时-空域多特征证据学习与增强的印染疵点在线检测.pdf
《时-空域多特征证据学习与增强的印染疵点在线检测.pdf》由会员分享,可在线阅读,更多相关《时-空域多特征证据学习与增强的印染疵点在线检测.pdf(5页珍藏版)》请在三一文库上搜索。
1、第2 7 卷第5 期 2 0 0 6 年5 月 纺织学报 J o u m a lo f7 r e x m eR e a r c h V o I 2 7N o 5 M a v2 0 0 6 文章编号:0 2 5 3 9 7 2 l ( 2 0 0 6 ) 0 5 0 0 0 1 0 5 时一空域多特征证据学习与增强的印染疵点在线检测 周平1 2 ,汪亚明1 ,朱森勇1 ( 1 浙江理工大学计算机视觉与模式识别实验室,浙江杭州3 1 0 0 1 8 ; 2 浙江大学生物系统工程与食品科学学院,浙江杭州3 1 0 0 2 7 ) 摘 要提出了一种基于时一空域多特征证据学习与增强的织物印染疵点在线检测
2、新方法。利用多种类纹理特征 在特征表达上的互补性以及可疑图像分块前n 帧历史的对应特征,达到多证据印证的特征学习与分类增强,是一 种比较通用的表面缺陷实时检测解决方法。检测总体思想是从“已知的”无疵点纹理表面提取特征,根据特征对被 测织物进行分类比较,从而检测出“未知的”疵点纹理区域。检测过程分为一次性时一空域多特征证据自学习和在 线分类检测两阶段。对实际织物图像序列的在线检测显示,对单色织物常见印染缺陷的有效检测速度达到了 5 5 帧,s ( 10 2 4 3 9 3 像素分辨率仿真视频图像) ,动态检出正确率达到9 5 以上。 关键词染整缺陷;实时检测;颜色特征提取;计算机视觉 中图分类号
3、:哪9 l 文献标识码:A o n - l i n ed e t e c t i o n0 ft h ed y e da I I dp r i n t e df a b r i cd e f e c t sb ym u 眦i f e a t u r e s e 订d e n c el e a r I l i n ga n de l l l l a n c e m e n ti ns p a t i o t e m p o 嘲d o m a i n Z H O UP i n 9 1 一,W A N GY a m i n 9 1 ,Z H US e n y o n 9 1 ( 1 如砌c e 眦r
4、 加c o 唧姚r 如凡口,I dP 口t 把m 冗B c q 即i 豳n ,肌啦,l g 脓- z 锄踟如梆妙,胁耐帆,孔咖,l g3 1 0 0 1 8 ,傩讹; 2 c o f 妇e 矿曰如一踟把E n 驴W e n go ,l d 凡o dS c 诂,脚,z k 洳,l g 觇r s 妙,丑a ,够怕“,z 心洳增 3 1 0 0 2 7 ,既i ,l 口) A b s t r a c tAn o v e ln l e t h o do fd e f b c t sd e t e c t i o nf b rd y e da n dp r i n t e df a b r i c si
5、 sp I e s e n t e d ,w h i c hi sb a s e do n m u l t i f e a t u r e se v i d e n c el e a m i n ga n de n h a n c e m e n ti n s p a t i o t e r n p o r a ld o m a i n I t sag e n e r a ls o l u t i o nt o m a n y r e a l t i n l es u d - a c ei n s p e c t i o ni s s u e s T h en m t u a lc o n l
6、 p e n s a t i o no f 咖l t i f e a t u r e si su s e dt oe n h a I l c et h ed e f e c t s e v i d e n c e ,a n dh i s t o r yi n f b H I l a t i o no ft h ed o u b t e dp a t c h e si nV i d e os e q u e n c ei sa l s oa p p l i e dt oh e l pc h e c k i n go u t w h a ta r et h et m ed e f e c t s
