疵点检测系统中疵点检测算法
织物疵点自动检测系统中疵点图像特征参数选择与提取研究
织物疵点自动检测系统中疵点图像特征参数选择与提取研究摘要：疵点图像的特征提取是识别织物疵点的重要依据，它直接影响疵点识别的效率和准确率。
特征参数应具有灵敏度高、独立性强、运算快的特点，提取出疵点的区域面积、边界周长、中心点坐标、长短轴长度、形状参数F和离心率E作为疵点的特征参数。
实验证明它能够识别出大部分常见疵点，并为疵点定位标识提供充分依据。
关键词：疵点识别特征提取疵点检测图像处理1 引言织物疵点是影响产品质量的重要因素，目前，在国内绝大部分的纺织企业中，对织物的疵点检测还是采用人工离线检测。
随着计算机技术和数字图像处理技术的飞速发展，可以实现织物疵点的自动检测。
基于数字图像处理技术的疵点检测过程包括图像采集、图像分析和特征值提取、疵点判别和分类，其核心技术是特征值提取和分类。
织物图像的特征值提取实质是寻找描述织物疵点特征的一组度量值，这组值能够准确地表达疵点的大小、方向和位置等，为疵点的识别和分类提供依据。
2 织物疵点图像的特征参数选择特征参数选取很重要，若特征抽取不正确，就不能很精确的进行分类。
但是，可选取的特征参数很多，如果这些参数全部用来表征图像的特征，不仅计算量大，而且各个参数的灵敏度不同，有些参数表达的内容会有重复，因此需要对参数进行认真选择。
从所提取的特征参数中选取特征向量时，一般的方法是根据每一类的协方差矩阵，在变换后的矩阵中，作为特征向量取代原来的特征参数代表图像特征，这种取代的结果均方差最小。
由此看出，特征向量的抽取目的是在不明显降低系统识别性能条件下，用较少的特征参数代表图像。
在特征向量选择时的依据为：[1]1）可靠性：特征向量各元素对应的特征参数的灵敏度要高，即各参数的误判率较低；2）独立性：特征向量之间各个元素彼此独立，表达不同疵点的特征；3）数量要少：特征向量的元素尽可能少，这样可以使判断速度快，计算量小。
各种疵点分类的主要依据是疵点的形状，所以对它们进行特征提取时，主要选择描述形状特征的参数作为特征值。
基于改进的引导滤波的织物疵点检测算法
基于改进的引导滤波的织物疵点检测算法马腾;杨大利;侯凌燕【摘要】为解决织物疵点自动检测算法对不同种类疵点检测的鲁棒性问题以及算法的实时性问题,提出针对疵点图像的改进的引导滤波算法及其疵点检测算法.实验表明:引导滤波在保持边缘的同时速度最快,该改进算法使用高斯滤波后图像作为输入图像,原图像为引导图像,在保持细节的同时锐化并保持边缘,一张图片滤波时间为26.2ms.该检测算法使用改进后引导滤波,再进行光照校正等处理得到疵点检出图片.实验表明,该检测算法疵点检出率为97.35％,检测时间为158.1 ms,保持检出率的同时达到实时性要求.【期刊名称】《毛纺科技》【年(卷),期】2017(045)011【总页数】4页(P70-73)【关键词】疵点检测;图像滤波;引导滤波;鲁棒性;实时性【作者】马腾;杨大利;侯凌燕【作者单位】北京信息科技大学,北京 100020;北京信息科技大学,北京 100020;北京信息科技大学,北京 100020【正文语种】中文【中图分类】TS131.9我国的纺织行业至今仍主要采用人工验布，为了实现疵点检测阶段的自动化，各种疵点检测算法应运而生。
由于已存在的疵点检测算法实时性以及对各类疵点的鲁棒性均不稳定，没有能够运用到现实生产过程中，但是疵点自动检测系统更适应纺织业的发展，机器视觉代替人类视觉是必然的，如何通过鲁棒性检测各类疵点，并满足实时性成为关键。
本文数据为疵点样本，分割出疵点区域的关键在于疵点边缘的保持，本文用可以保持边缘的图像滤波方法对图像进行预处理，减弱图像噪声并且锐化图像边缘。
对图像边缘具有保持作用的图像滤波方法有各向异性扩散滤波、非局部均值滤波、双边滤波及引导滤波。
各向异性扩散滤波[1]使用偏微分方程进行求解，计算较复杂且对于某些给出初值问题上状态不稳定；非局部均值滤波器[2-4]计算复杂度较大。
双边滤波[5-6]时间复杂度较大，处理时间较长。
引导滤波[7]是新的滤波方法，具有O(N)的复杂度，时间复杂度与窗口大小无关，现多用于图片去雾处理，该方法具有更好的边缘保持特性，并且是保持边缘的滤波方法中速度最快的。
布匹疵点自动检测系统的研究和设计
摘要纺织品生产中，质量控制是非常重要的，布匹疵点的检测是其中重要的一部分。
目前疵点检测仍由人工目视完成，检测效果不稳定，检测结果受到检测人员的训练和熟练程度影响。
因此纺织工业开始转向使用自动布匹检测。
自上世纪90年代以来，自动布匹检测一直是纺织工业自动化研究的热点。
本文提出了一种基于机器视觉的布匹疵点自动检测系统的设计方案，其中包括系统软、硬件总体设计，图像采集模块的设计，疵点检测算法和疵点分类算法的研究和设计等。
布匹图像采集、疵点检测算法是系统设计的重点。
首先，在简要介绍了采集图像卡原理的基础上，本文给出了图像采集软件的设计方案。
软件分为三个层次，包括图像卡驱动程序，图像卡接口函数库，系统图像采集模块。
这种设计方式有利于软件的维护。
接着，本文讨论了疵点检测的算法研究和设计。
疵点检测目的在于提取疵点的信息。
本文把疵点检测的任务进行了分解，分为疵点检测、疵点分类和疵点分割三个层次。
同时，通过对疵点检测的深入分析以及对前人的研究成果的总结，本文分别提出了基于小波分析的疵点检测算法和基于BP神经网络的疵点分类算法。
疵点检测算法，通过构造和优化选择小波的方法，来提高算法的检测效果和自适应能力；疵点分类算法着重考虑布匹疵点特征的选取和BP网络学习算法的优化。
本文讨论的布匹疵点自动检测系统目前仍在研究和设计中，虽然已经取得了一定的成果，但还有许多地方需要进一步的改善，才能满足实际布匹检测的需要。
在本文的最后，给出了一些系统改进的想法。
关键词：布匹检测；机器视觉；图像采集；驱动程序；疵点检测；小波分析；疵点分类；BP神经网络AbstractIn the process of textile production, quality control is very important. Detection of fabric defects is an important part of this. Presently, much of the fabric inspection is performed manually by human inspectors. Many defects are missed, and the inspection is inconsistent, with its outcome depending on the training and the skill level of the personnel.Since 1990's, automation of fabric inspection has been a topic of considerable research in automation of textile industry. In this paper, a project of design of automatic fabric inspection system is bringing forward. It includes the system hardware structure design, software structure design, image capturing module design, fabric defects detection algorithm and defects classification algorithm design and research. Fabric image capturing and fabric defects inspection algorithm are the key points of system design.First, after briefly introducing the principle of the image capturing card, we give the software design of fabric image capturing. The software is divided into three level parts. It includes Windows driver of image capturing card, the API(Application Programming Interface)of the card, fabric image capturing .This software architecture avail to software maintenance.Second, we discuss the research and design of algorithms of automatic inspection of fabric defects. The arm of fabric inspection is finding the information of fabric defects. We divide the task of fabric inspection into three parts: defects detection, defects classification, defects segmentation. Base on the deeply analysis fabric inspection and summarizing the research before, we propose a fabric detection algorithm using wavelet analysis, and an fabric classification algorithm using BP Neural Network. Fabric detection algorithm creates and optimizes to select the wavelet in order to improve it's detection effect and capability of self-adaptation. Fabric classification algorithm considers the fabric feature parameters selection and optimization of training algorithm of BP neural network.The fabric defect automatic inspection system in the paper is still in research and design. Though some achievement have been got, the system has many parts should improve in order to satisfy the need of the fabric industry. In the end of the paper, we givesome idea to improve the system.Key words: Fabric Inspection; Machine Vision; Image Capturing; Device Driver;Fabric Defect Detection; Wavelet Analysis; Fabric Defect Classification;BP Neural Network独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。
