王孟濤 李岳陽 杜帥 蔣高明 羅海馳

摘要： 織物疵點檢測是現(xiàn)代紡織工業(yè)產(chǎn)品質量控制中的關鍵環(huán)節(jié)之一，對保證紡織品質量具有重要的現(xiàn)實意義。文章基于此提出一種灰度梯度共生矩陣（GGCM）和單分類器（SVDD）結合的檢測方法。該方法首先對織物原圖像采用自適應中值濾波、同態(tài)濾波進行預處理，以消除圖像上的光照不勻和噪聲等影響，然后利用灰度梯度共生矩陣對預處理后的圖像提取15個特征值并組成特征向量，經(jīng)歸一化后送入到單分類器SVDD中訓練和測試。實驗結果表明：使用此方法進行疵點檢測，檢驗正確率達97%，漏檢率為4.5%和誤檢率為1.4%，具有很好的檢測效果。

關鍵詞： 疵點檢測;SVDD;GGCM;自適應中值濾波;同態(tài)濾波

Fabric defect detection based on gray?level gradient co?occurrence matrix and SVDD

WANG Mengtao， LI Yueyang， DU Shuai， JIANG Gaoming， LUO Haichi

（Engineering Research Center for Knitting Technology Ministry of Education， Jiangnan University， Wuxi 214122， China）

Abstract： Fabric defect detection is one of the key links in the quality control of modern textile industry products， and has important practical significance for ensuring the quality of textiles. Based on this， a detection method combining gray?level gradient co?occurrence matrix （GGCM） and single classifier （SVDD） is proposed in this paper. In the method， firstly， adaptive median filtering and homomorphic filtering were used to preprocess the original fabric image to eliminate the impacts of illumination unevenness and noise on the image， and then GGCM was used to extract 15 eigenvalues from the images after preprocessing. The eigenvalues were then combined to form a feature vector which was normalized and sent to the single classifier SVDD for training and testing. The experimental results showed that： with this method for defect detection， the test accuracy rate could reach 97%， and the missed detection rate and the false detection rate were 4.5% and 1.4%， respectively. Thus， the proposed method has a very good detection effect.

Key words： defect detection; support vector domain description; gray?level gradient co?occurrence matrix; adaptive median filtering; homomorphic filtering

近十年來，先進的計算機和人工智能技術為紡織企業(yè)注入了新的活力，基于機器視覺的織物疵點自動檢測是眾多學者研究的熱點之一?？椢锎命c檢測是紡織品質量控制的關鍵環(huán)節(jié)，出現(xiàn)疵點的紡織品將嚴重影響其價格，可導致產(chǎn)品價格下降45%～65%[1]。目前絕大多數(shù)的紡織企業(yè)中織物疵點都是由檢驗人員完成的。由于檢測勞動強度大，考慮到人為因素的影響，檢測效率低，漏檢率較高，缺乏可靠性。因此，織物疵點的自動化檢測是紡織企業(yè)生產(chǎn)中產(chǎn)品質量控制的必然趨勢。

織物疵點自動檢測，被許多從事此領域的研究人員認為是一個非常艱巨的任務，歸結起來主要有兩個問題[2]：一是沒有通用性的特征;二是一個典型的一類分類問題。由于存在各種織物疵點類型，并且在織物織造過程中，光源的不穩(wěn)定和車間環(huán)境的復雜性，因此要確定一個能夠檢測大多數(shù)疵點的特征是較為困難的;一類分類也稱為新穎性檢測或異常值檢測，被廣泛應用于異常檢測[3?4]、故障診斷[5]和樣本聚類[6]等多個方向。據(jù)Markou等[7]的研究可知，單分類問題是屬于無監(jiān)督學習范疇。然而在傳統(tǒng)的兩分類問題中，正負兩類樣本可以為最終決策函數(shù)提供有力的支持，比如王鶴翔[8]、吳哲[9]和Kumar等[10]采用傳統(tǒng)的支持向量機（support vector machine， SVM）來檢測常見的織物疵點。但是發(fā)現(xiàn)傳統(tǒng)的支持向量機訓練時需要大量正常織物和疵點織物圖像，而在現(xiàn)實生產(chǎn)過程中疵點圖像獲取較為困難。鑒于此問題，Tax等[11?12]在1999和2004年開發(fā)出一種支持向量數(shù)據(jù)描述（support vector domain description，SVDD），與此同時Schokopf[13]在2001年也提出了一類支持向量機（one?class SVM，OCSVM），兩者都可以應用到單分類問題中。雖然已有一些關于傳統(tǒng)支持向量機應用到織物疵點檢測中的研究，但是關于單分類SVDD和OCSVM在織物疵點上的應用還是很少的。

