机器视觉在织物疵点检测中的应用进展

徐伟锋 戴明宏 朱 丹 马方毅

（绍兴职业技术学院，浙江绍兴，312000）

随着智能制造的推广和高品质纺织品需求的提升，纺织行业对生产过程、产品质量以及品质要求也需要相应大幅提升。其中，织物疵点是影响产品品质的主要原因，成为纺织品质量把控的重要环节［1］。目前，我国大部分纺织企业的织物疵点检测还采用人工检测的方式，自动化程度不高、检测效率低，容易造成漏检或误检等现象［2］。而机器视觉作为无损伤、无接触的自动检测，具有生产效率高、安全可靠、自动化程度高等特点，在物件识别、产品检测、外观测量以及视觉定位等方面都得到了广泛的应用，其行业应用领域涉及较广［3］。

近年来，伴随机器视觉和图像处理技术的高速发展，基于机器视觉的织物疵点检测越来越受到关注，机器视觉检测系统也逐步得到推广应用。如USTER公司推出基于视觉识别的FABRIQ VISION织物质量保证系统，采用光谱成像实时获取被检测的图像并及时处理，但系统仅对单色织物检测较为精确［4］。EVS公司具有独立图像算法的I-Tex织物疵点自动检测系统，通过与正常织物特征进行实时对比，检测异常变化来检测识别疵点，并保存对应疵点图像数据，但检测效率并不高［5］。这些国外的检测设备价格昂贵、维护成本高，在我国纺织行业使用率低，而国内还处在理论研究和实践阶段，相对成熟的织物疵点检测系统较少［6］。为提高织物疵点检测自动化程度、提升纺织品质量，结合机器视觉技术，开展织物疵点检测研究具有实际意义和应用价值。

1 织物疵点检测系统

纵观织物疵点检测技术的应用与发展，基于机器视觉的织物疵点检测系统通过工业摄像机结合补光源实时对织物表面进行拍摄，并将获取的织物图像传送到图像采集卡进行处理和分析，其检测系统主要由图像采集模块、图像处理模块、图像分析模块、系统数据管理模块及人机交互显示模块等部分组成。系统硬件通常有工业摄像机、视觉工控机、PLC控制器、伺服驱动装置、系统信息显示等，如图1所示。

图1 织物疵点检测系统硬件架构示意图

在图像采集模块中，摄像机作为机器视觉检测中最为重要的组成部分，其合理选择非常关键。目前，常用摄像机光成像的传感器主要有电荷耦合器件（Charge Coupled Device，CCD）和互补氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）。而CCD传感器具有分辨率高、噪声小、图像品质好，在织物疵点检测应用较多［7］。同时，由于织物检测视场广、采集数据量大以及分辨率要求高，为确保织物图像质量，图像采集选用多个高分辨率、高速扫描的线阵工业CCD摄像机。另外，因外界环境会产生光干扰，需增加补光源进行补光，确保图像的质量。按补光照射方式不同，补光源可分为以直接接收目标反射光的明场光源和以间接接收目标散射光的暗场光源［8］。结合检测织物疵点的特点和系统结构，补光源通常采用低功耗、使用寿命长、发热小且亮度高的长条LED条形光源，与摄像机安装在同一侧，进行明场照明。

图像处理模块重点是对采集中受噪声干扰的织物图像进行处理，提高图像清晰度，便于疵点区域与背景区域的区分，主要内容有图像滤波去噪、增强图像对比度和图像疵点区域分割等。

图像分析模块主要是提取织物疵点目标特征，如几何形状特征、纹理特征以及颜色式样特征等，进行分析和匹配，并通过特征集训练分类，对织物疵点进行识别及分类。而织物疵点从特征来看，具有不同的几何形状、多种式样以及特有的纹理分布，织物疵点种类较多，检测难度大。

系统数据管理模块及人机交互显示模块重点对图像数据进行归类、统计、存储等，并在显示终端上实时显示织物疵点的类型、形状和颜色等信息。

2 图像处理和分析方法

2.1 图像预处理算法

为减少生产现场织物图像采集中包含的噪声，提高图像的质量，需进行图像预处理。通常采用空域滤波和频域滤波两种算法。其中，空域滤波是在图像空间中对邻域内图像像素进行平滑或锐化处理，其主要分为线性滤波（如均值滤波器、高斯滤波器）和非线性滤波（中值滤波器）两大类；频域滤波是对图像特征信号的不同频率进行图像筛选滤波处理［9］。织物检测具有显著的周期性和连续性，而织物疵点常处于低频率，所以，织物图像滤波通常采用频域滤波中的低通滤波器，过滤高频背景部分，突显出低频疵点区域，便于织物疵点图像的分割和区域特征信息的提取。

