陳 琳,汪 軍,b,李立輕,陳 霞
(東華大學(xué)a.紡織學(xué)院;b.紡織面料技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,上海 201620)
基于二維Gabor濾波器的非織造布疵點(diǎn)檢測(cè)
陳 琳a,汪 軍a,b,李立輕a,陳 霞a
(東華大學(xué)a.紡織學(xué)院;b.紡織面料技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,上海 201620)
針對(duì)非織造布疵點(diǎn)自動(dòng)檢測(cè)問題,提出一種基于二維Gabor濾波器的非織造布疵點(diǎn)檢測(cè)方法.該方法采用3個(gè)尺度和4個(gè)方向的濾波器分別對(duì)經(jīng)過Gamma矯正以及同態(tài)濾波處理的正常圖像和疵點(diǎn)圖像進(jìn)行濾波,進(jìn)而得到偏差圖像,并做融合處理,經(jīng)二值化后將疵點(diǎn)從織物背景中提取出來,從而實(shí)現(xiàn)非織造布的自動(dòng)檢測(cè).試驗(yàn)結(jié)果表明,該方法對(duì)非織造布各類疵點(diǎn)的檢測(cè),尤其是對(duì)隱性疵點(diǎn)是非常有效的.
Gabor濾波器;非織造布;疵點(diǎn)檢測(cè)
由于非織造布產(chǎn)業(yè)的快速發(fā)展,質(zhì)量控制受到極大的關(guān)注,非織造布疵點(diǎn)檢測(cè)便是其中的一項(xiàng).隨著生產(chǎn)速度的加快、布門幅的加寬以及產(chǎn)品質(zhì)量要求的提高,人工疵點(diǎn)檢測(cè)存在檢測(cè)速度慢、檢測(cè)率低、穩(wěn)定性差等問題,因此尋求快速、準(zhǔn)確地檢測(cè)出非織造材料疵點(diǎn)的方法已成為目前急需解決的一個(gè)問題[1-4].
非織造布疵點(diǎn)類型主要分為兩類:一類是包括雜質(zhì)、破洞以及油污等在非織造布表面、視覺明顯可見的疵點(diǎn),本文將其定義為顯性疵點(diǎn);另一類則是在生產(chǎn)過程中夾雜在纖網(wǎng)內(nèi)部的雜質(zhì),在非織造布成型后隱于織物內(nèi)部,此類疵點(diǎn)可見性較差,因此本文將其定義為隱性疵點(diǎn).目前,針對(duì)非織造布疵點(diǎn)檢測(cè)的研究比較少,主要集中于對(duì)疵點(diǎn)直接二值化后提取特征值[5-6],此方法對(duì)顯性疵點(diǎn)檢測(cè)能力較好,但對(duì)于隱性疵點(diǎn)基本無法檢測(cè)出來,所以有必要尋找新的檢測(cè)方法對(duì)隱性疵點(diǎn)作出有效的檢測(cè).
非織造布隱性疵點(diǎn)檢測(cè)算法目前尚無報(bào)道,但是在機(jī)織物疵點(diǎn)檢測(cè)研究和指紋識(shí)別等方面的研究[7-8]顯示,在對(duì)織物疵點(diǎn)和指紋圖像進(jìn)行二維Gabor濾波器濾波處理后,能夠明顯增強(qiáng)疵點(diǎn)和指紋的檢測(cè)效果.因此,本文采用基于二維Gabor濾波器方法對(duì)非織造布隱性疵點(diǎn)進(jìn)行檢測(cè),并通過與直接二值化方法檢測(cè)結(jié)果的比較,研究基于二維Gabor濾波器檢測(cè)方法對(duì)非織造布隱性疵點(diǎn)檢測(cè)的有效性,在此基礎(chǔ)上進(jìn)一步對(duì)顯性疵點(diǎn)的檢測(cè)進(jìn)行試驗(yàn),研究其對(duì)非織造布各類疵點(diǎn)檢測(cè)能力的普適性.
