CN103234976B - 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 - Google Patents

Abstract

本发明提供了一种经编机布匹瑕疵在线视觉检测方法，包括Gabor变换、特征提取和瑕疵识别，可以实现经编机布匹实时监控以及瑕疵停机；改进了传统Gabor多尺度分解融合用于瑕疵检测领域数据计算量大、信息冗余的缺点；自动找寻纹理基元周期使得系统可以自动分割窗口用于特征提取，避免了不同对象手动窗口大小输入的不精确性；离线检测算法在离线数据指引下实现快速Gabor变换、快速特征提取和瑕疵识别，完全可以满足经编机布匹瑕疵在线检测实时性高、准确性高的要求。

Description

基于Gabor变换的经编机布匹瑕疵在线视觉检测方法

技术领域

本发明涉及利用机器视觉进行经编机瑕疵在线检测领域，具体是指一种应用于工业现场的、高实时性要求的经编机布匹在织布过程中出现瑕疵及时停机的图像处理方法。

背景技术

国际上对于质量检测方法的要求与日俱增，纺织品作为人们日常生活中的必需品，其质量好坏直接影响人们的生活质量。纺织品的质量体现在可靠性、美观性、安全性和使用寿命等方面，质量高的纺织品，更能满足消费者和社会的需求，从而也提升该纺织品的价值。所以在纺织行业中，对于生产厂家而言，如何保证纺织品的质量是非常关键的一个环节。经编机织布过程中由于机械故障或者操作错误等原因，生成出来的布匹经常或多或少存在一些问题，但这些问题的存在影响了纺织品的质量。

随着经编机的发展，经编机速度的提升一直深受织物瑕疵检测水平的影响。传统的人工检测技术成本高、速度慢且人眼长期工作容易疲惫造成误检，这样织物瑕疵自动检测技术应运而生，并逐步成为制约纺织水平的一个亟待解决问题。国外有成功研发出布匹瑕疵在线检测系统，但是引进价格昂贵；突破国外技术封锁，快速开发出国内拥有自主知识产权的经编机在线检测系统就显得尤为重要。

发明内容

经编机布匹瑕疵在线检测多是人工检测，经编机出布口跳动频率高，且人不可能长时间集中精力出现视觉疲劳，往往出现断经线后长时间未发现，瑕疵区域随之增大。

本发明目的在于提供一种针对经编机布匹瑕疵在线视觉检测方案，可以适应工业现场高实时性、高准确率的要求。

本发明的技术方案如下：

基于Gabor变换的经编机布匹在线瑕疵检测方法，包括以下步骤：

优选实施例，离线过程：

(1)实时获取经编机无瑕疵布匹图像，在经编机出布口约5cm处调整相机光圈、焦距等参数，拍摄图片，实时获取经编机图像序列。

(2)对获取的无瑕疵布匹图像预处理，通过高斯滤波去除图像干扰点；通过直方图均衡化拉伸图像，增强对比度，凸显图像纹理。

(3)布匹图像纹理基元周期自动找寻，通过构建图像自相关函数求取径向和纵向自相关系数，自动找寻纹理基元周期。

(4)Gabor滤波器构造，针对布匹纹理图像瑕疵均是纵向或是径向的特点，构造四尺度四方向的Gabor滤波器组，得到十六通道Gabor子图；针对特定纹理布匹依据特定标准选定一组瑕疵最明显或是最可以凸显纹理信息的Gabor子图作为特征提取图。

(5)在上述选取的Gabor子图上依据第三步所求去的纹理基元周期对无瑕疵布匹图像划分窗口，提取纹理特征，选取统计特征和灰度共生矩阵特征来窗口化分析子图；提取并保存Gabor子图提取的统计特征和灰度共生矩阵特征组，用于在线检测过程中瑕疵在线检测。

