本发明涉及纺织产品检测技术领域，特别涉及一种基于自适应神经模糊推理系统的经编织物疵点在线检测方法。
背景技术：
：
在织物生产过程中，织物疵点的产生不可避免。传统的人工检测的方法存在检测结果受人的主观影响、漏检率高、人工成本高等问题，越来越成为企业发展的瓶颈。随着计算机技术的发展，依靠机器视觉对织物疵点进行自动检测的方法具有稳定性高、节约人工成本、提高生产效率等优点，逐渐得到发展与应用。
目前，基于机器视觉的织物疵点检测方法仍存着检测效果不稳定，检测方法依靠人为选择特征的缺陷。如何合理有效地选择特征，提高检测稳定性成为需要解决的难题。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现要素：
：
本发明的目的在于提供一种基于自适应神经模糊推理系统的经编织物疵点在线检测方法，利用神经网络和模糊理论的特点，解决现有疵点检测方法人为选择特征的缺陷和不足。
为实现上述目的，本发明提供了一种基于自适应神经模糊推理系统的经编织物疵点在线检测方法，其步骤为：
(1)学习过程：
(1.1)构造一个基于anfis的经编织物疵点在线检测系统，人工构造训练图像，对图像进行预处理得到训练样本集；
(1.2)采用混合学习算法优化训练系统参数，应用随机漂移粒子群优化算法优化anfis检测器中的前提参数，使用线性最小二乘法得到结论参数；
(2)检测过程：
(2.1)对一幅待检测织物图像进行预处理得到检测样本集；
(2.2)将检测样本集中每一样本向量输入到系统中，得到每一样本的系统输出；
(2.3)由所有样本的系统输出得到边缘标志图像，通过形态学滤波处理得到疵点检测结果。
优选地，技术方案中，步骤(1.1)中基于anfis的经编织物疵点在线检测系统包括水平方向anfis检测器、垂直方向anfis检测器、后处理块，水平方向anfis检测器、垂直方向anfis检测器分别单独进行训练。
优选地，技术方案中，步骤(1.1)中训练图像是根据经编平纹织物实际生产中的断经纱疵点情况，模拟构造了7个方向的断经纱疵点条，在疵点区域和背景区域间有明显的边缘，将边缘检测结果作为anfis检测器的期望输出，与输入的训练图像一起组成训练样本集。
优选地，技术方案中，期望输出图像中非边缘区域为白色，像素灰度值为1，边缘区域为黑色，像素灰度值为0。
优选地，技术方案中，步骤(1.1)中得到水平方向anfis检测器训练样本集的步骤为：以输入的训练图像的每一像素p3为中心，得到一个5×5操作窗口，按照水平拓扑结构分别得到p1、p2、p3、p4和p5像素的灰度值；设定水平方向anfis检测器的四个输入x1、x2、x3、x4分别为：
其中fpi为像素pi的灰度值；由中心像素p3得到期望输出图像中的对应像素的灰度值，这样，由四个输入和一个期望输出就可构成一个训练样本向量；由输入的训练图像的所有像素就可得到训练样本集；按照同样的方法可得到垂直方向anfis检测器的训练样本集。
优选地，技术方案中，步骤(1.2)中anfis检测器有四个输入，对于每个输入分别定义三个钟型隶属函数，则anfis包含81条规则；钟型隶属函数的参数即为anfis的前提参数，所有81条规则的输出计算公式中的参数即为anfis的结论参数；
假设现有n个训练样本为{(x(1)，y(1))，…，(x(n)，y(n))}，anfis的目标函数可定义为：
其中yd(i))为第i个输入样本x(i)的系统实际输出，y(i)为期望输出。
优选地，技术方案中，步骤(1.2)中使用混合学习算法优化anfis检测器参数的步骤为：
(1.2.1)初始化粒子群，包括确定最大迭代次数、搜索空间粒子的维数、粒子的个数、随机初始化粒子的位置；
(1.2.2)如果当前为第一次迭代，每个粒子的初始位置即为该粒子的个体最好位置；
(1.2.3)采用线性最小二乘法得到每个粒子对应的结论参数，计算所有样本对应的anfis实际输出，由式(4)计算得到每个粒子对应的目标函数值；