Gabor小波變換是一種Gauss窗的加窗Fourier變換,二維Gabor濾波函數(shù)或沖擊響應(yīng)函數(shù)是一個(gè)調(diào)制過的二維高斯函數(shù).濾波函數(shù)經(jīng)過適當(dāng)?shù)呐蛎浐托D(zhuǎn)可生成自相似Gabor小波函數(shù),它的單位沖激響應(yīng)函數(shù)為
其中:σx,σy分別為控制高斯函數(shù)在x軸和y軸的伸縮程度;f0為調(diào)制頻率或中心頻率;θ為旋轉(zhuǎn)的角度;x和y為原來的坐標(biāo);x′和y′為旋轉(zhuǎn)后的坐標(biāo),x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ.單位沖擊響應(yīng)函數(shù)的傅里葉變換如式(2)所示.
Gabor濾波器的設(shè)計(jì)就是通過確定濾波器參數(shù)(f0,σu,σv,θ)得到參數(shù)σx和σy.通常的做法是選取多個(gè)(f0,σu,σv,θ)參數(shù),使得這組參數(shù)下的濾波器組能覆蓋頻域[9].
本文首先采用半峰相切法來選擇尺度參數(shù)σu和σv,使在頻域振幅的半峰處各個(gè)濾波器之間保持相切,從而濾波器組覆蓋區(qū)域達(dá)到最大,由推導(dǎo)得出Gabor濾波器參數(shù)σu與σv如式(3)所示.
其次,對(duì)于一個(gè)大小為N像素×N像素有紋理圖像,根據(jù)文獻(xiàn)[10-12]對(duì)頻率的定義,分別對(duì)隱性疵點(diǎn)進(jìn)行了檢測(cè)試驗(yàn),最終選擇頻率f0的取值為0.11,0.22,0.45.
對(duì)于旋轉(zhuǎn)角度θ的選擇,由于輸入的實(shí)信號(hào)在角度[π,2π]之間的信號(hào)響應(yīng)是角度[0,π]的復(fù)共軛,所以實(shí)際計(jì)算旋轉(zhuǎn)角度只考慮[0,π]范圍,同時(shí)大多數(shù)圖像的能量主要集中在水平、垂直及對(duì)角線方向上,其他角度用處并不大,且增加運(yùn)算量,所以本文采用0,π/4,π/2,3π/4共4個(gè)角度,對(duì)疵點(diǎn)圖像進(jìn)行處理.
本文采用3個(gè)中心頻率(0.11,0.22,0.45)和4個(gè)方向(0,π/4,π/2,3π/4)的 Gabor濾波器組(共12個(gè)濾波器)來處理非織造布疵點(diǎn)圖像,檢測(cè)流程如圖1所示.
圖1 檢測(cè)流程Fig.1 The process of detection
具體算法如下所述.
(1)分別獲取大小為512像素×512像素的非織造布的無疵點(diǎn)的標(biāo)準(zhǔn)圖像p(x,y)和含有疵點(diǎn)的圖像q(x,y),為了得到更好的效果,分別對(duì)兩幅圖像進(jìn)行Gamma矯正[13]以及同態(tài)濾波消除光照不勻.
(2)將處理好的無疵點(diǎn)的標(biāo)準(zhǔn)圖像和含有疵點(diǎn)的圖像,與Gabor濾波器的實(shí)部和虛部分別卷積,可以分別得到12幅濾波后的復(fù)像Pmn(x,y)和Qmn(x,y),m代表尺度數(shù),n表示方向數(shù)[14].
其中:real()為取實(shí)運(yùn)算;imag()為取虛運(yùn)算;‘*’為卷積運(yùn)算.
(3)求標(biāo)準(zhǔn)圖像復(fù)像的Pmn(x,y)的平均值R-mn和標(biāo)準(zhǔn)差σmn.
(4)采用式(6)對(duì)疵點(diǎn)復(fù)像求取偏差圖像.
(5)對(duì)疵點(diǎn)偏差圖像qmn(x,y)進(jìn)行閾值化處理,如式(7)所示.
其中:τ為可調(diào)參數(shù),用來控制錯(cuò)誤拒絕的概率,決定了敏感度,很大程度上其由獲取圖像的環(huán)境和圖像上雜質(zhì)的情況決定.根據(jù)本文中的環(huán)境條件,通過多次試驗(yàn),τ取值為1.3.
(6)對(duì)于得到的圖像,體現(xiàn)了不同頻率不同方向下疵點(diǎn)的結(jié)構(gòu)和形態(tài).為了能夠得到具有綜合信息的圖像,將各個(gè)頻率、方向下的疵點(diǎn)偏差圖像,采用以下方法進(jìn)行融合.
