专业视觉方案及设备制造商

以视觉检测为导向
提升产品市场竞争力

电话:0755-23594656

手机:13825262003

视觉检测设备搜索:

联系我们

未耒智能(深圳)有限公司

电话0755-23594656

曾先生13825262003

地址深圳市龙华新区观湖街道大和工业区28号深澜产业园6号院

企业资讯 网站首页 >> 企业资讯 >> 未耒智能-上下文视觉检测

未耒智能-上下文视觉检测
发表时间:2018-11-24

 研究背景

在纺织行业,布匹的瑕疵检测是一个重要环节,而国内外大部分企业仍使用传统的人工进行检测。人工检测显然有很多局限性工人长时间作业不利于健康对企业来说长期投入成本高检测效率低漏检率高

目前国内外对于织物的瑕疵检测算法大多针对于无图案的织物对于拥有一定图案背景的织物尤其是色织物的瑕疵检测的研究较少检测效果大多不理想图像分解法可以将图像分解为瑕疵区域和重复纹理背景通过一定的算法将无瑕疵织物图像与待检测织物图像的相关性进行优化,达到准确定位和突出带花纹织物的瑕疵区域对于色织物的瑕疵检测效果较好显著性检测方法通过定义显著性区域将显著部分与背景区分开,可以达到检测瑕疵的目的

本文选用一定数量的格子星形和点状色织物为研究样品根据色织物图案背景和瑕疵的对比度和位置特点采用一种基于上下文显著性模型的方法对色织物的瑕疵进行检测该模型基于视觉显著性理论,从全局局部多尺度的角度定义显著性值该模型能够很好地抑制反复出现且分布松散的织物纹理背景并突出带有异常特征的瑕疵区域同时考虑到该模型是基于像素级别且通过多尺度的角度定义显著性值计算量较大,因此使用主成分分析法以下简称PCA方法与该模型进行融合利用PCA方法去除图像的冗余成分,并根据上下文视觉显著性定义来计算图像中每个像素块的显著性值,生成显著性图,最后使用最大类间方差法分割出瑕疵区域

 本文算法理论

本文结合工业验布机和机器视觉技术提出一种针对格子条状点状色织物瑕疵的自动检测方法具体流程如图所示

image.


2。1 PCA方法

PCA方法是一种数据分析的有效工具在图像处理领域它多被用来变换色彩空间或者图像压缩。本文算法引入PCA方法,将基于像素点的计算转化为基于像素块的计算能够最大限度地保留原始图像的主要信息

image.

image.

image.

具体地试验使用的是256×256像素的RGB格式图像,按照上述算法思路首先将图像转换成灰度图像,再将图像分割成32×328×8像素的小色块每一个色块被重新排列成一个矢量由此得到一个训练集×,…],在这里64024使用PCA方法对该集合进行降维为保证能还原90%的原图像信息选择前10个主成分因此将维度从64降至10。由此每一个色块可表示为10个元组的向量。

image.

2.2基于上下文的显著性模型

对织物图像进行分析,如图2所示。本文研究目的是将带纹理和图案的织物与瑕疵区域分离。根据图像的显著性检测思想,瑕疵部分应当定义成显著区域,带纹理和带图案的织物背景应该定义成低显著性区域。因此,根据以下原则来定义显著性区域。

image.

(1)图像的局部层次考虑。如局部的灰度对比度,有异常灰度或者纹理的瑕疵区域应当获得高显著值;反之,花纹反复出现的无瑕疵的部分应该获得低显著值。

(2)图像的全局层次考虑。应当抑制一幅图中反复出现的特征,强调异常特征。

(3)空间位置因素的考虑。实际上,图像中织物瑕疵点的像素往往是集中在一起的,而不会散落在各处,所以定义显著性区域时,从空间位置因素考虑,显著性值大的像素往往比较聚集,而不会散落各处。

根据原则(1)、(2),如果一个像素块是显著的,那么它应该与周围的像素块存在较大的差距,所以定义某个像素块的显著性值时应当将它与它周围其他像素块的灰度对比度考虑进去。再根据原则(3),显著区域的像素块应与相似像素块的位置距离较近,而背景像素块是分散分布的。根据以上分析来定义像素块之间的相似性度量:

image.