由于傳統(tǒng)支持向量機訓練時需要大量的正負樣本，為避免這一問題，本文提出了一種基于灰度梯度共生矩陣和單分類器SVDD的疵點檢測方法，包括圖像預處理、圖像特征提取與處理和分類器分類識別三部分。

1?圖像預處理

由于獲取織物圖像時，不可避免地會出現(xiàn)光照不勻、相機抖動和車間內的飛花等一些干擾因素的影響。獲得的織物圖像存在一定噪聲，如不處理直接對織物圖像提取特征，這就會造成分類器對疵點識別率低或錯分等后果，因此圖像預處理是模式識別中必不可少的環(huán)節(jié)。本文采用自適應中值濾波法對原圖像進行去噪，然后使用同態(tài)濾波法對去噪后的圖像進行增強，并消除局部紋理對后續(xù)特征提取的影響。

1.1?自適應中值濾波

由于傳統(tǒng)的中值濾波器的窗口大小是固定不變的，不能同時兼顧去噪和保護圖像細節(jié)，因此鄧秀勤等[14]在中值濾波基礎之上作了改進，提出一種加權的自適應中值濾波算法。

自適應中值濾波法的原理是：根據(jù)噪聲密度的影響來改變?yōu)V波窗口大小，對噪聲點和信號點采取不同的操作，對噪聲點采取中值濾波，對信號點保留其灰度值。

設Z（x，y）是點（x，y）處的灰度值，A（x，y）為當前工作窗口，Zmin、Zmax和Zmed分別是A（x，y）的灰度最小值、最大值和中值，Amax為預設的最大窗口。

自適應中值濾波算法可以分為兩個進程：A進程和B進程。

A進程：

A1=Zmed-Zmin，Z2=Zmed-Zmax（1）

如果A1>0且A2<0，則轉至B進程;否則，增加窗口的尺寸;如果A（x，y）≤Amax，則重復A進程，否則輸出Zmed。

B進程：

B1=Z（x，y）-Zmin，B2=Z（x，y）-Zmax（2）

如果B1>0且B2<0，則輸出Z（x，y），反之輸出Zmed。

本文選取的織物圖像大小為512pixel×512pixel，初始預設的窗口大小為3，然后采用自適應中值濾波對圖像進行濾波去噪，去噪效果如圖1所示。

1.2?同態(tài)濾波

同態(tài)濾波是把圖像的灰度變換和頻率過濾相結合的圖像處理方法，通過增強圖像的對比度和調整圖像的灰度范圍以改善圖像質量。

同態(tài)濾波器的原理：對于一副圖像f（x，y）是由照度函數(shù)i（x，y）和反射函數(shù)r（x，y）的乘積組成的，即：

f（x，y）=i（x，y）r（x，y）（3）

同態(tài)濾波算法的流程如圖2所示。

根據(jù)圖2，選擇同態(tài)濾波函數(shù)H（u，v）為高斯同態(tài)濾波，參數(shù)設置：高頻rh為4.7，低頻rl為0.5，處理后的效果如圖3所示。

2?特征提取

圖像識別實際上是一個分類的過程，為了識別出某圖像所屬的類別，本文需要將它與其他不同類別的圖像區(qū)分開來。這就要求選取的特征不僅要能夠很好地描述圖像紋理，更重要的是還要能夠很好地區(qū)分不同類別的圖像。因此，本文選取灰度梯度共生矩陣作為本文的特征提取方法，并與灰度差分、灰度共生矩陣兩種方法作對比。

2.1?灰度梯度共生矩陣

灰度梯度共生矩陣（gray?gradient co?occurrence matrix，GGCM）[8]反映一幅圖像各像素點的灰度和梯度的關系，圖像的灰度是其構成的基礎，而梯度則是構成圖像邊緣輪廓的主要元素，將二者結合起來使用，能夠很好地表征圖像的紋理特征。