7、T h em a i ni d e ai st of i n do u tt h eu n k n o w nd e f e c t sb yc o m p a I i n gt h ee x t r a c t e ds u 五a c e f b a t u r e so ft h ek n o w nd e f e c t f b ef a b r i c 访t ht l l o s eo ft h ef 抽r i cb e i n ge x a r n i n e d T h i si n s p e c t i o np m c e d u r ei s d i v i d e di
8、n t ot w os t a g e s :o n ef o rt h em l l s t y l em u l t i f e a t u r e s1 e 枷i n go ft h ek n o w nd e f e c t f b et e x t i l e ,t h eo t h e r f o rr e a l t i m es u d a c ei n s p e c t i o n M a n ye x p e r i m e n tr e s u l t so ft l l eo n l i n ei n s p e c t i o ns h o wt h 砒t h ee
9、 m c i e n t d e t e c t i o ns p e e dr e a c h e s5 5f h m e sp e rs e c o n dt ot h ei m g es e q u e n c e ( 10 2 4 3 9 3p i x e l s ) f o rd y e d 肌dp r i n t e d f a b r i c so fs i n g l e c o l o r ,而t hac o n e c td y n a m i cc h e c ko u tm t eo ns u 托a c ed e f e c t sa b o v e9 5 K e yw
10、 O r d sd y e d & p r i n t e df a b r i cd e f e c t s ;r e a l t i m ei n s p e c t i o n ;c o l o r f e a t u r ee x t r a c t i o n ;c o m p u t e rv i s i o n 现有的织物疵点检测手段可归纳为:1 ) 统计类, 如同现矩阵法( c o o c c u 仃e n c em a t r i x ) 、双限阈值法、灰 度级统计法、形态算子法、边缘检测法、正则化交叉 相关法、分形维数法、特征滤波器法、局部线性变换 法、秩阶R a I l
11、k o 耐e r 函数法等;2 ) 图谱类,如离散傅 里叶变换、光学傅里叶变换、窗口傅里叶变换、小波 变换、小波包变换、G a b o r 滤波、基于神经网络的疵点 识别检测、脉冲耦合神经网络P c N N 、维纳滤波;3 ) 模 型类,如高斯一马尔科夫随机场、泊松分布模型、基于 模型的聚类以及将织物疵点检测视为假设检验问题 来处理等。目前,国内外对图谱类方法的研究相对活 跃,代表着现阶段疵点检测研究的主流u 一3 | 。本文提 收稿日期:2 0 0 5 0 8 2 2修回日期:2 0 0 5 1 1 0 3 基金项目:国家自然科学基金资助项目( 5 0 5 4 5 0 2 7 ) 作者简介:
12、周平( 1 9 6 0 一) ,男,副教授,博士生。主要研究方向为计算机视觉、工业视觉检测、c A D 。 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark 【2 】纺织学报 第2 7 卷 出了一种基于时一空域多特征证据学习与增强的织物 印染疵点在线检测的全新方法,能够比较通用地进行 规则纹理类表面缺陷的实时检测。 1图像帧的分块特征及其学习 本文利用多种类纹理特征在特征表达上的互补 性,达到多特征证据印证的学习与分类增强。总体 思路是根据被测织物“已知的”无疵点纹
13、理表面特征 来检测“未知的”疵点纹理区域。检测分一次性自 学习和在线检测两阶段进行。对正常织物特征分布 的调查以及对织物疵点的在线检测均以图像子块的 树结构原理按需对分递归进行。综合速度与精确度 因素采用了3 2 3 2 、1 6 1 6 像素2 种分块尺度进行 正常织物图像帧特征的自学习。每小分块是一个特 征学习单元,学习取得了3 2 3 2 、1 6 1 6 像素分块2 套特征。 1 1 确定图像分块特征 以往检测通常采用0 3 R + 0 5 9 G + 0 1 l B 组合 将彩色图像转换成灰度图像或直接采用灰度图像, 再进行识别处理。将完全不同的颜色值转变为相同 灰度值,这就可能丢失