基于机器视觉的布匹疵点检测系统
基于机器视觉的布匹疵点检测系统为了提高布匹疵点检测的精度与速度，提出了一种基于机器视觉的布匹疵点检测系统用于取代人工检测。
论述了系统的整体结构，包括成像设备、光源选择以及图像采集与处理方式等，并提出了一种基于类别共生矩阵与支持向量机的布匹疵点检测算法。
检测算法将疵点检测看作一个两类分类问题，采用从灰度共生矩阵中提取的特征来描述纹理特性，并采用支持向量机来对特征向量进行分类完成疵点的检测。
最后通过大量的布匹疵点实例对算法的可靠性进行验证，并对检测算法在不同参数下的检测精度与实时性进行了讨论。
引言布匹的疵点检测是纺织工业中一项十分重要的环节。
传统的布匹疵点检测通常是由人工完成，其劳动强度大，且缺乏一致性与稳定性，存在检测速率低、漏检与误检率高、检测精度低等问题。
调查表明，即使是熟练工人，其检测精度也只有70%左右，其检测速率只有15〜20 m/min •随着计算机图像处理技术的不断发展，基于机器视觉的检测方法被越来越多的用于布匹疵点检测中。
该研究采用图像处理与模式识别方法来完成布匹疵点的自动检测任务，设计了布匹疵点检测系统的结构，并提出了一种以灰度共生矩阵为纹理特征，以支持向量机为机器学习方法的布匹疵点检测算法。
1.布匹疵点自动检测系统结构如图1所示，布匹疵点检测系统主要由光源、CC线阵相机、图像采集处理卡、PC主机与编码器构成。
CC戯阵相机选用DALSA勺SP-14相机，分辨率为2048像素，其每次扫描一行图像，用其对在传送带上沿垂直方向运动的布匹进行成像从而形成一幅二维图像。
光源选用稳压直流光源以克服相机高频扫描时的频闪问题，并采用透射的方式进行照明，该方式可同时突显出布匹正反两面的纹理信息。
相机输出的图像数据通过Camera Link接口发送到图像采集处理卡中，图像采集处理卡将这些图像数据进行存储及处理，判别其中是否含有疵点，其内部数据缓存与处理方式在先前的工作中有详细描述。
然后将检测的结果与原始图像数据通过千兆以太网发送到PC主机上进行显示。
织物表面疵点检测算法综述
缺点 ， 出 生 产 实 际 中检 测 算 法 的评 判 标 准 ． 提 关 键 词 ： 机器视觉； 物疵点 ； 测 织 检
文 献 标 识 码 ： Ａ
中 图 分类 号 ： ＴＳ ０ ． １ １９
机器视 觉 系统通过 机器视 觉产 品将 被摄 取 目标 转 换成 图像信 号 ， 送给 专用 的图像 处理 系统 ， 传 图像 处理 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 控 制 现场 的设 备 动作 ． 用 机 器 应 视觉 系统从 事坯 布检 验有 以下几 点好处 ： （ ） 确率 高． 准确识 别各 类常见 纺疵 、 疵 ， １准 可 织 误 检、 漏检率 远低 于人工 验布 ， 特别 是检验 微小 疵点 的能
为 图像 采集 、 处理 、 征 提 取 与识 别 和机 器 响应 ， 预 特 而 其核 心 内容是特 征 提取 与 识 别 ， 者 之 间往 往 表 现 为 二
同时 进 行 ．
（ ） 有客 观重复 性． 除 了验布质 量受 验布 工 主 ２具 排 观意 愿 、 绪 、 觉疲 劳等人 为 因素 的影 响 ， 情 视 可信 度高 ； （ ） 度快 、 ３速 效率 高 、 本低 ． 成 目前依 靠人 工验 布 的 速度 为 １ ～２ ｍｉ， Ｏ ０ｍ／ ｎ 而依 靠机 器视觉 系统验 布速度 可 达 １ ０ｍ／ ｎ以 上 ， 大 提 高 了生 产 率 ， 时也 节 ０ ｍｉ 大 同
约 了人力 成本 ．
织物 的表 面是 一种 典 型 的纹 理结 构 ， 其纹 理 特 征
主要 表现 为 ： 结 构性 ． 物 都 具 有 一定 的组 织 结构 ， ① 织
通 常用经 纬密 度 、 盖 系数 和纱线线 密 度等参 数表示 ． 覆
疵点检测系统
中值滤波法是由 Tukey 发明的一种非线性图像处理方 法，它的基本思想是利用一个奇数点的窗口按照一定的方 向在图像上各点处移动，用窗口内各像素点灰度值的中间 值代替窗口中心点处图像的灰度值。中值滤波的基本流程 如左图所示。
从中值滤波法的过程中可以看出，每次移动窗口时仅仅去掉了最左边一列的像素值，同时增加 了最右边一列的像素值，其他两列的像素值没有发生改变。因此，在求当前窗口的中值时，可以只 考虑移入移出的像素值对当前窗口中值的影响即可，避免了每次都需要比较没有变动的数据值，减 少了算法所需时间，加快了计算的速度。中值滤波快速算法的基本过程如下：
拉普拉丝算子图像分割
拉普拉丝算子图像分割
五、图像特征提取与判决 图像分割后的图像首先和模板图像进行对比，如果有差异则将图像存储后进行疵点判断
与分析，否则直接删除图像。基于纺织品图像分割后的结果，根据纺织品疵点主要目标（破 洞、结头、双纬、粗纱）的二值图像和边缘图像，提取出用来描述疵点的特征参数。粗纱这 种疵点需要检测织线之间的空隙，在灯光的照射下该类疵点形成了较大的空隙，通过阈值分 割的方法可以方便地将空隙提取出来。二值化后的图像在粗纱疵点间的空隙比正常织线间的 空隙明显大很多，采用大小合适的模板，从图像的每个像素间滑过，检测该模板区域内的白 色像素数量，超过给定数值的取悦可以判定为粗纱。破洞是经纬纱在同一处被破外所形成的 疵点，此类疵点和粗纱有一点类似，针对灰度化的图像进行阈值分割便可以检测出破洞来， 双纬即两根完整或不完整纬纱并合在一起，织物的交叉规律形成的疵点。对图像首先进行低 通滤波平滑图像和均值滤波去除噪声，然后进行阈值分割提取疵点。对疵点进行频域分析可 知在中部区域有一条倾斜的响应带，可以判断疵点类型为双纬。织物疵点类型判断后将会将 相关信息进行存储，方便产品质量分析。
基于YOLOv5n的轻量级织物疵点检测算法
基于YOLOv5n的轻量级织物疵点检测算法
李洋;李敏;黄政;董雄伟;朱立成
【期刊名称】《毛纺科技》
【年(卷),期】2024(52)5
【摘要】针对轻量级模型在检测织物疵点时精确率低的问题,在YOLOv5n的基础上提出一种上下文增强与混合感受野的织物疵点检测算法。
首先,为主干网络设计了一种轻量扩张卷积空间金字塔模块,并将主干网络的下采样比增加至64,在增强上下文信息的同时提取更深层的语义信息,提高模型识别性能;其次,为颈部网络设计了一种混合感受野融合模块代替原C3模块并进行特征融合,提高极端长宽比目标的检测精度。
实验表明:该算法在基于天池织物数据集上的IOU阈值为0.5时的平均精度均值mAP 50、精确率、召回率分别达到了93.1%、91.6%、89.1%,相较于原YOLOv5n算法分别提高了4.9%、7.3%、5.0%,且模型文件大小仅6.28 MB,更适用于织物疵点检测领域。
【总页数】11页(P87-97)
【作者】李洋;李敏;黄政;董雄伟;朱立成
【作者单位】武汉纺织大学先进纺纱织造及清洁生产国家地方联合工程实验室;武汉纺织大学计算机与人工智能学院;武汉纺织大学纺织服装智能化湖北省工程研究中心;毕生纺织有限公司
【正文语种】中文
【中图分类】TS391.41
【相关文献】
1.基于机器视觉检测算法的织物疵点检测系统研究
2.基于Blob算法的织物疵点检测算法的研究
3.基于最大熵阈值算法的织物疵点检测与疵点织物应用
4.基于语义分割的织物疵点检测算法研究
5.基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于机器视觉的布匹疵点检测系统
基于机器视觉的布匹疵点检测系统为了提高布匹疵点检测的精度与速度，提出了一种基于机器视觉的布匹疵点检测系统用于取代人工检测。
论述了系统的整体结构，包括成像设备、光源选择以及图像采集与处理方式等，并提出了一种基于类别共生矩阵与支持向量机的布匹疵点检测算法。
检测算法将疵点检测看作一个两类分类问题，采用从灰度共生矩阵中提取的特征来描述纹理特性，并采用支持向量机来对特征向量进行分类完成疵点的检测。
最后通过大量的布匹疵点实例对算法的可靠性进行验证，并对检测算法在不同参数下的检测精度与实时性进行了讨论。
引言布匹的疵点检测是纺织工业中一项十分重要的环节。
传统的布匹疵点检测通常是由人工完成，其劳动强度大，且缺乏一致性与稳定性，存在检测速率低、漏检与误检率高、检测精度低等问题。
调查表明，即使是熟练工人，其检测精度也只有70%左右，其检测速率只有15 ～20 m/min．随着计算机图像处理技术的不断发展，基于机器视觉的检测方法被越来越多的用于布匹疵点检测中。
该研究采用图像处理与模式识别方法来完成布匹疵点的自动检测任务，设计了布匹疵点检测系统的结构，并提出了一种以灰度共生矩阵为纹理特征，以支持向量机为机器学习方法的布匹疵点检测算法。
1.布匹疵点自动检测系统结构如图1 所示，布匹疵点检测系统主要由光源、CCD线阵相机、图像采集处理卡、PC主机与编码器构成。
CCD线阵相机选用DALSA的SP-14相机，分辨率为2048像素，其每次扫描一行图像，用其对在传送带上沿垂直方向运动的布匹进行成像从而形成一幅二维图像。
光源选用稳压直流光源以克服相机高频扫描时的频闪问题，并采用透射的方式进行照明，该方式可同时突显出布匹正反两面的纹理信息。
相机输出的图像数据通过Camera Link接口发送到图像采集处理卡中，图像采集处理卡将这些图像数据进行存储及处理，判别其中是否含有疵点，其内部数据缓存与处理方式在先前的工作中有详细描述。
然后将检测的结果与原始图像数据通过千兆以太网发送到PC主机上进行显示。
织品(帘子布)瑕疵点检测算法
