基于HALCON 的織物質量檢測技術研究*

王慶海

(河南機電職業學院 機械工程系，河南 鄭州 451191)

0 引言

在生產實際中，玻璃纖維織物的質量檢測目前主要是人工目測完成，存在工人勞動強度大、檢測效率低、漏檢率高等問題。隨著機器視覺技術的出現和發展，利用機器視覺技術代替人眼進行織物的在線質量檢測已經成為國內外近幾年研究的熱點，如高曉丁等［1］設計了以4 片TMS320C62x 為數字圖像信息處理核心，由FPGA 實現系統控制互連的織物疵點自動檢測系統，張秋坤等［2］研究了基于單片機的光學檢測系統，實現了織物實時高效的自動瑕疵檢測。文獻［3-7］均搭建了基于機器視覺的織物實時檢測平臺。在織物缺陷的檢測算法上，出現了小波變換、傅里葉變換、Gabor 濾波、最優化FIR 濾波、灰色系統理論、形態學分水嶺離散正弦變換等許多智能的檢測方法［8-13］。在圖像處理手段上，陸趣趣等［14］給出了一種基于OpenCV 的織物疵點檢測方法，李建福等［15］采用Matlab 與VB 混合編程的方式進行了織物疵點的自動檢測。這些研究對玻璃纖維織物的在線質量檢測提供了參考，但是它們大都有針對性，還不能應用于玻璃纖維織物的生產實際，因此，研究基于機器視覺的玻璃纖維織物在線質量檢測技術具有重要的工程實際意義。

本研究采用機器視覺圖像處理軟件HALCON 對織物進行在線質量檢測，實現織物缺陷特征的提取和參數測量。筆者的研究為玻璃纖維織物提供高速、穩健的在線自動質量檢測方法。

1 玻璃纖維織物質量在線檢測系統

玻璃纖維織物是經編多軸向織物，是由一層或多層平行的紗線按照盡可能多的方向交錯而成的?？椢锞哂幸欢ǖ拿軐嵍群秃穸?，顏色一般為白色，生產時的質量缺陷主要為劈縫缺陷，在線生產速度為2 m/min，幅寬一般為2.5 m 左右，檢測精度要求為0.5 mm。

根據生產實際狀況，本研究搭建的玻璃纖維織物缺陷在線檢測系統平臺如圖1 所示。

圖1 基于機器視覺的織物質量檢測系統示意圖

由圖1 可以看出，相機、鏡頭和光源組成了檢測系統的圖像采集模塊。其中，相機在織機上的安裝位置有限，距織物的距離最大為700 mm，這使得相機的拍照視野受到一到的限制?？紤]成本問題，本研究采用全局曝光的面陣相機，每個相機的測量寬度設定為500 mm，根據織物的幅寬采用多相機工作，則相機芯片寬度方向分辨率為500/0.5=1 000 pixel，按照圖像4 ∶3的比例，芯片高度方向分辨率為750 pixel，因此選用千兆網接口MV-GE130GM 型工業相機(深圳邁德威視公司生產，分辨率為1 280 pixel×960 pixel)即可以滿足測量精度的要求。鏡頭選用日本Computar 公司的M0814-MP2 機器視覺鏡頭，焦距為8 mm，規格為2/3"，與所選用的相機相配。由于織物材料為白色的玻璃纖維絲，正面光照會使圖像反光，本研究把光源設置在織物下方，采用條形熒光燈進行背光照明。通過采用該圖像采集模塊可以獲得高對比度的圖像，當織物無缺陷時，圖像上沒有透光部分，無缺陷的玻璃纖維織物圖像如圖2 所示。當織物有缺陷時，織物缺陷部分將有亮光透過，缺陷將被清晰地勾勒出來，有劈縫缺陷的玻璃纖維織物圖像如圖3 所示。圖中高亮區域即為織物的劈縫缺陷。由此可見，本研究所搭建的檢測系統平臺形成了有利于圖像處理的成像效果，且具有結構簡單、成本較低的特點。

圖2 無缺陷的玻璃纖維織物圖像

圖3 有劈縫缺陷的玻璃纖維織物圖像

2 織物質量檢測中的關鍵技術

獲取圖像后，本研究采用HALCON 圖像處理軟件進行織物的質量檢測。由于織物具有一定的紋理特征，如果采用傳統的邊緣檢測方式進行缺陷檢測，紋理特征會影響到缺陷檢測結果，容易造成誤檢。分析圖2、圖3 可知，缺陷在圖像中具有相同灰度值，尋找出這些具有相同灰度值的像素構成的連通域(Blob 區域)即是缺陷特征，因此本研究提出采用Blob 分析法進行織物的缺陷檢測，檢測流程如圖4 所示。首先本研究對圖像進行平滑處理以消除噪聲干擾，然后對圖像進行圖像分割、形態學處理和特征提取，最后對提取的缺陷特征進行參數計算，求出圖像中缺陷的個數、發生的位置、尺寸等參數。

