基于混合特征向量和單分類檢測器的織物瑕疵自動檢測研究.pdf

1、本文旨在研究和開發(fā)有實用價值的基于計算機視覺的機織物瑕疵自動檢測算法。采用計算機視覺取代人眼進行織物瑕疵自動檢測能夠大幅度降低漏檢率、提高生產(chǎn)效率、保證檢測結(jié)果的穩(wěn)定性、改善瑕疵信息管理以及產(chǎn)品質(zhì)量監(jiān)控等等。對織物瑕疵自動檢測進行算法研究是實現(xiàn)織物瑕疵檢測自動化的關(guān)鍵，也是自動驗布機研制的基礎(chǔ)，因此，檢測算法的研究引起了國內(nèi)外紡織學科、計算機科學與技術(shù)學科以及自動化學科等相關(guān)領(lǐng)域科技工作者的濃厚興趣，并成了當今紡織學科前沿的一個研究熱點

2、和難點;而計算機視覺的紡織應(yīng)用也成了當前以先進的科學技術(shù)改造和提升傳統(tǒng)產(chǎn)業(yè)的大領(lǐng)域之一。因此，課題具有很好的理論意義和現(xiàn)實意義。
　　能夠?qū)嵱玫目椢镨Υ米詣訖z測算法必須全面符合檢測準確性、單類分類性以及實時性要求。所謂檢測準確性要求，即要求算法能夠?qū)^大多數(shù)常見瑕疵的檢測誤檢率和漏檢率同時保持在較低水平。要滿足這一要求，首要的就是要確保所提取的特征向量對絕大多數(shù)常見瑕疵具有較強的普適性，其次要確保檢測器具有較高的精密度和對特征向量

3、數(shù)據(jù)信息的深入挖掘能力。所謂單類分類性要求，即在檢測器設(shè)計方面，要求檢測器具有單類分類的功能，也即訓練時只能依賴正常樣本而不能借助瑕疵樣本。因為織物瑕疵種類、外觀形態(tài)和尺寸呈現(xiàn)多種多樣，而織物紋理和結(jié)構(gòu)亦千變?nèi)f化，因而依賴瑕疵樣本進行算法訓練在實踐中是無法實現(xiàn)的。由此可見，基于計算機視覺的織物瑕疵自動檢測實質(zhì)上是以紋理圖像為分析對象的一種典型的單類分類模式識別任務(wù)。所謂實時性要求，即在檢測速度方面，要求算法在數(shù)據(jù)預(yù)處理、特征提取以及判別

4、檢測階段均能快速實現(xiàn)，使算法的全套流程均能滿足實時要求。本文作者在算法研究開發(fā)過程中盡可能使算法滿足上述要求，通過理論探索和檢測實驗提出了三套較為有效的織物瑕疵自動檢測算法，這些算法無論在特征向量的提取還是單類分類檢測器的設(shè)計方面都是織物瑕疵檢測研究領(lǐng)域至今未見報道。
　　本文的全文研究內(nèi)容共分七章。
　　第一章為緒論，介紹了本文選題的學術(shù)與行業(yè)背景，分析了作者所在的計算機視覺紡織應(yīng)用課題組的前人在此領(lǐng)域的研究成果和不足之處

5、，交代了本文的研究目標和全文框架。
　　第二章是文獻綜述，在模式識別和紋理分析等相關(guān)基本概念介紹的基礎(chǔ)上綜述了近十五年來本領(lǐng)域國內(nèi)外的重要文獻，對與本論文相關(guān)的算法給予了重點討論，指出了現(xiàn)有研究成果的價值與不足。
　　第三章介紹了檢測樣本的采集和有關(guān)數(shù)據(jù)的預(yù)處理技術(shù)。這些都是后續(xù)第四、第五和第六章檢測實踐中均要涉及的共性問題。具體內(nèi)容包括瑕疵樣布收集、織物瑕疵種類與圖像示例、織物紋理圖像的獲得與預(yù)處理、織物紋理圖像子窗口尺寸