试验过程中,式(5)的c取3时效果最佳;式(7)的M 取64。

由于在大尺度下背景像素块可以找到很多相似的背景像素块,而显著性区域一般在某些小尺度下才能找到相似的像素块。因此引入多尺度来进一步降低背景的显著性,提升显著区域和非显著区域的对比度。在尺度r下,像素块pi的显著性值进一步被定义为如下。

image.

进一步使用以一个像素为中心的多尺度图像块的集合来表示一个像素,即用R={r1,…,rN }表示像素块i 的不同尺度像素块的集合,则像素块i的显著性值即被定义为在不同尺度下的显著性值的平均值,如下所示。

image.

Si越大,则表示在不同尺度下,像素块i的显著性越大,同时与其他非显著性区域的差异越大。根据视觉注意力理论,人类视觉感兴趣的部分往往是图中的一块或者多块的视觉焦点区域,因此对于靠近焦点的区域应当被着重强调。这里将上下文信息考虑进去,首先根据式(9)生成的显著图中提取出最受关注的区域,并使用特定的阈值找出显著的像素块(通过查阅参考文献以及反复验证,最佳阈值为0.8)。接着对显著像素块以外的像素块进行加权,权值根据它与最邻近的显著像素块的欧氏距离得到。式(9)得到的显著性值Si再经过加权,得到最终的像素块i 的显著性值如下。

image.

2.3 瑕疵区域分割

为了将瑕疵区域同纹理背景完全分割开,需要对得到的显著性图做进一步的阈值分割和形态学处理。本文使用最大类间方差法(以下简称OTSU法)进行阈值分割,OTSU 方法计算简单,且不易受图像亮度和对比度的影响。


3 试验结果分析

3.1 本文算法的检测结果

为了验证算法的有效性,本文选择了带有不同瑕疵以及不同花色背景的色织物图像作为试验对象。织物的图像大小均为256×256像素,色织物的花色背景包括方格纹、星形纹和点纹,瑕疵类型包括断头疵、破洞、粗细不同的污渍等。试验设备为主频为1.80GHz的Intel(R)Core(TM)i5处理器,试验平台为Matlab R2016b。使用的织物图像如图2所示。由图2可以看出,从局部来看瑕疵区域与织物背景的对比不明显,只有综合织物背景信息,才能准确地突出瑕疵区域。

图3显示出本文算法对断头、跳花、破洞、污渍、打结5种瑕疵类型的检测效果。图3(a)、(b)、(c)、(d)、(e)的最左一张图为原图,第二张图和第三张图分别为本文显著性模型下生成的显著性图和瑕疵分割结果,第四张图为人工标定的参考结果。对比人工标定结果可以看出,本文算法总体上能抑制不同类型的纹理背景对瑕疵区域分割的影响,且瑕疵形态完整。

image.

3.2 本文算法与其他视觉显著模型结果对比

图4是本文算法结果与其他3种视觉显著模型生成的织物图像显著性图比较结果。

从图4中可以看出,方法3受色织物背景影响较大,瑕疵区域与背景对比不明显;方法1和方法2都能突出瑕疵所在位置,其中方法2生成的显著性图中背景噪声仍然明显,而方法1对于隐藏在纹理中的瑕疵区域不敏感。通过对比可以看出,本文算法计算得出的显著性图中,瑕疵区域与背景的对比更明显且能保留瑕疵的基本形态。

image.

本文选用了5种瑕疵类型共200张的织物图像进行检测,检测准确率为真正瑕疵个数与所有被判断为个数的百分比。通过检测准确率来描述瑕疵分割效果,4种方法检测准确率对比如表1所示。从表1可看出,本文算法的平均检测准确率高于其他3种方法,对于断头疵、破洞、污渍3种瑕疵的检测准确率均在90%以上,对于跳花、打结两种纹理较不明显的瑕疵的检测效果相对较

弱。总体上,平均检测准确率为92.2%。

image.

4 结语

我们提出了一种基于上下文显著性的色织物瑕疵检测方法,其融合了主成分分析法与上下文显著性检测方法,使用主成分分析法对图像信息进行降维处理,再根据上下文显著性定义计算出织物图

像中每个像素块的显著值,生成一幅对应的显著性图,突出瑕疵区域,同时抑制织物背景,最后使用OTSU阈值分割方法分割出瑕疵区域。结果表明,提出的方法能较好地抑制织物花纹背景的影响,有效分割出断头疵、破洞、跳花、污渍、打结5种类型的瑕疵,具有较好的鲁棒性和准确性。