2.2 图像分割算法

织物图像经过降噪滤波预处理后，需根据图像灰度、颜色、纹理及形状等特征，将疵点目标区域从背景区域中分离出来。目前，常用的图像分割算法有阈值分割法、区域分割法、边缘检测分割法等。

2.2.1 阈值分割法

阈值分割法是根据图像灰度特征，按照图像准则函数计算选定最佳灰度阈值，并通过图像二值化，将图像每个像素灰度值与其阈值进行比较判断，去除无关背景区域，分割出目标区域。假设织物图像为f(x，y)，图像灰度级为L，灰度范围为[0，L-1]，最佳灰度阈值为T，图像二值化处理后的输出图像为g(x，y)，则图像分割方法表达式见式（1）［10］。

在最佳灰度阈值计算中，常见的方法有直方图阈值算法、迭代阈值算法、Otsu阈值算法。其中，基于最大类间方差的Otsu算法应用较多，当方差较大时，目标区域与背景区域之间的差别就越大，分割处理效果越好。

2.2.2 区域分割法

区域分割法是直接以区域生长或分裂合并的方式进行分割［11］。区域生长算法是从具有代表性的初始像素开始，按照与其领域相符合的像素进行合并，并指定生长停止规则，形成目标区域。而区域分裂合并算法是从采集图像中，分裂成小区域，之后再把目标小区域合并成目标区域，算法复杂、计算量较大，同时在图像分裂过程中有可能损坏图像区域的边界。所以，在实际应用中，区域生长算法和区域分裂合并算法是结合起来使用的，主要应用于复杂场景或先验知识不足的图像分割场景。

2.2.3 边缘检测分割法

边缘检测分割法使用检测特定算子对图像中目标区域与背景区域的交界线进行提取，通常采用2×2或3×3的模板作为图像边缘检测的核，进行卷积运算，选取合适阈值，实现两者的分割［12］。边缘检测分割算法常使用微分算子法，根据图像邻域像素灰度值不连续的特点，采用一阶或二阶导数来检测边缘点。其中，一阶导数边缘检测算子计算简单、运算速度快，但定位精度不高［13］，主要有Sobel算子、Roberts算子、Kirsch算子等；二阶导数边缘检测算子比一阶定位精度高、但对噪声敏感［14-15］，主要有Canny算子、Laplace算子、Log算子等。所以，在使用二阶导数边缘检测算法前，需对含有噪声的图像进行滤波和模糊处理。

同时，在边缘检测中，还出现了一些利用特定工具进行图像分割处理的新算法，主要有小波分析和变换算法、遗传算法、神经网络算法等［16］。小波分析和变换算法将时域和频域相结合进行图像处理，对图像多尺度的小波变换提供边缘信息，具有良好的局部化特性。遗传算法是参考生物自然选择和自然遗传机制的随机化全局搜索算法，能提升寻优速度和质量，但局部搜索能力不强，常与其他算法结合起来应用。

2.3 织物疵点特征提取算法

织物疵点特征提取是织物图像分析最为关键的内容，根据织物疵点的特点，其主要分为形状特征、纹理特征、颜色特征等。

2.3.1 形状特征提取算法

形状特征提取是基于形状特征检索方法，利用图像中感兴趣目标区域进行检索，通常有形状轮廓特征和区域特征两大类。轮廓特征主要针对单个物件的外边界，特征包含的信息较多，但对噪声和形变较为敏感，其织物形状特征提取涉及的方法有边界特征法、简单几何特征法、傅里叶变换域法等［17］。而区域特征则关系到整体形状区域，是利用区域内像素集合来表示目标轮廓区域性质参数，主要涉及几何参数法（包括区域简单特征、形状相似性特征和基于直方图等描述的特征）、形状不变矩法、拓扑特征法等［18］。

2.3.2 纹理特征提取算法

根据织物图像纹理特性，纹理特征提取算法目前主要分为统计法、模型法、结构法和频谱法四大类算法。

统计法是图像纹理特征提取算法中较早出现的方法，有空间域灰度统计法、图像方差图法、纹理谱法等。其中，空间域灰度统计法中的灰度共生矩阵特征提取法、差分矩阵特征提取法最为常见。GOTLIEB C等［19］通过试验对共生矩阵各种统计特征进行研究，得出灰度共生矩阵的纹理特征分析方法，涉及能量、二阶熵、对比度和相关度等关键特征，可以用较多的统计量表示纹理特征，提升检测精度，但计算工作量大、效率低。为避免灰度共生矩阵出现的问题，胡海兵等［20］提出了灰度差分矩阵统计方法来提取图像纹理，计算量减少、速度也有所提高，但是在特征提取后的分类准确率并不高。