2.1 圖像平滑

圖4 織物的圖像處理過程

由于圖像采集過程中照明光線的方向、亮度、穩定性等影響，再加上柔性織物表面張緊程度不一致和上下抖動等因素，使本研究所采集圖像中含有噪聲;同時，織物具有一定的紋理特征，這些紋理特征也會影響織物缺陷的檢出率和準確性，因此，本研究也將織物的紋理假設為噪聲。為了減小噪聲干擾，提高缺陷的檢出率和檢測準確性，需要對圖像進行平滑處理。

織物圖像中的噪聲一般是高斯噪聲，紋理特征具有一定的周期性，也看作是周期干擾，因此本研究采用均值濾波器對圖像進行平滑處理，在HALCON 中利用mean_image 算子實現。對圖3 所示圖像進行均值濾波后的結果如圖5 所示?？梢钥闯?，均值濾波后的圖像有效地消除了噪聲信息，并模糊了紋理特征，為后續圖像分割處理的準確性提供了保證。

2.2 圖像分割

織物缺陷在黑色背景區域中顯示為高亮區域，為了檢測出這些高亮區域，必須進行圖像分割處理。圖像分割方法主要分為以下幾類:基于閾值的分割方法、基于區域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。其中，基于閾值的分割方法是運算效率較高的方法，也是目前最為常用的方法，它包括全局閾值法和局部閾值法兩種。全局閾值法指利用全局信息對整幅圖像求出最優分割閾值，局部閾值法是把原始的整幅圖像分為幾個小的子圖像，再對子圖像應用全局閾值法分別求出分割閾值。由于織物圖像的背景灰度幾乎一致，本研究采用全局閾值法進行圖像分割，在HALCON 中利用threshold 算子實現。其中分割的閾值采用統計直方圖法自動確定。對圖5 均值濾波后的圖像分割結果如圖6 所示?？梢钥闯?，圖像分割為目標像素(Blob 區域)和背景像素，劈縫缺陷較好地從圖像中分割出來。

圖5 對圖3 均值濾波后的圖像

2.3 形態學處理

由于分割區域中有許多雜點和小的突出物會導致計算錯誤，需要對分割的圖像進行形態學處理，去掉一些不必要的干擾。形態學處理以集合運算為基礎，腐蝕、膨脹、開操作、閉操作是所有形態學圖像處理的基礎。對織物圖像首先用opening_circle 算子進行開操作，去除缺陷目標區域周圍不必要的干擾，然后再用closing_circle 算子進行閉操作，將缺陷目標中斷開的縫隙閉合，以保證缺陷目標區域的完整性。

對分割后圖像進行開操作的結果如圖7 所示。比較圖6和圖7 可以看出，缺陷目標附近的一些小干擾被分離開了，同時消除掉了一些小的區域。

圖6 圖像分割后的圖像

2.4 特征提取

閾值分割后，圖像被分割為目標像素和背景像素，為了提取目標像素，需要進行連通性分析，以便將目標圖像聚合為目標像素的連接體。在Halcon 中用connection 算子實現連通域分析。對圖7 進行閉操作處理后的連通域圖像如圖8 所示?？梢钥闯?，圖像的各部分被分割成多個連通的區域，需要按特征選擇出所需的目標區域。

圖7 開操作后的圖像

在織物圖像中，目標區域的特征有紋理方向特征和區域的面積特征，可以根據這些特征采用select_shape 算子篩選出所需的目標區域。從圖8 中篩選出的紋理方向為－45°且連通域面積大于500 像素的目標區域如圖9 所示?？梢钥闯?，該目標區域即為所需的缺陷特征。

圖8 閉操作后的連通域圖像

圖9 提取的區域特征

2.5 特征參數計算

為了計算織物中缺陷的個數、位置和尺寸等參數，提取出缺陷特征后，本研究采用算子smallest_rectangle2 對提取的缺陷特征構造最小外接矩形，由最小外接矩形中心的X和Y 坐標值、矩形的傾斜角度、矩形的寬度和高度等參數，可計算出缺陷的特征參數。