14、借助色彩特征进行视觉疵点 识别的有力证据。本文选取了图像各分块行和列中 R G B 各分量的7 个特征作为表面的主要特征描述。 这7 个特征是均值、最大值、最小值、最大波动值、上 波动值、下波动值、相邻行或列累加值差。故各分块 单颜色分量在行和列方向上的特征提取总数为:7 + 6 = 1 3 个。采用R G B 三个颜色分量时,总特征数为 ( 7 + 6 ) 3 = 3 9 个;而另一尺度分块下也有3 9 个特 征,这样3 2 3 2 、1 6 1 6 像素2 种分块尺度下的特 征描述证据总量为7 8 个。采用图像分块行或列的 累加值可削弱噪声影响,而用累加值差是为了取得 波动性。相同分块尺度
15、下各分块多种特征形成的波 动如图1 所示。 块最大值 娃衰劲 块均值 大最太 投他乒,r I 、i 奇征均值 + 厂 垂垂葜 ,二= 、一 J ,蛐 。 。_特征最小值 | 图1 相同分块尺度下各分块多种特征形成的波动图 1 2 分块特征的滚动自学习 学习正常织物图像帧时,如果先在内存中分成 曰i 曰,( i = 1 ,2 ,M ;i = 1 ,2 ,J 7 、r ) 的分块进行 学习,再将各曰;B i 的块均分成4 个( 反2 ) ( 曰,2 ) 的更小分块进行学习,这样就会产生学习不 充分的现象。因为这种人为和机械的分块方式忽略 了织物其它分块组合下的特征变化,所以,为获得较 好的正常织物
16、学习效果,可以用使织物在摄像机下 运动起来的方法强化学习,如来回移动织物1 0m 。 这本质上就是对分块特征的滚动学习过程,因此,提 出了对静态正常织物图像分块特征仿真动态学习的 滚动自学习方法,以避免普通分块方法对织物图像 学习不充分的问题,并提高学习效率。该方法的原 理是在学习完一帧图像特征后,向上( 或向下) 滚动 l 行像素,再去取下一帧图像作为当前帧继续学习 取得特征值。若图像分块大小是曰;B ,像素,则一 幅图像的滚动学习只需进行B 。次,因为织物主要呈 单方向移动,横向滚动学习的意义不是太大,若有必 要,也可以进行。另外,一次性自学习过程对速度无 太高要求,并非要求在线实现。 2
17、 实时分类器的设计 一个好的比较检测分类器,除了能正确实现分 类检测思想外,还要考虑算法执行效率、稳定性等因 素。本文设计了一种按特征证据加权累计数进行表 面缺陷分类的分类器,具有较强的容错性、适应性和 可移植性。 2 1 特征相似性度量 本文根据正常织物和待检测织物多种特征的综 合差异进行疵点检测,与特征学习过程相仿,待检测 织物也被同样分块。在相同尺度下从每个分块中以 同样的方法获取3 9 个特征,再将其与学习获取的3 9 个正常织物特征比较,如果都落在正常误差带内,则 判定为正常,否则判定为可疑。给每个特征值分配 1 个权重,疵点可疑程度通过各特征的权重累加值 来衡量。当权重累加值大于阈
18、值时,可初步判定为 疵点,再细分该可疑图像,分块进行印证检测。即当 3 2 3 2 像素分块被初步认定为疵点后,将其再对分 成4 个1 6 1 6 像素的分块继续判断。只有仍然被 判定是疵点的区域,才被认定是重要的可疑疵点区。 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark 第5 期周平等:时一空域多特征证据学习与增强的印染疵点在线检测 【3 】 2 2 缺陷的多证据分级评价 一个特征代表着一个证明某分块是否疵点的证 据。对某个3 2 3 2 分块,如果所有证据都
19、显示其不 是疵点,则可以断定其不是疵点。同理,当所有证据 都显示其为疵点,则可以断定其基本上就是疵点了。 然而,临界的情况是某些证据显示该分块是疵点,而 另一些证据显示它不是,这需要引入一个缺陷的分 级评价机制来加以区分。本文根据证据的总数和判 断其为疵点的证据个数,采用不同的颜色标记出检 测区域疵点特征的强弱,并设计了一个有1 2 个等级 的、灵敏度可调的多证据分类器来实现判断。 2 3时一空域多证据增强的在线检测分类 选取上述的3 2 3 2 、1 6 1 6 像素2 种分块尺度 下R G B 各分量共7 8 个特征进行学习与检测实验。 采用滚动播放带疵点的织物图像来仿真织物图像的 实时在
- 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:
- 空域 特征 证据 学习 增强 印染 疵点 在线 检测
链接地址:https://www.31doc.com/p-3710188.html