织物疵点检测系统组件及选择

1 引言

在纺织行业中，疵点检测是织物品质管理的重要环节，织物疵点检测系统的效率及效果直接影响纺织产品的质量及价格[1]。织物疵点检测是一项极具挑战性的任务。在计算机视觉技术出现之前，纺织行业主要依靠人工检测织物生产过程中的疵点，但人工缺点很多，如：注意力不集中、易疲劳、耗时等常常导致检测结果不准确，细小的缺陷往往不能被发现等，因此检测的一致性及效率都很难保证。在上世纪80年代，计算机视觉技术以及数字图像处理和分析技术开始发展并被广泛应用于各个领域，基于这些技术的织物自动检测成为提高织物质量的有效手段，不仅在提高织物质量及降低人工成本方面发挥着不可替代的作用，而且顺应了纺织工业自动化、智能化、高效化的发展趋势[2]。

2 基于计算机视觉技术的织物疵点自动检测概述

计算机视觉是指使用计算机而不是人眼来测量和判断结果。它借助图像获取设备，将采集的目标转换为图像信号，然后将其发送到计算机进行处理和分析。计算机视觉可以自动适应环境，其最终的研究目标是使计算机能够像人眼一样观察、追踪、测量目标。

基于计算机视觉的织物疵点自动检测原理是，首先由相机拍摄图像，然后通过采集卡发送到计算机，用软件对图像进行预处理、提取特征并进行进一步分析，根据获得的图像特征对比参照物数据用于判断织物是否存在疵点，并进一步分析疵点的类型（图1）。

图1 计算机视觉检测系统组成

3 织物疵点检测系统组件选择

3.1 相机选择

上机织物图像采集难以获得高质量图像的限制因素之一是相机的选择。一般有两种相机用于织物疵点检测：线阵相机和面阵相机。线阵相机可以高速地以线条的形式从织物表面获取图像。线扫描摄像机必须通过编码器与运动的织物同步，利用摄像机-编码器接口应用程序来获得机上织物的真实运动方向。面阵相机可能会以较低的速度获取织物图像，但它获取的织物图像可能是模糊的（见图2）[3]。

图2 织物面阵相机扫描图像（左：织物静止；右：织物运动）

为了消除面阵相机获取的图像中的模糊，在分析高速物体时，首选的应是线阵相机。现今，140千赫（1秒内约14万行图像数据）的线阵高速相机已被生产出来。因此，在对织物进行静态分析时，应采用面阵相机，而对运动织物进行分析时，应使用线阵相机。

3.2 镜头选择

相机能拍到的区域和视野取决于使用的镜头。因此，应根据传感器的工作距离、视野和大小来选择最合适的镜头。要求的图像大小、形状和清晰度直接关系到镜头的选择，为此，应计算焦距（f值）。f值可以通过以下公式计算：

其中B和A分别是图像大小和对象大小。b和a分别是图距和物距（图3）。

图3 图距、物距及镜头焦距示意图

每个镜头都有固定的焦距（FFL）值。在实际应用中可以选择焦距为f的计算值或f－2≤FFL≤f+2的任何镜头。为了获得最佳质量的图像，研究及生产人员应考虑放大系数。在工业图像处理应用中，要求放大倍数大于1:10（传感器尺寸：物体尺寸）。

3.3 照明方式及光源

光照是许多机器视觉和图像采集系统的一个基本要素。目前有4种不同的照明技术被应用于自动织物控制系统——正面、背面、光纤和结构照明技术[4]。正面照明技术通常用于检测厚织物，其光源与织物前面的摄像头在同一位置。背面照明技术常被用来消除半透明织物结构中的重影[5]。与正面照明相比，位于织物背面的线光源可以使我们获得对比度更合适的图像。光纤照明是一种比较新颖的节能照明技术[6]，但在纺织检测中，对于宽度大于1.82m的织物图像，光纤照明方式不经济。结构照明系统中使用了红外光和高帧频摄像机，能够区分有瑕疵和无瑕疵的织物图像。光源选择对捕捉高质量图像非常重要。在电磁波谱中，人眼可以看到400nm～700nm波长范围内的辐射。LED照明可提供接近人眼的照明质量。因此，在近几年发展起来的织物控制系统中，为了实现有效且成功的机器视觉，线型LED光源是首选。

3.4 图像采集卡

图像采集卡的作用是作为摄像机和数据处理单元之间的数据传输单元。要将图像从相机传输到数据处理单元，必须快速存储和传输每条信息。由于织物疵点检测过程需要高速线阵相机，因此图像采集卡是必需的。此外，图像采集卡可以将从多个摄像头产生的数据同时传输到计算机。

4 织物疵点检测系统组件选择面临的难点

4.1 织物纹理复杂多变

目前的织物原材料主要包括纤维和纱线。通常来说，机织物是一种结构化材料，由大量形状固定（原材料决定）的重复结构单元组成。然而，由于原料弹性和编织参数的影响，织物的纹理通常显示出显著的随机性，这种现象在高密度平纹织物尤为明显。这些因素给捕获具有通用性的图像特性方面带来了很大困难。

4.2 疵点类型繁多

在织物生产过程中，大部分疵点的产生都是由于原材料本身的缺陷或者织机的故障，这使得机织物疵点形状、大小、结构都具有显著的随机性。鉴于此，想要采集所有类型疵点建立样本数据库对检测系统组件进行选择及对算法进行优化近乎不可能。

4.3 检测系统和算法难以满足实时运行要求

疵点检测的进行需要实时在线检测，单位时间内处理的数据量巨大。例如，假设检测所用分辨率为7像素/mm，若要以30m/min的速度完成幅宽为2m布匹的实时检测，采用灰度图像进行检测时每秒需要处理的数据量约为49MB （7×2000×30000/60×7），彩色图像的数据量则为灰度图像的数倍[7]。因此，高性能硬件的选择和高精度算法的实现难度很大。

5 织物疵点检测方法概述

目前已建立多种织物疵点检测方法，主要包括：基于统计的方法、基于结构的方法、基于频谱的方法、基于模型的方法和基于学习的方法。由于每种方法是使用不同的数据库、不同的参数和不同的成像系统进行的，这些方法的有效性和可靠性不够客观。因此基于深度学习的疵点检测成为近年来研究的热点，神经网络在特征提取、分割和优化等方面有着广泛的应用。利用深度学习技术融合颜色和纹理等特征可能是未来的一个方向。在这一领域，实时疵点检测仍然是一个开放的研究领域，针对实时应用的研究模型报道较少。未来，利用计算成本较低的小型设备进行疵点检测将是纺织行业的一个关注点，这对检测系统的有效构建带来了新挑战。

6 结语

传统上，织物质量的检测靠人工来完成，但其会导致生产率低下，市场损失较高。近些年来，计算机视觉技术逐渐被应用于纺织品检测领域。虽然国内对于织物疵点检测系统的研究比国外起步晚，但是近些年发展迅速，取得了丰硕的成果，具有广泛的市场前景。迄今为止已经发展了多种织物疵点检测方法。但目前来说，由于织物类型及缺陷类型多种多样，兼具通用性和有效性的自动实时疵点检测系统及可以在所有织物类型上运行的单一方法还没有被开发出来，因此合理配置硬件是织物质量检测工作的基础。综上所述，织物疵点自动检测系统组件的优化选择及多种检测方法的结合使用可能是未来研究的重点。本文对纺织品疵点检测系统组件选择及在这一过程中面临的或亟待解决的困难进行了简要介绍和探讨。希望为研究纺织检验中计算机视觉技术应用及系统组件选择提供一定的参考。