,YANG A Y,GANESH A,et al.Robust face recognition via sparse representation[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2009,31(2):210-227.

[11] 尚丽,郑春厚.基于稀疏编码的自然图像特征提取及去噪[J].系统仿真学报,2005,17(7):1782-1784.

SHANG Li,ZHENG Chunhou.Image feature extraction and denoising based on sparse coding[J].Journal of Systerm Simulation,2005,17(7):1782-1784.

[12] ZHOU J,SEMENOVICH D,SOWMYA A,et al.Sparse dictionary reconstruction for textile defect detection[C]//Machine Learning and Applications(ICMLA),2012 11th International Conference on.IEEE,2012:21-26.

[13] YANG J,PENG Y,XU W,et al.Ways to sparse representation:A comparative study[J].Tsinghua Science &Technology,2009,14(4):434-443.

[14] MANCERA L,PORTILLA J.L0-norm-based sparse representation through alternate projections[C]//Image Processing,2006 IEEE International Conference on IEEE,2006:2089-2092.

[15] TROPP J,GILBERT A C.Signal recovery from random measurements via orthogonal matching pursuit[J].Information Theory,IEEE Transactions on,2007,53(12):4655-4666.

编辑、校对:武 晖

Defect detection based on sparse coding dictionary learning

LIU Suimei,LI Pengfei,ZHANG Lei,ZHANG Hongwei,ZHANG Huanhuan,JING Junfeng

(School of Electronics and Information,Xi′an Polytechnic University,Xi′an 710048,China)

In order to detect defect of the complex background texture fabric fast and accurately,and decrease the amount of computation of traditional algorithm,an algorithm based on sparse coding dictionary learning is proposed.Firstly,Radon skewness correction is adopted to reduce the pixel information processing error,and then Gabor filter is used to eliminate noise after correction.Secondly,sliding window with certain size is applied to select the image block in preprocessed-image and build input sample matrix.Dictionary and sparse coefficient of flawless sample matrix are obtained via K-SVD.Horizontal and vertical projection feature matrixes are calculated after sparse reconstruction.Thirdly,test sample achieved sparse reconstruction through the dictionary that has been treated with flawless image.Projection matrixes of testimage is obtained as the same way and used to build corresponding horizontal and vertical feature matrixes to flawless image,respectively.Then the defective region of image is spotted.Experiments show that the proposed algorithm could efficiently detect defects with shorter time and average detection accuracy reaches 92.3%.

defect detection;sparse coding;K-SVD dictionary learning

TP 391

A

1674-649X(2015)05-0594-06

10.13338/j.issn.1674-649x.2015.05.014

2015-07-05

国家自然科学基金资助项目(61301276)

李鹏飞(1962—),男,陕西省西安市人,西安工程大学教授,研究方向为机器视觉、工业检测等.E-mail:li6208@163.com

猜你喜欢

疵点瑕疵字典
开心字典
开心字典
喷丝板疵点检测系统设计
登记行为瑕疵与善意取得排除的解释论
基于FPGA的图像疵点处理设计与实现
哦,瑕疵
哦,瑕疵
家蚕品种单粒茧丝疵点差异及遗传性研究初报
我是小字典
正版字典