鐘飛，趙子丹，夏軍勇，黃露

基于機器視覺的編織袋表面缺陷檢測系統(tǒng)設計與實現(xiàn)

鐘飛，趙子丹，夏軍勇，黃露

（湖北工業(yè)大學 機械工程學院，武漢 430068）

針對編織袋生產中表面缺陷檢測效率和精度低等問題，應用機器視覺技術于編織袋表面缺陷檢測，進而提高編織袋的生產效率。基于機器視覺設計編織袋表面缺陷檢測系統(tǒng)：首先為了降低背景灰度變化對缺陷檢測的影響，研究一種同時具有噪聲濾除與圖像增強功能的預處理算法；其次選取二維最大熵值法對預處理后的編織袋圖進行分割，并采用改進遺傳算法對它進行優(yōu)化以增強算法的收斂速度和效果；然后利用特征提取結合形態(tài)學處理的方法實現(xiàn)了編織袋表面缺陷的識別與分類；最后應用連通域進行分析，對分類出的缺陷進行統(tǒng)計與定位以獲取缺陷的尺寸以及位置信息。采集了200個編織袋缺陷樣本，采用文中編織袋表面缺陷檢測系統(tǒng)對編織袋樣本進行缺陷識別，平均識別準確率為94.0%，處理一幅編織袋圖像的時間約為600 ms。該系統(tǒng)具有較高的識別效率和正確率，可實現(xiàn)編織袋表面缺陷的快速檢測，滿足工業(yè)生產的需求。

機器視覺；編織袋缺陷；改進遺傳算法；二維最大熵；缺陷識別

編織袋原料在自動生產線傳輸過程中由于生產工藝、人工操作失誤或者機械故障等因素，表面難免會出現(xiàn)褶皺、拉絲、小拉絲、孔洞以及污點等質量缺陷，極大地影響了編織袋的品質和美觀，對編織袋表面進行缺陷檢測已經成為編織袋制造中不可缺少的一個重要環(huán)節(jié)[1-2]。

編織袋由塑料絲編織而成，具有與其他織物相似的紋理特征[3]，因此對編織袋進行缺陷檢測可以借鑒其他織物的檢測方法。近年來學者對織品在線缺陷檢測提出很多切實可行的檢測方法。嚴偉等[4]針對絲綢等織物的缺陷檢測，提出了一種BP神經網絡與SAE神經網絡相結合的織物缺陷檢測以及識別的方法。逢鵬等[5]提出了一種基于神經網絡結合不變矩的織物非結構化畸變缺陷的檢測方法。肖俊明等[6]提出了一種基于局部自適應閾值的織物缺陷檢測方法。?elik等[7]研制了一種便攜式織物檢查機，該設備能自動實現(xiàn)織物檢測和缺陷分類。Ali等[8]提出了一種新的利用局部同質性和神經網絡的織物缺陷檢測方法。袁端磊等[9]建立了一種基于Gabor濾波器的織物缺陷自動檢測方法。這些方法由于缺陷之間特征差異較大，自適應檢測缺陷結果欠佳。

針對上述問題，文中結合實際采集缺陷圖像的特點，開發(fā)一種編織袋表面缺陷檢測系統(tǒng)，精確、高效地檢測出編織袋缺陷。利用預處理方法增強編織袋圖像；對遺傳算法進行改進，并利用改進的遺傳算法[10-11]對二維最大熵值法[12-13]進行優(yōu)化，以提高缺陷的分割精度和效率；通過特征提取與數(shù)學形態(tài)學[14-15]相結合的方法對編織袋表面缺陷進行識別與分類；對分類的缺陷進行統(tǒng)計與定位。

1 編織袋表面缺陷檢測系統(tǒng)

