基于局部纹理图像表征的织物疵点检测

吴 莹，郭佩瑶，刘燕萍，娄 琳，王 忍

(1.天津大学 电气自动化与信息工程学院, 天津 300072;2.浙江理工大学 a.服装学院, b.经济管理学院,浙江 杭州 310018)

疵点检测是纺织品表观质量控制与等级评定中的关键环节之一。目前,国内纺织品纹理分析和疵点检测仍采用人工来完成。由于受到生理、心理和外界环境影响,人工检测存在客观性较差、检测效率低等缺点[1],还会对操作人员的身体健康产生重要影响。虽然织物疵点检测技术已成为研究热点[2-3],检测系统及算法对特定的织物有很好的检测效果[4],但由于纤维材质、织造工艺等因素,同一幅织物图像存在细节差异,加上织物纹理的复杂多变以及疵点具有较强的随机性和不可预测性等诸多挑战,算法的通用性、实用性以及检测效率仍需进一步研究。

纹理分析方法有小波、结构法等[5-9]。Hanbay等[10]将现有的纹理特征提取方法归结为以下6类:基于频域、基于统计、基于模型、基于结构、基于学习和基于混合等方法。其中,基于频域[11]、基于统计[12]、基于模型、基于结构等方法的关键在于特征的选取,特征和参数的最优性无法得到保证,其检测的准确度、通用性有待进一步提高。基于学习的方法可绕开特征选择的问题,但多用于坯布和单色织物的研究,不适用于相对复杂的织物纹理。织物纹理结构变得越发复杂和精细,导致检测难度加大。各种处理方法在不同尺度上的检测效果不同。此时学者开始采用深度学习[13-15]或者混合方法来弥补单一检测方法的局限性,可对更为复杂的织物(色织物和图案织物等)进行纹理分析和疵点检测[16-19]。虽然基于深度学习的织物疵点检测被广泛关注,但其需要大量的时间和训练样本。生产方式的改进导致疵点样本的收集更加困难,同时疵点的随机性和不可预测性,使得织物疵点检测仍是一个难题。

为提高织物疵点检测算法的准确率和不同纹理的适应性,以无疵点织物纹理图像为研究对象,提出基于局部织物纹理表征的疵点检测方法。该方法采用稀疏字典重构织物纹理图像作为标准模板,将待检测对象与之进行模板匹配,实现织物疵点的自动识别。

1 基于稀疏表示的局部织物纹理表征

1.1 稀疏表示

任意给定信号矩阵X=[x1,x2,…,xn],xi∈Rm,信号的稀疏表示在l2范数近似条件下构造的优化函数如下:

(1)

式中:D为字典矩阵;α为系数矩阵;αi为系数矩阵的列向量;T为稀疏基数,正整数,控制稀疏程度;‖αi‖0为式中非零项的个数。字典D和由αi组成的系数矩阵α都是未知的。

因OMP(orthogonal matching pursuit)算法简洁有效,故选择OMP算法来获取稀疏系数[20]。

1.2 子窗口划分

为了兼顾纹理标注效果和计算效率,本文对织物纹理图像进行子窗口划分[20]的处理,如图1所示。

图1 子窗口划分方式Fig.1 Sub-window division

对于任意织物纹理图像矩阵Y∈RM×N,其中M、N分别表示织物灰度图像的高度和宽度,子窗口尺寸为h像素×l像素,重叠子窗口划分所得h像素×l像素的子窗口图像个数A如式(2)所示。

A=[(M-h+1)]×[(N-l+1)]

(2)

无重叠子窗口划分可以得到的h像素×l像素的子窗口图像个数B如式(3)所示。

B=(M/h)×(N/l)

(3)

本文采用256像素×256像素的织物灰度图像,子窗口尺寸为8像素×8像素,采用重叠子窗口划分和无重叠子窗口划分所得数据集大小分别为62 001和1 024,可见重叠子窗口需要处理的子窗口样本远多于无重叠子窗口。因此,本文织物纹理表征采用重叠子窗口划分,以充分考虑样本图像的冗余信息;为了提高检测效率,疵点检测采用无重叠子窗口划分。

1.3 局部表征

对于任意织物图像Y,其纹理表征的公式如式(4)所示。

(4)

式中:ε为允许接受的误差。

(5)

2 织物疵点检测

在纹理表征基础上,采用阈值分割法进行疵点检测,如图2所示。

图2 疵点检测流程图Fig.2 Defect detection flow chart

残差矩阵E的平方和R及阈值F的计算式分别如(6)和(7)所示。

(6)

F=μ+pσ

(7)

(8)

式中:R(:,j)为残差矩阵的误差平方和中的第j列,j=[1,2,…,m]。

3 试验结果与分析

本文原始样本图像皆为8位灰度图像,尺寸为256像素×256像素。使用的操作系统是Windows 10(64 位);计算机配置为INTEL CPU(3.40 GHz)和8 G内存。疵点检测试验通过MATLAB R2014A实现。

3.1 稀疏基数优选

稀疏基数是图像重构的关键参数之一,在满足不同应用前提下,优选纹理表征和疵点检测所需的稀疏基数。稀疏基数与程序时间密切相关[20],以样本1(平纹)和样本2 (斜纹)为例,对15个不同稀疏基数T=1～15进行测试,样本原始图像见图3,量化指标PSNR(peak signal noise to ratio)和SSIM(structural similarity)的结果见图4。

图3 原始样本图像Fig.3 Original fabric sample image

图4 不同稀疏基数的重构图像量化测试结果Fig.4 Quantitative test results of the reconstructed images with different sparse cardinalities

