完美论文网提供代写毕业论文、代写本科论文、代写硕士论文、论文发表及查重服务!QQ:505676555

电话:18796337551
当前位置:完美论文网信息系统 → 文章正文

纺织品瑕疵检测的研究现状

作者:完美论文网  来源:www.wmlunwen.com  发布时间:2019/3/19 11:27:51  

摘要:关于纺织品瑕疵检测的研究现状,将分为针对无图案的平纹斜纹织物瑕疵检测以及有图案的纺织品瑕疵检测两个部分阐述。

关键词:纺织品 瑕疵检测 研究现状

1无图案纺织品瑕疵检测相关算法

如前文所述,对于无图案的纺织品瑕疵检测,更多的是对纹理进行分析,得到固有纹理的特征以区分瑕疵与无瑕部分。

文献[12]中将纹理分析的算法分为以下四个方面:统计类方法,结构类方法,模型类方法以及信号处理类方法。之后的关于纺织品瑕疵检测的综述性文献中,如文献[1]中将针对无图案的平纹斜纹织物的瑕疵检测方法分为统计类方法,频率域方法以及模型类方法。文献[13]中分为统计类方法,结构类方法,模型类方法以及滤波器类方法,文献[14]中又分为统计类方法,频率域方法,模型类方法,学习类方法以及结构类方法。

很多算法的界定都并不一定非常明确,如随机场相关的算法可以分为模型类方法,又可以分为统计类方法。于是,本文中按照文献[1]中的分类方法,将这些算法分为统计类方法,频率域方法以及模型类方法。

(1)统计类方法

对于统计类方法一个重要假设是:输入图像中,无瑕区域的统计特征是相似的。并且,无瑕区域占输入图像的绝大部分。在统计类方法中,通常从以下几个方面提取纹理特征:分形特征,一阶统计量(期望),共生矩阵,边缘检测,形态学操作等。

Conci等人[15]借鉴分形思想进行纺织品瑕疵检测,该方法认为当分形结构发生变化时存在瑕疵。求解过程中,使用差分盒计数法,获取更快的检测效率。原文中给出的瑕疵检测方法十分简单,而且提供的实验结果很有限。并且,检测到的瑕疵定位精度很差,有很高的误检率。Bu等人[16]采用多分形特征的方法,并将支持向量数据描述方法用在分类上,在7组大小为32×32的数据库上给出了98.3%的准确率。Zhou等人[17]将模糊C均值(FCM)与多分形结构特征结合,设计了新的分类器,在8类纺织品数据库上的平均误检率为5.98%。

Zhang等人[18]提出一种基于灰度统计的方法。该方法使用自相关的思想确定无瑕图像重复单元的大小以及形状,并获取以均值和方差结合的灰度级阈值。通过对测试图像分块以及使用获取的阈值进行比较以完成瑕疵块的检测。该方法的实验对象为九类平纹以及斜纹织物,对于灰度异常情形严重的图像块检测效果较好;然而,该方法由于使用的是简单的灰度分布规律,所以在瑕疵块灰度分布与正常块灰度差异不大时易发生误检与漏检的问题。

杨学志等人[19]提出一种图像增强与瑕疵检测结合的方法。该方法首先使用非局部均值滤波(NLM)以及主成分分析(PCA)进行图像去噪以增强瑕疵部分纹理特征,以获取更高识别率的灰度共生矩阵特征值。该方法在七类瑕疵图像中达到了最高92.01%的总体检测正确率。李静等人[20]在黄色布匹上进行灰度共生矩阵特征提取实验,指出共生矩阵的四个特征值(二阶矩,熵,对比度,自相关性)能有效表征纹理特征。然而,由于实验对象的单一性使得瑕疵检测算法没有显示较强的普适性。

殷国亮等人[21]在边缘检测之后结合小波多层分解,统计水平方向与垂直方向图像特征值,利用既定的阈值完成瑕疵检测。该算法适合检测断经、断纬和破洞类型的纺织品瑕疵,然而阈值的设定需要人工干预,无法做到自适应选取。

Mallik-Goswami等人[22]利用数字形态学对纺织品图像进行处理,然而,文中涉及到的形态学仅有腐蚀以及开运算,算法精度也没有很具体的阐述。Hanbury等人[23]利用形态学获取图像方向特征,辅以规则性特征,在TILDA数据库上取得了良好的结果。不过该方法需要手动设置参数,依赖人工干预。