根據(jù)式(8)對(duì)具有相同尺度不同方向上的圖像進(jìn)行融合.
處理后得到3幅不同尺度的圖像,每幅圖像集合了不同方向上可能存在的疵點(diǎn)信息.以同樣的方法對(duì)不同尺度的圖像再進(jìn)行圖像融合,最后得到總?cè)诤蠄D像K(x,y).
(7)用中值濾波把各個(gè)尺度和各個(gè)方向的噪聲從最后的融合圖像K(x,y)中去除,本文選擇大小為3像素×3像素的模板進(jìn)行中值濾波,經(jīng)過濾波后的圖像為K′(x,y).
(8)對(duì)濾波后的圖像進(jìn)行二值化處理,二值化后的圖像中的疵點(diǎn)很容易從背景中分割出來.本文采用一維最大熵法,對(duì)圖像自動(dòng)選取閾值并二值化.
為了驗(yàn)證本方法對(duì)于隱性疵點(diǎn)的檢測(cè)能力,本文選擇蠶絲為原材料,面密度為26.25g/m2的水刺非織造布作為檢測(cè)對(duì)象.圖像采集系統(tǒng)為JAI公司生產(chǎn)的CV-3200系列CCD攝像頭與EURESYS公司生產(chǎn)的PICOLO2系列圖像采集卡.試驗(yàn)的硬件環(huán)境為Intel Core2 2.26GHz CPU,4GB內(nèi)存的計(jì)算機(jī),軟件環(huán)境為Matlab 2010.
根據(jù)第3節(jié)的處理方法,對(duì)含有隱性疵點(diǎn)的非織造布進(jìn)行處理.圖2(a)為非織造布疵點(diǎn)的原始灰度圖像,圖中框選的部分為生產(chǎn)過程中埋在織物內(nèi)部的隱性疵點(diǎn).圖2(b)和2(c)分別為二維Gabor濾波器處理后的結(jié)果和直接二值化方法處理后的結(jié)果.
由于目前尚無針對(duì)非織造布隱性疵點(diǎn)檢測(cè)的研究報(bào)道,沒有檢測(cè)數(shù)據(jù)進(jìn)行比較,因此,采用二維Gabor濾波器檢測(cè)方法與直接二值化方法對(duì)30幅隱性疵點(diǎn)圖像進(jìn)行檢測(cè)結(jié)果對(duì)比,兩種檢測(cè)方法得到的檢出率分別為80.00%和26.67%,對(duì)每幅圖像的平均檢測(cè)時(shí)間分別為0.845s和0.103s.
從試驗(yàn)結(jié)果不難看出,與直接二值化方法比較,疵點(diǎn)圖像經(jīng)二維Gabor濾波器處理后,雖然在處理速度上略慢,但是對(duì)隱性疵點(diǎn)的檢測(cè)能力明顯增強(qiáng),能夠較好地將隱性疵點(diǎn)檢測(cè)出來.
同時(shí),本文采用基于二維Gabor濾波器的處理方法對(duì)顯性疵點(diǎn)進(jìn)行了檢測(cè).在檢測(cè)過程中,針對(duì)不同類型疵點(diǎn)采用了不同的光照條件進(jìn)行圖像采集.檢測(cè)效果如圖3所示.
從圖3可以看到,基于二維Gabor濾波器的檢測(cè)方法對(duì)顯性疵點(diǎn)也有良好的檢測(cè)效果,顯示出其對(duì)各類疵點(diǎn)的檢測(cè)具有良好的普適性.
本文采用基于二維Gabor濾波器的檢測(cè)方法,對(duì)非織造布上隱性疵點(diǎn)以及視覺明顯可見的雜質(zhì)、破洞以及油污類型的顯性疵點(diǎn)進(jìn)行了檢測(cè).由于二維Gabor濾波器能夠很好地反映圖像頻率和方向在局部范圍內(nèi)的強(qiáng)度變化,所以對(duì)于隱性疵點(diǎn)有良好的檢測(cè)能力,而對(duì)顯性疵點(diǎn)同樣能夠有效提取,從而證明此算法對(duì)非織造布隱性疵點(diǎn)檢測(cè)的有效性以及對(duì)各類疵點(diǎn)檢測(cè)的普適性.在實(shí)際應(yīng)用中,由于織物類型、環(huán)境條件各不相同,濾波器參數(shù)可根據(jù)實(shí)際情況適當(dāng)調(diào)整.同時(shí),可以嘗試增加Gabor濾波器的尺度和方向,以達(dá)到更好的檢測(cè)效果,但會(huì)增加計(jì)算量,降低檢測(cè)速度,因此,需要根據(jù)檢測(cè)要求的精度以及速度來選擇適當(dāng)?shù)臑V波器尺度和方向.