由图4可知:对于不同组织结构而言,随着稀疏基数的增大,样本1和2的重构图像量化测试指标拥有相似的规律,即稀疏基数增加,PSNR和SSIM数值变大,图像重构效果变好。当T持续增加到8时,量化指标的PSNR值持续增大,SSIM值逐渐收敛;当T持续增加到10时,重构图像与原始图像相似度非常高,SSIM值无限接近1.0;继续增大T值,SSIM收敛平缓,图像纹理表征效果差异较小。

虽然T值越大,图像纹理表征效果越好,但这会增加计算成本,导致算法运行速度变慢,不能满足疵点检测算法实时性的需求。T值过小,织物图像纹理细节不能被近似重构,导致表征效果差。综上所述,结合纹理表征和疵点检测的不同需求,纹理表征选用的稀疏基数为10,疵点检测的稀疏基数为1～3。

3.2 子窗口优选

3.2.1 无疵点织物纹理子窗口优选

以样本1和2为例,对3种不同子窗口尺寸的原始织物纹理图像和带噪纹理图像进行表征,从定性和定量两方面分析子窗口尺寸分别为8像素×8像素、16像素×16像素和32像素×32像素时的纹理表征结果,如图5和表1所示。其中,字典个数为256,稀疏基数为10。

表1 不同子窗口尺寸的重构图像量化测试效果

图5 基于不同子窗口尺寸的样本图像的重构图像Fig.5 Reconstructed image of sample image based on different sub-window sizes

由图5可知:样本1和2 基于子窗口8像素×8像素的纹理表征效果最好,与图3中的原始样本图像最为接近。由表1可知:在试验条件下,样本1和2基于子窗口尺寸为8像素×8像素的重构图像的PSNR、SSIM值最大。由此可知,随着子窗口尺寸增大,样本1和2的重构图像的PSNR和SSIM值减小。

由此可见,采用子窗口尺寸为8像素×8像素划分样本将获得更多的数据,蕴含更丰富的纹理素,重构样本纹理图像已满足表征精度,因此无疵点织物纹理表征选用子窗口尺寸为8像素×8像素。

3.2.2 疵点织物子窗口优选

以织物疵点破洞和跳花为例,不同子窗口尺寸的疵点检测结果见图6。由图6可知:子窗口尺寸为8像素×8像素时,所提算法能有效检测出疵点域,但疵点的误检率较高;当子窗口尺寸为16像素×16像素时,疵点检出率相比子窗口尺寸为8像素×8像素有所提高,误检率降低;而子窗口尺寸为32像素×32像素的误检率最低,检测结果最好。因此选用无重叠子窗口尺寸为32像素×32像素进行疵点检测。

图6 不同子窗口尺寸的织物图像的疵点检测结果Fig.6 Defects detection results of fabric images with different sub-window sizes

3.3 无疵点织物纹理表征

织物疵点检测阶段,噪声会影响检测,降低检测结果的准确率。因此,需要对织物图像进行降噪声处理,从而降低噪声干扰。为此本文对织物图像添加高斯噪声,研究带噪图像纹理的表征以验证算法的抗噪性。

以样本1和2为例,添加标准差为10的高斯噪声,在子窗口尺寸为8像素×8像素,稀疏基数T=10,从视觉指标来对表征效果进行分析,结果如图7所示。由图7(b)(d)可知:所提算法对于高斯噪声有一定的抑制作用。

3.4 疵点检测

选用不同组织如平纹、斜纹和小提花的织物疵点样本,其中包含粗纬、双纬、百脚、破洞、缺纬、竹节、跳花、断疵、稀纬等10多种不同类型疵点,共54张有疵点的样本图像和4张无疵点的织物样本图像,部分织物疵点样本如图8所示。

采用检出率(correct detection rate, CDR)和误检率(false detection rate, FDR)对疵点检测结果进行定量评价,计算公式如式(9)和(10)所示。

(9)

(10)

式中:Nc为疵点样本被正确标记为疵点样本的个数;Nd为疵点的总个数;Ns为无疵点样本被误判为疵点样本的个数;Nr为无疵点样本的总个数。据经验分析,设定稀疏基数T为1～3,常数p在1和2之间手动调整。疵点量化检测结果如表2所示,图8中的疵点样本的检测结果如图9所示。

表2 疵点量化检测结果Table 2 Defect quantitative detection results

图9 部分疵点样本检测结果Fig.9 Detection results of partial defect samples

由表2和图9可知:所提算法不仅适用于平纹织物和斜纹织物,还可用于小提花等较为复杂的织物纹理,疵点的检出率在96.0%以上,进一步验证了本文算法对于不同织物纹理的自适应性。

3.5 与其他算法比较

为验证本文算法的有效性,选用跳花、断疵2种疵点样本,并将疵点检测结果与文献[21]相比,结果如图10所示。由图10可知:这2种样本疵点中织物纹理结构存在明显变化且包括部分线性区域,本文提出的算法和文献[21]的算法都能实现样本疵点区域的检测,但是文献[21]的算法对于灰度和结构变化不大的线性疵点区域的检测效果并不理想,而本文所提算法通过对图像进行重构可以精准检测出线性疵点区域。

4 结 语

本文从无疵点织物纹理入手,研究了局部织物纹理表征算法,在此基础上提出一种纹理表征的疵点检测方法。对于不同的织物纹理,设计了两种子窗口划分方式,并优选试验参数,实现了织物纹理的有效表征与织物疵点检测。

改进表征算法后对不同组织以及不同疵点类型织物样本图像进行检测。试验结果表明,所提算法不仅可以在一定程度上抑制高斯噪声,实现无疵点织物纹理图像重构,还可对灰度织物图像和复杂纹理的疵点进行有效检测,即对织物纹理的自适应性较好。后续将对复杂织物疵点的通用性和准确率做深入研究。