布匹瑕疵检测算法研究进展.pdf
《布匹瑕疵检测算法研究进展.pdf》由会员分享,可在线阅读,更多相关《布匹瑕疵检测算法研究进展.pdf(6页珍藏版)》请在咨信网上搜索。
1、Computer Era No.11 20230 引言布匹瑕疵检测是纺织业中至关重要的环节。布匹存在近百种不同的瑕疵类型,而且即使是同一种瑕疵,其形状和大小也存在差异。目前,布匹瑕疵检测的手段还是以人工背光检测为主1。人工检测需要很高的熟练度,劳动强度大,靠人工检测质量难以保证。由于手工检测存在主观性和低效性等问题,自动化布匹瑕疵检测技术逐渐受到了广泛关注及研究。目前计算机视觉瑕疵检测方法分为传统方法和深度学习方法两大类。传统方法大致可以分为四类:基于模型、基于频谱、基于字典和基于统计。深度学习方法主要包括深度卷积神经网络和生成模型,具体分类如图1所示。图1算法分类图DOI:10.16644/
2、33-1094/tp.2023.11.004布匹瑕疵检测算法研究进展*程汉权,熊继平,陈经纬(浙江师范大学物理与电子信息工程学院,浙江 金华 321004)摘要:纺织品行业中利用计算机视觉技术对织物瑕疵进行检测,已形成一种趋势。然而由于织物瑕疵种类繁多,形状、大小复杂,加之背景花色、纹路的存在,其检测十分具有挑战性。本文对比了常用的图像处理方法和深度学习算法,总结了目前织物瑕疵检测存在的问题和研究现状,并探讨了织物瑕疵检测的发展趋势,为研究者提供参考。关键词:深度学习;织物瑕疵;图像处理;瑕疵检测中图分类号:TP29文献标识码:A文章编号:1006-8228(2023)11-16-06Rese
3、arch progress of fabric defect detectionCheng Hanquan,Xiong Jiping,Chen Jingwei(Zhejiang Normal University,College of Physics and Electronic Information Engineering,Jinhua,Zhejiang 321004,China)Abstract:In the textile product industry,the use of computer vision technology for fabric defect detection
4、 has been a trend.However,the detection of fabric defects is very challenging due to the wide variety of fabric defects with different shapes andsizes,as well as the complexity of the background patterns,colors and textures.In this paper,the commonly used imageprocessing methods and deep learning al
5、gorithms are compared,the current problems and research status of fabric defect detectionare summarized,and the development trend of fabric defect detection is explored,which provides reference for researchers.Key words:deep learning;fabric defects;image processing;defect detection收稿日期:2023-06-08*基金
6、项目:金华市公益项目资助(2021-4-116)作者简介:程汉权(1999-),男,江西上饶人,硕士研究生,主要研究方向:深度学习。通讯作者:熊继平(1982-),男,江西吉安人,副教授,博士,主要研究方向:深度学习,图像处理。16计算机时代 2023年 第11期1 常见瑕疵种类及成因同一个批次的产品往往因一个瑕疵品受到影响。第一,产品质量会直接影响到布匹企业的名誉和市场份额。第二,瑕疵产品会打乱产品的销售量导致滞销,从而浪费企业资金和原材料。织物瑕疵通常是由机器工艺落后、纱线质量不佳、环境因素、织物中夹杂着杂质和工人的操作不当等原因造成的。国家标准GB/T 177602019 印染布布面疵点
7、检验方法 中根据瑕疵产生原因将布匹疵点划分为98种类别。部分常见瑕疵见表1。表1常见疵点类型及形成原因类型水渍破洞杂物织入褶子沾污花毛特点织物沾水后留下的痕迹。当经纬线中断3根或更多,并且出现单独的经线或纬线断裂(包括两根优质线之间夹杂着 1-2 根劣质线),同时经纬线形成的圈高出布面0.3cm。动物皮革、人造合成皮革、金属丝、竹子、草木等杂物织入。织物上的折痕织物中不连续得异色区域在布匹表面上形成的绒毛或绒毛状物形成原因纱线的湿度过高、织物的密度不够、环境湿度过高。原材料质量不佳、设备故障、不正确的操作。原材料不洁净、生产设备不良、未清理生产线。纱线或织物张力不均匀、拉伸过度、化学剂浓度过高
