一种基于小波神经网络的布匹表面瑕疵检测方法
【专利摘要】本发明提供了一种布匹表面瑕疵的在线视觉检测方法，其特征是通过Gabor滤波器和小波神经网络的结合，有效提取出布匹表面纹理的宽度方向等信息，能够对同种类布匹训练求取最优解后构建Gabor滤波器进行在线实时检测，保证了在线检测的速度与精度；针对不同种类的瑕疵，分别利用奇对称、偶对称Gabor滤波器保证块状瑕疵与线状瑕疵均能够准确、高效地检测出来。在用线阵相机高速实时采集图像的条件下，能够有效的提高检测速度，降低漏检和误检率。
【专利说明】—种基于小波神经网络的布匹表面瑕疵检测方法
【技术领域】
[0001]本发明涉及一种基于机器视觉的布匹瑕疵实时视觉检测方法，具体是指一种在线阵光源下，通过线阵相机对工业现场中高速传送的布匹表面瑕疵进行检测并即时记录的图像检测方法。
【背景技术】
[0002]工业生产过程里，随着技术水平的不断提高，市场对产品质量的要求也一再提升。在纺织行业中，布匹的质量检测要求随着这种发展趋势愈加严格。但因为纺织品产量持续增大，生产线工业化水准提升，传统的人工检测法已经跟不上自动化发展的速度，受制于检查人员的主观因素以及精神状态，并且存在着人工检验速度慢、成本高、标准化程度低、误检率大等劣势，快速精确地检测出纺织品瑕疵成为生产过程中亟待解决的问题。
[0003]面对这样的的需求，国外的一些大型企业在工业上已经有了一定规模的应用，主要代表产品有以色列EVS公司的IQ-TEX4自动在线检测系统，美国BMS公司的Cyclops自动在线织物检测系统等，但成本高昂、维护不易，在国内并不普遍推广适用。目前，研究者主要采用基于统计学方法、频域变换法、模型法等方法对布匹图像进行处理，以求准确检测到瑕疵，由于布匹表面带有纹理干扰，瑕疵种类繁复，正确地提取出瑕疵区域成为布匹表面检测中的重点和难点。
[0004]由于在检测过程中，出布速度快，布匹幅面较大，检测精度要求高，选用高分辨率并适用于高速采集过程的的线阵相机作为图像采集传感器已经越来越成为主流的检测方式。
【发明内容】
[0005]本发明目的在于提出一种通用性强的基于机器视觉的布匹瑕疵检测方法，取代传统的效率低下的人工检测法。
[0006]针对这个目的，本发明通过如下技术方案实现:
[0007]离线状态:
[0008](I)利用线阵相机实时获取无瑕疵的布匹图像，调节布匹的传送速度、相机采集频率以及相机光圈焦距等参数，实时获得无瑕疵的布匹图像序列作为样本。
[0009](2)对获取的样本图像进行中值滤波处理以抑制噪声去除干扰点，利用直方图均衡化增强图像的对比度以凸显纹理。
[0010](3)构建一个三层前馈神经网络结构，采用一个虚部Gabor小波作为隐层的激励函数，构建参数向量组。
[0011](4)利用Levenberg-Marquardt (LM算法)针对每个Gabor小波求解出最优参数，最终得到相互对应的奇对称Gabor滤波器组和偶对称Gabor滤波器组。
[0012]在线状态:
[0013](I)保持离线状态的相机参数，实时获取待测布匹图像。通过中值滤波处理去除噪声干扰点，利用直方图均衡化凸显布匹图像的纹理，每个采样周期内采集布匹图像形成图像序列进行检测。
[0014](2)分别用离线训练时得到的奇对称Gabor滤波器组和偶对称Gabor滤波器组对待检测图片滤波处理，检测块状与线状瑕疵。
[0015](3)对得到的滤波结果进行融合处理，并对融合图像平滑滤波以及二值化，最终得到瑕疵区域。
[0016]本发明的有益效果是:本发明提供了一种基于Gabor滤波器和小波神经网络的图像瑕疵检测方法，对于布匹图像的纹理信息能够有效的提取，并利用离线训练缩短了算法的执行时间，构建的奇对称Gabor滤波器可以很好的检测块状瑕疵，而偶对称Gabor滤波器则在检测线性边缘时有着很大的优势，面对不同类别的瑕疵能够保证检测成功率。在用线阵相机高速实时采集图 像的条件下，能够有效的提高检测速度，降低漏检和误检率。
【专利附图】
【附图说明】
[0017]图1本发明的整体系统构建图
[0018]图2本发明算法整体流程图
【具体实施方式】
[0019]为使本发明的目的、技术方案和优点等更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
[0020]本发明的基本目的是检验布匹的表面瑕疵，分为离线训练过程及在线检测过程，装置的硬件构建如图1所示，算法整体流程如图2所示。离线训练过程中，通过对无瑕疵样本图像进行小波网络算法处理，并利用LM算法迭代寻优得到最优参数组，构建出对应奇对称Gabor滤波器组和偶对称Gabor滤波器组。在线检测过程中利用得到的滤波器组对待检测图像进行滤波处理，再图像融合，平滑滤波处理后最终得到瑕疵区域。
[0021]进一步的，离线训练过程具体实现步骤为:
[0022](I)根据所要求的验布精度和速度，设定布匹传送速度，相机采样频率，调整相机位置等，采集一系列图像序列作为样本图像。
[0023](2.1)对得到的样本图像利用中值滤波做去噪处理。
[0024](2.2)对滤波后图像做直方图均衡化处理。
[0025]在一幅图像中灰度级rk出现的概率近似为:
[0026]
【权利要求】
1.一种布匹瑕疵的在线视觉检测方法，其特征是:通过Gabor滤波器和小波神经网络的结合，有效地提取出布匹表面纹理的宽度方向信息，对于同种类布匹训练求取最优解后构建Gabor滤波器进行在线实时检测；针对不同种类的瑕疵，对应选择奇对称、偶对称Gabor滤波器保证块状瑕疵与线状瑕疵准确、有效地检测出来；具体包括以下几个步骤: (1)离线学习过程中小波神经网络的构建，得到布匹表面的参数向量
2.根据权利要求1所述一种布匹表面瑕疵的在线视觉检测方法，其特征是:所述步骤(I)中参数向量的精确求取，包括以下步骤: 构建一个三层前馈神经网络结构，设一幅灰度图像为f(x，y)，其中(X，y)为像素的位置标号，f为对应的像素值，使用Gabor小波网络逼近该图像则有如下表示形式:
3.根据权利要求1所述一种布匹表面瑕疵的在线视觉检测方法，其特征是: 所述步骤(2)中最优Gabor滤波器组的构建，包括以下步骤: 第一步、将得到的参数向量组进行寻优，整个网络的训练过程可以表达为
4.根据权利要求1所述一种布匹表面瑕疵的在线视觉检测方法，其特征是:所述步骤(3)中瑕疵区域的精确获取，包括以下步骤: 先将两个滤波器的输出结果(0_n(x，y)，Oodd(x, y))分别归一化处理:
【文档编号】G01N21/898GK103926255SQ201410173860
【公开日】2014年7月16日 申请日期:2014年4月26日 优先权日:2014年4月26日
【发明者】白瑞林, 何薇, 吉峰, 李新 申请人:江南大学, 无锡信捷电气股份有限公司