专利名称：织物瑕疵检测与分类方法
技术领域：
本发明属于图像识别技术领域，具体地是一种对图像纹理的检测方法，可用于对 纺织品检测环节中采集到的织物瑕疵图片识别。
背景技术：
织物瑕疵检测作为一种有效的质量保证手段目前主要通过人工来实现，工作量大 且检测效率不高。故采用自动化的机器检测是一种合理的选择，其能够保证较高的检测速 度和检测率。织物瑕疵检测与分类的一个难点是瑕疵种类多且形状各异。按照我国纺织工业的 标准，已定义的织物瑕疵就有55种。对于各种瑕疵特点的描述大都比较主观，没有定量来 说明瑕疵之间的异同，这也给瑕疵检测带来困难。从国际上来看，已有的和正在研究开发中 的相似的产品都采用了基于视觉的检测方法。但是这些产品主要针对织物瑕疵检测，对织 物瑕疵分类研究很少。织物瑕疵定位目前主要有三大类方法基于统计的方法、基于模型的方法和基于 谱的方法。东华大学步红刚等人采用分形算法对七种不同纹理背景的瑕疵进行了检测，并 将误警率和漏检率控制在10%以内。中科院自动化研究所韩立伟等人使用模板匹配方法检 测织物瑕疵，通过获取织物纹理的统计信息，并从中提取出正常纹理的特征。在此基础上提 取出更新的匹配模板和自适应变化的瑕疵判决阈值，使模板和判决阈值不需要人为干预， 以此提高了算法的自适应性。近些年，基于谱的方法在瑕疵定位中被人们广泛应用。基于 多分辨率分析理论，同时从图像空域和频域研究纹理分布，从不同尺度不同方向研究织物 瑕疵，最终在一个最佳的尺度上寻求与瑕疵的匹配，实现对瑕疵的准确定位。由于不同种类 的织物瑕疵对布匹质量的影响不同，最终的目的是为了鉴别瑕疵的种类进而对布匹质量实 现自动评级，故在检测之后需要通过有效的分类技术对瑕疵种类加以区别。而上述这些检 测方法仅是对瑕疵的定位，而不能对瑕疵分类。
发明内容
本发明的目的在于克服现有织物瑕疵检测技术的不足，提供一种织物瑕疵检测与 分类的方法，以对瑕疵图片中瑕疵同时进行定位和分类，实现对布匹质量的自动评级。实现本发明的目的的技术方案是采用Gabor滤波器组对瑕疵图像滤波，从滤波 输出中挑选出一个最优滤波结果，对其二值化获得瑕疵在图像中的位置。再对瑕疵进行分 类，其本实现步骤包括如下(1)获取分辨率为256*256，位深度为8位的织物灰度图像；(2)对织物灰度图像的像素灰度值归一化，使一幅图像中的所有像素值具有零均 值并且标准差为1 ；(3)用Gabor滤波器组确定织物灰度图像中的瑕疵位置；(4)根据瑕疵的位置提取瑕疵的特征，并利用主成分分析算法和广义判别分析算法对瑕疵的特征向量依次进行降维、去相关性和最大化不同类特征间距离的预处理；(5)采用预处理后的瑕疵特征对神经网络分类器进行训练；(6)重复步骤2-4确定出所有瑕疵的位置，用训练后的分类器对这些瑕疵进行分 类识别，确定瑕疵的类别。本发明具有如下优点1)本发明基于织物瑕疵的纹理分析，由于采用Gabor滤波器组对织物瑕疵图像 滤波，并从中挑选出一个最优滤波结果，经过二值化实现对瑕疵的定位，因而不受瑕疵的位 置、形状限制，并能适合大多数常见瑕疵的准确定位。2)本发明采用了 Gabor特征与局部二进制模型特征的复合特征分别从全局和局 部描述瑕疵 纹理，能够充分体现各种织物瑕疵的差异，这两种特征能起到良好的互补。3)本发明由于采用对瑕疵特征进行维数降低，特征之间的相关性降低的前期处 理，更适合分类器的学习。4)本发明由于采用的人工神经网络分类器，为瑕疵识别提供了一个较好的分类能 力，使所有瑕疵分类共用一个神经网络结构，节省了很多计算量。
