基于SURF算法的数码印花缺陷检测系统

马超华， 张团善

(1.西安工程大学 机电工程学院， 陕西 西安 710048；2.绍兴市柯桥区西纺纺织产业创新研究院， 浙江 绍兴 312030)

近年来，数码印花凭借其印花效率高、无需制网、产品效果好及污染少等优势，在纺织品印花市场中占有越来越大的比重。但在数码印花工业生产中，由于喷头堵塞、出墨不均、电机偏差以及辊子压布不平整等因素，导致出现诸如PASS道、布匹褶皱、喷墨不均和漏墨等各种印花缺陷，严重影响了印花布匹的质量和价格。因此，印花织物表面缺陷的检测是提高印花织物产品质量的重要环节。

由于工厂环境的复杂性和花型图案的多样性，使得印花织物表面缺陷检测比较复杂和困难。目前大部分工厂都采取人工检测的方式，难以保证产品质量，因此需要一种新的检测方法。表面缺陷检测的算法可分为基于纹理/颜色/形状特征的方法[1]、基于显著性的方法[2]、基于模板匹配的方法[3]、基于模型的方法[4-5]和基于深度学习的方法[6]。张团善等[7]通过构建基矩阵并计算差异矩阵,对比疵点因子得到其缺陷二值图像，但此方法仅适用于密度较高且纯色的防羽布，对花型图案复杂的印花织物检测效果不强。Peng等[8]提出了一种基于图像融合的基准图像动态更新方法，采用多通道图像减法对缺陷进行分割并提取缺陷，但在印花织物缺陷检测中易受光照噪声的影响。国外学者Tanimizu等[9]提出了一种基于图像处理技术的彩色印刷品缺陷自动检测方法，将图像的长度，宽度以及灰度值作为参数，通过三维的索引空间找到缺陷所在位置。但在印花织物缺陷检测中，由于印刷品和印花布匹的尺寸差异，实施较难且运算速度慢。肖乐等[10]提出了一种基于基于多通道Gabor滤波的瑕疵检测方法，通过Gabor滤波和建立图像金字塔并融合重建滤波后的图像，来实现瑕疵的提取。但在印花织物缺陷检测中Gabor滤波的最优参数选择难度很大。

课题组以印花织物为研究对象，设计了一种基于改进SURF算法的印花织物表面缺陷检测系统。经过实验验证，表明该系统可满足数码印花织物缺陷检测需求。

1 印花织物缺陷分析和硬件部分设计

1.1 常见印花织物缺陷

由于喷头堵塞、喷头出墨不均及步进电机偏差等问题，导致织物中出现白丝、斑点和褶皱等缺陷。常见的缺陷种类见表1。

表1 常见缺陷种类

1.2 系统硬件部分设计

硬件部分主要由CCD相机、光源以及图像处理设备组成。其中，CCD相机采用迈德威视公司的MV-GED501C-T彩色面阵相机，相机分辨率为1 920 dpi×1 080 dpi，像元尺寸为3.45 μm×3.45 μm；照明系统采用LED光源；镜头采用迈德威视公司的MV-LD-25-5M-K镜头。视觉平台控制原理图如1所示。

图1 视觉平台原理图Figure 1 Visual platform schematic

检测系统的工作原理为：当辊子转过一定角度后，编码器向工业相机进行图像采集；然后相机将采集的图像转换为数字图像信号发送到上位机对图像分析处理，得到缺陷信息；最后检测系统根据缺陷信息向控制器响应模块发送指令控制辊子和喷码机。

2 印花织物表面缺陷检测算法

印花织物表面缺陷检测算法流程如图2所示。对相机采集到的模板图像和待检测图像进行相同的预处理操作，使用改进的SURF算法对预处理后的图像进行特征点匹配，仿射变换配准图像；配准后通过图像差分得到2幅图像之间差异的信息，即是缺陷信息。

图2 表面缺陷检测流程图Figure 2 Surface defect detection process

2.1 图像预处理

由于采集到的印花织物图像受到设备运行抖动，工厂光照不足的影响，导致图像亮度偏低、包含噪声和细节模糊等问题，影响后续操作。所以需要对采集到的图像进行预处理，主要处理方式为图像灰度化、增强图像对比度和图像锐化。

