丁淑敏，李春雷，劉洲峰，黎小靜

（中原工學院，鄭州450007）

織物缺陷是影響織物質量的主要因素.一般來講，若產品出現一個缺陷，其價格將降為正常價格的一半左右，因此，織物缺陷檢測是生產中的一個關鍵環(huán)節(jié).傳統的織物缺陷檢測由人工完成，這是一項繁重的重復性工作；長時間的觀測，容易造成視覺疲勞及漏檢率與錯檢率上升.研究表明，當織物運動速度大于30m／min或幅寬大于2m時，即使最熟練的驗布工人，也只能檢測其中60%左右的缺陷.隨著紡織生產自動化程度的提高，生產速度也不斷提高，從而對織物的缺陷檢測提出了更高的要求.因此，研發(fā)一種快速、高精度的織物缺陷自動檢測算法或技術，成為紡織品檢測的重要課題.

目前，織物缺陷檢測算法主要分為三大類［1］：

（1）基于模型的方法.該類方法計算量大，實現復雜，特別是在線檢測困難，目前已很少研究［2］；

（2）基于譜分析的方法.主要包括離散傅里葉變換、Gabor變換、小波變換等方法.該類方法通過時頻分析來突出并檢測缺陷，但時頻變換操作會降低檢測速度，因此，目前很難直接應用到在線檢測中［3－5］；

（3）基于統計的方法.主要包括邊緣檢測、形態(tài)學操作、共生矩陣、局部線性變換等方法.該類方法僅能對特定織物表面上有限類別的織物缺陷進行檢測［6－8］，但在分析織物圖像的特征進而判斷其是否含有缺陷方面具有較快的速度.目前，該類算法在織物圖像統計特征的描述上還未能充分考慮織物圖像的紋理特征，對不同分辨率的織物圖像的自適應能力較弱.

本文依據織物圖像紋理特征，提出了一種基于多分辨率的改進LBP特征的檢測算法，并利用支撐向量機（SVM）對圖象塊進行分類，取得了良好的檢測效果.

1 算法結構

本算法是基于圖像塊進行處理的，其結構如圖1所示.首先構造訓練集，包括正樣本集和負樣本集，分別由正常的圖像塊和含有缺陷的圖像塊構成；從圖像塊中提取改進的LBP特征，加上相應的類標后構造特征向量；采用SVM訓練出分類器.在測試過程中，首先對被測織物圖像進行分塊，然后提取圖像塊的改進LBP特征，利用SVM分類器將圖像塊分為正常的圖像塊和含缺陷的圖像塊.由于本算法將圖像進行分塊處理且每一個圖像塊都具有坐標，故在判斷每一個圖像塊是否含有缺陷的同時，實現了對缺陷按塊定位，便于快速確定缺陷位置并進行相應的后續(xù)處理.

圖1 算法結構

2 基于多分辨率的改進LBP特征的提取

LBP可以有效地描述圖像的紋理特征，被廣泛應用于人臉識別、紋理圖像分割、視頻跟蹤等領域.LBP的原理是：將鄰域作為一個處理單元，比較鄰域像素與中心像素的灰度大小，如鄰域像素的灰度大于中心像素的灰度，則將對應鄰域像素置1，否則置0，從而得到一串二進制序列；為每一位二進制分配一個權重因子2i，其中i為二進制位的位標，這樣，LBP算子就從一個二進制序列轉換為一個十進制數，如式（1）.由此得出相應的直方圖即為LBP紋理特征：

式中：P表示鄰域中元素個數；R表示鄰域半徑；gp表示鄰域像素的灰度值；gc表示中心像素的灰度值；

上述傳統的LBP算子僅考慮了鄰域像素灰度和中心像素灰度的大小關系，而丟失了鄰域像素灰度與中心像素灰度的差值信息.本文同時考慮像素間灰度的大小關系和差值信息.改進的LBP算子描述如下.

首先求出中心像素灰度和鄰域像素灰度之間的差值，并把差值分為符號及幅度值2部分，分別標記為CLBP＿S和CLBP＿M，如圖2所示.其中CLBP＿S與式（1）中定義的傳統LBP算子相同.對于幅度值M，不能直接編碼為二進制，可將其定義為式（2）：

考慮到中心像素也能提供有用的信息，為使CLBP＿S和CLBP＿M統一，將中心像素的特征定義為式（3）：

最后求出改進LBP的3個部分，即CLBP＿S、CLBP＿M及CLBP＿C，然后分別得出它們對應的直方圖并構造出一維特征向量，作為該圖像塊的LBP特征.