(1.2.4)如果终止条件满足，则训练结束，整个粒子群的全局最好位置即为最优的一组anfis的前提参数，由该组最优前提参数得到最优的结论参数；否则，更新每个粒子的个体最好位置和整个粒子群的全局最好位置，转到步骤(1.2.3)。
优选地，技术方案中，步骤(2.1)中，与步骤(1.1)类似，以待检测织物图像中的每一像素为中心，得到一个5×5操作窗口，按照水平和垂直拓扑结构分别得到水平和垂直方向样本向量，每个样本向量有四个输入；由待检测织物图像中的所有像素，就可得到检测样本集。
优选地，技术方案中，步骤(2.2)中，将每个像素所对应的水平和垂直检测样本集中每个样本向量分别输入到水平方向和垂直方向anfis检测器，得到两个输出，将这两个输出作为后处理块的输入；后处理块对两个输入取平均值，然后将该平均值与一个阈值t相比较，如果该平均值大于或等于阈值t，则最终输出为1，表示当前操作像素不是边缘像素，显示为白色；否则，最终输出为0，表示当前操作像素是边缘像素，显示为黑色。
优选地，技术方案中，步骤(2.3)中，在上一步骤中可得到所有像素对应的系统输出，即可得到一个边缘标志图像，其中黑色像素表示边缘，白色像素表示非边缘；然后使用形态学滤波，采用腐蚀操作去除噪声，采用膨胀操作修复边缘像素；最后统计边缘像素的个数，如果该个数大于设定的阈值，则判定图像中有疵点。
与现有技术相比，本发明具有如下有益效果：
采用anfis，综合了模糊理论模拟疵点检测过程中的不确定性的能力和人工神经网络强大的学习能力，自动选择图像特征，解决现有疵点检测方法人为选择特征的缺陷和不足。
附图说明：
图1为本发明基于自适应神经模糊推理系统的经编织物疵点在线检测系统结构图。
图2为本发明anfis检测器训练优化过程图。
图3为本发明anfis检测器的输入训练图像和期望输出图像。
图4为本发明水平和垂直方向anfis检测器提取训练样本的拓扑结构图。
具体实施方式：
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
如图1所示，一种基于自适应神经模糊推理系统的经编织物疵点在线检测方法，包含学习过程和检测过程。
(1)学习过程：
(1.1)构造一个基于anfis的经编织物疵点在线检测系统，人工构造训练图像，对图像进行预处理得到训练样本集；
图1为基于anfis的经编织物疵点在线检测系统结构图，包含水平方向、垂直方向anfis检测器和一个后处理块。每个anfis检测器都需要单独进行训练。图2为anfis检测器训练优化过程图，每个anfis检测器使用相同方式进行训练，只是训练样本集不同。
在经编织物生产中，工业相机在线实时获取的图像是织物刚从成圈区域牵拉出来的沿幅宽方向的长条形图像。经编平纹织物的疵点主要是由于断经纱引起的从上至下的窄竖条疵点。在靠近织物中间区域的断经纱疵点一般呈垂直的竖条形状，而在左右区域的竖条疵点会因为织物张力的原因，会发生一定程度的偏斜，越靠近织物边缘，偏斜的角度会越大。根据经编平纹织物断经纱疵点的形成原理，可用计算机构造如图3所示的人工训练图像。图3(a)为输入的训练图像，根据经编平纹织物实际生产中的断经纱疵点情况，模拟构造了7个方向的断经纱疵点条。从该图中可以看出，在疵点区域和背景区域间有明显的边缘，因此可将边缘检测结果作为anfis检测器的期望输出，与输入的训练图像一起组成训练样本集。图3(b)为期望输出图像，图中非边缘区域为白色，像素灰度值为1，边缘区域为黑色，像素灰度值为0。
由输入的训练图像和期望输出图像可得到训练样本集。以水平方向anfis检测器为例，如图4(a)所示，以输入的训练图像的每一像素p3为中心，得到一个5×5操作窗口，按照水平拓扑结构分别得到p1、p2、p3、p4和p5像素的灰度值。设定anfis检测器的四个输入x1、x2、x3和x4分别为：
