基于信息熵的噴水織機(jī)織物疵點(diǎn)檢測(cè)

PAGE

PAGE

-15-

基于信息熵的噴水織機(jī)織物疵點(diǎn)檢測(cè)

摘要：為實(shí)現(xiàn)噴水織機(jī)織物上疵點(diǎn)的有效檢測(cè)及疵點(diǎn)準(zhǔn)確定位，本文提出一種基于二維信息熵的特征顯著圖的疵點(diǎn)檢測(cè)方法。將待檢測(cè)織物圖像使用改進(jìn)的同態(tài)濾波進(jìn)行預(yù)處理，改善圖像因光照不均對(duì)疵點(diǎn)檢測(cè)產(chǎn)生的影響;利用圖像基元信息熵與圖像紋理的關(guān)系引入二維熵來(lái)反映圖像紋理的空間分布，計(jì)算每個(gè)重疊的圖像基元的信息熵，并把該熵值作為中心像素的灰度值，經(jīng)歸一化后生成一幅特征顯著圖;最后對(duì)顯著圖進(jìn)行閾值分割得到疵點(diǎn)的輪廓，同時(shí)通過(guò)顯著圖得到徑向投影差分序列對(duì)織物圖像進(jìn)行疵點(diǎn)判別。結(jié)果表明，本方法能夠有效地抑制織物中重復(fù)的紋理背景，突出疵點(diǎn)部分，實(shí)現(xiàn)疵點(diǎn)區(qū)域的準(zhǔn)確定位。

關(guān)鍵詞：噴水織機(jī);同態(tài)濾波;信息熵;特征顯著性;閾值分割;疵點(diǎn)檢測(cè)

中圖分類號(hào)：TS106.5;TP391.4文獻(xiàn)標(biāo)志碼：A文章編號(hào)：10017003（2022）06007208

引用頁(yè)碼：061110

DOI：10.3969/j.issn.1001-7003.2022.06.010（篇序）

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（51805402）

作者簡(jiǎn)介：柏順偉（1997），男，碩士研究生，研究方向?yàn)閳D像處理和織物斷經(jīng)檢測(cè)。通信作者：沈丹峰，副教授，dfshen@。

噴水織機(jī)織物疵點(diǎn)的檢測(cè)是紡織品質(zhì)量控制的研究熱點(diǎn)，數(shù)字圖像處理和機(jī)器視覺(jué)等現(xiàn)代技術(shù)被廣泛應(yīng)用于織物疵點(diǎn)檢測(cè)[1]。噴水織物采用具有疏水性的化纖長(zhǎng)絲為原料，織物風(fēng)格以素色織物背景為主，在生產(chǎn)過(guò)程中環(huán)境的復(fù)雜性、生產(chǎn)材料的多樣性，同時(shí)疵點(diǎn)檢測(cè)系統(tǒng)要求較高的實(shí)時(shí)性，使噴水織物疵點(diǎn)檢測(cè)算法很難擁有較好的通用性。

疵點(diǎn)檢測(cè)已經(jīng)做了許多相關(guān)的研究，如基于統(tǒng)計(jì)學(xué)的方法[2]將圖像灰度、紋理特征的統(tǒng)計(jì)結(jié)果作為疵點(diǎn)檢測(cè)的分析依據(jù)，此類方法對(duì)于素色織物具有較好的效果，同時(shí)疵點(diǎn)的檢測(cè)易受統(tǒng)計(jì)量選擇的影響?；诨叶裙采仃嚨目臻g灰度統(tǒng)計(jì)的方法[3]就是直接對(duì)織物圖像的灰度統(tǒng)計(jì)，從灰度共生矩陣提取出不同的特征值，并將被檢測(cè)織物圖像的特征值與正?？椢飯D像的特征值進(jìn)行比較。Zhu等[4]利用自相關(guān)函數(shù)和紋理特征的織物疵點(diǎn)檢測(cè)算法，該方法在共生矩陣上計(jì)算量大而且對(duì)細(xì)小的疵點(diǎn)校測(cè)效果不高?；贕abor濾波器的方法[5]利用紋理的頻譜特性，這種方法能夠有效地實(shí)現(xiàn)疵點(diǎn)檢測(cè)，但對(duì)于方格條紋色織物檢測(cè)效果不佳，同時(shí)對(duì)濾波器參數(shù)設(shè)定復(fù)雜。基于視覺(jué)顯著性[6]檢測(cè)法利用色織物紋理背景和疵點(diǎn)的差異性導(dǎo)致織物紋理周期性特征的顯著性變化實(shí)現(xiàn)疵點(diǎn)檢測(cè)，朱磊等[7]利用相似性度量函數(shù)進(jìn)行顯著性檢測(cè)，此類方法對(duì)明顯的疵點(diǎn)檢測(cè)效果較好，對(duì)細(xì)微的疵點(diǎn)檢測(cè)效果欠佳，但對(duì)于光照不均的檢測(cè)對(duì)象易誤檢。近年來(lái)，提出的基于深度學(xué)習(xí)模型[8-9]檢測(cè)法利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)疵點(diǎn)目標(biāo)進(jìn)行分類識(shí)別與檢測(cè)，在檢測(cè)速度和檢測(cè)精度上取得了不錯(cuò)的效果，但是缺陷織物數(shù)據(jù)庫(kù)通常太小無(wú)法訓(xùn)練出滿足生產(chǎn)要求的深度神經(jīng)網(wǎng)絡(luò)，所以在實(shí)際工業(yè)生產(chǎn)中很少得到應(yīng)用，實(shí)現(xiàn)過(guò)程難度較大。