8、、烫平温度不够。机器油污染、工作环境脏乱、部分棉絮附着于织物表面形成的。由表1可见,布匹的瑕疵具有复杂性和多样性,如表面瑕疵的大小、颜色、形状和位置等方面都存在着显著的差异。由于瑕疵形成的原因有多种多样,因此不同类型的瑕疵呈现出的外观也千差万别,甚至相同类型的瑕疵在外观上也会存在明显的差异。具体外形可见部分瑕疵可视化如图2所示。图2部分瑕疵可视化2 基于传统机器视觉的布匹瑕疵检测方法与深度学习中的端对端的训练检测方式不同,传统的检测方法通过图像处理方法提取布匹的纹理特征,并对其定量和定性描述,实现瑕疵检测。基于传统的布匹瑕疵检测方法包括三个部分:图像预处理、图像特征提取和图像识别分类。具体流程
9、如图3所示。图3布匹瑕疵检测传统方法流程2.1 基于模型的方法基于模型的布匹瑕疵检测方法先利用一些已知良品布匹图像来构建一个模型,该模型能够表示出良品布匹的纹理特征和结构特征等。然后将待检测的布匹图像输入到该模型中,利用模型生成的纹理特征和结构特征进行检测,判断该布匹是否存在瑕疵。杨晓波2将 Gaussion-Markov 随机场(GMRF)应用到布匹瑕疵检测,利用模型参数构造距离统计量,区分正常区域的纹理和特诊畸变区域的纹理,实现瑕疵的自动检测。Cohen等人3利用GMRF对正常布匹图像建模,将待测图像划分为NN大小的不重叠的窗口,计算每个窗口与模型参数的最大似然估计,实现瑕疵检测。姚登辉4
10、基于时间序列图像处理的方法,对两个方向上的联合投影序列进行分析,通过应用AR谱原理,确定了投影序列中的最高谱峰位置和峰值,从而可以区分出正常纹理和疵点。Ozdemir等人5研究了一种以马尔可夫随机场(MRF)作为纹理模型的方法和一种基于Karhunen-Loeve变换的新方法,用于纺织物缺陷检测。朱俊岭等人6采用AR模型谱估计对布匹纹理图像建模,得到方差序列,通过计算疵点图像和正常纹理图像谱估计之间得相关系数得到疵点类型和位置。尽管MRF是一种强大的建模工具,但它存在一些问题。MRF模型通常需要手动构建特征,这需要领域17Computer Era No.11 2023专家的知识和经验,并且可能
11、导致模型无法有效地适应新的数据。自回归模型对数据需求高,受初始条件影响。2.2 基于频谱的方法基于频谱的布匹瑕疵检测方法的核心思想是使用Gabor变换和傅里叶变换等技术将纹理图像从空间域转换为频率域,然后利用滤波器去除布匹的纹理特征来检测缺陷。Sakhare等人7采用谱域和空间域方法对织物瑕疵进行检测和分类,谱域只能检测瑕疵是否存在,空间域可以检测出瑕疵类型和位置。刘伟斌等人8提出频谱滤波的织物疵点检测方法,采用傅里叶变换获得含有疵点的频谱图,利用设计好的滤波器分离纹理信息,进行灰度图重构,分割出织物疵点。王鹤翔9提出基于SVM和小波变换的织物疵点检测与分类,利用自适应小波变换对织物图像进行特
12、征向量的提取,利用一对一SVM分类器进行分类。顾箐等人10提出基于局部熵和小波变换的织物疵点检测方法,采用不完全重叠等大的局部窗口提取图像的局部熵,但只针对纬向疵点、径向疵点、区域类疵点这三类。杨亚11提出基于正交小波分解的织物疵点检测方法。尉苗苗等人12提出一种新的基于最优Gabor滤波器的轻编织物疵点检测方法,检测分为学习阶段和检测阶段。汤晓庆等人13提出一种基于方向梯度直方图(HOG)特征和Gabor滤波的织物疵点检测算法。景军锋等人14提取布匹的熵图像,对熵图像进行Mean Shift平滑滤波,提出了一种基于Mean shift滤波的织物疵点检测方法,实验比较发现该方法优于Gabor滤
13、波。使用傅里叶变换可以有效消除布料表面纹理对缺陷检测的干扰,而采用小波变换则更适合实现对局部缺陷的分类。但是基于频谱分析法的每个操作只适用于特定的结构和类别。2.3 基于统计的方法基于统计的缺陷检测方法的主要思路是通过对布匹图像提取统计信息,从而获得纹理信息。实现布匹瑕疵检测的主要方法有:直方图统计法、局部二进制和灰度共生矩阵等。闵信军15通过使用超像素分割和显著性滤波等技术,从布匹图像中自上而下地提取出显著性特征,并将这些特征进行融合,以获得布匹图像中的视觉显著性区域。孙国栋和他的团队16将灰度共生矩阵与反向投影技术结合起来,提出了一种基于 GLCM的反向投影方法。李小宁等人17提出一种结合
14、梯度共生矩阵-自适应中值滤波和灰度的织物质量检测方法。并对含 7 种缺陷的纺织品样本进行 GGCM 特征提取。郝阳18采用灰度共生矩阵(GLCM)对布匹图像提取特征值,利用K近邻算法进行布匹种类的分类。刘海等人19采用图像分块方法提取梯度方向描述子,并进行聚类构建字典,提出一种基于梯度方向直方图袋的特征提取方法。何峰等人20提出一种基于窗口跳步形态学法的纹理织物疵点检测算法,以解决生产速度过快所导致的织物抖动和检测速度无法跟上的问题。该算法达到或超过80m/min的检测速度。李春雷等人21提出了一种织物瑕疵检测算法,该算法基于低秩分解和方向梯度直方图,该算法利用方向交替方法生成稀疏矩阵和低秩矩
