基于机器视觉的坯布疵点自动检测系统

基于机器视觉的坯布疵点自动检测系统
刘志友;张晓伟;高晓星
【摘要】布匹质量检测在纺织企业中是一种高度重复性和经、能的工作,然而在传统上,这个只能靠人工检测来完成,虽然增加了企业巨大的人工成本投入,但却仍然不能保证100%的检验合格率.在此,介绍了一个基于机器视觉的全新坯布疵点粗检系统,该系统通过最大偏差法来达到粗检之目的,最后通过对粗检出的布匹进行一系列
的算法运算来达到检出疵点之目的,并且由全新的机器视觉软件WIT给出了具体的实现过程,结果表明,基于此算法的坯布疵点自动检测系统是可行有效的.
【期刊名称】《科技风》
【年(卷),期】2010(000)003
【总页数】2页(P225-226)
【关键词】机器视觉;WIT;坯布疵点自动系统
【作者】刘志友;张晓伟;高晓星
【作者单位】石家庄经济学院职业技术学院,河北石家庄,050031;石家庄经济学院
职业技术学院,河北石家庄,050031;石家庄经济学院职业技术学院,河北石家
庄,050031
【正文语种】中文
纺织工业中现在非常的关注质量，其中一个主要的问题就是如何提高疵点的检测率。

在当今中国，坯布疵点检测主要是依靠人眼来完成。

而由于疵点检测成本的增加，由人眼进行的坯布缺陷检测现在越来越变得不可行了。

机器视觉技术是指通过机器
视觉产品(即图像摄取装置)将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布、亮度和纹理等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来识别图像的内容或控制现场的设备动作。

相对于人眼检测而言，机器视觉检测有以下几方面的优势：第一，高效，这就提高了疵点检测的效率，第二，人眼检测会受检测员的影响，然而机器视觉检测就相对来说稳定一些，最后，在强照明条件下进行长时间的检测对人眼视力伤害很大，现在检测员就可以远离这种枯燥无聊且对身体有害的工作了。

设计了一个基于机器视觉的实时自动坯布疵点检测系统，通过该系统，可以实现实时疵点的检测。

机器视觉系统一般包括光源、相机、图像采集卡、图像处理分析单元、通讯/输入
输出单元等。

相机负责对运动的布匹进行图像采集，图像采集卡负责将采集到的图像信号转换成计算机能够识别的数字信号，同时进行图像增强、降噪等预处理工作。

图像处理单元多指工业计算机，将输入的数字信号进行分析，通过预定的算法程序识别出其中是否存在疵点，若存在疵点，则指挥运动系统执行相应的控制动作（如作标记）。

本系统中通过CCD来获取动态坯布的图像，然后图像采集卡将采集到的图像进行数字化处理，最后，这些图像被送到计算机中进行一些质量优化的处理，以便能够更加理想的检测出疵点所在，最后通过一系列的软件计算来进行疵点的识别标注。

在图像采集的过程中，光照对于所采集的图像的质量影响颇大，在此，我们采用两个高照明灯来降低亮度对获取的图像的影响，从而可以使光照尽量均匀。

CCD置
于动态坯布的正上方。

所有的装置如下图所示：
总体检测流程如下流程图所示：首先，通过上面的图像获取系统来获取标准模板图像，其后，在动态坯布上进行测试图像的采集，然后通过最大偏差法就可以大概的判断这些图像是否存在疵点。

正常的图像会从内存中释放，而有疵点的坯布图像被
送入到后面的图像分析系统去做进一步的处理。

经过图像分析系统中的一系列的处理例如：图像灰度化处理，sobel算子滤波，自适应图像分割，二值中值滤波和数学形态学闭合后，面积，平均值，方差和数量就被提取出来当作特征来进行疵点的描述，并且所有的疵点都被显示出来。