編織袋表面缺陷檢測系統(tǒng)建立在機器視覺與圖像處理相結合的基礎上，實現(xiàn)編織袋圖像的自動在線采集與圖像處理，編織袋缺陷的分類與識別。系統(tǒng)包括采集圖像模塊、控制與通訊模塊、圖像處理與分析模塊和人機交互模塊。采集圖像模塊由鏡頭、工業(yè)相機、光源等設備構成?？刂撇糠钟|發(fā)相機采集編織袋圖像，通過光學鏡頭將待測編織袋成像在CMOS面陣黑白相機感光芯片的光敏面，圖像處理與分析模塊將采集的圖像進行預處理、圖像分割、缺陷分類與識別、定位與統(tǒng)計。人機交互模塊具有調整參數(shù)設置、結果輸出與顯示、參數(shù)保存與圖像顯示等功能。

2 圖像處理

編織袋生產線所處的環(huán)境惡劣，采集圖像的質量差，背景灰度起伏大，噪聲和細微結構干擾多，因此，需要先對采集的圖像進行預處理以抑制圖像的噪聲和背景紋理；然后利用圖像分割獲取目標區(qū)域。

2.1 圖像預處理

針對編織袋圖像灰度不均勻、噪聲大的特點，通過圖像預處理來消除圖像的噪聲和細微的結構干擾，突出感興趣區(qū)域的結構特征。先對圖像進行濾波，減少圖像的噪聲和孤立的像素點，再將原圖與濾波圖進行差分運算以抑制圖像的背景紋理，通過灰度線性變換增強差分圖中的缺陷區(qū)域。

平滑濾波能夠減少圖像中的高頻分量，同時對低頻分量不產生影響。高頻分量對應圖像中邊緣或灰度值變化較大的區(qū)域，消除這些分量可減少局部灰度起伏、噪聲和細小結構元素等干擾，圖像將變得更加平滑。常見的平滑濾波有均值濾波、高斯濾波、中值濾波。

編織袋原料主要存在褶皺、拉絲、小拉絲、孔洞和污點等質量缺陷，拉絲經均值濾波、中值濾波、高斯濾波后的效果見圖1，由濾波效果圖可以看出，均值濾波器、中值濾波器和高斯濾波器等均能有效消除拉絲圖中的噪聲。在實際應用中，應根據圖像的噪聲特點和期望獲得的濾波效果，綜合選取圖像濾波器。從圖1b可以看出，均值濾波導致拉絲圖中的部分缺陷信息丟失，圖像的邊緣以及缺陷結構變得模糊；從圖1c可以看出，中值濾波導致拉絲圖中的缺陷信息失真，部分結構元素消失；從圖1d可以看出，高斯濾波能夠較好地保留拉絲圖中的缺陷信息。為客觀評價3種濾波方法對缺陷圖的濾波效果，引入峰值信噪比（PSNR）[16]和濾波器運行時間作為評價標準，信噪比值越大濾波效果越優(yōu)，3幅濾波圖的峰值信噪比值見表1。

圖1 濾波效果

表1 各濾波算法效果對比

Tab.1 Comparison of effect of each filtering algorithm

由表1可知，高斯濾波圖的峰值信噪比為28.577 8 dB，明顯高于均值濾波和中值濾波的峰值信噪比。對上述3種濾波算法的運行速度進行比較，統(tǒng)計每種算法處理相同編織袋圖20次的平均時間，數(shù)據見表1。高斯濾波的平均運行時間為7.85 ms，均值濾波的平均運行時間為4.88 ms，兩者的平均運行時間接近，遠小于中值濾波的平均運行時間。綜合考慮濾波效果和運行效率，最終選取高斯濾波器對編織袋圖進行濾波去噪。

圖像差分運算是將2幅圖像對應像素的灰度值相減，因此，可以利用差分運算來削弱圖像的相似部分。設2幅圖像灰度值分別為、，則差分運算的定義為：

(1)

圖像灰度線性變換就是將圖像中所有像素點的灰度值以線性形式進行變換，其定義為：

(2)

