基于机器视觉的经编机在线瑕疵检测技术.docVIP

基于机器视觉的经编机在线瑕疵检测技术 本文提出了一种离线学习、在线检测的经编机瑕疵检测方案。在离线情况下，利用小波参数方程构造完备的正交小波集，采用遗传算法寻优获取与待检布匹相匹配的最优小波; 在线检测时，利用最优小波对待检图像进行单层分解，对瑕疵信息分布集中的高频分量进行子窗口分割，提取窗口内的灰度方差作为纹理特征描述，采用自适应双阈值分割方法自动检测瑕疵。实验表明，自适应小波方法对瑕疵信号有明显的增强作用，检测算法的准确率能够保持在98.5% 以上。 目前，国内外学者提出了许多基于机器视觉的布匹瑕疵检测方法，如傅里叶变换方法、小波变换方法、Gabor 滤波器方法等。其中小波变换由于具有对信号进行多分辨率分析和反映信号局部特征的特点，在自动检测领域应用最为广泛。但是传统的固定小波方式，一般需要通过2～4层分解才能将主要信息分解出来，因而计算量大，难以满足在线检测的需要。选择与图像纹理相匹配的自适应小波可以通过单层分解即有效提取主要信息而减少运算量。现有常见的自适应小波构造方法包括: 建立小波库，再利用基于渐近迭代算法寻优，如李立轻提出的方法; 建立非线性约束优化方程，再进行求解，如温智婕提出的方法。但是这两种方法都有各自的缺点: 建立的小波库并不是一个完备的正交小波集合，无法在其中自由地寻优;非线性约束优化方程求解过程复杂，容易出错，不利于工程实现。 文中从另一条途径出发，研究了Hehong Zou 等人提出的小波滤波器参数表达形式来构造小波基，建立完备的正交小波集，再按照设定的代价函数利用遗传算法自由有哪些信誉好的足球投注网站获得最优小波，并将其用于布匹瑕疵信号提取。检测时设计一种与瑕疵类型相匹配的特征提取方法，并提出一种自适应的阈值分割方式自动检测瑕疵。通过实验证明该算法对单色平纹织物的检测具有极高的检测准确率，满足经编机在线检测的要求。 1 经编机在线检测方案 由于自适应小波的构造过程计算量大，耗时多，无法在线完成，将检测过程分为两个步骤: 离线寻优和在线检测，如图1 所示。 在离线阶段采集不带瑕疵的正常图像，利用基于参数方程构造小波基，并用改进的遗传算法根据设定的目标函数进行寻优。在线阶段将采集到的布匹图像用最优小波进行单层分解，保留高频分量并对其进行子窗口分割，提取窗口内的纹理特征，利用自适应阈值分割方法判别瑕疵。 2 自适应正交小波构造算法 2.1 正交小波滤波器的参数形式 略 2.2 基于遗传算法的小波基寻优 获取符合要求的自适应小波，需要先设定一个逼近条件，再按此条件进行寻优。为了凸显瑕疵信号，逼近条件设定为不含瑕疵的正常布匹图像在经过小波单层分解后的低频图像的能量与原始图像的能量差别趋于零。按此条件，对于正常图像小波分解后高频分量的能量趋于零而对于瑕疵部分，瑕疵的高频信号将得以保留而凸显。 寻优是一个非线性问题，找到全局最优解是比较困难的，而在随机算法中，遗传算法较适合解决此类问题，并且可能找到全局最优解。传统的遗传算法是采用二进制编码的，而二进制编码的遗传算法在译码时会产生映射误差，文中提出改进的十进制遗传算法并且通过每代保留最优的方法使其收敛到全局最优。其基本过程与传统遗传算法相同(见图2)。 3 在线检测算法 在线检测时利用离线学习得到的自适应小波对图像进行分解以后，先对能凸显瑕疵信息的高频分量进行子窗口分割，再计算出子窗口内的图像特征，最后通过分析特征值判别瑕疵。 经编机在线检测的任务主要是检测断纱引起的瑕疵。这种瑕疵最常出现，并且是持续存在，对纺织质量影响最为严重。因此，需要检测的瑕疵都是经线方向。为了增强瑕疵特征的响应，采用条状的窗口分割方法，使得沿经线方向的瑕疵信号得到了累加。具体的分割方法如图3 所示。以图像大小为256×64为例，窗口的宽度取4像素。将其沿纬纱方向划分为大小相同的64个长矩形块，每块大小为4×64像素。 4 实验分析 算法实验在Matlab 2010a上实现，利用架在经编机上的相机，在纺织过程中自动采集1000幅大小为2560×1920的单色平纹织物图像建立布匹图像库，实验时对库中的每幅图像在检测位置截取大小为256×64的子图像进行分析。其中879幅正常，121幅有瑕疵。为了验证文中算法的有效性，将自适应小波与常用的db3小波和bior5.5小波进行比较实验。 实验通过离线对1 幅正常图像进行学习在5 min之内获得自适应匹配小波。小波单层分解的效果如图4 所示。对比3 种小波基的处理结果发现，利用自适应小波处理的图像瑕疵更加明显，优于其他固定小波。提取分解后子图像纹理特征的结果如图5 所示。 由图5可见，正常区域的特征值均匀地分布在一个较窄的范围内，而瑕疵区域的特征远远超出了这个范围。对采集到的1000幅图像分别用自适应小波和固定小波提取特征后