织品（帘子布）瑕疵点检测算法纺织品的生产过程中总会产生瑕疵点，这些瑕疵点直接影响到织物质量的好坏，从而直接影响到产品的销售以及出口等相关行业。
所以验布环节是织物质量控制的一个十分重要的过程。
迄今为止，传统的验布工作都是由人工完成的，鉴于验布人员主观意识影响，常常存在有错检、漏检等问题，并且效率比较低。
但是随着计算机数字图像处理技术和工业自动化的发展，纺织品生产的自动化成为了必然趋势，基于机器视觉的自动验布系统已经成为大家关注的焦点。
1.引言目前，国外纺织品的检测已经开始靠硬件完成，但价格非常昂贵。
找到一种基于PC平台的自动检测算法，可以有效的快速、准确并且低成本的检测织物表面的瑕疵点。
帘子布图像瑕疵点检测算法研究主要有四部分组成，1)首先是预处理，在对织物图像进行直方图均衡化后，通过对比分析几种平滑锐化算法，选择了用中值滤波对图像进行平滑去噪，用Top-Hat 算子变换对织物图像进行锐化增强；2)接着是通过分析对比，选择了灰度直方图法对织物图像是否含有瑕疵点进行快速判断；3)然后是图像分割，提出了一种基于数学形态学的检测算法，即先利用自相关函数和FFT 找出织物经纬结构的重复单元，以其为依据，用形态学中腐蚀背景和膨胀目标的方法检测图像中的疵点信息，再在传统的形态学处理法之后，再一次采用开运算进一步的消除噪声，从而更加突出疵点；4)最后通过织物疵点长度L、疵点宽度W、疵点的经纬伸长度R、疵点面积S 及疵点的紧密度C五个特征常量对织物进行特征提取。
通过实验可以结果证明，本文提出的算法都是有效可行的。
1.1 背景众所周知，产品的质量关系着企业的存亡。
而产品质量的检测是企业生存的一个重要内容。
比如纺织物等表面瑕疵点的检测和识别。
它是产品质量的一个重要因素，亦是产品材料表面检测的重要环节。
瑕疵点检测就是在产品生产完成后，通过肉眼观察，找到有瑕疵的地方，然后再经过修复和整理，尽可能的降低瑕疵点数量，从而保证产品的质量。
26433750_织物疵点自动检测方法及应用进展
检测精度的限制,现 有 的 织 物 疵 点 自 动 检 测 系 统 通 常
选择在机下进行验布,一般具有布面牵引系统、图 像 采
视觉对织物疵 点 进 行 自 动 检 测 成 为 研 究 的 热 点 话 题,
集系统、图像识别系统、疵点标记系统和人机界面 等 配
以“织物疵点检 测”为 主 题 进 行 中 英 文 文 献 的 检 索,可
计法、频谱 分 析 法、模 型 法 是 传 统 的 数 字 图 像 处 理 方
量较低,对 光 照 变 化 不 敏 感,普 遍 应 用 于 人 脸 识 别 方
法,基于学习的方法则涉及到了机器学习的概念,按 照
向,
Ta
e
rpour等首 次 将 LBP 算 子 应 的方法介绍。
特征提取三个方面介绍了织物疵点检测系统中用到的
方图(HOG),提 取 较 为 稳 定 的 边 缘 特 征,对 局 部 形 状
算法
。还有 一 种 比 较 常 见 的 分 类 方 式 主 要 聚 焦 在
[
15]
特征提取和分类阶段,按照图像处理的原理不同,分 成
结构方法、统计 学 方 法、频 谱 分 析 方 法、基 于 模 型 的 方
t
e
r的 Q-Ba
r2 织 物 检 测 仪,可 直
接定位在经纱和 纬 纱 的 交 织 区 域,在 纬 纱 穿 过 前 对 经
纱进行监控,同时也能够监控引入纬纱的动作,实 时 进
行织物疵点检测,及时对布面瑕疵做出反应,但此 系 统
主要针对机织物织造阶段。江南大学开发了一款 检 测
收稿日期:
2021
09
服务,如 陕 西 长 岭 纺 织 机 电 科 技 有 限 公 司 的 FS220 型
基于语义分割的织物疵点检测算法研究
基于语义分割的织物疵点检测算法研究织物在各行各业中都扮演着重要的角色，因其广泛的应用领域，对其质量的要求也越来越高。
在织物生产过程中，疵点是一个普遍存在的问题，它们会降低织物的质量，影响产品的市场竞争力。
因此，开发一种高效准确的织物疵点检测算法对于提升织物生产效率和质量具有重要意义。
一、引言织物疵点检测是通过分析织物图像来确定其中存在的缺陷或瑕疵。
传统的织物疵点检测方法主要依赖人工进行目测，这种方法效率低下且容易受主观因素的影响。
近年来，随着计算机视觉和深度学习的发展，基于图像处理的自动织物疵点检测成为了研究的热点。
二、相关技术1. 图像语义分割图像语义分割是将图像中的每个像素点分类到不同的语义类别，常用的方法包括传统的基于阈值的方法和基于深度学习的方法。
基于深度学习的语义分割方法往往能够获得更好的效果，如使用U-Net等结构进行像素级别的分类。
2. 神经网络神经网络在图像处理领域有广泛应用，其中卷积神经网络（CNN）是最常用的一种。
通过使用包含卷积层、池化层和全连接层等组件的CNN网络，可以提取图像的特征并进行分类。
三、基于语义分割的织物疵点检测算法基于语义分割的织物疵点检测算法主要分为训练阶段和测试阶段。
1. 训练阶段在训练阶段，首先需要准备一批有标注的织物图像数据集。
对于每个织物图像，需要手动标注其中的疵点位置。
然后，利用图像语义分割技术，将标注过的图像数据集转换为像素级别的标注，即每个像素点被分类为疵点和非疵点。
接下来，使用已有的图像语义分割网络对标注数据集进行训练，调整网络参数以适应织物疵点检测的任务。
2. 测试阶段在测试阶段，将训练好的图像语义分割网络应用于未标注的织物图像。
首先，通过图像语义分割网络对织物图像进行像素级别的分类。
然后，根据分类结果提取出疵点区域，并进行疵点形状和大小的判断。
最终，将检测到的疵点标注在织物图像上，以便后续处理和分析。
四、实验结果与分析为了评估基于语义分割的织物疵点检测算法的性能，我们使用了公开的织物图像数据集进行实验。
KLT织物疵点检测算法研究及FPGA实现
富的块 存储 资源 的情 况 下 引入 ｌ （ ｎｄ．ｕａ—ｏ ｓ） ＫａａｅＬ ｃｓＴｍａｉ特征 点检 测 算法对 织 物疵 点进 行 实 时检 测 ， 灵活 以
的硬件可编程来满足 Ｋ Ｔ Ｌ 检测算法的调整以适应不同的检测要求。经验证 ， 系统可以在 实际的应用中准确地
检测 出织物上 的疵 点 ， 检 测灵活 方便 。 且
江 南大 学 物 联 网工程 学 院 ， 江苏 无锡 ２４ ２ １ １２
Ｃｏｌ ｇ ｔ ｒ ｔｏ ｎｇ ， ｉ ｎ ｎａ ｌ ｅｏｆＩ ｅ ｎｅ ｆＴｈｉ ｓ Ｊａ ｇ ｎ Ｕｎｉ ｅ ｓｔ ， ｕ ｉ ｉｎ ｕ ２１ ２ Ｃｈ ｎ ｅ ｎ ｖ ｒ ｉｙ Ｗ ｘ ，Ｊａ ｇｓ ４１ ２， ｉ ａ
ｑ ｒ ｍｅ ｔ．Ｔｈｅｖｅ ｉｉａ ｉｎ ｎ ｃ ｔ ｓｔ ａ ｈ ｓｇ ａ ａｉｆ ｔ ｅ ｒ ｑ ｉｅ ｎ ｓｏ ｒ ｃｉ ａ ｐ ｉａ ｉ ｎ ｗｅ ｌａ ｕｉｅ ｎ ｓ ｒｆｃ ｔｏ ｉ ｄｉａ ｅ ｈ ｔｔ ｅ ｄｅ ｉ ｎ ｃ ｎ ｓ ｔｓｙ ｈ ｅ ｕ ｒ ｍｅ ｔ ｆｐ ａ ｔｃ ｌａ ｐｌ ｔｏ ｌ ｎｄ ｃ ｍ ａ ｈ ｅ ｅ ｔｏ ｅ ｂｌ ｎｄ ｃ ｎ ｎｉｎ ． ｋｅｔ ｅｄ ｔ ｃｉ ｎ ｆ ｘｉ ｅａ ｏ ｖｅ ｅ ｔ ｌ
关键词 ： 现场可编程 门阵列（Ｐ Ａ ； Ｆ Ｇ ） 图像处理； Ｌ 算法； ＫＴ 织物疵点检测 文 章编 号 ：０ ２８３ （０２ ２ ．１４０ 文献 标识 码 ： 中图 分类号 ：Ｐ ７ １０ —３ １２ １ ）４０４ —５ Ａ Ｔ ２４
繁琐 。虽然也用到了一片 Ｆ Ｇ Ｐ Ａ来实现系统 的互连 ｌ 引言 但是核心的检测算法还是由Ｄ Ｐ Ｓ 来实现的。 如何提高织物疵点检测系统的性能得到了越来 与控制 ，
织物表面疵点自动检测方法研究
织物表面疵点自动检测方法研究织物表面疵点自动检测是纺织行业中非常关键的一项任务。
传统的手工检测方法既费时又费力，而且效率低下，因此引入自动检测方法，以提高检测效率和精度，已成为目前纺织行业中的一个研究热点。
织物表面疵点的自动检测方法，可以分为两大类：基于计算机视觉的方法和基于深度学习的方法。
接下来，本文将分别对这两大类方法进行详细介绍。
1、基于计算机视觉的方法基于计算机视觉的方法需要提取织物表面的特征，来进行疵点检测。
一般可以从以下几个方面提取织物表面的特征：（1）颜色特征：对织物表面颜色的变化进行分析，通过与正常织物的颜色进行对比，确定疵点的位置。
（2）质感特征：通过分析织物表面图案的形态和构成，发现疵点的位置。
（3）纹理特征：分析织物表面的纹理信息，检测疵点。
此外，还可以结合图像处理技术（如滤波、二值化、形态学处理等方法），对织物表面的图像进行修饰和优化，以提高检测精度。
基于计算机视觉的自动检测方法虽然在一定程度上提高了检测效率和精度，但该方法受到光照和织物表面的噪声等因素的影响比较大，因此其检测精度和稳定性还有待提高。
2、基于深度学习的方法基于深度学习的自动检测方法是近年来纺织行业研究的新方向。
该方法采用深度神经网络（deep neural network），通过学习织物表面图像的特征，来实现自动疵点检测。
该方法的优点在于可以自适应地学习复杂的特征，而且具有较强的泛化能力，能够处理大量数据，进而提高检测效率和精度。
然而，该方法需要大量的数据进行训练，因此对数据集的质量和数量要求非常高。
另外，在训练过程中需要解决诸如过拟合（overfitting）和梯度消失（vanishing gradient）等问题。
总的来说，织物表面疵点自动检测方法的研究对纺织行业的发展至关重要。
基于计算机视觉和基于深度学习的方法均有各自的优点和不足，因此在实际应用中需要根据具体的场景和需求进行选择，以达到最佳的效果。
无纺布疵点实时检测技术与系统设计
