基于格子分割和Gabor滤波的织物疵点检测外文翻译资料

基于格子分割和Gabor滤波的织物疵点检测

摘要

织物疵点检测旨在检测织物表面出现的疵点，以达到高质量。然而，视觉检查是具有挑战性的，由于多样性的织物图案和缺陷。本文提出了一种自动缺陷检查方法比较相似的语义子图像符合晶格群称为晶格。格子自动分割形态成分分析（MCA）的基础上。缺陷检查然后制定一个新的投票程序根据调查由对格与Gabor滤波器给出答复的分布人工生成的理想格。所提出的方法的性能（LSG格分割的Gabor滤波器辅助）是对明星的评价和箱模式图像数据库。通过比较所得和地面真实图像，整体检测率达到0.975，这是与国家目前最先进的方法。

关键词：织物检测；点阵分割；图像分解；Gabor滤波器；纹理

1 介绍

织物作为人类的古老发明之一，织物通过人类历史从手工编织的纺织品演变成由机器生产的现代电子纺织品。虽然织物的手段制造革命性的变化，在织物表面的缺陷称为缺陷的发生是由于机器故障等原因，纱的问题。由缺陷造成的利润损失可高达45 - 65%。织物疵点检测（或检测）的目的是通过识别和定位缺陷来控制织物质量。然而，大多数检查织物缺陷依赖于人类工人现在。作为一种识别缺陷的传统方法，人的视觉观察可以达到60 - 75%的继承率。对比，一个国家的最先进的自动验布达到的精度高于90%。不稳定的检测精度和较高的劳动成本，促使织物生产厂家进行疵点自动检测，但由于织物的种类繁多、疵点多样，可分为70种以上，因此自动检测不易实现。计算机视觉为基础的方法检查缺陷，通过分析代表织物表面的二维（2D）纹理。代表织物表面的二维（2D）纹理已被广泛研究。其中的一个发现是任何2D纹理可以使用模式符合17规则（组）命名为晶体学或墙纸组。这些组表示的小重复模式称为晶格，晶格本身可以进一步解剖图案。织物疵点检测方法，因此分类为基序和非基序。从本质上讲，这两个类别是基于是否一个给定的方法是建立在基于图像分割的壁纸组子分类（WSS）根据壁纸组。WSS的方法尝试自动剖析织物图像的子图像像主题或格子的壁纸群体来定义的，而非局部方法分割子图像基于不同于壁纸组或完全不在子图像的工作原理。

大多数非WSS算法被设计为平纹和斜纹织物分为P1壁纸群体；少数有处理其他类型的能力。典型的理论和无法处理的纹理比P1组包括自相关，共生矩阵，数学形态学，分形，傅里叶变换，小波变换方法的形态，自回归模型（AR），等两方法的报告，一种方法估算基于给定的织物图像的自相关版本的图形元素的布局规律和缺陷被确定为异常打破规律。用于自动相关的方法产生的自相关结果的参考帧是强制性的。另一种方法估计的元素布局方向，并确定缺陷的数学形态学的基础上。共生矩阵为基础的方法分解给定的图像子带通过小波变换，并计算特征值，如子带分割的子图像的共生矩阵的熵值。的缺陷，然后确定使用马氏距离分类器训练的无缺陷样品。提出的方法相结合的阈值和形态学操作的缺陷，然后分类的基础上，如给定的灰度皮革织物图像的共生矩阵计算的能量和惯性的功能的缺陷。这种方法不仅识别，但也分类的缺陷。分形方法采用盒维数法对盒维数进行近似分形维数定义。评估盒尺寸，然后使用作为特征值测量的相似性的子图像所涵盖的盒子。分形方法为分割的子图像的基本理论是基于壁纸组WSS方法完全不同。基于傅立叶变换的方法找到了谱空间中心集中的一些缺陷的傅立叶谱，选择了谱空间中的扩散半径对谱进行滤波，得到了除缺陷区域外的近似均匀灰度图像。因此，缺陷检查成为一个简单的阈值问题。报告的方法发现的傅立叶功率谱的一些缺陷集中在频谱空间的中心。分析了谱空间中心区域的谱分布沿水平和垂直方向。缺陷的识别和分类根据特征值计算的频谱分布的基础上。基于WT的方法将织物图像分为非重叠的子图像，然后提取每个子图像的特征值的基础上，通过以下方式获得的小波系数的自适应小波变换。小波滤波器进行了优化，通过最小化的检测结果的损失函数。该方法考虑了织物图像的面向和非面向纹理。在不同的子带小波变换的图像重建中，可以发现不同类型的图像中的缺陷，可以突出显示。子带重建的选择是基于小波系数的能量的分析，并确定阈值重建图像的缺陷。基于AR的方法排列的图像的像素到一行，并依次扫描的像素，扫描下的像素的灰度值相比，由一维自回归模型W.先前扫描的像素预测的理想值。模型参数的训练，最大限度地减少无缺陷样品的预测误差。然而，有没有统计结果进行评估的性能。虽然，所讨论的方法有助于检测织物缺陷的一些结果，并说明丰富的精心设计的方法，这些方法仅限于P1组织物，这严重限制了它们的应用。因此，除了P1组，本文的第一个动机是设计一种方法，能够处理织物纹理。