對圖9 提取的缺陷特征構造最小外接矩形如圖10 所示。根據最小外接矩形的參數，圖中給出了缺陷的個數、缺陷的長度和寬度(單位為mm)。

圖10 缺陷特征的參數值

3 實驗及結果分析

為了驗證本研究所述檢測技術的適應性和通用性，筆者從現場選取了多幅圖像進行試驗。一種玻璃纖維織物樣品的檢測實例如圖11 所示，相機獲取的原始圖像如圖11(a)所示，采用前述的圖像處理技術檢測出的結果如圖11(b)所示。另一種玻璃纖維織物樣品的檢測實例如圖12 所示。

圖11 織物樣品的缺陷檢測實例一

圖12 織物樣品的缺陷檢測實例二

由圖10、圖11和圖12 可以看出:①當織物有缺陷時，圖像上將出現高亮區域，通過提取圖像中的高亮區域即可實現織物的缺陷檢測。②所選用的工業相機分辨率為1.3×106(1 280×960)像素，靶面尺寸為1/3"(W=4.8 mm，H=3.6 mm)，全局快門，拍照的圖像清晰且沒有拖影，滿足了工業生產的實際需要。③采用本研究所述檢測技術，不但可以進行織物是否有缺陷的識別，而且可以實現織物缺陷特征參數的測量，為后續的織物質量等級判別提供了依據。④經過多次實驗表明，從相機拍照到結果處理需要的時間為400 ms 左右，滿足了在線檢測的實時性要求。

4 結束語

本研究根據生產實際狀況搭建了基于機器視覺的玻璃纖維織物在線質量檢測平臺，平臺結構簡單，易于實現;所選擇的相機、鏡頭可以滿足玻璃纖維織物的檢測精度要求，且成本較低;設置的照明方式減少了織物材質對成像的影響，使圖像中的目標信息與背景信息得到了最佳的分離，形成了有利于圖像處理的成像效果。

在基于HALCON 的圖像處理模塊中，筆者采用Blob 分析法進行了缺陷特征的提取及參數的測量，簡單快速且結果穩健可靠。本研究對一些織物樣品進行了實例檢測，研究結果表明，筆者所提出的圖像處理方法具有較強的適應性和通用性，實時性好。因此，筆者的研究對改善玻璃纖維織物的在線質量檢測生產現狀提供了可靠的技術保證，同時筆者的研究也為其他類型織物的質量檢測提供了參考。

［1］高曉丁，左 賀.織物自動檢測系統設計與實現［J］.紡織學報，2007，28(12):127-130.

［2］張秋坤，鐘舜聰.織物瑕疵的實時光電檢測系統［J］.機電工程，2011，28(11):1324-1326.

［3］陳德裕，曹慶紅，蔣 俊，等.一種自動驗布機系統的設計與實現［J］.制造業自動化，2014，36(11):122-125.

［4］邵鑫玉，華繼釗.基于機器視覺的無紡布缺陷自動檢測系統［J］.計算機科學，2014，41(6A):487-489.

［5］李冠志，萬賢福，汪 軍，等.基于機器視覺的坯布疵點實時自動檢測平臺［J］.東華大學學報:自然科學版，2014，40(1):11-16.

［6］陳耀歡，任德均，鄧霖杰，等.基于機器視覺的糾偏檢測系統［J］.機電工程技術，2014(11):96-98.

［7］宋 勇，董 鐵，吳紀國.機器視覺非接觸測量系統在線校準及不確定度分析［J］.機械，2014(10)，76-79.

［8］Du-Ming Tsai，Ming-Chun Chen，Wei-Chen Li，et al.A fast regularity measure for surface defect detection［J］.Machine Vision and Applications，2012，23(5):869-886.

［9］ARIVAZHAGAN S，GANESAN L，BAMA S.Fault segmentation in fabric images using Gabor wavelet transform［J］.Machine Vision and Applications，2006，16(6):356-363.

［10］李 鑫，許增樸，于德敏，等.基于圖像能量的布匹瑕疵檢測方法［J］.計算機測量與控制，2008，16(9):1243-12450

［11］沈 晶，況曉靜，張 量.基于紋理增強分水嶺的織物瑕疵檢測新算法［J］.合肥工業大學學報:自然科學版，2014，37(7):812-817.

［12］朱俊嶺，汪 軍，張孝南.基于AR 模型的機織物線狀疵點研究［J］.紡織學報，2012，33(8):50-54.

［13］祝雙武，郝重陽.基于紋理周期性分析的織物疵點檢測方法［J］.計算機工程與應用，2012，48(21):63-166.

［14］陸趣趣，陳傳克，徐曉龍，等.一種基于OpenCV 的織物疵點檢測方法［J］.絲綢，2010(4):38-41.

［15］李建福，汪黎明.Matlab 與VB 混合編程在織物疵點自動檢測的應用［J］.現代紡織技術，2008(4):1-4.