景軍鋒， 張君揚(yáng)， 張緩緩， 蘇澤斌

(西安工程大學(xué) 電子信息學(xué)院， 陜西 西安 710048)

絲餅[1]是由化學(xué)纖維長(zhǎng)絲在紙管上纏繞，按照一定規(guī)律層層疊加形成的餅狀體。化學(xué)纖維具有強(qiáng)力大、彈性高、耐輻射、耐高溫、抗菌性能優(yōu)異和不易縮水變形的特點(diǎn)，近年來其應(yīng)用領(lǐng)域已逐漸從傳統(tǒng)的紡織服裝向交通運(yùn)輸、航空航天、醫(yī)療衛(wèi)生和安全防護(hù)等產(chǎn)業(yè)用領(lǐng)域擴(kuò)展[2]。絲餅作為化學(xué)纖維運(yùn)輸時(shí)的一種封裝狀態(tài)[3]，從纏繞到封裝過程中可能會(huì)由于誤操作、工藝流程、環(huán)境因素等影響，在其表面形成污漬、壓痕、起毛等多種類型的缺陷，這些缺陷將嚴(yán)重影響絲餅的外觀和使用價(jià)值，進(jìn)而影響絲餅質(zhì)量定級(jí)。為剔除不合格產(chǎn)品，保證絲餅質(zhì)量，在絲餅封裝前需進(jìn)行缺陷檢測(cè)。

目前，大多數(shù)化纖企業(yè)仍采用手持強(qiáng)光照射的人工目測(cè)法來檢測(cè)絲餅缺陷，該方法準(zhǔn)確率低，漏檢率高，勞動(dòng)強(qiáng)度大且損傷工人視力。隨著機(jī)器視覺技術(shù)和圖像處理技術(shù)的成熟使用[4]，從技術(shù)應(yīng)用的角度看，不同物體的表面缺陷檢測(cè)方法之間存在相似性，有一定的借鑒意義。Movafeghi A等[5]提出采用基于概率解釋的稀疏編碼模型以改善氨管道射線圖像中的缺陷檢測(cè)，應(yīng)用稀疏編碼(SC)算法增強(qiáng)圖像對(duì)比度，有效地保留了成像細(xì)節(jié)，消除噪聲的干擾，該方法可以準(zhǔn)確檢測(cè)出氨管裂紋、腐蝕、膨脹等多種類型的缺陷；景軍鋒等[6]利用遺傳算法選擇Gabor濾波器的最優(yōu)參數(shù)組，用于過濾圖像噪聲，提出的最優(yōu)Gabor預(yù)處理的黃金圖像減法能實(shí)現(xiàn)紡織工業(yè)中織物疵點(diǎn)自動(dòng)檢測(cè)，整體檢測(cè)成功率為95.62%；錢曉亮等[7]通過自學(xué)習(xí)特征提取模板計(jì)算太陽能電池板圖像的特征矩陣，根據(jù)非精確增廣拉格朗日乘子法(IALM)求解低秩矩陣和稀疏矩陣，得到圖像像素點(diǎn)的顯著值，初始定位出缺陷區(qū)域，利用簡(jiǎn)單線性迭代聚類超像素算法實(shí)現(xiàn)缺陷區(qū)域的精確分割，具有較高的準(zhǔn)確率。

為滿足工業(yè)生產(chǎn)中對(duì)絲餅質(zhì)量控制的要求，本文提出了一種在梯度空間下根據(jù)圖像信息熵變化和能量分布的差異來檢測(cè)絲餅表面缺陷的方法。首先綜合考慮絲餅圖像在梯度空間[8]下的信息熵和能量特征，通過分析梯度空間下缺陷區(qū)域與正常區(qū)域圖像的信息熵和能量值的差異，構(gòu)建一個(gè)組合的特征向量來表征絲餅缺陷，克服了利用單一特征描述絲餅表面各種缺陷的局限性；其次設(shè)置合適的臨界閾值用以區(qū)分缺陷區(qū)域與正常區(qū)域，利用閾值二值化、形態(tài)學(xué)處理分割出絲餅缺陷，得到最終的檢測(cè)結(jié)果，以期解決絲餅表面缺陷檢測(cè)的問題。