上述方法都有著自身的特點(diǎn)，故針對(duì)噴水織機(jī)織物圖像易受光照不均的影響和疵點(diǎn)部分與背景區(qū)域?qū)Ρ榷鹊偷默F(xiàn)象，本文提出了基于信息熵來(lái)描述疵點(diǎn)圖像的灰度級(jí)的變化，引入能夠反映圖像紋理空間分布特征的二維信息熵特征顯著圖檢測(cè)方法，利用特征顯著圖得到徑向投影序列來(lái)判斷疵點(diǎn)有無(wú)，同時(shí)對(duì)有疵點(diǎn)的顯著圖通過(guò)最大間類方差法進(jìn)行閾值分割得到疵點(diǎn)的輪廓，從而實(shí)現(xiàn)對(duì)常見(jiàn)織物疵點(diǎn)的有效檢測(cè)。

1織物疵點(diǎn)檢測(cè)方法

本文提出的疵點(diǎn)檢測(cè)方法包括三個(gè)步驟：首先，對(duì)采集的織物圖像進(jìn)行改進(jìn)的同態(tài)濾波預(yù)處理;其次，基于二維信息熵計(jì)算圖像空間分布的特征顯著圖，通過(guò)得到的顯著圖的徑向差分投影序列判斷織物是否存在疵點(diǎn);最后，對(duì)特征顯著圖進(jìn)行閾值分割和形態(tài)學(xué)處理剔除異常點(diǎn)，得到疵點(diǎn)檢測(cè)結(jié)果。

1.1改進(jìn)同態(tài)濾波圖像預(yù)處理

在工業(yè)生產(chǎn)環(huán)境下的圖像采集過(guò)程中，一是噴水織機(jī)在生產(chǎn)過(guò)程中空氣的濕度大，二是光照系統(tǒng)在整個(gè)工作的電氣

環(huán)境下易受到各種干擾，使得采集圖像時(shí)因光照不均造成圖像的質(zhì)量較差，給檢測(cè)帶來(lái)的難度較大，故本文通過(guò)同態(tài)濾波進(jìn)行預(yù)處理來(lái)提高疵點(diǎn)檢測(cè)的準(zhǔn)確率。

圖像在照明-反射模型中可以表示照明分量和反射分量的乘積形式：f（x，y）=r（x，y）×i（x，y）。其中反射分量r（x，y）包含了圖像細(xì)節(jié)，在頻譜上其能量集中于高頻段;而照明分量i（x，y）的變化緩慢包含圖像的背景部分，其能量集中低頻段[10]。通過(guò)減弱光照不均對(duì)疵點(diǎn)檢測(cè)帶來(lái)的影響以增強(qiáng)圖像的局部對(duì)比度。同態(tài)濾波的過(guò)程如圖1所示。

圖1中，lnf對(duì)圖像進(jìn)行對(duì)數(shù)運(yùn)算;FFT為快速傅里葉變換;H（U，V）表示濾波函數(shù)，通常采用巴特沃斯高通濾波器;IFFT反傅里葉變換;exp表示取指數(shù)運(yùn)算。