其中fpi为像素pi的灰度值。由中心像素p3得到期望输出图像中的对应像素的灰度值，这样，由四个输入和一个期望输出就可构成一个训练样本向量。由输入的训练图像的所有像素就可得到训练样本集。按照同样的方法可得到垂直方向anfis检测器的训练样本集。
(1.2)采用混合学习算法优化训练系统参数，也就是应用随机漂移粒子群优化(rdpso)算法优化anfis检测器中的前提参数，使用线性最小二乘法(lse)得到结论参数；
在采用图1中的系统进行疵点检测前，水平方向和垂直方向anfis检测器都需要单独进行训练，优化得到系统中的参数。anfis检测器训练优化过程如图2所示。
anfis检测器有四个输入，对于每个输入分别定义三个钟型隶属函数，则anfis包含81条规则。钟型隶属函数的参数即为anfis的前提参数，所有81条规则的输出计算公式中的参数即为anfis的结论参数。
假设现有n个训练样本为{(x(1)，y(1))，…，(x(n)，y(n))}，anfis的目标函数可定义为：
其中yd(i))为第i个输入样本x(i)的系统实际输出，y(i))为期望输出。
在本发明中，采用混合学习算法优化系统中的参数，即使用rdpso算法优化anfis检测器中的前提参数，采用lse得到结论参数。rdpso算法是在粒子群优化(pso)算法基础上，根据在随机标准有限温度下外部电场的金属导体自由电子模型而提出的优化方法。rdpso算法已被证明可保证全局收敛，能找到全局最优解。
使用混合学习算法优化anfis检测器参数的具体过程可描述如下：
(1.2.1)初始化粒子群，包括确定最大迭代次数、搜索空间粒子的维数、粒子的个数、随机初始化粒子的位置；
(1.2.2)如果当前为第一次迭代，每个粒子的初始位置即为该粒子的个体最好位置；
(1.2.3)采用线性最小二乘法得到每个粒子对应的结论参数，计算所有样本对应的anfis实际输出，由式(4)计算得到每个粒子对应的目标函数值；
(1.2.4)如果终止条件满足，则训练结束，整个粒子群的全局最好位置即为最优的一组anfis的前提参数，由该组最优前提参数得到最优的结论参数；否则，更新每个粒子的个体最好位置和整个粒子群的全局最好位置，转到步骤(1.2.3)。
(2)检测过程可包含如下步骤：
(2.1)对一幅待检测织物图像进行预处理得到检测样本集；
与步骤(1.1)类似，以待检测织物图像中的每一像素为中心，得到一个5×5操作窗口，按照水平和垂直拓扑结构分别得到水平和垂直方向样本向量，每个样本向量有四个输入。由待检测织物图像中的所有像素，就可得到检测样本集。
(2.2)将检测样本集中每一样本向量输入到系统中，得到每一样本的系统输出；
将每个像素所对应的水平和垂直检测样本集中每个样本向量分别输入到水平方向和垂直方向anfis检测器，得到两个输出，将这两个输出作为后处理块的输入。后处理块对两个输入取平均值，然后将该值与一个阈值t相比较，如果该平均值大于或等于阈值t，则最终输出为1，表示当前操作像素不是边缘像素，显示为白色；否则，最终输出为0，表示当前操作像素是边缘像素，显示为黑色。
(2.3)由所有样本的系统输出得到边缘标志图像，通过形态学滤波处理得到疵点检测结果。
按照步骤(2.2)方法，可得到所有像素对应的系统输出，即可得到一个边缘标志图像，其中黑色像素表示边缘，白色像素表示非边缘。然后使用形态学滤波，采用腐蚀操作去除噪声，采用膨胀操作修复边缘像素。最后统计边缘像素的个数，如果该个数大于设定的阈值，则判定图像中有疵点。
本发明采用人工构造的图像可对系统事先进行训练，然后就可用于疵点检测。在生产过程中，无需获取织物实际图像进行训练，方便快捷，鲁棒性好，训练后的系统可对所有经编平纹织物进行疵点检测，在更换产品时，无需再对系统进行训练。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。