1 絲餅表面圖像采集裝置

絲餅在加工成型后經(jīng)流水線運(yùn)動(dòng)至封裝區(qū)域進(jìn)行包裝，為保證生產(chǎn)效率，絲餅的質(zhì)量檢測(cè)需要在傳輸過程中完成。結(jié)合工業(yè)實(shí)際設(shè)計(jì)的絲餅表面圖像采集裝置如圖1所示。該裝置包括旋轉(zhuǎn)載物臺(tái)、工業(yè)相機(jī)、照明光源、光電傳感器、可編程邏輯控制器(PLC)、步進(jìn)電動(dòng)機(jī)和工控機(jī)等?？梢钥闯觯?號(hào)相機(jī)為工業(yè)面陣相機(jī)，用于采集絲餅上表面圖像；1號(hào)光源為L(zhǎng)ED環(huán)形光源，用于給上表面提供均勻的光照；2號(hào)相機(jī)為工業(yè)線陣相機(jī)，用于采集絲餅在旋轉(zhuǎn)過程中的側(cè)面圖像；2號(hào)光源為L(zhǎng)ED條形光源，用于給側(cè)面提供合適的亮度。絲餅圖像采集裝置工作方式如下。

圖1 絲餅圖像采集裝置Fig.1 Image acquisition device for DTY packages

1)絲餅在傳送滾筒上運(yùn)動(dòng)，光電傳感器檢測(cè)絲餅到達(dá)旋轉(zhuǎn)載物臺(tái)的中心位置后，PLC控制器 “點(diǎn)亮”1號(hào)LED環(huán)形光源，1號(hào)面陣相機(jī)觸發(fā)拍照一次，1號(hào)光源滅，此時(shí)1號(hào)相機(jī)拍攝的是整個(gè)絲餅上表面圖像。

2)同時(shí)PLC控制旋轉(zhuǎn)載物臺(tái)底部的電磁鐵通電，吸住絲餅的支撐底座，步進(jìn)電動(dòng)機(jī)帶動(dòng)旋轉(zhuǎn)載物臺(tái)上升至指定位置后，旋轉(zhuǎn)載物臺(tái)開始轉(zhuǎn)動(dòng)，2號(hào)LED條形光源亮，2號(hào)線陣相機(jī)觸發(fā)連續(xù)拍照；旋轉(zhuǎn)載物臺(tái)轉(zhuǎn)動(dòng)一圈后停止，2號(hào)線陣相機(jī)停止拍照，2號(hào)光源滅，此時(shí)2號(hào)相機(jī)拍攝的是絲餅側(cè)面圖像。

3)旋轉(zhuǎn)載物臺(tái)下降到初始位置，電磁鐵斷電，絲餅繼續(xù)在傳送滾筒上運(yùn)動(dòng)，一次完整的圖像采集完畢。在絲餅圖像采集過程中，工業(yè)相機(jī)將采集到的絲餅圖像同步輸入到工控機(jī)中，并進(jìn)行實(shí)時(shí)處理得到檢測(cè)結(jié)果。

2 絲餅表面缺陷檢測(cè)

絲餅在生產(chǎn)過程中形成的多種類型缺陷會(huì)隨機(jī)出現(xiàn)在絲餅表面的各個(gè)部位，通過使用單一特征無法完全表征所有缺陷類型，從而造成漏檢。因此需要分析絲餅圖像的顏色特征[9]、紋理特征[10]、形狀特征[11]等，找到一種組合的特征用來區(qū)分缺陷區(qū)域與正常區(qū)域[12]。

2.1 檢測(cè)流程

在絲餅表面缺陷檢測(cè)中，缺陷分析部分重點(diǎn)研究了梯度空間下絲餅圖像的信息熵和能量特征，文中以絲餅上表面的缺陷檢測(cè)為例介紹算法，側(cè)面檢測(cè)流程中除去絲餅感興趣區(qū)域(ROI)提取過程不需要極坐標(biāo)變換展開圖像這一操作，其他步驟與之類似。絲餅表面缺陷檢測(cè)流程如圖2所示，主要分為以下步驟。

