图像分割以及识别技术在帘子布疵点检测中的应用

图像分割以及识别技术在帘子布疵点检测中的应用图像分割技术是图像处理中非常重要的一步，尤其对于一个在线监测系统来说，分割的效果对图像分割的效果直接影响后续疵点缺陷的特征提取及疵点类型的识别。现有的分割算法非常多，但是基本上是一种产品对应着一种分割算法。1.引言文章分析、比较了在图像分割以及图像分类识别的几种最为典型、常见的几种传统方法的特点，并在每个部分都选取最优的算法，组合在一起构成了适用于帘子布疵点检测的图像预处理体系。在图像分割部分，我们使用了经典的Otsu法，此方法我们发现仿真结果使疵点有些失真；我们使用了基于统计学理论的阈值曲面概念，在此方法中，为了规避传统阈值曲面方法的缺陷，对于阈值曲面的建立采取了不一样的方法；同时，我们还使用了PCNN算法对疵点图像进行了分割。分割之后，我们采用了一种基于距离的疵点缺陷聚类方法，以便对疵点信息有一个更好的了解。在图像识别部分，采用了经典的BP神经网络对疵点类型进行分类，同时与改进的SVM分类方法进行比较。实验表明，最终我们选择的算法能达到比较好的识别效果，并且实时性比较强。随着生产技术的进步，人们更加关注产品质量，尤其对以产品外观质量作为附加价值的产品，比如一些印刷以及包装或者工艺品等；其次是那些表面缺陷会直接影响产品使用的，这样就会带来比较大的损失。这样一来，产品质量的检测越来越受到科研及生产的关注。而传统的产品检测都由人工进行，人对于产品的检测则存在很多的不确定性。首先，人不能全面的检测产品，尤其是在实时的生产线上；其次，受到心情等主观因素的影响，人对于产品的检测准确性也会出现不稳定性。而随着计算机技术的发展，人们开始考虑把计算机的快速性、可靠性、结果的可重复性与人类视觉的高度智能化以及抽象力结合起来。从此，人们对于基于机器视觉的产品缺陷检测系统的研究也就变得越来越关注。2.机器视觉以及图像分割技术机器视觉指的是基于视觉技术的机器系统或者学科，故此，机器人、图像系统、基于视觉的工业测控设备等等统属于机器视觉范畴。但是，通常我们认为机器视觉更多的是指基于视觉的工业测控系统。作为一个机器视觉系统，首先处理会是视觉信息，通俗来说，就是系统中相机设备采集到得图片信息，相机在这样一个系统中取代人眼。对图片信息的处理是这样一个机器视觉系统的核心，如何处理，处理的结果如何，是研究的重点之所在。图像处理技术是机器视觉的核心，而此技术也越来越在现代的工业进程中占据着越来越重要的地位。根据2004年美国计算机协会图形图像分会年会报告的统计，全球计算机图形图像在工业与商业领域的应用，在2004年度估计价值总量将达到1087亿美元，而到2008年将达到1711亿美元，累计年增长率约为9%；其中三维技术应用发展最迅猛，从2004年的474亿美元到达2008年的889亿美元，累计年增长率约为13%。从这些数据不难看到，计算机图形图像产业孕育着巨大的市场潜力，充满无限商机。目前，机器视觉技术在国外已经发展的相对成熟，在很多的领域都有成熟应用，如：IC封装、印刷、航天、地貌分析以及汽车生产领域都得到了应用。在国内，则在一些低速、小系统方面已相对成熟，如：字符识别、玻璃瓶嘴的检测等领域内，对于一些高要求的系统，我们可以依靠进口或者合作开发，但纯粹进口费用太大，而且也不见得适合国内生产的需要，比如存在检测精度太高，或将非缺陷部分检测成为缺陷部分；而合作开发存在的问题则是，我们只承担一些低端的机械方面的工作，无法掌握核心的技术，如图像处理的算法。所以，我们急切的需要自主研发的机器视觉系统，根据自身需要设计视觉检测机。检测系统的实时性是衡量这样一个系统好坏的很重要的一个指标，甚至实时性若过差将使得整个系统都无法正常的工作，而检测系统的实时性状况除了跟硬件状况有关系外，最关键的还是图像处理算法的实时性水平。我国对于机器视觉的研究起步较晚，但是国外早在上世纪八十年代左右就开始了这方面的研究，经过几十年的发展，检测系统中的算法已经越来越能适应在线系统的需要。