傳統(tǒng)的濾波器因傳遞函數(shù)的參數(shù)太多，不易控制，需要調(diào)節(jié)大量的參數(shù)才能達(dá)到滿意的濾波效果。對(duì)于不同的織物圖像需要不同的高低頻增益及截止頻率，為了得到滿意的濾波效果同時(shí)減少調(diào)節(jié)參數(shù)獲得相似的濾波效果，本文提出了一種改進(jìn)的同態(tài)濾波傳遞函數(shù)。

H（u，v）=a+b11+[D0/D（u，v）]2（1）

式中：D0為截止頻率半徑，D（u，v）為（u，v）到濾波中心的距離，低頻增加倍數(shù)a起主要作用，b為高頻增加倍數(shù)（取值1.5）;通過(guò)對(duì)低頻增加倍數(shù)a調(diào)整得到不同幅值的濾波器函數(shù)。46959EF9-4829-46A2-8694-6A6099C9A635

為尋找最優(yōu)低頻增加倍數(shù)的濾波器函數(shù)對(duì)圖像進(jìn)行濾波處理，本文通過(guò)大量的實(shí)驗(yàn)，利用濾波后圖像方差來(lái)確定最優(yōu)的參數(shù)值a?？椢飯D像的方差反映了灰度值的離散情況，當(dāng)濾波后的圖像取得一個(gè)較大的方差時(shí)，就得到消除光照不均的濾波結(jié)果。在不同參數(shù)a得到的濾波函數(shù)濾波后圖像的方差曲線，如圖2所示，通過(guò)多項(xiàng)式擬合得到方差變化曲線，通過(guò)擬合曲線最大值得出a值，本文中a的取值為0.92，然后使用式傳遞函數(shù)對(duì)圖像進(jìn)行同態(tài)濾波。

經(jīng)同態(tài)濾波的預(yù)處理得到織物結(jié)果，如圖3所示，處理后的織物圖像消除了光照不均的影響，有利于圖像疵點(diǎn)的識(shí)別。

1.2二維信息熵圖

1.2.1信息熵與織物疵點(diǎn)的關(guān)系

根據(jù)人的視覺(jué)對(duì)圖像織物疵點(diǎn)圖像判斷時(shí)，當(dāng)織物圖像中的某一區(qū)域的灰度值變化大于周圍區(qū)域的變化時(shí)，該異常區(qū)域圖像更容易引起注意。Shannon[11]在信息論中使用信息熵來(lái)表示這種關(guān)系，圖像的信息熵如下式所示。

H=-∑L-1i=0P（Xi）log2P（Xi）（2）

式中：H為圖像的信息熵;Xi為每個(gè)像素的灰度值;P（Xi）是灰度為Xi的像素出現(xiàn)的概率;L為圖像中灰度級(jí)的數(shù)量。

噴水織物具有周期紋理的結(jié)構(gòu)，使用信息熵描述圖像灰度級(jí)分布的不確定性和信息量的度量，對(duì)于正常織物圖像，紋理特征是均勻分布的，得到的圖像熵值較小。對(duì)于疵點(diǎn)圖像，圖像紋理特征的一致性被破壞，疵點(diǎn)處的像素灰度信息量增加，熵值增大。為了解決信息熵在整個(gè)圖像層次上的局限性，根據(jù)圖像空域?yàn)V波使用卷積核的卷積運(yùn)算，本文提出在一維熵的基礎(chǔ)上引入了一種能反映圖像空間紋理信息分布特征的二維熵特征矩陣，并將特征提取的視野從整體轉(zhuǎn)到局部檢測(cè)的視野。

織物的組織是由經(jīng)紗和緯紗交替編織而成，在灰度分布角度下表現(xiàn)為紋理結(jié)構(gòu)的周期性，是由多個(gè)重復(fù)單元組成[12]。織物圖像中紋理基本單元之間具備很強(qiáng)的相似性，使用信息熵作為紋理基本單元的紋理特征的統(tǒng)計(jì)形式用于計(jì)算，當(dāng)出現(xiàn)瑕疵的時(shí)候，紋理基本單元中灰度值的一致性就會(huì)發(fā)生變化及灰度信息量增加，將圖像中的每個(gè)單元的熵值結(jié)果作為新的灰度值就可以構(gòu)成二維熵特征矩陣。在預(yù)處理后的織物空間域上提取圖像的熵值，歸一化為特征矩陣，即得到特征顯著圖，進(jìn)而從顯著圖中定位出疵點(diǎn)顯著性區(qū)域。