模型法是通过假定的纹理特定模型和相关参数进行统计，提取相应的纹理特征。该方法的关键内容是如何使用优化参数方法进行参数估计，主要使用的方法有随机模型法、自回归模型法和分形模型法等。模型法在实际应用中检测小型疵点效率不高、计算量大，近年来涉及的研究内容少，但织物纹理建模与其他变换算法结合，可提高准确率。

结构法是通过根据织物疵点纹理单元之间的结构关系进行图像纹理特征的提取。张善卿等［21］提出了一种基于结构张量特征值的标量型纹理特征，将其嵌入到区域模型中，获得全局最优解的新模型，并通过试验表明该模型特征数据维数少，特征提取速度快。结构法方法简单、检测效率高，但仅适用于简单的、灰度分布均匀的纹理图像检测，而对织物多样性的纹理提取效果并不理想。

频谱法是利用织物图像特有的纹理频谱特性，将获得的时域信号转变到频域进行分析处理后，提取图像纹理特征，其算法主要有傅里叶变换法、Gabor滤波法等［22］。傅里叶变换法是将检测图像变换到频域，利用频谱能量或频谱熵的周期性、方向性以及随机性等特征来表征图像纹理特征。但是，傅里叶变换法只适用于全局性的变化，不具有对不稳定信号或空间局部变化的分析及特征提取，使用存在一定的局限性［23］。针对傅里叶变换法的局部变化分析不足，汤晓庆等［24］提出了Gabor滤波法，即在变换中使用Gabor滤波器，从输出的结果提取纹理特征的方法，在纹理表征方面效果较好，但Gabor滤波法不随频率变化而变化，为单一分辨率分析，计算复杂，不适合多尺度、多样化的织物检测。

2.3.3 颜色特征提取算法

颜色特征是织物图像对应物件的表面性质，属于全局特征，对图像尺度、移动或旋转变化不敏感，常用的特征提取方法有颜色直方图法、颜色矩法、颜色集法等［25］。其中，颜色直方图法能表征织物图像颜色的全局分布，表明不同色彩在整幅图像中所占比例，是最常用的颜色特征提取算法，由于颜色直方图是全局颜色统计，但对于图像颜色局部分布和色彩的空间位置很难表现，可采用主色调直方图加以优化。颜色矩法是利用线性代数中矩概念，将图像颜色分布用矩表示，通常颜色有一阶平均值矩、二阶方差矩和三阶偏斜度矩，而每个像素具有3个颜色通道，其颜色矩可用9个分量进行表征，但是，颜色矩的维度少。颜色集法是将图像RGB颜色空间转化成视觉均衡的空间后，把空间细化成若干个小块区域，并将每一个区域量化建立颜色索引，建立二进制图像颜色索引集，提高特征提取的速度。目前，对彩色织物图像处理和分析中，通常图像先进行灰度处理后，再根据图像特征进行后续的灰度图像处理。

3 织物疵点检测发展趋势

随着人工智能技术、计算机信息技术和传感器技术的高速发展，机器视觉在织物检测也将得到相应发展。对于机器视觉在织物疵点检测方面的发展趋势主要涵盖以下几个方面。

（1）随着智能工厂的逐步推广和纺织生产自动化、智能化的发展需要，采用基于机器视觉技术的检测方案必将逐步替代传统的依赖人工检测操作。所以，基于机器视觉的织物疵点检测技术仍将是未来研究和发展的主要方向。

（2）目前，织物疵点检测易受生产环境、光照亮度、材料特性等因素的影响，在线检测容易产生失真的图像。需要进一步研究基于机器视觉的织物疵点检测新理论和新算法，增强智能化程度，构建稳定可靠的基于机器视觉的织物疵点检测系统。

（3）由于织物疵点的多尺寸、多样性及复杂性等特点，在图像采集过程中，仅从单方向获取图像，其信息不够全面，给后续图像处理和分析带来困难。因此，机器视觉与人工智能、多传感器的技术将会深度融合，获得多方面、深层次的图像信息，进一步提升织物疵点特征信息的有效判断，以确保织物疵点检测结果的准确性。

4 结束语

在基于机器视觉的织物疵点检测系统中，织物图像的处理和分析最为重要，主要涉及图像预处理、图像分割、图像特征提取等内容，而每一个内容都有相应的多种算法，需根据生产实际环境、织物特性以及生产工艺要求等情况，进行合理选择和应用。梳理和分析当前织物疵点检测算法的应用，总结对比织物疵点检测效果和存在的不足，并对未来发展趋势进行展望，以期为后续研究工作提供借鉴和参考。