优选实施例，在线过程：

(1)实时获取经编机图像，在经编机出布口约5cm处拍摄图片，实时获取经编机图像序列，对连续的每个序列按第二步和第三步处理，若出现连续五个序列在同一位置至少三次检测为瑕疵，则确定此处为瑕疵区域。发送信号给伺服控制系统，经编机停机待检修；否则继续处理后续图像序列，实现经编机瑕疵在线检测。

(2)预处理，然后依据离线测试结果构建Gabor滤波器(组)，求取特定Gabor子图；在上述Gabor子图上依据离线测试得出的纹理基元周期窗口化提取特征组。

(3)分析子图提取的统计特征和灰度共生矩阵特征，通过与离线测试得出的无瑕疵布匹特征组比较决策，分割出瑕疵窗口。

本发明的有益效果：本发明通过离线学习无瑕疵图像自动寻取纹理基元周期、选取最优Gabor子图和标准无瑕疵布匹区域特征矩阵，消除了Gabor多组滤波器计算量大、数据冗余多的缺点，自动周期找寻省去手动设定窗口参数；在线检测过程利用离线所得数据，构建窗口化特征提取，设定上下限阈值判定，对待检测经编机布匹图像完成瑕疵在线视觉检测，算法实时性高，准确度高。

附图说明

图1本发明的整理系统构建图

图2本发明算法整理流程图

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合具体实施例，并参照附图，对本发明作进一步详细说明。

如图2所示，为本发明的算法整体流程图。

算法分为离线测试和在线检测过程，具体步骤如下：

离线测试过程

第一步：实时获取经编机无瑕疵布匹图像，在经编机出布口约5cm处拍摄图片，实时获取经编机图像序列。

第二步：对获取的无瑕疵布匹图像预处理，通过高斯滤波去除图像干扰点；通过直方图均衡化拉伸图像，增强对比度，凸显图像纹理。

第三步：布匹图像纹理基元周期自动找寻，通过构建图像自相关函数求取径向和纵向自相关系数，自动找寻纹理基元周期。

第四步：Gabor滤波器构造，针对布匹纹理图像瑕疵均是纵向或是径向的特点，构造四尺度四方向的Gabor滤波器组，得到十六通道Gabor子图。针对特定纹理布匹依据特定标准选定一组瑕疵最明显或是最可以凸显纹理信息的Gabor子图作为特征提取图。

第五步：在上述选取的Gabor子图上依据第三步所求取的纹理基元周期对无瑕疵布匹图像划分窗口，提取纹理特征，选取统计特征和灰度共生矩阵特征来窗口化分析子图。提取并保存Gabor子图提取的统计特征和灰度共生矩阵特征组，用于在线检测过程中瑕疵在线检测。

在线检测过程

第一步：实时获取经编机图像，在经编机出布口约5cm处拍摄图片，实时获取经编机图像序列，对连续的每个序列按第二步和第三步处理，若出现连续五个序列在同一位置至少三次检测为瑕疵，则确定此处为瑕疵区域。发送信号给伺服控制系统，经编机停机待检修；否则继续处理后续图像序列，实现经编机瑕疵在线检测。

第二步：预处理，然后依据离线测试结果构建Gabor滤波器(组)，求取特定Gabor子图。在上述Gabor子图上依据离线测试得出的纹理基元周期窗口化提取特征组。

第三步：分析子图提取的统计特征和灰度共生矩阵特征，通过与离线测试得出的无瑕疵布匹特征组比较决策，分割出瑕疵窗口。

进一步的，离线过程所述第一步为：

(1.1)根据经编机瑕疵实时在线检测精度要求，在出布口约5cm处，连续采集图像序列。

(1.2)所采集图像序列存入结构体structure中，作为无瑕疵标准图像用于后续的离线测试。

离线过程所述第二步为：

(2.1)对由经编机得到的无瑕疵布匹图像序列利用高斯滤波去噪，高斯卷积模板如下：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right]$

