基于机器视觉的织物缺经检测系统

石 全 宋志峰 徐自立 林富生 余联庆

（1.武汉纺织大学，湖北武汉，430200；2.三维纺织湖北省工程研究中心，湖北武汉，430200；3.湖北省数字化纺织装备重点实验室，湖北武汉，430200）

随着现代纺织工业的发展，织机效率越来越高［1］，然而机织物缺陷检测的工作还是主要由人工完成，这就导致了缺陷检测效率与织机效率不匹配［2］、工人劳动强度过大等问题［3］。为了使织物缺陷检测工作与现代纺织工业的发展相适应［4］，需要更加高效可靠的织物缺陷检测方法来代替人工检测［5］。

目前已经有一些学者针对此问题进行研究，并取得了一定成果［6］。利用能量差对比法检测织物缺经缺纬［7］，速度快，可行性较强，但由于织物边缘位置与缺陷位置能量特征相似，采集图像时应避免采集到织物边缘位置。利用小波变换检测织物疵点［8-9］，计算成本低，成功率较高，但如果边缘周围存在与疵点相似的痕迹，就容易造成算法的误判。利用双混沌机制粒子群算法检测织物疵点［10］，利于粒子群搜索最优解，但是该算法较为复杂，检测速度不高。深度学习算法也被应用到织物疵点检测中［11-12］，但为了提高该算法的检测精准度，前期需要大量的样本进行训练，而且织物的生产过程较为复杂，出现的疵点随机性较大，有时难以准确判断。

缺经是织物疵点的主要类型之一［13-14］，本研究提出了一种基于Halcon 的织物缺经检测系统，首先通过预处理增强缺经特征；然后构造滤波器进行方向滤波提高缺经部分与非缺经部分对比度；最后通过灰度投影曲线差分判断缺经情况。该方法不仅可以区分出织物的边缘部分和缺经部分，而且针对不同光照条件下的织物图像有较强的自适应能力［15］。经过试验证明，该方法可有效检测出织物的缺经情况，检测速度快，结果准确，有较强的鲁棒性。

1 检测系统设计

该系统由计算机、工控柜、传送带、光源、相机组成。计算机收发数据和图像处理；工控柜控制传送带运动；传送带运送织物；相机采集织物图片；光源增强织物特征。检测系统示意图如图1所示。

1.1 采集图像

一般纱线颜色较浅，缺经部分与非缺经部分的对比度非常小，难以区分。因此采集图像前，在织物下方通过红色高频率荧光灯光源进行打光处理［16］，使缺经部分与非缺经部分的对比度提高，以便于后续检测。使用工业CCD 相机对图像进行三通道采集［17-18］。打光处理后采集到的缺经织物样本图像如图2 所示。

图2 缺经织物图像

1.2 预处理

虽然采集图像时用红色光源进行了打光，使缺经部分与非缺经部分的对比度有了一定提高，但此时仍然不能清晰区分。将原本的三通道图像分解为三个单通道图像即R、G、B 通道图像，如图3 所示。可以看出，R 通道的缺经部分最为明显，因此对R 通道图像做后续检测处理。

图3 单通道织物图像

R 通道图像中，缺经部分是白色，而以黑色为主的非缺经部分占据了图像大部分位置，缺经部分仍然不易区分。因此，对R 通道图像进行灰度反转处理，如图4 所示。可以明显看出，缺经处的灰度值与非缺经处有明显不同。

图4 灰度反转后的织物图像

1.3 方向滤波

方向滤波是利用卷积的方法对像素值进行梯度差分运算，增强灰度值突变处的特征，其原理如图5 所示。方向滤波器从原图像的左上角依次向右移动，对应位置的数字相乘并相加，得到的值为新图像在滤波器中心位置处像素点的灰度值。由水平方向滤波器的构造可知，灰度值变化平滑的位置，滤波器中左右两侧像素点的灰度值发生了很大程度的抵消，卷积后灰度值变化不大。而灰度值变化剧烈的位置，左右两侧像素点的灰度值无法抵消，并对原灰度值进行了增幅。因此，可以使用方向滤波进一步增强缺经特征。

图5 方向滤波原理示意图

为了获得理想的滤波效果，构造了不同阶数的滤波器，并对滤波效果进行比较，如图6 所示。滤波后的织物图像如图7 所示。

图6 不同阶数的方向滤波器

图7 不同阶数方向滤波后的织物图像

在后续试验中发现，经3 阶方向滤波的样本，漏检情况较多；7 阶方向滤波的样本，错检情况较多；而5 阶方向滤波的样本，效果较好。为了控制整体灰度值处于合适的范围，使用5 阶方向滤波器后，给滤波器赋予不同的权重，进行后续检测试验，滤波后的织物图像如图8 所示。

