溫盛軍， 常保磊， 蔣成龍， 張五一

(中原工學(xué)院， 鄭州450007)

?

基于數(shù)字形態(tài)學(xué)濾波與SVM技術(shù)的簾子布疵點(diǎn)檢測

溫盛軍， 常保磊， 蔣成龍， 張五一

(中原工學(xué)院， 鄭州450007)

針對簾子布生產(chǎn)過程中可能出現(xiàn)的瑕疵問題，提出了一種多形態(tài)多尺寸的數(shù)字形態(tài)學(xué)濾波方法，采用多種不同形狀和大小的結(jié)構(gòu)元素對簾子布疵點(diǎn)圖像進(jìn)行濾波，對濾波后的圖像使用大律法閾值分割，并提取疵點(diǎn)的長、寬、長寬比、面積等特征。最后，利用支持向量機(jī)(SVM)進(jìn)行疵點(diǎn)識別。實(shí)驗(yàn)結(jié)果表明，該方法可準(zhǔn)確檢測簾子布中漿斑、經(jīng)線粘連、斷經(jīng)、劈縫等主要疵點(diǎn)，具有分類準(zhǔn)確、辨別速度快的優(yōu)點(diǎn)，疵點(diǎn)識別率達(dá)93.3%。

疵點(diǎn)檢測；數(shù)字形態(tài)學(xué)；支持向量機(jī)；簾子布

在簾子布生產(chǎn)過程中，疵點(diǎn)檢測是必不可缺少的環(huán)節(jié)。目前我國的檢測技術(shù)相對落后，傳統(tǒng)檢測大多以人工檢測為主，工作強(qiáng)度高、時間長，由于受檢測人員主觀因素的影響，無法保證疵點(diǎn)檢測的準(zhǔn)確[1-2]。隨著人工智能和圖像處理技術(shù)的迅速發(fā)展，基于圖像分析的織物疵點(diǎn)檢測技術(shù)已取代傳統(tǒng)的人工視覺檢測，成為織物疵點(diǎn)檢測領(lǐng)域的研究熱點(diǎn)[3-8]。簾子布表面經(jīng)緯線有典型的構(gòu)造，具有顯著的方向性、周期性及均勻性，而織物疵點(diǎn)的存在，打亂了經(jīng)線紋理在頻率及方向上的協(xié)調(diào)一致[9]。傳統(tǒng)的數(shù)字圖像處理方法采用一個結(jié)構(gòu)元素對圖像進(jìn)行分析，疵點(diǎn)識別效果不理想，尤其是在對圖像進(jìn)行形態(tài)學(xué)邊緣檢測時，一個結(jié)構(gòu)元素只對與其同方向的邊緣敏感，而與其不同方向的邊緣則會被平滑掉[10-13]。本文提出了一種基于多結(jié)構(gòu)多尺寸數(shù)字形態(tài)學(xué)處理的簾子布疵點(diǎn)檢測技術(shù)。該方法通過多結(jié)構(gòu)多尺寸數(shù)字形態(tài)學(xué)對圖像進(jìn)行濾波，使用大律法對濾波后的圖像進(jìn)行閾值分割，提取疵點(diǎn)的長度、寬度、長寬比、面積等特征，并把提取的特征值通過支持向量機(jī)進(jìn)行訓(xùn)練建模， 利用模型對比，實(shí)現(xiàn)疵點(diǎn)的分類識別。

1　基于多結(jié)構(gòu)多尺寸數(shù)字形態(tài)學(xué)的圖像濾波

數(shù)字形態(tài)學(xué)利用具有特定形態(tài)的構(gòu)造元素來衡量和提取圖像中的對應(yīng)形狀，并對圖像進(jìn)行分析和辨別。形態(tài)學(xué)的處理可以在保持圖像原有基本形狀的同時，簡化圖像數(shù)據(jù)，并且去除圖像中一些不相關(guān)的結(jié)構(gòu)。具體步驟為：先將原始圖像通過直方圖均衡化預(yù)處理，再對處理后的均衡化圖像進(jìn)行高斯濾波，然后用多結(jié)構(gòu)多尺寸數(shù)字形態(tài)學(xué)濾波器對高斯濾波處理后的圖像進(jìn)行濾波。