(2.2)继而对高斯滤波后图像做直方图均衡化处理，首先计算图像中灰度级r_k出现的概率近似为：

$P_r\left(r_k\right)=\frac{n_k}{n},k=\mathrm{0,1,2},...,L-1$

n是图像中像素的总和，n_k是灰度级为r_k的像素个数，L为图像中可能的灰度级总数。输出灰度级s_k为：

$\begin{array}{c}{s}_k=T\left(r_k\right)=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{P}_r\left(r_j\right)\\ =\underset{j=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_j}{n},k=\mathrm{0,1,2},...,L-1\end{array}$

通过上式将输入图像中灰度级为r_k的各像素映射到输出图像中灰度级为s_k的对应像素。

离线过程所述第三步为：

(3.1)选取左上方w×w的窗口做原始窗口，w×w为窗口尺寸，用下面公式求取纵向和径向自相关系数：

$C(\mathrm{\ϵ},\mathrm{\η})=\frac{\underset{m=0}{\overset{w}{\mathrm{\Σ}}}\underset{n=0}{\overset{w}{\mathrm{\Σ}}}f(m,n)f(m-\mathrm{\ϵ},n-\mathrm{\η})}{\underset{m=0}{\overset{w}{\mathrm{\Σ}}}\underset{n=0}{\overset{w}{\mathrm{\Σ}}}{\left[f(m,n)\right]}^2}$

(ε，η)为偏移量，求取纵向自相关系数时设置η为0，求取径向自相关系数时设置ε为0；得到两组自相关系数c1，c2。

(3.2)平滑两组自相关系数c1，c2，通过lowess平滑自相关系数，消除细微毛刺对求取极值的干扰，分别求取自相关系数c1，c2的极大值，相邻极大值间差的均值可近似为纹理基元周期。

离线过程所述第四步为：

(4.1)Gabor滤波器构造

Gabor函数g(x，y)是一个被二维高斯函数调制的复正弦窗函数，其时域数学表达式为：

$g(x,y)=\frac{1}{2{\mathrm{\π\σ}}_x{\mathrm{\σ}}_y}\exp [-\frac{1}{2}(\frac{x^2}{{{\mathrm{\σ}}_x}^2}+\frac{y^2}{{{\mathrm{\σ}}_y}^2})+2\mathrm{\πjWx})$

其中σ_x和σ_y分别为高斯函数沿x轴和y轴的标准方差，W是高斯函数的复调制频率。它的傅立叶变换G(u，υ)为：

$G(u,\mathrm{\υ})=\exp (-\frac{1}{2}[\frac{{(u-W)}^2}{{\mathrm{\σ}}_u^2}+\frac{{\mathrm{\υ}}^2}{{\mathrm{\σ}}_{\mathrm{\υ}}^2}\left]\right)$

其中，σ_u＝1/2πσ_x，σ_υ＝1/2πσ_y

以g(x，y)为母小波，则通过对g(x，y)进行尺度变换和角度旋转，能够计算出一组滤波器：

g_mn(x，y)＝a^-mg(x′，y′)，a＞1，m，n∈Z

式中x′＝a^-m(x cosθ+y sinθ)，y′＝a^-m(-x sinθ+y cosθ)。这里θ＝nπ/K，K表示总的方向数目(n∈[0，K])，a＞1，m＝0，12，…，S-1。S为多分辨率多分解的尺度数目；a^-m为尺度因子，用来确保其总的能量与m无关。由傅立叶变换的线性特征可知：

u′＝u cosθ+υsinθ，υ′＝-u sinθ+υcosθ

通过改变m和n的值，便可得到一组方向和尺度都不同的滤波器G_m，n(x，y)，为了减少滤波器响应对冲击响应的敏感性，可以在Gabor滤波器的实部加上一个常量，使它的均值为0(即G(0，0)＝0)。

(4.2)Gabor滤波器的改进

传统Gabor滤波器组用于经编机布匹瑕疵在线视觉检测均是通过构建图像金字塔，然后对金字塔每层提取四通道Gabor子图，若金字塔取为m层，构成4m个通道；或是构建多尺度多方向Gabor滤波器组，然后对每个通道阈值分割，融合各通道分离出布匹瑕疵区域。但是此类方法对任意纹理布匹均采用多通道Gabor变换，极大地降低了系统的实时性。

