应用最优Gabor滤波器的经编织物疵点检测

尉苗苗， 李岳阳， 蒋高明， 丛洪莲

(江南大学 教育部针织技术工程研究中心， 江苏 无锡 214122)

应用最优Gabor滤波器的经编织物疵点检测

尉苗苗， 李岳阳， 蒋高明， 丛洪莲

(江南大学 教育部针织技术工程研究中心， 江苏 无锡 214122)

针对经编织物疵点自动检测问题，提出了一种新的基于最优Gabor滤波器的经编织物疵点检测方法。具体可分为学习阶段和检测阶段；在学习阶段，对于无疵点的经编织物图像构造可调制的二维Gabor滤波器，采用量子行为粒子群优化(QPSO)算法对Gabor滤波器的参数进行优化，得到与无疵点的织物图像纹理特征最匹配的Gabor滤波器参数；在检测阶段，由学习阶段得到的最佳参数构造Gabor滤波器，用该滤波器对待检测织物图像进行卷积处理，然后再对得到的卷积图像进行二值化处理，最终识别出待检测织物是否有疵点存在。结果表明，该方法的检测率可以达到96.67%，具有很好的稳定性和鲁棒性，适合应用于工业生产。

经编织物疵点检测； 最优Gabor滤波器； 量子行为粒子群优化算法； 图像分割

经编机生产过程中，纱线断裂后织物会出现疵点，目前很多纺织企业的疵点检测都是由人工完成的，但人工检测存在诸多不足[1]：由于检测疵点是一种重复性的任务，而且需要注意力高度集中，检测工人很容易疲劳厌烦，准确率仅可以达到60%～70%；人工检测花费的成本较高，需要雇佣一大批工人不间断地进行检测。

近年来基于机器视觉和图像处理的织物疵点检测方法大量涌现，主要分为3类方法[2-3]：基于统计的方法[4]、基于频域的方法、基于模型的方法[5]。在这些方法当中，利用Gabor滤波器对织物图像进行分析主要可分为2类[6]：多尺度多方向的Gabor滤波器组[7]；可以调制的Gabor滤波器[8]。滤波器组的方法需要预先设定好一组参数，这组参数可以构造出一组Gabor滤波器，这组滤波器需要包含整个特征空间，这种方法可以有效地进行疵点区域与无疵点区域的分割，但是最大的弊端就是需要多个滤波器，计算量大，没有很强的实时性，应用于工业生产受到了限制。可以调制的Gabor滤波器方法通过最优化方法调整一个滤波器的参数，使其与无疵点的背景图像纹理特征相适应，得到最适应背景图像纹理特征的滤波器参数后，构造单个Gabor滤波器对织物图像进行检测。这种方法，在保证检测正确率的前提下，尽可能减少运算时间，实时性强，更适合应用于工业生产当中。

本文方法属于可以调制的Gabor滤波器的方法。很多研究者已经对最优Gabor滤波器的设计进行了研究，分别采用遗传算法[9]和模拟退火算法[10]等。对于最优化Gabor滤波器的方法，关键问题是采用有效的最优化算法选择最优参数,才能更容易应用于工业生产。基于此，本文采用量子行为粒子群优化(QPSO)算法作为选取最优Gabor滤波器参数的方法，该方法根据Fisher准则[11]构造一个目标函数，建立一个非线性规划问题的数学模型，利用QPSO算法求解该模型就可以得到最佳Gabor滤波器的参数，该方法能有效地提取出Gabor滤波器的最优参数。

1 二维Gabor滤波器

在空间域中，二维Gabor滤波器[12-13]是由方向性复正弦函数调谐的二维Gaussian核函数调制而成，空间域中二维Gabor滤波器可以表示为

G(x,y)=g(x′,y′)exp(2πj(Ux′+Vy′))

(1)

式中：x′=xcosθ+ysinθ，y′=-xsinθ+ycosθ；θ为旋转角度；U是x轴方向的频率；V是y轴方向的频率；g(x′,y′)是二维Gaussian 核函数。式(1)中二维Gaussian核函数g(x′,y′)的表达式为

(2)

式中：δx为Gaussian核函数x轴方向上的尺度参数；δy为Gaussian核函数y轴方向上的尺度参数。

Gabor滤波器是由Gaussian核函数乘以复正弦函数得到的,可表示为

G(x,y)=Ge(x,y)+jGo(x,y)