2.2?圖像的灰度和梯度的正規(guī)化

正規(guī)化的目的是在保證對圖像紋理特征無影響的情況下，通過對灰度和梯度的正規(guī)化，以減少提取特征時的計算量。

圖像灰度的正規(guī)化：

F（K，L）=INTf（K，L）×nf/fm（4）

式中：INT為取整運算;f（K，L）為當前圖像的灰度值;fm為圖像的灰度最大值;nf為正規(guī)后希望的最大灰度值，本文取32。

圖像梯度的正規(guī)化：

T（K，L）=INTt（K，L）×nt/tm+1（5）

式中：INT為取整運算;t（K，L）當前圖像的梯度值;tm為圖像的梯度最大值;nt為正規(guī)后希望的最大梯度值，本文取32。

經(jīng)正規(guī)化的灰度F（K，L）和梯度T（K，L），則可以計算灰度梯度共生矩陣。

2.3?計算灰度梯度共生矩陣

圖像的灰度F（K，L）和梯度T（K，L）經(jīng)過正規(guī)化后，然后統(tǒng)計同時使F（K，L）=i和T（K，L）=j成立的像素點數(shù)，這個統(tǒng)計值即是共生矩陣A在點（i，j）的像素值A（i，j），在此處的共生矩陣A的概率：

pij=cij/∑i∑jcij（6）

2.4?基于灰度梯度共生矩陣的圖像特征提取

計算出灰度梯度共生矩陣之后，就能計算能夠描述圖像紋理的統(tǒng)計量，本文選取GGCM的15個統(tǒng)計特性，包括小梯度優(yōu)勢（T1）、大梯度優(yōu)勢（T2）、灰度分布的均勻性（T3）、梯度分布不均勻性（T4）、能量（T5）、灰度平均（T6）、梯度平均（T7）、灰度均方差（T8）、梯度均方差（T9）、相關性（T10）、灰度熵（T11）、梯度熵（T12）、混合熵（T13）、慣性（T14）和逆差矩（T15）。

由灰度梯度共生矩陣的15個特征組成灰度圖像紋理特征向量，記作T：

T=[T1，T2，T3，T4，T5，T6，T7，T8，T9，T10，T11，T12，T13，T14，T15]（7）

為了便于后續(xù)分類器的分類和識別，需將獲得的特征向量進行歸一化，本文采取的歸一化方法是所用MATLAB自帶的mapminmax（）函數(shù)，將所有特征向量歸一到[0，1]。

3?基于SVDD的織物疵點檢測

3.1?SVDD主要思想

首先選擇合適的核函數(shù)將訓練樣本映射到高維特征空間中，再在特征空間中尋找一個最優(yōu)超球面將全部或絕大多數(shù)訓練樣本包含在超球內，然后對測試樣本做相同的映射，如果測試樣本落入到超球體內，則稱此樣本為正常點，反之，稱為異常點。本文基于此思想，首先選擇無疵點的圖像，經(jīng)過預處理、特征提取、歸一化組成特征向量，通過核函數(shù)映射到高維特征空間中，訓練一個只包含無疵點圖像的Model（最優(yōu)超球體），然后選取有疵點的圖像去檢測訓練的超球體是否合理。

3.2?SVDD原理

對于給定的訓練數(shù)據(jù)集xi={x1，x2，…，xi}∈RN，構造xi的超球體就轉換為下式的最優(yōu)化問題：

minR，c，ξiR2+c∑iξi（8）

s.t. ‖（xi）-a‖2≤R2+ξi，ξi≥0;i=1，2，3…n

式中：a與R分別是超球體的球心和半徑，c是懲罰系數(shù)，ξi是松弛變量。

下式為式（8）的對偶形式：

minα∑ijαiαjk（xi，xj）-∑iαik（xi，xj）（9）

s.t.∑iαi=1，0≤αi≤c，i=1，2，…τ

k（x，y）=exp‖x-y‖22δ2（10）

式中：αi是拉格朗日乘子，k（x，y）是核函數(shù)，δ是高斯核函數(shù)的參數(shù)。

然后，由下式可計算出超球體的半徑：

R2=1-2∑iαik（xi，x）+∑ijαiαjk（xi·xj）（11）

式中：x代表任一支持向量。

最后，用下式計算測試樣本t與超球中心a的距離s：

s=1-2∑iαik（xi，t）+∑ijαiαjk（xi·xj）（12）

若s≤R，則可認為測試樣本是正常點，反之可認為異常點。

3.3?基于SVDD的算法流程

本文基于SVDD的檢測方法，具體步驟可以概括訓練階段和測試階段兩部分，算法流程圖如圖4所示。

3.4?算法實現(xiàn)

首先對有疵點和無疵點的圖像進行預處理，消除圖像上的光照不勻和噪聲等影響，然后對預處理后的圖像進行分割成一定大小的子圖像，再對每一子圖像提取特征值組成特征向量，為保證分類器分類的準確性和降低運算量，需對特征向量進行歸一化，最后用SVDD分類器對特征向量進行訓練和測試，給出分類結果。具體算法描述如下：