(2)频率域方法

频率域方法在纺织品瑕疵检测中较为实用,该方法将图像从空间域变换到频率域,利用频谱特征检测瑕疵。频率域方法又可以简单分为基于傅里叶变换,基于Gabor变换,基于小波变换等。

Chan等人[9]利用离散傅里叶变换后频谱在无瑕区域与瑕疵部分的参数差异性来完成瑕疵检测。Aiger等人[24]提出一种基于离散傅里叶变换以及马氏距离的无监督纺织品瑕疵检测方法,这种方法通过去除纺织品图像中具有规律的部分来突出不含规律的部分,并以此作为瑕疵检测的结果。Tsai等人[25]提出一种结合霍夫变换以及傅里叶变换的瑕疵检测方法,该方法通过霍夫变换去除傅里叶变换域中高频部分,通过傅里叶逆变换重建图像以达成瑕疵检测的目的。然而该方法是一种全局的方法,仅能对图像中是否含有瑕疵进行判断而不能进行有效地检测。

Kumar等人[26]提出一种基于Gabor滤波的有监督的瑕疵检测方法。该方法使用一组多尺度多方向的Gabor滤波器,融合不同尺度与方向上的特征,组成特征向量以完成对瑕疵的检测。屈博等人[27]在文献[26]提出的方法上加以改进,提出一种新的多通道融合算法,降低了原方法的复杂性。两种方法通过二值化完成像素级别的瑕疵检测。不同的是,第一种方法的阈值是通过无瑕图像训练获取,而第二种则使用了基于迭代的自动阈值法,没有引入无瑕图像信息。相比之下,第一种方法获取的瑕疵更为精确。肖乐等人[28]在Gabor滤波基础上建立金字塔图像表示结构,对滤波后的图像进行融合以及重建,提取纺织品中瑕疵。该方法在25种瑕疵样本中检测准确率达到了95%。李益红等人[29]通过均值归一化方差算法优化选择Gabor滤波器的通道,减低运算量,对13类纺织品瑕疵图像进行实验,准确率达到了93%。何薇等人[30]将Gabor与神经网络结合,训练过程中通过神经网络对无瑕图像求取Gabor最优参数,加快了测试过程检测速率。

文献[31]提出一种基于Haar小波变换的瑕疵检测方法。该方法首先将采集到的图像分割为等大小的图像块,然后进行Haar小波分解。通过融合不同尺度下小波分解得到的特征,并以此作为瑕疵检测的依据,在一个含有100张瑕疵图像以及100张无瑕图像的数据集上,成功率达到了94%。尽管该方法有一些参数需要事先获取,但是作者同时在陶瓷以及玻璃制品上进行了相同的实验,证明该方法满足一定的普适性要求。Goddard等人[32]利用Daubechies D2小波基对纺织品图像进行处理,并用两个分形特征对滤波后的图像进行局部粗糙度以及全局均匀性的描述,该方法在3700张图像,总计包含26种瑕疵的数据库上达到了89%的检测率。Yang等人[33]设计了一种通过自适应小波基,以多尺度小波特征为分类依据对平纹以及斜纹织物进行瑕疵检测,在五类已知瑕疵类型的480张瑕疵图像以及480张无瑕图像上的检测成功率达到了97.5%,而在180张不知类型的瑕疵图像以及780张无瑕图像的成功率为93.3%。

(3)模型类方法

纺织品瑕疵检测中运用最多的模型是随机场模型。随机场模型假设图像像素值与其邻近的像素值有关,能够合理刻画像素的空间相关性,常用于图像分割、图像分类上。

舒坚等人[34]提出一种基于聚类的检测方法。该方法通过训练无瑕图像的纹理特征以获取聚类中心以及偏差,计算待测样本的特征向量到聚类中心的距离差是否小于已有的偏差来判断是否含有瑕疵瑕疵。杨晓波[35]利用高斯马尔科夫模型对无瑕纺织品进行建模,确定模型阶数和参数,计算无瑕图像差分统计量的期望以及方差,作为瑕疵检测的标准。然而,该方法无法很好地检测面积较小的疵点,同时,自设阈值也使得该方法人员依赖性较强,普适性较差。