无纺布疵点实时检测技术与系统设计邓泽林 1刘 行 2董云龙 1袁 烨1, 3摘 要 无纺布生产过程中产生的疵点会严重影响产品质量并限制生产效率. 提高疵点检测的自动化程度对于无纺布的生产效率和质量管控至关重要. 传统疵点检测方法难以应对纹理、疵点类型以及环境变化等问题, 限制了其应用范围. 近年来基于卷积神经网络的方法在疵点检测领域得到了广泛应用, 具有泛化性强、准确度高的特点. 但是在无纺布生产过程中,布匹宽度大、速度快的特点会产生大量图像数据, 基于卷积神经网络的方法难以实现实时检测. 针对上述难题, 本文提出了一种基于最大稳定极值区域分析与卷积神经网络协同的疵点实时检测方法, 并设计了分布式计算处理架构应对数据流过大的问题. 在实际生产部署应用中, 本文所设计的系统与算法无需使用专用计算硬件(GPU 、FPGA 等), 通过8台工控机与16路工业摄像头对复卷机上布宽2.8 m 、速度30 m/min 的无纺布进行分布式实时在线检测, 大幅度提高无纺布生产中疵点检测的自动化程度与效率. 本文所提出的系统能够实现对0.3 mm 以上疵点召回率100%, 对0.1 mm 丝状疵点召回率98.8%.关键词 疵点检测, 卷积神经网络, 实时处理, 分布式架构引用格式 邓泽林, 刘行, 董云龙, 袁烨. 无纺布疵点实时检测技术与系统设计. 自动化学报, 2021, 47(3): 583−593DOI 10.16383/j.aas.c200446Non-woven Fabric Real-time Defects Detection Method and Framework DesignDENG Ze-Lin 1 LIU Xing 2 DONG Yun-Long 1 YUAN Ye 1, 3Abstract The defects generated during the production process of non-woven fabric will seriously affect the quality and limit the efficiency. How to improve the automatic degree of non-woven fabric defects detection plays a signific-ant role. The traditional defects detection methods cannot deal with the changing of texture, defects type and envir-onments, which limits the application scope. In recent years, the methods based on convolutional neural networks (CNNs) have been widely used in the field of defects detection, which are shown to have the characteristics of strong generalization ability and high accuracy. However, in the non-woven fabric production process, the large width and high speed of cloth will introduce huge amount of image data, which makes it difficult for CNN based methods to achieve real-time detection. In this paper, a real-time defects detection method based on stable ex-tremal region analysis and CNN is proposed, and a distributed computing architecture is designed to handle the problem of large image data stream. In the actual deployment application, the system designed in this paper does not need specific computing hardware (GPU, FPGA, etc.). 8 industrial computers and 16 industrial cameras are coupled together in a distribution scheme to finish real-time defects detection of non-woven fabric rewinder with cloth width 2.8 m and speed 30 m/min, which greatly improves the automation and production efficiency. The sys-tem proposed in this paper can achieve 100% recall rate of punctiform defects above 0.3 mm and 98.8% recall rate of 0.1 mm filiform defects.Key words Defects detection, convolutional neural network (CNN), real-time processing, distributed architecture Citation Deng Ze-Lin, Liu Xing, Dong Yun-Long, Yuan Ye. Non-woven fabric real-time defects detection method and framework design. Acta Automatica Sinica , 2021, 47(3): 583−593无纺布具有强度高、透气性好、质地柔软等优点, 是生产口罩、干湿擦布等医用纺织品的重要原材料[1]. 在无纺布实际生产制造过程中, 质量检测至关重要. 现阶段国内主流的无纺布质量检测环节大量依赖人工来完成, 用工成本高且自动化程度低下,导致效率难以提升. 无纺布的产量大, 实际铺网生产速度可高达几十米/min. 而无纺布的瑕疵尺度通常小于0.5 mm (如图1所示), 导致人工检测的难度大、检出率低. 根据李比希最低定律[2], 如果质量检测员的检测效率远低于生产效率, 则上游的无纺收稿日期 2020-06-22 录用日期 2020-08-14Manuscript received June 22, 2020; accepted August 14, 2020国家自然科学基金(91748112)资助Supported by National Natural Science Foundation of China (91748112)本文责任编委 杨涛Recommended by Associate Editor YANG Tao1. 华中科技大学人工智能与自动化学院 武汉 4300742. 华东理工大学信息科学与工程学院 上海 2002373. 华中科技大学数字制造装备与技术国家重点实验室 武汉 4300741. School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan 4300742. School of Information Science and Engineering, East China University of Science and Technology, Shanghai 2002373. State Key Labor-atory of Digital Manufacturing Equipment and Technology,Huazhong University of Science and Technology, Wuhan 430074第 47 卷 第 3 期自 动 化 学 报Vol. 47, No. 32021 年 3 月ACTA AUTOMATICA SINICAMarch, 2021布生产设备难以发挥全部性能. 人工检测方式不仅制约了无纺布产能, 而且在长时间检测中质检员也易发生视觉疲劳, 给产品质量上引入了严重隐患.因此开展对无纺布瑕疵自动检测的研究, 对提高无纺布的生产效率和质量管控具有深远意义.目前对布匹缺陷检测方法主要可分为4类[3]:基于频谱、基于统计、基于模型和基于学习等方法.基于频谱主要是通过傅里叶变换[4]、小波变换[5−6]和Gabor [7−8]变换等. 通过傅里叶变换的方法无法在空间上定位瑕疵位置. 而小波变换和Gabor 变换的计算开销大, 难以用于生产过程中的实时检测. 基于统计学是通过直方图统计[9−10]、灰度共生矩阵和形态学方法对疵点进行特征描述, 这类方法[11]计算开销小, 但是对光照等噪声敏感, 其错检、漏检率较高.基于模型的方法是通过自回归模型和马尔科夫随机场模型[12], 判断织物的纹理是否符合此模型. 但是基于模型的方法实用性不强, 近几年对其研究较少.近年来随着深度学习技术的发展, 基于深度学习的方法在布匹疵点[13−14]以及其他各类缺陷[15−16]的检测中都取得了很好的效果. 同时也有大量的公开数据集[17−19], 为织物疵点检测技术的发展提供了数据上的支持. 基于学习的检测方法可分为候选区域的两阶段式和端到端的单阶段式, 其中候选区域的两阶段式检测方法有着很高的召回率, 广泛应用于包括布匹瑕疵在内的各类缺陷检测任务中. 基于区域卷积神经网络 (Region convolutional neural net-work, R-CNN)[20]的布匹瑕疵检测方法通过滑窗将高分辨的布匹图像裁剪成2 000余个48×48像素的图像块, 并将图像块作为输入, 以神经网络作为一个二元分类器判断输入的图像块是否存在瑕疵. 但是这种方法的计算开销大, 难以用于实时检测中.基于Fast R-CNN [21−22]的布匹瑕疵检测算法, 通过在高层的特征图中选取候选区域以提高效率. 但是无纺布的缺陷尺寸通常小于0.5 mm, 在经过卷积后的高层特征图中存在细节纹理信息丢失, 因此这种方法选取的候选区域容易遗漏缺陷区域.目前对于无纺布疵点检测的研究较少, 主要使用边缘检测与动态阈值相结合的经典机器视觉方法[23]. 这种方法有较高的检测效率, 但是精度和召回率都较低. 研究人员对于织物的疵点检测展开了大量研究, 基于深度神经网络的方法有效地提升了检测的召回率和精度, 但检测效率依然低下. 对于256×256像素的织物图像平均检测耗时达198 ms [24],无法满足无纺布的实时检测要求. 无纺布生产过程中, 布匹宽度大、传送速度快的特点会产生大量图像数据, 基于卷积神经网络的织物疵点检测方法难以满足无纺布检测的实时性. 因此, 目前已有的基于深度学习的织物检测方法无法直接应用于无纺布的实时检测中.综上所述, 基于传统机器视觉的检测方法计算开销大或难以适应噪声的干扰. 对于无纺布中尺寸微小的疵点, 目前基于神经网络的布匹检测方法难以平衡检测的召回率和效率. 本文提出了一种基于最大稳定极值区域分析和深度学习协同的无纺布瑕疵检测方法, 能够同时兼顾检测的精度与效率. 本文主要贡献如下:1) 提出了一种基于最大稳定极值区域和深度学习协同的无纺布瑕疵检测方法, 可用于无纺布生产过程的瑕疵实时检测.2) 通过最大稳定极值区域 (Maximally stable extremal regions, MSER)[25]算法提取候选区域的锚点中心. 