趙 艷，左保齊，2

1.蘇州大學(xué) 紡織與服裝工程學(xué)院，江蘇 蘇州215000

2.現(xiàn)代絲綢國家工程實(shí)驗(yàn)室，江蘇 蘇州215000

1 引言

為順應(yīng)全球經(jīng)濟(jì)一體化的趨勢，且由于織物缺陷嚴(yán)重影響產(chǎn)品質(zhì)量并導(dǎo)致巨大的經(jīng)濟(jì)損失，故市場對紡織品質(zhì)量的要求也應(yīng)相應(yīng)提高[1]。產(chǎn)品質(zhì)量控制在紡織品生產(chǎn)過程中占有重要地位，科學(xué)高效地判斷識別織物疵點(diǎn)是產(chǎn)品質(zhì)量控制的關(guān)鍵組成部分[2]。依靠傳統(tǒng)人工進(jìn)行的疵點(diǎn)檢測方法存在著效率低下、精確度低等嚴(yán)重不足[3]。

隨著計算機(jī)科學(xué)技術(shù)的飛速發(fā)展，人們把更多的目光投向了機(jī)器視覺領(lǐng)域。非接觸、高效率、便捷客觀等優(yōu)點(diǎn)，使得機(jī)器視覺在缺陷檢測方面得到更廣泛的應(yīng)用。孫衛(wèi)紅等[4]通過像素點(diǎn)互補(bǔ)算法增強(qiáng)圖像裂縫的對比度，更好地檢測樁護(hù)壁裂縫區(qū)域。胡浩等[5]對缺陷區(qū)域的灰度、灰度梯度及形態(tài)進(jìn)行分析分類，提高了小瓦磁缺陷檢測率。Zhang Erhu 等[6]利用二維圖像搜索轉(zhuǎn)換為一維特征匹配，提出了一種改進(jìn)的圖像相減方法用于卷筒紙膠印的缺陷檢測。李超等[7]提出了一種改進(jìn)的背景差分法，將薄壁金屬制罐焊縫缺陷類型檢測的準(zhǔn)確度提高至96%。

本綜述系統(tǒng)概括了目前機(jī)器視覺在織物疵點(diǎn)檢測方面的方法，分析了其最新的研究成果和應(yīng)用前景，并對目前仍需進(jìn)一步研究解決的問題做了深入討論，同時提出一些具有實(shí)際參考價值的建議，為接下來的深入研究和應(yīng)用提供了參考依據(jù)。

2 織物疵點(diǎn)檢測裝置

相較于工廠中所使用的傳統(tǒng)織物疵點(diǎn)識別方式，使用機(jī)器視覺的織物疵點(diǎn)檢驗(yàn)方式明顯節(jié)省了大量的人力資源?，F(xiàn)代化的織物疵點(diǎn)檢測系統(tǒng)由圖像提取硬件、圖像處理軟件和疵點(diǎn)標(biāo)記裝置組成。大多數(shù)情況下，檢測系統(tǒng)通過卷布機(jī)、照明系統(tǒng)、相機(jī)實(shí)現(xiàn)圖像的獲取[8]。硬件系統(tǒng)采集到的質(zhì)量良好且清晰的圖像，為后續(xù)處理過程提供了更準(zhǔn)確豐富的信息。

2.1 照明系統(tǒng)

硬件系統(tǒng)所獲得的圖像質(zhì)量與照明類型和水平有著極大的關(guān)系。光源與照明方案是整個疵點(diǎn)檢測系統(tǒng)的基礎(chǔ)，照亮被識別物體的同時，還應(yīng)盡可能地讓疵點(diǎn)部位的特征突出明顯。在采集圖像過程中，織物在卷布機(jī)的帶動下處于運(yùn)動的狀態(tài)，織物位置的變化不應(yīng)該影響成像的質(zhì)量。不同面料的特殊光澤和紋理，甚至被檢測面料易產(chǎn)生的疵點(diǎn)特性，都影響著光源的選取。通常照明方案由前向、背向、光纖和結(jié)構(gòu)光照明中的一種或幾種組成[9]。前向照明用于照射被測物體表面的瑕疵缺陷等細(xì)節(jié)；背向照明有利于勾勒出被測物體的邊緣[10]。光纖價格昂貴，可提供均勻的照明，并且不會產(chǎn)生陰影或眩光問題。結(jié)構(gòu)光照明則是通過某種特定的方式使光線呈現(xiàn)出需要的形狀。在光源的選取上，文獻(xiàn)研究中一般使用的有熒光燈、鹵素?zé)粢约安煌O(shè)計的發(fā)光二極體（Light Emitting Diode，LED）光源[11]。目前選擇較多的是LED發(fā)光二極管光源，相較其他光源具有效率高、體積小、能耗低、發(fā)光穩(wěn)定、壽命長等優(yōu)點(diǎn)[12]。

