英语原文共 36 页，剩余内容已隐藏，支付完成后下载完整资料
基于计算机视觉的织物疵点检测
摘要
在考虑降低人工成本和相关效益的情况下，织物疵点自动检测的投资是非常经济的。全自动web检测系统的开发需要健壮高效的织物疵点检测算法。由于织物疵点种类繁多，且具有模糊性和不确定性，因此对实时织物疵点的检测尤其具有挑战性。为了检测织物疵点，人们开发了许多技术，本文的目的是对这些算法进行分类和/或描述。本文对国内外160多篇文献中的织物疵点检测技术进行了综述。织物疵点检测技术的分类对于评价已识别特征的质量是有用的。利用实时织物表面的结构和基元集对织物表面进行表征还没有成功。因此，根据织物表面特征的性质，将提出的方法分为三类：统计、光谱和基于模型。为了评估最新的技术水平，确定了几种有前途的技术的局限性，并结合其演示结果和预期应用对其性能进行了分析。本文的结论还表明，统计方法、谱方法和基于模型的方法相结合可以获得比单独使用两种方法更好的结果，并为进一步的研究提供了建议。
关键词：质量保证、工业检验、织物疵点检测、自动目视检验、纺织品检验
介绍
工业过程中的低效率在时间、金钱和消费者满意度方面代价高昂。全球经济压力逐渐导致企业为了提高竞争力而要求更多的自我。因此，为保证生产线产品的高质量，智能化的视觉检测系统的需求越来越大。许多消费品成品的原材料都以网络[1]材料的形式提供。工业网络材料有多种形式，但这些材料的视觉检测自动化要求有显著的相似性。如图1所示，基于web材料的类型，web检查的自动化问题分为两大类[21]。第一类问题与金属、薄膜、纸张等均匀的网络材料有关。这些web材料中的缺陷检测通常依赖于不同于统一背景的区域的识别。第二类网络检查问题与织物、陶瓷、塑料等变形材料有关。对构成纹理缺陷的感知因个体而异，通常一个个体可能不时具有不同的敏感度[8]。织构材料中缺陷的表征通常没有明确的定义。因此，对变形材料的视觉检测包括根据材料的整体纹理特征，如各向同性、均匀性和纹理粗糙度对材料进行分级。
纹理材质可以进一步分为均匀纹理、随机纹理或图案纹理。布拉扎科维奇
等。[22]详细介绍了基于模型的随机纹理材料检验方法。印刷纹理（如印刷织物、印刷货币、墙纸）的问题需要评估颜色均匀性[153]和印刷图案的一致性，以及背景纹理的任何差异，但很少引起研究人员的注意。本文[1]主要研究均匀织构材料的检验问题，综述了织物疵点检验的现有技术。由于织物纹理/疵点的尺度、拉伸和偏斜的随机变化（主要是由于环境和织造过程的性质），对实时织物疵点的检测尤其具有挑战性。
1.1 织物疵点
据估计[26]由于存在缺陷，织物的价格降低了45%-65%。织物质量受纱线质量和/或织机缺陷的影响。原材料质量差，纱线调理不当，造成纱线质量缺陷，产生色宽不一致、毛羽、竹节、断头等影响。有许多纱线质量测试，如ASTM D2255-96[27]，用于预测从整批抽样纱线生产的织物的质量。纱线质量的测试通常在纺纱厂的产量上进行。
织机和针织机的质量测试需要中断编织过程[28]。这种中断实际上不适用于用于大型织物辊生产的机器。在旧的、磨损的或过时的织机上进行的质量测试通常会产生不可接受的结果。这些测试运行往往较小，并且可能不会记录由于在织机中出现正弦变化而产生的反复出现的织物缺陷。因此，这种织物疵点可以被错误地理解为是由于纱线质量差造成的。由于一股或多股纱线张力的变化而产生的织物疵点通常被误读为由于纱线质量差而产生的疵点。由于操作条件（温度、湿度等）的变化，在织机中产生的织造不规则也会导致各种与纱线质量无关的织物疵点。织物疵点的数量可能会动态变化，因为织造过程中的微小变化会导致全新的织物疵点类别。
1.2 传统检验
织物疵点检测有两种截然不同的可能性。第一种可能性是工艺检查，在这种检查中，可不断监测织造工艺（或其参数）是否出现缺陷。过程检验是一种预防性检验，由于纺织过程的复杂性，一般不在纺织行业进行。第二种可能性是产品（端部）检验，其中必须对制造的织物进行缺陷检验。目前的研究主要集中在产品检验上。
织机生产的织物宽约1.5-2米，并以一定的速度卷取出来，每分钟0.3-0.5米。纺织行业的产品检验不与生产同时进行。人工织物的缓慢速度不足以使人的检查员占据空间，因此人的检查是不经济的。此外，织机附近相对恶劣的工作环境[20]也不适合人类检查。传统的检查程序是将织物卷从织机上取下，以相对较高的速度（每分钟8-20米）在检查台上展开（特殊照明）。当人类检查员注意到移动的织物上有缺陷时，他会停止移动织物卷的电机，记录缺陷及其位置，然后再次启动电机。重复性缺陷和异常缺陷率的早期检测留给操作人员或所谓的巡回检查人员[29]。这些粗纱检验员将向生产部门发出警告，以便采取适当措施降低缺陷率。