在不降低分辨率和检测精度的情况下,有效地提高检测的效率.3) 设计了一种分布式无纺布疵点实时检测系统, 降低对计算能力与通信带宽的需求, 提高了系统运行的可靠性.1 瑕疵检测算法本文提出了一种基于最大稳定极值区域分析和深度学习协同的无纺布瑕疵检测方法, 并通过预检测和精确检测两级检测的方式保证精度与效率.图 1 无纺布生产过程中产生的瑕疵, 第1行为点状疵点,第2行为丝状瑕疵Fig. 1 Defects generated in the production process of non-woven fabrics. The dotted defects and filamentarydefects are shown in the first and second row584自 动 化 学 报47 卷1.1 候选区域生成本文使用的是两阶段的区域候选检测方案, 区域候选检测方案有着较高的召回率[26], 广泛用于各类缺陷检测中. 但是简单使用滑窗式的区域候选方法产生候选区域过多, 难以满足实时的检测要求.而在特征图中选取候选区域的方法, 会遗漏微小的无纺布疵点.τ如图1所示, 可以看到无纺布中的疵点通常与邻域的灰度值存在差异, 因此本文使用最大稳定极值区域(MSER)来选取候选区域. MSER 作为一种图像中斑点区域检测的方法, 常用于图像中文本区域检测的任务. 而无纺布通常为浅色, 疵点为深色,和文本与背景的关系相似. MSER 无需平滑处理即可快速地对多尺度目标进行检测, 提取无纺布中不同尺寸的疵点. MSER 的思路为: 通过一系列的阈值对灰度化的图像进行二值化操作, 并获取不同阈值条件下二值图像的联通区域. 分析各个联通区域的面积随阈值增长时的变化率, 如果联通区域能够在很宽的阈值范围内保持较小的面积变化率, 则为稳定区域. 其实施细节如算法1所示. MSER 可以有效地生成合格的疵点候选区域, 并且可以通过调整阈值 以满足对不同等级缺陷的定制检测要求.算法 1. 最大稳定极值区域算法I g ,τ∈R +. 输入. 灰度图像阈值 P.输出. 候选点坐标 t max =max (I g )t min =min (I g ),I s =O,t =t min +1.步骤 1. 求解灰度图像的最大值 与最小值 最大稳定区域初始化为 初始化阈值 t −1,t,t +1.t ∈{t min ,t min +1,t min +2,···,t max },I g B t −1=(I g <t −1)B t =(I g <t )B t +1=(I g <t +1) 步骤 2. 取阈值 其中 对灰度图像 进行阈值操作得到二值图像 , , .B t −1,B t ,B t +1{Q i t −1,Q i t ,Q i t +1|i =1,2,···,M }.步骤 3. 对 求联通域 Q i t −1,Q i t ,Q i t +1A i t −1,A i t ,A i t +1 步骤 4. 计算联通域 的面积 .|A i t +1−A i t −1|/|A i t |≤τ,I s =I s ∪Q i t .步骤 5. 如果联通区域随阈值的变化率 则此区域为稳定区域, 使 t <t max t 步骤 6. 如果 , 则 自增1, 重复步骤2 ~ 5.I s ,P.步骤 7. 得到最大稳定区域 对其求四邻域联通域,其联通域的质心坐标即为候选点坐标 MSER 可以产生有效且可控的候选点, 如图2所示. 通过MSER 算法提取了候选点后, 以候选点为中心提取48×48像素大小的矩形区域作为预检测模型和精确检测模型的输入.1.2 预检测模型当复卷机工作在高速模式时, 首先由预检测摄像头组获得图像数据, 经过MSER 算法提取候选区域, 预检测模型作为二元分类器判断候选区域中是否存在瑕疵. 为了防止池化操作丢失细节纹理信息而造成疵点的漏检, 模型中没有使用池化层来减少模型的参数, 以保证预检测过程的召回率.48×481×1,3×3,5×5预检测的模型结构如图3所示, 输入的 像素的图像经过 的卷积层得到3个特征图, 3种不同尺度的卷积核可以实现不同大小的感受野, 提高特征感知与整合能力. 将3个特征图拼接后作为稠密连接模块[27]的输入, 稠密连(a) 原图(b) τ = 20(c) τ = 30(d) τ = 40τ图 2 在不同阈值 时MSER 算法产生的候选区域, 图中点代表候选区域的中心τ,Fig. 2 In the candidate regions generated by the MSER algorithm at different thresholds the dots represent the center position of the candidate region3 期邓泽林等: 无纺布疵点实时检测技术与系统设计585[0,1]接模块中的每一层的输入来自之前所有层的输出,能够充分保留细节信息, 提高网络的特征感知能力.稠密连接模块能够加强特征图中特征的传递, 如在稠密连接模块的最后一层仍然保留输入图像的高分辨率信息. 这种连接方式可防止在多层卷积计算的过程中, 丢失无纺布图像细微的疵点语义信息. 稠密连接模块的输出与全连接层相连, 预测结果最后通过softmax 函数将输出映射至 .48×48预检测模型的输入为经过M S E R 提取的 像素大小的候选区域, 输出为此区域存在疵点的概率. 训练时使用二值交叉熵损失函数作为损失函数:x i ,y i f 1(·)其中, 表示训练数据的输入和标注, 表示预检测二元分类器.1.3 精确检测模型当预检测模型检测到当前无纺布存在缺陷时,主机控制机将复卷机的工作模式切换为低速. 在低速工作模式下, 精确检测摄像头组开始采集图像,并通过精确检测模型预测疵点的外接矩形框. 精确检测模型的结构示意图如图4所示.精确检测模型采用RetinaNet [28]目标检测模型相似的结构, 由特征金字塔部分和全连接部分组成.特征金字塔部分采用了特征金字塔结构[29], 特征金字塔由下采样和上采样两部分组成. 下采样通过一系列卷积和最大池化操作, 不断地提高特征图的语义信息维度并降低特征图分辨率. 上采样再通过卷积提高特征图的分辨率并降低语义信息维度. 连续的上采样和下采样操作, 生成了各个尺度的特征图.由于疵点属于微小的纹理特征, 为了防止在下采样和上采样恢复的过程中细节纹理信息的丢失, 通过侧枝结构将高分辨率的特征图与上采样的特征图进行合并. 合并后的特征图包含了更加丰富的语义信息, 并作为特征金字塔部分的输出. 特征金字塔部分输出的各个尺度的特征图与全连接层相连, 并在全连接层中进行多尺度语义特征信息融合, 精确定位疵点外接矩形.t x ,t y ,t w ,t h C B =[b x ,b y ,b w ,b h ]外接矩形预处理方式借鉴YOLOv3[30], 精确检测网络预测 四个系数和矩形中包含瑕疵的置信度 , 四个系数与外接矩形 之间的转换式如式(1)所示.p w ,p h (c x ,c y )t x ,t y σ(x )=11+e −xb x ,b y ,b w ,b h 其中, 为初始矩形的宽和高, 表示初始矩形的中心坐标. 为横纵坐标上的偏移量,并经过了sigmoid 函数 进行非线性压缩. 分别表示预测的外接矩形的中心的横纵坐标和矩形的宽高.为了初始化矩形框能够包含相应的疵点, 初始化矩形通常包含真实的矩形框. 在初始化矩形与真实矩形为包含关系时, IoU (Intersection over uni-on)损失函数[31]的输出为零. 故精确检测模型使用CIoU (Complete-IoU)[32]作为损失函数, 如式(2)所示. 与IoU 损失函数相比, CIoU 还考虑了两个矩形之间的中心点距离、长宽比. 因此CIoU 损失函数输入1×1卷积3×3卷积48×485×5卷积全连接层全连接层Softmax展平特征图融合稠密连接模块图 3 本文采用的预检测模型结构图. 输入疵点图像经过三个不同尺度的卷积后得到三个特征图, 特征图拼接后作为稠密连接模块的输入. 稠密连接模块输出与全连接层和softmax 层相连. 其中虚线矩形框出部分为展开稠密连接模块的具体形式Fig. 3 The structure diagram of the pre-detection mod-el used in this paper. The input defect image is convolved at three different scales to obtain three feature maps, and the feature maps are concatenated as the input of the de-nse block. The output of the dense block is connected to the fully connected layer and the softmax layer. Among them. The dashed rectangle outlines the specific form ofthe dense blockt x , t y , t w , t h , C全连接输出输入t x ,t y ,t w ,t h C 图 4 本文采用的精确检测模型. 其中 分别表示检测矩形框的横坐标、纵坐标、宽度与高度, 表示疵点检测置信度t x ,t y ,t w ,t h C Fig. 4 The precise detection model used in this paper. are the abscissa, ordinate, width and height of the detection rectangle, and is the confidence of de-fect detection586自 动 化 学 报47 卷在两个矩形框为包含关系时模型依然能够很好地收敛.其中,b,ˆb w,h,ˆw,ˆhB,ˆB B =(x,y,w,h ),ˆB =(ˆx ,ˆy ,ˆw,ˆh).ρ(·)c v a 其中, 表示预测的矩形和标注的矩形的中心,为预测矩形和标注矩形的宽高. 为预测的矩形区域和标注的矩形区域, 其中表示欧氏距离公式,是覆盖两个框的最小封闭框的对角线长度.是用于衡量长宽比的一致性的参数, 是一个正的权衡参数, 其具体定义为T,精确检测模型预测的外接矩形框之间存在着较大的重合, 还需通过非极大值抑制(Non-maxim-um suppression, NMS)算法进行后处理才可得到最终的预测结果, 如图5所示. 