2.2 相機(jī)

相機(jī)作為織物疵點(diǎn)識別基礎(chǔ)系統(tǒng)的關(guān)鍵環(huán)節(jié)，所獲取圖片的品質(zhì)直接影響后期疵點(diǎn)信息的識別與提取。

用于織物檢測的圖像傳感器通常有CCD（Charge Coupled Device）和CMOS（Complementary Metal Oxide Semiconductor）兩種。CCD 器件不僅滿足了圖像采集過程中需要的高分辨率、易與計算機(jī)連接等特點(diǎn)，還有著輸出噪聲低、動態(tài)范圍大、量子效率高、電荷轉(zhuǎn)移效率高、光譜響應(yīng)范圍寬、幾何穩(wěn)定性好等突出優(yōu)點(diǎn)[13]。選用CCD 相機(jī)可以為圖像處理提供相對良好的圖片信息，但在工作中仍存在散粒噪聲、暗電流噪聲、復(fù)位噪聲等影響圖片質(zhì)量的問題[14]。CMOS 圖像傳感器通常情況下由像素陣列、列選通邏輯、行選通邏輯、定時和控制電路、ASP（在片模擬信號處理器）構(gòu)成[15]。信號易于讀取且速率高，實(shí)時處理圖像信息，可計算更多噪點(diǎn)，可靠性高以及能耗價格更低，是其和CCD 相機(jī)相比所具有的優(yōu)點(diǎn)[16-17]。

用于織物檢測的相機(jī)通常采用線陣式和面陣式這兩種常見的掃描技術(shù)。以CCD 相機(jī)為例，線陣CCD 相機(jī)的優(yōu)點(diǎn)是分辨率非常高，采集的數(shù)據(jù)處理更快，且采集頻率可以根據(jù)速度的快慢進(jìn)行調(diào)節(jié)，使其在高速運(yùn)動中可以進(jìn)行織物表面缺陷檢測，但不能一次生成完整的圖像；面陣CCD相機(jī)處理誤差小，對三維圖像有較好的重建效果，但處理數(shù)據(jù)量大成本高，在低速或靜態(tài)的小物體表現(xiàn)缺陷檢測時有更好的適用性[18]?？椢锎命c(diǎn)檢測過程中為了保證較高的檢測效率，多選用線陣式掃描。

3 圖像處理與疵點(diǎn)提取

系統(tǒng)以圖像分析結(jié)果為依據(jù)來檢測織物上存在的缺陷，因此，分析數(shù)字圖像中的紋理內(nèi)容在紡織面料的疵點(diǎn)檢測過程中發(fā)揮著重要的作用。紋理分割和圖像識別是基于數(shù)字圖像處理的疵點(diǎn)檢測方法的核心部分[19]。由于大多數(shù)織物的缺陷類別的特征模糊不清，因此對于實(shí)際織物缺陷的檢查具有較大挑戰(zhàn)性[20]。目前已經(jīng)開發(fā)了許多技術(shù)來檢測織物缺陷，根據(jù)織物表面特征性質(zhì)，提出的方法可分為基本的五個類型：統(tǒng)計法、頻譜法、基于學(xué)習(xí)的方法以及近幾年研究較少的結(jié)構(gòu)法和模型法。

3.1 統(tǒng)計法

統(tǒng)計法利用像素及其臨域的灰度屬性，分析紋理區(qū)域的灰度一階、灰度二階或灰度高階屬性。常見的基于統(tǒng)計法檢測疵點(diǎn)的方法有：共生矩陣（Co-occurrence matrix）、數(shù)學(xué)形態(tài)學(xué)（Mathematical morphology）、自相關(guān)函數(shù)（Autocorrelation Function）、分形方法（Fractal method）等[21]。