2. 检验自动化
视觉检测过程的自动化是一个多方面的问题，需要在各个系统组件之间进行复杂的交互。Nickolay等人[10] 已经研究了，在考虑降低人员成本和相关效益的情况下，自动化织物检测系统的投资具有经济吸引力。典型的纺织网自动检测系统的结构如图2所示。该系统由一组平行布置在待扫描网络上的摄像机、承载（单个或一组）处理器的计算机控制台、帧抓取器、照明系统和检验机的支持电气和机械接口组成。检测系统在图像采集采用前端算法，只将数据流减少到感兴趣的区域。该系统的关键部件简述如下：
照明系统：采集图像的质量对于简化检查问题起着至关重要的作用。图像质量受照明类型和水平的影响很大。学者[30]对自动化视觉检查的各种照明方案进行了全面研究。有四种常见的照明方案用于视觉检查，即前、后、光纤和结构化。背光消除了阴影和眩光的影响，并用于织物检查。也可以使用光纤照明进行织物检查，因为它提供了产品的均匀照明，而没有任何阴影或眩光问题。然而，光纤照明是最昂贵的实现和不经济的6-8英尺宽的纺织网。照明控制器有时使用使用使用反馈光电电阻器的模糊逻辑控制方案来保持恒定（在1%的照明水平内）[31]。
在传感器类型、分辨率、读取速度、精度和其他特性方面存在巨大差异的各种摄像机在机器视觉中都有应用[32]。摄像机的分辨率受摄像机光电传感器像素数和目标视场（FOV）的限制。视场取决于背景特性和待检测缺陷的性质。
照相机:织物检测相机常用的扫描技术有两种：线扫描和面扫描。线扫描技术利用线阵光电传感器系统，垂直方向的分辨率是物体（网络）运动速度和相机工作时的扫描速度（线速度）的函数。现代的线扫描相机通常具有很高的分辨率，并且可以在单线扫描中对大部分织物网进行检测。所有行扫描摄像机始终需要传输编码器，以确保摄像机扫描速率与传输速率同步[33]。线扫描相机的缺点是它们不能一次生成完整的图像，并且需要外部硬件从多个线扫描生成图像。对于区域扫描相机，传输编码器的使用是可选的，并且在两个方向上的检测分辨率与对象（web）速度无关。目前，线扫描相机的成本非常高，因此通常使用面扫描相机阵列来为web检测问题提供经济的解决方案。线扫描和区域扫描相机的最新技术可与CCD或CMOS光电传感器一起使用。与CCD相比，CMOS有源像素结构的光传感器以较低的成本和较低的功耗提供了更高水平的片上功能。然而，CMOS传感器通常比CCD传感器灵敏度低，这主要是因为它具有更高的均匀性和更小的填充因子。研究人员尝试使用CMOS区域扫描相机[35]、延时和积分（TDI）线扫描相机[31]、[36]来检测织物缺陷。
传输编码器:来自每个相机的像素数据通过帧抓取器转换为数字化图像。所有的网络检测系统，例如用于织物的系统，都必须处理多个摄像头的输入。一些系统通过在摄像机和帧捕获器之间使用某种视频多路复用器来实现这一点。处理多个摄像机的一个相当昂贵的方法是，每个摄像机使用一个帧抓取单元[35]。如果系统配备有多个处理器，这允许并行处理图像像素数据。帧抓取器的输出以任何流行的PC格式（ISA、VESA、PCI等）或工业总线格式（VME、PICMG、PC100等）传输到主机。
帧抓取器:主机的功能可分为三大类。（i） 缺陷检测与分类：将采集到的图像数据下载到上位机。主机负责使用复杂算法处理该图像数据以进行缺陷检测。从获取的图像数据中检测到的缺陷根据其来源或大小分为若干类。（二）摄像机照明与控制：上位机负责摄像机控制设置参数的外部加载。这些参数通常在通电时加载或通过图形用户界面（GUI）手动操作。主机还负责设置照明控制器，该控制器控制web的照明水平。（iii）系统控制：主机还执行若干输入和输出系统控制功能。这类功能包括中断服务程序（ISR）、图形用户界面（GUI）和压缩缺陷图的打印/存储等。
主机:单台通用主机不足以处理大量采集的图像数据，以检测纺织网以每分钟15-20米的速度移动。因此，大多数系统使用一个单独的处理器来检测来自单个相机的图像中存在的所有缺陷[35]。这些处理器中的每一个通常需要额外的DSP处理器（如TMS320C40[36]、ATamp;T 32C[37]等）来实时实现复杂的缺陷检测算法。每个检测到的缺陷都被分为几个期望的类别之一。织物疵点具有三种不确定性：模糊性、不完全性和不确定性。此外，织物疵点的大量存在、类间相似性和类内多样性是其分类的主要障碍。
3. 文献综述