不断计算置信度缺陷最大的矩形与其余矩形的IoU, 如果IoU 值大于设定的阈值 则认为是非极大值并去除. 非极大值抑制算法细节如算法2所示.(c) NMS 算法处理效果图(b) 网络预测效果图(a) 原图图 5 NMS 算法处理效果图Fig. 5 NMS algorithm processing effect diagram. (a) is the original image; (b) is the network prediction effect diagram, the network prediction rectangle is drawn with a red rectangle; and (c) is the effect diagram processed bythe NMS algorithm.算法 2. 非极大值抑制算法n B ={B i |i =0,1,···,n }C ={C i |i =0,1,···,n }IoU T ∈(0,1) 输入. 模型预测输出 个外接矩形集 , 及其属于疵点的置信度集合 , 的阈值 .M . 输出. 极大外接矩形集合 M =∅.步骤 1. 极大外接矩形框集合 C C m , 步骤 2. 求解疵点置信度集合 中的最大值 及其B m .对应的外接矩形 B m M ←M ∪B m ,B m C m B ←B −B m ,C ←C −C m .步骤 3. 将 存入极大外接矩形集合中 并将 和 从集合中剔除 B i ∈M B m IoU,IoU i .步骤 4. 计算矩形框集合中元素 与 之间的 记为 IoU i >T,B m ,C m B ←B −B m ,C ←C −C m .步骤 5. 如果 则将 从集合中剔除B =∅C =∅, 步骤 6. 如果 且 则重复步骤2 ~ 5.M .步骤 7. 返回极大外接矩形集合 本文所提出算法的整体思路与具体流程如图6所示.2 实时检测系统设计2.1 整体设计无纺布的疵点实时检测系统主要由复卷机、高速工业摄像头、工业控制机集群以及系统控制软件组成. 本文设计的系统整体结构如图7所示, 生产过程中的无纺布比较松软, 需要通过复卷机进行切边、分切以及接头等操作, 达到一定规格、张力要求才能出厂. 系统通过在复卷机上加装工业摄像头来实时采集无纺布图像. 生产的无纺布在传动滚轴带动下, 无纺布依次通过摄像头的视野范围. 布匹在复卷机上进行疵点检测过程中, 当检测到疵点时复卷机停止运转, 由于惯性会在停止后向前继续滚动滑出清除面板. 为了解决这个问题, 本系统将复卷机的工作分为高速和低速两种模式, 并通过主机控制机切换复卷机的工作模式. 高速工作模式的无纺布传送速度为30 m/min, 低速时为3 m/min, 在低速模式下布匹缓冲距离较小.由于视频流数据量巨大, 单个千兆网口只能负担两路视频流. 系统通过工业控制机集群分布式处理工业摄像头采集的无纺布视频流数据, 每台工控机负责采集两路视频流并通过交换机获取当前运行状态与上传检测结果.本文采用两个摄像头组的两级检测方式, 两级检测使用两个结构不同的模型, 能够在保证检测效率的情况下精确地检测无纺布中的疵点. 通过预检测摄像头组和精确检测摄像头组协同工作, 两个摄像头之间安装两个存在一定间距. 当预检测摄像头组检测到缺陷时, 主机控制机将复卷机调为低速模式. 在低速工作模式下, 精确检测摄像头组开始获取图像, 并检测无纺布图像中的缺陷. 预检测模型使用较简单的结构提高检测的速率, 并且要求预检测模型有着较高的召回率. 精确检测由于工作在低速传送的模式下, 对检测的效率要求较低. 故模型设计上可使用较为复杂的模型结构, 以提高检测精3 期邓泽林等: 无纺布疵点实时检测技术与系统设计587度. 同时在模型的功能设计上, 由于预检测模型为二元分类器来判断是否存在瑕疵. 而精确检测模型除了要对缺陷进行分类外, 还需要预测出瑕疵的外接矩形框.2.2 分布式设计无纺布宽较大, 通常接近3 m, 单一摄像头视野难以覆盖. 本系统通过16个工业高速摄像头呈两排布局来获取完整的无纺布图像. 本系统使用的工业高速摄像头的分辨率为500万像素, 采集帧率为10赫兹. 由于视频流数据量巨大, 单个千兆网口只能负担两路视频流. 本系统通过工业控制机集群分布式处理工业摄像头采集的无纺布视频流数据,每台工控机负责采集两路视频流并通过交换机获取当前运行状态与上传检测结果, 具体如图8所示.水刺无纺布图像MSER 获取区域候选Softmax稠密连接模块48×481×1卷积3×3卷积5×5卷积×7高速摄像头组预检测模型×7低速摄像头组精确检测模型Y复卷机切换至高速工作输入t x 1, t y 1, t w 1, t h 1, 1全连接全连接层展平特征图融合输入全连接层输出高速工作模式低速工作模式复卷机切换至低速工作存在瑕疵无瑕症缺陷检测长时间未检测到缺陷N图 6 无纺布疵点检测算法流程图Fig. 6 Flow chart of non-woven fabric defect detection algorithm(I)(II)(a) 设计示意图(a) The design schematic diagram (b) 现场实物图(b) The real machine图 7 无纺布疵点检测系统总体组成. (I) 代表工业控制机集群, (II) 代表高速工业摄 像头, 摄像头发出的光线代表摄像头的视野. 下方的摄像头组用于预检测, 上方的摄像头组用于精确检测Fig. 7 The overall composition of the non-woven defect detection system. In the design diagram (I) represents theindustrial control machine cluster, (II) represents the high-peed industrial camera, and the light from thecamera represents the camera's field of view. The lower camera group is used for pre-detection,and the upper camera group is used for precise detection588自 动 化 学 报47 卷系统将16个摄像头分为预检测和精确检测两组, 每组8个摄像头. 每组摄像头的视频流数据由4个从机处理器负责, 每个从机处理器处理两个相邻摄像头产生的视频流数据. 两个摄像头与一个从机工业控制机组成一个子网, 从机控制机的计算能力能够实时地处理两个摄像头采集的视频流数据.同时, 系统采用的千兆以太网也能在子网中流畅地传输两个摄像头视频流数据. 在从机处理器中使用本文的疵点检测算法进行处理, 并将检测的疵点结果和降分辨率的视频流数据通过以太网发送给主机控制机. 主机控制机根据各个从机的检测结果, 给复卷机发送相应的控制指令从而控制整个瑕疵检测流程. 系统采用控制功能分散、显示操作集中、兼顾分而自治和综合协调的设计原则[33], 有效地提高了系统运行的可靠性.2.3 软件设计为了实现更好的数据采集与人工交互方式, 本系统还配套开发了疵点实时检测系统的终端软件,如图9所示. 软件主要用于控制复卷机的启动、停止等上层逻辑操作、数据集的手工标注, 以及从机控制机识别结果的实时显示. 软件的具体功描述如下:1) 无纺布数据采集的标注功能. 软件可控制复卷机进入低速模式, 同时从机控制机不执行检测功能, 直接将采集到的视频流数据转发至主机控制机.软件从视频流数据中提取图像帧, 存储为未标注的数据集. 通过软件对无纺布数据集进行交互式标注,支持不同类型的疵点使用不同的标注进行区分.2) 控制复卷机的工作. 软件设计了相应的人机交互接口, 通过软件可以显示目前复卷机的工作状态. 同时, 也可控制复卷机的停止、工作, 以及高速和低速工作模式之间的切换.3) 各个从机控制机疵点检测的集中显示功能.从机控制机对其负责的两个摄像头的视频流数据进行疵点检测, 将检测结果和降低分辨率的视频流传输给主机控制机. 主机控制机可将检测结果进行集中显示, 将检测到的疵点通过矩形框出, 并统计瑕疵的数目、面积作为无纺布生产质量的定量指标.3 实验1×10−41×10−6本文的所有程序均在Intel Xeon E3 1 230-v3@3.4 GHz, Nvidia GTX 1 080, 32 GB RAM,Ubuntu 16.04中进行. 使用Pytorch 框架进行训练, 开始的50个epoch 的学习率是 , 在接下来的50个epoch 学习率线性下降到 .3.1 实施细节在复卷机上加装的高速工业摄像头组获取无纺布图像数据, 通过NMS 算法选取候选区域后, 手工标注疵点并构成对应的数据集. 数据集共包含无纺布图像2 000幅, 其中的80%用于训练, 20%用于测试. 通过添加高斯噪声、随机裁剪和马赛克等方式进行数据增强. 训练时的相关超参数配置如表1所示.系统中所使用工业摄像头、工业控制器和交换机的硬件相关参数如表2所示.本文采用精度和召回率来评估无纺布疵点检测结果. 精度P 和召回率R 的计算式为其中, TP , FP , FN 分别表示真正例、假正例和真反例.高速摄像头组×8复卷机交换机低速摄像头组×8从机1从机2从机4从机5从机6从机8控制主控制器图 8 系统分布式设计结构Fig. 8 System distributed design structure停止停止启动低速高速23020200000000图 9 疵点检测系统终端软件Fig. 9 Defect detection system terminal software3 期邓泽林等: 无纺布疵点实时检测技术与系统设计589。
基于遗传算法优化神经网络的织物疵点检测方法与设计方案
基于遗传算法优化神经网络的织物疵点检测方法与设计方案织物疵点检测是纺织行业中一项非常重要的任务，它能够帮助排查和处理织物上的疵点，提高生产效率和织物质量。
然而，由于织物图像数据庞大且多变，传统的算法往往无法准确检测和分类织物疵点。
因此，利用神经网络结合遗传算法优化的方法来进行织物疵点检测具有重要意义。
首先，我们需要构建一个适合织物疵点检测的神经网络模型。
可以采用卷积神经网络（CNN）或者更先进的网络结构，如深度残差网络（ResNet）或注意力机制网络（Attention Network）。
通过将织物图像输入到神经网络中，可以提取出图像中的特征，并将其分类为正常区域和疵点区域。
然而，神经网络的性能往往依赖于其超参数的选择，例如卷积核尺寸、网络层数、学习率等。
为了找到最优的超参数组合，我们可以使用遗传算法进行优化。