1.2.2二維信息熵圖的計(jì)算

為了得到與原圖像同樣大小的特征顯著圖，使用鏡像填充完成對(duì)圖像邊緣擴(kuò)展;為了提高熵值的準(zhǔn)確性和計(jì)算速度，對(duì)原圖像的灰度級(jí)L=256進(jìn)行壓縮，以不同灰度級(jí)Li得到特征顯著圖與人工標(biāo)注的疵點(diǎn)圖像之間的相似度關(guān)系，相似度越大顯著圖的計(jì)算結(jié)果越準(zhǔn)確，結(jié)果如圖4所示。

由圖4可知，不同灰度級(jí)下的計(jì)算時(shí)間，取Li=16計(jì)算效率最高，相似度Si如下式所示。

Si=1-2f（x，y）-gi（x，y）2f（x，y）2+g（x，y）2（3）

式中：Si為壓縮灰度級(jí)為i與人工標(biāo)注圖的相似度，X2為矩陣二范數(shù)，f（x，y）為人工疵點(diǎn)標(biāo)注圖，g（x，y）疵點(diǎn)顯著圖。

在織物圖像中以點(diǎn)（x，y）為中心，對(duì)m×n像素區(qū)域大小的圖像使用一維熵的公式計(jì)算該點(diǎn)處的熵值，為了增大疵點(diǎn)區(qū)域與正常區(qū)域熵值的差異，將計(jì)算后的結(jié)果進(jìn)行指數(shù)化。通過(guò)步長(zhǎng)為2遍歷圖像中的像素點(diǎn)，計(jì)算出反應(yīng)每個(gè)像素點(diǎn)周圍信息的熵值作為特征圖像相應(yīng)位置的響應(yīng)值，再對(duì)得到的顯著圖進(jìn)行上采樣得到一幅與原圖像相同大小的二維熵圖。二維熵的計(jì)算方法如圖5所示，H（x，y）為圖像中點(diǎn)（x，y）核大小為3×3的熵值，其中3×3領(lǐng)域包含三個(gè)灰度級(jí)：1、2、3，即L為3。

1.2.3計(jì)算核的確定

二維信息熵圖對(duì)局部紋理信息描述的準(zhǔn)確性取決于局部描述域的形狀和大小，即計(jì)算核尺寸。織物織造過(guò)程的主要疵點(diǎn)類型是徑向類疵點(diǎn)，即斷經(jīng)和斷緯。徑向疵點(diǎn)區(qū)域灰度值的分布特點(diǎn)是水平或豎直分布的特點(diǎn)，為了更加高效準(zhǔn)確地對(duì)局部灰度信息量的統(tǒng)計(jì)，本文采用矩形核進(jìn)行熵值提取。在局部信息熵的計(jì)算過(guò)程中，相比于方形核[13]，在斷經(jīng)或斷緯疵點(diǎn)區(qū)域矩形核更加符合疵點(diǎn)灰度值分布的特點(diǎn)，使得矩形核在計(jì)算熵值信息時(shí)可以包含更多的灰度級(jí)信息量，從而在徑向疵點(diǎn)的區(qū)域內(nèi)相比于無(wú)疵點(diǎn)區(qū)域所得的疵點(diǎn)區(qū)域熵值更大，所得熵值特征圖的疵點(diǎn)區(qū)域更加顯著，有利于疵點(diǎn)區(qū)域的分割。

對(duì)一幅500×100的疵點(diǎn)圖像，如圖6（a）所示，分別按二維熵的計(jì)算方法得到如圖6（b）（c）所示的特征顯著圖。從特征圖中可知矩形核對(duì)疵點(diǎn)的局部區(qū)域描述得更加準(zhǔn)確，所得疵點(diǎn)區(qū)域相比于背景區(qū)域具有更高的顯著性。為驗(yàn)證這一點(diǎn)，通過(guò)對(duì)得到的特征圖按織物徑向做均值投影（式（4））得到圖6（d）所示的熵值投影圖。從熵值投影圖中可知，相比于方形的計(jì)算核，在疵點(diǎn)處通過(guò)矩形核計(jì)算出的熵值要高于方形核的計(jì)算值，故本文提出的矩形核對(duì)疵點(diǎn)單元的熵值更加顯著。