1.1直方圖均衡化

直方圖的橫坐標(biāo)、縱坐標(biāo)分別表示圖像的灰度值和出現(xiàn)灰度值的概率，不反映像素的空間位置所在，只統(tǒng)計每一種灰度級在圖像中出現(xiàn)的次數(shù)或概率。直方圖均衡化是通過控制灰度級的概率密度函數(shù)，盡可能使每種灰度像素個數(shù)相等或均勻分布，加強(qiáng)直方圖統(tǒng)計中所占比例高的像素的灰度值，減少直方圖中比例小的灰度值所占用的灰度范圍。增大亮度，使兩者之間對比度變大，整體的對比度不變。

預(yù)處理采用直方圖均衡化來增強(qiáng)圖像的對比度，如圖1—圖4所示。由于采用的是背光照明方式，簾子布的經(jīng)線較為密集，照明不充足，造成拍攝圖像偏暗，正常區(qū)域和疵點(diǎn)區(qū)域差別顯示不明顯。同時，直方圖均衡化可以剔除一些細(xì)小噪聲造成的圖像某點(diǎn)灰度值凸起。

對于前景和背景都太暗的簾子布漿斑、斷經(jīng)、經(jīng)線粘連、劈縫圖像，經(jīng)過直方圖均衡化后，可加強(qiáng)圖像中比例高的像素的灰度值，減小圖像中比例小的灰度值所占用的灰度范圍。因此，圖像亮度增大，前景和背景之間對比度變大，整體對比度不變。

1.2高斯低通濾波器

高斯濾波是對圖像中的背景與前景作模糊處理，同時保留圖像疵點(diǎn)的邊緣特征。當(dāng)濾波器的模板尺寸大時，高斯濾波能很好地保持疵點(diǎn)的邊緣特征[10]。用高斯濾波法對圖1—圖4進(jìn)行均衡化處理后的圖像如圖5所示。濾波之后，圖像前景和背景模糊了，但保留了圖像疵點(diǎn)的特征。

(a)原圖像　　　　　　　　(b)均衡化后圖像圖1　漿斑原圖像與均衡化后的圖像

(a)原圖像　　　　　　　　(b)均衡化后圖像圖2　經(jīng)線粘連原圖像與均衡化后的圖像

(a)原圖像　　　　　　　(b)均衡化后圖像圖3　斷經(jīng)原圖像與均衡化后的圖像

(a)原圖像 　　　　　　　(b)均衡化后圖像圖4　劈縫原圖像與均衡化后的圖像

(a)漿斑　　　　　　　(b)經(jīng)線粘連　　　　　　　(c)斷經(jīng)　　　　　　　　　(d)劈縫圖5　高斯濾波結(jié)果圖

1.3多結(jié)構(gòu)多尺寸數(shù)字形態(tài)學(xué)濾波

1.3.1二值灰度形態(tài)學(xué)處理

數(shù)字形態(tài)學(xué)中，二值圖像的形態(tài)變換是一種針對集合的處理過程。其形態(tài)算子的實(shí)質(zhì)是物體或形狀的集合與結(jié)構(gòu)元素間的相互作用，結(jié)構(gòu)元素的形狀決定了運(yùn)算所提取信號的形狀信息。形態(tài)學(xué)基本運(yùn)算包括膨脹、腐蝕、開運(yùn)算、閉運(yùn)算。用T(i,j)結(jié)構(gòu)元素模型對原始圖像I(x,y)進(jìn)行腐蝕，然后進(jìn)行膨脹運(yùn)算，此過程稱為開運(yùn)算。對圖像進(jìn)行膨脹運(yùn)算，然后進(jìn)行腐蝕運(yùn)算，此過程稱為閉運(yùn)算。利用4種基本形態(tài)學(xué)運(yùn)算可以組合出多種不同圖像的處理算法，以對圖像形狀和結(jié)構(gòu)進(jìn)行分析與處理，如圖像分割、細(xì)化、噪聲濾波、圖像增強(qiáng)、邊緣提取、形態(tài)骨架提取等。