由于使用的彩色面阵相机无法直接获取灰度图像，而彩色图像不适用于直接快速检测，因此需要将彩色图像灰度化，步骤如下：

1) 计算图像各像素点RGB的分量；

2) 计算加权灰度值0.3×B+0.59×G+0.11×R；

3) 将计算好的灰度值赋给各对应像素点。

由于采集到的图像有亮度偏低的问题，需要调整图像对比度来增强图像。调整图像对比度属于像素变换-点操作，公式为

g(i,j)=αf(i,j)+β。

(1)

式中：g(i,j)为调整后的像素；f(i,j)为调整前的像素；α为增益系数，α>0；β是增益变量。

经过图像灰度化，调整对比度后，图像有了显著改善，但有细节模糊等问题，需要进行图像锐化操作。图像锐化操作包括梯度锐化和Laplance锐化。梯度锐化处理效果较好但是抗噪性差，Laplance法计算简单，实时性较好，因此课题组采用Laplance算子实现图像锐化。其主要思想是用Laplance算子遍历图像中的像素点，根据4领域内的像素确定其锐化后的值。

预处理过程中各阶段图像如图3所示。

图3 图像预处理Figure 3 Image preprocessing

2.2 图像配准

2.2.1 特征点匹配

由于相机的摆放以及印花设备震动等因素影响，待检测图像像需要先进行仿射变换来配准模板图像,以进行下一步的缺陷检测操作。笔者采用改进的SURF算法来进行特征点匹配，在单次匹配的基础上结合双向唯一性匹配法来消除误配点；然后用最小二乘法拟合仿射变换的参数，进行图像配准。

SURF算法采用了黑森(Hessian)矩阵的近似图像，构建图中各像素点的黑森矩阵。当尺度为σ时，像素点X=(x,y)的黑森矩阵为:

(2)

式中：Lxx为滤波后图像g(σ)在x方向的2阶导数；Lxy为滤波后图像g(σ)在x，y方向的2阶导数；Lyy为滤波后图像g(σ)在y方向的2阶导数。

相较于SIFT算法，SURF算法引入了积分图像概念，采用了尺寸不断变化的盒子滤波来代替图像金字塔。利用各尺寸的盒子滤波和积分图像求取黑森矩阵的响应图像。为了选取图像中特征点，需要对原图进行变换，即采用原图中各像素的黑森矩阵近似值来构成变换图。并且引入了权值来减小近似带来的偏差，判别式为

det(Happrox)=LxxLyy-(0.9Lxy)2。

(3)

根据式(3)结果的正负判断该点是否是兴趣点。并且在不同尺度空间的邻域内将兴趣点和其3维领域的26个点进行大小比较，若兴趣点为邻域内特征值最大点，则认定该兴趣点为此区域内的特征点。

将上一步中确定的特征点做为中心，选取半径为6S(S为该特征点所在尺度值)的区域，统计区域内60°度扇形内的所有点的haar小波响应，并且根据其响应赋予权值，该特征点的方向取区域内最长矢量的方向。取特征点附近20S*20S的正方形框，该框方向为特征点主方向，把方框分为4*4个子区域，每个子区域统计5*5个像素的harr小波特征，这样，每个子区域都拥有了一个有着四维分量的向量，公式如下：

V=(∑dx,∑dy,∑|dx|,∑|dy|)。

(4)

式中：dx，dy，|dx|，|dy|分别表示水平方向、竖直方向之和以及水平方向绝对、竖直方向绝对之和。

至此每个特征点都有了一个16*4=64维的描述算子。通过计算特征点之间的欧氏距离判断匹配是否正确。距离越小，相似度越高，当欧式距离小于设定阈值时，可以判定为匹配成功。

2.2.2仿射变换

虽然匹配了模板图和缺陷图中的特征点，但在实际操作中，采集到的两幅图像不可能完全配准，需要通过匹配点对来确定变换参数，得到2幅完全配准的图像。仿射变换示意图如图4所示。

图4 仿射变换示意图Figure 4 Affine transformation diagram

仿射公式如下：

(5)

