基于机器视觉的无纺布瑕疵检测

无纺布是一种在外观和功能上与织造布匹相仿的纺织品，因其大多由化学纤维材料黏合构成，而不是通过织造工艺加工而成。无纺布具有质轻、环保、透气性好、生产工艺简单且速度快、取材容易、成本低、应用广泛等优点，有巨大的应用价值。用于制造无纺布的纤维类型都是一般的纤维材料，原料来源非常广，大多非常廉价，且非常环保。

常见的无纺布瑕疵主要是布匹表面出现孔洞、油污、含有异物杂质等。瑕疵的出现严重影响布匹的外观，而无纺布又是由纤维材料经过物理黏合而成，外观的质量则能反映出加工技术和产品内部质量是否符合规范，直接影响布匹的性能评价和等级评价。无论是将含有瑕疵的无纺布直接流入市场，还是将布匹等级降低，都会使企业蒙受巨大损失，前者会损坏企业声誉和形象，后者直接造成经济损失。因此，无纺布疵点检测是生产过程中很重要的一个环节，必须做到在将布匹投入市场之前或加工成为成品前发现疵点，并采用有效规范的措施进行处理。

传统的布匹质量检测主要由人工依靠肉眼识别的方式完成，人工检测速度较低，一般只能达到12米/分钟左右，检验幅宽为1.0米左右。而现代检测技术主要是由基于机器视觉的疵点检测系统自动完成。目前针对无纺布疵点检测算法的研究主要集中在检测准确性和实时性两个方面。检测准确性研究分为基于空间域灰度统计特性的方法和频率域滤波处理方法，检测实时性研究分为算法实现过程优化和基于高性能并行计算平台的优化。

不同类型的无纺布表面纹理差异很大，它们分别由不同材料或不同工艺加工而成，显然可以看出它们表面纹理差异很大。本案例中使用的无纺布是一种用即弃型的克重较轻的无纺布，正常无疵点样布表面含有一些亮度较暗的斑块区域，十分不利于视觉检测算法的判别，因此更具挑战性。

无纺布的纹理特性参数包括纹理主方向和纹理周期，可由无纺布的频率特性分析得到，即对无纺布图像进行离散二维傅里叶变换（实现时使用快速傅里叶变换，FFT），将图像从空间域的灰度分布转换到频率域的频率分布。图像的频率表征的是图像灰度的变化程度，其频率分布反映了空间中图像灰度变化的情况。假设一幅图像灰度变化剧烈，则高频像灰度分布均匀，则低频表现突出，高频成分较弱；频表现突出，低频较弱。

如下图所示，无纺布正常纹理样本图及其频谱图。频谱中心点为低频区，图像四周为高频区。从频谱图中可以看出，该无纺布纹理的主方向是水平方向和竖直方向，因为该频谱图中有一个十分明亮的经过频谱中心点的十字线。此外，从频谱的中心向四周展开的区域中还存在着很多个十字星型的亮点，且图像灰度梯度变化不大，整个频谱高频能量较弱，表明该无纺布有明显的纹理周期，灰度分布均匀。

无疵点的正常纹理样本图（左）及其频谱图（右）

无纺布纹理周期：经二维 FFT变换得到的图像频率往往与图像像素大小、分辨率等因素有关，如下图所示。

瑕疵类型及频率特性分析

下图所示的是含有几种常见疵点的无纺布样本图像。无纺布疵点的产生在不同程度上破坏了布匹表面纹理的规则性，疵点的灰度分布与正常纹理的灰度分布差异较大，如异物、杂质、孔洞和油污等疵点区域一般较暗，其灰度比正常纹理小；而折痕和重叠等疵点区域则比正常纹理区域明亮，灰度也较大。此外，疵点区域内部的灰度变化不大或者灰度恒定，这一特性也有利于进行疵点分割。