灰度圖像形態(tài)學(xué)是從二值圖像形態(tài)學(xué)擴(kuò)展而來的，形態(tài)學(xué)的運(yùn)算對象不再是集合，而是灰度圖像函數(shù)。設(shè)f(x,y)、b(s,t)分別表示二值形態(tài)學(xué)中的輸入圖像和結(jié)構(gòu)元素，用結(jié)構(gòu)元素b(s,t)對灰度圖像f(x,y)進(jìn)行腐蝕和膨脹運(yùn)算，如下所示：

g(x,y)=min{f(x+s,y+t)-b(s,t)|(x+s,y+t)∈Df,(x,y)∈Db}

(1)

h(x,y)=max{f(x+s,y+t)+b(s,t)|(x+s,y+t)∈Df,(x,p)∈Db}

(2)

其中：g(x,y)、h(x,y)分別是腐蝕和膨脹后的灰度圖像，Df和Db為f(x,y)和b(s,t)的定義域。

1.3.2多結(jié)構(gòu)多尺寸檢測算法

幾何形狀結(jié)構(gòu)是形態(tài)學(xué)的基本算子，直接影響圖像處理效果和質(zhì)量。在實(shí)際處理不同圖像應(yīng)用中，只有一定的結(jié)構(gòu)元素可用，且結(jié)構(gòu)元素的形狀和大小必須適用于目標(biāo)圖像的幾何特征。結(jié)構(gòu)元素一般分為對稱結(jié)構(gòu)和非對稱結(jié)構(gòu)，對稱結(jié)構(gòu)通常有圓盤、菱形、正方形、六邊形等。由于對稱結(jié)構(gòu)元素各個方向相同，因此可以得到與方向無關(guān)的運(yùn)算結(jié)果。在結(jié)構(gòu)元素形狀確定后，結(jié)構(gòu)元素的大小也很重要。結(jié)構(gòu)元素過小，開運(yùn)算時不能剔除較小的無關(guān)疵點(diǎn)，

閉運(yùn)算時不能填補(bǔ)物體內(nèi)相連的孔洞；結(jié)構(gòu)元素過大，開運(yùn)算時會造成假斷裂，閉運(yùn)算時會造成目標(biāo)過度粘連。

單個結(jié)構(gòu)元素只能在單個方向上對圖像進(jìn)行處理。圖像中的目標(biāo)復(fù)雜，采取一種結(jié)構(gòu)元素時，某些方向的邊緣不能被檢測出來，無法得到完整的圖像輪廓。本文提出了一種基于多結(jié)構(gòu)元素的數(shù)字形態(tài)學(xué)圖像邊緣檢測算法。多尺寸檢測利用大小不同的結(jié)構(gòu)元素提取目標(biāo)圖像特征。大尺寸結(jié)構(gòu)元素優(yōu)點(diǎn)是去噪能力強(qiáng)，缺點(diǎn)是檢測邊緣較粗；小尺寸結(jié)構(gòu)元素優(yōu)點(diǎn)是檢測邊緣好，但去噪能力差。設(shè)b為結(jié)構(gòu)元素，n為尺寸參數(shù)，多尺寸結(jié)構(gòu)元素的定義為：

nb=b⊕b⊕b…⊕b

(3)

多結(jié)構(gòu)元素檢測采用不同形狀結(jié)構(gòu)提取圖像特征，能更好地處理圖像細(xì)節(jié)和平滑性。將不同結(jié)構(gòu)檢測結(jié)果合并，可得到多結(jié)構(gòu)元素圖像處理邊緣檢測結(jié)果En b(x,y)。

(4)

對于多結(jié)構(gòu)多尺寸算子，由于大小不同、形狀不同，使得處理結(jié)果不同，因而需要對多結(jié)構(gòu)進(jìn)行運(yùn)算合成。