遗传算法是一种模拟自然进化过程的优化算法，它通过对候选解的适应度评估、选择、交叉和变异等操作，来最优解。
具体来说，我们可以将遗传算法应用于神经网络的超参数优化过程中，以提高织物疵点检测的准确性和鲁棒性。
首先，我们可以定义神经网络的超参数空间，将每个超参数表示为遗传算法中的一个基因。
然后，通过初始化一组基因表示一个神经网络模型，并使用遗传算法进行进化迭代，以找到最优的基因组合。
在每一代遗传算法中，我们可以定义适应度函数来评估每个神经网络模型的性能。
适应度函数可以是织物疵点检测的准确率、召回率等指标，也可以是模型的损失函数。
然后，根据适应度函数的评估结果，选择一些优秀的网络模型作为父代，并进行交叉和变异操作，生成下一代网络模型。
通过多次迭代，我们可以逐步优化神经网络模型，找到最佳的超参数组合。
尽管遗传算法可以有效地超参数空间，但其计算成本较高。
为了加快遗传算法的运行速度，可以采用并行计算和多种优化策略，如精英选择、变异强度控制等。
总之，利用遗传算法优化神经网络的织物疵点检测方法具有较高的应用价值。
基于图像处理的织物疵点检测算法综述
基于图像处理的织物疵点检测算法综述刘小敏;刘国高;宗国华;张卓;张学武;刘宇兴【摘要】Fabric defect detection,widely used in the vision detection field,plays an essential role to ensure the quality of products in the textile manufacturing industry.At present,there are still a lot of problems in the detection methods.Such criteria as detection accuracy,versatility and instantaneity are utilized to assess and compare the detection algorithms in recent years,which can be broadly divided into pattern -based detection and non -pattern -based detection.Non -pattern -based approaches are conventional,while pattern -based approaches are relatively complex.The algorithms,including the statistical algorithm,spectral algorithm,model -based algorithm and pattern -based one,are presented to analyze its advantage and disadvantage,and make in -depth comparison between them.At last,a summary is made for the challenge on the detection technologies and the future research.%织物表面疵点的检测在视觉检测领域应用十分广泛，对纺织品制造业中产品质量的监控具有重要的现实意义。
塑料薄膜疵点实时检测系统的设计与实现
塑料薄膜疵点实时检测系统的设计与实现表面疵点是影响塑料薄膜品质的主要因素。
传统的塑料制品生产流程中，疵点检测由人工完成，这种方法存在着检测速度有限、检测精度不高、损害工人视力等较大弊端。
构建基于工控机的疵点图像自动检测系统，将为塑料薄膜生产行业提供更高的科技依托。
目前大多数疵点检测系统仅是单纯地使用软件方式，即利用纹理匹配等算法实现对带有花纹图案的待检物的检测，而这种完全依靠软件技术的检测手段并不适用于透明无纹理的薄膜制品。
对于塑料薄膜这一类透明、无规律花纹特征的产品，图像采集与检测处理过程需要结合生产线的运动控制技术，才能保证检测图像的实时性。
特别是在采用线阵CCD作为图像采集器件的系统中，运动模块与采集模块的协调性更为重要。
另一方面，塑料薄膜具有待检幅面宽、疵点小的特点，因此，系统构建中需解决高分辨率和宽视场、大数据量和实时检测之间的双重矛盾，这对图像采集方式和检测处理方法提出了挑战。
1.引言塑料薄膜制品是用量最大的包装材料之一，它具有无毒、质轻、美观、成本低的特点，广泛应用于生活节奏日益加快的现代社会。
在塑料薄膜的生产体系中,表面疵点的检验至关重要，薄膜表面有无疵点、疵点的大小以及疵点多少是影响薄膜最终的产品品质的主要因素。
在传统的工业生产流程中,疵点检测一般由人工完成，人工检测方法存在着很多弊端，而当应用到塑料薄膜这一特定产品时,就更加困难了：首先，人工检测严重降低了工艺流程的自动化程度,肉眼检测速度非常有限，一般只在15~20米/分左右，且在幅度较宽!传送速度和检测精度都要求较高的场合难以实现。
其次,塑料薄膜透明!反光!无花纹等特殊性质导致人工检测经常会产生误检和漏检,即使最熟练的工人也只能发现部分较明显的疵点。
最后,疵点检测对工人来说是一个繁重乏味的体力劳动,而且极大地伤害了工人的视力。
因此,塑料薄膜生产行业急需发展实用!快速!检测率高的疵点自动检测系统来代替人工检验工作,以提高产品质量和竞争力,同时降低人力资源损耗。
织物疵点特征提取主要算法比较
ｖ ｌｄｔ ａｉ ｉ ｙ，ｉ ｅ ｔｆ ｂ ｅ ｔｐ ｓ ｐ ｒｂ ｅ， ｄ ｓｉ ｇ ｉｈ ｎ ｆ ｃｓ ａ ｅ ａｓ ｅ ｅ ｔｄ． ｄ ｎ ｉ ａ ｌ ｙ ｅ ，ｏ ｅ ａ ｌ ｉ ｉｔｎ ｕｓ ｉ ｇ ｅ ｆ ｔ ｒ ｌｏ ｐｒ ｓ ｎ ｅ ｅ Ｋ ｅ ｒ ｓ：ａ ｒｃ；ｄｅｅ ｔ ｅ ｔ ｒ ； ｅ ｔａ ｔ ａｇ ｒｔ ｍ ； ｃ ｍ ｐ ｒｓ ｎ ｙ ｗｏ ｄ ｆ ｂ ｉ ｆｃ ；ｆ ａｕ ｅ ｘ ｒ ｃ ； ｌ ｏｉｈ ｏ ａ ｉｏ
Ｌ ｎ， Ｌ Ｕ Ｚ ｅ ＩＤａ Ｉ ｈ
（ ｈｎ ｙ ａ ｎ ｅｓｙｏ ｅｈ ｏ ｇ ， ｈ ｎｚｏ ５ ０ ７ Ｃ ｉａ Ｚ ｏｇｕ ｎＵ ｉ ｒｉ ｆ ｃ ｎｌ ｙ Ｚ ｅ ｇｈ ｕ４ ０ ０ ， ｈｎ ） ｖ ｔ Ｔ ｏ
(完整word)疵点检测系统中疵点检测算法
疵点检测系统中疵点检测算法1引言在氟塑料薄膜生产中，薄膜上会出现一些缺陷，称为表面疵点.产生表面疵点有多种原因，比如设备的性能不良、人为操作不当！生产原料在传送过程中被意外污染等。
在氟塑料薄膜生产过程中,要经过较多的工序，且每个工序都可能产生一些影响，从而产生疵点。
表面疵点会严重地影响塑料薄膜的质量和品质,致使产品的残次品率增加、疵点检测的目的就是在产品生产过程中及时发现这些疵点，通过修复和预防,尽可能降低由疵点导致的产品质量下降，有时也同时完成疵点的分类。
由于疵点种类众多,要找出一种能检验出所有疵点的通用模式识别算法的可能性不大.为了便于本文的讨论，根据氟塑料薄膜表面疵点的特征，并结合常见的疵点类型，将薄膜表面疵点种类简单地划分有机物污染、金属斑点、孔洞三类疵点。
2常见的疵点检测算法基于机器视觉的疵点检测技术的核心内容是对采集的图像进行分析，将疵点从背景中分离出来”疵点检测的图像分析算法一般有两类"一类是直接对图像的灰度值在空间域进行分析和计算;另一类是通过傅立叶变换!小波变换等算法,先把图像转换到频域,再进行分析和计算畔。
2.1在空间域的疵点检测算法在空间域进行疵点检测的常用算法中包括灰度匹配法!数学形态法、灰度统计量法、纹理结构模型法.(1)灰度匹配法：它一般通过将待测产品与无疵点样品进行灰度比较，求出两者灰度的一种度量差，再与设定闽值比较，对待测图像做出判断。
这种方法比较简洁，检测速度比较快,适合实时处理。
但对图像的质量要求较高，易受噪声的影研句.(2)数学形态法：该算法首先根据标准无疵点图像的自相关函数计算产品的基本重复单元；然后计算有疵点产品图像像素点的灰度均值及标准差,并根据它们确定产品图像疵点区域与无疵点区域的判别闭值。
由己知的无疵点的产品图像得到结构元素。
实际检测时，首先将待检产品图像的像素点与该阂值进行逐点比较,对图像进行二值化,然后通过数学形态处理来判断待检产品是否带有疵点并根据疵点的形状确定疵点的类别.这种方法能够判断具体疵点的类别,但由于它要对像素点进行逐点二值化，因而受噪声的影响大，容易引起错误检测。
基于上下文信息的多尺度特征融合织物疵点检测算法
基于上下文信息的多尺度特征融合织物疵点检测算法在纺织工业的庞大生产线上，疵点的检测犹如大海捞针，既复杂又耗时。
然而，随着科技的飞速发展，一种名为“基于上下文信息的多尺度特征融合织物疵点检测算法”的技术应运而生，它就像是纺织界的“侦探”，专门负责揭露隐藏在织物深处的瑕疵。
这项技术的核心在于其独特的“多尺度特征融合”能力。
想象一下，你正在用放大镜观察一幅画，从整体到局部，从轮廓到细节，你的眼睛不断调整焦距，以捕捉画面的每一个角落。
同样，这种算法也能在不同的尺度上扫描织物，无论是大片的色差还是微小的线头，都逃不过它的“法眼”。
而且，这位“侦探”还拥有一项绝技——“上下文信息分析”。
在传统的疵点检测中，算法往往只关注单一的像素或区域，而忽略了周围环境的影响。
但在我们的生活中，判断一个事物是否异常，往往需要结合周围的情境。
这种算法正是借鉴了这一原理，通过分析疵点周围的纹理、颜色等上下文信息，来判断其是否真正属于疵点。
那么，这位“侦探”是如何工作的呢？首先，它会对输入的织物图像进行预处理，去噪、增强对比度等操作，为后续的检测打下良好基础。
接着，它会在多个尺度上提取织物的特征，包括纹理、颜色、形状等。
这些特征就像是“侦探”手中的线索，帮助它逐步锁定目标。
然后，利用深度学习等先进技术对这些特征进行融合和分析，最终得出是否存在疵点以及疵点的具体位置。
值得一提的是，这种算法还具有很强的适应性和扩展性。
无论面对的是棉布、丝绸还是化纤等不同材质的织物，它都能从容应对。
同时，随着技术的不断进步和数据的积累，它的检测精度和速度也将得到进一步提升。
当然，任何技术都不是完美的。
这种算法虽然在织物疵点检测领域取得了显著成果，但仍面临着计算资源消耗大、实时性有待提高等挑战。
但我相信，在科研人员的不懈努力下，这些问题终将得到解决。
总的来说，“基于上下文信息的多尺度特征融合织物疵点检测算法”就像是纺织界的一位智慧“侦探”，以其敏锐的洞察力和强大的分析能力，为纺织工业的质量控制带来了革命性的突破。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
疵点检测系统中疵点检测算法1引言在氟塑料薄膜生产中，薄膜上会出现一些缺陷，称为表面疵点。