Gmean（i）=1N∑Nj=1G（i，j）（4）

式中：Gmean（i）為熵值經(jīng)向平均投影序列;G（i，j）為熵圖中像素點(diǎn)（i，j）處的熵值;i取值為1～M，j取值為1～N;M為圖像的寬度;N為圖像的高度。46959EF9-4829-46A2-8694-6A6099C9A635

為了提高局部信息熵對(duì)織物紋理信息描述的準(zhǔn)確性，本文根據(jù)織物紋理結(jié)構(gòu)的最小重復(fù)單元來(lái)確定計(jì)算核的大小，采用自相關(guān)函數(shù)來(lái)計(jì)算緯向重復(fù)單元的大小，自相關(guān)函數(shù)的周期大小即為紋理基本單元重復(fù)呈現(xiàn)出的周期。圖像緯向的自相關(guān)函數(shù)如下式所示。

Cx，0=1M×（N-x）∑N-xi=1∑Mj=1Gi，jGI+x，j1M×N∑Ni=1∑Mj=1G2i，j（5）

式中：Cx，0代表代表水平方向上的自相關(guān)函數(shù)值;Gi，j為圖像中（i，j）處灰度值。

織物緯向的自相關(guān)曲線是具有多個(gè)峰值和谷值的光滑曲線，兩個(gè)相鄰“峰”或“谷”間的距離為織物的周期，如圖7所示。圖7中，前四個(gè)極小值點(diǎn)的自相關(guān)值為125.5、125.4、125.6、125.6，其相應(yīng)坐標(biāo)值為0，7，14，21。相鄰極小值點(diǎn)的間距分別為7、7、7，從而得到緯向的周期Tx=7，即矩形核的寬為7，矩形核的長(zhǎng)寬比為3︰2。

根據(jù)以上得出的結(jié)果，將大小和形狀為7×11的矩形計(jì)算核對(duì)疵點(diǎn)圖像每個(gè)像素點(diǎn)進(jìn)行信息熵的特征提取。每個(gè)計(jì)算核得到的信息熵作為相應(yīng)像素點(diǎn)的灰度值，對(duì)得到信息熵圖進(jìn)行歸一化至[0，1]，再將歸一化后的圖像灰度級(jí)放大到[0，255]，得到一幅單通道的視覺(jué)顯著圖，如圖8所示，顯著圖中的每個(gè)像素點(diǎn)的值為局部信息熵值。從顯著圖可以看出，不僅能有效抑制反復(fù)出現(xiàn)的織物紋理這部分冗余信息，同時(shí)疵點(diǎn)信息得到了有效的保留，實(shí)現(xiàn)了疵點(diǎn)的有效檢測(cè)。

1.3疵點(diǎn)區(qū)域分割

為了將織物疵點(diǎn)區(qū)域從特征顯著圖中提取出來(lái)，需要對(duì)織物顯著圖進(jìn)行閾值分割和形態(tài)學(xué)處理。本文采用最大類間方差法（QTSU）對(duì)得到的特征顯著圖進(jìn)行閾值分割，同時(shí)對(duì)二值圖像進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算，如圖9所示為二值圖像分割結(jié)果。

2實(shí)驗(yàn)

本文實(shí)驗(yàn)的圖像在車速為850r/min的HW8010型噴水織機(jī)（青島海佳機(jī)械有限公司）上利用U-300C面陣CCD相機(jī)（深圳邁視威科技有限公司）采集多種疵點(diǎn)圖像，為了清晰地展示出疵點(diǎn)區(qū)域的特征，將采集的70張（40幅疵點(diǎn)圖像和30幅正常圖像）圖像裁剪成大小為256像素×256像素的圖像?？椢锏谋尘盎ㄉ珵樗厣?，樣本疵點(diǎn)類型包括斷經(jīng)、吊經(jīng)、經(jīng)縮、油污等常見(jiàn)的區(qū)域性疵點(diǎn)。本文的檢測(cè)算法在pycharm2022.2編譯器上實(shí)現(xiàn)，使用Python基于OpenCV開(kāi)源視覺(jué)庫(kù)實(shí)現(xiàn)整個(gè)算法。實(shí)驗(yàn)設(shè)備為主頻為2.50GHz的Intel（R）Core（TM）i5處理器和16GBRAM內(nèi)存的win10操作系統(tǒng)計(jì)算機(jī)上進(jìn)行。