另一方面，非WSS能够处理纹理除了P1组包括预处理金图像相减的小波方法（WGIS），共生矩阵（CM）、博林杰带（BB），定期带（RB），图像分解（ID），ELO评级方法（ER），等虽然WGIS，BB，RB ER可以处理壁纸组P1，一些手动选择的图形元素总是呈现一种或另一种方式。例如，WGIS和MB的使用不仅大小而且元素的纹理；BB，Rb和二要求尺寸为预定义。缺陷检测精度的前提知识是难以获得的，因为在现实世界中的应用程序的多样性的缺陷，例如，有超过70种类型的织物缺陷。这种固有的局限性限制了该方法的应用。有方法避免对图形元素如ID.的前提知识的需求作为一种方法如果没有必要的知识，身份是基于技术能力的图像分解单独的纹理和动画设计（非纹理图像的边缘）对于一个给定的图像。基于ID的图像分解方法是建立在模型涉及模糊和丢失的像素。该模型包括两个参数tau;和mu;。一个有缺陷的织物图像，无缺陷的图像我选择和分解卡通U（tau;，mu;）和纹理V（tau;，mu;）。我试图找到对（tau;*，mu;*）最大化的皮尔森相关系数对我和V（tau;，mu;）、U（tau;*，mu;*）标记为缺陷。从理论上讲，对tau;gt; 0和mu;gt; 0的所有可能组合应估计，ID只搜索范围0＜tau;＜0.8和0＜mu;＜4。即使对于这些限制范围内，图像分解必须多次进行多次，这是计算望而却步。因此，本文的第二个动机是适应的图像分解算法，以避免对图形元素的前提。

有几个WSS的方法。代表是基于主题的方法（MB）和其改进版本，这是能够处理纹理以外的P1组。MB在文献中提出的第一个WSS工法。MB及其继承者依靠刘等人的点阵提取模型的自动分割的图案。由于刘等人的方法被设计的基础上的墙纸组，分割的子图像保证与主题是一致的。作为一种著名的点阵分割方法，在许多应用中得到了广泛的应用。然而，这种方法的主要问题是，不能自动确定的峰的数目。此外，MB有另一个严重的限制，由于其设计。MB依赖于移动减法Ks，R至少需要两个格子的能量。特别是，MB和它的继任者，给定的图像的已知类别的墙纸组的刘等人的方法进行预处理，图案的基础上提取的类别。假设有至少两个图案MS和用来产生循环移位矩阵集合视图和视图，和，然后Ks，R的定义如下：