(3)

式中：Ge(x,y)是二维Gabor滤波器的实部；Go(x,y)是二维Gabor滤波器的虚部。

图像经过Gabor卷积后的图像R(x,y)可以表示为

R(x,y)=T(x,y)*G(x,y)

(4)

式中：T(x,y)是无疵点的经编织物图像；R(x,y)是经过Gabor滤波器卷积后的图像；*是图像的卷积操作。

Gabor滤波函数经过适当的膨胀收缩或旋转，可以得到自相似的不同方向不同尺度的Gabor滤波函数，1个Gabor滤波器由1组参数Φ=(δx,δy,U,V,θ)决定，Φ作为Gabor滤波器提取的参数用于最优Gabor滤波器的选取。

2 疵点检测算法

2.1 疵点检测算法的主要步骤

本文提出的织物疵点检测方法可以视为2种纹理的图像分割法[14-15],有疵点的区域和无疵点的区域纹理特征上有差异，含有疵点的织物图像最少包含2种纹理,分割不同纹理即可检测出疵点位置。对于一种织物图像，正常织物的纹理特征是类似的，不同种类的疵点的纹理特征是多种多样的，同一种疵点纹理特征也有个体差异，学习所有疵点种类的纹理特征是不切实际的，所以只学习正常织物纹理的特征。本文采用半监督的方式[6]，将这些纹理特征作为检测疵点的依据。

图1示出织物疵点的检测流程图。本文的织物疵点检测方法主要分为2个阶段。学习阶段：对N×N的无疵点经编织物图像T(x,y)，构造出二维Gabor滤波器G(x,y)，提取出Gabor滤波参数Φ=(δx,δy,U,V,θ)。根据Fisher准则构造出目标函数，然后建立具有5个决策变量、3个约束条件的非线性规划问题的数学模型，再利用量子行为粒子群优化(QPSO)算法对提取出来的Gabor滤波参数进行最优化处理，得到Gabor滤波器的最优参数Φ*。检测阶段：根据学习阶段获取的参数Φ*建立Gabor滤波器，对待检测织物图像S(x,y)进行Gabor卷积处理，再采用低通Gabor滤波器对卷积后的图像进行卷积，降低毛刺信号的干扰，然后再采用中值滤波对卷积后的图像做进一步的平滑处理，最后进行阈值分割得到疵点检测结果。

2.2 目标函数

本文采用Fisher准则构造目标函数作为QPSO算法的适应度函数。Fisher准则已经广泛地应用于模式识别领域，并且成功地解决了2种纹理的图像分割问题[14-15]。图像分割目的是对2种已知的纹理进行分割，已知2种纹理图像I1(x，y)，I2(x，y)，相应的Fisher准则的代价函数可以表示为

(5)

对于织物疵点检测问题也可以视为2种纹理的图像分割，即为已知的无疵点的背景图像区域和未知的有疵点的图像区域。由于仅对无疵点的背景图像纹理特征已知，根据式(5)构造出最优化问题的目标函数为

(6)

式中：Gabor滤波器的参数Φ=(δx,δy,U,V,θ)；μ(Φ)和σ(Φ)分别是经编织物图像经过Gabor卷积后的能量均值和标准差。

μ(Φ)和σ(Φ)可以分别表示为

(7)

(8)

式中Gabor卷积后的图像其能量Er(x,y)可以表示为

Er(x,y)=[(T(x,y)*Ge(x,y))2+

(9)

在特定的解空间内，要找到与无疵点的织物图像T(x，y)纹理特征相匹配的Gabor滤波器参数，需要使能量响应值的均值μ(Φ)达到最大，并且使其方差σ(Φ)达到最小，也就是使目标函数F(Φ)达到最小，这样就能够得到最优Gabor滤波参数Φ*。

2.3 建立优化问题模型

本文上述的经编织物疵点检测的优化模型可以建立为具有5个决策变量、3个约束条件的非线性规划问题，具体可以描述为

(10)

其中，限制条件式1表示Gabor滤波器的尺度范围，保证最大的Gabor滤波器在被卷积的图像内部；限制条件式2是Gabor滤波器中心(U,V)的取值范围,上限是Nyquist frequency (0.5cycles/pixel)的一半；考虑到Gabor滤波器的对称性，限制条件式3中旋转角度范围从0到π。