针对经编机布匹瑕疵在线视觉检测实时性要求高的特点并不能满足。本发明提出一种在满足检测精度的前提下离线确定Gabor滤波器组参数的方法，针对特定纹理布匹离线选定Gabor滤波器组参数，包括尺度和方向。

根据多次试验，首先在Gabor尺度为2^(-i)，i＝1，2，3，4，方向为0°，45°，90°，135°的情况下构造十六通道Gabor滤波器组，得到十六通道Gabor子图。

(4.3)由于经编机织布过程所织出布匹要么呈类似颗粒状无纹理，要么在某一方向有一特定纹理，这样就要求对步骤二中所得到的Gabor子图簇寻找最有Gabor子图，在保证实时性最大化的同时能够有效反映布匹表面纹理信息。

离线过程所述第五步为：

对于上述得到的最优Gabor子图，提取能够反映布匹表面纹理信息的特征组合，本发明采用统计特征和纹理局部描述子特征相结合的特征提取方式，兼顾了对布匹有无纹理的表征。最终可以得到无瑕疵布匹图像特征矩阵Feature_std_(M×N)。

(5.1)统计特征提取

最终确定使用角二阶矩、相关性、对比度和熵四个特征。

注：为了分析方便，Gabor变换后最优子图下，先将窗口内各个元素p_d(i，j)除以各元素之和s，得到各元素都小于1的归一化值

①角二阶矩(Angular Second Moment)：

$\mathrm{ASM}=\underset{i=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{G-1}{\mathrm{\Σ}}}{p_d}^2(i,j)$

角二阶矩反映图像灰度分布均匀程度和纹理粗细程度。

②相关(Correlation)：

$\mathrm{COR}=\{\underset{i=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{G-1}{\mathrm{\Σ}}}\mathrm{ij}{\hat{p}}_d(i,j)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2\}/{{\mathrm{\σ}}_1}^2{{\mathrm{\σ}}_2}^2$

式中：

$\begin{array}{cc}{\mathrm{\μ}}_1=\underset{i=0}{\overset{G-1}{\mathrm{\Σ}}}i\underset{j=0}{\overset{G-1}{\mathrm{\Σ}}}{\hat{p}}_d(i,j)& {\mathrm{\μ}}_2=\underset{i=0}{\overset{G-1}{\mathrm{\Σ}}}j\underset{j=0}{\overset{G-1}{\mathrm{\Σ}}}{\hat{p}}_d(i,j)\\ {{\mathrm{\σ}}_1}^2=\underset{i=0}{\overset{G-1}{\mathrm{\Σ}}}{\left({i-\mathrm{\μ}}_1\right)}^2\underset{j=0}{\overset{G-1}{\mathrm{\Σ}}}{\hat{P}}_d(i,j)& {\mathrm{\σ}}_2{2}^{}=\underset{i=0}{\overset{G-1}{\mathrm{\Σ}}}{\left({i-\mathrm{\μ}}_2\right)}^2\underset{j=0}{\overset{G-1}{\mathrm{\Σ}}}{\hat{P}}_d(i,j)\end{array}$

相关是用来衡量窗口内元素在行或列方向上的相似程度。当窗口内元素值均匀相等时，相关值就大；相反，如果窗口内像素值相差很大则相关值小。

③对比度(Contrast)：

$\mathrm{CON}=\underset{n=0}{\overset{G-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{G-1}{\mathrm{\Σ}}}{\hat{p}}_d(i,j)\right\},|i-j|=n$

对比度反映图像的清晰度和纹理沟纹深浅的程度。纹理的沟纹深，其对比度大，效果清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的像素对越多，这个值越大。灰度共生矩阵中远离对角线的元素值越大，对比度越大。

④熵(Entropy)：

$\mathrm{ENT}=-\underset{i=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{G-1}{\mathrm{\Σ}}}{\hat{P}}_d(i,j)\log {\hat{P}}_d(i,j)$