步驟1：采集絲餅表面原始圖像，同步輸入到計(jì)算機(jī)中實(shí)時(shí)處理，絲餅上表面圖像如圖3所示。

圖2 絲餅表面缺陷檢測(cè)流程圖Fig.2 Flow chart for surface defect detection of DTY packages

步驟2：采用SC算法對(duì)含有組合缺陷的絲餅圖像進(jìn)行預(yù)處理，增強(qiáng)絲餅圖像細(xì)節(jié)同時(shí)去除CMOS相機(jī)采集圖像時(shí)受到的噪聲影響，增強(qiáng)后的絲餅上表面圖像如圖4所示。

步驟3：采用canny算子進(jìn)行邊緣檢測(cè)，結(jié)果如圖5(a)所示，確定紗管半徑R1、絲餅半徑R2和中心點(diǎn)O的位置，提取絲餅圖像的感興趣區(qū)域，如圖5(b)所示，即以點(diǎn)O為中心，半徑為R2-R1的圓環(huán)區(qū)域，由于提取的絲餅感興趣區(qū)域呈圓環(huán)狀，不利于后續(xù)圖像的分塊處理。為解決圖像分塊不均的問題，通過極坐標(biāo)變換將圖像從圓環(huán)區(qū)域展開為水平矩形區(qū)域，結(jié)果如圖5(c)所示，并轉(zhuǎn)換到梯度空間域進(jìn)行后續(xù)操作，結(jié)果如圖5(d)所示。

圖3 絲餅上表面原始圖像Fig.3 Upper surface original images of DTY packages.(a)Normal DTY packages;(b)Combination of defects; (c)Stain;(d)Indentation;(e)Hairiness

圖4 圖像預(yù)處理后的效果Fig.4 Effect of image preprocessing

步驟4：分析梯度空間下的絲餅圖像信息熵變化和能量值差異，判斷有無缺陷，比較絲餅的正常區(qū)域與缺陷區(qū)域，設(shè)置臨界閾值分割出缺陷，形態(tài)學(xué)處理得到最終的檢測(cè)結(jié)果。

2.2 圖像信息熵

信息熵[13]是用來度量信息的不確定程度，給定事件S1,S2,…,Sn以概率p(S1),p(S2),…,p(Sn)出現(xiàn)，其信息熵表達(dá)式如式(1)所示。

(1)

本文將信息熵運(yùn)用到絲餅表面缺陷檢測(cè)中，對(duì)于絲餅圖像，圖像信息熵[14]反映了絲餅圖像灰度的統(tǒng)計(jì)特性，正常的絲餅圖像表面紋理分布均勻，包含的信息量單一，圖像信息熵值較小，當(dāng)絲餅表面出現(xiàn)缺陷時(shí)，圖像的不均勻程度增加，包含的信息量增多，圖像的熵值將變大。然而在計(jì)算絲餅整幅圖像的信息熵時(shí)發(fā)現(xiàn)，正常的絲餅與含有缺陷的絲餅圖像信息熵值差異較小，難以區(qū)分；根據(jù)圖像信息熵的可加性，整幅圖像的信息熵值等于各個(gè)子塊圖像信息熵的和，因此采取圖像分塊策略，通過比較子塊圖像的信息熵變化判斷缺陷是否存在。在絲餅圖像中，以點(diǎn)(x,y)為中心，寬為a，高為b的小鄰域Ωab的圖像信息熵表達(dá)式如式(2)所示。

圖5 絲餅圖像的處理效果Fig.5 Processing effect of DTY packages image.(a)Edge detection;(b)Region of interest extraction; (c) Expansion map of polar coordinate transformation; (d) Image in gradient space

(2)

式中，Pf,Ωab為絲餅小鄰域圖像Ωab中點(diǎn)(x,y)的灰度分布，其表達(dá)式如式(3)所示。

(3)

式中，f(x,y)為圖像鄰域中點(diǎn)(x,y)處的灰度值。

計(jì)算絲餅小鄰域內(nèi)的圖像信息熵Hf，當(dāng)檢測(cè)到其熵值變化超出一定范圍時(shí)，認(rèn)為該絲餅處存在缺陷。采取圖像分塊策略不僅可以放大絲餅圖像信息熵值的差距，便于檢測(cè)出缺陷，同時(shí)也將缺陷范圍從整幅圖像縮小到圖像的小鄰域塊中，達(dá)到精確檢測(cè)的目的。綜合考慮算法的時(shí)間復(fù)雜度和空間復(fù)雜度，擬采用10×10的分塊策略，將圖像等分成100個(gè)子塊，從左往右，從上往下求出各子塊的熵值，依次排列成10行10列。圖5(d)中含有組合缺陷絲餅的熵值分布如表1所示，其中黑色加粗部分是鄰域內(nèi)絲餅熵值變化范圍較大區(qū)域。