式中：L為線性變換函數(shù)；、分別為原始圖像和灰度線性變換后圖像的灰度值。對圖1d依次進行差分運算和灰度線性變換，結果見圖2。

移栽之前要想盡一切辦法切實提高種植地的耕地質量，要盡量做到水田平而泥不爛，為實現(xiàn)淺水插秧以及濕潤水漿管理創(chuàng)造良好條件。在移栽之前，首先向田內灌入淺水，沉淀一夜后移栽幼苗。水稻移栽過程中，要嚴格按照水稻精確定量栽培技術中的基本苗定量以及植株科學配置要求，實行清水、拉線、淺條栽，插秧深度一般控制在2 cm，以保證插秧好，秧苗不倒為宜。低海拔雜交水稻種植區(qū)基本苗每畝控制在1萬叢，每叢栽植1棵秧苗。中海拔地區(qū)每畝基本苗維持在2萬叢，每叢栽植1棵幼苗。高海拔地區(qū)，每畝基本苗維持在2.0-3.3萬叢，每叢栽植2株幼苗[1]。

圖2 預處理效果

Fig.2 Pretreatment effect

圖1d經過差分運算與灰度線性變換后，目標與背景的對比度明顯增強，且抑制了背景灰度的變化。

2.2 基于改進遺傳算法的圖像分割方法

圖像分割將預處理后的圖像按照顏色、紋理、形狀和灰度等特征分割成目標區(qū)域和背景區(qū)域，采取一種基于改進遺傳算法的二維最大熵閾值法對圖像進行分割處理。二維最大熵值法對像素本身和鄰域灰度信息進行了同步統(tǒng)計，比一維最大熵值法具有更好抗噪性能和分割圖像效果。二維最大熵法的作用是求出灰度直方圖中最大熵的閾值，通過遺傳算法提高閾值搜索的效率，快速、精確地完成對編織袋缺陷圖的圖像分割。

(3)

式中：為像素點數(shù)量；P,n為灰度二元組（,）在缺陷圖中出現(xiàn)的概率。

如圖3所示，選取閾值（,），將投影圖分成1、2、3、4等4個部分，分別為目標、背景、邊界和噪聲，則（,）出現(xiàn)在1與2的概率分別為1和2。

(4)

(5)

圖3 二維灰度直方圖的投影

Fig.3 Projection of two-dimensional gray histogram

目標區(qū)域1和背景區(qū)域2對應的熵1和2分別為：

(6)

(7)

因邊界區(qū)域3和噪聲區(qū)域4的占比極小，故編織袋缺陷圖的二維熵函數(shù)（,）定義為：

(8)

熵函數(shù)值最大時的最優(yōu)閾值（*,*）為：

(9)

遺傳算法對二維灰度圖在尋找最佳閾值時存在易早熟收斂且耗時較長的缺陷，從而使二維最大熵值法分割圖像的準確性和效率下降。針對這個問題，提出一種基于改進遺傳算法的圖像分割算法。通過對遺傳算法的選擇、交叉和變異3種遺傳算子的參數(shù)進行優(yōu)化，減少了搜索時間，改善了收斂性。改進的遺傳算法如下。

1）初始化種群。隨機生成一組均勻分布的種群，種群數(shù)為20。

2）編碼。采用16位二進制編碼，前8位為原圖閾值，后8位為平滑處理后的圖像閾值。

3）選取式（8）作為適應度函數(shù)。

4）優(yōu)化選擇。對種群個體進行適應度計算，將種群內適應度前15%的個體留作子代，其余個體采用輪盤賭法輸出。

5）優(yōu)化交叉。當交叉概率c取較小值時，算法前期易陷入局部最優(yōu)解。當c取較大值時，算法后期會加大對最優(yōu)個體的破壞。為確保算法前期有更強的全局尋優(yōu)能力，后期能保留最優(yōu)個體，c在閾值搜索前期取0.9、搜索后期取0.6。

6）優(yōu)化變異。變異概率m的取值隨分段函數(shù)的中的變化而變化，以增強局部搜索能力，從而避免過早陷入局部最優(yōu)解。

(10)