传统的已经用于实际生产的算法通常都是先提取特征值，再进行分类识别，且分类器的选择一般都是人工神经网络。在线系统中，对于图像的处理一般经过预处理、分割、特征提取以致到最后的分类识别。预处理过程相对简单，易处理。而剩下的几个过程就比较难以又需要的高速度，故这几个过程的处理算法有一个逐渐的发展过程。1）数字图像分割图像分割是图像处理与机器视觉的基本问题之一。在一个在线的产品检测系统中，图像分割通常指将疵点从背景中分离出来的过程。常用的图像分割方法有阈值法、轮廓检测和区域检测。2）提取特征值应用于特征值提取的算法最初多是利用图像灰度值直接计算，如灰度共生矩阵、马尔科夫随机场等，如：1990年Yoshioshimizu等从图像灰度共生矩阵提取特征，1991年Cohen等采用高斯马尔科夫随机场纹理模型对织物疵点的检测进行了研究；其中一些算法存在计算量大而导致处理速度过慢的缺点，而且识别率普遍不高。接着引入的是傅里叶和Gabor变换，随后则是小波变换，小波变换引入了尺度因子，能够将各种交织在一起的不同频率组成的混合信号分解成不相同频率的块信号，能有效地应用于织物疵点识别。3）分类识别一开始使用过贝叶斯决策，到后来则逐渐的使用人工神经网络。当然也有几种方法结合起来使用的检测，或者较为独特的一些算法；如：2000年Chi-hoChan等将织物图像经两点FTTP计算出图像的频域功率谱。2002年D.A.Karras等研究了用二维离散小波变换与神经网络相结合的方法对织物疵点进行识别。2005年Sungshin等设计了一种在线疵点识别系统，由程序将二维图像信息转为一维数据，再由自适应小波变换后数据的信噪比检测出疵点。我国的织物疵点自动检测方面的研究起步比较晚，虽然起步较晚，不过对于织物疵点自动检测也进行了大量的研究，如华中科技大学、浙江理工大学等学校的学者对此都有比较深入的研究，在对图像的识别上已经取得了很好的成果，虽然还鲜有成熟的自动检测系统出现，不过日趋成熟的算法，已经可以让人看到希望之所在。研究内容主要为疵点识别的算法，特征提取方法涉及空间域的纹理分析、灰度共生矩阵等算法，频率域的小波变换算法等，疵点判定和分类多使用BP神经网络。小波近些年成为图像处理的热门方法，先后有李立轻、徐增波、屈萍鸽均用此法对疵点图像进行处理，且都取得了不错的效果。从多处实践中可以看出小波变换适用于非稳定信号的分析，而我国由于研究起步较晚，故在疵点识别时直接利用小波变换来处理。在分类识别这一方面，BP神经网络的使用逐渐被学者所关注，如努尔顿等将灰度统计法得到的疵点特征值信息输入到BP神经网络，实现了对疵点的分类。而在空间域方面，由于计算机速度的不断提高，容许更为复杂算法的使用，加上算法本身的不断发展和完善，也为疵点识别方法提供了更为丰富的选择如:基于局部墒、纹理分析、马尔可夫随机场等的算法，或综合使用多种处理方法的算法。甚至还有使用PCNN神经元点火的算法出现。方法可谓多种多样，其中一些也日趋成熟，具备很强的实用性。综上所述，目前这些新技术新方法在实际综合应用于纺织业织物疵点检测中都还存在这样那样的缺陷，如没有满足实时性的要求等。尽管有的算法提出了好的想法，也在实验室作了一些实验，还是比较成功，但这些算法都是在普通织物上，还没有针对帘子布网状织物的疵点检测提出合适的算法，因此有必要继续探索研究。网状织物疵点图像的采集(a)借用目前分辨率较高的CCD摄像机对网状织物表面图像进行采集。(b)如何设置光照条件，以保证采样时的光照均匀，从而使采集的数字图像便于处理。3.图像处理机器视觉的核心技术是数字图像处理。国外成熟的在线检测系统我们通常都无法掌握核心的图像算法部分，而这样一个图像处理算法通常都决定了整个系统的实时性水平以及对疵点识别的正确率。