織物疵點(diǎn)的自動化檢測是工業(yè)自動化視覺檢測的一個(gè)分支，它是對織物質(zhì)量進(jìn)行控制和實(shí)現(xiàn)織物生產(chǎn)過程和品質(zhì)檢驗(yàn)的關(guān)鍵環(huán)節(jié)。本文主要概述在利用機(jī)器視覺和數(shù)字圖像處理技術(shù)開發(fā)一套織物疵點(diǎn)自動檢測系統(tǒng)。

  織物表面在高照度、高工作頻率熒光燈光源的照射下，通過CCD線陣式相機(jī)對織物表面進(jìn)行掃描獲得灰度圖像數(shù)據(jù)，再經(jīng)有效的識別算法實(shí)現(xiàn)疵點(diǎn)的自動檢測和評分任務(wù)。

  織物疵點(diǎn)自動檢測系統(tǒng)組成

  一般而言，基于圖像技術(shù)的織物疵點(diǎn)的自動檢測系統(tǒng)設(shè)計(jì)可分為六個(gè)部分：數(shù)據(jù)獲取、疵點(diǎn)檢測、特征抽取、特征分析、疵點(diǎn)分類和文檔輸出。數(shù)據(jù)獲取部分包括選擇可行的照明光源和光電傳感器，常用的有面陣式、線陣式掃描CCD相機(jī)及激光掃描儀。

  一般在圖像處理技術(shù)上，多采用高性能的CCD相機(jī)。照明光源的選擇有熒光燈和光纖兩種。這一階段的工作至關(guān)重要，可以幫助整個(gè)系統(tǒng)獲得一個(gè)清晰照度均勻的圖像，生成系統(tǒng)的原始數(shù)據(jù)，從而簡化下階段的檢測特征提取和分析的算法。其次，整個(gè)系統(tǒng)的檢測精度從硬件的構(gòu)成角度上，也往往決定于光電傳感器的物物理和光學(xué)分辨率。通常考慮到成本因素，這一階段的工作常常被忽視，導(dǎo)致了后期檢測算法的復(fù)雜化。

  第二階段的工作是檢測織物當(dāng)中是否包含疵點(diǎn)以及實(shí)現(xiàn)疵點(diǎn)的報(bào)警，即疵點(diǎn)的識別工作。采用的算法通常有基于像素統(tǒng)計(jì)特征的閾值法基于變換的濾波法基于織物紋理特征的分割法和基于織物紋理建模的識別法。

  第三階段的工作是完成疵點(diǎn)特征的抽取，構(gòu)造特征矢量，利用可能少的模式特征來描述疵點(diǎn)的類別，并且特征的抽取不受疵點(diǎn)大小旋轉(zhuǎn)和位置的變化。所謂的特征抽取，就是對模式的某些物理性質(zhì)進(jìn)行數(shù)學(xué)描述，具體地講，就是對將原始的數(shù)字圖像數(shù)據(jù)進(jìn)行變換，得到最能反映疵點(diǎn)模式分類的本質(zhì)特征。一般將原始的數(shù)據(jù)空間稱為測量空間，將進(jìn)行分類的空間稱為特征空間，通過變換將維數(shù)較高的測量空間中的模式矢量變換到維數(shù)較低的特征空間的模式矢量，從而簡化和提高分類的效率。疵點(diǎn)形態(tài)特征的抽取大多是通過變換的方法，另一方面，紋理特征的描述也是種重要的特征提取方法，除此以外，還有通過神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)特征的抽取。這一階段的任務(wù)的復(fù)雜性取決于所要求分類疵點(diǎn)的種類。

  第四階段主要是分析上一階段所提取疵點(diǎn)的特征模式，保證特征的可分性、獨(dú)立性和不變性。

  第五階段是對提取疵點(diǎn)樣本特征的學(xué)習(xí)，實(shí)現(xiàn)對疵點(diǎn)的分類。所使用的算法大多為：Bayer決策分類法、基于模糊集的分類和基于神經(jīng)網(wǎng)絡(luò)的BP算法、徑向及網(wǎng)絡(luò)算法和自組織的神經(jīng)網(wǎng)絡(luò)算法。

  最后，是對檢測出的疵點(diǎn)及其分類標(biāo)記的文檔輸出和數(shù)據(jù)管理工作。便于今后對疵點(diǎn)的進(jìn)一步分析和對疵點(diǎn)成因及工藝的改進(jìn)工作。

  系統(tǒng)的設(shè)計(jì)必須考慮到系統(tǒng)的成本、識別的精確度、檢測的速度等問題。每個(gè)部分并不是單獨(dú)設(shè)計(jì)的，一個(gè)有效、合理的設(shè)計(jì)方案是每個(gè)部分近乎優(yōu)化的設(shè)計(jì)組合。西安獲德作為國內(nèi)玻纖行業(yè)檢測的引領(lǐng)者，多年來利用其技術(shù)優(yōu)勢，成功幫助多家著名玻纖企業(yè)進(jìn)行了系統(tǒng)化設(shè)備改造，出色的性能和穩(wěn)定性，得到企業(yè)高度贊揚(yáng)。