式中：為搜索代數(shù)，∈[1,100]。如圖4所示，變異分為3個階段，算法前期為確保最優(yōu)個體不被破壞，m取0.02；算法中期為提高個體更新速度和搜索范圍，m取0.1；算法后期為加速收斂進程，m取0.02?？紤]到每個階段m取值具有連續(xù)性，為保證搜索過程的平穩(wěn)進行，算法中期m取值按拋物線方式改變，銜接前期與后期的概率值。

7）終止條件。當算法達到最大搜索代數(shù)或子代群體與父代群體的平均適應度值的絕對值差小于0.03時，算法終止。

經過優(yōu)化后，遺傳算法前期的個體更新速度快，閾值搜索的性能得到提升，算法后期最優(yōu)個體得到保留，降低了獲得局部閾值的概率。

文中方法結合二維最大熵值法和改進遺傳算法，利用改進遺傳算法計算速度快，收斂性強等優(yōu)點克服了二維最大熵值方法計算復雜度大的缺點，從而達到了準確、高效分割編織袋圖的目的。

圖4 變異概率取值曲線

為體現(xiàn)結合改進遺傳算法的二維最大熵法的分割精度，利用一維最大熵值法、結合一般遺傳算法的二維最大熵值法和結合改進遺傳算法的二維最大熵值法依次對編織袋圖進行分割，分割的結果見圖5。

為體現(xiàn)算法的性能，引入IOU系數(shù)作為度量指標，見式（11），IOU值越大，算法分割精度越高。

(11)

式中：為手工標記缺陷區(qū)域；為算法分割缺陷區(qū)域。

分割精度對比見表2，其中IOU系數(shù)取20組試驗結果的平均值。一維最大熵值法對褶皺和污點的IOU值為0.112和0.357，分割效果差，不能較好地保留缺陷信息；結合一般遺傳算法的二維最大熵法可有效分割出缺陷的主體信息，但分割精度稍低；結合改進遺傳算法的二維最大熵值法在各類缺陷的評價指標上均有較好體現(xiàn)，對復雜缺陷（褶皺）的分割質量明顯要優(yōu)于其他2種方法，IOU值均在0.899以上，表現(xiàn)出了文中算法對編織袋表面缺陷圖像分割的優(yōu)勢。

為體現(xiàn)結合改進遺傳算法的二維最大熵值法的分割效率，比較各算法分割相同編織袋圖所需的時間。遺傳算法處理圖像信息時具有隨機性，統(tǒng)計了各方法對同一編織袋圖像分割20次所消耗的平均時間，實驗數(shù)據見表3。由表3可知，結合改進遺傳算法的二維最大熵值法的閾值搜索性能要優(yōu)于一維最大熵值法和結合一般遺傳算法優(yōu)化的二維最大熵值法。

2.3 缺陷分類與識別

拉絲缺陷存在結構元素分散的問題，不利于提取圖像特征。如果對拉絲缺陷進行形態(tài)學閉運算以提取圖像特征，將會改變其他4種缺陷的結構特征。文中通過特征提取結合形態(tài)學的方法，較好地解決了編織袋常見缺陷的識別問題，分類方法流程見圖6。

圖5 各種算法的分割結果

表2 各種算法分割精度（IOU值）對比

Tab.2 Comparison of segmentation accuracy (IOU value) of various algorithms

表3 各種算法分割耗時對比

Tab.3 Comparison of segmentation time of various algorithms

圖6 缺陷識別流程

2.3.1 編織袋表面缺陷特征提取

圖像特征提取的本質是將像素點的位置分布和灰度特性量化，使圖像特征能夠被一般數(shù)字所描述。在目標識別中，應用較多的圖像特征有背景紋理、顏色、灰度和幾何形狀。其中，灰度、幾何形狀等圖像特征描述編織袋表面缺陷的性能最優(yōu)，因此選用灰度、幾何形狀作為編織袋表面缺陷的描述因子。缺陷的灰度、幾何形狀等特征參數(shù)可以通過連通域分析獲取。連通域指二值圖中位置相鄰且像素值相同的像素點構成的區(qū)域。連通域分析就是找出圖中的連通域，并對連通域進行標記。通過對編織袋二值圖進行標記，將位置相鄰且像素值相同的缺陷像素點進行合并，形成Blob連通域，進而提取缺陷連通域的特征參數(shù)。文中采用8鄰接連通域對編織袋二值圖進行標記，提取的缺陷特征如下。