2含图案纺织品瑕疵检测相关算法

与无图案纺织品瑕疵检测分类相似,本文将含图案的纺织品瑕疵方法分为模板匹配类方法,统计类方法以及模型类方法。这些方法主要是由Ngan等人在近十五年内提出的。

(1)区域匹配类方法

文献[36]提出一种基于小波预处理以及GIS方法[37]的瑕疵检测方法(Wavelet based Golden Image Subtraction method,简称WGIS)。该方法中对于能量的定义与区域匹配中平均绝对差算法[38](Mean Absolute Differences,简称MAD)是一致的。WGIS方法基于对无瑕图像求得的能量作为阈值,判断待测图像中是否含有瑕疵。该方法在30张瑕疵图像以及30张无瑕图像上获得了96.7%的准确率。

文献[39]提出了一种基于Elo Ranking思想的纺织品瑕疵检测方法(简称ER)。该方法从图像中选取区域,每个区域看作是“运动员”,与其他区域进行“比赛”,即区域之间进行相减。该方法同样需要大量无瑕图像进行训练,以获取正常“运动员”的“积分”,作为瑕疵检测的依据。ER方法需要许多预设参数。与WGIS方法相比,ER方法的检测准确率更高。

文献[11]提出的E-V方法与以上两种方法不同,该方法是通过量化无瑕图案之间差异并以此作为瑕疵检测依据,以完成瑕疵图案与无瑕图案分类。该方法无法将瑕疵精确定位到像素级别,仅能判断图案中是否含有瑕疵。

(2)统计类方法

文献[40]提出的BB(bollinger bands,布林带)方法,以及文献[41]中提出的RB(regular bands,规则带)方法极为相似。通过对选取的图像带状结构进行特征提取以及分析,选取均值以及方差作为特征值,采取不同的特征融合策略完成瑕疵检测。这两种方法的优势在于运行速度很快,并且善于检测水平跟垂直方向上的瑕疵。这两种方法对于显著的瑕疵检测效果较好,对于细小的瑕疵检测效果较差。而且在确定瑕疵边界时能力不强,易发生漏检情况。

(3)模型类方法

文献[42]提出了一种基于图像分解(Image Decomposition)的纺织品瑕疵检测方法(简称ID)。该方法将图像分解为纹理部分与卡通部分,并认为瑕疵部分主要集中在卡通部分,而无瑕的周期性特征主要集中在纹理部分。ID属于一种半监督方法,在检测的时候需要一张与待测图像最接近的无瑕图像,通过将无瑕图像的分解系数作为参数对待测图像进行分解。尽管ID取得了最好的检测结果,但对无瑕图像的依赖使得ID并不实用。

参考文献

[1]   GB/T 17759-2009. 本色布布面疵点检验方法[S].

[2]   周薇. 本色布布面疵点的检验及比较[J]. 纺织标准与质量, 2004(5):28-31.

[3]   RafaelC.Gonzalez, RichardE.Woods, StevenL.Eddins,等. 数字图像处理(MATLAB版)[M]. 电子工业出版社, 2013.

[4]   郑南宁. 计算机视觉与模式识别[M]. 国防工业出版社, 1998.

[5]   Kumar A. Computer-vision-based fabric defect detection: a survey[J]. IEEE Transactions on Industrial Electronics, 2008, 55(1):348-363.

[6]   邹超. 布匹疵点在线检测系统研究[D]. 华中科技大学, 2009.

[7]   崔玲玲. 布匹瑕疵识别中的关键技术研究[D]. 西安电子科技大学, 2014.

[8]   Hong Kong Productivity Council, Textile handbook 2000, The Hong Kong Cotton Spinners Association, 2000.

[9]   Chan C H, Pang G K H. Fabric defect detection by Fourier analysis[J]. IEEE Transactions on Industry Applications, 2002, 36(5):1267-1276.

[10]  Liu Y, Collins R T, Tsin Y. A computational model for periodic pattern perception based on frieze and wallpaper groups[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2004, 26(3):354.

联系方式

客服QQ 505676555
客服热线18796337551
网站地址 www.wmlunwen.com
郑重承诺 原创,包修改,包通过!
完美论文网真诚欢迎新老客户的光临与惠顾!