一种纺织品瑕疵检测方法与流程
本发明涉及纺织品检测技术领域，具体涉及一种针对周期图案纺织品的纺织品瑕疵检测方法。
背景技术
纺织品瑕疵检测是控制织物质量的重要环节，也是计算机视觉领域的一个重要应用内容。纺织品瑕疵检测主要面临以下问题：检测所消耗的时间、检测的成功率和准确率以及检测的评价标准等。由于工业生产的原因，现今纺织品可以分为两类：第一类是不含周期图案的纺织品；第二类是含有周期图案的纺织品。
第一类纺织品出现较早，通常是纯色的，结构比较简单。针对该类纺织品的瑕疵检测，目前已发展出很多成熟的算法，大致可以分为以下几类：1)统计的方法:自相关函数，数字形态学；2)谱方法：傅里叶变换，gabor滤波，小波变换；3)训练法：神经网络；4)结构法；5)模型法：自回归模型，markov随机场(markovrandomfields)模型等。其中，统计方法和谱方法在检测含有瑕疵面积较大的纺织品图像时效果不佳；训练法需要训练纺织品参数，针对性低并且时间成本较高；结构法对瑕疵类型没有普适性，对样本图像的质量要求较高。
第二类含周期图案的纺织品出现较晚，目前可适用的方法较少，但是近年来也发展出一些比较成熟的算法，例如：wgis(waveletpreprocessedgoldenimagesubtraction)算法，er(elorating)算法，bb(bollingerbands)算法，rb(regularbands)算法，id(imagedecomposition)算法，模板法等。由于瑕疵的随机性，wgis和er算法的检测结果并不稳定；bb和rb算法能够有效分割瑕疵区域，但是需要人工设置参数，主观性高；id算法需要最佳的分解参数，对训练样本要求较高；模板法在降低运算复杂度的同时保证了较高的准确率，但是面对复杂纹理的纺织品时效果较差。
综合而言，现有的检测方法检测效果不佳，检测周期较长，成本也较高。
技术实现要素：
鉴于以上情形，为了解决现有技术存在的检测方法周期长、所需成本高且检测效果差的问题，本发明提出一种基于双层mrf模型的纺织品瑕疵检测方法，通过确定基本重复单元的大小对图像进行裁剪和分块，降低了计算复杂度，提升了检测速率，同时本方法对瑕疵类型具有普适性。并通过确定使图像能量最小时的图像标记，确定瑕疵区域，提高检测准确率。
根据本发明的纺织品瑕疵检测方法，包括以下步骤：
1)输入待检测的含有周期变化图案的纺织品图像作为待测样本图像；
2)确定基本重复单元的模板大小；
3)根据所确定的模板大小对待测样本图像进行裁剪和分块，建立双层mrf模型中的顶层约束场；
4)对待测样本图像进行双线性插值，扩展后的图像作为双层mrf模型中的底层数据场；
5)计算每一图像块的图像能量；
6)通过em算法迭代求解双层mrf模型，确定使所有图像能量达到稳定的图像标记；
7)根据最终的图像标记场确定瑕疵位置，输出最终的检测结果。
进一步地，所述确定基本重复单元的模板大小，其方法在于，在待测样本图像的水平方向和垂直方向分别取步长c和步长r对纺织品图像进行均匀分割，计算相邻两块间的差异，统计所有差异的总和，确定使差异总和达到极小值时，水平和垂直方向的步长大小即为所求待测样本图像的基本重复单元模板大小。
进一步地，所述计算相邻两块间的差异，其方法在于，令步长c等于待测纺织品图像的图像长度，先进行步长r的求解，再求解步长c；或令步长r等于待测纺织品图像的图像宽度，先进行步长c的求解，再求解步长r，获取r和c的最佳数值即差异总和达到最小值时水平和垂直方向的步长大小作为基本重复单元模板大小。
进一步地，所述根据所确定的模板大小对待测样本图像进行裁剪和分块，其方法在于，将待测样本图像的长度保留模板长度的最大整数倍，待测样本图像的宽度保留模板宽度的最大整数倍，其余部分的图像裁剪出去；而后根据基本重复单元模板对裁剪后的纺织品样本图像进行分割，将待测纺织品样本图像平均分割为若干个大小相同且包含一个基本图案的图像块。
进一步地，所述建立双层mrf模型中的顶层约束场，其方法在于，取原图像当前块的四邻域生成约束当前块的父图像块，对于位于边缘的图像块，缺少的邻域部分由相同大小的0矩阵补充。