式中：(m,n)和(m′,n′)是图像变换前后像素点的坐标；dm，dn为平移量；a，b，c，d为旋转、拉伸参数。

由SURF算法得到匹配好的特征点对，选用最小二乘法来对匹配点进行拟合，得到上述参数，确定参数后，按照式(5)进行变换，最终使得模板图像和缺陷图像大小、位置和角度完全一致。

2.3 缺陷检测

得到2幅完全配准的图像后，选用图像差分的方法来获取缺陷位置。基本思想是将2幅图像差分，削弱图像相似部分，突出变化部分。把同一坐标下像素点灰度值之差的绝对值作为差分后图像的新灰度值。

图像进行差分操作后，缺陷位置的灰度值会比较高，因而呈现为白色；无缺陷的位置由于2幅图的像素值相同，因而灰度值为零，呈现为黑色。由于获取的图像常常伴随噪声以及图像配准时受仿射参数的影响等，差分后的图像常常出现点状或线状的“假缺陷”。

得到上述带有“假缺陷”的差分图像后，进行图像二值化操作和形态学处理，消除“假缺陷”和突出缺陷。

形态学处理是用在二值图像中对需要突出或去除的图像信息进行操作，包括腐蚀、膨胀、开运算和闭运算等。腐蚀使图像缩小；膨胀使图像向外扩张；开运算常用在消除二值图像中的杂点毛刺等；闭运算通常用来补充图像区域内的空白点。

3 试验与分析

实验环境：CPU为Intel(R) Core(TM) i5 4200U，主频为1.6 GHz，内存为8 G，软件开发工具为64位Windows7，VS2015和OpenCV3.1.0。选用常见数码印花缺陷图片库中的100组不同图片作为样本，每组包括一张标准图像和缺陷图像。选取有漏墨缺陷的印花织物作为展示，缺陷图和模板图如图5所示。

图5 样本图像Figure 5 Sample image

由于实际拍摄环境影响，采集到的缺陷图不能和模板图直接进行差分操作。需要预处理后对2幅图进行配准操作，双向匹配结果图如图6所示。

图6 双向匹配结果Figure 6 Bidirectional matching algorithm result graph

得到匹配好的点坐标信息后，可利用最小二乘法获取仿射变换参数，仿射变换后缺陷图如图7所示。

图7 仿射变换后的缺陷Figure 7 Defect graph after affine transformation

将配准好的缺陷图和模板图进行差分操作，结果如图8所示。

图8 图像差分Figure 8 Image difference

由于模板图像和缺陷图像在缺陷位置处的灰度值不同，差分之后缺陷位置出现了较为明显的高亮度区域，且由于仿射变换误差的影响，模板图像不可能完全重合，因此出现差分图像出现了花型的重影。将图像进行二值化和形态学操作，消除重影的影响，突出缺陷位置。图像二值化选用阈值为42，开运算处理使用单元结构为6×6的结构矩阵。差分图像处理如图9所示。

图9 差分图像处理Figure 9 Differential image processing

采用连通域标记算法对上述点状缺陷进行标记，使用宽度为4像素的矩形框框选出来，如图10所示。

为进一步验证本系统检测算法的有效性，选取上述缺陷图片库中的100组不同图片为样本，用此算法和传统模板匹配法进行试验，统计检测正确率和平均用时，结果如表2所示。

表2 不同算法检测结果

从表2可知，相较于传统模板匹配法，本系统检测算法在检测正确率上高出了12%，比传统模板匹配法平均用时短了42.81 ms。通过实验验证：改进后的SURF算法用时短，精度高。本系统可以满足实际生产需求。

4 结论

课题组针对数码印花生产过程中织物上出现的表面缺陷，以及传统检测方法实时性差、检测准确率低等问题，设计了一种基于改进SURF算法的印花织物表面缺陷检测系统。经过实验验证，表明：结合双向匹配的SURF算法显著提高了仿射变换精度；使用差分算法和连通域标记算法可以直接快速地提取缺陷位置并标记出来；改进后的SURF算法可以保证系统快速高效检测出缺陷。相较于传统检测算法，本算法检测率更高、检测速度更快，能满足实际工业应用需求。