产生表面疵点有多种原因，比如设备的性能不良、人为操作不当!生产原料在传送过程中被意外污染等。
在氟塑料薄膜生产过程中，要经过较多的工序，且每个工序都可能产生一些影响，从而产生疵点。
表面疵点会严重地影响塑料薄膜的质量和品质，致使产品的残次品率增加、疵点检测的目的就是在产品生产过程中及时发现这些疵点，通过修复和预防，尽可能降低由疵点导致的产品质量下降，有时也同时完成疵点的分类。
由于疵点种类众多，要找出一种能检验出所有疵点的通用模式识别算法的可能性不大。
为了便于本文的讨论，根据氟塑料薄膜表面疵点的特征，并结合常见的疵点类型，将薄膜表面疵点种类简单地划分有机物污染、金属斑点、孔洞三类疵点。
2常见的疵点检测算法基于机器视觉的疵点检测技术的核心内容是对采集的图像进行分析,将疵点从背景中分离出来"疵点检测的图像分析算法一般有两类"一类是直接对图像的灰度值在空间域进行分析和计算;另一类是通过傅立叶变换!小波变换等算法,先把图像转换到频域,再进行分析和计算畔。
2.1在空间域的疵点检测算法在空间域进行疵点检测的常用算法中包括灰度匹配法!数学形态法、灰度统计量法、纹理结构模型法。
（1）灰度匹配法：它一般通过将待测产品与无疵点样品进行灰度比较，求出两者灰度的一种度量差,再与设定闽值比较，对待测图像做出判断。
这种方法比较简洁，检测速度比较快，适合实时处理。
但对图像的质量要求较高,易受噪声的影研句。
（2）数学形态法：该算法首先根据标准无疵点图像的自相关函数计算产品的基本重复单元；然后计算有疵点产品图像像素点的灰度均值及标准差，并根据它们确定产品图像疵点区域与无疵点区域的判别闭值。
由己知的无疵点的产品图像得到结构元素。
实际检测时，首先将待检产品图像的像素点与该阂值进行逐点比较，对图像进行二值化,然后通过数学形态处理来判断待检产品是否带有疵点并根据疵点的形状确定疵点的类别。
这种方法能够判断具体疵点的类别，但由于它要对像素点进行逐点二值化，因而受噪声的影响大，容易引起错误检测。
其次，因为这种检测方法的计算步骤多，所以处理速度较慢。
（3）灰度统计量法：这种算法与形态法有些相似，首先根据标准无疵点产品图像的自相关函数计算产品的基本重复单元。
然后以基本重复单元为标准窗口大小，计算无疵点产品图像中每幅窗口像素点的平均灰度，并求出这些平均灰度的均值和标准差，并根据公式来确定无疵点窗口和有疵点窗口的判别闭值。
这种方法的关键在于选择标准窗口的大小。
窗口选择太大，虽然能降低窗口平均灰度的标准差，但是疵点对窗口平均灰度的影响相对减弱，从而造成漏检；另一方面，如果窗口选择偏小，标准差将会增加而使判别闭值范围很大，会引起误检。
（4）纹理结构模型法：通过提取正常纹理中少量特征参数，建立相应的纹理模型，通过分析待检测图像找到异常信息来断定疵点是否存在。
首先根据无疵点样品的图像估计该随机场模型参数，并以此为匹配模板。
在实际检测时，将待检测图像的模型参数与模板进行对比，通过统计假设法对待检图像做出判断。
该方法的最大优点在于采用较少的随机场模型参数表示一幅产品图像，同时又因为其模型参数的估计算法的效率高，从而减少了图像分析的总体计算量。
其次由于该方法从图像时域信号统计的角度出发，它对疵点的检测不受疵点类别的限制。
这种方法的不足在于仅仅通过随机场模型并不能最大限度地降低图像分析的计算复杂度和提高图像处理的速度，因而还不能实现疵点的快速自动检测。
这种方法比较容易从整体上检测出有无疵点，但是难于精确地进行疵点分类。
2.2在频域的疵点检测算法在频域进行疵点检测的常用算法中包括基于傅立叶变换的算法,基于小波变换的算法。
(l)基于傅立叶变换的算法(a)基于傅立叶变换的检测算法由于纹理信号的重复性使基于傅立叶变换的方法较适于采用频谱方法进行分析。
但由于基于傅立叶变换的检测方法缺乏空间域中的定位能力。
因此只适合于检测全局疵点，而不适合检测局部疵点。
(b)基于Short-time傅立叶变换的检测算法通过傅立叶变换可以获取信号所含的频率信息，但是并不知道这些频率信息出现在那个时间段上。
基于Short-time傅立叶变换的检测方法较好地解决了这个问题。
它可以描述某一局部时间段上的频率信息，能反映出一个信号在任意局部范围的频率信息。
为了适应不同问题的需要，人们构造了多种形式的窗口函数，如常用的矩形窗、汉明窗等。
这种方法具有空间域定位能力，具有空频域结合分析能力。
它的缺点是对闭值的选取很敏感,误检率较高，并且计算量很大。
(2)基于小波变换的算法小波在疵点检测中也具有较多的应用"小波滤波器系数和待检产品图像构成二次代价函数,再加上小波滤波器系数的正交约束条件构成一个二次函数"把疵点图像经该滤波器滤波,二值化后疵点的位置有明显的峰值"当滤波器系数个数同纹理重复单元的像素个数相等时,则说明疵点对自适应小波的反应最敏感"该算法一般情况下对疵点图像作小波分解并对小波分解的纬向!经向输出进行检测"该算法具有多分辨率的特点,以及在时频两域表征信号局部特征的能力,非常适合检测信号的奇异点,有利于疵点正确定位"小波变换则由于其检测畸变信号的优良特性,使之成为傅立叶变换之后在信号检测中最具发展前途的研究工具之一"这些频域算法计算时一般较复杂,实时性较差,同一算法对不同类型疵点的适应性差,因而距实际应用尚有一定距离"由于疵点具有种类多样性和形态复杂性等特点，使得此方向的研究还有待于开发出简单易行的高效算法。
本文综合考虑上述各类算法的优缺点，结合氟塑料薄膜背景色单一的自身特点，采用基于灰度匹配的疵点检测快速算法。
因此，下一节将结合本文北京,讨论三种常见的基于灰度的疵点检测算法。
从中得到适合本文的基于灰度匹配的疵点检测快速算法。
3三种常见的基于灰度的检测算法通过对以往研究的总结和对实际薄膜图像的分析可知，薄膜图像在灰度上呈现一定规律变化，具有一定的连续性和相关性，是一个灰度渐变的过程。
而疵点则被认为是这种灰度连续性的破坏，即在疵点处出现与周围灰度的突变。
由此可见，对疵点的检测过程其实就是一个薄膜图像的灰度分析的过程。
氟塑料薄膜疵点的种类较多,并且这些疵点大小不一，形态各异，造成这些疵点的原因也大相径庭。
因此，目前要找到一种能检验出所有疵点的通用模式识别算法不太现实。
因此可以将疵点的类型分为有机物污染、金属斑点、孔洞三类常见疵点。
需要说明的是疵点的种类较多,以上分类只是包含了较常见的种类。
三种常见的基于灰度的疵点检测算法分别是直接闭值分割法,多次闭值分割法,标准模板匹配法。
下面以本实验所采集的疵点图像进行实验和比较。
图1 采集的疵点图像（1）直接阐值分割法：对灰化后的图像直接选取闽值进行闽值分割,滤波,可以检测出疵点"此方法很难直接得到准确的闭值,需要依靠经验;而且对图像的质量要求较高,易受噪声的影响"（2）多次闭值分割法：本实验中对灰化后的图像直接用150进行阂值分割，可以检测出金属斑点,如图2所示。
由于剩下的孔洞和有机物污染差别较小，所以要进行直方图均衡化把灰度差值拉大。
对直方图均衡化后的图像用35进行闭值分割，可以检测出孔洞。
然而由于原图像中存在灰度值较低的金属斑点，直接进行直方图均衡化，效果必然不够明显,因此这里的均衡化仅对金属斑点以外的像素进行操作，如图3所示。
为了去除由于直方图均衡化带来的噪点，达到良好的效果,这里选用了3X3模板的中值滤波器进行滤波,如图4所示。
再对图像进行直方图均衡化吧灰度差值拉大，对直方图均衡化的图像用110进行阈值分割，如图5所示，由于有机物污染一般面积较大，故选取9*9领域的中值滤波进行去噪，如图6所示。
其中，三次所选用的阈值是基于不同的领域。
阈值150是直接原图像上的灰度值，阈值35是经过一次直方图均衡化新图像上的灰度值，110是经过两次直方图均衡化后新图像上的灰度值。
图2 阈值分割图3 直方图均衡化后的阈值分割图4 对图3进行中值滤波图5 直方图均衡化后的阈值分割图6 对图5进行中值滤波（3）标准模板匹配法：对图像灰化后,选取没有疵点的一行为模板。
现选取第一行为模板。
从第二行起，其它各行对应位上像素的灰度值分别与第一行相减，此时构造一个与原图像大小相同的矩阵，各对应位上分别存放一次差分后的差值,这样形成一个一次差分矩阵。
再分别用闽值100，25，10检测到金属斑点、孔洞、有机物污染,如7至图9所示。
图7 一次差分后阈值分割（100）图8一次差分后阈值分割（25）图9 一次差分后阈值分割三种算法分别从以下几个方面加以比较:(l)在程序执行时间上直接闭值分割法所用时间最少；多次阈值分割法在检测孔洞和有机物污染之前要先分别做一次直方图均衡化，再进行闭值分割，所以所用时间最多；标准模板匹配法先做一次差分，然后再用闭值分割，所以时间折中。
(2)在系统抗干扰性上由于实际生产的现场比试验室情况复杂，存在各种干扰。
所以对于同一疵点的检测，闭值可调范围越大，则说明此种方法抗干扰性强。
直接闭值分割法很难直接得到准确的闲值，需要依靠经验；而且对图像的质量要求较高，易受噪声的影响，所以闭值可调范围最小。
多次阂值分割法中金属斑点的可调范围是140~200，孔洞的可调范围是25~40，有机物污染的可调范围是90~180。
标准模板匹配法中金属斑点的可调范围是60~120,孔洞的可调范围是21~28,有机物污染的可调范围是8~14。
所以，多次阈值分割法对三种疵点的闭值可调范围最大，标准模板匹配法次之,直接闭值分割法最小。
即在抗干扰性上，多次闭值分割法最强，标准模板匹配法折中。
直接闭值分割法最差，(3)在所需的存储空间上直接闭值分割法是对灰化后的图像直接闭值分割，所以所需的存储空间最小；多次闭值分割法需要存储两幅直方图均衡化后的图像（检测孔洞和有机物污染时需要），然后再去闭值分割，所以所需的存储空间最多;标准模板匹配法要保留一幅一次差分后的图像,所以所需的存储空间折中"(4)在所需人工参与上由于各方法所包含的处理过程不同,而导致所需人工参与的多少不同。
直接阈值分割法中包含的处理过程最少，方法简单，调节范围小，当外界环境变化时，需要的人工参与最多;多次闭值分割法中包含的处理过程最多，调节范围大，能适应复杂的工况环境，需要的人工参与最少；标准模板匹配法中包含的处理过程数目折中,需要的人工参与也折中。
表1三种常见的基于灰度的检测算法性能比较直接阈值分割法多次阈值分割法标准模板匹配法运行时间最少最多折中抗干扰性最差最强折中所需储存空间最小最多折中所需人工参与最多最少折中优点速度快，处理过程简单，所需存储空间小抗干扰性强，所需人工参与少各性能指标折中缺点抗干扰性差；阈值需依靠经验；阈值稍有变化可能导致漏检速度慢，所需占用的存储空间大各性能指标折中通过三种常见的基于灰度的检测算法的对比，并结合课题的需求，本实验中选择标准模板匹配法和多次闭值分割法分别作为粗检测和细检测的核心方法。