3結(jié)果與分析

3.1疵點(diǎn)圖像準(zhǔn)確性檢測(cè)

圖10為本文算法對(duì)采集的樣本中4組常見(jiàn)的織物疵點(diǎn)檢測(cè)結(jié)果。從圖10可以看出，本文算法能夠完整地從復(fù)雜背景紋理織物圖像中分割出完整連續(xù)的疵點(diǎn)區(qū)域，實(shí)現(xiàn)疵點(diǎn)的有效檢測(cè)。為進(jìn)一步驗(yàn)證該檢測(cè)方法所得到的疵點(diǎn)區(qū)域的準(zhǔn)確性，使用二值圖像的疵點(diǎn)邊緣與織物原圖像進(jìn)行與運(yùn)算，得到圖10（d）所示疵點(diǎn)邊緣疊加圖，通過(guò)本文算法得出的特征顯著圖能夠準(zhǔn)確地定位疵點(diǎn)的位置和形狀。

3.2疵點(diǎn)圖像有效性檢測(cè)

實(shí)際生產(chǎn)過(guò)程中得通過(guò)判斷當(dāng)前檢測(cè)對(duì)象是否存在疵點(diǎn)讓織機(jī)停機(jī)。為驗(yàn)證本文算法疵點(diǎn)檢測(cè)的有效性，對(duì)采集的不同光照條件下，包含斷經(jīng)、跳花、油污、斷頭疵、破洞五種常見(jiàn)類型的疵點(diǎn)織物圖像進(jìn)行驗(yàn)證。根據(jù)二維熵圖算法原則，無(wú)論織物圖像是正常圖像還是疵點(diǎn)圖像，其特征顯著圖都會(huì)存在顯著部分。正常圖像和疵點(diǎn)圖像的顯著圖如圖11所示，從生成的顯著圖中可以看出，斷經(jīng)疵點(diǎn)圖像生成的顯著圖中顯著區(qū)域?yàn)閿嘟?jīng)疵點(diǎn)在圖中的灰度分布區(qū)域，該區(qū)域的顯著值呈現(xiàn)出集中豎直分布的特點(diǎn)，其他背景區(qū)域的顯著值較低;而正?？椢飯D像生成的顯著圖中，具有多個(gè)較高的顯著區(qū)域，且在整個(gè)圖像中呈現(xiàn)出分散分布的特點(diǎn)。本文通過(guò)徑向投影差分序列[14]來(lái)判斷待檢測(cè)織物圖像是否存在疵點(diǎn)，通過(guò)下式的顯著圖的徑向投影序列的基礎(chǔ)上，進(jìn)一步得到徑向差分序列D={d1，d2，…，di，…}，di計(jì)算公式如下：

di=gi+1-gi，i=1，2，…，N-1（6）

式中：gi為第i列特征投影值;N為圖像的寬度。

織物圖像的徑向投影差分序列如圖11（e）所示。

從徑向投影差分圖中可以看出，正?？椢镲@著圖的差分序列波動(dòng)較小，而疵點(diǎn)織物顯著圖的差分序列在疵點(diǎn)處存在一個(gè)較大的突變。本文利用差分序列的峰值系數(shù)Cp和峭度因子Ck來(lái)判斷圖像是否有斷經(jīng)疵點(diǎn)[15]，峰值系數(shù)和峭度計(jì)算方法如下式所示。

Cp=αXrms（7）

Ck=βX4rms（8）

式中：α=xmax-xmin為差分序列D的峰值;Xrms={E[d2（i）]}12為差分序列D的有效值;β=E[d4（i）]為差分序列D的峭度。

通過(guò)對(duì)采集的40幅疵點(diǎn)圖像和30幅正常圖像進(jìn)行實(shí)驗(yàn)，對(duì)每個(gè)檢測(cè)樣本峰值系數(shù)和峭度因子的計(jì)算結(jié)果如12所示。當(dāng)峰值系數(shù)Cp>10且峭度因子Ck>10，則為疵點(diǎn)圖像，否則為正常圖像。從圖12可以看出，檢測(cè)的準(zhǔn)確率為97.5%，表明本文提出的方法可以有效檢測(cè)出織物疵點(diǎn)。46959EF9-4829-46A2-8694-6A6099C9A635