表1 絲餅的圖像信息熵分布Tab.1 Distribution of image information entropy of DTY packages

2.3 梯度能量

圖像梯度[15]是圖像中像素的灰度變化，本文在絲餅圖像檢測(cè)中采用多尺度形態(tài)學(xué)[16]計(jì)算梯度，其表達(dá)式如式(4)所示。

(4)

式中：g(x,y)為圖像中點(diǎn)(x,y)處的梯度值；n為尺度個(gè)數(shù)，文中選取n=3；⊕為膨脹符號(hào)；Θ為腐蝕符號(hào)；bi為半徑i的圓形結(jié)構(gòu)元素。

梯度能量[17]反映圖像連通區(qū)域中像素點(diǎn)灰度與梯度差異的變化特性，圖像連通區(qū)域的能量表達(dá)式如式(5)所示。

(5)

式中，p和q為連通域大小。

當(dāng)絲餅表面出現(xiàn)缺陷時(shí)，圖像梯度值會(huì)在缺陷邊緣處發(fā)生突變，圖像的梯度差異變大，在缺陷處形成梯度極小區(qū)域，其能量值Ef將減小且發(fā)生明顯突變。當(dāng)檢測(cè)到圖像能量在某一梯度極小區(qū)域發(fā)生變化，Ef減小超出一定程度時(shí)表明該絲餅處有缺陷，梯度極小區(qū)域即為缺陷區(qū)域。圖5(d)中含有組合缺陷絲餅的能量圖如圖6所示。其中X軸表示絲餅極坐標(biāo)展開圖的寬度，Y軸表示絲餅極坐標(biāo)展開圖的高度，Z軸表示絲餅圖像的梯度能量，矩形框內(nèi)是絲餅的梯度能量值下降范圍較大的區(qū)域。

綜合考慮絲餅圖像的信息熵和能量特征，將這2種特征進(jìn)行組合，構(gòu)建一個(gè)組合特征用來表征缺陷，其表達(dá)形式如式(6)所示。

(Hentropy,Eenergy)=[Hf,Ef]

(6)

用組合特征對(duì)絲餅圖像進(jìn)行檢測(cè)，對(duì)2種特征檢測(cè)出來的區(qū)域取交集，分別計(jì)算圖像信息熵和能量各自在絲餅的正常區(qū)域和缺陷區(qū)域處的平均值。通過實(shí)驗(yàn)發(fā)現(xiàn)，圖像缺陷區(qū)域的信息熵均值高于正常區(qū)域，能量均值低于正常區(qū)域。為得到準(zhǔn)確的分割閾值，利用最大類間方差法對(duì)特征值進(jìn)行計(jì)算，得到絲餅組合特征的臨界閾值[Hf-T，Ef-T]，使得正常區(qū)域的特征均值、缺陷區(qū)域的特征均值與整幅圖像的特征均值之間的差異最大；二值化分割出絲餅的缺陷區(qū)域，采用形態(tài)學(xué)處理方法得到最終的絲餅缺陷，含有組合缺陷的絲餅檢測(cè)結(jié)果如圖7所示。

