CN1948603A

CN1948603A - 一种识别机织物疵点的方法

Info

Publication number: CN1948603A
Application number: CN 200610097595
Authority: CN
Inventors: 刘建立; 左保齐
Original assignee: Suzhou University
Current assignee: Suzhou University
Priority date: 2006-11-10
Filing date: 2006-11-10
Publication date: 2007-04-18

Abstract

本发明公开了一种识别机织物表面疵点的方法。由图像采集系统获得的织物图像信号输入到计算机进行滤波和增强处理，从织物疵点图像信号的垂直和水平高频细节中提取能量、熵、对比度、逆差矩和相关性作为织物的5个纹理特征参数；对织物疵点图像信号采用最佳边缘检测算法，从疵点边缘图像信号中提取长短径之比作为织物的1个形状特征参数，将上述6个特征参数输入到神经网络系统进行疵点的识别和分类处理。本发明以织物的纹理和形态特征作为判别织物疵点的识别依据，采用神经网络系统进行疵点的识别和分类处理，疵点识别的准确性明显提高，且操作简单，检测速度快，效率高，具有良好的推广应用前景。

Description

一种识别机织物疵点的方法

技术领域

本发明涉及一种识别机织物表面疵点的方法。

背景技术

在现代的纺织企业中，织物疵点检验是必须的一道工序。但大部分的检验还是靠人工完成，检验人员首先按照检验标准接受培训。在织物实际检测时，织物首先退绕到检测装置上，检验员用目测的方法寻找织物表面的疵点，并把它与检验标准中的疵点进行比对，然后进行归类。在发现疵点时，若为检验标准所不允许，则在疵点处作上标记，并对疵点进行修正。若疵点无法修正，织物品质则降等。该检验方法是靠人工视觉离线完成，检验标准人为控制，费时费功，长时间的检测容易引起检验人员的疲劳，导致误检率和错检率提高，增加了生产成本。

自20世纪60年代以来，基于图像分析的织物疵点自动检测技术以代替传统的人工视觉成为了织物疵点检测领域研究的热点。尤其是机器视觉系统和智能控制系统的飞速发展，为织物疵点检测系统的成功研制奠定了基础。从WO98/08080中可以了解到一种识别织物中疵点的方法和装置，收集一块织物的亮度值并输入到一个神经网络进行线性的滤波操作，从而判断是否有疵点，显然，采用简单的线性神经网络判别存在着准确度不够、效率低等不足；在公开号为CN1203229C“评定织物疵点的方法和装置”的发明专利中可以了解到，采用将一个无疵点的平面织物的图象和人工图示产生长度和对比度不同的疵点储存在计算机中，检测时，疵点是通过以一种已知疵点与人工图示的比较来评定的。然而，就一种织物的表面组织来说，实际的变化是无穷的，准确模拟疵点有一定的难度，使检测结果的准确性受到了一定的影响。

在公开号为CN1234115“平面构型纺织品的疵点识别方法和装置”中，为了这种装置可对各种各样的平面构型纺织品上迅速匹配和简单操作，从该平面结构纺织品采集亮度值并直接输入一个作为神经元网络构成的滤波器。平面构型的纺织品设置多个分区域，测定每个分区域的亮度值作为输入值，并行输入一个非线性的滤波器运算中，并作为滤波器运算的结果输出一个信号，表示该区域是否有一个疵点，它直接采用织物图像区域亮度值作为处理对象，根据织物图像的灰度变化进行滤波后判别织物图像是否含有疵点。

发明内容

本发明的目的在于克服现有技术存在的不足，提供一种准确、高效识别机织物表面疵点的方法。

实现本发明目的的技术方案是：由图像采集系统获得的织物图像信号输入到计算机进行滤波和增强处理，从织物疵点图像信号的垂直和水平高频细节中提取能量、熵、对比度、逆差矩和相关性作为织物的5个纹理特征参数；对织物疵点图像信号采用最佳边缘检测算法，从疵点边缘图像信号中提取长短径之比作为织物的1个形状特征参数，将上述6个特征参数输入到神经网络系统进行疵点的识别和分类处理。