优选地，所述父图像块通过计算四邻域块对应位置点的中位数来获得。针对位于边缘的图像块，缺少的部分由相同大小的0矩阵补充。为了避免补充的0矩阵对实验造成影响，父图像块通过计算四邻域块对应位置点的中位数来获得。从节约计算成本到模型本身的需求考虑，约束场并不需要与原图像具有相同的维数。因此，顶层约束场由所有父图像块的像素均值构成。
在建立双层mrf模型中的顶层约束场的基础上，对待测样本图像进行双线性插值，扩展后图像的图像具有更多的信息和数据量，扩展后的图像作为双层mrf模型中的底层数据场，能够将瑕疵面积较小的瑕疵检测出来。
由待测样本图像生成顶层约束场和底层数据场后，就可以实现对分块的图像块建立双层mrf模型。待测图像分块后每个图像块为随机场的最小计算单元；顶层约束场由原图像分块生成，底层数据场由插值后的扩展图像生成；顶层约束场和底层数据场间具有传递性和关联性，相互印证相互约束；图像块与其四邻域图像块形成二阶基团，当前块的性质可以由四邻域的性质表征；每个图像块均对应一个标记，初始标记均为0，所有标记的集合记作为标记场；根据数据场和标记场计算图像块能量，采用迭代法求解使图像能量达到稳定的标记场结果；标记结果投影至待测纺织品图像，得到最终的检测结果。
进一步地，所述计算每一图像块的图像能量，其方法在于，通过图像块的势函数计算出每一图像块的图像能量。
优选地，所述势函数包括一阶势函数和二阶势函数。对于每一个图像块，均具有势函数，包括一阶势函数和二阶势函数，代表图像块当前性质获得某个标记的趋势，图像块的能量由该趋势计算所得。
进一步地，所述势函数的计算方法在于，将所有图像块进行叠加，形成一个立体模型；计算该模型对应位置点的中位数，得到待测样本图像的全局模板，该模板默认为无瑕，标记为0；对于每一个图像块，计算全局模板与当前块的差异矩阵，计算该差异矩阵的均值即为当前块的一阶势函数；取当前块的四邻域内与其标记相同的图像块，分别计算与全局模板的差异矩阵，取所有差异矩阵的均值为当前块的二阶势函数。
进一步地，所述通过em算法迭代求解双层mrf模型，确定使所有图像能量达到稳定的图像标记，其方法在于，对双层mrf模型进行迭代求解，计算出能够使双层mrf模型的能量达到稳定的标记，所有图像块确定的标记组成双层mrf模型的标记场结果。求解模型参数的方法是利用传统的em算法，对双层mrf模型进行迭代求解，目的是计算出能够使模型的能量达到稳定的标记，所有图像块确定的标记组成模型的标记场结果。
进一步地，所述根据最终的图像标记场确定瑕疵位置，输出最终的检测结果，其方法在于，将对应标记为0的图像块认定为无瑕纺织品区块，对应标记为1的图像块认定为含有瑕疵的纺织品区块，输出认定结果。所述认定为通过条件判断所得出的认定，即判断标记为1的图像块为含有瑕疵的纺织品区块。
在采取本发明提出的技术后，根据本发明实施例的纺织品瑕疵检测方法，具有以下有益效果：提供了一种基于双层mrf用于纺织品瑕疵检测的方法，通过求取最小重复单元大小对样本图像进行分块，提高了检测速率，同时改进传统的mrf模型方法，使得本发明具有更好的检测精度。
附图说明
图1是本发明的双层mrf模型示意图；
图2是本发明的总体流程图；
图3是本发明的顶层约束场构建示意图；
图4是本发明的四邻域补充示意图；
图5是本发明的顶层约束场结果示意图；
图6是本发明的底层数据场构建示意图；
图7是本发明的双线性插值示意图。
具体实施方式
下面将结合附图给出的实施例对本发明作进一步详细的说明。所描述的实施例包括帮助理解的各种具体细节，但它们只能被看作是示例性的，是本发明的一部分实施例，而不是全部的实施例。除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。同时，为了使说明书更加清楚简洁，将省略对本领域熟知功能和构造的详细描述。
一种纺织品瑕疵检测方法，应用了双层mrf模型，如图1所示，本发明采用双层markov随机场模型进行周期纺织品图像的瑕疵检测，模型分为顶层约束场和底层数据场。其中，顶层约束场的目的是为了避免纺织品图像的纹理信息干扰，通过利用较小维度的数据获得瑕疵粗略地边界，作为模型对纺织品检测的初步分割结果，有利于过滤除该瑕疵边界外的无瑕图像块，降低算法误检率，提升算法的准确率。