2.4 QPSO算法求解优化问题模型

对于本文提出的织物疵点检测优化模型采用QPSO算法进行优化。QPSO算法是在粒子群优化(PSO)算法的基础上，发现人类的学习过程与粒子的量子行为极为相似而开发的群体智能算法。QPSO算法参数较少，随机性强，收敛速度快，能覆盖整个解空间具有非常好的全局搜索能力，已经成功应用在诸多领域。本文采用QPSO算法对式(10)建立的非线性规划模型进行参数优化，具体按照如下步骤：

1)初始化粒子群，包括确定最大迭代次数、搜索空间、粒子的个数、随机初始化粒子的位置(即为Gabor滤波器参数Φ的一组值)。

设初始时迭代次数n=0，最大迭代次数为max_n；需要确定最优值的参数有Φ=(δx,δy,U,V,θ)，则搜索空间为5维；群体由M个粒子组成x={x1,x2,…,xM}，其中第i个粒子位置为

(11)

个体最好位置为

(12)

群体的全局最好位置为

(13)

其中i=1,2,…,M。

(14)

3)每个粒子位置的更新，也就是Gabor滤波器参数的动态调整过程，采用与步骤2相同方法求出每个粒子的适应度函数值，更新个体最好位置和全局最好位置。

由QPSO算法，粒子的位置更新方程为

(15)

(16)

(17)

每个粒子的位置更新后，采用与步骤2)相同方法求出每个粒子的适应度函数值，然后由式(18)更新个体最好位置：

(18)

由上式得到每个粒子个体最好位置保存的是到当前为止具有最小适应度函数值的位置。

每个粒子的个体最好位置确定后，就可根据式(14)更新全局最好位置。

4)训练在满足迭代结束条件时结束，全局最好位置即为所要确定的Gabor滤波参数的一组最优值；否则，迭代次数加1，转到步骤3)。

迭代结束条件一般是迭代次数n等于max_n。

2.5 阈值分割滤波后的图像

根据学习过程中得到的最优Gabor滤波器参数Φ*，构造出单个Gabor滤波器。由式(4)用构造出来的滤波器与待检测的经编织物图像S(x,y)进行卷积操作，得到卷积后的图像S′(x,y)。图2示出含有断经疵点的经编织物图像，经过最优Gabor滤波器卷积操作后，图像能量响应值的三维视图，可以看出卷积后的图像毛刺信号较强。

在阈值分割得到二值化检测结果前需要进一步对图像做平滑处理，具体按照如下步骤。

1)经过最优Gabor滤波器卷积后的图像S′(x,y)中含有大量的噪声，文献[11]采用11像素×11像素的低通Gaussian滤波器再次对卷积后的图像S′(x,y)进行卷积处理，这样可以减少噪声斑点对二值化过程的影响，但是使用Gaussian滤波器效果改善并不是很明显，本文采用一个低通Gabor滤波器再次对卷积后的图像S′(x,y)进行卷积操作，得到卷积后的图像S″(x,y)，再次经过低通Gabor滤波器卷积的图像能量响应值三维视图如图3所示，毛刺信号比图2明显减弱。

2)经过2次Gabor滤波器卷积后的图像S″(x,y)继续采用21像素×21像素的中值滤波器进行卷积处理，得到卷积后的图像S‴(x,y)，滤波后的图像能量响应值的三维视图如图4所示。无疵点的区域和有疵点的区域图像能量响应值差别更加明显，并且毛刺信号进一步减弱。

对经过上述处理的图像S‴(x,y)做阈值分割处理，由式(9)可计算得到每个像素位置的能量响应值Er(x,y)。再由式(19)进行阈值分割处理：

(19)

式中：B(x,y)是二值图像，根据式(7)、(8)，μ是经过上述处理后图像的能量均值；σ是能量标准差；c是一个实验常数，由实验得到；B(x,y)就是疵点检测的最终结果，由B(x,y)来判断是否含有疵点。若B(x,y)的值为1，则待检测图像相对应的像素位置有疵点；若B(x,y)的值为0，则待检测图像相对应的像素位置无疵点。