1973年，Haralick R M等[22]最早使用灰度共生矩陣來計算紋理特征，并提出易于計算的紋理特征可能對各種圖像分類應(yīng)用具有普遍適用性。Latif-Amet A等[23]提出了一種有效的算法，它運(yùn)用共生矩陣的概念，將灰度圖像分解成子帶后，將紋理圖像劃分為非重疊子窗口并提取共現(xiàn)特征，并將每個子窗口分類來檢測檢查紋理內(nèi)的缺陷。Zhu D D 等[24]提出了一種基于自相關(guān)函數(shù)和灰度共生矩陣的色織物缺陷檢測算法，用于檢測出色織物的常見缺陷，如錯緯、緯紗裂紋、經(jīng)紗過度拉伸、油漬和孔洞。王孟濤等[25]將一種灰度梯度共生矩陣（GGCM）與單分類器（SVDD）相結(jié)合提出檢測方法，避免了傳統(tǒng)兩分類或者多分類（負(fù)樣本）獲取困難的問題，達(dá)到了97%的正確率。Li C L 等[26]通過模擬生物視覺感知機(jī)制，提出了一種基于多通道特征矩陣提取和聯(lián)合低秩分解的織物疵點(diǎn)檢測算法，對平紋和斜紋織物或復(fù)雜圖案織物具有良好的自適應(yīng)性和檢測性能。李濤等[27]在分塊分尺度的條件下應(yīng)用ULBP（Uniform Local Binary Pattern）算法和PSO（Particle Swarm Optimization）結(jié)合的方法對圖像進(jìn)行處理，提出了一種多尺度下結(jié)合LBP和PSO的適用于多種瑕疵檢測的算法，克服了瑕疵圖像在生產(chǎn)中不宜大量獲取情況下進(jìn)行檢測的問題。在計算圖像特征的時候，灰度共生矩陣計算維度為灰度級的平方，消耗了巨大的存儲空間和時間，因此計算速度一直是妨礙織物疵點(diǎn)檢測效率的一大問題。角二階矩和反差分矩陣等特征是對織物紋理一致性的描述，在紋理不明顯、結(jié)構(gòu)細(xì)微的織物上，基于灰度共生矩陣的檢測方法疵點(diǎn)檢測率較低。

3.2 頻譜法

織物中特有的紋理具有周期性，和頻譜特性一致，可以將頻譜分析的算法應(yīng)用到圖像紋理中去。頻譜分析法是將所獲得的時域信號變換至頻域并加以分析。一般情況下，從傅里葉頻率中突出的峰值中可獲得紋理的主方向信息，峰值所在的位置體現(xiàn)紋理的周期性信息，粗細(xì)紋理的頻率分量分別分布在低頻和高頻部分。傅里葉變換、Gabor變換等是頻譜法中應(yīng)用較多的方法。

關(guān)于傅里葉變換的闡述提供了一種頻域思維方式。通過對傅里葉變換的研究，人們發(fā)現(xiàn)在處理圖像信號方面的問題時，可以從時域和頻域兩個方向分析。在織物紋理的處理上，傅里葉變換將圖像二維灰度分布變換為對應(yīng)的二維空間域的頻譜，在頻域內(nèi)分析紋理。Chan C H 等[28]利用傅里葉變換的方法，從中心空間頻譜中提取到七個重要的參數(shù)特征來描述缺陷類型，并對織物缺陷進(jìn)行分類。Malek A S 等[29]將快速傅里葉變換和互相關(guān)技術(shù)即線性操作相結(jié)合，以檢查空間域中織物圖像的結(jié)構(gòu)規(guī)則性特征，使用電平選擇濾波器實(shí)現(xiàn)進(jìn)一步的閾值處理操作。Hu G H等[30]找出一種通過應(yīng)用傅里葉分析和小波收縮的無監(jiān)督方法，使它不依賴任何參考圖像。任歡歡等[31]在印花織物的疵點(diǎn)檢測中，應(yīng)用傅里葉位移定理曲線和錯花位置的相對偏移量做匹配，在較好保留疵點(diǎn)細(xì)節(jié)的前提下準(zhǔn)確地分割出缺陷區(qū)域，得出的偏移量對工業(yè)生產(chǎn)流程有重要的指導(dǎo)意義。黃海松等[32]利用雙頻傅里葉原理，解決了傳統(tǒng)相位解纏過程中易發(fā)生的2π 相位模糊問題。

