CN104458766A - 一种基于结构纹理法的布匹表面瑕疵检测方法 - Google Patents

Abstract

一种基于结构纹理法的布匹表面瑕疵检测方法，本发明提供了一种布匹表面瑕疵的在线视觉检测方法，首先对采集到的布匹图像进行总变差正则化方法处理，将图像分解为背景纹理部分和包含瑕疵的结构部分；然后对结构部分做图像增强处理并通过计算与标准布匹结构部分图像的相关性进行阈值化处理，得到瑕疵区域的二值图像；最后保存记录瑕疵区域的像素坐标信息以备后续处理。通过对布匹图像进行结构纹理法处理，消除了布匹原有纹理对瑕疵检测的干扰影响，能够有效的提高检测精度，降低漏检和误检率。

Description

一种基于结构纹理法的布匹表面瑕疵检测方法

技术领域

本发明涉及一种基于机器视觉的布匹表面瑕疵检测方法，具体是指工业现场中，在线阵光源下通过线阵相机对高速传送的布匹表面瑕疵进行检测并即时记录的图像检测方法。

背景技术

工业生产过程里，随着技术水平的不断提高，市场对产品质量的要求不断提升。在纺织行业中，布匹的质量检测要求随着这种发展趋势愈加严格，并随着纺织品产量的持续增大，验布过程要求的速度与精度大大提升，而传统的人工检测法速度慢、成本高、标准化程度低、误检率大，因此快速精确地检测出纺织品瑕疵成为生产过程中亟待解决的问题。

面对这样的的需求，国外的一些大型企业在工业上已经有了一定规模的应用，主要代表产品有以色列EVS公司的IQ-TEX4自动在线检测系统，美国BMS公司的Cyclops自动在线织物检测系统等，但成本高昂、维护不易，在国内并不普遍推广适用。目前，研究者主要采用基于统计学方法、频域变换法、模型法等方法对布匹图像进行处理，以求准确检测到瑕疵，由于布匹表面带有纹理干扰，瑕疵种类繁复，正确地提取出瑕疵区域成为布匹表面检测中的重点和难点。

由于在检测过程中，出布速度快，布匹幅面较大，检测精度要求高，选用高分辨率并适用于高速采集过程的的线阵相机作为图像采集传感器已经越来越成为主流的检测方式。

发明内容

本发明目的在于提出一种基于机器视觉的布匹瑕疵检测方法，解决布匹背景纹理、花纹对瑕疵检测的干扰问题。

针对这个目的，本发明通过如下技术方案实现：

1、获取图像，预先得到无瑕疵标准布匹图像，并保持相机采集参数不变条件下实时获取待测图像序列；

2、对图像进行预处理，通过高斯滤波去噪以及直方图均衡化增强图像对比度，凸显图像背景纹理；

3、对处理后的图像做总变差正则化处理，将布匹图像的纹理部分和结构部分分解出来；

4、将待测图像的结构部分与标准图像的结构部分进行最大相关性处理，以独立出瑕疵区域；

5、对得到的瑕疵部分去噪增强，并记录坐标值等信息。

本发明的有益效果：本发明提供了一种基于总变差法的布匹表面瑕疵处理方法，对于纹理较强的布匹能够较好的分割出纹理部分与瑕疵部分，较大程度的降低了背景纹理对瑕疵检测的干扰，准确性高，提高检测效率，对于带图案花纹的布匹也有很好的检测效果。

附图说明

图1本发明的整体系统构建图

图2本发明算法整体流程图

具体实施方式

为使本发明的目的、技术方案和优点等更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明的基本目的是检验布匹表面的瑕疵缺陷，装置的硬件构建如图1所示，算法整体流程如图2所示。整个算法核心为通过构建变差模型将图像的结构部分和纹理部分分解出从而消去纹理对瑕疵检测的影响。