圖6 絲餅的能量圖Fig.6 Energy diagram of DTY packages

圖7 絲餅缺陷檢測(cè)結(jié)果圖Fig.7 Detection result of DTY packages defects

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)是在處理器為Intel(R)Core(TM)i7-6 800 K CPU@3.40 GHz，操作系統(tǒng)為64 位Windows 10的工控機(jī)上進(jìn)行的，算法運(yùn)行環(huán)境為 Visual Studio 2015，編程語言為C++，采用開源的OpenCV視覺庫。為采集到高質(zhì)量的絲餅圖像且避免出現(xiàn)運(yùn)動(dòng)模糊，選取相機(jī)時(shí)需要綜合考慮相機(jī)的分辨率和幀速率。文中選用的1號(hào)相機(jī)型號(hào)為Basler-acA3800-10gm，分辨率為3 840 像素×2 748像素，最大幀速率為10 fps；2號(hào)相機(jī)型號(hào)為Basler-raL4096-24gm，分辨率為4 000，最大行頻26 kHz；相機(jī)均采用千兆網(wǎng)口接口和CMOS感光芯片；鏡頭選用Basler C125-0618-5 M 6 mm 和Nikon AF-NIKKOR 28 mm 2種，其中6 mm鏡頭用于采集絲餅上表面圖像，28 mm鏡頭用于采集絲餅側(cè)面圖像。

為驗(yàn)證文中提出的絲餅表面缺陷檢測(cè)方法的可行性和時(shí)效性，經(jīng)多次測(cè)試，結(jié)合工業(yè)生產(chǎn)實(shí)際設(shè)計(jì)的絲餅圖像采集裝置，旋轉(zhuǎn)載物臺(tái)上升和下降時(shí)間各0.5 s，轉(zhuǎn)動(dòng)1圈的時(shí)間為4 s；采集的絲餅上表面圖像大小為3 840 像素×2 748 像素，單張圖像的檢測(cè)時(shí)間約為87 ms，其中2.1節(jié)檢測(cè)流程中步驟1耗時(shí)2 ms，步驟2耗時(shí)15 ms，步驟3耗時(shí) 28 ms，步驟4耗時(shí)42 ms。從絲餅圖像采集到檢測(cè)結(jié)果輸出的整個(gè)過程中共計(jì)耗時(shí)約5.087 s，滿足工廠對(duì)單個(gè)絲餅檢測(cè)時(shí)間為5.2 s的要求。

在絲餅質(zhì)量檢測(cè)中，為驗(yàn)證算法性能的好壞，通常采取定性評(píng)估和精確評(píng)估2種客觀評(píng)估方式。

3.1 定性評(píng)估

定性評(píng)估是指只需要判斷輸入的產(chǎn)品中是否包含缺陷，若判斷出有缺陷，則此產(chǎn)品被視為不合格。定性評(píng)估主要包含以下評(píng)價(jià)指標(biāo)[18]：產(chǎn)品的檢測(cè)準(zhǔn)確率、誤檢率、漏檢率和檢測(cè)時(shí)間，其中檢測(cè)準(zhǔn)確率為檢測(cè)結(jié)果正確的產(chǎn)品數(shù)量占所有待檢測(cè)產(chǎn)品數(shù)量的比例；檢測(cè)誤檢率為合格產(chǎn)品被檢測(cè)為不合格產(chǎn)品的數(shù)量占合格產(chǎn)品數(shù)量的比例；檢測(cè)漏檢率為不合格產(chǎn)品被檢測(cè)為合格產(chǎn)品的數(shù)量占不合格產(chǎn)品數(shù)量的比例。

在化纖絲餅生產(chǎn)中，工廠以絲餅缺陷的檢測(cè)準(zhǔn)確率、漏檢率和檢測(cè)時(shí)間作為檢測(cè)指標(biāo)，而不考慮絲餅的檢測(cè)誤檢率，主要原因是工廠會(huì)對(duì)檢測(cè)結(jié)果為有缺陷的絲餅進(jìn)行人工復(fù)檢，剔除誤檢絲餅后，再對(duì)含有缺陷的絲餅進(jìn)行二次加工。為提高工廠的經(jīng)濟(jì)效益，減少客戶投訴，絲餅的檢測(cè)漏檢率應(yīng)嚴(yán)格控制在3%以內(nèi)。

選取正常無缺陷以及含有污漬、壓痕、起毛等異常有缺陷的絲餅樣品共2 000個(gè)進(jìn)行測(cè)試，其中正常無缺陷的絲餅數(shù)量為300個(gè)，含有污漬、壓痕、起毛缺陷的絲餅數(shù)量各為500個(gè)，含有三類缺陷的組合絲餅數(shù)量為200個(gè)；按照絲餅檢測(cè)流程進(jìn)行檢測(cè)，統(tǒng)計(jì)檢測(cè)結(jié)果如表2所示。