1）區(qū)域面積。區(qū)域面積是指區(qū)域中所有目標像素點的集合。設r表示區(qū)域面積，a表示目標區(qū)域，（,）為區(qū)域a中任意像素點的坐標，為積分變量，則區(qū)域面積的定義為：

(12)

2）周長。區(qū)域的周長指圍繞目標區(qū)域的外邊界長度。設e表示區(qū)域周長，p表示邊界，則區(qū)域周長的定義為：

(13)

3）圓形度。目標區(qū)域的圓形度表征的是形狀近似于圓的程度，圓形度越接近1，說明目標形狀越近似圓形。設t表示區(qū)域的圓形度，則圓形度的定義為：

(14)

4）長短徑比。長徑指與目標區(qū)域具有相同二階中心矩的橢圓長軸長度，短徑指與目標區(qū)域具有相同二階中心矩的橢圓短軸長度。設r表示長徑與短徑的比值，1表示目標區(qū)域的長徑，2表示短徑，則長徑與短徑的比值可定義為：

(15)

5）灰度均值?；叶染凳侵竻^(qū)域中所有目標像素點灰度值的平均值。設e表示灰度均值，r表示任意像素點的灰度值，則灰度均值的定義為：

(16)

上述特征值（區(qū)域面積、圓形度、長短徑比、灰度均值）均能描述缺陷的不同特點，但表征缺陷的性能不一致。隨機選取含有褶皺、拉絲、小拉絲、孔洞和污點的樣本圖片各20張，對圖片依次進行預處理、閾值分割、形態(tài)學處理和連通域標記，提取目標的區(qū)域面積、圓形度、長短徑比、灰度均值等特征，統(tǒng)計的結果見圖7。

從圖7b—c可以看出，褶皺的長短徑比值r大于50，遠高于其他缺陷，同時其圓形度t低于0.01，小于其他缺陷的圓形度。從圖7b—c可以看出，小拉絲的長短徑比值r大于10小于30，高于拉絲、孔洞和污點的長短徑比值，同時小拉絲圓形度t大于0.01小于0.1，低于孔洞和污點的圓形度。圖7b—c中拉絲的長短徑比值r小于10，其長短徑比值r與孔洞和污點的相近，同時其圓形度t與小拉絲的相近；圖7b—d中孔洞的圓形度t大于0.3，高于褶皺、拉絲和小拉絲的圓形度，同時其灰度均值e大于225，遠高于其他缺陷的。從圖7a—b可以看出，污點的圓形度t與孔洞的相近，兩者皆大于0.3，但是污點的區(qū)域面積r要低于孔洞的。污點會遮擋光源發(fā)出的光線，透光性弱，像素點的灰度值較小。編織袋分割圖中存在一些由絲線起球或者絲線縫隙產生的結構元素，結構元素的區(qū)域面積與污點的接近，因此只能通過灰度均值特征將污點篩選出來。將編織袋缺陷與其特征之間的匹配關系進行歸納，建立缺陷類型與區(qū)域面積、圓形度、長短徑比值、灰度均值等特征值的匹配表，見表4。