3 实验与分析

3.1 与经典算法检测效果对比

为了检验本文提出的疵点检测算法的效果，收集了60幅经编织物图像，参照GB/T 17759—2009《本色布布面疵点检测方法》对收集到的图像进行分类和统计。离线数据库中包含20张无疵点的样本，40张不同种类的疵点样本，所有的样本都是512像素×512像素8位的灰度图像。实验采用Intel OpenCV 2.4.9计算机视觉方法库，在Microsoft Visual Studio 2010平台上进行。为了验证本文提出算法的有效性，对文献[7]的经典算法与本文提出的算法在相同的数据库上的检测效果进行比较，文献[7]采用Gabor滤波器组，需要使用不同尺度不同方向的一组Gabor滤波器，而本文算法利用QPSO算法训练Gabor滤波器参数，检测时使用构造的单个最优Gabor滤波器，检测效率明显优于前者。算法检测效果的评价用二值化图像表明，检测结果如图5所示。数据库整体检测结果见表1、2。表2中正检率表示包含疵点的图像可以被正确检测的比率，误检率表示不含疵点的图像被误认为包含疵点的比率。

表1 疵点检测结果统计
Tab.1 Statistics for defect detection results

方法输入图像检测结果/张检测出未检测出本文方法包含疵点382不含疵点200文献[7]方法包含疵点364不含疵点173

检测结果表明文献[7]和本文算法都能将疵点检测出来，而图5(d)、(e)、(f)更清晰、更准确，从而证明了本文算法的有效性。

分析表1、2经编织物图像疵点检测结果统计表

表2 疵点检测率统计Tab.2 Percent efficiency of proposed method

可知，本文算法对于包含疵点的经编织物图像正检率较高，对不包含疵点的经编织物图像误检率较低，从而证明了本文算法在稳定性上优于文献[7]的经典算法。

3.2 与最新算法参数学习效率对比

为了检验本文算法的最优Gabor滤波器参数学习效率，实验收集了256像素×256像素、128像素×128像素、64像素×64像素无疵点经编织物图像样本，对文献[8]的算法参数学习效率与本文算法参数学习效率作对比，文献[8]采用遗传算法对二维Gabor滤波器做最优化处理。

在保证能够获取足够无疵点图像纹理特征信息的前提下，学习阶段所使用的无疵点经编织物图像T(x,y)的像素尺寸越小，所需的学习时间越少，文献[8]中证明了当T(x,y)的尺寸大于或等于64像素×64像素，所获得的最优Gabor滤波器可以包含足够的纹理特征信息，因此，本文采用的样本尺寸大于或等于64像素×64像素。表3统计了本文算法和文献[8]算法在参数学习上所需要的时间，显然本文算法在参数学习效率方面要优于文献[8]的算法，尤其是在T(x,y)的尺寸较大时，参数学习效率差距明显，从而证明了本文算法参数学习效率更优。

表3 学习效率统计Tab.3 Statistics for learning efficiency

3.3 工业生产应用

为了进一步检验本文算法的有效性，将本文算法应用到实际生产过程中。采用MicroView公司生产的线阵CCD工业相机(MVC2048DLM-GE19-SOO)，日本理光公司生产的35 mm焦距镜头(FL-YFL3528)，在卡尔迈耶公司生产的KS4 EL型电子横移高速经编机上进行实验。在正常运行的经编机出布口处实时采集分辨率为1028像素×128像素的经编织物灰度图像。采用本文算法对其进行检测，结果如图6所示。断经疵点被成功地检测出来，尽管图像有轻微的像素平移，疵点仍然能被准确地检测出来。

如图6(a)所示，在纱线刚断的时刻，纱线张力发生改变，但是仍然有残留的纱线缠绕其中，此时所形成的疵点并不是很明显。图6(b)的检测结果证明了本文疵点检测算法可以有效地检测出刚开始形成的疵点，这对于工业生产中布匹疵点的控制非常重要，发现疵点后立即停车，以减少疵点对布匹质量的影响。图6(b)、(d)示出清晰的检测结果，进一步证明了本文算法的有效性、稳定性以及鲁棒性。

4 结 论

本文主要针对经编织物断经、油污、破洞等疵点的检测方法进行研究。采用半监督的方式，对无疵点的经编织物图像，利用QPSO算法训练Gabor滤波器参数，检测时使用构造的单个最优Gabor滤波器，相比使用滤波器组的经典算法，能够更有效地、准确地检测经编织物疵点，更有利用于工业生产。目标函数通过Fisher准则构造，使得学习过程获得的最佳参数构造的Gabor滤波器与无疵点的织物图像纹理更加契合，从而使构造出的Gabor滤波器更有效地检测经编织物疵点。实验结果证明了本文算法的有效性，稳定性和鲁棒性。

FZXB

[1] CHO C S, CHUNG B M, PARK M J. Development of real-time vision-based fabric inspection system [J]. IEEE Transactions on Industrial Electronics, 2005, 52(4): 1073-1079.

