文摘

织物疵点检测是一种重要的纺织制造业的质量控制步骤。在这篇文章中,机器视觉系统基于西尔维斯特依赖于相似性方法(SMBSM)提出了缺陷检测过程自动化。算法包括六个阶段,即分辨率匹配,图像增强使用直方图规定化和Median-Mean-Based Sub-Image-Clipped直方图均衡化,图像配准通过校准和滞后过程,图像减法,边缘检测,故障检测通过西尔维斯特矩阵的秩。实验结果表明,该方法是健壮和收益率93.4%的精度,精度为95.8%,和计算的速度2275 ms。

1。介绍

质量是一个重要方面在纺织工业的生产线。因此,故障检测织物的质量控制是一个重要的纺织工业的要求。在这项努力减少体力劳动,图像分析和处理技术广泛应用于工业自动化的缺陷检测和分类过程。

织物上的缺陷发生的频繁模式限制制造商能够恢复只有45 - 65%的利润,转移了质量的货物(1,2]。因此,纺织工业的缺陷检测过程需要满足检测精度高的预期近100%。因此,采用其他方法应该能够实时执行缺陷检测与敏捷性和准确性。遇到的主要挑战包括过多的类型和区域的缺陷检测,以及非常好的变化之间存在的缺陷。

在许多纺织企业,工人执行织物质量控制流程通过人工视觉检查。因此,质量控制是完全依赖观察者,它缺乏一致性。进一步,织物的质量控制过程是高度要求人类观察者因为缺陷的类型会有所不同从织物面料,根据生产过程的动态特性。

在这篇文章中,我们有广义和自动织物质量控制,使用西尔维斯特依赖于缺陷检测算法,可以很容易地检测缺陷甚至非常好的面料,通过比较输入图像与参考图像。大量文献来源,相关算法的发展纺织工业检测缺陷(3- - - - - -8]。在指定9,10),一个自动缺陷检测和分类系统肯定会提高产品质量,并导致更高的生产率。自相关方法之一的鲁棒算法检测缺陷的和未成形的面料(11]。伽柏小波网络(GWN)被选为一个有效的技术来提取纹理特征的纺织面料。根据特征提取,一个最优的伽柏过滤器是专为缺陷检测12- - - - - -16]。文献[17]介绍了小波好子窗口为缺陷检测和灰度同现矩阵,和每个小波好子窗口Mahalanobis距离分类缺陷或良品。当地的同质性和神经网络缺陷检测算法提出了(18]。包括硬件和软件的设计,它使用大津和金色图像减法的方法,提出了在19揭示了缺陷。其性能在各种缺陷方法开发的准确性进行验证。

在[20.),提出了表面融合分析检测的方法,其中包括全球和地方特色的检测过程,从图像中提取和分类的能量特征。基于遗传椭圆伽柏滤波器,提出了一种新颖的缺陷检测方法(21]。由遗传算法调整后,伽柏过滤器应用于各种样品展示不同的类型、形状、大小和背景。

值得信赖的评级系统是为了检查通过公平之间的匹配图像的分区(22]。据估计有97%的准确率使用336的图像。粒子分析仪法(23]显示更高的性能与其他传统方法相比,它驱动分析对一个预定义的感兴趣的区域(ROI),并定义一个粒子组成的最小数量的像素。此外,大量的类拥有大型同类多样性继续构成前馈神经网络的主要问题(FFNN)和支持向量机(SVM)相关的检验方法,所有的分类器需要培训关于已知的织物类缺陷(24,25]。

校长赤字中可用的文学整体精度低和大量的时间做决定。(描述的方法26,27,28)能够实现精度水平仅为90%,90.6%,和90.8%,分别。算法的处理时间显示在[29日,30.保持高5.2和5.9年代,分别。此外,提出的方法在31日,32不能给准确表现尚可,而检测面料更好的缺陷。