在为Ks矩阵的最小值和最大值m和n的范围，R及其方差能量VS，R为无缺陷的图像估计，分别。对于一个测试图像，任何图案与Ks，R和VS，R值超出范围被标记为有缺陷的。因此，本文的第三个动机是开发一个完全自动的格子分割方法和相应的特征提取方法，而不要求的图案或格子的数量。

本文基于格子分割辅助Gabor滤波新方法（LSG）自动分割和识别织物疵点提出格。其基本思想是代表一个给定的织物图像的语义子图像称为晶格和识别缺陷，通过提取和比较每个格子的功能，使用一个小的Gabor滤波器组。建议的格子分割方法是基于粗卡通组件的织物图像所产生的只有一个单一的迭代形态成分分析（MCA）。分割配制成相应的相邻图案之间的间隙的像素的聚类问题，因此任何高对比度图案的纹理图像扩展正交可以理论上分割到晶格。这种普遍性可以进一步提高对比度增强和校准。与传统的滤波器组与大量的数据，我们的方法使用一个小的Gabor滤波器组产生定向强调响应的基础上的分段格。一个理想的格是根据对切比雪夫距离所有的滤波器响应的分布与分析构造，然后是比较相似的参考格。因此，对织物疵点检测问题转化为Chebychev的距离估计相对于参考格相似。虽然MCA的一个单一的迭代和小尺寸的Gabor滤波器组有助于我们所提出的方法的效率，可以进一步提高效率的并行计算。该方法是在含有106的图像的织物图像数据库进行测试，和整体的精度是0.958和0.992，分别为箱和星图图像，即最高或接近最高的精度与BB，RB相比，对于相同的图像数据库WGIS和ER。概括起来，本文做了以下贡献：

1. 提出了一种新的基于MCA的网格自动分割方法，据我们所知，MCA是首次引入到织物疵点检测的问题，织物图像是这样表示的语义格而不是底层像素。
2. 不同于传统的Gabor滤波器组组成的众多的过滤器，一个小的Gabor滤波器组与只有4个过滤器适于用于特征提取，并同时降低尺寸和提高滤波器响应的方向特性的一种新的方法，开发。
3. 织物疵点检测问题转化为晶格相似性的比较。在充分研究Gabor滤波器响应分布的基础上设计了一种新的缺陷格检测方法。

本文的其余部分组织如下。在2节中，作品与LSG的简要回顾。3节概述了LSG方法及其程序。在4节中，该公司是与BB，RB相比，WGIS和ER。最后，第5节总结了论文。

2 背景

该方法取决于三个关键组成部分：图像分解，格分割与特征提取。下面的文献回顾不久讨论与织物疵点检测相关的每一个组件。

2.1 图像分解

虽然图像分解，如MCA已被广泛采用不同的信号处理任务，它仍然是罕见的发现在织物疵点检测。究其原因可能是，大多数方法针对的是P1图像的图像，可以有效地处理没有图像分解。然而，对于其他组的复杂的图案，图像分解可以作为预处理步骤。而不是使用内置的组件依赖于外部表现，MCA稀疏表示字典Phi;K不同成分表示，字典原子的系数向量。例如，当， c1和C2可能代表卡通和纹理，分别。MCA试图找到以下模型的解决方法：

在，表示向量alpha;i组成，参数lambda;表示噪声水平，我代表给定的图像。第一个术语保证每个字典表示图像的不同成分，第二项最大限度地减少原始图像和重建图像之间的差异。通常选择词典的卡通和纹理曲波和局部离散余弦变换（LDCT）。利用匹配追踪和块坐标松弛近似求解模型。对所提出的方法，采用MCA曲波和LDCT作为词典识别织物疵点。MCA奠定了自动点阵分割的基础。