參 考 文 獻(xiàn)
[1]黃瀟玲,孫科,李子燊,等.表面疵點(diǎn)在線檢測(cè)技術(shù)在非織造領(lǐng)域的應(yīng)用[J].產(chǎn)業(yè)用紡織品,2009,27(5):39-43.
[2]王智.非織造布疵點(diǎn)在線檢測(cè)裝置[J].非織造布,1998,6(4):13-14.
[3]LIU J L,ZUO B Q,ZENG X Y,et al.Nonwoven uniformity identification using wavelet texture analysis and LVQ neural network[J].Expert Systems with Applications,2010,37(3):2241-2246.
[4]曾躍民,劉麗芳.基于計(jì)算機(jī)圖像處理的非織造布質(zhì)量檢測(cè)與控制技術(shù)[J].非織造布,2001,9(3):37-40.
[5]STOJANOVIC R,MITROPULOS P,KOULAMAS C,et al.Automated detection and neural classification of local defects in textile web[C]//Seventh International Conference on Image Processing-IPA99.Manchester,UK,1999:647-651.
[6]PAYVAND P,YOUSEFZADEH-CHIMACH M,LATIFI M.A note on neurofractal-based defect recognition and classification in nonwoven web images[J].Journal of the Textile Institute,2010,101(1):46-51.
[7]劉元兵,李見為.基于Gabor小波核心算法的指紋圖像預(yù)處理[J].自動(dòng)化與儀器儀表,2004(3):51-53.
[8]韓潤萍,孫蘇榕,姜玲.基于Gabor濾波器組的織物疵點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(7):211-214.
[9]KUMAR A,PANG G.Defect detection in textured materials using Gabor filters[J].IEEE Transaction on Industry Application,2002,38(2):425-439.
[10]TAN T N.Geometric transform invariant texture analysis[J].International Society for Optical Engineering,1995,2488:475-485.
[11]CHELLAPPA R,KASHYAP R L,MANJUNATH B S.Handbook of pattern recognition and computer vision [M].New Jersey:World Scientific Publishing Co Inc,1993:277-310.
[12]JAIN A K,F(xiàn)ARROKHNIA F. Unsupervised texture segmentation using Gabor filters[J].Pattern Recognition,1991,24(12):1167-1186.
[13]師一華,楊金鋒.圖像處理中改進(jìn)的Gamma矯正方法[J].安陽工學(xué)院學(xué)報(bào),2005(6):67-70.
[14]ARIVAZHAGAN S,GANESAN L,BAMA S.Fault segmentation in fabric images using Gabor wavelet transform[J].Machine Vision and Applications,2006,16(6):356-363.
Nonwoven Fabric Defects Detection Based on 2DGabor Filter
CHENLina,WANGJuna,b,LILi-qinga,CHENXiaa
(a.College of Textiles;b.Key Laboratory of Textile Science &Technology,Ministry of Education,Donghua University,Shanghai 201620,China)
Focusing on automatic detection of defects on nonwoven fabric,a method based on 2D Gabor filter was presented.The images of the normal fabric and the fabric with defects which had been proceeded with Gamma correction and homomorphic filtering were proceeded by the Gabor filters of three scales and four directions,and thus the deviation images were obtained.The defects were prominent after integration.And finally,the defects of the nonwoven fabric were detected by threshold processing.The experiment results proved the effectiveness of the method of various defects detection,especially the inapparent defects detection on nonwoven fabric.
Gabor filter;nonwoven fabric;defects detection
TS 941.26
A
1671-0444(2012)06-0695-05
2011-10-10
國家自然科學(xué)基金資助項(xiàng)目(61271006)
陳 琳(1986—),男,上海人,碩士,研究方向?yàn)榉强椩觳即命c(diǎn)檢測(cè).E-mail:520116859@qq.com
汪 軍(聯(lián)系人),男,教授,E-mail:junwang@dhu.deu.cn