经过大量测试，权重为-1/4 时检测准确率最高。因此，将滤波器确定为权重-1/4 的5 阶方向滤波器。

1.4 灰度投影

为了准确得到灰度值分布情况，对织物图像进行垂直灰度投影，方向滤波前后的灰度投影曲线如图9 所示。

图9 方向滤波前后的垂直灰度投影曲线

从图9 中发现，经过方向滤波，缺经特征得到了充分的增强，但织物边缘部分的灰度值特征与缺经部分难以区分。因此采用均值滤波进一步处理。

1.5 均值滤波

一方面，由于不同织物采集到的图像整体灰度值有所不同，同一织物在不同光照条件下采集到的图像整体灰度值也会发生变化。另一方面，由于织物边缘的灰度值投影也会突然增大。因此，仅仅根据垂直灰度投影的值并不能准确判断出缺经的位置。为了使不同光照条件下图像的检测具有更强的鲁棒性，以及消除将织物边缘误检测为缺经的情况，采用均值滤波平滑灰度投影曲线。

均值滤波后的灰度投影曲线如图10 所示。可以看出，缺经部分的灰度投影值大大减小，边缘部分和其他非缺经部分的灰度投影值和原曲线相差不大。

图10 均值滤波后的灰度投影曲线

1.6 灰度投影曲线差分

在相同坐标系下分别表示出均值滤波前后的灰度投影曲线，可以更加直观地看出缺经部分两者的差值远远超过其他部分，如图11 所示。其中，蓝色曲线为均值滤波前的灰度投影曲线，红色曲线为均值滤波后的灰度投影曲线。

图11 均值滤波前后的灰度投影曲线

由于灰度投影曲线仅在缺经部分发生了明显变化，将均值滤波前后的灰度投影曲线差分，得到差值较大的部分，就可以判断为缺经部分。同时，由于织物边缘部分的灰度投影值变化不大，经过差分，就消除了将织物边缘误检为缺经的情况。另外，由于新曲线的整体灰度值与原曲线正相关，通过差分也可以在一定程度上消除不同光照条件对检测系统的影响，提高了检测的鲁棒性。

差分后，通过差值来判断缺经情况。如果存在差值大于阈值，说明存在缺经，可根据横坐标位置得到缺经位置，并将其用红色线条绘制在图像中。如果不存在差值大于阈值，则表示织物完整，不存在缺经情况。为了保证阈值选取的合理性，选取了不同的阈值进行检测试验，结果如图12所示。

经试验，阈值小于18 时，容易出现错检情况，如图12（a）和图12（b）所示；阈值大于22 时，容易出现漏检情况，如图12（d）所示；阈值为18～22时，检测准确率最高。综合考虑，将阈值定为20。

图12 不同阈值下的缺经检测情况

2 结果分析

本系统使用的计算机CPU 为Intel I7-9750H，GPU 为NVIDIA GTX 1660 Ti，相机为工业CCD相机，图像分辨率为2 560 pixel×1 920 pixel。

2.1 检测准确率分析

为了检验本系统的检测准确性，采用了100组试验样本，按照上述方法分别在5 个不同的时间段按顺序进行5 轮试验，每轮试验进行3 次重复采集并测试。其中1 组～50 组为合格织物，51 组～100 组为缺经织物。试验结果如表1 所示。

表1 准确率检测结果

经计算，该系统的平均检测准确率为99.47%，其中合格织物的检测准确率为99.20%，缺经织物的检测准确率为99.73%。

2.2 检测稳定性分析

在实际生产环境中，不同的光照条件可能会对检测过程产生影响。为了测试系统的稳定性，在不同光照条件下对1 号～10 号合格织物和11 号～20 号缺经织物进行50 次重复检测试验，检测结果如表2 所示。可以看出，本系统对不同光照条件的适应性良好，合格织物的平均检测准确率为99.4%，缺经织物的平均检测准确率为99.6%，具有良好的鲁棒性。

表2 检测稳定性结果

2.3 检测效率分析

20 次的检测耗时统计结果如图13 所示。其中，1 次～10 次为合格织物，11 次～20 次为缺经织物。可以看出，平均检测耗时为164.5 ms，比人工检测的效率提高了约1 倍，可满足现代纺织工业的生产需求。

图13 检测耗时统计

3 结语

本研究运用机器视觉软件Halcon，将机器视觉运用到织物缺经检测系统上。该方法先运用一系列图像处理手段增强缺经部分，使缺经部分与非缺经部分的对比度提高以便于后续检测处理；再利用灰度投影的方法得出投影曲线，并对其均值滤波处理；通过灰度曲线差分判断是否超过阈值，得出缺经情况和位置。试验结果表明：该方法具有较高的检测准确率和较快的检测速度，并在不同光照条件下拥有较强的鲁棒性。这也为缺纬、重经、重纬等其他织物缺陷检测提供了参考。