傅里葉變換是一種全局方法，具有良好的識別準(zhǔn)確率，考察的是全局的織物紋理特征。但傅里葉變換對信號齊性不敏感，在時域上分辨率較差，在空間域上無法定位疵點(diǎn)，而在圖像邊緣檢測的應(yīng)用上，齊性是研究所關(guān)心的信號局部范圍內(nèi)的特性。因此這種方法只適合檢測一些全局性疵點(diǎn)，在細(xì)小的局部疵點(diǎn)檢測方面效果不好，有較高虛警率。

Gabor 變換是時頻分析方法中重要的一種，它在空間域所表現(xiàn)出來的是由高斯函數(shù)調(diào)制的復(fù)振蕩信號，在頻率域是一個平移的高斯函數(shù)[33]。Mak K L 等[34]使用預(yù)訓(xùn)練的Gabor小波網(wǎng)絡(luò)提取織物的重要紋理特征，后將紋理特征用于在隨后的形態(tài)處理中促進(jìn)結(jié)構(gòu)化元素的構(gòu)造。閆亞娣等[35]提出在Gabor濾波器提取紋理特征的過程中，設(shè)計Gabor函數(shù)中的相關(guān)參數(shù)對有效提取特征至關(guān)重要。湯曉慶等[36]將Gabor 濾波器和HOG 特征相結(jié)合提出一種織物疵點(diǎn)檢測算法，采用多尺度和方向的Gabor濾波器組對織物圖像進(jìn)行濾波，有效地抑制了織物背景和噪聲的干擾。李岳陽等[37]提出使用最佳橢圓Gabor 濾波器（EGF），將包含與模板圖像相同的紋理背景的樣本圖像與最佳EGF卷積，判斷樣本圖像是否具有缺陷。Li Y D 等[38]將Gabor 濾波器和PCNN 與自適應(yīng)參數(shù)設(shè)置相結(jié)合的混合算法，應(yīng)用在由六個智能攝像頭和一個HMI 控制器組成的系統(tǒng)中，在經(jīng)編機(jī)上取得了良好的檢測效果。

Gabor 濾波器對織物紋理特征有一個較好的刻畫，在機(jī)織物和針織物上都有較強(qiáng)的適用性。但Gabor 變換是單一分辨率的分析，時頻窗口的大小固定不變，不隨頻率而變化，不適合多尺度和多分辨率的布匹檢測。在實(shí)際生產(chǎn)過程中，很難針對每種紋理特征去設(shè)計選取最合適的Gabor濾波器參數(shù)，在使用過程中其普適性仍待提高。

3.3 基于學(xué)習(xí)的方法

基于學(xué)習(xí)的方法在檢測織物疵點(diǎn)方面也很流行，使用已知樣本來訓(xùn)練區(qū)分有缺陷和無缺陷樣本的分類器。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）由多層卷積層和多層降采樣層重復(fù)疊加而成，具有良好的容錯能力、并行處理能力、泛化能力以及能夠處理復(fù)雜環(huán)境信息問題的自學(xué)習(xí)功能[39]。卷積神經(jīng)網(wǎng)絡(luò)是強(qiáng)大的可視化模型，可以產(chǎn)生特征層次結(jié)構(gòu)[40]。自21世紀(jì)初以來，隨著大數(shù)據(jù)和人工智能的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用到圖像中物體和區(qū)域的檢測。Jing J F等[41]不直接使用原始圖像作為輸入，而將織物圖像沿著織物表面的固有周期劃分為多個貼片，用作訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)的操作對象。將其發(fā)送到預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)以進(jìn)行轉(zhuǎn)移學(xué)習(xí)，在檢查階段通過使用訓(xùn)練模型在整個圖像上滑動來檢測缺陷，并且獲得每個缺陷的類別和位置。Ouyang W B等[42]結(jié)合圖像預(yù)處理、織物圖案確定、候選缺陷圖生成和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等技術(shù)，為織機(jī)織物缺陷檢測系統(tǒng)開發(fā)了一種深度學(xué)習(xí)算法。在卷積神經(jīng)網(wǎng)絡(luò)引入了一種新穎的成對電位激活層，使具有復(fù)雜特征和不平衡數(shù)據(jù)集的織物上的缺陷分割具有高精度。Li Y Y等[43]提出了一種用于檢測一些常見結(jié)構(gòu)缺陷的緊湊型卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。采用多尺度分析、濾波器分解和參數(shù)縮減技術(shù)構(gòu)建微結(jié)構(gòu)的主要組件，以提高緊湊型模型中的檢測精度。相比主流卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，所建網(wǎng)絡(luò)在檢測精度方面具有優(yōu)異的性能，且模型尺寸要小得多。景軍峰等[44]采用的微調(diào)神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)法可以在缺陷樣本數(shù)量有限的條件下進(jìn)行檢測與分類。夏雨薇等[45]利用Stacking集成學(xué)習(xí)方法對隨機(jī)森林、支持向量機(jī)、K -近鄰、決策樹等多分類器的學(xué)習(xí)結(jié)果進(jìn)行再學(xué)習(xí)得到最終分類結(jié)果，特征降維融合和集成學(xué)習(xí)分類方法取得了較高分類準(zhǔn)確率。此外新興的神經(jīng)網(wǎng)絡(luò)，即脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN），也被用于織物缺陷的識別[46]。在規(guī)模較大的圖像識別任務(wù)中，神經(jīng)網(wǎng)絡(luò)表現(xiàn)出超過人類的優(yōu)異性能。提高精確度往往要消耗大量的內(nèi)存和計算資源，超出了多數(shù)小型硬件設(shè)備的能力。近年來研究者不斷提高改進(jìn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以此追求精確度和內(nèi)存與計算資源之間的平衡點(diǎn)，在壓縮模型體積的同時，也應(yīng)當(dāng)將網(wǎng)絡(luò)運(yùn)行速度和所需計算時長考慮在內(nèi)[47]。