以下请参阅图2所示本发明的总体流程图，具体地，本发明应用双层mrf模型的纺织品瑕疵检测方法按照如下步骤进行。
1)输入待检测的含有周期变化图案的纺织品图像作为待测样本图像。
输入待测样本图像可以通过扫描仪/机扫描含有周期变化图案的纺织品获得电子数据格式的图像，也可以通过相机或摄像头拍摄含有周期变化图案的纺织品获得电子数据格式的图像，通过数据传输线路和端子输入到计算机中并存储于存储器内供后续步骤调用。所述计算机中至少设有运算器、存储器、输入设备以及输出设备，所述运算器用于执行后续步骤中的计算，计算所用的方法可以通过编程的方法制作为应用程序并存储在存储器中，并可以设定在执行程序的过程中调用存储器内的其它数据以及调用输入设备和输出设备。输入设备可以为接收数据输入的端口，也可以是直接与运算器连接并可由其调用的扫描仪/扫描机/相机/摄像头或其它输入装置。输出设备可以是显示屏幕或数据输出端口。
2)确定基本重复单元的模板大小。
在输入待测纺织品图像后，首先是确定基本重复单元模板大小。在待测样本图像的水平方向和垂直方向分别取步长c和步长r对纺织品图像进行均匀分割，计算相邻两块间的差异，统计所有差异的总和，确定使差异总和达到极小值时，水平和垂直方向的步长大小即为所求待测样本图像的基本重复单元模板大小。所述差异总和达到极小值，是指在合理可预期工作范围内的极小值或最佳数值，可以预先设定所需要的差异值范围，在差异总和达到所设定的范围内最小值时，即确定基本重复单元模板大小。或者也可以设定计算和统计的次数或时间，在满足设定次数或时间的基础上所得到的最小值作为确定基本重复单元模板大小的基础。
确定待测样本图像基本重复单元的具体计算方法是，令步长c等于待测纺织品图像的图像长度，先进行步长r的求解，再求解步长c；或令步长r等于待测纺织品图像的图像宽度，先进行步长c的求解，再求解步长r，获取r和c的最佳数值作为基本重复单元模板大小。
3)根据所确定的模板大小对待测样本图像进行裁剪和分块，建立双层mrf模型中的顶层约束场。
确定基本重复单元模板大小后，按照该模板对待测图像进行裁剪和分块，目的是增强随机场模型最小计算单元间的相关性，有利于算法的运行，同时将检测算法由像素级提升至块级，有利于降低算法的运算复杂度，提高效率。
根据模板对图像进行分块的方法是，待测样本图像的长度保留模板长度的最大整数倍，待测样本图像的宽度保留模板宽度的最大整数倍，其余部分的图像裁剪出去；而后根据基本重复单元模板对裁剪后的纺织品样本图像进行分割，将待测纺织品样本图像平均分割为若干个大小相同且包含一个基本图案的图像块。
进一步地，确定待测纺织品样本图像基本重复单元的大小，对于一个含有若干基本图案，大小为m×n的纺织品图像i，要确定尺寸为m×n的基本重复单元模板，先令模板的宽度m＝m，模板的高度n在[1，n/2]内依次取一个数值d，形成一个大小为[m，d]的待定模板，将待测纺织品样本图像i按该待定模板分成
其中全局差异总值f计算公式如下：
由于待测纺织品图像具有周期性，所以当d为周期模板的整数倍时，总差值f就会取得极小值，所以在所有使f取得极小值的长宽中面积最小的模板才是最佳的模板。
顶层约束场的构建流程如图3所示。建立双层mrf模型中的顶层约束场，其方法在于，取原图像当前块的四邻域生成约束当前块的父图像块，对于位于边缘的图像块，缺少的邻域部分由相同大小的0矩阵补充。图4示出了四叉树模型的示意图。在对待测图像分块后，位于图像内部的区块均具有四个图像块与其相邻。根据markov随机场理论，图像块的性质只与其四邻域的图像块有关，不受其他区块的影响。因此四邻域的图像块可以构成当前图像块的四叉树模型。而位于图像边界的区块则不具备完整的四叉树，因此本发明采用补0的方法，对缺失的图像块补充相应位置的0矩阵，以此构成完整的四叉树模型。为了避免0矩阵的影响，本发明采用中位数的计算方式，将当前块邻域内的四个图像块叠加，计算每个对应位点的中位数，所得结果即为当前图像块对应的约束父图像块。
进一步地，顶层约束场并不需要与原图像相同的数据量，从节约计算成本的角度，本发明通过计算所有约束父图像块的均值，所得结果即为顶层约束场结果。顶层约束场中的转移概率如公式(2)所示