所以对于一个在线检测系统的算法通常遵循以下原则：首先满足检测的需要，也就是得尽可能的提高检测的正确率，使得产品的质量尽可能的高；其次是在满足条件一得前提下，采用尽可能简单的算法，使得运算速度尽可能的快，这样才能满足实时检测这样一个要求。在我们这样一个系统中图像处理主要包括1）图像预处理，包含了去噪、平滑、锐化等几个方面；2）图像分割，对这样一个实时的帘子布疵点检测系统而言，图像分割是指对实时采集的帘子布的图像上的疵点从图像背景中分离出来的过程，这样便于下一步的特征提取以及分类识别。3）疵点的分类识别，在这一步中，通常需要先进行特征提取，也就是对疵点的特征进行量化，以更好的让计算机对疵点类别进行识别，具体而言，特征提取指的是：(a)对网状织物疵点图像进行模式特征抽取。(b)通过对网状织物疵点特征分析和进行大量试验，优化处理算法。由于现有的图像预处理算法已经比较成熟，故本课题着重对图像分割和图像识别算法的研究。帘子布的外观疵点有以下几种：断经，浆斑，劈缝，经线连续粘并等四种疵点。断经指经面上某段缺少一根或若干经纱，出现了一细条组织不连续空格；浆斑是锦纶纱线在染浆的过程中浆液飞溅或带到纱片上经烘燥后产生的，本文研究的浆斑面积在4~10cm2；劈缝是相邻两根经线因纬线连续断裂而造成在大于等于4cm长度内没有纬线连接；经线连续粘并是相邻两根经线由固化了的浸胶液粘连在一起的缺陷。本文主要研究对锦纶帘子布上这四种疵点进行检测的方法。以下即为帘子布疵点的原图。图1.帘子布各类疵点图像4.图像分割技术在帘子布检测中的运算从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。而在图像处理中，聚类是指将已经分割出来得到的二值化图像上的相邻或相近的疵点组合成疵点块的过程。也就是说，聚类是对区域进行了一个划分。因为在对图像进行分割后，我们得到了只有两个灰度值的图像，背景部分为0，疵点缺陷部分为明显的白色，也就是灰度值为255.人类只需要看图片就能对图片有着直观的印象，比如它的形状，它的大小等等。但是计算机需要一个具体的数值才能得出这样一些特征，故我们对分割后的图片进行一个聚类处理之后，能更好的为后续的特征提取打下好的基础。传统的聚类有8领域搜索算法，此法指的是对一个像素点的旁边八点进行搜索，若旁边点的像素均为255，则我们认为这一点的像素也为255；区域生长法，则是将相邻的小区域进行合并；种子填充法，这种算法通常指从多边形区域的一个内点开始，由内向外用给定的颜色画点直到边界为止，如果边界是以一种颜色指定的，则种子填充算法可逐个像素地处理直到遇到边界颜色为止。我们可以看出这些算法都需要在图像中进行重复搜索，计算量随着疵点的个数的增长而成级数增长。在最新的研究中，有人提出一种基于广度优先和深度优先的聚类方法，此方法利用多分辨率的，首先将疵点进行分簇处理，搜索出所有疵点缺陷簇，然后进行逐簇的疵点合并，这种方法与传统方法相比较计算效率有一定改进，但是它牵涉到复杂数组处理且对其中的很多疵点缺陷簇进行了重复检测，故其实时性相对来说，不是很好。基于提高速度这一原则，且在分析了上述的很多算法之后，在此我们提出一种基于距离的疵点缺陷聚类方法。5.小结图像分割中，使用了经典的Otsu方法对疵点图像进行分割，同时提出了基于统计学基础的阈值曲面的分割算法，在此算法中，我们才气基于统计学的办法，减少计算量，在阈值采取上，我们将待分割图像与基准图像进行比较，得到动态的分割阈值；最后，我们还采用了改进的PCNN算法，此方法分割效果更为优异，只是繁杂的计算量使得实时性需求不能被那么好的实现。这也是本文算法需要继续探索以及改进的一部分。疵点缺陷聚类一部分，采取了基于距离的疵点缺陷聚类方法，实验证明，此法实时性良好。特征提取中，分析了四种疵点的外观形状，提出区域面积A，长度L，宽度B，经纬向伸长度E，粗糙度R，紧密度C等六种特征。经过实验，选用区域面积A、长度L、宽度B、经纬向伸长度E、、紧密度C作为基本特征。除此之外，我们选用不变矩作为疵点