自动视觉检查（AVI）已经进行了四次调查：1982年由Chin和Harlow[15]进行，1988年由Chin[16]进行，1995年由Newman和Jain[3]和Thomas等人进行。[13] 是的。然而，据我所知，目前还没有专门针对织物疵点检测的文献综述。以往的AVI调查[15][16]、[13][3]由于对织物疵点的调查覆盖面广，无法将重点放在织物疵点的检测上。在文献[3]中仅对织物疵点检测技术进行了综述，其中有6篇文献对织物疵点检测技术进行了论述。[13]、[15]-[16]中的审查排除了织物检验，主要是因为它们涵盖了其他工业产品的AVI技术范围。此外，近10年来，织物疵点的AVI技术也取得了一些重要进展。此外，由于传感成本和计算能力的迅速降低，人们提出了几种新的织物检测算法。织物疵点检测方法不局限于数码相机获取的图像，Sheen等。[138]提出了一种用于织物网检查的超声波成像系统，[139]说明了反射红外频率的使用，而在[26]、[146]、[154]中提出了使用基于知识的系统跟踪织物缺陷的织物检查。
利用数字成像技术检测织物疵点的文献相当丰富。相关论文发表在与计算机视觉、纺织、工业应用和模式识别相关的期刊和会议上。由于知识产权的限制，一些商用系统中使用的缺陷检测算法尚未在文献中报道。因此，本文的研究重点是为织物检测开发的理论算法，而不是实际的检测系统。然而，目前市场上只有很少的织物检验系统，尽管价格非常昂贵，其中一些系统在[145]中进行了总结。
4. 织物疵点检测方法的分类
这一部分回顾了前人在织物疵点检测中所采用的技术和模型。在微观层面上，纹理图像中的检测问题变成了纹理分析问题。Harlick[41]使用了色调纹理概念，将最常用的纹理分析技术大致分为两类：统计方法和结构方法。图像模式的纯结构模型是基于一些原语和布局规则，或树语法句法方法[42]。因此，结构方法会遇到与确定基元或单元模式以及操作这些基元的放置规则相关联的复杂问题。因此，用于缺陷检测的结构方法仅限于相当确定的图像，例如用于印刷电路板检测的图像[43]，并且不适合于真实的纹理图像，例如织物。因此，广义地说，目前使用的所有缺陷检测技术本质上都是统计性的，因为它们使用某种形式的统计计算来声明缺陷。
另一方面，Tuceryan和Jain[44]确定了用于纹理分析的五大类特征：统计、几何、结构、基于模型和信号处理特征。为纹理分析而提取的几何和结构特征类假设纹理由纹理原语或文本组成。基于文本的几何特性或根据一定的布局规则对文本进行布局的特征描述可以分为两类不同的纹理分析方法。然而，由于织物结构的随机变化（由于纱线弹性、织物运动、纤维堆积、噪声等），这些方法在织物疵点检测中还没有得到尝试，这给从真实织物样本中提取文本带来了严重的问题。因此，本文将提出的缺陷检测技术分为三类：统计、光谱和基于模型。因此，本文提出的缺陷检测技术可分为三类:统计型、谱型和基于模型的缺陷检测技术。纺织织物的统计缺陷检测方法在第4.1节中首次介绍。，然后是第4.2节中的光谱方法。光谱法是文献中提出的织物疵点检测方法中数量最多的一种。使用基于随机模型的纹理特征的织物疵点检测方法综述见第4.3节。第5节试图对一些拟议方法的范围及其主要挑战进行分类。最后，第6节总结了本文的结论。
4.1 统计方法
缺陷检测的目的是将检测图像分割成具有明显统计行为的区域。在这个过程中，一个重要的假设是无缺陷区域的统计是平稳的，并且这些区域延伸到检测图像的重要部分。纯统计方法构成了文献中的大部分工作。利用分形维数、一阶统计量、互相关、边缘检测、形态学运算、共生矩阵、特征滤波器、秩次函数和许多局部线性变换提取的纹理特征进行缺陷检测的方法都属于这一类。现在简要介绍每种方法。
4.1.1利用分形维数进行缺陷检测
Conci和Proenccedil;a[45]利用检测图像的分形维数（FD）估计来检测织物缺陷。为了处理大量的图像数据，他们在不做任何修改的情况下实现了差分盒计数方法，从而降低了计算复杂度，提高了效率。缺陷声明的决策是基于FD的变化。文献[45]中所研究的缺陷检测方法计算简单，但实验结果非常有限，这表明对8种类型的缺陷的检测非常有限，但建议达到96%。这些检测到的缺陷定位精度很差，具有很高的虚警率。
4.1.2采用双层阈值法进行缺陷检测
直接采用灰度阈值法是检测高对比度缺陷最简单的方法之一。高对比度缺陷的存在导致接收
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239200]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