圖7 缺陷的圖像特征值

表4 特征值匹配

Tab.4 Eigenvalues matching

2.3.2 編織袋表面缺陷分類與識別

從圖6可以看出，算法先對褶皺缺陷進行識別，利用長短徑比值r＞50、區(qū)域面積r≥500組成的特征子集將褶皺從二值圖中檢測出來。然后篩選拉絲和小拉絲缺陷，在分類之前，利用像素為7×7的矩形結構元素對二值圖進行形態(tài)學閉運算，將斷開的拉絲、小拉絲連接起來，接著利用圓形度0.01＜t＜0.15、區(qū)域面積r≥500組成的特征子集將拉絲和小拉絲缺陷從二值圖中篩選出來。拉絲缺陷的長短徑比值r小于小拉絲缺陷，因此可以通過長短徑比值r將拉絲與小拉絲區(qū)分開來。隨后對孔洞缺陷進行識別，在分類之前，利用像素為18×18的圓盤型結構元素對二值圖進行閉運算，接著通過圓形度t＞0.3、區(qū)域面積r≥500組成的特征子集將孔洞缺陷檢測出來。最后對污點進行識別，由于污點的灰度均值低于絲線起球或者絲線縫隙產生的結構元素，因此利用灰度均值e＜40，區(qū)域面積r≥100（小面積的污點缺陷不影響編織袋的質量）組成的特征子集將二值圖中的污點缺陷篩選出來。圖8為識別出的褶皺、拉絲、小拉絲、孔洞以及污點等質量缺陷。

3 實驗與結果分析

系統(tǒng)實驗選取Windows 10操作系統(tǒng)、Visual Studio 2013平臺和開源的Opencv2.4.10 計算機視覺庫，算法編寫語言為C++。編織袋類型為聚丙烯塑料袋，編織袋尺寸為1080 mm×600 mm，傳輸速度為1.8 m/s。編織袋原料由上料機構傳輸至檢測區(qū)域，相機控制裝置觸發(fā)相機拍照，采集編織袋圖像；使用缺陷檢測算法對圖像進行處理，獲取缺陷的類型、尺寸和位置等信息；工控機將檢測信息發(fā)送給昆侖通態(tài)觸摸屏，即完成一次編織袋缺陷檢測過程。編織袋缺陷檢測系統(tǒng)見圖9。

系統(tǒng)對缺陷樣本進行分類試驗，每類缺陷各選取40個樣本，組成分類試驗樣本集，結果見表5。

從表5中數(shù)據可以看出，系統(tǒng)對拉絲缺陷的誤識數(shù)量為4個，識別的準確率為90.0%，低于其他缺陷，原因是部分拉絲缺陷的結構元素斷開，系統(tǒng)將它誤識為小拉絲缺陷。系統(tǒng)對各類缺陷的平均識別準確率為94.0%，滿足缺陷分類的設計要求。

編織袋缺陷檢測系統(tǒng)參見圖9，系統(tǒng)處理拉絲缺陷圖像的時間在1 s以內。在正常工作情況下，檢測系統(tǒng)處理一幅編織袋圖像的時間約為600 ms，而人工檢測一張編織袋所需的時間最少為3 s，表明該系統(tǒng)對編織袋表面缺陷具有較高的識別效率。

圖8 缺陷的分類結果

圖9 編織袋缺陷檢測系統(tǒng)

表5 各類缺陷的識別率

Tab.5 Identification rate of various defects

4 結語

文中對編織袋表面缺陷視覺檢測系統(tǒng)展開研究，通過搭建編織袋缺陷檢測系統(tǒng)，對某廠復合編織袋生產過程中產生的缺陷進行在線檢測和識別，達到了良好的效果，研究結果如下。

1）利用高斯濾波、差分運算和灰度線性變換的組合算法對編織袋圖進行預處理以抑制圖像的噪聲和背景紋理。選取二維最大熵值法對編織袋圖進行分割，并利用改進遺傳算法對其進行尋優(yōu)，進而提高算法的分割精度和效率。相較于結合一般遺傳算法的二維最大熵法，結合改進遺傳算法的二維最大熵值法分割速度更快，平均分割時間縮短了10.09%。