在本文中,我们描述一个新颖的缺陷检测方法处理速度较快、精度较高,检测面料甚至非常好的缺陷通过比较参考和测试图像。在这种方法中,使用的所有图像RGB规模相同的分辨率。首先,图像增强是在每个测试图像,以确保更好的对比图像,从而促进缺陷检测。后,图像配准可以确保所有的测试图像的对齐。完成这一步后,图像减法对参考图像检测交叉核对输入任何类型的缺陷。如果一个正面评级闻名的存在缺陷,然后利用边缘检测参考和测试图像,使跟踪细节。最后,西尔维斯特依赖于相似性方法(SMBSM)是用来确定面料的缺陷。方法使用2275毫秒计算平均93.4%的速度和精度。

2。提出的方法

在这个研究中,一个自动化故障检测技术提出了减轻人工交互的程度故障检查所需面料。存在三种类型的故障检测算法,即引用,nonreferential和混合方法(33]。这里给出的算法是基于引用的方法,在参考图像是用来发现缺陷测试图像。该系统是描绘在图1。

众所周知,任何图像比较算法的性能高度依赖于输入图像的拍摄条件。然而,我们的系统可以分析在面对不同的捕获的图像条件下,对比而言,失真,和比对,由于采用了图像预处理技术。系统中,提出了测试图像( )和参考图像( )在RGB格式相同的分辨率。

2.1。图像增强

图像增强的目的是提高测试的质量在不同照明条件下获取图像。算法,首先,直方图规定化(HS)提高水平的对比测试图像基于参考图像。第二,Median-Mean-Based Sub-Image-Clipped直方图均衡化(MMSICHE)算法采用的处理技术实现的目标保持亮度,以及图像信息内容(熵)一起对增强率的控制。这种方法绕过了过度增强,并提供图片有自然提高,以保证准确测试在不同的光线条件下拍摄的图像将预处理检测的缺陷。

2.1.1。直方图规定化(HS)

直方图规范用于纠正对比输入测试图像与参考图像的水平;即。,if the contrast level of the input image is low in comparison to the reference, a correction will be applied to raise the contrast level and vice versa in the event of high contrast inputs [34]。

直方图的强度水平的参考和测试图像的范围 。的和数量的像素强度在参考图像和输入测试图像,分别 。中定义的逆变换,(1)、地图来 并显示相应的转换测试图像的强度值 : 在哪里和图像的行和列维度,分别。

2.1.2。Median-Mean-Based Sub-Image-Clipped直方图均衡化(MMSICHE)对比度增强

这种方法代表了MMSICHE算法包括三个步骤:中值和平均计算,直方图剪裁,直方图细分和均衡。MMSICHE进一步增强了转换后的测试图像的图像质量 。

图像的中值显示有一个强度值 ,累计密度函数在哪里(35]。基于中值,两个的意思是强度值,直方图的均值低和上层直方图的均值 ,两个人subhistograms计算。相应的值 , ,和 ,如图2,计算(35,36]在直方图剪切过程。

直方图剪裁完成控制程度的提高,以确保合成图像自然在外表上,输入图像的匹配,尽可能。限幅阈值( )在计算(28,35]。

图像直方图平均分割成4箱,如图2。四子图象的细分过程产生 , , ,和从0到灰色的水平 , 来 , 来 ,和 来 ,分别。下一步MMSICHE,基于像素的分布,所有四个subhistograms平衡的单独和独立,使用(2),(3),(4),或(5)独立微调: 在哪里是剪直方图。 , , ,和子图象的像素总数吗 , , ,和 ,分别。

最后一步是将所有的子图象, , , ,和 ,成一个完整的图像进行进一步分析。

2.2。图像配准

图像配准的目的是找到最好的变换,将对齐参考和输入图像。更准确地说,它是用来识别一个通信函数,或映射,这需要每一个空间坐标的参考图像并返回测试图像的坐标。转换采用包括两个阶段,即几何变换和图像重采样。

几何变换(37)采用表达如下: 在哪里 是点坐标的测试图像和 的对应点坐标参考图像。中使用的转换(6)有6个自由度(自由度)和与翻译相关的信号 , , ,和 ,用于计算两个图像之间的缩放和剪切。