假設(shè)f′(x,y)為合成的圖像，[k,l]為尺寸n的取值范圍，wn為尺寸的權(quán)重，則加權(quán)合成算法如式(5)：

(5)

圖6是通過5種不同算子結(jié)構(gòu)對4種不同疵點(diǎn)進(jìn)行濾波的結(jié)果圖。由圖6可知，不同結(jié)構(gòu)元素對不同形狀邊緣具有不同的適應(yīng)性，經(jīng)過加權(quán)合成，可使圖像邊緣更好地保留下來。

(a)漿斑　　　　　　　(b)經(jīng)線粘連　　　　　　　　(c)斷經(jīng)　　　　　　　　(d)劈縫圖6　多尺寸多元素形態(tài)學(xué)濾波結(jié)果圖

2　大律法閾值分割

大津法通過圖像的灰度特征，將圖像分割成背景區(qū)域和目標(biāo)區(qū)域兩部分，使兩部分的類間方差取值最大。背景區(qū)域和目標(biāo)區(qū)域的類間方差越大，構(gòu)成圖像的兩部分的差別越明顯，圖像的錯分概率越小。

假設(shè)圖像像素總數(shù)為N，灰度范圍為[0,255]，灰度為i的像素個數(shù)為ni，其概率pi為：

pi=ni/N

(6)

用閾值T將灰度圖像分割為目標(biāo)區(qū)域和背景區(qū)域兩部分，分別用D0、D1表示。圖像的總體灰度均值如式(7)所示：

(7)

(8)

(9)

兩者之間的方差為：

(10)

(a)漿斑　　　　　　　　(b)經(jīng)線粘連　　　　　　　(c)斷經(jīng)　　　　　　　　　(d)劈縫圖7　閾值分割圖像

3　疵點(diǎn)檢測及特征提取

3.1基于灰度比例法的疵點(diǎn)檢測

簾子布疵點(diǎn)判別是一個實(shí)時動態(tài)過程，需要有快速且判斷準(zhǔn)確的算法與之匹配。疵點(diǎn)快速判別的主要任務(wù)是在盡可能短的時間里把帶有疵點(diǎn)的圖像檢測出來，并且能夠給出疵點(diǎn)的位置。常用的織物疵點(diǎn)判別都是建立在空間域上，根據(jù)正常紋理和疵點(diǎn)紋理的變化來進(jìn)行判斷。本文采用灰度比例法對疵點(diǎn)進(jìn)行判別。該方法從簾子布自身紋理出發(fā)，結(jié)合閾值分割理論，在原理上抓住簾子布的自身特點(diǎn)，具有很好的適應(yīng)性。

首先用大津法獲取閾值T。將10幅圖分別按照兩個窗口進(jìn)行分塊，求取每塊的灰度比例值，將這10幅圖像對應(yīng)的塊相加，求取每塊的均值μii和標(biāo)準(zhǔn)差σii。然后，確定判別標(biāo)準(zhǔn)μii-C1σii≤B/F≤μii+C2σii(B/F為前景與背景的比值，C1和C2為常數(shù))。如果灰度比值B/F在此標(biāo)準(zhǔn)范圍內(nèi)，視為正常。按照定義好的檢測窗口求取灰度比值，若灰度比值屬于正常范圍，定義檢測窗口值為1；若μii-C1σii>B/F，說明前景占主導(dǎo)，定義檢測窗口值為2；若μii-C1σii

以漿斑為例。以方形窗口為模板，正常簾子布的max和min在一定范圍內(nèi)浮動，如圖8所示。漿斑在方形窗口檢測下，疵點(diǎn)部分在窗口處灰度比例發(fā)生巨變，如圖9所示。圖9中，在15～20之間曲線出現(xiàn)一個峰值，與正常簾子布形成鮮明的對比，即可判斷此處存在疵點(diǎn)。