2）對特征提取、分類和識別的算法進行了研究。利用連通域標記提取編織袋表面缺陷的圖像特征，選取能明顯區(qū)分缺陷且互不關聯(lián)的特征組成特征子集；利用該子集將編織袋表面缺陷逐一識別出來，滿足缺陷檢測算法的設計要求。通過實驗驗證，文中提出的算法能夠對褶皺、拉絲、小拉絲、孔洞和污點等缺陷進行有效識別。

3）對編織袋表面缺陷檢測系統(tǒng)識別缺陷的性能進行驗證。采集實驗所需的編織袋樣本，利用編織袋表面缺陷檢測系統(tǒng)對樣本進行識別與分類。實驗結果表明，缺陷檢測系統(tǒng)對各類缺陷的平均識別準確率為94.0%，且識別缺陷所需的時間約為600 ms。

[1] 凌飛. 編織袋缺陷視覺檢測系統(tǒng)開發(fā)[D]. 廣州: 廣東工業(yè)大學, 2017: 1-5.

LING Fei. Development of Visual Inspection System for Woven Bag Defects[D]. Guangzhou: Guangdong University of Technology, 2017: 1-5.

[2] 李紀峰. 基于機器視覺的玻璃纖維布缺陷檢測技術研究[D]. 鄭州: 鄭州大學, 2017: 1-5.

LI Ji-feng. Research on the Key Technology of Defect Detection for the Glass Fiber Cloth Base on Machine Vision[D]. Zhengzhou: Zhengzhou University, 2017: 1-5.

[3] 馬浩, 景軍鋒, 蘇澤斌, 等. 基于LBP和HOG特征的圖案織物缺陷檢測[J]. 電子測量與儀器學報, 2018, 32(4): 95-102.

MA Hao, JING Jun-feng, SU Ze-bin, et al. Patterned Fabric Defect Detection Based on LBP and HOG Feature[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(4): 95-102.

[4] 嚴偉, 楊朔. BP和SAE深度神經網絡方法的織物缺陷檢測研究[J]. 智能物聯(lián)技術, 2018, 1(3): 25-31.

YAN Wei, YANG Shuo. Research on Fabric Defect Detection Based on BP and SAE Deep Neural Network[J]. Technology of IoT & AI, 2018, 1(3): 25-31.

[5] 逄鵬, 向洪波, 魏喜雯, 等. 基于不變矩與神經網絡的織物缺陷檢測研究[J]. 針織工業(yè), 2015(11): 69-72.

PANG Peng, XIANG Hong-bo, WEI Xi-wen, et al. Research of Fabric Defect Detection Based on Invariant Moments and Neural Network[J]. Knitting Industries, 2015(11): 69-72.

[6] 肖俊明, 彭喜英. 基于機器視覺的圖像分割算法的研究[J]. 中原工學院學報, 2008, 19(1): 1-3.

XIAO Jun-ming, PENG Xi-ying. Study on Image Segmentation Based on the Machine Vision[J]. Journal of Zhongyuan University of Technology, 2008, 19(1): 1-3.

[7] ?ELIK H ?, DüLGER L C, TOPALBEKIRO?LU M. Development of a Machine Vision System: Real-Time Fabric Defect Detection and Classification with Neural Networks[J]. The Journal of the Textile Institute, 2014, 105(6): 575-585.

[8] REBHI A, BENMHAMMED I, ABID S, et al. Fabric Defect Detection Using Local Homogeneity Analysis and Neural Network[J]. Journal of Photonics, 2015, 2015: 1-9.

[9] 袁端磊, 宋寅卯. 基于最優(yōu)Gabor濾波器的織物缺陷檢測[J]. 中國圖象圖形學報, 2006, 11(7): 954-958.

YUAN Duan-lei, SONG Yin-mao. Fabric Defect Detection Based on Optimal Gabor Filters[J]. Journal of Image and Graphics, 2006, 11(7): 954-958.