这个变换,建立了对应地图之间的像素在图像预处理试验与图像灰度的参考 ,和注册测试图像是生成的。

2.3。图像减法

图像减法做是为了获得微分参考图像之间的映射和测试图像预处理 。作为图像减法的目的是识别缺陷的存在输入,它将产生一个二进制的决定,如果存在缺陷,将“1”和“0”。如果检测到的缺陷,然后转移到织物边缘检测和故障检测阶段,这些缺陷的准确位置和细节的织物进行标识。没有检测到,织物的标签是“没有缺陷”。

在算法中,绝对的区别在pixel-wise减法计算过程,如图所示:

的输出可能包括几个错误的像素由于未修正的噪音或两幅图像间的不一致。双阈值方法是这样定义为消除nonrelevant像素属于之间的区域和 ,如图3。然后执行滞后过程,疲软的像素转换成一个强大的,当且仅当存在至少一个强大的像素在其附近,如图3。

2.4。稀疏带状滤波器矩阵(SBFM)边缘检测

的算法,提出了稀疏带状滤波器矩阵(SBFM) [38)使边缘信息的检测试验和参考图像。SBFM包含两个主要阶段,即实现零相位的巴特沃斯高通滤波器使用SBFM矩阵,和边缘提取。这个边缘检测方法促进了细节发现,图像灰度的参考和注册测试图像值得注意的是,从而确保甚至相当微不足道的缺陷的检测测试图像在故障检测阶段。

实现零相位的因果中引入基于带状矩阵的递归高通滤波器(38)来识别图像的边缘信息。

矩阵形式的一阶巴特沃斯高通滤波器可以表示如下: 在哪里和带状矩阵的尺寸吗 和 ,分别与代表输入信号的长度。和定义如下:

此外,传递函数的零相位没有高阶巴特沃斯高通滤波器可以表示如下:

在哪里 和分别过滤秩序和截止频率。

根据(10),频率响应是最大限度地平 ,的单位增益频率响应 。因此,这是一个零相位数字滤波器。所示的零相位巴特沃斯高通滤波器(10)可以实现使用(8)。然后,和可以被定义为带状稀疏矩阵的大小 和 ,分别。

稀疏带状高通滤波器提出了一点就行操作和列提取垂直和水平边缘,分别在[39),来检测所有的边缘测试图像处理和灰阶参考图像 ,而产生相应的边缘提取和 ,分别。

2.5。西尔维斯特依赖于相似性(SMBSM)故障检测方法

西尔维斯特矩阵( )与两个一元多项式系数在交换戒指40]。这个矩阵可帮助确定的共同特征多项式的根的两个图像相比较。因此,两幅图像之间的相似性度量表示矩阵的秩或无效 。

和 是2 d子图象的和这样 和方阵。他们的特征多项式可以得到评估和 。这些特征多项式可以表示如下:

西尔维斯特矩阵 的和可以定义如下: 在哪里 和 是托普利兹矩阵的系数是谁的条目和 ,分别为(41),可以定义如下:

零度,矩阵的秩 显示的亲密程度的特点和 。类似的图片,无效的值 等于一个矩阵的列数吗 和是零完全不同的图像。然而,排名的价值, ,是类似的图片和等于零矩阵中的列的数量 那些图片是完全不同的。的小缺陷,等级 也会小,数量增长被视为缺陷强度增加。因此,排名 可用于缺陷密度函数可视化有缺陷的地区,因为它是缺陷的强度成正比。因此,达到最终的标签在我们的方法中,我们采用等级

3所示。结果与讨论

在本节中,并给出了仿真的结果。算法表现出显著提高现有的纺织品缺陷检测方法,成功地识别缺陷方向,在不同条件下的照明。

模型的鲁棒性和稳定性评估使用两个数据集KTH-TIPS-I和KTH-TIPS-II42]。捕获的结构数据集包括大约500个样本,在不同条件下的照度和对比度与倾斜设置,创建一个挑战缺陷检测。表1列出了三个样品,包括引用( )和测试( )图像的数据集。此外,在一开始,所有的输入图像的大小 。