15、阵,并对稀疏矩阵进行分割,以定位瑕疵区域。同时,针对特征矩阵构建了有效的低秩分解模型。Wang等人22针对织物图像分层问题提出一种基于计算灰度矩阵特征值的CUDA K-means并行算法,可以实现多个K值的搜索,还可以进行K-means内部的并行计算。灰度共生矩阵的使用相较于另外两种方法更为普遍,但是其在计算纹理特征时对图像的灰度级别分布非常敏感。如果图像的灰度分布不均匀,则GLCM可能会忽略一些重要的纹理信息。因此,灰度矩阵对大尺寸的图像难以到达实时检测的要求,形态学方法和直方图检测效率则相对较高。2.4 基于字典的方法字典学习是一种无监督的特征学习方式,广泛用于数据降维和特征提取。主要步骤
16、是:数据准备、字典学习、表示特诊提取、特征选择和分类器训练。占竹等人23提出了一种自动评定方法,其基于图像的稀疏表达。该方法首先利用K-SVD对正常织物纹理图像进行字典学习,然后利用该字典对图重构,并根据重构效果对织物进行等级评定。Li等人24将织物图像分为冗余部分(背景)和稀疏部分(缺陷),提出了一种基于新型纹理描述符和低秩分解模型的新型织物瑕疵检测模式化方法,但局限于均匀纹理和规则图案的织物。字典学习通常需要对高维数据进行降维以避免维数灾难,需要大量的计算资源和时间来学习一个合适的字典,其结果也受到许多参数的影响,包括字典大小、正则化系数和表示误差。选择合适的参数需要一定的经验和技巧,并且
17、需要多次实验。18计算机时代 2023年 第11期3 基于深度学习的布匹瑕疵检测方法相较于传统机器视觉的方法,深度学习具有更强的鲁棒性、自适应性、可迁移性和可扩展性。当前布匹瑕疵检测的深度学习方法主要分为三个方向:卷积神经网络、自动编码器和生成对抗网络。3.1 基于卷积神经网络的方法深度学习方法可分为无监督和有监督两大类,卷积神经网络是一种有监督的网络。Wu等人25提出基于深度神经网络的单色布匹瑕疵检测算法,在CPU模式下,检测速度达到135m/min。Ramakrishnan.K等人26针对具有活动轮廓特征的特定缺陷,提出了一种使用直方图和HF的CNN网络。B.Wei等人27在CNN基础上,
18、针对小样本问题,使用压缩采样定理将小样本数据压缩采样并扩充,提出结合压缩感知和卷积神经网络的新方法。Li.Y等人28采用多个带有多层感知器的微架构来优化网络,提出一种紧凑的卷积神经网络结构,该网络框架不仅适用于织物缺陷检测,还适用于其他数据集的物体识别任务。刘闪亮29在基础网络VGGNet-16的上进行改进,提出基于ODFTNet的织物缺陷检测算法。Cheng等人30基于语义分割网络提出一种结合卷积下采样、深度可分离卷积和交叉平行比损失函数的分离卷积 SCUNet,参数量为4.27M,但是该方法只在灰度图像进行了测试。Ouyang等人31在卷积神经网络中引入一种新的成对电位激活层,该方法能够对
19、具有复杂特征和不平衡数据集的织物进行高精度的缺陷分割。在使用TILDA数据集进行评估时,该方法的平均准确率达到92.25%。但该方法需要对数据进行预处理和标注。孙羽等人32提出一种基于深度卷积神经网络(DCNN)的织物疵点检测办法,建立了一种改进的多层感知机卷积神经网络,进一步增强特征表示能力。3.2 基于生成模型的方法生成模型是一种无监督方法,它可以学习任何类型数据分布。所有类型的生成模型都旨在学习样本的真实数据分布。生成模型分为两类,自编码器和GAN。利用生成模型进行布匹瑕疵检测可以通过学习正常布匹图像的特征来自动生成对比的瑕疵图像,从而实现对布匹瑕疵的自动识别。自编码器自编码器对正常的布
20、匹图像进行建模,后利用所建模型来检测异常或瑕疵图像。使用自编码器模型对正常和瑕疵图像进行编码和解码。如果一个图像经过编码和解码之后的误差很小,则这个图像正常;如果误差很大,则这个图像就很可能存在瑕疵。杨伟嘉33设计一个有效的二分类深度卷积网络,并针对样本不均衡问题采用Focal loss损失函数,提出了基于全卷积自编码器网络的无监督布料瑕疵检测方法。Zhang等人34设计内存引导量化变分自动编码器,提出了一种无监督和无记忆缺陷的方法,用于样本稀缺和缺陷类型不平衡的彩色图案织物缺陷识别,避免了人工标记样本。Wei等人35使用训练后的模型,从输入图像和重建图像之间的SSIM残差图中获得目标缺陷,实
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 布匹 瑕疵 检测 算法 研究进展
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。