深度學(xué)習(xí)允許由多個處理層組成的計算模型來學(xué)習(xí)具有多個抽象級別的數(shù)據(jù)表示，深度學(xué)習(xí)的出現(xiàn)改進(jìn)了視覺對象識別等領(lǐng)域的技術(shù)[48]。Li Y 等[49]通過基于Fisher 準(zhǔn)則的堆疊去噪自動編碼器（FCSDA）將織物貼片分類為無缺陷和缺陷類別，把深度學(xué)習(xí)首次引入該領(lǐng)域，所提出的方法為致力于缺陷檢測的研究者提供了新思路。Yapi D等[50]在檢測中運(yùn)用貝葉斯分類器（BC）以區(qū)分無缺陷織物和缺陷織物。通過使用學(xué)習(xí)的BC測試局部補(bǔ)丁，在圖像檢查期間檢測缺陷。經(jīng)驗(yàn)證可以處理從簡單到復(fù)雜的多種類型的紡織面料。Mei S等[51]利用多個高斯金字塔等級的卷積去噪自動編碼器網(wǎng)絡(luò)重建圖像塊，并合成來自相應(yīng)分辨率信道的檢測結(jié)果，通過在每個分辨率級別分割和合成重建殘差圖可以生成最終檢查結(jié)果。這種無監(jiān)督的基于學(xué)習(xí)的自動化方法無需人工干預(yù)就可以完成檢測和疵點(diǎn)缺陷定位。趙志勇等[52]提出基于Inception-Resnet-v2網(wǎng)絡(luò)的布匹缺陷判決算法，在復(fù)雜背景和無規(guī)律紋理的布匹上仍有較好適用性。但處理分析效率低，增加了時間成本，同時在使用較大模型時，無法滿足很多嵌入式平臺的應(yīng)用的需求。深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)的過程中需要收集和標(biāo)注樣本，如果想要進(jìn)一步提高疵點(diǎn)識別的準(zhǔn)確率，需要疵點(diǎn)信息在整個圖片中所占比重足夠大，致使實(shí)際應(yīng)用中企業(yè)需要投入更多圖像設(shè)備，增加了檢測成本。同時，目前主流的深度網(wǎng)絡(luò)提取出的特征包含了大量語義信息，在織物疵點(diǎn)檢測的討論中，低階對比度信息相對更加重要。

在疵點(diǎn)識別過程中，通常有很多學(xué)習(xí)算法可供選擇，對同一種算法使用不同的參數(shù)配置時，產(chǎn)生的模型也會有所不同?，F(xiàn)實(shí)中，參數(shù)調(diào)節(jié)所得到的不一定是最佳值，而是計算開銷和性能估計折中所得結(jié)果?？椢锛y理的多樣性致使對一種或幾種疵點(diǎn)表現(xiàn)良好的學(xué)習(xí)器，對其他疵點(diǎn)可能出現(xiàn)“過擬合”或“泛擬合”現(xiàn)象。因此，基于學(xué)習(xí)的方法不可避免地在檢測率上無法趨于完美。細(xì)化學(xué)習(xí)方法，針對不同種類織物選取不同學(xué)習(xí)方法有利于降低虛警率，但同時也增加了人工成本。