1）首先采用自適應中值濾波和同態(tài)濾波對織物原圖像進行預處理。

2）然后采用圖像分塊算法把預處理后的圖像分成64pixel×64pixel大小的子圖像，其中包括訓練樣本506幅，測試樣本300幅（包括有疵點樣本144幅，無疵點樣本156幅）。

3）利用灰度梯度共生矩陣（GGCM）分別對訓練樣本和測試樣本提取15個特征值，歸一化后組成特征向量，送入到分類器進行分類識別。為了驗證GGCM提取的特征是最優(yōu)，本文采用灰度差分統(tǒng)計法（GLDS）、灰度共生矩陣（GLCM）與之對比，來說明GGCM的特征是最優(yōu)的。

用單分類器支持向量數(shù)據(jù)描述（SVDD）首先對506個訓練樣本的特征向量進行訓練出一個模型，然后將300個測試樣本（其中包括144個有疵點樣本和156幅無疵點樣本）的特征向量送入到SVDD訓練好的模型中進行分類識別，最終給出分類的誤檢率、漏檢率和分類的準確率。

4?結果與分析

4.1?評價指標

本文選取誤檢率（AR）、漏檢率（MR）和檢測正確率（CR）去衡量此檢測算法的可靠性。其中：TP代表有疵點的測試樣本被檢測出疵點;TF代表有疵點的測試樣本沒有被檢測出疵點;WP代表無疵點的樣本被檢測出疵點;WF代表無疵點的測試樣本沒有被檢測出疵點;SP代表測試樣本總數(shù)，SP1代表測試樣本無疵點樣本總數(shù)，SP2代表測試樣本有疵點樣本總數(shù)，則有：

AR=WPSP1（13）

MR=TFSP2（14）

CR=TP+WFSP（15）

4.2?檢驗的織物疵點

為了驗證本文提出算法的可行性，選取訓練樣本506個，全部為無疵點圖像;測試樣本300個，其中疵點樣本144個，無疵點樣本156個，大小均為64pixel×64pixel。實驗的硬件環(huán)境CPU為2.50GHz，內存8G，操作系統(tǒng)Windows7專業(yè)版，軟件為Matlab 2017a，在臺灣大學林智仁（Lin Chih?Jen）教授開發(fā)的LIBSVM?SVDD工具箱上完成的。

首先利用三種特征提取方法分別對506幅訓練樣本和200幅測試樣本提取特征，統(tǒng)計每一種方法所需時間，如表1所示。由于GGCM提取15個特征特性所花費的總時間為15.05s，而GLCM提取織物圖像的能量、熵、慣性矩、相關性的均值和標準差8個統(tǒng)計量的總時間是38.09s，相當于GGCM的兩倍多;灰度差分（GLDS）雖然花費的時間最少，但是它僅提取織物圖像的4個特征統(tǒng)計量，并且計算方式過于簡單，可信度不可靠。所以，灰度梯度共生矩陣提取特征最合理。

然后將分別屬于訓練樣本和測試樣本歸一化后的特征向量，送入到分類器進行分類識別。由于本文采用的是LIBSVM?SVDD工具箱，因此只需要設置合適的參數(shù)就可以訓練模型，參數(shù)設置為‘-s5-t2-c。其中‘-s代表選擇SVM的類型，具體表示類型如表2所示;‘-t代表選擇核函數(shù)的類型，如表3所示。

‘-c是分類器SVDD一個最重要參數(shù)，叫做懲罰參數(shù)，控制超球體體積和描述誤差，且v=1/nc，v是控制錯分比例參數(shù)。較大的c意味著訓練的超球體就越大，絕大多數(shù)的訓練樣本包含在超球體內，隨著c的減小，超球體的體積就減小，這時就會將那些松散且距離超球中心的樣本點排除在外，提高分類器的分類精度。本文選取的SVM類型是SVDD，核函數(shù)是徑向基和函數(shù)RBF，其中核函數(shù)中參數(shù)對超球分類精度影響也較大，較小的σ會使映射后超球分界面較為復雜，需要大量的支持向量機進行描述，因此分類精度高，但泛化能力較差;然而隨著σ增大，分類精度會減小，但是泛化能力會增強。

表4采用灰度差分統(tǒng)計法（GLDS）和灰度共生矩陣（GLCM）兩種特征來描述織物紋理特征，與本文所采用的灰度梯度共生矩陣（GGCM）的特征相比較，分別將相應的特征向量送入到分類器SVDD模型中，其中‘-c參數(shù)設置為0.0021，進行訓練和測試，最后給出實驗結果。

從表4可以看出，使用本文所提出的方法進行織物疵點檢測，檢測正確率達97.0%，漏檢率和誤檢率都相對較低，分別為4.5%和1.4%，相比較傳統(tǒng)的灰度共生矩陣有所提高。這是因為灰度梯度共生矩陣在灰度共生矩陣的基礎上有加上梯度這一信息，能夠更加合理地描述織物紋理。