首先,部分中描述的图像增强方法2.1应用于提高测试图像的直方图,如表所示2。中间输出,图像增强技术的应用,描述在表3。接下来,第二部分中给出的图像配准过程应用于使测试图像坐标与相应的参考图像比对,显示在表3。这样做预处理是为了规避任何错误在图像减法阶段,双阈值 和 之后,利用手动调优的算法。

在纺织工业中,所有的缺陷需要检测准确率达到了100%。关注保持这个目标,首要任务是减少假阳性的速率应尽可能的可以忽略不计。如果发生误报警,那么面料需要复验或丢弃,即使产品没有缺陷。在这个实验中,利率的假阳性和假阴性则为两个数据集,KTH-TIPS-I KTH-TIPS-II,分别是4.2%和0%。这发生,因为仔细调整双阈值在减法阶段使用。在受到图像减法,所有的测试图像(I1T、I2T I3T)被认为是有缺陷的面料。因此,这些图像转移到下一阶段,即边缘检测。

在最后阶段的算法,边缘检测,如表所示4,是使用SBFM引用和执行的测试图片,确定为积极的缺陷,在图像减法的过程。在这个阶段的好处是增强的所有小细节图像,这将协助检测甚至非常好的缺陷出现在织物。

输入参数,选择手工调优,稀疏带状高通滤波器的设计,包括学位,截止频率,输入序列的长度,设置为3,分别为0.9,到1024年,。输入图像的大小 受到补零,为了匹配序列长度(输入图像的每一行/列)给出的输入滤波器的设计。从分析,很明显,边缘提取使用SBFM提供更详细的结果在测试和参考图像,甚至细节,不连续的边缘提取的少是因为这个滤波器设计的输入参数调整和匹配。这是明显的图像,显示在表中4。

比较两幅图像之间的相似性用SMBSM执行。SMBSM使用窗口大小的评估 , ,和 像素,最小模拟时间的故障检测过程 窗口大小。参考和测试图像首先被分成小好子窗口 然后比较与参考图像的位置一致。对于每个好子窗口,西尔维斯特矩阵( )计算,它的等级是用来确定所选好子窗口上的缺陷的测试图像与参考图像。这个过程是对整个图像的所有像素重复检测的缺点,如表所示4。

计算算法的准确性,我们提出二进制相似性度量( )用作了(16),检测两个二进制图像之间的异同基础上修改后的汉明距离测量(43]。的值distinct-dissimilarity,范围从0到1,完美的相似性。实际和发现错误在测试图像的二进制表示和 ,分别为,值表中列出的测试图像5。 在哪里符号代表逻辑异算子,和是二进制图像的行和列维度的实际和检测错误(和 )。

算法的计算速度约为2275 ,使它优于现有的。此外,我们的算法执行准确率达到了93.4%,平均精度95.8%,和100%的回忆,。该方法效果明显好,即使在不同条件下的测试图像的照明和倾斜。本文提供的实验验证了该方法的优越性。

4所示。结论

在本文中,一个方法来识别织物提出了缺陷,基于西尔维斯特依赖于相似性方法(SMBSM)。这种方法能够处理失调和不同测试的灯饰图片,拍摄在不同的条件下,随着图像增强的提高测试图像和图像配准的质量保证同轴度之间的参考和测试图像。边缘检测是保证识别甚至非常好的缺陷在面料上故障检测。可视化和定量结果证明,该方法给出的两个数据集优越和健壮。在未来,将进行更多的实验以进一步提高该方法的准确性,并保证是足够快的缺陷实时检测。

数据可用性

本研究中使用的数据集是免费的通过“M。弗里茨,公元前e·海曼,J.O. Eklundh, KTH-TIPS数据库。(在线)可以在:https://www.csc.kth.se/cvap/databases/kth-tips/download.html。

的利益冲突

作者宣称没有利益冲突。