基于灰度共生矩陣的紡織品瑕疵識別算法

吳亞新

摘要：提出了一種利用灰度共生矩陣對紡織品瑕疵進行識別的方法。首先構建紡織品圖像的灰度共生矩陣，提取逆差矩和相關性特征，討論了步長和角度對分類的影響，確定了最佳的參數，采用最近鄰分類器在1391幅圖像上進行實驗，最終分類準確率為95.36%，表明該方法能有效地將瑕疵樣本和正常樣本分開。

關鍵詞：紡織品圖像；灰度共生矩陣；識別算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2017）28-0204-02

棉紡織工業是我國國民經濟的傳統支柱產業和重要的民生產業，也是國際競爭優勢明顯的產業。在繁榮市場、擴大出口、吸納就業、增加農民收入、促進城鎮化發展等方面發揮著重要作用，紡織品瑕疵檢測是紡織品質量控制的重要環節，既影響價格，又影響在國際市場的競爭力，還關乎國家相關企業信譽度。目前我國紡織品瑕疵仍依靠人工檢測。人工驗布有很多缺陷：一方面，人眼能保持高度集中的時間僅有15分鐘左右。因而，長時間枯燥的驗布工作導致誤檢、漏檢率較高。另一方面，驗布車間工作環境中惡劣，高溫，噪聲，棉塵對驗布工人的健康傷害很大。

隨著高性能計算機成本越來越低、計算能力越來越強，同時機器學習技術的發展，越來越多的圖像識別算法被開發出來，使得自動識別瑕疵能為工業應用成為可能。采用機器學習方法解決問題，主要包括數據預處理、特征提取與分類器設計三個階段，而特征提取環節是整個識別系統的關鍵，決定問題的成敗。本文選取了灰度共生矩陣特征，最近鄰分類器設計了瑕疵識別算法，并將所設計的算法在平紋、斜紋白坯布圖像上進行了實驗。

1 實驗數據的準備

論文選擇了斜紋白坯布作為研究對象，圖像采集自安慶華茂集團有限公司。實際采集的紡織品圖像為彩色圖像，將采集的原始圖像轉變為灰度圖像，并裁減成128*128的大小，構建成實驗數據集。論文共得到1391幅實驗圖像。其中正常圖像681幅，異常圖像710幅。部分實驗樣本如圖1所示，其中第一排為正常的樣本，第二排第三排為瑕疵樣本。

2 灰度共生矩陣特征提取方法基本原理

論文采用灰度共生矩陣（GLCM）特征提取方法?；叶裙采仃囀且环N經典的圖像紋理特征[1，4]，通過灰度空間的相關特性來描述紋理，常被應用于各類紋理的分析中，在紡織品分析與檢測中的應用也非常廣泛[2-3]?；叶裙采仃嚱y計距離為d，角度為?的點對出現的次數，圖2顯示了距離為1，?=0時灰度共生矩陣的構造過程。圖2中左側為原始圖像，右側為對應的灰度共生矩陣。

3 仿真實驗

論文分別計算了0度，90度兩個方向的灰度共生矩陣，每個方向計算6個步長，分別為1，2，3，4，5，6. 對于每一幅圖像，提取其灰度共生矩陣的相關性和逆差矩作為該圖像的特征向量。下面分別討論步長和角度對識別率的影響。

3.1 步長對識別結果的影響

首先討論步長對識別效果的影響，此時，角度為90度，分別選擇了6個步長構建灰度共生矩陣，提取逆差矩和相關性特征，實驗結果如圖3所示。其中藍色點為正常樣本，紅色點為瑕疵樣本。從圖中可以看出，當步長較小時，相關性和逆差矩具有一定的線性相關性，分類效果不是很好。當步長增加時，二者之間的相關性減弱，當步長為6時，正常樣本分布比較集中，正常樣本和瑕疵樣本區別明顯。

3.2 角度對分類效果的影響

角度是構造灰度共生矩陣的另一個重要參數。圖4給出了步長為6時，角度對分類效果的影響。從圖4可以看出，當?=0時，正常樣本和瑕疵樣本重疊區域較大，很難區分。而當角度為90度時，正常樣本和瑕疵樣本區分明顯。

3.3 實驗結果

通過前面的分析，可以得出角度步長為6，?=90時，分類效果較好。因此，論文最終選擇步長為6，?=90度，構建灰度共生矩陣，提取相關性和逆差矩特征，采用最近鄰分類器進行分類。實驗的數據集表1所示：

實驗結果的分辨矩陣如表2所示：

從表1和表2可以看出，測試集樣本總數為604個，分類正確數量為576，分類準確率為95.36%。

4 結論

論文采用共生矩陣法識別紡織品瑕疵圖像。構建紡織品圖像的灰度共生矩陣，提取共生矩陣的相關性和逆差矩特征，討論了步長參數和角度參數對識別效果的影響，選擇最佳參數，在1391幅紡織品圖像上進行了實驗，實驗結果表明，所選用的相關性特征和逆差矩特征能較好的將正常樣本和瑕疵樣本分類，分類準確率達到了95.36.

論文中的分類器采用了最簡單的最近鄰分類器。由于最近鄰分類器容易受到噪聲的影響，因此實際應用中，需要先對圖像進行濾波處理。

參考文獻：

[1] Haralick R M.Statistical and structural approaches to texture[J.Proceedings of the IEEE，1979，67（ 5）：786-804.

[2] 陳麗麗.基于灰度共生矩陣的毛料褲子穿著平整度特征提取[J].毛紡科技，2017，45（5）：50-54.

[3] Lin Jeng-Jong. Applying a co-occurrence matrix to automatic inspection of weaving density for woven fabrics [J].Textile Research Journal，2002，72（ 6）：486-490.

[4] 任國貞，江濤. 基于灰度共生矩陣的紋理提取方法研究[J].計算機應用與軟件，2014，31（11）：190-192，325.endprint