3.3不同算法檢測(cè)結(jié)果對(duì)比

選取5組典型的織物疵點(diǎn)圖，并將本文算法與其他3種疵點(diǎn)檢測(cè)算法進(jìn)行對(duì)比，結(jié)果如圖13所示。這3種疵點(diǎn)檢測(cè)算法分別是采用Lab顏色空間距離局部對(duì)比度的文獻(xiàn)[16]顯著性AC算法，文獻(xiàn)[17]提出的GBVS（Graph-basedvisualsaliency，GBVS）模型檢測(cè)算法，文獻(xiàn)[18]提出的PCA-Gabor算法。從圖13可以看出，文獻(xiàn)[16]方法可以大致地檢測(cè)出疵點(diǎn)所在的位置，但背景紋理部分沒(méi)有被很好地一致，可能是因?yàn)榭椢飯D像中的背景部分與疵點(diǎn)區(qū)域在顏色空間中對(duì)比度不高，同時(shí)提取的疵點(diǎn)輪廓也不完整。文獻(xiàn)[17]方法對(duì)在光照不均條件下的斷經(jīng)疵點(diǎn)檢測(cè)效果較差，對(duì)圖像的非疵點(diǎn)區(qū)域易發(fā)生錯(cuò)檢，得到的疵點(diǎn)顯著區(qū)輪廓大于實(shí)際的疵點(diǎn)輪廓，但對(duì)明顯的油污疵點(diǎn)檢測(cè)效果較好。文獻(xiàn)[18]方法對(duì)因光照不均勻條件下的織物疵點(diǎn)圖像檢測(cè)效果較差，可以在一定程度上識(shí)別出疵點(diǎn)位置，但是不能完全抑制背景部分，得到的檢測(cè)結(jié)果含有大量的噪聲。本文算法是基于灰度級(jí)檢測(cè)算法，可以更好地抑制重復(fù)的紋理單元，計(jì)算得到的檢測(cè)結(jié)果，即疵點(diǎn)區(qū)域與背景的對(duì)比明顯且能夠準(zhǔn)確地檢測(cè)出疵點(diǎn)圖像中疵點(diǎn)完整的輪廓。

選用采集的70張疵點(diǎn)圖像進(jìn)行檢測(cè)，按有疵點(diǎn)和無(wú)疵點(diǎn)織物圖像分類，進(jìn)行4種檢測(cè)算法的檢測(cè)準(zhǔn)確率和誤檢率進(jìn)行比較，如表1所示。檢測(cè)準(zhǔn)確率為正確檢測(cè)的帶疵點(diǎn)樣本與所有被判斷為疵點(diǎn)樣本個(gè)數(shù)的百分比，誤檢率即錯(cuò)誤檢測(cè)的無(wú)疵點(diǎn)樣本個(gè)數(shù)與所有無(wú)疵點(diǎn)樣本個(gè)數(shù)的百分比。從表1可看出，本文算法檢測(cè)的準(zhǔn)確率比其他3種方法提高了5%以上，同時(shí)對(duì)樣本的誤檢率均低于其他3檢測(cè)算法;本文算法在檢測(cè)速度上與文獻(xiàn)[16]基本一致，優(yōu)于其他2種方法。從上述實(shí)驗(yàn)結(jié)果可得出，本文采用特征顯著圖能夠有效地抑制背景紋理，同時(shí)顯著突出疵點(diǎn)區(qū)域，且能夠?qū)Υ命c(diǎn)區(qū)域進(jìn)行準(zhǔn)確定位。

4結(jié)論

本文通過(guò)對(duì)噴水織機(jī)織物徑向類疵點(diǎn)圖像紋理特征的研究，提出了基于二維信息熵來(lái)提取織物的特征顯著圖的檢測(cè)方法，根據(jù)紋理基元的灰度級(jí)的分布差異來(lái)分辨疵點(diǎn)基元。根據(jù)織物疵點(diǎn)檢測(cè)結(jié)果可以看出，每一幅織物圖像生成相應(yīng)的特征顯著圖，能夠較好地抑制織物的紋理背景，突出瑕疵區(qū)域，有效分割出斷經(jīng)、吊經(jīng)、經(jīng)縮、油污等常見(jiàn)徑向疵點(diǎn)類型，實(shí)現(xiàn)了對(duì)疵點(diǎn)區(qū)域的準(zhǔn)確定位。同時(shí)，利用徑向投影序列實(shí)現(xiàn)待檢測(cè)圖像是否存在疵點(diǎn)。實(shí)驗(yàn)結(jié)果表明，本文算法對(duì)素色織物疵點(diǎn)輪廓的準(zhǔn)確提取，使得檢測(cè)準(zhǔn)確率得到明顯提高。

參考文獻(xiàn)：

[1]OUYANGWenbin，XUBugao，HOUJue，etal.Fabricdefectdetectionusingactivationlayerembeddedconvolutionalneuralnetwork[J].IEEEAccess，2022（7）：70130-70140.