图5示出了本发明的顶层约束场结果示意图，最左边为待测纺织品样本图像，中间为人工标定的ground-truth结果图，最右边为该图像对应的顶层约束场结果。由图中可以看出，在较少的维度下，约束场结果可以将瑕疵的初步边界范围确定出来。在之后的检测部分，不属于该范围的图像块，即使后续的算法判定为有瑕，也会因为约束场的原因被判定为无瑕，从一定程度上过滤掉算法的误检区域，有利于提升算法的准确率。
4)对待测样本图像进行双线性插值，扩展后的图像作为双层mrf模型中的底层数据场。
图6示出了本发明的底层数据场的构建流程。纺织品图像在拍摄取样的过程中，会发生偏移和失真，这就会导致图像的边界发生断裂。一般地，在图像预处理阶段会加入插值算法，补充缺失的像素，优化图像的边界。因此，本发明在输入待测纺织品图像后，对其进行双线性插值，目的是获得更丰富的图像数据和更优异的边界信息。对插值后的图像进行如上述分块方法相同的操作，进而构成本发明的底层数据场。
进一步地，双线性插值法的示意图如图7所示，其核心思想是在两个方向分别进行一次线性插值。在图像块之间添加一个图像块，新增的图像块由这两个图像块计算均值所得，添加后，原图像会扩展为原图像的四倍。
在图7中，白色区块代表待测样本图像数据，黑色区块代表求均值后新增的数据。由图中可知，双线性插值法应用于本发明的过程中，会在水平方向上对相邻两图像块计算均值，将计算结果置入该两块之间作为填充块。垂直方向上的方法相同。最中心的图像块是由四个填充块计算均值所得到的结果。双线性插值方法相对于最近邻插值法有更优异的边界和抗噪性，相对于双三次插值法有更快的运算速度和更低的计算成本。
5)计算每一图像块的图像能量。
在双层mrf模型中，顶层约束场和底层数据场间具有传递关联性，层次之间相互约束，相互印证。图像能量由两层的联合概率决定，底层数据场的转移概率为
其中
其中当前图像块i∈b，yi为i的标记，yi∈{0,1}，标记为0代表无瑕，1代表有瑕。ni为当前块的四邻域图像块集合。i(k,l)，r(k,l)分别代表当前图像块与其邻域图像块在位置为(k,l)的像素值。gt为所有图像块叠加求中位数所得的全局模板。
对于每一个图像块，均具有势函数，包括一阶势函数和二阶势函数，代表图像块当前性质获得某个标记的趋势，图像块的能量由该趋势计算所得。所述势函数的计算方法是，将所有图像块进行叠加，形成一个立体模型，计算该模型对应位置点的中位数，得到待测样本图像的全局模板，该模板默认为无瑕，标记为0。对于每一个图像块，计算全局模板与当前块的差异矩阵，计算该差异矩阵的均值即为当前块的一阶势函数。取当前块的四邻域内与其标记相同的图像块，分别计算与全局模板的差异矩阵，取所有差异矩阵的均值为当前块的二阶势函数。
6)通过em算法迭代求解双层mrf模型，确定使所有图像能量达到稳定的图像标记。
求解双层mrf模型参数的方法是，利用传统的em算法，对双层mrf模型进行迭代求解，目的是计算出能够使模型的能量达到稳定的标记，所有图像块确定的标记组成模型的标记场结果。所述所述根据标记场结果完成瑕疵定位的方法是，对应标记为0的图像块认定为无瑕纺织品区块，对应标记为1的图像块认定为含有瑕疵的纺织品区块。
图像能量由势函数决定，当图像与其标记间不相符时，势函数会降低，图像获得错误标记的代价升高，图像能量增强。能量计算公式如下：
本发明利用求解mrf参数的经典算法em算法对双层mrf的能量场进行优化和求解。目的是找出在某个概率下，整个图像的全局能量达到最低，即所有图像块的标记认定为合理的。最终的标记场结果即为检测结果。如公示(10)所示：
由最终的标记场结果定位纺织品瑕疵区域：对应标记为0的图像块认为是无瑕区块，对应标记为1的图像块认为是含有瑕疵的区块。
7)根据最终的图像标记场确定瑕疵位置，输出最终的检测结果。
最后根据最终的图像标记场确定瑕疵位置，其中标记为1的图像块认为是含有瑕疵的区块，并将其位置通过输出设备输出。
在最终的检测结果中，只会显示含有瑕疵的图像区块，最后解决含有周期图案纺织品图像的瑕疵检测问题。
应当理解,虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
- 还没有人留言评论。精彩留言会获得点赞！