2.2 格子分割

格子分割可以根据他们的计算方法，即局部特征和全球结构为基础的方法进行分类。前者识别局部特征，然后分析全局结构，后者进行两个步骤，在一个相反的顺序。自相关函数通常采用的全球方法，发现是更强大的傅立叶变换的纹理与一些重复的模式。对于所提出的方法，提出了一种新的格子分割方法，无论墙纸组。这种方法具有处理图像以外的P1组的能力，并克服了缺点，在刘等人的方法。然而，这些优点的代价是引入一些假设的纹理模式，详细在以下部分。

2.3 点阵特征提取

假设图像已被分割成格子，然后每个格子覆盖的原始图像的矩形区域，这意味着晶格本身是由自己的像素形成的子图像。因此，传统的特征提取方法和方法，专门为织物图像设计可以适于晶格。一般来说，大致有四个特征提取类别：统计，光谱，基于模型和学习方法。共生矩阵，分形维数和自相关函数的统计类别的常用方法。谱方法主要包括小波和Gabor滤波器。基于模型的方法包括自回归模型和马尔可夫随机场。学习方法主要包括神经网络和结构方法。与MB和它的继任者依赖于移动减法提取晶格特征的能量，所提出的方法依赖于预定义的Gabor滤波器组的基础上下面的二维Gabor变换函数。

参数sigma;x和sigma;y高斯表面形状因子。G0表示中心频率。用G（x，y）关键的问题是如何确定参数sigma;x, sigma;y，优化的织物疵点检测率theta;和G0。基本上这些参数可以是预定义的或通过训练优化。对于预定义的情况下，Gabor滤波器组通常由十多个过滤器，这可能会导致干扰的纹理歧视问题。预定义的方法的另一个问题是，它可能无法处理不同的情况下，不同的缺陷。对于优化的情况下，参数通常是针对特定的目标优化。各种方法被设计或采用的训练，例如，遗传算法，模拟退火算法，其中大多数采用无缺陷的图像进行训练，以产生高响应的无缺陷区域，和一些还包括有缺陷的样品。使用无缺陷的样品的算法只可能不会产生显着的响应微妙的缺陷，以及那些涉及缺陷的样品被设计为一些特定的缺陷，从而降低了方法的通用性。为了避免在众多的过滤器和冗长的训练数据的负担，LSG采用Gabor滤波器的滤波器的数量可以根据任务调整。在实践中，公司只使用了4个预定义的过滤器。为这个简单的滤波器的补偿是对切比雪夫距离尺寸减少响应所有过滤器的分布分析，这些是已统计的缺陷。

总之，MCA是适合于织物缺陷检查的第一次，以我们最好的知识。建议的新的格子分割方法消除了严重的限制MB方法及其继任者。一个小Gabor滤波器组提取的格子特征。特征提取与基于一个小的Gabor滤波器组，很少被调查之前的格子集成。

3 LSG方法的程序

该公司法概念包括两个阶段：训练和测试，而两者共享一些基本建筑块的图像分解，格子分割和距离估计。图1说明了测试过程，算法1和4采用两个短语。

图1 LSG的方法程序。

格子分割是通过算法1进行的卡通组件IC获得MCA。ITC是由binarizing Ic用阈值FC·最大thinsp;生成（IC），因子Fc是通过学习算法3多次可以利用一系列的候选人FC一套无缺陷的样品算法1。对于每个候选人，算法1产生理想的晶格高度LH和宽度Lv。FC估计LH和Lv和相应的候选人的分布的基础上。

3.1 对于LSG方法的假设

有LSG由于格分割的限制一定的假设。假设的目标织物图像包含水平和垂直重复的纹理元素称为晶格的几何形状高度不同的背景下，在卡通组件的MCA，和缺陷面积小于50%的一个给定的织物图像。例如，在图2的行中描述了有三幅织物图像，但是，只有最后一幅适合L

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[138155]，资料为PDF文档或Word文档，PDF文档可免费转换为Word