图1为本发明的织物瑕疵检测与分类方法的流程图；图2为本发明采集的9类常见织物瑕疵样本；图3为本发明对9类常见织物瑕疵样本测试集的瑕疵定位的仿真结果图；图4为本发明训练神经网络分类器的仿真结果图。
具体实施例方式参照图1，本发明提出织物瑕疵自动检测与分类方法，其实现步骤包括如下步骤1 采用普通工业摄像头，获取分辨率为256*256织物瑕疵灰度图片。本发明从织物检测生产线上，采用工业摄像头获取得织物图片，对其中的瑕疵图 片进行挑选，共搜集常见的9类织物瑕疵，如图2，每一类包括80张图片，所有图片都为8位 灰度图，大小为256*256。每一类采用随即选取的75%的图片作为训练样本，所有的图片都 作为测试用。步骤2 对织物灰度图像的像素灰度值归一化，使一幅图像中的所有像素值具有 零均值并且标准差为1。输入灰度织物图像I，每个像素点灰度值为I (X，y)，先计算所有像素灰度值的均 值M和方差V，然后对每个像素点减去均值并除以标准差，计算如下I(x, y) = (I (x, y)-Μ)/sqrt (V) 1)步骤3 用一组Gabor滤波器对归一化后的织物灰度图像滤波。(3a)按照如下公式产生一组具有4个尺度和6个方向的Gabor滤波器= -lTexp[-4^]exp(y2^A) f = ^-2)
2πσ2σ2σ其中f是Gabor滤波器的中心频率，x, y分别是Gabor滤波器的横纵坐标，ο是 Gabor滤波器的尺度。
对2)式中滤波器的坐标进行旋转得 当ο =1，2，4，8且θ = 0，30，60，90，120，150度时，可得到一组在不同尺度和不 同方向的Gabor滤波器组gi (x' , y')；(3b)用以上的Gabor滤波器组对归一化后的织物灰度图像I (x，y)滤波，其幅度 响应值为 其中1,“’,/),1 /)。分别是滤波器5；0’,/)的实部和虚部，*代表二维卷
积运算。步骤4 从所有的织物图像Gabor滤波结果中挑选一个最优滤波结果。先将织物灰度图片I (x，y)分割成K个互不重叠相同大小的正方形子区域，计算每 个子区域对每个Gabor滤波器输出幅度值的均值，对应于第i个Gabor滤波器输出，最小和
最大子图均值分别为和D飄；再根据最小和最大子图均值计算所有滤波结果的损失函
数值 将产生最大损失函数的滤波结果被选为最佳滤波结果，记为1_。步骤5 采用Gauss滤波器对织物灰度图像的最优Gabor滤波结果除噪。最优滤波结果I。pt是一个灰度图像，本发明采用一个Gauss滤波器来降低Gabor滤 波输出中的方差，这个Gauss滤波器是和Gabor滤波器的中心频率相关，其形式如下 其中σ等同于Gabor滤波器中的σ ；用式6)与最优滤波结果I。pt做二维卷积，可消除I。pt中的噪声。步骤6 对织物灰度图像的最优Gabor滤波结果二值化，获得瑕疵在图像中的位置。(6a)先通过最优Gabor滤波器对正常布匹图片滤波，再用式6)中的Gauss滤波 器对该正常布匹图片进行平滑滤波，最终由滤波后的正常纹理图片获得一幅新的参考图片 Bref，由此参考图片得到二值化的阈值分别是上阈值λ_和下阈值 其中W是图像中的一个中心窗，所有有效像素都取自这个中心窗中，图像边缘像 素不予考虑，以此来避免边缘像素卷积时造成的影响；(6b)根据上阈值λ_和下阈值，通过下式对瑕疵图像最优化滤波结果1_进 行二值化
