基于机器视觉的布匹疵点检测系统.doc

为了提高布匹疵点检测的精度与速度,提出了一种基于机器视觉的布匹疵点检测系统用于取代人工检测。论述了系统的整体结构,包括成像设备、光源选择以及图像采集与处理方式等,并提出了一种基于类别共生矩阵与支持向量机的布匹疵点检测算法。检测算法将疵点检测看作一个两类分类问题,采用从灰度共生矩阵中提取的特征来描述纹理特性,并采用支持向量机来对特征向量进行分类完成疵点的检测。最后通过大量的布匹疵点实例对算法的可靠性进行验证,并对检测算法在不同参数下的检测精度与实时性进行了讨论。引言布匹的疵点检测是纺织工业中一项十分重要的环节。传统的布匹疵点检测通常是由人工完成,其劳动强度大,且缺乏一致性与稳定性,存在检测速率低、漏检与误检率高、检测精度低等问题。调查表明,即使是熟练工人,其检测精度也只有70%左右,其检测速率只有15~20m/,基于机器视觉的检测方法被越来越多的用于布匹疵点检测中。该研究采用图像处理与模式识别方法来完成布匹疵点的自动检测任务,设计了布匹疵点检测系统的结构,并提出了一种以灰度共生矩阵为纹理特征,以支持向量机为机器学习方法的布匹疵点检测算法。,D线阵相机、图像采集处理卡、D线阵相机选用DALSA的SP-14相机,分辨率为2048像素,其每次扫描一行图像,用其对在传送带上沿垂直方向运动的布匹进行成像从而形成一幅二维图像。光源选用稳压直流光源以克服相机高频扫描时的频闪问题,并采用透射的方式进行照明,该方式可同时突显出布匹正反两面的纹理信息。相机输出的图像数据通过CameraLink接口发送到图像采集处理卡中,图像采集处理卡将这些图像数据进行存储及处理,判别其中是否含有疵点,其内部数据缓存与处理方式在先前的工作中有详细描述。然后将检测的结果与原始图像数据通过千兆以太网发送到PC主机上进行显示。系统采用增量式光电编码器来对相机扫描频率与布匹的运动速度进行同步,传送带的运动速度越快,编码器输出的脉冲的频率越高,通过该脉冲的频率来控制相机的扫描频率便可以使得相机等比例的采集布匹表面纹理图像。,单个相机的视场为400mm,,因此需要4台相机与4块图像采集处理卡来完成疵点检测任务。2布匹疵点检测算法布匹疵点检测可认为是一个两类分类问题:一类为正常布匹纹理;一类为疵点布匹纹理。如图2所示。文中采用的疵点检测算法是一种基于机器学习的算法,其需要预先对正常纹理与疵点纹理的样本进行学习,从而生成一个分类器,并通过该分类器对新的未知样本的类别进行判定,其基本流程如图3所示。首先,将正常纹理与疵点纹理图像样本分割为若干个不重叠的子窗口,窗口大小设定为64×64像素。然后,计算每个窗口图像的灰度共生矩阵作并从中提取一组特征向量用以描述其纹理特性。最后将正常纹理与疵点纹理的特征向量分别标记为1与-1,并送入支持向量机进行学习,从而得到一个分类器。该分类器可对未知测试样本的特征向量进行分类,判定其是否为疵点纹理。。灰度共生矩阵是一种二阶统计量,并被认为是最有效的纹理描述特征之一。灰度共生矩阵是一个方阵,其每个元素表示图像中相距某一距离,某一方向上的两个像素的灰度级出现的频率。一