圖8　正常簾子布的max和min曲線

圖9　漿斑疵點(diǎn)的max曲線

3.2疵點(diǎn)特征提取

對閾值分割后的圖像，需要計算圖像的長、寬、長寬比和面積，提取這些特征數(shù)據(jù)。找到圖像疵點(diǎn)區(qū)域的最左方與最右方的點(diǎn)，通過相減得到的像素值即為疵點(diǎn)區(qū)域的長；找到圖像疵點(diǎn)區(qū)域的最上方與最下方的點(diǎn)，通過相減得到的像素值即為疵點(diǎn)區(qū)域的寬；對長寬求比例，即得長寬比；計算出白色區(qū)域所覆蓋的像素點(diǎn)的個數(shù)，即為疵點(diǎn)區(qū)域的面積。以上計算所得到的長、寬、面積等不是實(shí)際的圖像大

小，而是用像素代表的大小。圖10所示為接頭疵點(diǎn)圖像的寬度和長度，圖中像素255均代表疵點(diǎn)的寬與長。

圖10　疵點(diǎn)接頭的長和寬示意圖

將得到的漿斑、經(jīng)線粘連、接頭、劈縫等疵點(diǎn)的長、寬、長寬比以及面積數(shù)據(jù)存儲到表格里，如圖11和12所示。每種疵點(diǎn)選取40幅，并將4種疵點(diǎn)設(shè)定4種標(biāo)簽，分別為1、2、3、4。數(shù)據(jù)表格的前4列是輸入的特征參數(shù)，最后一列是疵點(diǎn)的類型。這些特征數(shù)據(jù)將作為支持向量機(jī)輸入的特征向量，為下一步建立SVM疵點(diǎn)識別模型所用。

圖11　訓(xùn)練樣本1

圖12　訓(xùn)練樣本2

4　基于SVM的疵點(diǎn)分類識別

SVM技術(shù)通過核函數(shù)將原空間里的線性不可分?jǐn)?shù)據(jù)映射到線性可分的高維特征空間中，以實(shí)現(xiàn)線性不可分疵點(diǎn)的分類識別。以前面提取的多個特征參數(shù)作為輸入到支持向量機(jī)的學(xué)習(xí)樣本，建立識別模型，通過SVM模型對疵點(diǎn)類型進(jìn)行分類識別。

將上述采集的120幅圖像疵點(diǎn)部分的長、寬、長寬比以及面積數(shù)據(jù)作為SVM的訓(xùn)練樣本，通過svmtrain函數(shù)建立SVM模型。通過模型，用svmpredict函數(shù)對另外30組測試樣本進(jìn)行識別，結(jié)果如圖13所示。根據(jù)測試樣本的輸出結(jié)果，分類識別正確率達(dá)到93.3% ，達(dá)到所需的檢測要求。

圖13　測試樣本輸出圖

5　結(jié)　語

本文結(jié)合多結(jié)構(gòu)多尺寸數(shù)字形態(tài)學(xué)、大律閾值分割算法和SVM技術(shù)，進(jìn)行了簾子布疵點(diǎn)的檢測與識別。實(shí)驗(yàn)結(jié)果表明，采用本文所提出的方法可以快速準(zhǔn)確判別疵點(diǎn)，且對漿斑、經(jīng)線粘連、斷經(jīng)、劈縫等疵點(diǎn)的分類識別率達(dá)到93.3%。

[1]卿湘運(yùn),段紅,魏俊民.基于局部熵的織物疵點(diǎn)檢測與識別的研究[J].紡織學(xué)報，2004,25(5):57-59.

[2]楊楊.簾子布疵點(diǎn)檢測系統(tǒng)研究[D]. 鄭州：中原工學(xué)院，2014.

[3]張五一，楊揚(yáng)，林聰.基于Gabor濾波器組與BP神經(jīng)網(wǎng)絡(luò)的簾子布疵點(diǎn)檢測研究與實(shí)現(xiàn)[J].中原工學(xué)院學(xué)報，2014，25(3)：1-6.

[4]趙強(qiáng)松，張五一，王斌.基于灰度剖面直方統(tǒng)計的簾子布疵點(diǎn)識別研究[J].中原工學(xué)院學(xué)報，2009，20(5)：21-25.