表2 絲餅缺陷檢測(cè)結(jié)果統(tǒng)計(jì)Tab.2 Statistics of defect detection results of DTY packages

從表2中的絲餅缺陷檢測(cè)結(jié)果可以看出，本文算法將300個(gè)正常無缺陷的絲餅全部檢測(cè)正確，對(duì)于1 700個(gè)異常有缺陷的絲餅，漏檢數(shù)量為23個(gè)，檢測(cè)準(zhǔn)確率為98.85%，漏檢率為1.35%，單張圖像的檢測(cè)時(shí)間為87 ms；其中含有壓痕類缺陷的絲餅漏檢數(shù)量相對(duì)較多，達(dá)到13個(gè)，主要原因是絲餅上表面輕微的壓痕缺陷與其表面正常紋理類似，易在檢測(cè)過程中被判斷為正常紋理，造成漏檢；總體來說，該方法具有較高的準(zhǔn)確率，漏檢率達(dá)到工廠要求低于3%的檢測(cè)指標(biāo)，基本上實(shí)現(xiàn)零誤檢，同時(shí)也降低了后續(xù)人工復(fù)檢的難度。

利用文獻(xiàn)[6]的Gabor濾波法、文獻(xiàn)[7]的顯著性檢測(cè)法、遲滯閾值法[19]和自編碼器[20]對(duì)上述相同的絲餅樣本進(jìn)行對(duì)比實(shí)驗(yàn)，文獻(xiàn)[19]提出的遲滯閾值法是通過在垂直方向上進(jìn)行投影確定出遲滯閾值，然后二值化分割出缺陷區(qū)域；文獻(xiàn)[20]是利用去噪卷積自編碼器建立織物圖像的去噪重構(gòu)模型，通過殘差圖像分析自動(dòng)識(shí)別缺陷。與本文提出的算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果如表3所示。

從表3的對(duì)比結(jié)果可以看出，文獻(xiàn)[6]的Gabor濾波法檢測(cè)準(zhǔn)確率為98.00%，漏檢率為2.18%，檢測(cè)效果略低于本文方法，但是單張圖像的檢測(cè)時(shí)間為1 036 ms，在利用遺傳算法選取最優(yōu)濾波器參數(shù)組耗時(shí)較長(zhǎng)，約是本文算法檢測(cè)時(shí)間的12倍左右，不能滿足工廠對(duì)絲餅檢測(cè)時(shí)間的要求；文獻(xiàn)[7]顯著性檢測(cè)中自學(xué)習(xí)特征耗時(shí)太長(zhǎng)，不能準(zhǔn)確計(jì)算絲餅圖像像素點(diǎn)的顯著值，漏檢率較高；文獻(xiàn)[19]遲滯閾值法在垂直方向上投影效果較差，無法確定出最佳閾值；文獻(xiàn)[20]利用去噪卷積自編碼器構(gòu)建的模型需要不斷補(bǔ)充新樣本，魯棒性較差，無法滿足工廠對(duì)絲餅檢測(cè)漏檢率和檢測(cè)時(shí)間的需求。綜合考慮，本文方法性能優(yōu)于對(duì)比方法，選取的圖像信息熵和能量的組合特征能夠完全表征絲餅所有的缺陷類型，檢測(cè)漏檢率低，速度快，可以應(yīng)用到實(shí)際的絲餅缺陷檢測(cè)中。

表3 實(shí)驗(yàn)結(jié)果對(duì)比Tab.3 Comparison of experimental results

3.2 精確評(píng)估

精確評(píng)估是指算法檢測(cè)出的缺陷區(qū)域和人工標(biāo)注的缺陷區(qū)域的接近程度，該方法以人工標(biāo)注的缺陷區(qū)域作為真實(shí)缺陷，計(jì)算算法檢測(cè)結(jié)果的精確率(P)、召回率(R)和調(diào)和平均數(shù)(F)。其中精確率是指算法檢測(cè)出的缺陷區(qū)域中真正屬于缺陷的部分占算法檢測(cè)出的全部缺陷區(qū)域的比例，用于評(píng)價(jià)算法檢測(cè)的精確程度；召回率是指算法檢測(cè)出的缺陷區(qū)域中真正屬于缺陷的部分占人工標(biāo)注的缺陷區(qū)域的比例，用于評(píng)價(jià)算法查找缺陷的能力；調(diào)和平均數(shù)是精確率和召回率的綜合指標(biāo)，用于評(píng)價(jià)算法的總體檢測(cè)效果。