熵反映图像中纹理的复杂程度或非均匀度。若纹理复杂，熵值大；反之，若图像中灰度均匀，共生矩阵中元素大小差异大，熵值小。

(5.2)纹理局部描述子特征提取

对上步选定的Gabor子图的每个窗口提取灰度共生矩阵。

①提取灰度共生矩阵

对于灰度共生矩阵的四个参数，经试验验证，取定如下：

方向θ取为纹理方向，对于经编机布匹主纹理方向为经向的特点，取θ＝90°；偏移量d决定了数字图像矩阵的两个采样像素点间的距离，取d＝N*T，其中T为纹理基元在方向θ上元素周期，N为正整数。图像灰度级G越大，图像越清晰，越能真实反映样本本身。但是G越大，会导致灰度共生矩阵维数增大，大大增加运算量。本发明取灰度级数G＝8。

②提取共生矩阵特征

第i行j列元素记为P_d，θ(i，j)，(i，j＝0，1，2...G-1)。可得灰度共生矩阵：

其中：其中G表示图像的灰度级，i，j分别表示像素的灰度，d＝(Dx，Dy)表示两个像素间的空间位置关系，θ为灰度共生矩阵的生成方向。

进一步的，在线过程所述第一步为：

(1.1)检测第一幅图序列，如果没有一处为瑕疵区域，不保存此图像序列。继续检测下一序列，若是此图像出现瑕疵，保存此图像瑕疵位置至结构体structure[1]，并转为步骤(1.2)。

(1.2)继续检测下一幅图像，无论有否瑕疵，保存至structure[1]，前面保存序列均有structure[i]转存到structure[i+1]，此处i＝1，2，3，4，structure[5]舍弃。

(1.3)判断structure结构体中五个序列是否出现同一位置有四个序列出现标记为瑕疵，若是，可以确定此位置为瑕疵区域，停机等待人工检修。若不是继续步骤(1.2)。

(1.4)直至故障修复后，开始步骤(1.1)继续检测。

在线过程所述第二步为：

(2.1)预处理过程，对由经编机得到的无瑕疵布匹图像序列利用高斯滤波去噪，高斯卷积模板如下：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right]$

继而对高斯滤波后图像做直方图均衡化处理，增加对比度。

(2.2)根据离线测试过程中所选取的Gabor子图索引，构建特定尺度和方向的Gabor滤波器，得到最优Gabor子图。

(2.3)根据离线测试过程中所自动寻取的纹理基元周期设定窗口，提取各窗口统计特征和灰度共生矩阵特征，得到各窗口特征矩阵Feature_(M×N)。

在线过程所述第三步为：

(3.1)标准无瑕疵布匹特征矩阵Feature_std_(M×N)极值求取。

对特征矩阵Feature_std_(M×N)求取每行极大值和极小值，得到两个列向量F_Max和F_Min，构建极值矩阵组：

Feature_Max_(M×N)＝F_Max·ones(M×N)

Feature_Min_(M×N)＝F_Min·ones(M×N)

(3.2)设定阈值T，对各窗口特征矩阵Feature_(M×N)和上述极值矩阵组作阈值处理得到逻辑特征矩阵：

F_Logic＝Feature＜(1-T)*Feature_Min(M×N)|

Feature＜(1-T)*Feature_Max(M×N)

如果SUM(F_Logic)＞3，则此窗口认定为此序列中的瑕疵。

Claims (9)

1.基于Gabor多分辨率分解的经编机布匹瑕疵在线视觉检测方法，包括Gabor变换、特征提取和瑕疵识别；可以实现纹理布匹经编机实时监控以及瑕疵停机，算法分为离线测试和在线检测过程，具体步骤如下：