由此获得一个显示了瑕疵位置的二值图像mask。如图3所示白色区域为瑕疵区 域，正常部分是黑色。步骤7 根据瑕疵在图像中的位置，提取瑕疵区域的瑕疵的特征。(7a)根据瑕疵的位置，在所有Gabor滤波结果中先计算瑕疵区域的均值，再在每 个尺度上计算所有方向上的均值，从四尺度的Gabor滤波结果中获得一个4维的Gabor特 征向量，并对其值做归一化；(7b)根据瑕疵的位置，利用局部二进制模式中的三种不同的邻域模型分别对织物 灰度图像进行变换，计算变换后图像瑕疵区域的直方图作为瑕疵的局部二进制模式特征向 量，并对该特征向量作归一化；(7c)将归一化后的Gabor特征向量与局部二进制模式特征向量合并成一个混合 特征向量，作为瑕疵的特征，记作X。步骤8 利用主成分分析算法和广义判别分析算法对瑕疵的特征向量依次进行降 维、去相关性和最大化不同类特征间距离的预处理。步骤9 用预处理后的瑕疵特征向量训练神经网络分类器。本发明采用一个3层神经网络，包括输入层、隐含层和输出层，其中隐含层节点数 按下式得到
9)式中，N1, N2和N3分别是输入层，隐含层和输出层的节点数；在神经网络训练时，学习速率和动量项都设定为0. 1，且每个输入的训练样本都要 指定一个期望输出，对瑕疵特征的期望输出采用编码的方式，同一类的瑕疵特征采用相同 的编码，如对图2中采集的9类瑕疵分别进行编码，其中图2c类所示的瑕疵期望输出可以 表示为W，0，1，0，0，0，0，0，0]。训练时，神经网络的权值通过反向传递算法在每次迭代中修 正，直到达到预设的误差，由此获得训练好的神经网络分类器。步骤10 用训练好的神经网络分类器对瑕疵特征分类。将瑕疵特征向量输入到训练好的神经网络分类器中，比较神经网络分类器输出层 每个结点的输出值，将输出值最大的结点所对应的训练瑕疵类别作为检测到的瑕疵的类 别。本发明的效果可通过以下仿真检测进一步说明本发明采集了如图2所述的a，b，c, d，e, f，g，h，i这9类常见织物瑕疵；利用本 发明的上述步骤2-6在对每类瑕疵进行了定位，如图3中a，，b，，C，，d，，e，，f，，g，，h，，i， 所示；接着采用步骤7和8对定位并提取的瑕疵特征进行特征向量进行预处理；然后按照 步骤9训练神经网络分类器，图4所示是对神经网络分类器训练了 3次的结果，每次训练均 在120次迭代步数内达到预设的训练误差值1. Oe-6 ；最后采用训练好的神经网络分类器按 照步骤10对瑕疵图片进行分类，每一类的瑕疵分类准确率如表1所示表1织物瑕疵检测识别率 由表1可见，本发明所采用的织物瑕疵检测与分类方法能够准确定位出瑕疵在图 片中的位置，并对瑕疵分类取得了较好的分类准确率，证明了其在实际应用中的有效性。
权利要求
一种织物瑕疵自动检测与分类方法，包括如下步骤(1)获取分辨率为256*256，位深度为8位的织物灰度图像；(2)对织物灰度图像的像素灰度值归一化，使一幅图像中的所有像素值具有零均值并且标准差为1；(3)用Gabor滤波器组确定织物灰度图像中的瑕疵位置；(4)根据瑕疵的位置提取瑕疵的特征，并利用主成分分析算法和广义判别分析算法对瑕疵的特征向量依次进行降维、去相关性和最大化不同类特征间距离的预处理；(5)利用预处理后的瑕疵特征对神经网络分类器进行训练；(6)重复步骤2-4确定出所有瑕疵的位置，用训练后的分类器对这些瑕疵进行分类识别，确定瑕疵的类别。2、根据权利要求1所述的织物瑕疵检测与识别方法，其特征在于步骤(3)所述的用Gabor滤波器组确定织物灰度图像中的瑕疵位置，按如下步骤进行(2a)根据二维Gabor函数进行尺度变换和方向旋转，得到一组具有4尺度和6个方向的Gabor滤波器，用每个Gabor滤波器对归一化后的织物灰度图像滤波，其中x，y分别为滤波器的横纵坐标，σ是滤波器的尺度，σ＝1，2，4，8，f是滤波器的中心频率，(2b)将滤波后的图片分割成K个互不重叠，且大小相同的正方形子区域，计算每个子区域中滤波输出幅度值的均值，用该均值计算每个滤波结果对应的损失函数将产生最大损失函数值的Gabor滤波器定为最优滤波器，并用一个高斯滤波器对该最优滤波结果除噪，其中和分别为子图的最小均值和最大均值；(2c)选定一个正常图像作为参考图像，并用最优滤波器和高斯滤波器对该参考图像进行滤波，获得所有像素的最小值和最大值，分别作为下阈值和上阈值。