本发明技术方案采用以能量、熵、对比度、逆差矩和相关性作为织物的5个纹理特征参数，边缘检测信号为织物的1个形状特征参数，是因为：能量(又称为角二阶距)是灰度图像分布均匀程度和纹理粗细的一个度量，当织物表面出现疵点时，尤其是油污和破洞出现时，与正常织物相比，其能量值较小；熵是图像内容随机性的度量，表示纹理的复杂程度，当织物表面出现疵点时，图像规则纹理受到破坏，随机性明显增大，其对应的熵值比正常织物图像大，尤其是当油污出现时；对比度是反映图像的清晰度和纹理的强弱，与正常织物相比较，当织物表面出现重纬、油污、断经和断纬时，其对比度明显增大；逆差矩是反映纹理的规则性，与正常织物相比，当疵点出现时，其规则性明显降低，逆差矩值减小；相关性是表示纹理的方向性，当织物表面出现疵点时，其纹理方向出现间断与不连续情况，相关性降低。因此，纹理和形状特征提取是织物疵点识别的前提和基础，与正常织物相比，织物疵点具有不同的纹理和形态学特征。纹理特征反映疵点图像的空间变化情况，结构特征反映疵点的几何形状差异。当出现疵点时，织物的连续性、周期性和方向性都会被破坏，引起明显的织物纹理变化。不同种类的织物疵点具有不相同的几何形状，并且差异显著，可以作为疵点识别和分类的依据。

以提取的能量、熵、对比度、逆差矩、相关性和长短径之比6个特征参数为输入向量，创建网络的竞争层为6×4的结构。对网络进行训练和仿真，在学习时设置步数为100、500和1000，分别观察其分类能力。在步数为100时，网络无法正确识别断纬、断经三类疵点；而当步数增加到500时，网络已经能正确识别所有疵点，并且所激发的神经元数目差别较大；当训练步数为1000时，每个训练样本都被划为一类，这和实际情况是吻合的。根据已经训练好的网络，对每类疵点输入20个样本进行识别。

与现有技术相比，本发明的主要优点是：由于出现疵点时，织物的连续性、周期性和方向性都会被破坏，而织物的纹理特征充分反映了疵点图像的空间变化情况，结构特征反映了疵点的几何形状差异，因此，本发明以织物的纹理和形态特征作为判别织物疵点的识别依据，能更加全面具体反映疵点的特征。为神经网络的识别提供更加有效、全面的输入参数，提高正确识别率，并且该方法的计算量小、速度快，适合快速检测的要求。采用神经网络系统进行疵点的识别和分类处理，疵点识别的准确性明显提高，且操作简单，检测速度快，效率高，具有良好的推广应用前景。

附图说明

图1是本发明实施例一种识别机织物疵点的方法的流程图；

图2是本发明实施例应用Kohonen自组织神经网络分类器的结构示意图；

图3是本发明实施例应用BP神经网络分类器的结构示意图。

图中，1、Kohonen自组织神经网络竞争层，2、Kohonen自组织神经网络权重，3、Kohonen自组织神经网络输入层，4、BP神经网络输入层的第1个输入节点，5、BP神经网络隐含层的第m个节点，6、BP神经网络输出层的第N个节点。

具体实施方式

下面结合附图及实施例对本发明作进一步描述：

实施例一：

参见附图1，本实施例所述的识别机织物疵点的方法的主要流程是：采集疵点图像、图像预处理、图像分析和疵点检测分类，包括训练和学习过程、检测过程，疵点自动检测技术的核心内容是对采集的织物图像进行处理的方法。

本发明实施例技术方案被识别织物出现的疵点，可能是断经、断纬、纬档、油污、破洞等。

如图1所示，图像采集系统所获得图像后，首先要完成训练过程，即作为神经网络训练和学习使用，使织物疵点检测系统熟悉待检测的织物；在系统训练完毕后，便可进入检测过程。在训练和检测过程中，由图像采集系统获得织物图像依次要进行预处理、处理和特征提取，然后由神经网络分类器进行图像的分类，即是否出现疵点，如果有疵点，还需判别出疵点的具体类型。最后采用数理统计的方法对检测出的织物疵点进行分析，判断织物的等级。具体步骤及识别方法如下：