6、的確定、紋理圖像特征的有效性檢驗及特征值規(guī)范化處理、樣本數(shù)據(jù)集及其分布、評估算法檢測效果的考核指標體系等等。
　　第四章介紹本文設(shè)計的第一套檢測算法，即基于時間序列的自回歸功率譜分析特征向量和單邊距離檢測器的織物瑕疵檢測算法。該算法充分利用機織物紋理的周期性和經(jīng)緯取向的特點以及多數(shù)瑕疵也呈現(xiàn)經(jīng)緯取向的特點，采用基于Burg算法的低階AR譜估計方法從織物圖像的一維投影序列中提取有關(guān)特征，并結(jié)合自行設(shè)計的單邊距離檢測器來檢測瑕疵。該方

7、法運算量小，能夠滿足實時檢測的要求，總平均誤檢率為6.71％時，總平均漏檢率為13.53％，基本可以滿足檢測準確度的要求。
　　第五章介紹本文設(shè)計的第二套檢測算法，即基于時間序列多分形混合特征向量和單類模糊聚類檢測器的織物瑕疵檢測算法。為了更細致地描述瑕疵紋理、降低檢測錯誤率，本文作者在研究本套算法時，提出了一種兼顧紋理概貌與細節(jié)信息、經(jīng)向和緯向信息的混合特征向量提取思想。具體來講，就是充分考慮了機織物紋理經(jīng)緯取向的特點和利用了紋

8、理基本循環(huán)參數(shù)，以分形特征為基礎(chǔ)擴展成為多分形特征向量。該多分形特征向量包含一個概貌分形特征和四個細節(jié)分形特征，它們均在圖像一維投影序列基礎(chǔ)上提取。為了消除訓練用原始正常樣本數(shù)據(jù)分布可能存在不平衡的弊端，提高對訓練數(shù)據(jù)的信息挖掘力度，本文作者自行設(shè)計了一種基于模糊c均值聚類(FCM)算法的單類分類檢測器，并討論了該檢測器參數(shù)的優(yōu)選問題。實驗結(jié)果表明，本套算法總平均誤檢率為4.93％時，總平均漏檢率為5.06％，準確度較第一套算法大幅度改

9、善。不足之處在于，該算法在四個細節(jié)分形特征提取時較為耗時，尤其是當織物密度較高時，這種情況更甚。
　　第六章介紹本文設(shè)計的第三套檢測算法，即基于分形概貌特征和Sobel濾波細節(jié)特征的混合特征向量和支持向量數(shù)據(jù)描述單類分類檢測器的織物瑕疵檢測算法。文中還對檢測器相關(guān)參數(shù)的優(yōu)化提出了更為可靠和實用的方法。本套算法在特征向量提取時沿用了第二套算法中提到的兼顧概貌與細節(jié)信息、經(jīng)向和緯向信息的思想，不同之處在于，本套算法在細節(jié)特征提取時采用

10、了與概貌特征即分形特征不同類別的一種特征，即在Sobel算子濾波基礎(chǔ)上的仙農(nóng)熵特征。本套算法的細節(jié)特征提取速度非?？欤朔说诙姿惴ㄖ屑毠?jié)特征提取運算量大的缺點，同時保留了上述混合特征向量提取思想的優(yōu)點。此外，Sobel算子濾波基礎(chǔ)上的特征與分形特征本身也具有很大的互補性，因而使得本套特征向量對紋理信息的描述更趨合理和全面。檢測器方面，本套算法采用了一種先進的核函數(shù)機器學習方法，即支持向量數(shù)據(jù)描述(SVDD)。SVDD是一種特殊的單類

11、分類支持向量機(SVM)，能夠有效地表征正常訓練數(shù)據(jù)的分布，特別適合于各種異常檢測的應(yīng)用。實驗結(jié)果表明，本套算法在總平均誤檢率為4.61％時，總平均漏檢率為4.09％。本套算法在檢測精度方面略優(yōu)于檢測效果較好的第二套算法，在檢測速度方面則具有第一套算法的優(yōu)點，因而是一套最具實用價值的算法。
　　第七章是全文總結(jié)和后續(xù)研究展望。文中對上述三套算法的優(yōu)缺點進行了小結(jié)，對本文的成果和不足進行了總結(jié)，還提出了后續(xù)研究的方向和重點。