P、R和F的計(jì)算公式如下：

(7)

式中：RD為算法檢測(cè)出來的缺陷區(qū)域；RT是人工標(biāo)注的缺陷區(qū)域；RTD為RD與RT的交集。

由于絲餅的壓痕缺陷易出現(xiàn)漏檢，因此對(duì)檢測(cè)出的壓痕缺陷進(jìn)行精確評(píng)估，用來評(píng)價(jià)算法的檢測(cè)效果，其結(jié)果將具有代表性，以圖3(d)中含有壓痕缺陷的絲餅檢測(cè)結(jié)果為例進(jìn)行精確評(píng)估，計(jì)算絲餅表面缺陷檢測(cè)算法的精確率、召回率與調(diào)和平均數(shù)。人工標(biāo)注的絲餅真實(shí)缺陷和本文算法檢測(cè)出絲餅缺陷的局部放大圖以及二者的對(duì)比結(jié)果如圖8所示。

圖8 絲餅缺陷的局部放大圖和對(duì)比結(jié)果Fig.8 Enlarged images and comparison of result of defective region for DTY packages.(a)Manual labeling image;(b)Detection result for proposed method;(c)Comparison of results;(d) Detection result for Gabor filter;(e)Comparison of results 1;(f) Detection result for saliency;(g)Comparison of results 2;(h)Detection result for hysteresis thresholding segmentation;(i)Comparison of results 3;(j)Detection result for autoencoder;(k)Comparison of results 4

其中人工標(biāo)注的絲餅缺陷區(qū)域RT的面積為 57 311，算法檢測(cè)出缺陷區(qū)域RD的面積為 56 238，屬于絲餅真實(shí)缺陷區(qū)域RTD的面積為 55 362。與最優(yōu)Gabor濾波法、顯著性檢測(cè)法、遲滯閾值法和自編碼器檢測(cè)結(jié)果進(jìn)行比較，檢測(cè)出的絲餅缺陷的局部放大圖和對(duì)比結(jié)果如圖8(d)～(k)所示，檢測(cè)精確評(píng)估對(duì)比結(jié)果如表4所示。

表4 精確評(píng)估結(jié)果對(duì)比Tab.4 Comparison of accurate evaluation results

從表4可以看出，本文算法的精確率為98.44%、召回率為96.60%，調(diào)和平均數(shù)為97.51%，均遠(yuǎn)高于對(duì)比的方法，能夠準(zhǔn)確地檢測(cè)出真實(shí)缺陷，對(duì)絲餅缺陷具有較好的檢測(cè)效果，實(shí)現(xiàn)絲餅表面缺陷的精準(zhǔn)檢測(cè)。

4 結(jié) 論

結(jié)合工業(yè)實(shí)際，設(shè)計(jì)了一套絲餅圖像采集裝置，并提出了一種在梯度空間下的絲餅表面缺陷檢測(cè)方法，用來代替化纖生產(chǎn)中的人工檢測(cè)。首先在實(shí)時(shí)處理過程中，將采集的絲餅圖像轉(zhuǎn)換到梯度空間域；其次再計(jì)算絲餅圖像的信息熵和梯度能量，利用最大類間方差法確定閾值，分割出缺陷區(qū)域；最后形態(tài)學(xué)處理得到最終的絲餅表面缺陷的檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，采用該方法對(duì)絲餅表面缺陷進(jìn)行檢測(cè)，檢測(cè)準(zhǔn)確率高達(dá)98.85%，漏檢率為1.35%，單個(gè)絲餅的檢測(cè)時(shí)間約為5.087 s，滿足工廠對(duì)絲餅檢測(cè)準(zhǔn)確性和實(shí)時(shí)性的要求。本文方法不僅可以檢測(cè)出絲餅是否存在缺陷，降低漏檢率，而且可以較為精準(zhǔn)地檢測(cè)出缺陷區(qū)域，便于后續(xù)的缺陷統(tǒng)計(jì)，對(duì)化纖企業(yè)具有較高的工業(yè)推廣價(jià)值。

FZXB