离线过程

第一步：实时获取经编机无瑕疵布匹图像，在经编机出布口5cm处拍摄图片，实时获取经编机图像序列；

第二步：对获取的无瑕疵布匹图像预处理，通过高斯滤波去除图像干扰点；通过直方图均衡化拉伸图像，增强对比度，凸显图像纹理；

第三步：布匹图像纹理基元周期自动找寻，通过构建图像自相关函数求取径向和纵向自相关系数，自动找寻纹理基元周期；

第四步：Gabor滤波器构造，针对布匹纹理图像瑕疵均是纵向或是径向的特点，构造四尺度四方向的Gabor滤波器组，得到十六通道Gabor子图，根据纹理类型选取最可以凸显纹理信息的Gabor子图作为特征提取图；

第五步：在离线第四步中选取的Gabor子图上依据第三步所求取的纹理基元周期对无瑕疵布匹图像划分窗口，提取纹理特征，选取统计特征和灰度共生矩阵特征来窗口化分析子图，提取并保存Gabor子图提取的统计特征和灰度共生矩阵特征组，用于在线检测过程中瑕疵在线检测；

在线过程

第一步：实时获取经编机图像，在经编机出布口5cm处拍摄图片，实时获取经编机图像序列，对连续的每个序列按在线过程中第二步和第三步处理，若出现连续五个序列在同一位置至少三次检测为瑕疵，则确定此处为瑕疵区域；发送信号给伺服控制系统，经编机停机待检修，否则继续处理后续图像序列，实现经编机瑕疵在线检测；

第二步：预处理，然后依据离线测试结果构建Gabor滤波器组，求取最优Gabor子图，在此最优Gabor子图上依据离线测试得出的纹理基元周期窗口化提取统计特征和灰度共生矩阵特征特征组；

第三步：分析在线第二步中所得Gabor子图提取的统计特征和灰度共生矩阵特征，通过与离线测试得出的无瑕疵布匹特征组比较决策，分割出瑕疵窗口。

2.根据权利要求1所述经编机布匹瑕疵在线视觉检测方法，其特征是：所述离线测试过程步骤一中，包括以下步骤：

(1)根据经编机布匹瑕疵在线检测精度要求，在出布口5cm处，连续采集图像序列；

(2)所采集图像序列存入结构体structure中，作为无瑕疵标准图像用于后续的离线测试。

3.根据权利要求1所述经编机布匹瑕疵在线视觉检测方法，其特征是：所述离线测试过程步骤二中，包括以下步骤：

(1)对由经编机得到的无瑕疵布匹图像序列利用高斯滤波去噪，高斯卷积模板如下：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right]$

(2)继而对高斯滤波后图像做直方图均衡化处理，首先计算图像中灰度级r_k出现的概率为：

$P_r\left(r_k\right)=\frac{n_k}{n},k=\mathrm{0,1,2},\·\·\·,L-1$

n是图像中像素的总和，n_k是灰度级为r_k的像素个数，L为图像中灰度级总数，输出灰度级s_k为：

$\begin{array}{c}{s}_k=T\left(r_k\right)=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{P}_r\left(r_j\right)\\ =\underset{j=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_j}{n},k=\mathrm{0,1,2},\·\·\·,L-1\end{array}$

通过灰度级s_k的计算公式将输入图像中灰度级为r_k的各像素映射到输出图像中灰度级为s_k的对应像素。

4.根据权利要求1所述经编机布匹瑕疵在线视觉检测方法，其特征是：所述离线测试过程步骤三中，包括以下步骤：

(1)选取左上方的w×w的窗口做原始窗口，w×w为窗口尺寸，计算纵向和径向自相关系数；

(2)平滑两组自相关系数c1，c2，消除细微毛刺对求取极值的干扰，分别求取自相关系数c1，c2的极大值，用相邻极大值间差的均值作为纹理基元周期。

5.根据权利要求1所述经编机布匹瑕疵在线视觉检测方法，其特征是：所述离线测试过程步骤四中，包括以下步骤：

(1)Gabor滤波器构造

构建一组方向和尺度都不同的滤波器G_m，n(x，y)，为了减少滤波器响应对冲击响应的敏感性，在Gabor滤波器的实部加上一个常量，使它的均值为0，即G(0，0)＝0；