上图中几种常见的疵点中，异物、孔洞和油污等疵点区域的灰度明显比其他区域小很多，其周围的灰度梯度分布将会变大，就该无纺布而言，无论是其水平方向还是竖直方向的纹理都会被破坏；对于断痕和折痕这类对外观影响较小的疵点，难以与正常无疵点的无纺布中的暗色斑区识别开，该类疵点对检测算法要求很高，要求对无纺布纹理参数提取很准确，才能减小漏检率和误检率；对于图中所示的重叠类疵点，由于是竖直分布，对水平方向纹理影响较大，纵向的灰度梯度变化则不大，其灰度与正常纹理差异较大，且该疵点面积很大，因此这类疵点比较容易准确检出。

疵点频率主要分布在高频区，与正常无疵点无纺布频谱图相比，含有疵点的无纺布频谱图中出现了明显的高频响应，且不同的疵点具有频率响应不同，频谱中十字星型的亮线亮度和线型都被不同程度地破坏。

疵点的存在不同程度地破坏了正常纹理的主方向和周期。由于疵点类型较多，其在图像中的频率分布不同，因此，在进行疵点判别和分割时，需要对图像不同方向和不同频率进行特征提取才能有效检测出所有常见疵点。

检测算法层次结构图

图像预处理

1、在无纺布样本图像采集过程中，由于受到不同生产现场条件和外界光照环境的影响，同一类无纺布在不同现场、不同时刻采集到的图像背景灰度不同，因此需要将背景灰度统一。

本系统为了提高无纺布图像的稳定性和一致性，采用图像灰度均值规范化处理，将采集到的同类布匹图像灰度均值统一规范化。在调整图像像素灰度的过程中，可能会出现部分像素灰度超出8位灰度图【0，255】的范围，因此有必要作校正处理，将调整后的像素灰度区间统一到【0，255】。考虑到在实际应用中超出灰度范围的像素比例较小，为了提高检测效率，对调整后的像素灰度增加边界判断的处理，即可规避超出【0，255】范围的影响。

2、即使是在理想的均匀光照条件下，由于CCD光学传感器自身缺陷导致采集到的图像也会出现两端偏喑中间偏亮的整体不一致现象，因此有必要对图像进行预处理以消除光照不均的影响。

（1）分块均值法：一种基于灰度均值规范化的分块处理方法，为了消除不同生产现场外部环境以及不同生产时刻光照发生变化造成的图像背景灰度不一致的影响，对工业 CCD 相机采集到的图片进行一次灰度均值规范化的处理，然后对图像进行分块，以该图像的整体灰度均值为参照标准，再分别对每一块子图像进行一次均值规范化处理。经过分块调整灰度后，整个图像的局部灰度均值基本一致，也就从一定程度上消除了因光照分布不一致而造成的图像局部灰度均值差异大的问题。

（2）同态滤波法：同态滤波法常用来消除光照分布不一致，它既能进行频率域的滤波处理也能进行空域的灰度调整，从而增强了全局的对比度达到改善输入图像外观质量的目的，在一定程度上避免了直接对图像像素进行灰度校正产生失真的问题。同态滤波能有效压缩图像低频段，扩展高频段，在消除光照不一致影响的同时，还可以对一些变化缓慢的噪声点进行滤除。

基于灰度共生矩阵的疵点检测算法

纹理是表征图像很重要的一种特征，它是由小范围内图像像素灰度变化在空间分布变化所产生的视觉效果。

灰度共生矩阵（GLCM）是用图像中具有某种空间位置关系的像素对的联合分布概率密度来定义，可以看成两个像素对的灰度分布联合直方图，是一种二阶统计。它不仅反映了图像灰度变化信息，也很好地反映了相同灰度级像素之间的位置分布关系等特征。

基于Gabor滤波器疵点检测算法

从图像处理的实现角度来讲，二维Gabor滤波是将输入图像从空间域转换到频率域，再进行计算和分析，是一个带通滤波器。它的冲激响应函数是一个正弦波复指函数与一个高斯函数的乘积。滤波器的正交特性表示由一个实部和一个虚部构成，这两个组成部分可以由一个复指数函数表示，也可以将实部和虚部分开表示。

下图所示的是与上述孔洞不同类型的疵点的检测效果图。采用多分辨率的二维Gabor滤波器对含有无纺布常见疵点的样本图像进行滤波处理，各类疵点均能有效检出。在选取86幅含有不同类型疵点的无纺布样本图像作为对象，检测准确率可以达到95.23%。