流程图如下所示：
获取一个标准模板图像供以后使用。

首先，通过下面的公式，我们将所获取的RGB图像类型转换为BMP类型：
然后我们就采集10幅大小相同的坯布图像来进行标准模板的获取。

这样的话，我们就能将噪声的影响降到最低。

为了检测出在白色坯布中疵点是否存在，提出了一种基于图像相减技术的新的方法：最大偏差法。

在理想状态下，正常坯布图像的像素应该是规则分布的。

在用模板图像减去测试图像后，我们将会得到一个偏差图像。

为了将随机噪声的影响降到最低，我们使用了一个低通滤波器来对偏差图像进行平滑处理，然后，我们取平滑后图像的最大的像素值来与偏差图像的所有像素值进行对比。

在正常的情况下，平滑后图像的像素值和它的最大像素值间的偏差值应该在一个阈值以下，该阈值可以根据检测率与误检率进行调整。

所有偏差值高于该阈值的图像就可以认定为疵点图像，然后改疵点图像就被送入图像分析系统进行进一步的处理。

WIT仿真程序如下图所示，它使用acqlive算子来实时的现实坯布图像视频，我们在输入一个信号后，就采集模板图像，当我们再次输入一个信号后，就开始获取测试图像，如果获取的测试图像包含有坯布疵点，那么将会被送入到图像分析系统进行特征的提取。

如果测试图像正常，那么他们将会从电脑内存中释放。

这部分实现疵点定位与特征提取功能。

我们通过一系列的技术来完成这些功能。

首先,通过convertToGray算子将所采集的图像从彩色图像转换为灰度图像，这样可以降低数据处理量，提高处理速度，从而充分保证系统的实时性处理。

然后为了最大程度下消除噪声的影响，我们使用sobel算子来对图像进行噪声平滑处理。

然
后利用自适应图像分割法将图像分割为二值图像，为了在消除在二值化过程中产生的噪声，在此，对分割后的图像采用了二值中值滤波和数学闭合操作。

最后，每个疵点的位置都被显示了出来，并且面积，平均值和方差都被提取了出来对疵点进行描述。

WIT仿真程序如下所示：
如果图像经粗检后被判定有疵点存在，那么将会使用中值滤波处理图像以消除噪声。

中值滤波法就是首先利用一个滑动的窗口来对像素的灰度值进行分类排序，然后将排好序的最中间的像素来替代窗口中心像素值。

中值滤波法的表达式如下：
f(x,y):经变换后的像素值；g(s,t)：3×3邻域内的像素值。

其中(s,t)属于Sxy。

图像分割的目的就是从坯布背景中将疵点给分割出来，这对于下面疵点的进一步分析识别是非常的有用的。

在此，我们使用了自适应阈值法来进行分割。

1）获取灰度图像的最大灰度值zmax与最小灰度值zmin，并将初始阈值设定为
T0=（zmax+zmin）/2（3）
2）利用阈值TK将图像分割为疵点和背景两组，然后再求出这两组中的平均灰度
值Z0和ZB。

z(i,j)是点灰度值(i,,j),为权值,这里N(i,j)=1.0。

计算新阈值
3）如果TK=TK+1，那么TK就是分割图像的最终阈值，否则的话，k←k+1，然
后返回第二步。

由于在分割后会出现一些非疵点的白色噪声，所以再一次的使用中值滤波来改善图像的质量。

数学形态学的应用几乎覆盖了图像处理的所有领域，形态学的基本运算是膨胀和腐蚀，以及在此基础上的组合运算：开运算与闭运算。

如果f(x,y)为原始图像，b(x,y)为结构元素图像，那么：
在图像分割的过程中，如果阈值选择不当，那么经过分割后的图像会出现疵点断裂的情况。

所以我们使用了数学形态学关闭操作来进行这些断点的连接。

在此，我们
使用了5X5矩形结构元素。

在此，提取了疵点的数量，面积，还有位置这些信息做为特征来进行疵点的描述。

并且给出了每个疵点的均值和方差。

由WIT给出的仿真结果如下图所示：
从上面给出的数据我们可以知道，图中共有3个疵点存在，并且其面积大小分别为49,57,66像素大小。

在此提出了一种最大偏差法供粗检使用，并在精检过程中提出了全新的算法流程对疵点的面积大小，数量，均值，方差等特征进行描述。

由全新的机器视觉软件WIT给出了算法的详细仿真过程。

该疵点自动检测系统能够检测出多种疵点，并且系统的控制参数可以按照实际的控制要求进行调节，所以，系统是可行的，并且会有一个广阔的应用前景。

【相关文献】
[1]郑广,周万珍,马红霞等.基于图像距离差的织物疵点检测算法研究[J].河北科技大学学报,2006.
[2]赵大兴,朱锦雷,李九灵,颜云辉.基于机器视觉的织物检测方法的研究[J].计算机工程与设计,2008.
[3]袁丽婷,邱力军.基于MATLAB的X线医学图像增强与直方图处理方法[J].第四军医大学学
报,2007.
[4]王洪兰,张若钢.浅淡图像增强的直方图处理及其MATLAB实现[J].电脑知识与技术,2007.。