[2]BIM，SUNZ，LIY.Texturalfabricdefectdetectionusingadaptivequantizedgray-levelco-occurrencematrixandsupportvectordescriptiondata[J].InformationTechnologyJournal，2022，11（6）：673-685.

[3]王孟濤，李岳陽(yáng)，杜帥，等.基于灰度梯度共生矩陣和SVDD的織物疵點(diǎn)檢測(cè)[J].絲綢，2022，55（12）：55-61.

WANGMengtao，LIYueyang，DUShuai，etal.Fabricdefectdetectionbasedongray-levelgradientco-occurrencematrixandSVDD[J].JournalofSilk，2022，55（12）：55-61.

[4]ZHUD，PANR，GAOW，etal.Yarn-dyedfabricdefectdetectionbasedonautocorrelationfunctionandGLCM[J].AutexResearchJournal，2022，15（3）：226-232.

[5]TONGL，WONGWK，KWONGCK.Differentialevolution-basedoptimalGaborfiltermodelforfabricinspection[J].Neurocomputing，2022，173（6）：1386-1401.

[6]李倩倩，周武能.利用上下文視覺(jué)顯著性檢測(cè)色織物的疵點(diǎn)[J].棉紡織技術(shù)，2022，46（2）：9-13.

LIQianqian，ZHOUWuneng.Defectioninspectionofyarn-dyedfabricwithcontext-awaresaliency[J].CottonTextileTechnology，2022，46（2）：9-13.

[7]朱磊，任夢(mèng)凡，潘楊，等.基于相似性定位和超像素分割的織物疵點(diǎn)檢測(cè)[J].紡織學(xué)報(bào)，2022，41（10）：58-66.

ZHULei，RENMengfan，PANYang，etal.Fabricdefectdetectionbasedonsimilaritylocationandsuperpixelsegmentation[J].JournalofTextileResearch，2022，41（10）：58-66.46959EF9-4829-46A2-8694-6A6099C9A635

[8]晏琳，景軍鋒，李鵬飛.FasterRCNN模型在坯布疵點(diǎn)檢測(cè)中的應(yīng)用[J].棉紡織技術(shù)，2022，47（2）：24-27.

YANLin，JINGJunfeng，LIPengfei.ApplicationofFasterRCNNmodelusedingreyfabricdefectdetection[J].CottonTextileTechnology，2022，47（2）：24-27.

[9]王理順，鐘勇，李振東，等.基于深度學(xué)習(xí)的織物缺陷在線檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2022，39（7）：2125-2128.

WANGLishun，ZHONGYong，LIZhendong，etal.On-linefabricdefectrecognitionalgorithmbasedondeeplearning[J].ComputerApplications，2022，39（7）：2125-2128.

[10]梁琳，何衛(wèi)平，雷蕾，等.光照不均圖像增強(qiáng)方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2022，27（5）：1625-1628.

LIANGLin，HEWeiping，LEILei，etal.Surveyonenhancementmethodsfornon-uniformilluminationimage[J].ApplicationResearchofComputers，2022，27（5）：1625-1628.

[11]SHANNONCE.Amathematicaltheoryofcommunication[J].TheBellSystemTechnicalJournal，1948，27（3）：379-423.

[12]祝雙武，郝重陽(yáng).基于紋理周期性分析的織物疵點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2022，48（21）：163-166.

ZHUShuangwu，HAOChongyang.Fabricdefectdetectionapproachbasedontextureperiodicityanalysis[J].ComputerEngineeringandApplications，2022，48（21）：163-166.

[13]LIUGuohua，ZHENGXiangtong.Fabricdefectdetectionbasedoninformationentropyandfrequencydomainsaliency[J].TheVisualComputer，2022，37（3）：51