(2)Gabor滤波器的改进

针对经编机在线瑕疵检测实时性要求高的特点不能满足，提出一种在满足检测精度的前提下离线确定Gabor滤波器组参数的方法，针对具体纹理布匹离线选定Gabor滤波器组参数，包括尺度和方向；

根据多次试验，首先在Gabor尺度为2^(-i)，i＝1，2，3，4，方向为0°，45°，90°，135°的情况下构造十六通道Gabor滤波器组，得到十六通道Gabor子图；

(3)由于经编机织布过程所织出布匹要么呈类似颗粒状无纹理，要么在某一方向有一特定纹理，这样就要求对权利要求书5(2)中所得到的Gabor子图组寻找最优Gabor子图，在保证实时性最大化的同时能够有效反映布匹表面纹理信息。

6.根据权利要求5所述经编机布匹瑕疵在线视觉检测方法，其特征是：所述离线测试过程步骤五中，包括以下步骤：

对于权利要求书5(3)中得到的最优Gabor子图，提取能够反映布匹表面纹理信息的特征组合，采用统计特征和纹理局部描述子特征相结合的特征提取方式，兼顾了对布匹有无纹理的表征；根据所自动寻取的纹理基元周期设定窗口，最终可以得到无瑕疵布匹图像特征矩阵Feature_std_(M×N)如下：

(1)统计特征提取

使用角二阶矩、相关性、对比度和熵四个特征；

(2)灰度共生矩阵特征提取

对权利要求书5(3)中得到的最优Gabor子图的每个窗口提取灰度共生矩阵。

7.根据权利要求1所述经编机布匹瑕疵在线视觉检测方法，其特征是：所述在线检测过程步骤一中，包括以下步骤：

(1)检测第一幅图序列，如果没有一处为瑕疵区域，不保存此图像序列，继续检测下一序列，若是此图像出现瑕疵，保存此图像瑕疵位置至结构体structure[1]，并转为步骤(2)；

(2)继续检测下一幅图像，无论有否瑕疵，保存至structure[1]，前面保存序列均由structure[i]转存到structure[i+1]，此处i＝1，2，3，4，structure[5]舍弃；

(3)判断structure结构体中五个序列是否出现同一位置有四个序列出现标记为瑕疵，若是，确定此位置为瑕疵区域，停机等待人工检修，若不是，继续步骤(2)；

(4)直至故障修复后，开始步骤(1)继续检测。

8.根据权利要求1所述经编机布匹瑕疵在线视觉检测方法，其特征是：所述在线检测过程步骤二中，包括以下步骤：

(1)预处理过程，对由经编机得到的待检测布匹图像序列利用高斯滤波去噪，继而对高斯滤波后图像做直方图均衡化处理，增加对比度；

(2)根据离线测试过程中所选取的Gabor子图索引，构建离线过程所确定的尺度和方向的Gabor滤波器，得到最优Gabor子图；

(3)根据离线测试过程中所自动寻取的纹理基元周期设定窗口，提取各窗口统计特征和灰度共生矩阵特征，得到各窗口特征矩阵Feature_(M×N)。

9.根据权利要求1所述经编机布匹瑕疵在线视觉检测方法，其特征是：所述检测过程步骤三中，包括以下步骤：

(1)标准无瑕疵布匹特征矩阵Feature_std_(M×N)极值求取，对特征矩阵Feature_std_(M×N)求取每行极大值和极小值，得到两个列向量F_Max和F_Min，构建极值矩阵组：

Feature_Max_(M×N)＝F_Max·ones(M×N)

Feature_Min_(M×N)＝F_Min·ones(M×N)

(2)设定阈值T，对各窗口特征矩阵Feature_(M×N)和上述极值矩阵组作阈值处理得到逻辑特征矩阵：

F_Logic＝Feature＜(1-T)*Feature_Min(M×N)|

Feature＜(1-T)*Feature_Max(M×N)

如果SUM(F_Logic)＞3，则此窗口认定为此序列中的瑕疵。