導讀

織物表面瑕疵檢測系統(tǒng)即在織機上對織物疵點進行在線檢測和分類，發(fā)現(xiàn)疵點并及 時的發(fā)出信號，給操作人員提供疵點信息以幫助及時的處理故障，甚至自動采取調整措施對疵點進行處理，可以最大限度地減少疵點對織物質量造成的損害，并盡可 能保證生產效率、提高織造、檢測工序的自動化程度。

紡織業(yè)在是中國最大的日常使用及消耗相關的產業(yè)之一，且勞動工人多，生產量和對外出口量很大，紡織業(yè)的發(fā)展影響著中國經濟、社會就業(yè)問題。而織物產品的質量直接影響產品的價格，進一步影響著整個行業(yè)的發(fā)展，因此紡織品質量檢驗是織物產業(yè)鏈中必不可少且至關重要的環(huán)節(jié)之一。 織物缺陷檢測是紡織品檢驗中最重要的檢驗項目之一，其主要目的是為了避免織物缺陷影響布匹質量，進而極大影響紡織品的價值和銷售。 長期以來，布匹的質量監(jiān)測都是由人工肉眼觀察完成，按照工作人員自己的經驗對織物質量進行評判，這種方法明顯具有許多缺點。首先，機械化程度太低，人工驗布的速度非常慢；其次，人工視覺檢測的評價方法因受檢測人員的主觀因素的影響不夠客觀一致，因而經常會產生誤檢和漏檢。 目前，基于圖像的織物疵點自動檢測技術已成為了該領域近年來的的研究熱點，其代替人工織物疵點檢測的研究算法也逐漸成為可能，主流方法一般分為兩大類，一是基于傳統(tǒng)圖像處理的織物缺陷檢測方法，二是基于深度學習算法的織物缺陷檢測定位方法。 傳統(tǒng)的目標檢測方法主要可以表示為：特征提取-識別-定位， 將特征提取和目標檢測分成兩部分完成。 基于深度學習的目標檢測主要可以表示為：圖像的深度特征提取-基于深度神經網絡的目標定位， 其中主要用到卷積神經網絡。

01、織物表面缺陷檢測分析

正常情況下，織物表面的每一個異常部分都被認為是織物的缺陷。 在實踐中， 織物的缺陷一般是由機器故障、紗線問題和油污等造成的，如斷經緯疵、粗細經緯疵、 破損疵、 起球疵、 破洞疵、 污漬疵等。然而，隨著織物圖案越來越復雜，相應的織物缺陷類型也越來越多，并隨著紡織技術的提高， 缺陷的大小范圍越來越小。在質量標準方面，一些典型的織物缺陷如圖所示。

各類模式織物表面的疵點圖像 由紡線到成品織物，需經過紗線紡織、裁剪、圖案印染等流程，而且在每個流程中，又需要很多的程序才能完成。在各環(huán)節(jié)的施工中，如果設定條件不合適， 工作人員操作不規(guī)范，機器出現(xiàn)的硬件問題故障等，都有可能導致最后的紡織品發(fā)生表面存在缺陷。從理論上說，加工流程越多，則缺陷問題的機率就越高。

最常見的疵點類型及形成原因 隨著科技水平的進步，紡織布匹的技術不斷隨之發(fā)展，疵點的面積區(qū)域必將越來越小，這無疑給織物疵點檢測帶來了更大的難題。疵點部分過小，之前的方法很難將其檢測出來。

檢測存在困難的織物疵點類型

02、圖像采集與數據庫構建

基于深度學習的織物疵點檢測方法相比傳統(tǒng)的方法，雖然具有檢測速率快，誤檢率低，檢測精度高等優(yōu)點， 但這些方法是依賴于大量的訓練數據庫基礎之上的。只有在訓練階段包含了盡量多的織物疵點圖像，盡可能的把每種疵點的類型都輸入訓練網絡，這樣對于網絡模型來說，才能反復的熟悉疵點的“模樣”，即獲得疵點位置的特征信息，從而記住疵點的特征信息，以在以后的檢測過程中可以更好更快更準的檢測到疵點的位置并標識。 首先搭建由光源、 鏡頭、相機、 圖像處理卡及執(zhí)行機構組成的織物圖像采集系統(tǒng)，然后基于本系統(tǒng)，采集破洞、油污、起毛不均、漏針、撐痕、粗節(jié)等一定規(guī)模的織物疵點圖像，并通過轉置、 高斯濾波、圖像增強等操作擴充織物圖像，構建了織物圖像庫，為后續(xù)深度學習提供了樣本支撐。