[5]張五一，侯遠(yuǎn)韶，張繼超.基于二維稀疏表示和范數(shù)優(yōu)化的織物疵點(diǎn)分類研究[J].中原工學(xué)院學(xué)報，2012，23(3)：24-28.

[6]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.

[7]袁端磊,宋寅卯.基于最優(yōu) Gabor 濾波器的織物缺陷檢測[J].中國圖像圖形學(xué)報, 2006, 11(7): 954-958.

[8]張渤,張代林,陳幼平.用于無紡布缺陷檢測的Gabor濾波器參數(shù)研究[J].武漢理工大學(xué)學(xué)報, 2012, 34(7):126.

[9]鄭麗香.基于視頻多幀融合的車牌識別技術(shù)研究[D]. 廈門：廈門大學(xué)，2012.

[10]宋寅卯,劉磊,李曉娟.基于改進(jìn)的PCNN和SVM的織物疵點(diǎn)檢測的算法[J].天津理工大學(xué)學(xué)報,2010,29(5):77-80.

[11]紀(jì)惠軍,張小棟,楊建民.基于機(jī)器視覺的織物疵點(diǎn)檢測技術(shù)探究[J].現(xiàn)代紡織技術(shù),2011(2):11-15.

[12]余農(nóng),李予蜀,王潤生.自動檢測圖像目標(biāo)的形態(tài)濾波遺傳算法[J].計算機(jī)學(xué),2001;24(4):336-346.

[13]張家. 樹灰度圖像的最大最小優(yōu)化熵閾值分割[J].電訊技術(shù),1955,35(6):42-45.

(責(zé)任編輯：席艷君)Defect Detection Based on Mathematical Morphology Processing and Support Vector Machines for Tyre Fabric

WEN Sheng-jun， CHANG Bao-lei， JANG Cheng-long， ZHANG Wu-yi

(Zhongyuan University of Technology， Zhengzhou 450007, China)

In view of the defect problem in production process of tyre fabric, a multi mathematical morphological structure and more size based filter method is proposed to filter the tyre fabric images with defect using different size and structure element. Then, the filtered image is separated by a big law threshold, and the characteristics of the defect are extracted, including length, width, shape features and area. Finally, support vector machine is used to identify the defect via the extracted characteristics. Experimental results show that the presented method can accurately detect the defects, such as the cord in crack, pulp spot, warp adhesion, thin warp, broken warp and weft. The defect recognition rate is 93%.

defect detection; mathematical morphology; support vector machines; tyre fabric

2016-07-03

國家自然科學(xué)基金項(xiàng)目(61304115)；河南省高?？萍紕?chuàng)新團(tuán)隊(duì)項(xiàng)目(14IRTSTHN024);河南省科技攻關(guān)項(xiàng)目(0721002210032)

溫盛軍(1979-)，男，福建寧化人，副教授，博士，主要研究方向?yàn)榉蔷€性控制、安全控制、機(jī)器人。

溫盛軍：博士，副教授，中原工學(xué)院青年拔尖人才，河南省高等學(xué)校青年骨干教師。2011年9月畢業(yè)于日本東京農(nóng)工大學(xué)電子信息工程專業(yè)，獲學(xué)術(shù)博士學(xué)位。主要研究方向?yàn)榉蔷€性控制、安全控制、機(jī)器人。承擔(dān)和完成國家級科研項(xiàng)目3項(xiàng)、省部級科研項(xiàng)目5項(xiàng)、其他項(xiàng)目10余項(xiàng)，其中“基于Web的采暖與空調(diào)遠(yuǎn)程實(shí)時維護(hù)系統(tǒng)”項(xiàng)目獲河南省科技進(jìn)步三等獎，“畢業(yè)設(shè)計教學(xué)模式與質(zhì)量監(jiān)控體系的創(chuàng)新與實(shí)踐”項(xiàng)目獲河南省優(yōu)秀教學(xué)成果一等獎。發(fā)表學(xué)術(shù)論文64篇，其中被SCI、EI收錄43篇。

1671-6906(2016)04-0007-06

TP274

A

10.3969/j.issn.1671-6906.2016.04.002