此外還有一些其他的學(xué)習(xí)方法。殷鵬等[53]提出一種加入MMD層的改進(jìn)DANN網(wǎng)絡(luò)（Domain-Adversarial Neural Network），對提取到的目標(biāo)域特征賦予不同的權(quán)重。黃秀寶等[54]首次將支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）單類分類方法作為檢測器，應(yīng)用于織物疵點(diǎn)檢測領(lǐng)域。Guan S[55]利用自下而上的視覺關(guān)注數(shù)據(jù)，以生成整體顯著性圖以找出織物缺陷，并驅(qū)動（任務(wù)驅(qū)動）形成結(jié)構(gòu)缺陷的感興趣區(qū)域（ROI），使用閾值從ROI中細(xì)分結(jié)構(gòu)缺陷，提出了自上而下和自下而上視覺注意力的集成計算模型。WU Y 等[56]為了獲得穩(wěn)定的結(jié)構(gòu)紋理表示結(jié)果，提高計算速度，使用離散的子發(fā)生因變換（DCT）作為起始字典的交替最小二乘法學(xué)習(xí)，提出了一種基于字典學(xué)習(xí)的新方法。Zhou Z Y 等[57]提出了一種多尺度字典學(xué)習(xí)和自適應(yīng)差分進(jìn)化算法優(yōu)化正則化極限學(xué)習(xí)機(jī)（ADE-RELM）的新型檢測和分類器技術(shù)。王凱等[58]應(yīng)用字典學(xué)習(xí)算法對紋理不同的機(jī)織物進(jìn)行提取重構(gòu)，為機(jī)織物紋理分類的深入研究提供了依據(jù)。然而，織物紋理恢復(fù)的準(zhǔn)確度受到所選取字典的影響，從而影響檢測模型的虛警率。與此同時，織物上小缺陷消除難度大，稀疏編碼模型會影響檢測率。

3.4 結(jié)構(gòu)法

結(jié)構(gòu)法通過從織物中提取圖像的基礎(chǔ)紋理結(jié)構(gòu)得到結(jié)構(gòu)特征。結(jié)構(gòu)法檢測疵點(diǎn)分為紋理分割和識別兩個部分，疵點(diǎn)的存在破壞了織物原有的結(jié)構(gòu)紋理，通過與正常基礎(chǔ)紋理之間的相似度比較可發(fā)現(xiàn)疵點(diǎn)在織物上的存在。祝雙武等[59]提出一種可以有效分割灰度突變型疵點(diǎn)的方法，利用疵點(diǎn)處織物紋理有別于正常結(jié)構(gòu)特征來突出疵點(diǎn)信息。然而，在這些結(jié)構(gòu)中可以發(fā)現(xiàn)由于幾何不規(guī)則性（例如紗線未對準(zhǔn)），生產(chǎn)過程中的受力不規(guī)則以及由于暴露于環(huán)境條件下等原因而使紋理易產(chǎn)生變形，使得其難以保持穩(wěn)定的基礎(chǔ)紋理結(jié)構(gòu)，這些問題的產(chǎn)生給通過結(jié)構(gòu)法識別疵點(diǎn)帶來了較大的誤差[60]。結(jié)構(gòu)法雖然方法簡單，檢測效率較高，但僅對簡單的、灰度分布均勻的紋理圖案檢測有效。隨著生產(chǎn)技術(shù)逐步提高，紋理的多樣性同樣給基礎(chǔ)紋理的提取造成了困難。