圖2 織物圖像樣本的局部灰度差值分解

由于利用不同的采集設備獲得的織物圖像分辨率各不相同，故檢測算法要適應不同圖像的分辨率要求.本文采用視覺及層次結構的金字塔模型，如圖3所示.將視覺的多層次結構引入到檢測算法中，求出不同分辨率下的改進LBP特征，然后組合構造出新的LBP特征，能夠提高算法對織物圖像分辨率的自適應能力.

圖3 視覺多層次結構的金字塔模型

3 支撐向量機

使用SVM方法，首先定義最優(yōu)線性超平面，并把尋找最優(yōu)線性超平面的算法歸結為求解一個凸規(guī)劃問題，進而基于Mercer核展開定理，通過非線性映射?，把樣本空間映射到一個高維乃至無窮維的特征空間（Hilbert空間），使得在特征空間中可以運用線性學習機的方法解決樣本空間中高度非線性分類和回歸等問題.

本文采用SVM對織物圖像進行二元分類，判斷其是否含有缺陷.首先給出訓練集｛x1，x1，…，xn｝，其中X?Rd；然后，給出相應的類標｛y1，y2，…，yn｝，其中yi∈｛－1，1｝.在二元分類中，SVM將訓練集分成2類最大超平面，處在超平面兩邊的樣本類標分別為＋1和－1，其中訓練樣本中距離超平面最近的樣本被稱為支持向量.一般情況下，支持向量機通過Mercer核算子K把樣本空間X的原始訓練數據映射到具有更高維度的特征空間F中，即按照如下形式來設定分類器：

當K 滿足 Mercer條件時，K（u，v）＝?（u）·?（v），其中，?（u）：X→F；“·”表示內積.可以將式（4）重新描述為：

4 實驗結果及分析

為了驗證本算法的性能，選用大小為512×512的2類織物圖像，如圖4所示.其中，圖4（a）為一種平紋布，含有劈縫缺陷；圖4（c）為一種斜紋布，含有漏洞缺陷.使用MATLAB2010進行編程實現.

首先，構建2個訓練組：正樣本集和負樣本集.一個樣本集有500個樣本，每個樣本大小為32×32的圖像塊.采用SVM訓練出相應的分類器.

然后，將測試圖像劃分為互相重疊的大小為32×32的圖像塊，其中圖像塊每次向右或向下的滑動步長為8個像素.針對每一個圖像塊，利用分類器進行判斷，如果它為正常的圖像塊，保持不變；如果它為有缺陷的圖像塊，則將該圖像塊所有像素值置零.圖4（b）和圖4（d）分別是圖4（a）和圖4（c）的檢測結果.由圖4可見，缺陷區(qū)域幾乎都能被準確地定位，其中圖4（b）顯示仍有少量錯檢，可能與訓練集的構造有關；圖4（d）則顯示具有較好的檢測效果.

圖4 織物圖像及其檢測結果

5 結 語

本文結合織物圖像的紋理特征提出了一種基于多分辨率的改進LBP特征的織物缺陷檢測算法.該算法對光照、尺度變換及平移具有不變性；SVM的良好分類性能可有效地提高缺陷檢測的準確率.實驗結果證明了該算法的有效性.該算法簡單實用，可應用于在線織物缺陷檢測.

［1］Kumar A.Computer Vision－based Fabric Defect Detection：A Survey［J］.IEEE Transaction on Industrial Electronics，2008，55（1）：348－363.

［2］Cohen F S，Fan Z，Attali S.Automated Inspection of Textile Fabrics Using Textural Models［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13（8）：803－808.

［3］Mak K L.Peng P，An Automated Inspection System for Textile Fabrics Based on Gabor Filters［J］.Robotics and Computer－integrated Manufacturing，2008，24（3）：359－369.

［4］Zhang Y，Lu Z，Li J.Fabric Defect Detection and Classification Using Gabor Filters and Gaussian Mixture Model［J］.Lecture Notes in Computer Science，2010，5995：635－644.

［5］Srikaew1A，Attakitmongcol K，Kumsawat P，et al.Detection of Defect in Textile Fabrics Using Optimal Gabor Wavelet Network and Two－dimensional PCA［J］.Lecture Notes in Computer Science，2011，6939：436－445.

［6］鄒超，朱德森，肖力.基于模糊類別共生矩陣的紋理缺陷檢測方法［J］.中國圖象圖形學報，2007，12（1）：92－97.

［7］Tajeripor F，Kabir E，Sheikhi A.Fabric Defect Detection Using Modified Local Binary Patterns［J］.EURASIP Journal on Advances in Signal Processing，2008：783898：1－12.

［8］Guo Z H，Zhang L，Zhang D.A Completed Modeling of Local Binary Pattern Operator for Texture Classification［J］.IEEE Transactions on Image Processing，2010，19（6）：1657－1663.