进一步的，具体实现步骤为：

(1)采集图像：利用线阵相机实时获取布匹图像，调节布匹的传送速度、相机采集频率以及相机光圈焦距等参数，实时获得无瑕疵的布匹图像作为样本，以及包含瑕疵的布匹图像序列作为待测图像。

(2)预处理：

(2.1)对得到的图像用中值滤波做去噪处理，

$\hat{f}(x,y)=\max \left\{g(s,t)\right\}---\left(1\right)$

(2.2)对滤波后图像做直方图均衡化处理。

在一幅图像中灰度级r_k出现的概率近似为：

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

其中，n是图像的像素和，n_k是图像中灰度级为r_k的像素个数，L是图像中可能的灰度级总数。则有输出灰度级s_k的变换函数为：

$s_k=T\left(r_k\right)=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}{P}_r\left(r_j\right)=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_j}{n}$  k＝0，1，2，...，L-1   (3)

通过该变换函数能将输入图像中灰度级为r_k的各个像素映射到输出图像中灰度级为s_k的对应像素。

(3)总变差正则化：

构建一种基于总变差形式的模型，该模型可以有效的分解图像中的结构信息和纹理，并且无需特别指定纹理是否规则或者对称。换言之，该方法具有一般性和随意性，它适用于非统一的或各向异性的纹理。

(4)式为变差模型：

$\arg \min \underset{u}{\mathrm{\Σ}}\{\frac{1}{2\mathrm{\λ}}{(S_u-I_u)}^2+|{(\▿S)}_u\left|\right\}---\left(4\right)$

I代表输入图像，u代表2D图像像素的索引，S代表输出结构图像。对(4)式第二项进行展开，可以写成各向异性的形式：

$\underset{u}{\mathrm{\Σ}}\left|{(\▿S)}_u\right|=\underset{u}{\mathrm{\Σ}}\left(\right|{\left({\∂}_{x}S\right)}_u|+|{\left({\∂}_{y}S\right)}_u\left|\right)---\left(5\right)$

将(5)回带并加入正则项则得到模型如(6)式：

$\arg \min \underset{u}{\mathrm{\Σ}}{(S_u-I_u)}^2+\mathrm{\λ}\·(\frac{D_x\left(u\right)}{L_x\left(u\right)+\mathrm{\ϵ}}+\frac{D_y\left(u\right)}{L_y\left(u\right)+\mathrm{\ϵ}})---\left(6\right)$

其中，

D表示对u点的窗口区域内做总变差：

$\begin{array}{c}{D}_x\left(u\right)=\underset{v\∈R\left(u\right)}{\mathrm{\Σ}}{g}_{u,v}\·\left|{\left({\∂}_{x}S\right)}_v\right|\\ D_y\left(u\right)=\underset{v\∈R\left(u\right)}{\mathrm{\Σ}}{g}_{u,v}\·\left|{\left({\∂}_{y}S\right)}_v\right|\end{array}$

L表示对于整体图像的空间做梯度加权绝对值的求取，能够用来突出结构部分：

$\begin{array}{c}{L}_x\left(u\right)=\underset{v\∈R\left(u\right)}{\mathrm{\Σ}}{g}_{u,v}\·\left|{\left({\∂}_{x}S\right)}_v\right|\\ L_x\left(u\right)=\underset{v\∈R\left(u\right)}{\mathrm{\Σ}}{g}_{u,v}\·\left|{\left({\∂}_{y}S\right)}_v\right|\end{array}$

u为二维像素的索引值，v为以u点为中心的一个正方形区域内所有的像素点的索引，S是输出图像，为正则项，也称为相对变差，它依赖于图像的边缘，使得图像中可以有不连续的部分，但不允许有振荡的存在，因此可以用于去除噪声。λ是一个权重值，在正则项和逼近项中起着平衡的作用；ε是为了防止分母为0而设置的非常小的正值。g是根据相关性定义的权重函数，此处选用高斯核函数定义为：