[2] KUMAR A. Computer-vision-based fabric defect detection: a survey [J]. IEEE Transactions on Industrial Electronics, 2008, 55 (1): 348-363.

[3] NGAN H Y T, PANG G K H, YUNG N H C. Automated fabric defect detection: a review [J]. Image and Vision Computing, 2011, 29 (7): 442-458.

[4] SHI M H, FU R, GUO Y, et al. Fabric defect detection using local contrast deviations [J]. Multimedia Tools and Applications, 2011, 52 (1): 147-157.

[5] CAMPBELL J G, FRALEY C, MURTAGH F, et al. Linear flaw detection in woven textiles using model-based clustering [J]. Pattern Recognition Letters, 1997, 18 (14): 1539-1548.

[6] BODNAROVA A, BENNAMOUN M, LATHAM S. Optimal Gabor filters for textile flaw detection [J]. Pattern Recognition, 2002, 35 (12): 2973-2991.

[7] 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.

[8] HU Guanghua. Automated defect detection in textured surfaces using optimal elliptical Gabor filters [J]. Optik, 2015, 126 (14): 1331-1340.

[9] JING J F, YANG P P, LI P F, et al. Supervised defect detection on textile fabrics via optimal Gabor filter [J]. Journal of Industrial Textiles, 2014, 44 (1): 40-57.

[10] HU Guanghua. Optimal ring Gabor filter design for texture defect detection using a simulated annealing algorithm [C]// Information Science. Shanghai: Electronics and Electrical Engineering (ISEEE), 2014: 860-864.

[11] KUMAR A, PANG G K H. Defect detection in textured materials using optimized filters [J]. IEEE Transactions on Systems Man and Cybernetics Part B-Cybernetics, 2002, 32 (5): 553-570.

[12] DAUGMAN J G. Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters [J]. Journal of the Optical Society of America. A, Optics and Image Science, 1985, 2 (7): 1160-9.

[13] GABOR D. Theory of communication[J]. Electrical Engineers Part III: Radio and Communication Engineering, 1946, 93 (26): 429-457.

[14] DUNN D, HIGGINS W E. Optimal Gabor filters for texture segmentation [J]. IEEE Transactions on Image Processing, 1995, 4 (7): 947-964.

[15] TSAI D M, WU S K, CHEN M C. Optimal Gabor filter design for texture segmentation using stochastic optimization [J]. Image and Vision Computing, 2001, 19 (5): 299-316.

Warp knit fabric defect detection method based on optimal Gabor filter

YU Miaomiao, LI Yueyang, JIANG Gaoming, CONG Honglian

(Engineering Research Center for Knitting Technology, Ministry of Education, Jiangnan University, Wuxi, Jiangsu 214122, China)

Focusing on automatic image inspection of warp knit fabric defects in textile industry, a new method for warp knit fabric defect detection based on an optimal Gabor filter is presented. The proposed method consists of two processes: the training process and the inspection process. In the training process, the parameters of the 2-D Gabor filter can be tuned by the quantum-behaved particle swarm optimization (QPSO) algorithm to match with the texture features of a defect-free template acquired in prior. In the inspection process, each sample fabric image under inspection is convoluted with the selected optimized Gabor filter. Then a simple thresholding scheme is applied to generate a binary segmented result. Experimental results show that the detection rate of the proposed method can reach 96.67%. It has good performance of stability and robustness, suitable for industrial production.

warp knit fabric defect detection； optimal Gabor filter； quantum-behaved particle swarm optimization algorithm； image segmentation

10.13475/j.fzxb.20151101107

2015-11-03

2016-03-29

江苏省产学研联合创新资金-前瞻性联合研究项目(BY2015019-11)；中央高校基本科研业务费专项资金项目(JUSRP51404A，JUSRP211A38)；江苏高校优势学科建设工程资助项目(苏政办(2014)37号)

尉苗苗(1988—)，男，硕士生。主要研究方向为图像处理在针织上的应用。李岳阳，通信作者，E-mail： lyueyang@jiangnan.edu.cn。

TP 391.41

A