織物圖像采集系統(tǒng)整體結構圖 相機選擇 工業(yè)相機是圖像采集系統(tǒng)中的一個關鍵組成部分，它的好壞字節(jié)影響后續(xù)所有工作，其最終目的是得到圖像數字信號。相機的選擇，是必不可少的環(huán)節(jié)之一，相機的選擇不僅直接影響所采集到的圖像質量， 同時也與整個系統(tǒng)后續(xù)的運行模式直接關聯(lián)。

鏡頭選擇 和工業(yè)相機一樣， 是圖像采集系統(tǒng)中非常重要的的器件之一， 直接影響圖片質量的好壞， 影響后續(xù)處理結果的質量和效果。同樣的， 根據不同標準光學鏡頭可以分成不同的類， 鏡頭擺放實物圖如圖所示。

光源選擇 也是圖像采集系統(tǒng)中重要的組成部分，一般光的來源在日光燈和LED 燈中選擇，從不同的性能對兩種類型的光源進行比較。而在使用織物圖像采集系統(tǒng)采集圖像的過程中， 需要長時間進行圖像采集， 同時必須保證光的穩(wěn)定性等其他原因，相比于日光燈， LED 燈更適合于圖像采集系統(tǒng)的應用。

發(fā)射光源種類確定了，接下來就是燈的位置擺放問題，光源的位置也至關重要，其可以直接影響拍出來圖片的質量，更直接影響疵點部位與正常部位的差別。一般有反射和投射兩種給光方式，反射既是在從布匹的斜上方投射光源，使其通過反射到相機，完成圖像拍攝；另外一種透射，是在布匹的下方投射光源，使光線穿過布匹再投射到相機，完成圖簽拍攝，光源的安裝方式對應的采集圖像如下圖所示。

不同光源照射的效果對比圖

數據庫構建

TILDA 織物圖像數據庫包含多種類型背景紋理的織物圖像，從中選擇了數據相對稍大的平紋背景的織物圖像，包含 185 張疵點圖像，但該圖像數據存在很大的問題：雖然圖片背景是均勻的，但是在沒有疵點的正常背景下，織物紋理不夠清晰，紋理空間不均勻，存在一些沒有瑕疵，但是紋理和灰度值與整體正常背景不同的情況。

TILDA 織物圖像庫部分疵點圖像

03、織物缺陷圖像識別算法研究

由于織物紋理復雜性， 織物疵點檢測是一項具有挑戰(zhàn)性的工作。傳統(tǒng)的檢測算法不能很好的做到實時性檢測的同時保持高檢測率。卷積神經網絡技術的出現(xiàn)為這一目標提供了很好的解決方案。基于 SSD 神經網絡的織物疵點檢測定位方法： 步驟一：將數據集的 80% 的部分作為訓練集和驗證集，再將訓練集占其中80% ，驗證集占 20% ，剩余 20% 的部分作為測試集，得到最終的實驗結果。

步驟二：將待檢測的織物圖像輸入到步驟一訓練好的織物檢測模型，對織物圖像進行特征提取，選取出多個可能是疵點目標的候選框。 步驟三：基于設定好的判別閾值對步驟二中的候選框進行判別得到最終的疵點目標，利用疵點目標所在候選框的交并比閾值選擇疵點目標框，存儲疵點的位置坐標信息并輸出疵點目標框。 這個算法對平紋織物和模式織物均具有很好的自適應性及檢測性能， 擴大了適用范圍， 檢測精度高，有效解決人工檢測誤差大的問題，模型易訓練，操作簡單。

織物疵點圖像檢測結果 隨著深度學習技術飛速發(fā)展， 以及計算機等硬件水平的不斷提升， 卷積神經網絡在工業(yè)現(xiàn)場的應用將隨之不斷擴大， 織物表面疵點檢測作為工業(yè)表面檢測的代表性應用產業(yè)， 其應用發(fā)展將影響著整個工業(yè)領域。

審核編輯：郭婷