$g_{u,v}=K\·\exp (-\frac{{(x_u-x_v)}^2+{(y_u-y_v)}^2}{2{\mathrm{\σ}}^2})---\left(7\right)$

其中，σ是空间尺度，u为变差区域的中心像素点，v为任一像素点。

(4)对结构部分图像去噪处理，最后分离得到凸显瑕疵的二值图像。在去除布匹表面的纹理信息后，通过(6)式得到的图像结构部分仍然保留有背景色，需要与标准图像对比清除后才能彻底提取出瑕疵部分，可以通过(8)式判定相关性以提取出瑕疵区域。

$\mathrm{Corr}(f,f^{*})=\frac{\mathrm{cov}(f,f^{*})}{\sqrt{\mathrm{var}\left(f\right)\·\mathrm{var}\left(f^{*}\right)}}---\left(8\right)$

其中，var(·)和cov(·)分别是方差与协方差，f和f^*分别为标准图像和待测图像的结构部分。

(5)如果此帧图像不包含瑕疵区域，则不保存此图像序列。继续检测下一帧图像，若是此帧图像出现瑕疵，保存此瑕疵图像与位置信息至结构体并继续检测下一幅图像。

Claims (3)

1.一种布匹瑕疵的在线视觉检测方法，其特征是：通过构建变差模型将图像的结构部分和纹理部分分解出，从而消去纹理对瑕疵检测的影响。具体包括以下几个步骤：

(1)采集图像并对图像做预处理；

(2)构建一个总变差正则化模型，有效分离出图像的结构部分与纹理部分；

(3)将待测图像的结构部分与标准图像的结构部分做最大相关性处理，获得瑕疵区域。

2.根据权利要求1所述一种布匹表明瑕疵的在线视觉检测方法，其特征是：所述步骤(2)中总变差形式正则化模型的构建，包括以下步骤：

构建一种基于总变差形式的模型，该模型可以有效的分解图像中的结构信息和纹理，并且无需特别指定纹理是否规则或者对称。换言之，该方法具有一般性和随意性，它适用于非统一的或各向异性的纹理。

(1)式为变差模型：

I代表输入图像，u代表2D图像像素的索引，S代表输出结构图像。对(1)式第二项进行展开，可以写成各向异性的形式：

将(2)回带并加入正则项则得到模型如(3)式：

其中，

D表示对u点的窗口区域内做总变差：

L表示对于整体图像的空间做梯度加权绝对值的求取，能够用来突出结构部分：

u为二维像素的索引值，v为以u点为中心的一个正方形区域内所有的像素点的索引，S是输出图像，为正则项，也称为相对变差，它依赖于图像的边缘，使得图像中可以有不连续的部分，但不允许有振荡的存在，因此可以用于去除噪声。λ是一个权重值，在正则项和逼近项中起着平衡的作用；ε是为了防止分母为0而取得的非常小的正值。g是根据相关性定义的权重函数，此处选用高斯核函数，定义为：

其中，σ是空间尺度，u为变差区域的中心像素点，v为任一像素点。

3.根据权利要求1所述一种布匹表明瑕疵的在线视觉检测方法，其特征是：所述步骤(2)中瑕疵区域的准确判定，包括以下步骤：

对得到的图像去噪处理，最后分离得到凸显瑕疵的二值图像。在去除布匹表面的纹理信息后，通过(3)式得到的图像结构部分仍然保留有背景色，需要与标准图像对比清除后才能彻底提取出瑕疵部分，可以通过(5)式判定相关性以提取出瑕疵区域。

其中，var(·)和cov(·)分别是方差与协方差，f和f^*分别为标准图像和待测图像的结构部分。

如果此帧图像不包含瑕疵区域，则不保存此图像序列。继续检测下一帧图像，若是此帧图像出现瑕疵，保存此瑕疵图像与位置信息至结构体并继续检测下一幅图像。