一、织物图像采集

本实施例采用图像采集系统(1/3″CCD)，在照明系统的辅助下，从织物表面获取光/电信号，并传输到图像处理器中。

二、织物疵点图像预处理、图像处理

在本实施例中疵点图像为大小256×256像素点的灰度图像，对织物疵点图像进行小波阈软阈值消噪预处理。

先对织物疵点图像采用sym3小波基对其进行三层分解，由第一层的高频部分估计噪音方差；然后使用软阈值方法进行消噪处理，以减少图像中噪音含量。对经预处理后的信号进行频域变换，可选取sym4小波基进行2到3层离散小波变换，对变换后的图像将其高频细节中的水平和垂直分量转化成灰度共生矩阵、灰度梯度共生矩阵。同样，利用变换域中的性质，使信号处理过程更简单、有效，还可以被采用的变换方法有：离散傅立叶变换(DFT，DiscreteFourier Transform)、离散小波变换(DWT，Discrete Wavelet Transform)、离散平稳小波变换(DSWT，Discrete Stationary Wavelet Transform)、小波包变换(Wavelet Packet Transform)、K-L变换(K-L Transform)等。

三、织物疵点图像的特征提取

对采用上述方法消噪后的图像，再次使用sym3小波基进行三层分解，分别提取三层的水平高频细节和垂直高频细节的灰度共生矩阵如下5个纹理特征特征参数：能量、熵、对比度、逆差矩和相关性；分别对三层水平高频细节和垂直高频细节的纹理特征取均值，作为新的特征参数。

采用最优阈值边缘精确检测算法，对采用上述方法消噪后的图像进行边缘检测，从疵点边缘图像中提取长短径之比(织物疵点图像经边缘检测后，在水平方向上，疵点的最大长度为疵点的长径Lmax，在垂直方向上，疵点的最大长度为疵点的短径Wmax。疵点的长短径之比为R＝Lmax/Wmax)形状特征参数。

四、织物疵点的识别

参见附图2，采用Kohonen自组织神经网络分类器，图中，1为Kohonen自组织神经网络竞争层，2为Kohonen自组织神经网络权重，3为Kohonen自组织神经网络输入层；将上述提取的6个特征参数为输入向量，创建网络的竞争层为6×4的结构，对网络进行训练和仿真。在学习时设置步数为100、500和1000，分别观察其分类能力。在步数为100时，网络无法正确识别断纬、断经三类疵点；而当步数增加到500时，网络已经能正确识别所有疵点，并且所激发的神经元数目差别较大；当训练步数为1000时，每个训练样本都被划为一类，这和实际情况是吻合的。根据已经训练好的网络，对每类疵点输入20个样本进行识别，判断被检测机织物表面是否存在疵点，疵点属于允许疵点还是不允许疵点，识别出疵点的种类，并可根据相关织物的国家标准(如GB/T 15551-1995桑蚕丝织物；GB 9127-1988柞蚕丝织物；GB/T 17253-1998合成纤维丝织物)确定织物等级。

参见附图3，神经网络分类器也可采用如BP神经网络，图中：X₁，X₂，X₃…X_P为BP神经网络输入向量，在本技术方案中可以是已提取的织物疵点特征参数；Y₁…Y_N为BP神经网络网络输出向量；4是BP神经网络输入层的第1个输入节点，5是BP神经网络隐含层的第m个节点，6是BP神经网络输出层的第N个节点。同样，还可以采用RBF神经网络、SOM神经网络等。

对神经网络分类器识别的结果进行检测评价，主要指标有正确识别率、错检率、漏检率等。采用数理统计的方法对检测出的织物疵点进行统计分析，主要指标有各类疵点发生的概率、均值和方差等，为指导生产工艺和过程中减少和防止疵点出现提供依据。

Claims

1.一种识别机织物疵点的方法，由图像采集系统获得的织物图像信号输入到计算机先进行滤波和增强处理，其特征在于：再从织物疵点图像信号的垂直和水平高频细节中提取能量、熵、对比度、逆差矩和相关性作为织物的5个纹理特征参数；对织物疵点图像信号采用最佳边缘检测算法，从疵点边缘图像信号中提取长短径之比作为织物的1个形状特征参数，将上述6个特征参数输入到神经网络系统进行疵点的识别和分类处理。

2.根据权利要求1所述的一种识别机织物疵点的方法，其特征在于：图像采集系统获得图像后，先进行训练程序。