[10] 安霆. 基于遺傳算法的圖像分割處理技術研究[J]. 電子技術應用, 2019, 45(10): 92-95.

AN Ting. Research on Image Segmentation Technology Based on Genetic Algorithms[J]. Application of Electronic Technique, 2019, 45(10): 92-95.

[11] AALI S N, BAGHERZADEH N. Divisible Load Scheduling of Image Processing Applications on the Heterogeneous Star and Tree Networks Using a New Genetic Algorithm[J]. Concurrency and Computation: Practice and Experience, 2020, 32(10): 1-15.

[12] 李鋒, 闞建霞. 基于Sobel算子的圖像快速二維最大熵閾值分割算法[J]. 計算機科學, 2015, 42(S1): 209-210.

LI Feng, KAN Jian-xia. Fast Two-Dimensional Maximum Entropy Threshold Segmentation Method Based on Sobel Operator[J]. Computer Science, 2015, 42(S1): 209-210.

[13] JOE A J R, RAMA N. Advanced Medical Image Compression with 2-D Maximum Entropy Method and Hybrid Compression Concepts[J]. Indian Journal of Innovations and Developments, 2016, 5(8): 1-7.

[14] 秦志新. 計算機技術在圖像形態(tài)學處理中的應用探討[J]. 普洱學院學報, 2019, 35(6): 24-26.

QIN Zhi-xin. A Probe into the Application of Computer Technology in Processing Image Morphology[J]. Journal of Puer University, 2019, 35(6): 24-26.

[15] ZAWISZEWSKI A, LAKA I. Bilinguals Processing Noun Morphology: Evidence for the Language Distance Hypothesis from Event-Related Potentials[J]. Journal of Neurolinguistics, 2020, 55: 1-19.

[16] 范娟, 陳爽. 一種圖像濾波算法濾波效果評價方法[J]. 科技經濟導刊, 2019, 27(24): 17.

FAN Juan, CHEN Shuang. A Filtering Effect Evaluation Method of Image Filtering Algorithm[J]. Technology and Economic Guide, 2019, 27(24): 17.

Design and Implementation of Woven Bag Surface Defect Detection System Based on Machine Vision

ZHONG Fei, ZHAO Zi-dan, XIA Jun-yong, HUANG Lu

(School of Mechanical Engineering, Hubei University of Technology, Wuhan 430068, China)

The work aims to apply machine vision technology to the surface defect detection of woven bags to solve the low efficiency and low accuracy of surface defect detection in the production of woven bags, and thus improve the production efficiency of woven bags. A surface defect detection system of woven bags was designed based on machine vision: Firstly, in order to reduce the effects of background gray changes on defect detection, a preprocessing algorithm with both noise filtering and image enhancement functions was studied. Secondly, the two-dimensional maximum entropy method was selected to segment the preprocessed woven bag map, and the improved genetic algorithm was used to optimize it to enhance the convergence speed and effect of the algorithm. Then, the recognition and classification of surface defects of woven bags were realized by feature extraction combined with morphological processing. Finally, the connected domain analysis was applied to count and locate the classified defects to obtain the size and location information of the defects. 200 defect samples of woven bag were collected, and the surface defect detection system of woven bags in this paper was used to identify defects of woven bag samples. The average recognition accuracy was 94.0%, and the processing time of an image of woven bag was about 600 ms. The system has high recognition efficiency and accuracy, and can realize rapid detection of surface defects of woven bags and meet the needs of industrial production.

machine vision; woven bag defects; improved genetic algorithm; two-dimensional maximum entropy; defect identification

TP391

A

1001-3563(2022)13-0247-10

10.19554/j.cnki.1001-3563.2022.13.032

2021?08?11

湖北省技術創(chuàng)新專項（2018AAA026）；湖北工業(yè)大學博士啟動基金（BSQD2017001）

鐘飛（1970—），男，博士，湖北工業(yè)大學教授，主要研究方向為智能輕工裝備。

責任編輯：曾鈺嬋