3.5 模型法

使用基于模型的方法是通過假定紋理服從特定分布模型和該模型的參數(shù)，從而根據(jù)此特定分布模型來解決所述缺陷檢測問題的方法。在灰度統(tǒng)計和頻譜方法都難以處理的織物表面特征變化沒有規(guī)律的情況下，基于模型的方法更為適用。李仁忠等[61]采用均值采樣的方法對織物進(jìn)行預(yù)處理，應(yīng)用基于EM 算法的高斯混合模型的算法來判斷個像素點(diǎn)是否處于疵點(diǎn)位置。Hu G H等[62]運(yùn)用了一種新穎的數(shù)據(jù)融合方案，將不同信息通道的信息合并到一個獨(dú)特的特征圖中，根據(jù)Gumbel分布模型與特征圖中的無缺陷背景紋理相對應(yīng)的像素值的分布進(jìn)行建模，以此進(jìn)行無監(jiān)督的織物缺陷檢測。模型法在檢測微小缺陷方面效率低下且計算量較大，性能不理想，在實(shí)際應(yīng)用中受到限制，近幾年新的研究成果較少?？椢锛y理建模與小波變換相結(jié)合，可以彌補(bǔ)模型法的一些缺陷，在準(zhǔn)確率上有所提高[63]。

表1 機(jī)器視覺在織物疵點(diǎn)檢測上的應(yīng)用

4 結(jié)論與展望

本文討論了疵點(diǎn)檢測方法常用到的硬件設(shè)備如光源選擇和相機(jī)選擇，并對近幾年基于機(jī)器視覺檢驗(yàn)織物疵點(diǎn)的方法做了簡要梳理，具體見表1。

機(jī)器視覺檢驗(yàn)織物疵點(diǎn)的方法分為統(tǒng)計、頻譜、基于學(xué)習(xí)、結(jié)構(gòu)和模型的方法五類，由于圖像數(shù)據(jù)集、適用情景和預(yù)期應(yīng)用不一致，很難明確指出某種方法最優(yōu)。在白坯布的疵點(diǎn)檢測方面，統(tǒng)計法表現(xiàn)較好且算法效率高；在色織布的疵點(diǎn)檢測方面，統(tǒng)計法和頻譜法處理效果明顯。統(tǒng)計、頻譜、模型的方法在部分平紋和斜紋織物圖像上有著較高的檢測準(zhǔn)確率，但由于織物圖案的多樣性和復(fù)雜性，這些方法無法被直接應(yīng)用到花紋復(fù)雜的織物中進(jìn)行疵點(diǎn)檢測?；趯W(xué)習(xí)的方法被用于織物疵點(diǎn)檢測以來，表現(xiàn)出巨大的潛力，成為了這一領(lǐng)域新的研究熱點(diǎn)。近年來在織物疵點(diǎn)檢驗(yàn)方面呈現(xiàn)出一些令人歡欣鼓舞的趨勢，但仍存在著很多挑戰(zhàn)。隨著紡織技術(shù)的發(fā)展，織物的紋理結(jié)構(gòu)變得越發(fā)復(fù)雜和精細(xì)，使得細(xì)小缺陷被檢測識別的難度加大。各種不同的處理方法在不同尺度上檢測效果不同，單一的處理方法往往具有一定的局限性，采用混合方法在處理織物結(jié)構(gòu)和缺陷類型的變化方面具有更高的魯棒性。

大數(shù)據(jù)時代來臨，將多個數(shù)據(jù)集進(jìn)行綜合利用所能獲得的價值，遠(yuǎn)超過其個體價值的總和。在研究織物疵點(diǎn)識別方法時，每種研究都被認(rèn)為可以通過在工廠的生產(chǎn)過程中獲取或在從工廠收集在實(shí)驗(yàn)室拍攝得到信息，從而創(chuàng)建自己的數(shù)據(jù)庫。多數(shù)數(shù)據(jù)庫需要付費(fèi)或并沒有收集到足夠多的信息，因此將采集到的織物缺陷上傳至云端，建立免費(fèi)且完備疵點(diǎn)識別數(shù)據(jù)庫并挖掘更多信息。數(shù)據(jù)庫的建立或許在指導(dǎo)生產(chǎn)和品質(zhì)進(jìn)一步的提高方面有所貢獻(xiàn)。目前因?yàn)槌霭l(fā)點(diǎn)不同，面料廠和服裝廠各檢查一次，面料廠檢測重點(diǎn)為疵點(diǎn)對織物價格及貿(mào)易流通的影響，因此，重點(diǎn)在疵點(diǎn)類別和扣分評等。服裝廠檢測目的為剪裁避讓疵點(diǎn)，如果能夠定位疵點(diǎn)形狀尺度和位置，通過數(shù)據(jù)儲存分析可以減少服裝廠的檢測工序，從而較大幅度提高勞動生產(chǎn)率。