最后給出幾幅織物圖像疵點檢測結果，演示的每行都是檢測一個大小為512pixel×512pixel織物疵點圖像，其對應的實際織物尺寸為2592pixel×80pixel，如圖5所示。第一列是織物原圖像的灰度圖像，第二列是經(jīng)過預處理后的圖像，第三列顯示的是相應的疵點檢測結果，其中有交叉的網(wǎng)格代表被本文所提出的算法所識別出來的大小為64pixel×64pixel的疵點樣本。

5?結?語

本文提出的基于灰度梯度共生矩陣和支持向量數(shù)據(jù)描述（SVDD）的織物疵點檢測方法，其優(yōu)點避免了傳統(tǒng)兩分類或者多分類（負樣本）獲取困難的問題。采用灰度梯度共生矩陣提取樣本特征，相比較于共生矩陣在像素灰度信息的基礎上又添加梯度信息，能夠更好地描述織物紋理。實驗結果表明：用本文提出的織物疵點檢測方法進行織物疵點檢測，正確率達97%，漏檢率和誤檢率分別為4.5%和1.4%。但是還存在一定的不足：本文缺少對SVDD分類器參數(shù)的優(yōu)化，提取的特征沒有考慮頻率域的特征，這些有待下一步研究。

參考文獻：

[1]MARK L， PENG P. Detecting defects in textile fabrics with optimal Gabor filters [J]. International Journal of Computer Science， 2006， 1（4）： 274?282.

[2]BU H G， WANG J， HUANG X B. Fabric defect detection based on multiple fractal features and support vector data description [J]. Engineering Applications of Artificial Intelligence， 2009（22）： 224?235.

[3]WANGS， YU J， LAPIRA E， et al. A modified support vector data description based novelty detection approach for machinery components [J]. Applied Soft Computing， 2012， 13： 1193?1205.

[4]LIUB， XIAOY S， CAO L B， et al. SVDD?based outlier detection on uncertain data [J]. Knowledge and Information Systems， 2013， 34（3）： 597?618.

[5]敬人可， 李建增， 周海林. 聚類分析在缺陷分類中的應用[J]. 國外電子測量技術， 2012， 31（10）： 55?58.

JING Renke， LI Jianzeng， ZHOU Hailin. The application of cluster analysis in defect classification[J]. Foreign Electronic Measurement Technology， 2012， 31（10）： 55?58.

[6]NIAZMARDI S， HOMAYOUNI S， SAFARI A. An improved FCM algorithm based on the SVVD for uns?uper vised hyperspectral data classification [J]. IEEE Journal of Selected Topics in Applied Earth Bservations and Remote Sensing， 2013， 6（2）： 831?839.

[7]MARKOU M， SINGH S. Novelty detection： a review—part 2： neural network based approaches [J]. Signal Processing， 2003， 83（12）： 2499?2521.

[8]王鶴翔. 基于小波變換和SVM的織物疵點檢測與分類[D]. 上海： 東華大學， 2015.

WANG Hexiang. Fabric Defect Detection and Classification Based on Wavelet Transform and SVM [D]. Shanghai： Donghua University， 2015.

[9]吳哲. 基于小波分析與SVM的織物疵點識別分類算法的研究[D].泉州： 華僑大學， 2016.

WU Zhe. Research on Fabric Defect Recognition Algorithm Based on Wavelet Analysis and SVM [D]. Quanzhou： Huaqiao University， 2016.

[10]KUMAR， SHEN. Texture inspection for defects using neural networks and support vector machines [J]. IEEE Proceedings of the International Conference on Image Processing， 2002（3）： 353?356.

[11]TAX， DUIN. Support vector domain description [J]. Pattern Recognition Letters， 1999（20）： 1191?1199.

[12]TAX， DUIN. Support vector data description [J]. Machine Learning， 2004（54）： 45?66.

[13]SCHOLKOPF B， PLATT J C， SHAWE?TAYLOR J， et al. Estimating the support of a high?dimensional distribution [J]. Neural Computation， 2001， 13（7）： 1443?1471.

[14]鄧秀勤， 熊勇， 彭宏. 一種有效的自適應加權中值濾波算法[J]. 計算機工程與應用， 2009， 45（35） ： 186?187.

DENG Xiuqin， XIONG Yong， PENG Hong. Effective adaptive weighted median filter algorithm[J]. Computer Engineering and Applications， 2009， 45（35） ： 186?187.