12、　　本文提出的三套檢測算法是本文研究成果的綜合表述，但在形成三套算法過程中的實質(zhì)性成果主要是以下幾個方面:
　　1)兼顧紋理概貌與細節(jié)的特征提取思路
　　考慮到織物瑕疵尺寸和外觀形態(tài)的多樣性以及單一特征對紋理描述的不足，結(jié)合織物紋理呈縱橫取向和具有明顯周期循環(huán)的特點，本文指出，所提取的多個特征對于紋理的描述應(yīng)兼顧概貌與細節(jié)信息，以實現(xiàn)最大限度的特征互補進而更全面的紋理特點表征。本文第二套算法的多分形特征向量和第三套算法的由分

13、形概貌特征和Sobel濾波細節(jié)特征組成的混合特征向量即是這種思路的體現(xiàn)，這與以往研究者只考慮單一方面的特征有很大不同。
　　2)兼顧精密性和單類分類功能的檢測器設(shè)計思想
　　織物瑕疵的多樣性和難以全面采集的特點決定了實用的檢測器必須具有較深刻的數(shù)據(jù)挖掘能力和單類分類的功能?，F(xiàn)有文獻涉及的單類分類器主要是歐氏距離或某些簡單的閾值法，這種檢測器過于粗糙，難以深入地挖掘特征向量中隱含的信息;而現(xiàn)有文獻中涉及的較精密和高級的檢測器如

14、神經(jīng)網(wǎng)絡(luò)或支持向量機又多不具備單類分類的功能，其模型的訓練必須借助相當數(shù)量的瑕疵樣本。有鑒于此，本文提出，織物瑕疵檢測器在設(shè)計時應(yīng)使其同時具備單類分類的功能和對信息更深層次挖掘的功能。本文第二套算法中的模糊c均值聚類單類分類檢測器和第三套算法中的支持向量數(shù)據(jù)描述單類分類檢測器即是這種設(shè)計思想的體現(xiàn)，且這兩套檢測器在織物瑕疵檢測領(lǐng)域尚無應(yīng)用先例，也無相關(guān)報導。
　　3)檢測算法全套流程中的實時性構(gòu)思
　　本文不僅僅追求檢測算法

15、的高檢測準確性目標，也強調(diào)檢測算法全套流程的實時性要求，為此，在算法設(shè)計的許多環(huán)節(jié)中都考慮到了這一點。例如，在圖像預(yù)處理中提出了一種快速的消除光照不勻和增強圖像對比度的算法。又如，利用機織物紋理和多數(shù)瑕疵具有經(jīng)緯取向的特點，采用投影方式得到一維序列，從而使得特征提取在一維序列而不是二維圖像基礎(chǔ)上進行，極大地降低了計算量，AR譜特征和所有的分形特征的提取均是在一維時間序列基礎(chǔ)上進行。又如，AR譜的估計選用具有遞推特點的低階Burg算法，使

16、得涉及的計算量非常小。又如，為了保留第二套算法的特征向量對紋理描述細致的優(yōu)點同時又降低計算量，第三套算法在細節(jié)特征方面以快速的Sobel濾波仙農(nóng)熵特征取代了較為耗時的分形特征。再如，提出當數(shù)據(jù)量較大時，相應(yīng)地采用較大的模糊c均值聚類加權(quán)指數(shù)以大幅度減少迭代次數(shù)，等等。
　　4)基于織物紋理循環(huán)周期倍數(shù)的子窗口劃分方法
　　提出了依據(jù)織物的紋理循環(huán)周期倍數(shù)來劃分子窗口的方法，從而提高了特征的穩(wěn)定性，進而有助于檢測錯誤率的降低。