(2d)将从最优滤波器输出的瑕疵图像滤波结果的每个像素点与上下两个阈值作比较，将介于上阈值和下阈值之间的像素确定为瑕疵区域，其余确定为正常纹理区域，由此得到一幅标记瑕疵位置的二值图。FSA00000176859500011.tif,FSA00000176859500012.tif,FSA00000176859500013.tif,FSA00000176859500014.tif,FSA00000176859500015.tif
2.根据权利要求1所述的织物瑕疵检测与识别方法，其特征在于步骤(3)所述的用 Gabor滤波器组确定织物灰度图像中的瑕疵位置，按如下步骤进行(2a)根据二维 Gabor 函数 进行尺度变换和方向旋转，得到一组具有4尺度和6个方向的Gabor滤波器，用每个Gabor滤波器对归一化 后的织物灰度图像滤波，其中x，y分别为滤波器的横纵坐标，o是滤波器的尺度， 2，4，8，f是滤波器的中心频率(2b)将滤波后的图片分割成K个互不重叠，且大小相同的正方形子区域，计算 每个子区域中滤波输出幅度值的均值，用该均值计算每个滤波结果对应的损失函数 将产生最大损失函数值的Gabor滤波器定为最优滤波器，并用一个高斯滤波器对该最优滤波结果除噪，其中亿, 和^>_分别为子图的最小均值和最大均值；(2c)选定一个正常图像作为参考图像，并用最优滤波器和高斯滤波器对该参考图像进 行滤波，获得所有像素的最小值和最大值，分别作为下阈值和上阈值。(2d)将从最优滤波器输出的瑕疵图像滤波结果的每个像素点与上下两个阈值作比较， 将介于上阈值和下阈值之间的像素确定为瑕疵区域，其余确定为正常纹理区域，由此得到 一幅标记瑕疵位置的二值图。
3.根据权利要求1所述的织物瑕疵检测与识别方法，其特征在于根据瑕疵的位置提取 瑕疵的特征，按如下步骤提取(3a)根据瑕疵的位置，在所有Gabor滤波结果中先计算瑕疵区域的均值，再在每个尺 度上计算所有方向上的均值，从四尺度的Gabor滤波结果中获得一个4维的Gabor特征向 量，并对其值做归一化；(3b)根据瑕疵的位置，利用局部二进制模式中的三种不同的邻域模型分别对织物灰度 图像进行变换，计算变换后图像瑕疵区域的直方图作为瑕疵的局部二进制模式特征向量， 并对该特征向量作归一化；(3c)将归一化后的Gabor特征向量与局部二进制模式特征向量合并成一个混合特征 向量，作为瑕疵的特征。
全文摘要
本发明公开了一种织物瑕疵检测与分类方法，主要解决布匹瑕疵自动化检测与分类问题。该方法首先对织物瑕疵图片检测，用Gabor滤波器组对其滤波，从中挑选出一个最优滤波结果，利用参考图片对其二值化，从而定位出瑕疵在图像中的位置；接着根据瑕疵的位置，提取由Gabor特征和局部二进制模型特征构成的复合特征；再对这个复合特征用主成分分析和广义判别分析算法进行预处理；再用经过预处理后的瑕疵特征训练神经网络分类器；最后用训练好的分类器对织物瑕疵特征实现准确分类。本发明具有对瑕疵定位准确和分类准确率高的优点，可用于对纺织厂布匹瑕疵的检测与分类。
文档编号G06K9/62GK101866427SQ20101022058
公开日2010年10月20日 申请日期2010年7月6日 优先权日2010年7月6日
发明者卢朝阳, 孙华凯, 屈博, 崔玲玲, 张宇, 李益红, 李静 申请人:西安电子科技大学