二维Gabor滤波器，因其算法中二维卷积运算量大且效率低，实时性不足，可以通过减少Gabor滤波器数目的同时采用分离卷积方法减小算法复杂度和计算量。基于无纺布纹理和疵点分析结果，在Gabor滤波器组参数设置时只选取疵点出现最多的方向进行特征提取，如此便减少了滤波器的数目。在算法实现过程中，只选取对检测效果起主要作用的Gabor滤波器实部进行卷积，以牺牲很小的检验精度为代价获得接近40%的效率提升。根据图像卷积特点，将Gabor滤波中的二维卷积分离成两个一维卷积，降低了算法的复杂度，并能有效解决并行计算时数据访问冲突的问题。最后利用高性能GPU并行计算平台进行硬件加速，提出一种基于CUDA的二维Gabor滤波快速实现算法，并与GPU上Gabor滤波的其他实现方式进行了实验比较，该方法表现出了最优性能，且卷积核尺寸越大，优势越明显。

CUDA 图像进行均值滤波 CPU和GPU对比

检测系统的软件功能描述：

硬件设计

基于图像处理的无纺布疵点检测系统是一个典型工业视觉系统，与大多数的工业视觉系统类似，它的系统硬件部分主要由图像采集装置、传动装置、同步装置和数据传输与存储系统等构成。硬件系统工作过程大致是这样的：在图像采集前，保证千兆网卡驱动正确安装，配置计算机和相机的网络参数，确保相机能够稳定工作；首先连接相机并进行相机参数设定，卷布机运转时，连接在卷布机上的编码器持续地将同步脉冲控制信号输出到线阵CCD相机，相机在脉冲信号的触发下每曝光一次采集一行数据，每当相机采集完一幅图像时，便通过千兆网卡将图像数据实时传输到计算机上进行处理，如此便实现了图像的实时采集和同步传输。卷布机转速越快，图像采集的速度也就越快；如果需要更大的布匹幅宽，可以同时采用多台相机同步采集。图像采集装置分为照明部分和成像部分。本系统的照明采用直流光源反射方式，光源置于相机与布匹之间且靠近布匹表面的位置。直流光源由于没有交流光源的频率变化的属性，不会在相机扫描频率过高时在图像表面产生明暗交替的条纹，是表面检测系统中比较理想的光源。相机的焦距、物距、传感器尺寸与视场之间的关系需要根据CCD相机的光学结构特性来设定。

本案例系统硬件结构示意图

本案例基于机器视觉的无纺布瑕疵检测在图像采集系统和图像处理算法的要求如下：

（1）检测精度

本案例中的无纺布样本幅宽为3.2米，幅宽方向（横向）的成像分辨率精度要求为不超过0.4mm，布匹运动方向（纵向）的成像分辨率精度要求达到0.2mm。因此使用两台相机同一水平方向进行同步采集图像，每一个相机的视场（即成像物体的实际宽度）为1.6米，采用分辨率达到4096像素的相机，那么横向的分辨率可以满足要求，即1600/4096≈0.391mm。

（2）检测速度

由于纵向分辨率为0.2mm，如果图像分辨率为4096像素，那么一幅图像对应的物体纵向实际长度为：4096×0.2mm=819.2mm，约为0.82米，根据无纺布产线的输送速度，最高检测速度要求为 300 米/分钟，也就是5米/秒，一秒钟需要采集的图片数约为6.1 张（5.0/0.8192≈6.1），每张图像对应的纵向分辨率为4096像素，那么对相机扫描频率要求为25KHz以上，即4096×6.1=24.986KHz。因此本系统采用的线阵相机分辨率需要达到4096×4096像素，要达到项目要求的最大检测速度，相机的扫描频率需要达到25KHz以上。

本案例相机参数表

The End

更多应用案例请点击阅读：

《基于机器视觉的纽扣内孔缺陷检测和色差检测》

《基于机器视觉的铁路轨道表面缺陷的检测》

《基于机器视觉的螺纹钢表面缺陷检测》‍